一种基于BP神经网络的配电电缆绝缘层实时温度计算方法与流程

本发明涉及一种基于BP神经网络的配电电缆绝缘层实时温度计算方法，属电力电缆状态监测于技术领域。

背景技术：

目前，电力电缆作为电网中常用的电能传输设备，电缆的运行状态一直是电力运行维护人员所关心的问题。电缆的寿命主要取决于电缆绝缘层的老化程度，当绝缘层在电缆运行过程中一直处于较高状态时，会加速绝缘老化程度，缩短电缆的使用寿命。同时，处于高温状态的电缆绝缘层，其绝缘能力也会大大下降，甚至有可能发生丧失绝缘能力，引起短路故障，进而影响电能传输和电力系统的稳定性。因而监测电缆的绝缘层温度，在高温状态下，有针对性地采取散热和降温措施，保证电缆的正常运行是十分必要的。

然而受现有温度测量技术的限制，通过光纤测温技术，只能测得电缆运行的外表皮温度，无法直接通过测量获得电缆的绝缘层温度，例如申请号201310226382.5的中国专利《利用光纤测量电缆温度的测量方法》。目前在解决配电电缆绝缘层温度问题上主要采用的是解析法，根据电缆的物理参数，建立电缆的暂态热路模型，可以由外表皮温度推算电缆各层的温度，包括绝缘层温度，虽然通过该方法可以获得电缆的绝缘层温度，但是该方法的计算结果误差较大，对于工程实践而言，无法准确把握电缆实时运行状态。而且计算配电电缆的绝缘层温度主要采用解析法，根据配电电缆结构，建立热路模型，基于配电电缆的外表皮温度，反推出配电电缆的绝缘层温度。该方法建模过程复杂，参数计算公式冗长，电缆绝缘层温度计算误差较大。

而针对高压单芯电缆，采用有限元方法，根据电缆的本身结构和运行环境，建立电缆的有限元计算模型，可以获得电缆各层包括绝缘层的温度，计算精度相对于解析法有较大提高，但是有限元方法建立数学模型的过程复杂，参数计算公式冗长，电缆绝缘层温度计算误差较大。

技术实现要素：

本发明要解决的技术问题是，针对现有技术不足，提出一种基于BP神经网络的配电电缆绝缘层实时温度计算方法。

本发明为了解决上述技术问题提出的技术方案是：一种基于BP神经网络的配电电缆绝缘层实时温度计算方法，该方法执行如下步骤：

1）获取配电电缆部分参数作为训练样本和测试数据，所述配电电缆部分参数包括配电电缆导体的运行电流、电缆的外表皮实时温度、电缆的绝缘层实时温度；

2）建立三层BP神经网络，包括输入层、隐含层、输出层，其输入为配电电缆导体的运行电流和电缆的外表皮实时温度，其输出为配电电缆的绝缘层实时温度；

3）以获取的配电电缆运行数据作为训练样本，将人工鱼群算法与神经网络相结合，训练网络得到最优的神经网络结构；

4）将实时采集的配电电缆导体运行电流和外表皮温度输入到步骤3中训练好的BP神经网络模型，便可以输出配电电缆的绝缘层实时温度。

上述技术方案的改进是：所述输入层包括至少两个神经元，所胡输出层包括至少一个神经元，隐含层包括至少三个神经元，最多不超过九个神经元。

上述技术方案的改进是：所述隐含层的神经元个数是通过多次的不同网络训练结果确定；通过训练不同隐层神经元个数的BP神经网络，选择输出误差小且计算速度快的BP神经网络，即确定该BP神经网络的隐含层的神经元个数。

上述技术方案的改进是：在步骤3中所述将人工鱼群算法与神经网络相结合，以输出误差最小为寻优对象，在BP神经网络训练过程中，不断调整BP神经网络的连接权值和阈值，进而获得最优的BP神经网络结构。

本发明采用上述技术方案的有益效果是：本发明提出的配电电缆绝缘层温度计算方法，将鱼群算法与BP神经网络相结合应用于电缆绝缘层温度计算中，结合配电电缆的实际运行数据，对BP神经网络进行训练，得到配电电缆的绝缘层温度计算模型，相比于现有方法，本专利提出的方法，不用考虑电缆的结构及敷设环境等非线性因素，通过鱼群算法的优化得到性能较优的神经网络模型，计算误差小。

附图说明

下面结合附图对本发明作进一步说明。

图1是本发明实施例的方法的实现流程图。

图2是本发明实施例的三层的BP神经网络拓扑结构图。

图3是本发明实施例的鱼群算法优化BP神经网络的流程图。

图4是本发明实施例的BP神经网络测试计算结果图。

具体实施方式

实施例

本实施例的一种基于BP神经网络的配电电缆绝缘层实时温度计算方法，如图1所示，该方法执行如下步骤：

1）获取配电电缆部分参数作为训练样本和测试数据，所述配电电缆部分参数包括配电电缆导体的运行电流、电缆的外表皮实时温度、电缆的绝缘层实时温度；

2）建立三层BP神经网络，如图2所示，包括输入层、隐含层、输出层，其输入为配电电缆导体的运行电流和电缆的外表皮实时温度，其输出为配电电缆的绝缘层实时温度；

3）以获取的配电电缆运行数据作为训练样本，将人工鱼群算法与神经网络相结合，训练网络得到最优的神经网络结构；

4）将实时采集的配电电缆导体运行电流和外表皮温度输入到步骤3中训练好的BP神经网络模型，便可以输出配电电缆的绝缘层实时温度。

本实施例的所述输入层包括至少两个神经元，所胡输出层包括至少一个神经元，隐含层包括至少三个神经元，最多不超过九个神经元。在步骤2中所述的三层神经网络结构，输入层有2个神经元，输出层有1个神经元，隐含层的神经元个数可按以下经验公式确定：

其中，n指输入层神经元个数；m指输出层神经元个数；a指[1,10]之间的常数；n1指隐含层神经元个数；因此隐含层神经元个数至少为3，最大不超过9。

本实施例的所述隐含层的神经元个数是通过多次的不同网络训练结果确定；通过训练不同隐层神经元个数的BP神经网络，选择输出误差小且计算速度快的BP神经网络，即确定该BP神经网络的隐含层的神经元个数。在步骤2中所述的三层神经网络，设定神经网络的输入为X=[X_d，X_t]，输出为O_c，其中，X_d指配电电缆的运行电流，X_t指配电电缆的外表皮温度，O_c指配电电缆的绝缘层温度。

本实施例的在步骤3中所述将人工鱼群算法与神经网络相结合，以输出误差最小为寻优对象，在BP神经网络训练过程中，不断调整BP神经网络的连接权值和阈值，进而获得最优的BP神经网络结构。在步骤2中所述的三层神经网络，其隐含层神经元函数采用常用的双曲正切函数，其表达式如下：

其中x_s指隐含层神经元的输入值。

在步骤3中所述人工鱼群算法与BP神经网络的训练过程相结合，输出神经网络的最优权值和阈值，，如图3所示，具体步骤如下：

31）设定鱼群的规模数目N为20，初始化鱼群的状态，定义人工鱼的状态S_b如下：

其中S_b指第b个人工鱼的状态，b取1至20；w_bi指神经网络的第i个权值，i取1至11；α_bj指神经网络的第j个阈值，j取1至10；

32）初始化过程中，设定人工鱼群的参数，包括人工鱼移动的最大步长，人工鱼的最大视野，拥挤度因子；

33）定义神经网络的实际输出值和期望输出值的误差E为：

其中O_c指神经网络的实际输出值，EO_c指神经网络的期望输出值；

设定人工鱼群算法的食物密度f_c为：

；

34）人工鱼预执行游动过程，游动后，若食物密度f_c小于误差精度值0.001，则跳出算法，得到的人工鱼的状态S_b，即确定神经网络的最优权值和阈值；若食物密度f_c不小于误差精度值0.001，则继续循环执行人工鱼群算法的游动过程。

测试计算结果图如图4所示，从计算结果与实测结果的对比中，可知本发明的三芯电缆导体温度动态计算误差可以满足实际工程要求。

本发明不局限于上述实施例。凡采用等同替换形成的技术方案，均落在本发明要求的保护范围。