基于人工神經網絡的封閉式開關柜溫度的預測

摘要：本文將多光譜觀測窗安裝于封閉設備外殼的適當位置，與紅外熱成像儀配合可方便安全地實現封閉開關設備大面積、大范圍的紅外發熱在線監測，并根據監測的紅外溫度運用BP人工神經網絡預測出封閉開關設備未來的溫度，進而排除故障，保證電力系統的安全運行。

關鍵詞：封閉式開關柜人工神經網絡紅外溫度

0 引言

大量運行的封閉式開關設備由于外殼的阻隔，其紅外發熱診斷基本沒有開展。檢測和監視全封閉的高壓開關設備內部的工作溫度，并進行溫度預測，提前發現和排除熱故障隱患，對電力系統的安全可靠運行非常重要和必要。本文就是通過收集大量的現場測溫數據，應用人工神經網絡預測封閉式開關柜的紅外溫度，為檢測和維修人員提供了預知故障的依據，使其能夠更好地做好準備，防范事故發生。

1 BP人工神經網絡

1.1 BP神經網絡的結構 BP（Back Propagation）網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，主要包括輸入層、隱層和輸出層三層，是目前應用最廣泛的神經網絡模型之一，也是最有成效的。BP網絡中雖然相鄰層間是采取全互連的方式連接的，但是對于同一層的各神經元之間以及輸出、輸入層之間沒有任何連接，因此，三層網絡可以實現任意連續函數的逼近。

1.2 BP神經網絡的學習算法 BP神經網絡的學習算法主要由正向傳播和反向傳播兩種組成。正向傳播中，輸入信號從輸入層經隱層傳向輸出層，若輸出層得到了期望的輸出，學習算法結束；否則，如果輸出層不能得到期望輸出，即說明實際輸出值與期望輸出值之間存在誤差，則轉至反向傳播，將誤差信號原路返回，通過修改各層神經元的權值，逐次向輸入層傳播進行計算，再經過正向傳播過程。而反向傳播則是將計算得到的誤差信號按原路反向計算，各層神經元的閾值和權值則由梯度下降法來調整，以使信號誤差達到減小。BP神經網絡是對上述這兩個過程的反復運用，最終使得誤差信號最小。

1.3 LMS算法 LMS算法也稱Widrow-Hoff算法，它是基于負梯度下降的原則來減少網絡的訓練誤差。當系統進行第n次循環時，它將訓練誤差的平方分別對網絡閥值和權值求二階偏微分，如公式（1-1）和（1-2）所示。

■=2e(k)■（1-1）

■=2e(n)■（1-2）

而此時的訓練誤差對網絡閥值和權值的一階偏微分如公式（1-3）所示。

■=■[t(n)-■w■P■(n)+b]=-P■(n)（1-3）

其中P■(n)表示在第n次循環中的第k個輸入向量。因此網絡的權值和閥值可被修正為

w■■(n+1)=w■■(n)+2ηe(n)P■(n)(1-4)

b■(n+1)=b■(n)+2ηe(n)(1-5)

其中b為閥值，η為學習速率。當η取比較小的值時，LMS算法的自適應過程就比較慢，但結果會更精確。綜合考慮收斂速度和學習精度，η值應先取較大的值以保證收斂速率，隨著迭代次數的增加而取較小的η值以保證精度。

1.4 Levenberg-Marquardt算法（trainlm） 這是一種類似于Quasi-Newton的神經網絡訓練算法，它并不需要直接計算赫賽矩陣，由此減少了訓練中的內存需求量和計算量，因為BP網絡的性能函數是均方誤差，因此可以由雅可比矩陣近似得到赫賽矩陣，如公式（1-6）所示。

H=JTJ(1-6)

又因梯度的計算公式為

g=JTe(1-7)

其中e是網絡的誤差向量，J為雅可比矩陣，它的元素是網絡誤差對權值和閥值的一階導數。因此在trainlm算法中，網絡的閥值和權值將公式調整為

w(k+1)=w(k)-[JTJ+μI]-1JTe(1-8)

由于網絡的誤差與μ有關，增大μ的值，網絡的誤差要增大；減小μ的值，網絡的誤差減小，因此可以保證網絡的性能函數總在減小。本文在訓練網絡的時候采用的是LMS算法和Levenberg-Marquardt算法。

2 MATLAB的概述

我們就是以MATLAB軟件為基礎，通過BP神經網絡來實現溫度預測的。MATLAB可以交互式地接收用戶輸入的各項命令，從而輸出計算結果，因此用戶便可通過運行系統提供的大量命令，實現數值計算、代碼編制和圖形繪制等。

3 封閉式開關柜溫度的預測

3.1 網絡變量的設計 本文是通過已有的相隔接近于一周的封閉式開關柜的溫度預測，來預測未來7天后的封閉式開關柜的紅外溫度，再根據失效判據去判斷封閉式開關柜在未來一周后有無故障。每隔一周對六組封閉式開關柜進行一次測量，由于溫度曲線相鄰的點之間不會發生突變，因此后一時刻的值必然和前一時刻有關，除非出現重大事故等特殊情況。此外，由于封閉式開關柜的溫度還與環境、負荷等有關，因此需要通過天氣預報等手段獲得預測日的氣溫，還需經驗來獲得預測日的電力負荷或根據其他方法比如預測等方法得到預測日的電力負荷。這里將預測日當天的氣象特征和電力負荷數據作為網絡的輸入變量。

本文通過對封閉式開關柜中的六個不同開關柜的未來一周后的紅外溫度預測，說明了預測的必要性和重要性。輸入變量為開關柜的A、B、C三相的紅外溫度和預測日當天的氣象特征數據及電力負荷數據，它是一個5維變量；輸出變量為預測日當天的開關柜的A、B、C三相的紅外溫度，它是一個3維的變量。網絡的輸出層與中間層分別采用s型對數函數logsig與正切函數tansig。獲得輸入和輸出變量后，需對其進行歸一化處理，將數據處理為區間[0，1]之間的數據。歸一化的方法有很多種，這里采用如下的公式：

■=■（3-1）

3.2 訓練樣本 本課題主要針對#1爐B一次風機電機、#1爐B引風機電機、#1爐B循環水泵電機、#1爐B送風機電機、工作電源612開關、輸煤6KV段電源開關六種封閉式開關柜進行研究的。

3.3 預測網絡的訓練 本文采用的是LMS算法和Levenberg-Marquardt算法對網絡進行訓練的，網絡經過訓練后才可以滿足封閉式開關柜紅外溫度的預測的實際應用?？紤]到網絡的結構比較復雜，神經元個數比較多，需要適當增大訓練次數和學習速率。訓練參數設定如表3.3所示。

■

①#1爐B一次風機電機的溫度預測。預測的結果如圖2所示，實際的結果為42.5、38.3、39.2，預測結果和實際結果相差不會超過20°C。②#1爐B引風機電機的溫度預測。預測的結果如圖3所示，實際的結果為43.4、44.4、39.6，預測結果和實際結果相差不會超過20°C。

■

4 結論

通過對這六種開關柜的紅外溫度的預測結果及實際測量結果比較，可以得到它們的結果相差不到20°C，在正常范圍之內，增加測量的樣本，效果會更好。如果能對紅外溫度正確預測，便可根據預測的溫度與正常溫度比較，來判斷設備是否存在故障及故障的嚴重程度。

參考文獻：

[1]趙林明等.多層前向人工神經網絡[M].鄭州：黃河出版社，1999，7:9-14.

[2]聞新等.MATLAB神經網絡仿真與應用[M].北京：科學出版社，2003:265-269.

[3]武冬蕾.連鑄關鍵設備故障診斷與漏鋼預報關鍵技術研[D].天津理工大學，2005.