基于BP神经网络的三芯电缆导体暂态温度计算方法技术

本发明专利技术公开了一种基于BP神经网络的三芯电缆导体暂态温度计算方法，包括以下步骤：1、训练样本选取；选取载流量数据，所述载流量数据包括：电缆导体电流、电缆外皮温度和电缆导体温度；2、网络训练；构建一个四层BP神经网络，采用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络；3、电缆导体暂态温度计算；将实时采集到的电缆导体电流和电缆外皮温度输入到步骤2中训练好的网络，即可计算出电缆的导体温度。具有无需考虑电缆本身的物性参数，即可准确地动态计算电缆的导体温度等优点。

【技术实现步骤摘要】

本专利技术涉及一种三芯电缆导体暂态温度计算技术，特别涉及一种基于BP神经网络的三芯电缆导体暂态温度计算方法。
技术介绍
载流量为电缆在持续负荷中所能传输的最大电流，是电缆运行的重要参数。在该电流的作用下，线芯工作温度达到但不超过电缆主绝缘长期耐热温度(XLPE为90℃)，以保证电缆的寿命。如果载流量偏大而导致线芯工作温度超过允许值，电缆的寿命将比期望寿命大大缩短。如果载流量偏小，但是电缆线芯的铜材或者铝材没有得到充分的利用。因此，只要能够准确掌握电缆导体温度，就可以挖掘现有电缆载流量能力，不仅能节约电缆的投资，而且能提高电缆的运行水平和利用率。因而准确计算电缆导体温度成为关键。由于实际运行电缆线路的负荷电流不是持续不变而是周期变化的，且电缆外部运行环境(埋深处的地温和土壤热阻系数)受多因素影响的量，使得电缆导体的温度是一个时刻变化的物理量。因而电缆导体温度的暂态计算是电缆状态检测的重要手段。电缆的暂态温升计算大都基于电缆的热路模型，常用的方法是分别计算电缆本体和电缆外部环境两部分的暂态响应，然后进行叠加，但该方法计算的准确性仍然受外部环境因素影响。随着测温技术的发展，电缆外皮温度的在线监测得以实现。通过测量外皮温度，再根据电缆的热路暂态模型就可以反推出导体温度。由于导体温度计算只与本体参数有关，所以摆脱了外部环境影响。但在运用这种方法计算过程中，热路的暂态模型比较难确定。目前，国内外比较有代表性的模型包括动态反馈仿真模型、梯形热网络模型[和传热模型，这几种模型的计算结果都比较准确，但均需求解大量非线性方程。为简化计算，国内学者提出的方法包括以下：在建立单芯电缆等效暂态热路模型基础上，采用Runge-Kutta法求解微分方程组,计算电缆暂态温升,根据光纤测得外皮温度反推导体温度；在建立单芯电缆等效Laplace热路模型基础上,剖分实际连续变化运行电流为等效的阶跃电流，计算不同时间段阶跃电流的产热量，以及实际持续变化电流下的电缆线芯温度；基于电缆实时外皮温度和运行电流，运用BP神经网络实时计算单芯电缆的导体温度。该方法具有较高的精度，且不受电缆本身的物性参数影响。以上方法大都运用于单芯电缆导体暂态温度的计算，对于在三芯电缆导体暂态温度的计算方面的研究却较为匮乏。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于BP神经网络的三芯电缆导体暂态温度计算方法，该计算方法解决了三芯电缆导体暂态温度的计算问题，提高了导体温度的计算精度。本专利技术的目的通过下述技术方案实现：基于BP神经网络的三芯电缆导体暂态温度计算方法，包括以下步骤：步骤1、训练样本选取：选取载流量实验数据，包括电缆导体电流、电缆外皮温度和电缆导体温度；步骤2、网络训练：将训练样本中的电缆导体电流、电缆外皮温度做为输入，电缆导体温度做为输出，构建一个四层神经网络。使用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络；步骤3、电缆导体暂态温度计算：将实时采集到的导体电流、电缆外皮温度输入到训练好的网络，即可计算出电缆的导体温度。在步骤2中，所述采用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络包括以下步骤：步骤21、设定粒子群的粒子数m＝40，初始化粒子群，即为每一组权值、阈值赋初值如下式：Xi＝(Wi1(:),b1i(:),Wi2(:),b2i(:),…,Wik(:),bki(:))，式中，Wi1(:),Wi2(:),…,Wik(:)为权值，b1i,b2i,…,bki为阈值，其中下标i表示第i个粒子Xi，下标1,2…k表示神经网络的权值和阈值矩阵个数，其中，k＝3；步骤22、将网络的输出误差定义为粒子的适应度函数，计算各粒子的适应度：E=12NΣn=1NΣp=1P(Op(n)-dp(n))2,]]>式中，N为样本数，P为输出维数，O为网络输出，d为目标输出；对每一个粒子，比较当前粒子的适应度与先前的最佳适应度，将二者较小值设为当前粒子的局部极值；选择所有粒子适应度中适应度最小的一个作为全局极值，并按下式更新粒子速度：vij(k+1)＝wvij(k)+c1r1[Qij(k)-xij(k)]         +c2r2[Qgj(k)-xij(k)]，式中,c1＝c2为加速常数，本专利技术中，c1＝c2＝2；v1,v2为两取值区间为[0 1]的随机数；vij∈[-vmax，vmax]为第i个粒子第j维空间的速度，vmax为允许移动的最大速度，本专利技术中vmax＝1；xij∈[-xmax，xmax]为第i个粒子第j维空间的位置，xmax为允许的最大空间位置；Qij为第i个粒子第j维空间的局部极值，Qgj为第j为空间的全局极值，w为惯性权重系数，并设置为随迭代次数增加而减小的函数：w(t)＝wmin+(wmax-wmin)(tmax-t)/tmax，式中，t为当前迭代数，tmax为最大迭代次数，惯性权重系数最大值wmax＝0.9，最小值wmin＝0.4；按下式更新粒子的位置：xij(k+1)＝xij(k)+vij(k+1)，式中，xij(k+1)为粒子迭代次数为k时第j维空间的位置；xij(k+1)为粒子迭代次数为k+1时第j维空间的位置；vij(k+1)为粒子迭代次数为k+1时第j维空间的速度；步骤23、判断算法是否满足误差精度或达到最大迭代次数，如果是，则退出PSO算法，否则，返回继续迭代；将PSO算法得到的权值和阈值作为初值，继续使用BP算法进行二次优化；若训练结果优于PSO训练结果，则输出BP训练的网络，否则，输出PSO训练的网络。在步骤2中，所述神经网络是一个2-8-8-1的四层BP神经网络，并由电缆导体电流和电缆外皮温度作为输入、电缆导体温度作为输出构建而成。本专利技术的工作原理：本专利技术的基于BP神经网络的三芯电缆导体暂态温度计算方法以电缆导体电流、电缆外皮温度为输入，电缆导体温度为输出，构建了一个四层神经网络模型。先使用粒子群算法先进行一次优化，后使用BP算法进行二次优化的训练方法，训练效果明显优于单独使用BP算法。该方法可以精确地实时计算三芯电缆的导体温度，且不受电缆本身物性参数影响，可以为三芯电缆导体温度的在线监测提供参考。本专利技术相对于现有技术具有如下的优点及效果：1、神经网络可以基于电缆导体电流和电缆外皮温度，无需考虑电缆本身的物性参数，即可准确地动态计算电缆的导体温度，计算方便快捷本文档来自技高网...

【技术保护点】
一种基于BP神经网络的三芯电缆导体暂态温度计算方法，其特征在于，包括以下步骤：步骤1、训练样本选取；选取载流量数据，所述载流量数据包括：电缆导体电流、电缆外皮温度和电缆导体温度；步骤2、网络训练；构建神经网络，采用粒子群算法先进行一次优化，后使用BP算法进行二次优化方法训练网络；步骤3、电缆导体暂态温度计算；将实时采集到的电缆导体电流和电缆外皮温度输入到步骤2中训练好的网络，即可计算出电缆的导体温度。

【技术特征摘要】
1.一种基于BP神经网络的三芯电缆导体暂态温度计算方法，其特征在于，
包括以下步骤：
步骤1、训练样本选取；选取载流量数据，所述载流量数据包括：电缆导体
电流、电缆外皮温度和电缆导体温度；
步骤2、网络训练；构建神经网络，采用粒子群算法先进行一次优化，后使
用BP算法进行二次优化方法训练网络；
步骤3、电缆导体暂态温度计算；将实时采集到的电缆导体电流和电缆外皮
温度输入到步骤2中训练好的网络，即可计算出电缆的导体温度。
2.根据权利要求1所述的基于BP神经网络的三芯电缆导体暂态温度计算方
法，其特征在于，在步骤2中，所述采用粒子群算法先进行一次优化，后使用BP
算法进行二次优化方法训练网络包括以下步骤：
步骤21、设定粒子群的粒子数m＝40，初始化粒子群，即为每一组权值、
阈值赋初值如下式：
Xi＝(Wi1(:),b1i(:),Wi2(:),b2i(:),…,Wik(:),bki(:))，
式中，Wi1(:),Wi2(:),…,Wik(:)为权值，b1i,b2i,…,bki为阈值，其中下标i表
示第i个粒子Xi，下标1,2…k表示神经网络的权值和阈值矩阵个数，其中，k＝3；
步骤22、将网络的输出误差定义为粒子的适应度函数，计算各粒子的适应
度：
E=12NΣn=1NΣp=1P(Op(n)-dp(n))2,]]>式中，N为样本数，P为输出维数，O为网络输出，d为目标输出；
对每一个粒子，比较当前粒子的适应度与先前的最佳适应度，将二者较小
值设为当前粒子的局部极值；
选择所有粒子适应度中适应度最小的一个作为全局极值，并按下式更新粒

\t子速度：
vij(k+1)＝wvij(k)...

【专利技术属性】
技术研发人员：牛海清，吴炬卓，叶开发，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44