基于bp神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法
【專利摘要】本發(fā)明公開了一種基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法，包括以下步驟：1、訓練樣本選取；選取載流量數(shù)據(jù)，所述載流量數(shù)據(jù)包括：電纜導體電流、電纜外皮溫度和電纜導體溫度；2、網(wǎng)絡(luò)訓練；構(gòu)建一個四層BP神經(jīng)網(wǎng)絡(luò)，采用粒子群算法先進行一次優(yōu)化，后使用BP算法進行二次優(yōu)化方法訓練網(wǎng)絡(luò)；3、電纜導體暫態(tài)溫度計算；將實時采集到的電纜導體電流和電纜外皮溫度輸入到步驟2中訓練好的網(wǎng)絡(luò)，即可計算出電纜的導體溫度。具有無需考慮電纜本身的物性參數(shù)，即可準確地動態(tài)計算電纜的導體溫度等優(yōu)點。
【專利說明】基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種三芯電纜導體暫態(tài)溫度計算技術(shù)，特別涉及一種基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法。

【背景技術(shù)】
[0002]載流量為電纜在持續(xù)負荷中所能傳輸?shù)淖畲箅娏?，是電纜運行的重要參數(shù)。在該電流的作用下，線芯工作溫度達到但不超過電纜主絕緣長期耐熱溫度(XLPE為90V ) ’以保證電纜的壽命。如果載流量偏大而導致線芯工作溫度超過允許值，電纜的壽命將比期望壽命大大縮短。如果載流量偏小，但是電纜線芯的銅材或者鋁材沒有得到充分的利用。因此，只要能夠準確掌握電纜導體溫度，就可以挖掘現(xiàn)有電纜載流量能力，不僅能節(jié)約電纜的投資，而且能提高電纜的運行水平和利用率。因而準確計算電纜導體溫度成為關(guān)鍵。
[0003]由于實際運行電纜線路的負荷電流不是持續(xù)不變而是周期變化的，且電纜外部運行環(huán)境(埋深處的地溫和土壤熱阻系數(shù))受多因素影響的量，使得電纜導體的溫度是一個時刻變化的物理量。因而電纜導體溫度的暫態(tài)計算是電纜狀態(tài)檢測的重要手段。電纜的暫態(tài)溫升計算大都基于電纜的熱路模型，常用的方法是分別計算電纜本體和電纜外部環(huán)境兩部分的暫態(tài)響應(yīng)，然后進行疊加，但該方法計算的準確性仍然受外部環(huán)境因素影響。隨著測溫技術(shù)的發(fā)展，電纜外皮溫度的在線監(jiān)測得以實現(xiàn)。通過測量外皮溫度，再根據(jù)電纜的熱路暫態(tài)模型就可以反推出導體溫度。由于導體溫度計算只與本體參數(shù)有關(guān)，所以擺脫了外部環(huán)境影響。但在運用這種方法計算過程中，熱路的暫態(tài)模型比較難確定。
[0004]目前，國內(nèi)外比較有代表性的模型包括動態(tài)反饋仿真模型、梯形熱網(wǎng)絡(luò)模型[和傳熱模型，這幾種模型的計算結(jié)果都比較準確，但均需求解大量非線性方程。為簡化計算，國內(nèi)學者提出的方法包括以下:在建立單芯電纜等效暫態(tài)熱路模型基礎(chǔ)上，采用Runge-Kutta法求解微分方程組，計算電纜暫態(tài)溫升，根據(jù)光纖測得外皮溫度反推導體溫度；在建立單芯電纜等效Laplace熱路模型基礎(chǔ)上，剖分實際連續(xù)變化運行電流為等效的階躍電流，計算不同時間段階躍電流的產(chǎn)熱量，以及實際持續(xù)變化電流下的電纜線芯溫度；基于電纜實時外皮溫度和運行電流，運用BP神經(jīng)網(wǎng)絡(luò)實時計算單芯電纜的導體溫度。該方法具有較高的精度，且不受電纜本身的物性參數(shù)影響。以上方法大都運用于單芯電纜導體暫態(tài)溫度的計算，對于在三芯電纜導體暫態(tài)溫度的計算方面的研究卻較為匱乏。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法，該計算方法解決了三芯電纜導體暫態(tài)溫度的計算問題，提高了導體溫度的計算精度。
[0006]本發(fā)明的目的通過下述技術(shù)方案實現(xiàn):基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法，包括以下步驟:
[0007]步驟1、訓練樣本選取:選取載流量實驗數(shù)據(jù)，包括電纜導體電流、電纜外皮溫度和電纜導體溫度；
[0008]步驟2、網(wǎng)絡(luò)訓練:將訓練樣本中的電纜導體電流、電纜外皮溫度做為輸入，電纜導體溫度做為輸出，構(gòu)建一個四層神經(jīng)網(wǎng)絡(luò)。使用粒子群算法先進行一次優(yōu)化，后使用BP算法進行二次優(yōu)化方法訓練網(wǎng)絡(luò)；
[0009]步驟3、電纜導體暫態(tài)溫度計算:將實時采集到的導體電流、電纜外皮溫度輸入到訓練好的網(wǎng)絡(luò)，即可計算出電纜的導體溫度。
[0010]在步驟2中，所述采用粒子群算法先進行一次優(yōu)化，后使用BP算法進行二次優(yōu)化方法訓練網(wǎng)絡(luò)包括以下步驟:
[0011]步驟21、設(shè)定粒子群的粒子數(shù)m = 40，初始化粒子群，即為每一組權(quán)值、閾值賦初值如下式:
[0012]Xi= 0νη(:)Κ:)，Κ:)，?32?(:)，...，Wik(:)，bki(:))，
[0013]式中，υ:)，υ:)，.?(:)為權(quán)值，b'b'...，#為閾值，其中下標i表示第i個粒子Xi，下標1，2...k表示神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值矩陣個數(shù)，其中，k = 3 ;
[0014]步驟22、將網(wǎng)絡(luò)的輸出誤差定義為粒子的適應(yīng)度函數(shù)，計算各粒子的適應(yīng)度:
1.V 產(chǎn)
[0015]E = -ZTt 藝 X (^p>} ~ dlp]y

Zn ^*7

H~l p~\




9
[0016]式中，N為樣本數(shù)，P為輸出維數(shù)，O為網(wǎng)絡(luò)輸出，d為目標輸出；
[0017]對每一個粒子，比較當前粒子的適應(yīng)度與先前的最佳適應(yīng)度，將二者較小值設(shè)為當前粒子的局部極值；
[0018]選擇所有粒子適應(yīng)度中適應(yīng)度最小的一個作為全局極值，并按下式更新粒子速度:
[0019]Vij (k+1) = WVij (k) +C1IT1 [Qij (k) -Xij (k)]
[0020]+c2r2 [Qgj (k) -Xij (k)],
[0021]式中，C1 = C2為加速常數(shù),本發(fā)明中，C1 = C2 = 2 !V1, V2為兩取值區(qū)間為[O I]的隨機數(shù)；vu e [-vmax, VmaJ為第i個粒子第j維空間的速度，Vmax為允許移動的最大速度，本發(fā)明中vmax = I ;Xij e [-xmax，xmaJ為第i個粒子第j維空間的位置，Xmax為允許的最大空間位置；QU為第i個粒子第j維空間的局部極值，Qgj為第j為空間的全局極值，w為慣性權(quán)重系數(shù)，并設(shè)置為隨迭代次數(shù)增加而減小的函數(shù):
[0022]w(t) = Wmin+ (Wmax-Wmin) (tmax-t)/tmax,
[0023]式中，t為當前迭代數(shù)，tmax為最大迭代次數(shù)，慣性權(quán)重系數(shù)最大值Wmax = 0.9，最小值 Wniin = 0.4 ；
[0024]按下式更新粒子的位置:
[0025]Xij (k+1) = Xij(Ii)+Vij (k+1),
[0026]式中，xu(k+l)為粒子迭代次數(shù)為k時第j維空間的位置；xu(k+l)為粒子迭代次數(shù)為k+Ι時第j維空間的位置；vu(k+l)為粒子迭代次數(shù)為k+Ι時第j維空間的速度；
[0027]步驟23、判斷算法是否滿足誤差精度或達到最大迭代次數(shù)，如果是，則退出PSO算法，否則，返回繼續(xù)迭代；將PSO算法得到的權(quán)值和閾值作為初值，繼續(xù)使用BP算法進行二次優(yōu)化；若訓練結(jié)果優(yōu)于PSO訓練結(jié)果，則輸出BP訓練的網(wǎng)絡(luò)，否則，輸出PSO訓練的網(wǎng)絡(luò)。
[0028]在步驟2中，所述神經(jīng)網(wǎng)絡(luò)是一個2-8-8-1的四層BP神經(jīng)網(wǎng)絡(luò)，并由電纜導體電流和電纜外皮溫度作為輸入、電纜導體溫度作為輸出構(gòu)建而成。
[0029]本發(fā)明的工作原理:本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法以電纜導體電流、電纜外皮溫度為輸入，電纜導體溫度為輸出，構(gòu)建了一個四層神經(jīng)網(wǎng)絡(luò)模型。先使用粒子群算法先進行一次優(yōu)化，后使用BP算法進行二次優(yōu)化的訓練方法，訓練效果明顯優(yōu)于單獨使用BP算法。該方法可以精確地實時計算三芯電纜的導體溫度，且不受電纜本身物性參數(shù)影響，可以為三芯電纜導體溫度的在線監(jiān)測提供參考。
[0030]本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點及效果:
[0031 ] 1、神經(jīng)網(wǎng)絡(luò)可以基于電纜導體電流和電纜外皮溫度，無需考慮電纜本身的物性參數(shù)，即可準確地動態(tài)計算電纜的導體溫度，計算方便快捷。
[0032]2、本發(fā)明采用PSO與BP結(jié)合算法對網(wǎng)絡(luò)進行訓練，訓練效果優(yōu)于單獨使用BP算法對網(wǎng)絡(luò)進行訓練。使用訓練好的網(wǎng)絡(luò)對電纜導體溫度進行計算，前者產(chǎn)生的誤差小于后者。

【專利附圖】

【附圖說明】
[0033]圖1是基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法的總體框圖。
[0034]圖2是四層的BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖。
[0035]圖3是訓練誤差曲線圖。
[0036]圖4是神經(jīng)網(wǎng)絡(luò)計算結(jié)果圖。

【具體實施方式】
[0037]下面結(jié)合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限于此。
[0038]實施例
[0039]如圖1所示，基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法，包括以下步驟:
[0040]步驟1、訓練樣本選?。贿x取載流量實驗數(shù)據(jù)，包括電纜導體電流、電纜外皮溫度和電纜導體溫度；
[0041]步驟2、網(wǎng)絡(luò)訓練；將步驟I訓練樣本中的電纜導體電；使用粒子群算法先進行一次優(yōu)化，后使用BP算法進行二次優(yōu)化方法訓練網(wǎng)絡(luò)；
[0042]以電纜導體電流、電纜外皮溫度作為輸入，電纜導體溫度作為輸出，構(gòu)建神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)是一個2-8-8-1的四層BP神經(jīng)網(wǎng)絡(luò)，其拓撲結(jié)構(gòu)如圖2所示。
[0043]設(shè)定粒子群的粒子數(shù)m = 40，初始化粒子群，即為每一組權(quán)值、閾值賦初值如下式:
[0044]Xi=,hu (:),h2i,hki (:)),
[0045]式中，Wil (:)，Wi2 (:)，…，Wik (:)為權(quán)值，bn, b2i,…，bki為閾值，其中下標i表示第i個粒子Xi，下標1，2...k表示神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值矩陣個數(shù)，其中，k = 3。
[0046]將網(wǎng)絡(luò)的輸出誤差定義為粒子的適應(yīng)度函數(shù)，計算各粒子的適應(yīng)度。
[0047]f=去<*)2
Nlpl




f
[0048]式中N為樣本數(shù)，P為輸出維數(shù)，O為網(wǎng)絡(luò)輸出，d為目標輸出。
[0049]對每一個粒子，比較當前粒子的適應(yīng)度與先前的最佳適應(yīng)度，將二者較小值設(shè)為當前粒子的局部極值。
[0050]選擇所有粒子適應(yīng)度中適應(yīng)度最小的一個,作為全局極值。
[0051]按下式更新粒子速度；
[0052]Vij (k+1) = Wvij (k) +C1IT1 [Qij (k) -Xij (k)]
[0053]+c2r2 [Qgj (k) -Xij (k)],
[0054]式中，C1 = C2為加速常數(shù),本發(fā)明中，C1 = C2 = 2 !V1, V2為兩取值區(qū)間為[O I]的隨機數(shù)；vu e [-vmax, VmaJ為第i個粒子第j維空間的速度，Vmax為允許移動的最大速度，本發(fā)明中vmax = I ;Xij e [-xmax，xmaJ為第i個粒子第j維空間的位置，Xmax為允許的最大空間位置；QU為第i個粒子第j維空間的局部極值，Qgj為第j為空間的全局極值。w為慣性權(quán)重系數(shù)，它使粒子保持運動慣性，本發(fā)明中w設(shè)置為隨迭代次數(shù)增加而減小的函數(shù):
[0055]w(t) = Wmin+(Wmax-Wmin) (tmax-t)/tmax,
[0056]式中，t為當前迭代數(shù)，tmax為最大迭代次數(shù)，慣性權(quán)重系數(shù)最大值Wmax = 0.9，最小值 Wniin = 0.4。
[0057]按下式更新粒子的位置:
[0058]Xij (k+1) = Xij (k) +Vij (k+1),
[0059]式中，xu(k+l)為粒子迭代次數(shù)為k時第j維空間的位置；xu(k+l)為粒子迭代次數(shù)為k+Ι時第j維空間的位置；vu(k+l)為粒子迭代次數(shù)為k+Ι時第j維空間的速度。
[0060]如果算法滿足誤差精度或達到最大迭代次數(shù)，則退出PSO算法，否則返回繼續(xù)迭代；
[0061]將PSO算法得到的各權(quán)值、閾值作為初值，繼續(xù)使用BP算法進行二次優(yōu)化。若訓練結(jié)果優(yōu)于PSO訓練結(jié)果，則輸出BP訓練的網(wǎng)絡(luò)，否則輸出PSO訓練的網(wǎng)絡(luò)，其訓練誤差曲線如圖3所示，神經(jīng)網(wǎng)絡(luò)的計算結(jié)果如圖4所示。
[0062]步驟3、電纜導體暫態(tài)溫度計算；將實時采集到的導體電流、電纜外皮溫度輸入到步驟2訓練好的網(wǎng)絡(luò)，即可計算出電纜的導體溫度。
[0063]上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。
【權(quán)利要求】
1.一種基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法，其特征在于，包括以下步驟: 步驟1、訓練樣本選取；選取載流量數(shù)據(jù)，所述載流量數(shù)據(jù)包括:電纜導體電流、電纜外皮溫度和電纜導體溫度； 步驟2、網(wǎng)絡(luò)訓練；構(gòu)建神經(jīng)網(wǎng)絡(luò)，采用粒子群算法先進行一次優(yōu)化，后使用BP算法進行二次優(yōu)化方法訓練網(wǎng)絡(luò)； 步驟3、電纜導體暫態(tài)溫度計算；將實時采集到的電纜導體電流和電纜外皮溫度輸入至IJ步驟2中訓練好的網(wǎng)絡(luò)，即可計算出電纜的導體溫度。
2.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法，其特征在于，在步驟2中，所述采用粒子群算法先進行一次優(yōu)化，后使用BP算法進行二次優(yōu)化方法訓練網(wǎng)絡(luò)包括以下步驟: 步驟21、設(shè)定粒子群的粒子數(shù)m = 40，初始化粒子群，即為每一組權(quán)值、閾值賦初值如下式:
Xi = 0νη(:)Κ:)，Κ:)，?32?(:)，...，Wik(:)，bki(:))， 式中，Wn(:)，Wi2(:)，…，Wik(:)為權(quán)值，bn，b2i，…，bki為閾值，其中下標i表示第i個粒子Xi，下標1，2...k表示神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值矩陣個數(shù)，其中，k = 3 ; 步驟22、將網(wǎng)絡(luò)的輸出誤差定義為粒子的適應(yīng)度函數(shù)，計算各粒子的適應(yīng)度: ^ = JLv V^dun)2
^ a?pp *

H —I p~~l



9 式中，N為樣本數(shù)，P為輸出維數(shù)，O為網(wǎng)絡(luò)輸出，d為目標輸出； 對每一個粒子，比較當前粒子的適應(yīng)度與先前的最佳適應(yīng)度，將二者較小值設(shè)為當前粒子的局部極值； 選擇所有粒子適應(yīng)度中適應(yīng)度最小的一個作為全局極值，并按下式更新粒子速度:
Vij (k+1) = Wvij (k) +C1Ir1 [Qij (k) -Xij (k)]
+c2r2 [Qgj (k) -Xij (k)], 式中，C1 = C2為加速常數(shù)，本發(fā)明中，C1 = C2 = 2;V1，V2S兩取值區(qū)間為[O I]的隨機數(shù)e [-Vfflax, VfflaJ為第i個粒子第j維空間的速度，Vmax為允許移動的最大速度，本發(fā)明中Vmax = I ;Xij e [-xmax，xmaJ為第i個粒子第j維空間的位置，Xmax為允許的最大空間位置；QU為第i個粒子第j維空間的局部極值，Qgj為第j為空間的全局極值，w為慣性權(quán)重系數(shù)，并設(shè)置為隨迭代次數(shù)增加而減小的函數(shù):
W(t) = Wmin+ (Wmax-Wmin) (tmax-t)/tmax, 式中，t為當前迭代數(shù)，tmax為最大迭代次數(shù)，慣性權(quán)重系數(shù)最大值Wmax = 0.9，最小值wIiiin = 0.4 ; 按下式更新粒子的位置:
Xij (k+1) = Xij (k) +Vij (k+1), 式中,Xij(k+1)為粒子迭代次數(shù)為k時第j維空間的位置；Xij(k+l)為粒子迭代次數(shù)為k+Ι時第j維空間的位置；vu(k+l)為粒子迭代次數(shù)為k+Ι時第j維空間的速度； 步驟23、判斷算法是否滿足誤差精度或達到最大迭代次數(shù)，如果是，則退出PSO算法，否則，返回繼續(xù)迭代；將PSO算法得到的權(quán)值和閾值作為初值，繼續(xù)使用BP算法進行二次優(yōu)化；若訓練結(jié)果優(yōu)于PSO訓練結(jié)果，則輸出BP訓練的網(wǎng)絡(luò)，否則，輸出PSO訓練的網(wǎng)絡(luò)。
3.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的三芯電纜導體暫態(tài)溫度計算方法，其特征在于，在步驟2中，所述神經(jīng)網(wǎng)絡(luò)是一個2-8-8-1的四層BP神經(jīng)網(wǎng)絡(luò)，并由電纜導體電流和電纜外皮溫度作為輸入、電纜導體溫度作為輸出構(gòu)建而成。
【文檔編號】G06N3/02GK104299034SQ201410514032
【公開日】2015年1月21日 申請日期:2014年9月29日 優(yōu)先權(quán)日:2014年9月29日
【發(fā)明者】牛海清, 吳炬卓, 葉開發(fā) 申請人:華南理工大學