基于EMD-BP模型的10 kV開關(guān)柜溫度預(yù)測

文昌斌，石 強(qiáng)，鄭凱新，吳永華，童華敏

（1.國網(wǎng)湖北省電力公司荊州供電公司，湖北 荊州 434000；2.三峽大學(xué) 電氣與新能源學(xué)院，湖北 宜昌 443002；3.國網(wǎng)湖北省電力公司孝感供電公司，湖北 孝感 432000；4.國網(wǎng)湖北省電力公司宜昌供電公司，湖北 宜昌 443002）

0 引 言

高壓開關(guān)柜是變電站重要的電氣設(shè)備。大多數(shù)高壓開關(guān)柜采用封閉結(jié)構(gòu)，無法直接觀察其動(dòng)靜觸頭、母線室進(jìn)線口等易發(fā)熱部位。當(dāng)負(fù)荷較大且高壓開關(guān)柜散熱條件較差時(shí)，將導(dǎo)致柜內(nèi)溫度升高和部件過熱，如不及時(shí)提醒和處理，將導(dǎo)致開關(guān)柜損毀并造成嚴(yán)重的安全事故[1]。因此，需要對(duì)封閉式高壓開關(guān)柜進(jìn)行溫度實(shí)時(shí)監(jiān)測和預(yù)警。

傳統(tǒng)測溫片和紅外測溫方法易受人為影響，無法直接測量開關(guān)柜內(nèi)部溫度，且易受環(huán)境和周圍電磁場的干擾[2]。光纖測溫成本較高且存在安全隱患。無線溫度傳感器測溫的方法可靠性好、安全性高，可對(duì)高壓開關(guān)柜實(shí)現(xiàn)不間斷在線監(jiān)測。采集的溫度數(shù)據(jù)序列通常具有非線性和非平穩(wěn)性，回歸分析可將溫度表示為相應(yīng)變量的函數(shù)，卻無法表示高壓開關(guān)柜溫度與相應(yīng)變量的復(fù)雜關(guān)系。數(shù)據(jù)信號(hào)分解預(yù)處理和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型，適合表示變量之間復(fù)雜的非線性關(guān)系，已經(jīng)在很多領(lǐng)域得到成功應(yīng)用[3-4]。

基于以上分析，建立一種10 kV封閉式高壓開關(guān)柜過熱風(fēng)險(xiǎn)預(yù)警系統(tǒng)。該系統(tǒng)利用無線溫度傳感器對(duì)高壓開關(guān)柜過熱部位進(jìn)行測溫，并借助無線藍(lán)牙通信網(wǎng)絡(luò)實(shí)現(xiàn)溫度數(shù)據(jù)傳輸；利用EMD分解將測得的原始溫度序列分解成具有不同頻率尺度的模態(tài)分量；利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)各模態(tài)分量進(jìn)行預(yù)測；最后，累加各模態(tài)預(yù)測值實(shí)現(xiàn)開關(guān)柜過熱部位的溫度預(yù)測，并對(duì)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)驗(yàn)證所提模型的準(zhǔn)確性。

1 10 kV開關(guān)柜風(fēng)險(xiǎn)預(yù)警系統(tǒng)結(jié)構(gòu)

10 kV高壓開關(guān)柜作為一種金屬性封閉式開關(guān)電氣設(shè)備，以KYN28-12開關(guān)柜為例，柜內(nèi)一般被隔板分成手車室、母線室、電纜室和繼電器儀表室等部分[3]。10 kV高壓開關(guān)柜與高壓進(jìn)線柜、高壓出線柜、高壓計(jì)量柜、高壓互感器柜、直流屏控制柜以及直流屏電池柜等一起實(shí)現(xiàn)變電站10 kV系統(tǒng)的控制、計(jì)量和保護(hù)等功能。10 kV封閉式高壓開關(guān)柜過熱風(fēng)險(xiǎn)預(yù)警系統(tǒng)結(jié)構(gòu)如圖1所示。

利用無線溫度傳感器獲取母線室進(jìn)線口動(dòng)觸頭的溫度，這些點(diǎn)一般為10 kV高壓開關(guān)柜容易過熱的點(diǎn)。為將溫度數(shù)據(jù)可靠傳輸?shù)椒?wù)器，采用無線藍(lán)牙通信技術(shù)構(gòu)建無線物聯(lián)網(wǎng)。無線藍(lán)牙技術(shù)是一種近距離、低功耗、低延時(shí)且便宜的雙向無線通信技術(shù)。相比于其他無線傳輸方式而言，它更適合變電站10 kV封閉式高壓開關(guān)柜這種不適合經(jīng)常開柜且電磁環(huán)境復(fù)雜的場合[5-7]。中心服務(wù)器建立關(guān)系型數(shù)據(jù)庫，接收無線傳輸?shù)淖冸娬静煌?0 kV封閉式高壓開關(guān)柜的不同觸點(diǎn)溫度數(shù)據(jù)。為實(shí)現(xiàn)可靠過熱風(fēng)險(xiǎn)預(yù)警，數(shù)據(jù)采取周期性傳輸。對(duì)接收的溫度數(shù)據(jù)進(jìn)行預(yù)處理和學(xué)習(xí)，實(shí)現(xiàn)數(shù)據(jù)兩個(gè)方面的功能：一是EMD數(shù)據(jù)分解預(yù)處理；二是基于改進(jìn)BP網(wǎng)絡(luò)訓(xùn)練分解的數(shù)據(jù)，實(shí)現(xiàn)對(duì)高壓開關(guān)柜的過熱風(fēng)險(xiǎn)預(yù)警。

圖1 10 kV封閉式高壓開關(guān)柜過熱預(yù)警系統(tǒng)結(jié)構(gòu)圖

2 EMD經(jīng)驗(yàn)?zāi)B(tài)分解

EMD分解依據(jù)原始信號(hào)的時(shí)間尺度特性對(duì)信號(hào)進(jìn)行分解，無需預(yù)先設(shè)置基函數(shù)，對(duì)于處理非平穩(wěn)性及非線性的數(shù)據(jù)具有明顯優(yōu)勢[3]。利用該方法分解具有非平穩(wěn)性及非線性的溫度數(shù)據(jù)步驟如下。

第1步：初始化r0=x(t), i=1；

第2步：對(duì)原始溫度序列f進(jìn)行EMD分解，得到第i個(gè)具有固有本征模態(tài)分量imfi(t)，求解公式如下：

第3步：重復(fù)執(zhí)行以上兩步進(jìn)行分解，hi(t)、hj(t)為分解的模態(tài)分量上、下包絡(luò)線序列，mj-1(t)為hi(t)、hj(t)的均值序列，且滿足：

rn(t)為分解的第n個(gè)不同頻率尺度的IMF的殘余分量，代表溫度信號(hào)數(shù)據(jù)的變化趨勢。當(dāng)ri(t)的極值點(diǎn)大于2時(shí)，i=i+1，返回第2步；否則，跳出循環(huán)，輸出結(jié)果。

按上述步驟，對(duì)于一個(gè)原始信號(hào)采用EMD分解為6個(gè)分量的結(jié)果，如圖2所示。其中，Original為原始溫度序列，IMF1～I(xiàn)MF5為進(jìn)行EMD分解得到的主要模態(tài)分量，IMF6為殘余分量。

3 BP神經(jīng)網(wǎng)絡(luò)的基本原理

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)具有高效處理非線性擬合問題的能力。以BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)為例，它是一種按照誤差反向傳播進(jìn)行訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，本質(zhì)是一個(gè)多層感知器（Multi-Layer Perceptron，MLP），包含輸入層、隱藏層以及輸出層3個(gè)要素[4,8]。BP神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)如圖3所示。

神經(jīng)網(wǎng)絡(luò)的工作機(jī)理可以類比成一個(gè)函數(shù)的映射過程：

圖2 EMD分解的固有模態(tài)分量

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)可以理解為兩次一元函數(shù)的輸入和輸出，即完成正向、反向誤差的傳播。第一次Yi=A1(Wi*X+bi)，其中X是原始數(shù)據(jù)的輸入，A1代表激活函數(shù)。第二次Yj=A2(Wj*Yj+bj)，其中Y1是第一次的輸出，A2是激活函數(shù)。Wi、Wj，bi、bj分別為其權(quán)值和偏置參數(shù)對(duì)，原則上各不相同。經(jīng)過以上兩層誤差的傳遞，若誤差大于設(shè)定誤差ε，該誤差將會(huì)反向傳遞給隱藏層求解其誤差梯度，用來更新權(quán)值W和偏置b；在正向傳遞中計(jì)算誤差，當(dāng)誤差小于設(shè)定誤差ε或達(dá)到最大迭代次數(shù)時(shí)，輸出最終訓(xùn)練的y結(jié)果如下：

3.2 BP神經(jīng)網(wǎng)絡(luò)參數(shù)估計(jì)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱藏層數(shù)為保證訓(xùn)練精度和防止過擬合將其設(shè)置為2層，選擇sigmoid函數(shù)作為激活函數(shù)，并采用均方誤差（MSE）作為測試表現(xiàn)的依據(jù)。

針對(duì)常規(guī)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效果不佳，選擇Nadam優(yōu)化算法對(duì)BP網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化。Nadam優(yōu)化算法是一種自適應(yīng)學(xué)習(xí)率的方法，對(duì)網(wǎng)絡(luò)學(xué)習(xí)率有較強(qiáng)約束，計(jì)算效率高，訓(xùn)練收斂速度比梯度法快，訓(xùn)練精度更高。改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)如表1所示。

為將分解得到的模態(tài)分量數(shù)據(jù)導(dǎo)入構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)，使得輸入的數(shù)據(jù)更好地表現(xiàn)溫度數(shù)據(jù)的變化情況，采用相空間重構(gòu)[9]（Phase Space Reconstruction，PSR）對(duì)原始數(shù)據(jù)進(jìn)行優(yōu)化處理。該技術(shù)的關(guān)鍵參數(shù)——延遲時(shí)間τ和嵌入維數(shù)d根據(jù)實(shí)際情況分別設(shè)置為1和5。采取坐標(biāo)延遲重構(gòu)法，構(gòu)造一維時(shí)間序列在延遲時(shí)間τ下的相空間矢量。因此，對(duì)于分解的模態(tài)分量序列x={xi|i=1,2,…,N}可以表示為：

表1 誤差系數(shù)

通過以上操作，分解的模態(tài)序列可以更好地反映溫度變化趨勢，形成BP神經(jīng)網(wǎng)絡(luò)模型的輸入，以便進(jìn)行訓(xùn)練和預(yù)測。

3.3 模型評(píng)價(jià)指標(biāo)

為對(duì)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)與EMD-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果，將MAE平均絕對(duì)誤差、RMSE均方根誤差、MAPE平均絕對(duì)百分比誤差作為評(píng)判指標(biāo)。

4 實(shí)驗(yàn)分析

本文利用深度學(xué)習(xí)框架Keras搭建BP神經(jīng)網(wǎng)絡(luò)，基于TensorFlow后臺(tái)實(shí)現(xiàn)相應(yīng)功能。對(duì)溫度數(shù)據(jù)采用歸一化處理，便于簡化運(yùn)算，減小計(jì)算復(fù)雜度：

式中：X為溫度樣本值，Xmax、Xmin分別為樣本對(duì)應(yīng)的最大值和最小值，max、min為縮放的邊際范圍值。

采集100個(gè)溫度序列預(yù)測后20個(gè)點(diǎn)的溫度結(jié)果如圖4所示，預(yù)測結(jié)果誤差見表2。由圖4和表2可知，所提EMD-BP溫度預(yù)測模型對(duì)封閉式高壓開關(guān)柜過熱部位的溫度預(yù)測效果要優(yōu)于傳統(tǒng)BP預(yù)測模型，且所提模型預(yù)測精度更高。

圖4 溫度預(yù)測效果對(duì)比圖

研究結(jié)果表明，所提EMD-BP預(yù)測模型模型有效擬合和預(yù)測了非線性的溫度序列。對(duì)比兩種模型的誤差評(píng)價(jià)指標(biāo)，所提模型誤差評(píng)價(jià)指標(biāo)MAE為1.71%、RMSE為2.08%、MAPE為2.11%，均小于傳統(tǒng)BP預(yù)測模型。預(yù)測性能優(yōu)于傳統(tǒng)BP模型，體現(xiàn)了EMD-BP模型對(duì)于處理非平穩(wěn)性和非線性溫度序列的能力，同時(shí)結(jié)合改進(jìn)算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和收斂能力，采用相空間重構(gòu)技術(shù)，有效整合了高壓開關(guān)柜的發(fā)熱溫度數(shù)據(jù)的時(shí)序特性，便于BP網(wǎng)絡(luò)從溫度數(shù)據(jù)中挖掘和學(xué)習(xí)知識(shí)，以對(duì)比兩種模型的預(yù)測精度，驗(yàn)證了方案的準(zhǔn)確性與實(shí)用性。

表2 誤差系數(shù)

5 結(jié) 論

針對(duì)10 kV封閉式高壓開關(guān)柜內(nèi)部過熱隱患，提出了一種新的解決方案。采用先進(jìn)的物聯(lián)網(wǎng)設(shè)備采集和存儲(chǔ)溫度數(shù)據(jù)，EMD經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)原始具有非平穩(wěn)性的溫度序列進(jìn)行模態(tài)分解，結(jié)合相空間重構(gòu)，形成更適合BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的溫度輸入序列。最后，利用BP神經(jīng)網(wǎng)絡(luò)高效的非線性擬合學(xué)習(xí)能力，充分挖掘高壓開關(guān)柜內(nèi)部過熱溫度數(shù)據(jù)知識(shí)，建立EMD-BP溫度預(yù)測模型，并通過實(shí)驗(yàn)分析驗(yàn)證所提方案的準(zhǔn)確性和有效性。對(duì)比傳統(tǒng)BP模型，所提方案在溫度預(yù)測的擬合度和誤差率方面均取得了良好效果，預(yù)測精度更高。