一種基于rbf神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法
【專利摘要】本發(fā)明涉及一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法。本發(fā)明主要分以下4個步驟：1）樣本數(shù)據(jù)采集：實時測量與電纜接頭導線溫度有聯(lián)系的關(guān)聯(lián)因素（環(huán)境濕度、環(huán)境溫度、護套溫度、接頭處絕緣層溫度、觸頭溫度和各種表皮溫度）；2）網(wǎng)絡訓練：首先對1）采集的數(shù)據(jù)進行預處理，劃分訓練數(shù)據(jù)和預測數(shù)據(jù)，然后設置各種參數(shù)，創(chuàng)建網(wǎng)絡，最后進行數(shù)據(jù)預測；本發(fā)明將神經(jīng)網(wǎng)絡技術(shù)應用到電纜接頭導線溫度預測中，對電纜接頭導線溫度在線實時監(jiān)測與故障分析有較好的作用。
【專利說明】一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于電纜接頭溫度值預測技術(shù)，特別涉及一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法。
【背景技術(shù)】
[0002]電力電纜是電力系統(tǒng)中非常重要的設備，一旦發(fā)生故障，小則造成用戶長時間停電，大則可能導致電纜線路關(guān)聯(lián)設備發(fā)生連鎖反應而發(fā)生故障，甚至導致配電系統(tǒng)部分的癱瘓。而電纜接頭則是電纜線路發(fā)生故障的主要部件，因此，對電纜接頭的研究是十分必要的，對于溫度監(jiān)測終端采集的各類數(shù)據(jù)，我們有必要能準確的分析出電纜接頭的工作狀態(tài)，以及判斷某個電纜接頭是否出現(xiàn)了故障，以便發(fā)現(xiàn)電纜的潛在隱患并作出及時的處理，減小由于電纜故障造成的損失，提高供電的可靠性。
[0003]然而，高壓電纜在線監(jiān)測研究主要集中在電纜絕緣老化及缺陷探測等方面，其主要手段有局部放電檢測和在線溫度監(jiān)測兩種。其中，要實施局部放電檢測的關(guān)鍵技術(shù)難點在于如何在現(xiàn)場存在較大電磁場的情況下提高局部放電檢測設備的靈敏度。一般而言，為了滿足實際工程需要，需要采用高精度的高頻局部放電和甚高頻局部放檢測儀，其核心技術(shù)在國內(nèi)尚未攻破，因此相應的檢測設備都需要從國外進口，設備購買費和未來的維護費用都相當高。除了放電檢測外，溫度檢測是目前國內(nèi)外在電纜監(jiān)測中最被認可的一項重要手段，因為無論是電纜的老化導致泄露電流增大或者是過負荷導致?lián)p耗增加，都會通過溫度升高的形式體現(xiàn)出來，而且溫度升高也是引起電纜故障的重要因素。因此，如果能夠?qū)﹄娎|運行溫度實施在線檢測，則完全可以對電纜的安全運行做到實時監(jiān)控。
[0004]人工神經(jīng)網(wǎng)絡是一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型，具有強大的模式識別和數(shù)據(jù)擬合能力，不同類型的神經(jīng)網(wǎng)絡適合于處理不同的問題，例如，自組織網(wǎng)絡適用于解決聚類問題，廣義回歸網(wǎng)絡適用于擬合問題。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的。
[0005]RBF網(wǎng)絡是一種結(jié)構(gòu)簡單、收斂速度快、能夠逼近任意非線性函數(shù)的網(wǎng)絡。1988年Broomhead和Lowe根據(jù)生物神經(jīng)元具有局部響應的原理,將徑向基函數(shù)引入神經(jīng)網(wǎng)絡中。RBF網(wǎng)絡被證明對非線性網(wǎng)絡具有一致逼近的性能，現(xiàn)已廣泛應用于時間序列分析、模式識另Ij、非線性控制和圖像處理等領(lǐng)域。
[0006]電纜接頭溫度值變化是一個比較復雜的非線性過程，人工神經(jīng)網(wǎng)絡在處理非線性模式識別方面表現(xiàn)出良好的性能。多層感知器是其中應用最廣泛的一種，但多層感知器采用的誤差反向傳播算法容易陷入局部極小值，且需要較長的訓練時間，其傳輸函數(shù)只能輸出兩種可能的值，多層感知器的線性運算規(guī)則決定了它只能解決線性可分的問題，因此處理問題時有很大的局限性。相比之下，徑向基網(wǎng)絡有與多層感知器相媲美的非線性映射能力，且具有較高的收斂精度和運行速度。
【發(fā)明內(nèi)容】

[0007]本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的鋪設難、成本高、維護難，而且大多檢測不能準確判斷發(fā)熱原因及電纜接頭運行狀態(tài)等的技術(shù)問題；提供了一種能實時預測電纜接頭導線溫度，并能通過對導線溫度的變化趨勢去判斷電纜接頭在未來時刻的工作狀況的一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法。
[0008] 本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的:
[0009]一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法，其特征在于，包括以下步驟:
[0010]步驟1，分別在電纜接頭的左護套、右護套、接頭處絕緣層、電纜表皮最左端和中部之間、電纜表皮最左端、電纜表皮中部、電纜表皮最右端和中部之間、電纜表皮最右端處沿周向均勻設置至少三個溫度探頭；在電纜接頭的外部觸頭處沿周向均勻設置至少兩個溫度探頭；以及一個環(huán)境濕度計和一個環(huán)境溫度；然后用數(shù)據(jù)采集終端按照設定的時間間隔采集溫度數(shù)據(jù)；得到11種影響電纜接頭導線溫度的溫度變量；分別是:環(huán)境濕度、右護套溫度、接頭處絕緣層溫度、左護套溫度、環(huán)境溫度、外部觸頭溫度、電纜表皮最左端和中部之間的溫度、電纜表皮最左端溫度、電纜表皮中部溫度、電纜表皮最右端和中部之間的溫度、電纜表皮最右端溫度；
[0011]步驟2，基于步驟I采集的數(shù)據(jù)進行RBF網(wǎng)絡的創(chuàng)建與預測，具體是:首先將步驟I采集的數(shù)據(jù)導入matlab中進行預處理，然后將預處理后數(shù)據(jù)分為兩大部分，一部分為訓練數(shù)據(jù)，另一部分為預測數(shù)據(jù)，所述訓練數(shù)據(jù)和預測數(shù)據(jù)包括分別包括若干組數(shù)據(jù)，每組數(shù)據(jù)包括11種影響電纜接頭導線溫度的溫度變量；將訓練數(shù)據(jù)輸入到三層RBF神經(jīng)網(wǎng)絡中進行訓練得到訓練好的RBF網(wǎng)絡，然后將預測數(shù)據(jù)輸入到RBF網(wǎng)絡中進行預測，得到預測的數(shù)據(jù)。
[0012]在上述的一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法，所述將訓練數(shù)據(jù)輸入到三層RBF神經(jīng)網(wǎng)絡中進行訓練的具體步驟是:
[0013]步驟I，基于K-均值聚類算法求取基函數(shù)中心ti (η);設定有I個聚類中心，第η次迭代的第i個聚類中心為tjn)，i = 1，2，...，I，這里I值是根據(jù)經(jīng)驗確定，然后進行如下子步驟的操作:
[0014]步驟1.1，網(wǎng)絡初始化。從包含11個溫度變量值的輸入樣本數(shù)據(jù)中隨機選擇I個不同的樣本作為初始的聚類中心t“0) (i = 1，2，...，I)。
[0015]步驟1.2，將輸入的訓練樣本集合按最近鄰規(guī)則分組:計算該訓練樣本距離哪一個聚類中心最近，就把它歸為該聚類中心的同一類，即計算:
[0016]i (Xp) = argmin | X1^ti (O) |
[0017]找到相應的i值，將Xp歸為第i類。
[0018]式中，Xp= (χ^χ?.,.χ?^τ為第P個輸入樣本;ρ = 1，2，3，.…P，P為樣本總數(shù)；
Ti為網(wǎng)絡隱含層節(jié)點的中心。
[0019]步驟1.3，更新聚類中心。計算各個聚類集合θρ中訓練樣本的平均值，即新的聚類中心\:
[0020]
【權(quán)利要求】
1.一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法，其特征在于，包括以下步驟: 步驟1，分別在電纜接頭的左護套、右護套、接頭處絕緣層、電纜表皮最左端和中部之間、電纜表皮最左端、電纜表皮中部、電纜表皮最右端和中部之間、電纜表皮最右端處沿周向均勻設置至少三個溫度探頭；在電纜接頭的外部觸頭處沿周向均勻設置至少兩個溫度探頭；以及一個環(huán)境濕度計和一個環(huán)境溫度計；然后用數(shù)據(jù)采集終端按照設定的時間間隔采集溫度數(shù)據(jù)；得到11種影響電纜接頭導線溫度的溫度變量；分別是:環(huán)境濕度、右護套溫度、接頭處絕緣層溫度、左護套溫度、環(huán)境溫度、外部觸頭溫度、電纜表皮最左端和中部之間的溫度、電纜表皮最左端溫度、電纜表皮中部溫度、電纜表皮最右端和中部之間的溫度、電纜表皮最右端溫度； 步驟2，基于步驟I采集的數(shù)據(jù)進行RBF網(wǎng)絡的創(chuàng)建與預測，具體是:首先將步驟I采集的數(shù)據(jù)導入matlab中進行預處理，然后將預處理后數(shù)據(jù)分為兩大部分，一部分為訓練數(shù)據(jù)，另一部分為預測數(shù)據(jù)，所述訓練數(shù)據(jù)和預測數(shù)據(jù)包括分別包括若干組數(shù)據(jù)，每組數(shù)據(jù)包括11種影響電纜接頭導線溫度的溫度變量；將訓練數(shù)據(jù)輸入到三層RBF神經(jīng)網(wǎng)絡中進行訓練得到訓練好的RBF網(wǎng)絡，然后將預測數(shù)據(jù)輸入到RBF網(wǎng)絡中進行預測，得到預測的數(shù)據(jù)。
2.根據(jù)權(quán)利要求1所述的一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法，其特征在于，所述將訓練數(shù)據(jù)輸入到三層RBF神經(jīng)網(wǎng)絡中進行訓練的具體步驟是: 步驟1，基于K-均值聚類算法求取基函數(shù)中心\(η);設定有I個聚類中心，第η次迭代的第i個聚類中心為\ (n)，i = 1，2，...，I，這里I值是根據(jù)經(jīng)驗確定，然后進行如下子步驟的操作: 步驟1.1，網(wǎng)絡初始化；從包含11個溫度變量值的輸入樣本數(shù)據(jù)中隨機選擇I個不同的樣本作為初始的聚類中心ti (O) (i = 1，2，...，I)； 步驟1.2，將輸入的訓練樣本集合按最近鄰規(guī)則分組:計算該訓練樣本距離哪一個聚類中心最近，就把它歸為該聚類中心的同一類，即計算:i (Xp) = argmin | | X1^ti (O) | 找到相應的i值，將Xp歸為第i類； 式中
3.根據(jù)權(quán)利要求1所述的一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法，其特征在于，分別在電纜接頭的左護套、右護套、接頭處絕緣層、電纜表皮最左端和中部之間、電纜表皮最左端、電纜表皮中部、電纜表皮最右端和中部之間、電纜表皮最右端處沿周向均勻設置三個溫度探頭；在電纜接頭的外部觸頭處沿周向均勻設置兩個溫度探頭；以及一個環(huán)境濕度計和一個環(huán)境溫度；然后用數(shù)據(jù)采集終端按照設定的時間間隔采集溫度數(shù)據(jù)；得到11種影響電纜接頭導線溫度的溫度變量；分別是:環(huán)境濕度、右護套溫度、接頭處絕緣層溫度、左護套溫度、環(huán)境溫度、外部觸頭溫度、電纜表皮最左端和中部之間的溫度、電纜表皮最左端溫度、電纜表皮中部溫度、電纜表皮最右端和中部之間的溫度、電纜表皮最右端溫度。
4.根據(jù)權(quán)利要求1所述的一種基于RBF神經(jīng)網(wǎng)絡的電纜接頭導線溫度預測方法，其特征在于，所述步驟2中，采集數(shù)據(jù)導入matlab中進行預處理的具體方法是: 對于實時采集的數(shù)據(jù)，首先去掉前面一些由于操作、測量原因而導致的采集溫度值不準確的錯誤數(shù)據(jù)； 然后，在電纜接頭的左護套、右護套、接頭處絕緣層、電纜表皮最左端和中部之間、電纜表皮最左端、電纜表皮中部、電纜表皮最右端和中部之間、電纜表皮最右端處沿周向均勻設置三個溫度探頭，即同一時刻同一位置采集了三個溫度值，為減小測量誤差，將監(jiān)測位置相同的數(shù)據(jù)平均，即將相同時刻、同一位置的三個溫度值相加的和再除以3 ;在電纜接頭的外部觸頭處沿周向均勻設置兩個溫度探頭；即同一時刻同一位置采集了三個溫度值，為減小測量誤差，將監(jiān)測位置相同的數(shù)據(jù)平均，即將相同時刻、同一位置的三個溫度值相加的和再除以2。
【文檔編號】G06N3/08GK103886374SQ201410162029
【公開日】2014年6月25日 申請日期:2014年4月22日 優(yōu)先權(quán)日:2014年4月22日
【發(fā)明者】周輝, 王軍華, 劉開培, 譚甜源, 常輝 申請人:武漢大學