电缆线芯温度预测方法与流程

1.本发明属于电气自动化领域，具体涉及一种电缆线芯温度预测方法。


背景技术：

2.随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
3.电力电缆是电力系统重要的部件之一，而电力电缆线芯温度是判断电缆是否正常运行的关键因素。按照《gb50217
‑
2018电力工程电缆设计标准》的规定，电缆线芯温度不得高于70℃。受限于电缆运行状况及目前温度检测手段，电缆线芯的温度难以直接测量。
4.目前计算线芯温度的方法主要包括热路法和数值解析法。热路法在考虑电缆径向与轴向传热方式上，建立三维热路模型，优化模型结构，提高模型准确性。数值解析法利用有限元计算得到表面温度与线芯温度的对应关系曲线，并利用最小化方法辨识电缆热参数用于修正仿真模型，从而计算得到对应的曲线。热路法和数值解析法受电缆各结构材料参数及环境热参数影响较大；而且在实际运行条件下，电缆接头各结构热参数不仅难以获取，而且存在因电缆老化等原因而发生参数改变的情况。此外，热路法及数值解析法利用电磁学、传热学等理论知识进行推导线芯温度，计算复杂、难度大，且电缆接头温度变化是一个复杂的非线性过程，使得这两种方法难以适用于实际工程中。


技术实现要素：

5.本发明的目的在于提供一种可靠性高、实用性好且科学准确的电缆线芯温度预测方法。
6.本发明提供的这种电缆线芯温度预测方法，包括如下步骤：
7.s1.获取电缆历史运行数据；
8.s2.对步骤s1获取的历史运行数据进行相关性分析，从而确定数据集；
9.s3.构建原始电缆线芯温度预测模型；
10.s4.采用步骤s2得到的数据集，对步骤s3构建的原始电缆线芯温度预测模型进行训练，从而得到电缆线芯温度预测模型；
11.s5.采用步骤s4得到的电缆线芯温度预测模型，对待监测的电缆进行电缆线芯温度实时预测。
12.步骤s1所述的获取电缆历史运行数据，具体包括获取电缆表面温度、电缆环境温度和电缆负荷电流；同时，对获取的数据进行数据清洗、缺失值补全、数据去噪和归一化，从而得到电缆历史运行数据。
13.步骤s2所述的对步骤s1获取的历史运行数据进行相关性分析，从而确定数据集，具体为对获取的数据进行相关性分析，从而确定最终的数据集。
14.所述的相关性分析，具体包括采用皮尔逊相关系数和斯皮尔曼相关系数进行相关
性分析。
15.步骤s3所述的构建原始电缆线芯温度预测模型，具体为采用如下步骤构建模型：
16.a.构建grnn神经网络模型；
17.b.采用天牛算法优化平滑因子；
18.c.采用logsig函数对天牛算法的步长进行进行优化；
19.d.构建最终的bas
‑
grnn模型，作为原始电缆线芯温度预测模型。
20.步骤a所述的构建grnn神经网络模型，具体包括如下步骤：
21.grnn神经网络包括输入层、模式层、求和层和输出层；
22.输入层神经元数目为输入向量的维数；各个输入向量由输入层直接向前传递给模式层；
23.模式层神经元数目为输入样本数；不同的神经元对应不同的学习样本；模式层第i个神经元的传递函数为
[0024][0025]
式中p
i
为高斯核函数；x为网络输入变量；x
i
为神经元i所对应的学习样本；σ为平滑因子；
[0026]
求和层共包含2种类型的神经元：第一类神经元和第二类神经元；第一类神经元用于对所有模式层的输出进行算数求和；第一类神经元与模式层各神经元之间的连接权值为1；第一类神经元的传递函数为第二类神经元用于对所有模式层的输出进行加权求和，且模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本y
i
中第j个元素y
ij
；第二类神经元的传递函数为其中j＝1,2,
…
,k；
[0027]
输出层神经元数目等于输出的维数；将求和层中神经元的加权求和输出与算数求和输出进行相除，从而得到各个神经元所对应的输出：
[0028]
步骤b所述的采用天牛算法优化平滑因子，具体为采用如下步骤进行优化：
[0029]
设置初始化参数、步长、变步长参数、迭代次数和空间维数；
[0030]
采用如下算式构建天牛须朝向的随机向量且做归一化处理：
[0031][0032]
天牛头朝向任意，因此从天牛右须指向左须的向量朝向也是任意的，式中rands(k,1)表示一个随机向量，k表示位置的维度；
[0033]
创建天牛左右须空间坐标：
[0034][0035]
式中x
lt
为天牛左须第t次迭代时的位置坐标；x
t
为天牛第t次迭代时的质心坐标；d0为天牛两须之间的距离；x
rt
为天牛右须第t次迭代时的位置坐标；
[0036]
将天牛对应的质心坐标作为平滑因子σ带入grnn模型，通过训练得到训练结果，根据结果判断左右须气味强度；所述左右须的气味强度为左右须处适应度函数f(x
lt
)和f(x
rt
)所对应的训练结果的均方根误差；
[0037]
采用如下公式更新天牛位置：
[0038][0039]
式中step为迭代的步长；sign(a,b)为符号函数；若f(x
lt
)＞f(x
rt
)，为了探寻f的最小值，则天牛向着右须方向行进；若f(x
lt
)＜f(x
rt
)，为了探寻f的最小值，则天牛向着左须方向行进；
[0040]
重复训练直至满足最大迭代次数，并保留优化的平滑因子σ对应的天牛质心位置；
[0041]
将优化得到的平滑因子σ带入grnn模型。
[0042]
步骤c所述的采用logsig函数对天牛算法的步长进行进行优化，具体为采用如下算式作为第i次迭代的阶跃变化系数：
[0043][0044]
式中eta(i)为第i次迭代的阶跃变化系数；eta max为最大阶跃变化系数；eta min为最小阶跃变化系数；iter为阶跃迭代次数。
[0045]
本发明提供的这种电缆线芯温度预测方法，采用bas
‑
grnn网络构建预测模型，并采用logsig函数对步长进行优化，从而使得本发明方法能够快速的实现对电缆线芯的温度预测，而且可靠性高、实用性好、科学准确。
附图说明
[0046]
图1为本发明方法的方法流程示意图。
[0047]
图2为本发明方法的实施例的两次测试计算误差迭代情况示意图。
[0048]
图3为本发明方法的实施例的平滑因子迭代情况示意图。
[0049]
图4为本发明方法的实施例的计算结果精确度分析示意图。
具体实施方式
[0050]
如图1所示为本发明方法的方法流程示意图：本发明提供的这种电缆线芯温度预测方法，包括如下步骤：
[0051]
s1.获取电缆历史运行数据；具体包括获取电缆表面温度、电缆环境温度和电缆负荷电流；同时，对获取的数据进行数据清洗、缺失值补全、数据去噪和归一化，从而得到电缆历史运行数据；
[0052]
s2.对步骤s1获取的历史运行数据进行相关性分析，从而确定数据集；具体为对获取的数据进行相关性分析，从而确定最终的数据集；
[0053]
具体实施时，相关性分析可以采用皮尔逊相关系数和斯皮尔曼相关系数进行相关性分析；
[0054]
s3.构建原始电缆线芯温度预测模型；具体为采用如下步骤构建模型：
[0055]
a.构建grnn神经网络模型；具体包括如下步骤：
[0056]
grnn神经网络包括输入层、模式层、求和层和输出层；
[0057]
输入层神经元数目为输入向量的维数；各个输入向量由输入层直接向前传递给模式层；
[0058]
模式层神经元数目为输入样本数；不同的神经元对应不同的学习样本；模式层第i个神经元的传递函数为
[0059][0060]
式中p
i
为高斯核函数；x为网络输入变量；x
i
为神经元i所对应的学习样本；σ为平滑因子；
[0061]
求和层共包含2种类型的神经元：第一类神经元和第二类神经元；第一类神经元用于对所有模式层的输出进行算数求和；第一类神经元与模式层各神经元之间的连接权值为1；第一类神经元的传递函数为第二类神经元用于对所有模式层的输出进行加权求和，且模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本y
i
中第j个元素y
ij
；第二类神经元的传递函数为其中j＝1,2,
…
,k；
[0062]
输出层神经元数目等于输出的维数；将求和层中神经元的加权求和输出与算数求和输出进行相除，从而得到各个神经元所对应的输出：
[0063]
b.采用天牛算法优化平滑因子；具体为采用如下步骤进行优化：
[0064]
设置初始化参数、步长、变步长参数、迭代次数和空间维数；
[0065]
采用如下算式构建天牛须朝向的随机向量且做归一化处理：
[0066][0067]
天牛头朝向任意，因此从天牛右须指向左须的向量朝向也是任意的，式中rands(k,1)表示一个随机向量，k表示位置的维度；
[0068]
创建天牛左右须空间坐标：
[0069][0070]
式中x
lt
为天牛左须第t次迭代时的位置坐标；x
t
为天牛第t次迭代时的质心坐标；d0为天牛两须之间的距离；x
rt
为天牛右须第t次迭代时的位置坐标；
[0071]
将天牛对应的质心坐标作为平滑因子σ带入grnn模型，通过训练得到训练结果，根据结果判断左右须气味强度；所述左右须的气味强度为左右须处适应度函数f(x
lt
)和f(x
rt
)所对应的训练结果的均方根误差；
[0072]
采用如下公式更新天牛位置：
[0073][0074]
式中step为迭代的步长；sign(a,b)为符号函数；若f(x
lt
)＞f(x
rt
)，为了探寻f的最小值，则天牛向着右须方向行进；若f(x
lt
)＜f(x
rt
)，为了探寻f的最小值，则天牛向着左须方向行进；
[0075]
重复训练直至满足最大迭代次数，并保留优化的平滑因子σ对应的天牛质心位置；
[0076]
将优化得到的平滑因子σ带入grnn模型；
[0077]
c.采用logsig函数对天牛算法的步长进行进行优化；具体为采用如下算式作为第i次迭代的阶跃变化系数：
[0078][0079]
式中eta(i)为第i次迭代的阶跃变化系数；eta max为最大阶跃变化系数；eta min为最小阶跃变化系数；iter为阶跃迭代次数；
[0080]
d.构建最终的bas
‑
grnn模型，作为原始电缆线芯温度预测模型；
[0081]
s4.采用步骤s2得到的数据集，对步骤s3构建的原始电缆线芯温度预测模型进行训练，从而得到电缆线芯温度预测模型；
[0082]
s5.采用步骤s4得到的电缆线芯温度预测模型，对待监测的电缆进行电缆线芯温度实时预测。
[0083]
以下结合实施例，对本发明方法进行进一步说明：
[0084]
预测输入变量与线芯温度相关性分析，根据实际电力系统运行经验，选择电缆表面温度、电缆运行电流、环境温度和环境湿度四组变量作为输入量进行分析。在实验室环境下搭建模拟电缆工况的试验平台。试验选择10kv配电网常用的yjv22
‑
8.7/15
‑3×
400的xlpe三芯电缆。敷设温度传感器检测环境温度以及电缆表面外护套温度，标记电缆部位，采用钻孔方式内置传感器获取线芯温度，通过电流互感器检测电缆电流，采集数据仪上传至上位机。考虑温度分布不均，电缆表面外护套“三点式”检测温度，将温度传感器每隔120
°
环形放置，取其平均值作为预测输入量。每隔5min采集一次数据，共720组数据。将数据导入spss软件进行线性分析，环境湿度与线芯温度数据之间不满足pearson相关系数分析要求，使用spearman相关系数进行分析。电缆表面温度、环境温度及负荷电流与线芯温度数据均使用pearson相关系数分析。输入变量与线芯温度相关性分析结果如表1所示。
[0085]
表1输入变量与线芯温度相关性分析结果示意表
[0086][0087]
根据相关性分析结果，电缆表面温度t
bc
、负荷电流i
current
与线芯温度t
jc
的pearson相关系数均大于0.8，属于极强相关；环境温度t
amb
与线芯温度t
jc
的pearson相关系数处于0.6～0.8范围，属于强相关。而环境相对湿度rh与线芯温度t
jc
的spearman相关系数为0.0018，检验p值大于0.05，认为环境相对湿度与电缆线芯温度没有显著性差异，不存在相关性，不作为输入变量之一
[0088]
然后，对采集到的数据进行处理，包括多重补插法补全缺少数据，使用箱均值替换一组噪声数据；使用premnmx函数进行数据归一化；
[0089]
bas
‑
grnn网络优化：使用训练集中预测值与样本值之间的均方差误差作为适应度函数。设定最大阶跃变化系数eta max为1；最小阶跃变化系数eta min为0.1。两次测试计算误差迭代情况如图2所示。试验1和试验2各自平滑因子迭代情况如图3所示。
[0090]
可以看出两次试验分别在第16次、15次迭代后均可以和最佳误差相吻合。测试时间分别为23.472秒，27.475秒，可以满足实际监测系统中对电缆线芯温度实时计算的要求。将试验2得到的最佳平滑因子σ＝1.3437输入监测系统，作为计算模块参量。
[0091]
基于bas
‑
grnn的电缆线芯温度计算：
[0092]
对模块计算结果精确度分析，其结果如图4所示。试验1的mae为0.090，mre为0.165％。最大绝对误差为0.205℃，为第6组试验数据，此时检测得到的线芯温度为66.21℃，计算得到的线芯温度值为66.005℃；最大相对误差为0.38％，为第2组实验数据，此时检测得到的线芯温度为51.98℃，计算得到的线芯温度值为51.18℃。
[0093]
试验2的mae为0.021，mre为0.036％。最大绝对误差为0.063℃，为第125组试验数据，此时检测得到的线芯温度为69.24℃，计算得到的线芯温度值为69.087℃；最大相对误差为0.001％，为第135组实验数据，此时检测得到的线芯温度为49℃，计算得到的线芯温度值为48.999℃。
[0094]
不同算法结果比较，与使用未经优化grnn、bp神经网络算法进行比较。未经优化grnn模型采用10折交叉验证方法进行训练。bp神经网络采用3层网络结构，输入变量维数为3，输入层节点取3。由经验公式确定隐含层节点数，选择为6；输出变量维数为1，输出节点取1；选择s型正切函数tansig作为隐层神经元的激励函数。同时，预测模型选择s型对数函数logsig作为输出层神经元的激励函数。网络迭代次数epochs为5000次，完成训练并输出结果。各算法模型计算结果如下表2～标4所示。
[0095]
表2试验1不同模型计算结果示意表
[0096] 实际值/℃bas
‑
grnn/℃grnn/℃bpnn/℃161.7361.7161.1761.55251.9852.1852.6451.55360.6660.6560.5160.45447.147.0949.2046.55550.7750.6450.0150.31648.648.5149.3048.08764.0664.0263.4963.39852.0152.1852.2051.58966.2166.0163.9366.121056.4156.3556.6156.091156.3956.3256.3056.071258.9658.8358.6458.711361.9161.9561.7361.731447.2747.1648.5146.721555.5455.5955.6955.20
[0097]
表3试验2不同模型计算结果示意表
[0098] 实际值/℃bas
‑
grnn/℃grnn/℃bpnn/℃148.3948.4248.5848.00270.1570.1369.5670.21366.8266.8466.9366.81451.0951.0850.8450.74554.0253.9754.1253.73653.6553.6154.0353.3576968.9568.8769.04855.9655.9455.6155.71964.2664.2564.2464.181066.7666.7667.0066.75
…ꢀ………
14064.2964.2864.0364.2114149.3849.3549.9248.9914252.3252.3152.0151.9914368.2868.2668.1568.3114465.2165.2665.4965.15
[0099]
表3算法预测指标对比结果示意表
[0100] maemre(％)bas
‑
grnn(本发明)0.0550.1
grnn0.450.818bpnn0.2570.48
[0101]
由性能指标结果可以看出，优化后的bas
‑
grnn(本发明方法)在mae、mre两项指标上均优于未经优化grnn和bp算法模型。bas
‑
grnn(本发明方法)计算结果的平均绝对误差为0.055，grnn的平均绝对误差为0.45，bpnn的平均绝对误差为0.257；bas
‑
grnn计算结果的平均相对误差为0.1％，grnn的平均相对误差为0.818％，bpnn的平均相对误差为0.48％。验证bas
‑
grnn计算结果更准确、效果更好，更适于实际工程应用，可以结合实际需求，选择不同的电缆线芯温度预测所输入得变量。bas算法相对于遗传算法、粒子群算法等智能算法原理简洁，计算效率更高，可移植性更好。使用logsig函数调整bas算法优化步长的变化系数。这一改进使得bas算法在搜索开始时步长减小较快，搜索结束时步长减小较慢，能够提高bas算法的优化效率。未经优化广义回归神经网络、bpnn神经网络测试时间分别为30.257秒、31.264秒，可见本发明所使用的bas
‑
grnn计算模型运算时间得到提高。