基于RBF神經網絡參數優化的電源柜熱電偶溫度測量校正研究

張 麗

(重慶涪陵電力實業股份有限公司,重慶 408000)

電源柜是電動機的控制中心,主要由接線端子、電壓表、電流表等測量設備和有功功率表、無功功率表等計量設備組成。由于電源柜中設備元件眾多,且不同設備元件具有不同的正常工作條件要求。其中,對電源柜溫度的要求是平均溫度不超過35 ℃。其原因是,若電源柜溫度太高,超過了規定的最高溫度,容易造成電源柜內元件過熱,進而發生故障。因此,必須確保電源柜溫度在要求范圍內。而要確保電源柜溫度在規定范圍,首先需實現對電源柜溫度的高精度測量。目前,電源柜溫度測量方法眾多,賁安然等利用熱偶傳感器測量電源柜實際溫度,實現了對直流電源柜的溫度測量與散熱分析[1]。唐亞洲等在工業電爐合金熔化系統中增加了一套烘爐電源,實現了對大容量、快速熔化工業電爐的溫度高精度測量與控制[2]。張婷婷等為了掌握超級電容儲能電源柜在正常工作載荷下的溫度分布情況,通過測量計算出儲能系統各區域溫度到達穩定狀態的時間,分析了超級電容儲能電源柜的瞬態溫度場分布特點,提出了超級電容儲能電源柜的優化設計方案,實現了電源柜的溫度高精度測量和電容儲能[3]。通過上述研究可以發現,電源柜的溫度測量已經開始向多通道高精度方向發展,但李乳演等認為現有測溫系統測量精度有待進一步提高,其原因是現有多通道高精度測溫傳感器多為熱電偶傳感器,容易出現非線性誤差[4],因此精度還有待進一步提高。為解決該問題,本文利用AFSA(artificial fish swarms algorithm,簡稱AFSA)優化RBF(radial basis function network,簡稱RBF)網絡,并將優化后的RBF網絡用于電源柜熱電偶測溫系統,以提高電源柜熱電偶溫度測量精度。

1 電源柜熱電偶測溫原理

電源柜熱電偶的測溫原理如圖1所示。設熱電偶冷端和工作端溫度分別為T0和T,那么可得熱電偶總回路電勢EAB(T,T0)。

圖1 熱電偶冷端補償原理

EAB(T,T0)=EAB(T,T0)-EAB(T0,0)

(1)

式中:A、B為2種不同性質的熱電偶導體;T為熱電偶熱端;T0為0 ℃時的冷端熱電勢;EAB(T0,0)為冷端補償熱電勢。

同時通過圖1看出,基于RBF神經網絡的電源柜熱電偶測溫,就是以T0和EAB(T,T0)作為輸入,通過RBF神經網絡實現T的預測輸出。

2 基于RBF神經網絡參數優化的電源柜熱電偶溫度校正

2.1 RBF神經網絡

RBF網絡是一種具有全局收斂的前向徑向基函數神經網絡,由輸入層、隱藏層和輸出層構成[5]。其具體原理如下:

假設RBF網絡的輸入為X∈Rn={x1,…,xp},則隱藏層單元Zi的輸出可表示為[6]

(2)

式中:Ri()為徑向基函數,通常取n維高斯函數,表示為

(3)

輸出單元的輸出Y可表示為[7]

(4)

式中:Wi為隱藏層與輸出層連接權值。

通過RBF的原理看出,Ci、σi、Wi是影響網絡訓練速度和精度的重要參數[8]。

2.2 AFSA算法

AFSA算法是基于魚群覓食行為提出的一種啟發式優化算法,具有收斂速度快、效率高的特點。該算法步驟為:

(1)隨機生成人工魚群,計算人工魚狀態的目標函數值,同時在公告板上記錄最優狀態及最優解;

(2)每條人工魚進行聚群行為和追尾行為,然后向更優狀態移動,并更新最優狀態及最優解;

(3)是否達到最大迭代次數或找到最優解,若是則輸出最優狀態和最優解;反之,繼續執行聚群和追尾行為。

AFSA算法包含覓食行為、聚群行為、追尾行為、隨機行為和公告板。

(1)覓食行為。設人工魚當前狀態為Xi,感知范圍內所有的人工魚為Xj。若Xi的目標函數值Yi小于Xj的目標函數值Yj,則Xi向Xj方向移動,反之,選擇另一個狀態進行判斷。若重復移動仍不能達到最佳狀態,則根據式(5)隨機移動一步:

(5)

式中:rand()為隨機數函數;steps為步長;‖Xj-Xi‖為距離。

(2)聚群行為。設Xi可感知的人工魚數量為nf,人工魚中心位置Xc的目標函數值為Yc,通過判斷Yc/nf與δYi(δ為擁擠度因子)的大小,從而決定人工魚是否擁擠。具體判斷如式(6)所示:

(6)

若不滿足,則執行覓食行為。

(3)追尾行為。設人工魚視域內存在狀態Xj,的目標函數值Yj最大,因此根據式(7)判斷當前人工魚是否移動。

(7)

(4)隨機行為。若人工魚不滿足覓食行為、聚群行為和追尾行為時,則隨機移動一步長。

(5)公告板。公告板負責記錄每次迭代的人工魚最佳狀態Xmax及對應目標函數值Ymax。當人工魚移動到最佳狀態和目標函數值時,則更新公告板上的狀態和目標函數值。

2.3 RBF神經網絡的改進

由于標準RBF神經網絡的參數為隨機,不能確保網絡達到最快收斂和最高精度。因此,對RBF網絡參數進行優化,具體思路為:首先是確定Ci和σi,然后是確定Wi。

針對Ci和σi確定,采用K均值聚類方法進行確定,具體操作如下[9]:

(1)從輸入RBF網絡的所有樣本S={x1,x2,…,xK}中,選擇初始M個類別中心c1,c2,…,cM,并將每個樣本xj標記為距離類別中心Ci最近的類別,即如式(8)所示:

(8)

(2)將該類別所有樣本的平均值設為類別中心,并重復操作,直至其變化率達到設定閾值;

(3)計算出每個中心對應的寬度σi。

針對Wi參數,采用AFSA算法進行確定,具體操作步驟為[10]:

(1)設定人工魚群總數、最大移動補償、感知范圍、擁擠因子等參數,并在[-1,1]的范圍內隨機生成隱藏層與輸出層的連接權值Wij作為初始魚群;

(2)將當前RBF的輸出誤差E的倒數作為個體適應度函數;

(3)進行聚群追尾等行為,并將調整后的適應度與個體適應度進行比較,選擇更好的適應度作為個體適應度;

(4)判斷是否滿足輸出條件,若達到最大迭代次數或迭代誤差小于設定值,則輸出結果。

以上優化步驟可用圖2示意。

圖2 RBF網絡參數優化流程

2.4 電源柜熱電偶測溫系統構建

本研究搭建的電源柜熱電偶測溫系統硬件結構如圖3所示,由溫度采集模塊、信號放大和模塊等組成[11]。當系統采集到熱電偶信號時,通過前置RFI濾波進行差模與共模噪聲處理;然后經由ADC模塊放大濾波并進行AD轉換;最后,主控芯片對獲取的信號結合冷端補償模塊輸出進行編幀處理,并將處理結果通過通信模塊上傳到上位機進行校正,同時將結果存儲于數據存儲模塊。

圖3 系統整體硬件方案

1)溫度采集模塊

溫度采集模塊由熱電偶溫度傳感器和前置濾電路組成。其中,熱電偶溫度傳感器選用測溫范圍為[-200,1 300]的K型熱電偶傳感器[12]。該傳感器通過將參考節點與測量節點的溫度差轉化為電勢,可實現溫度的測量。

前置濾波電路的基本原理如圖4所示。對于共模噪聲,通過R1、C1和R2、C2進行處理。

圖4 RFI前置濾波電路原理

2)冷端補償模塊

考慮到熱電偶傳感器是一種非絕對式溫度測量傳感器,因此在系統中增加一個冷端補償模塊。該模塊采用集成式adt7320溫度傳感器作為芯片,通過SPI方式進行通信。

3)信號放大與AD轉換模塊

信號放大與AD轉換模塊負責對前置濾波得到的濾波進行放大并轉化為數字信號。本系統選用可支持8路熱電偶輸入,且最高精度為24位多通道高精度AD-7124-8型ADC作為芯片。同時,為實現對微弱電勢信號的放大,在芯片中內置一個128倍的PGA。

該模塊中可選用sinc4和sinc3等多種濾波器,不同的濾波器輸出速率和頻率響應不同。根據電源柜電源波頻率通常為50～60 Hz,選用sinc4濾波器。

3 仿真實驗

3.1 數據來源

選用構建的電源柜熱電偶測量系統測量的熱電勢和冷端溫度作為RBF網絡的輸入,以鉑電阻溫度計測量到的溫度作為真實輸出?；谝陨系臄祿?將測量的數據分為訓練集和測試集。

3.2 評價指標

選用均方根誤差作為RBF算法的評估指標,計算公式:

(9)

式中:yi、xi分別表示溫度預測值和溫度真實值。

3.3 參數設置

設定最大迭代次數為100,目標精度為0.000 1,分別對RBF網絡、改進RBF網絡和BP神經網絡進行訓練。

3.4 結果與分析

3.4.1 算法驗證

為檢驗所提改進RBF算法的有效性,首先對比了改進前后RBF算法的迭代誤差,結果如圖5所示。由圖5可知,所提改進RBF算法和標準RBF算法達到目標精度0.000 1時,且只迭代了12次和16次。相較于標準RBF算法,所提算法的均方誤差下降速度更快。由此說明,所提的利用AFSA算法改進RBF算法有效。

圖5 RBF網絡改進前后迭代誤差對比

將改進RBF網絡與標準鉑電阻測量的結果進行對比,結果如圖6所示。由圖6可知,所提改進RBF算法在低溫區表現出相對較差的性能,測量結果與標準鉑電阻的測量結果誤差較大,而在高溫區表現良好,測量誤差較小。分析其原因是,所選用的基于多通道高精度測量的電源柜溫度采集模塊為K型熱電偶傳感器,該傳感器在300 ℃以下的氣溫去非線性嚴重,進而導致測量誤差較大。為盡量避免該問題對結果的影響,可嘗試通過增加樣本數據,以改善測量結果。

圖6 改進RBF算法測試誤差

3.4.2 算法對比

為分析所提改進RBF算法的優越性,實驗對比了所提算法與對比算法標準RBF和BP神經網絡的測試誤差。其中,改進RBF算法的測試誤差如圖6所示,標準RBF算法和BP神經網絡算法的測試誤差分別如圖7和圖8所示。對比圖6～圖8可知,在低溫區,所提算法與RBF算法和BP神經網絡算法的測量誤差均較大;在高溫區,RBF算法和BP神經網絡出現誤差極大值點,而所提改進RBF算法更穩定,未出現誤差極大值點,且具有更小的測量誤差。

圖7 標準RBF算法測試誤差

圖8 BP神經網絡測試誤差

為定量分析所提改進RBF算法與標準RBF算法和BP神經網絡的性能,統計三種算法測量的最大誤差和均方根誤差,結果如圖9所示。由圖9可知,所提的改進RBF算法的最大誤差和均方根誤差最小,分別為0.32 ℃和0.08 ℃,均得到不同程度的降低。

圖9 不同算法誤差對比

4 結 論

綜上所述,所提的基于多通道高精度測量的電源柜溫度校正方法,通過采用K均值聚類算法和AFSA算法確定RBF網絡的最佳基函數中心和寬度,以及隱藏層與輸出層的連接權值,實現了對RBF網絡的改進,并利用改進的RBF網絡校正基于多通道高精度測溫的電源柜溫度,實現了電源柜測量溫度非線性誤差校正,使測量的溫度誤差小于0.4 ℃。相較于標準RBF網絡和BP神經網絡,所提改進RBF網絡具有更快的訓練速度和更小的最大誤差和均方根誤差,可用于對測溫精度要求較高的測溫環境。本研究雖取得了一定的成果,但由于條件限制,仍存在一些不足有待改進,如在低溫區,即使采用所提改進RBF網絡對測量溫度進行校正后,其測量值與鉑電阻測量值仍具有一定誤差。而導致這種情況出現的原因是K型熱電偶傳感器在300 ℃以下的氣溫去非線性嚴重,進而使測量誤差較大。因此,為盡量提高測量精度,下一步研究將嘗試采用其他更優異的傳感器采集熱電勢,或嘗試通過增加樣本數據改善測量結果。