基于人工神经网络封闭式开关柜温度预测.docVIP

基于人工神经网络封闭式开关柜温度预测 　　摘要：本文将多光谱观测窗安装于封闭设备外壳的适当位置，与红外热成像仪配合可方便安全地实现封闭开关设备大面积、大范围的红外发热在线监测，并根据监测的红外温度运用BP人工神经网络预测出封闭开关设备未来的温度，进而排除故障，保证电力系统的安全运行。 　　关键词：封闭式开关柜人工神经网络红外温度 　　0 引言 　　大量运行的封闭式开关设备由于外壳的阻隔，其红外发热诊断基本没有开展。检测和监视全封闭的高压开关设备内部的工作温度，并进行温度预测，提前发现和排除热故障隐患，对电力系统的安全可靠运行非常重要和必要。本文就是通过收集大量的现场测温数据，应用人工神经网络预测封闭式开关柜的红外温度，为检测和维修人员提供了预知故障的依据，使其能够更好地做好准备，防范事故发生。 　　1 BP人工神经网络 　　1.1 BP神经网络的结构 BP（Back Propagation）网络是一种按误差逆传播算法训练的多层前馈网络，主要包括输入层、隐层和输出层三层，是目前应用最广泛的神经网络模型之一，也是最有成效的。BP网络中虽然相邻层间是采取全互连的方式连接的，但是对于同一层的各神经元之间以及输出、输入层之间没有任何连接，因此，三层网络可以实现任意连续函数的逼近。 　　1.2 BP神经网络的学习算法 BP神经网络的学习算法主要由正向传播和反向传播两种组成。正向传播中，输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，学习算法结束；否则，如果输出层不能得到期望输出，即说明实际输出值与期望输出值之间存在误差，则转至反向传播，将误差信号原路返回，通过修改各层神经元的权值，逐次向输入层传播进行计算，再经过正向传播过程。而反向传播则是将计算得到的误差信号按原路反向计算，各层神经元的阈值和权值则由梯度下降法来调整，以使信号误差达到减小。BP神经网络是对上述这两个过程的反复运用，最终使得误差信号最小。 　　1.3 LMS算法 LMS算法也称Widrow-Hoff算法，它是基于负梯度下降的原则来减少网络的训练误差。当系统进行第n次循环时，它将训练误差的平方分别对网络阀值和权值求二阶偏微分，如公式（1-1）和（1-2）所示。 　　■=2e(k)■（1-1） 　　■=2e(n)■（1-2） 　　而此时的训练误差对网络阀值和权值的一阶偏微分如公式（1-3）所示。 　　■=■[t(n)-■w■P■(n)+b]=-P■(n)（1-3） 　　其中P■(n)表示在第n次循环中的第k个输入向量。因此网络的权值和阀值可被修正为 　　w■■(n+1)=w■■(n)+2ηe(n)P■(n)(1-4) 　　b■(n+1)=b■(n)+2ηe(n)(1-5) 　　其中b为阀值，η为学习速率。当η取比较小的值时，LMS算法的自适应过程就比较慢，但结果会更精确。综合考虑收敛速度和学习精度，η值应先取较大的值以保证收敛速率，随着迭代次数的增加而取较小的η值以保证精度。 　　1.4 Levenberg-Marquardt算法（trainlm） 这是一种类似于Quasi-Newton的神经网络训练算法，它并不需要直接计算赫赛矩阵，由此减少了训练中的内存需求量和计算量，因为BP网络的性能函数是均方误差，因此可以由雅可比矩阵近似得到赫赛矩阵，如公式（1-6）所示。 　　H=JTJ(1-6) 　　又因梯度的计算公式为 　　g=JTe(1-7) 　　其中e是网络的误差向量，J为雅可比矩阵，它的元素是网络误差对权值和阀值的一阶导数。因此在trainlm算法中，网络的阀值和权值将公式调整为 　　w(k+1)=w(k)-[JTJ+μI]-1JTe(1-8) 　　由于网络的误差与μ有关，增大μ的值，网络的误差要增大；减小μ的值，网络的误差减小，因此可以保证网络的性能函数总在减小。本文在训练网络的时候采用的是LMS算法和Levenberg-Marquardt算法。 　　2 MATLAB的概述 　　我们就是以MATLAB软件为基础，通过BP神经网络来实现温度预测的。MATLAB可以交互式地接收用户输入的各项命令，从而输出计算结果，因此用户便可通过运行系统提供的大量命令，实现数值计算、代码编制和图形绘制等。 　　3 封闭式开关柜温度的预测 　　3.1 网络变量的设计 本文是通过已有的相隔接近于一周的封闭式开关柜的温度预测，来预测未来7天后的封闭式开关柜的红外温度，再根据失效判据去判断封闭式开关柜在未来一周后有无故障。每隔一周对六组封闭式开关柜进行一次测量，由于温度曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻有关，除非出现重大事故等特殊情况。此外，由于封闭式开关柜的温度还与环境、负荷等有关，因此需要通过天气预报等手