一种考虑敷设方式的中压电缆导体温度计算方法技术

一种考虑敷设方式的中压电缆导体温度计算方法，其中，包括如下步骤：S1.训练样本选取：每组训练样本，包括电缆外皮温度、电缆导体电流、电缆敷设方式、电缆敷设回路数及对应的电缆导体温度；S2.网络构建及训练：将步骤S1训练样本中的电缆外皮温度、电缆导体电流、电缆敷设方式及电缆敷设回路数作为输入，电缆导体温度作为输出，构建一个5层神经网络，并对神经网络进行训练，得到训练好的神经网络；S3.电缆导体温度预测：将实时采集到的电缆外皮温度、电缆导体电流以及电缆敷设方式、电缆敷设回路数输入到步骤S2训练好的神经网络，即可预测出该时刻的电缆导体温度。本发明专利技术同时考虑了电缆敷设方式以及电缆敷设回路数，提高了电缆导体温度计算精度。

【技术实现步骤摘要】
一种考虑敷设方式的中压电缆导体温度计算方法
本专利技术涉及中压电缆导体温度预测
，更具体地，涉及一种考虑敷设方式的中压电缆导体温度计算方法。
技术介绍
电缆导体温度是其状态监测重要参数，若电缆导体温度长期超过电缆主绝缘耐受温度，则电缆寿命将大大缩短。若电缆导体温度长期低于电缆主绝缘耐受温度，则电缆载流量利用率较低。因此，准确掌握电缆导体温度，能够挖掘现有电缆载流量能力，达到节约电缆投资，提高电缆运行水平和利用率的目的。目前，电缆导体温度计算方法中，中国专利CN109635390A公开了一种中压电缆导体温度计算方法，主要是采用神经网络法，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神经网络，进而实时计算电缆导体温度，能够取得较高精度且不受电缆本身物性参数影响。但已有的神经网络法没有考虑电缆敷设方式和敷设回路数，导致训练好的神经网络应用于不同敷设方式和敷设回路数时，计算精度下降较大；同时，隐含层的增加使神经网络训练难度增加，不易收敛。
技术实现思路
本专利技术为了克服上述现有神经网络法没有考虑电缆敷设方式和敷设回路数，导致训练好的神经网络应用于不同敷设方式和敷设回路数时，计算精度下降较大；同时，隐含层的增加使神经网络训练难度增加，不易收敛的缺陷，提供一种考虑敷设方式的中压电缆导体温度计算方法。本专利技术提供的神经网络法同时考虑了电缆敷设方式以及电缆敷设回路数；此外，对隐含层输入进行了降维处理，达到了降低网络训练难度，提高电缆导体温度计算精度的目的。为解决上述技术问题，本专利技术采用的技术方案是：一种考虑敷设方式的中压电缆导体温度计算方法，其中，包括如下步骤：S1.训练样本选取：每组训练样本，包括电缆外皮温度、电缆导体电流、电缆敷设方式、电缆敷设回路数以及对应的电缆导体温度；S2.网络构建及训练：将步骤S1训练样本中的电缆外皮温度、电缆导体电流、电缆敷设方式以及电缆敷设回路数作为输入，电缆导体温度作为输出，构建一个5层神经网络，构建神经网络的过程中对神经网络的部分隐含层做降维处理，并对构建好的神经网络进行训练，得到训练好的神经网络；S3.电缆导体温度预测：将实时采集到的电缆外皮温度、电缆导体电流以及电缆敷设方式、电缆敷设回路数输入到步骤S2训练好的神经网络，即可预测出该时刻的电缆导体温度。进一步的，所述步骤S1中，训练样本选取时，记第n个样本Yn＝(Qn,In,Fn,Hn,Tn)(n＝1,2,3,......,N)；其中Qn表示电缆外皮温度，In表示电缆导体电流，Fn表示电缆敷设方式，Hn表示电缆敷设回路数，Tn表示电缆导体温度，N表示样本个数。进一步的，所述步骤S1中，电缆导体温度和电缆外皮温度均采用热电偶测量，测量周期为1min。进一步的，所述步骤S1中，电缆导体温度在电缆导体上任意选取三个截面进行测量，每个截面上布置的热电偶数量均为三个，即电缆导体温度有九个测量值，最终电缆导体温度取九个测量值的平均值。进一步的，所述步骤S1中，电缆外皮温度在电缆外皮任意选取三个位置进行测量，每个位置的热电偶数量均为两个，即电缆外皮温度有六个测量值，最终电缆外皮温度取六个测量值的平均值。进一步的，所述步骤S2具体包括如下步骤：S21.对电缆敷设方式进行标记，其中排管敷设方式标记为1，电缆沟敷设方式标记为2，水泥槽盒敷设方式标记为3，直埋敷设方式标记为4；S22.以电缆外皮温度、电缆导体电流、标记后的电缆敷设方式以及电缆敷设回路数作为输入，电缆导体温度作为输出，构建一个5层神经网络；5层神经网络包括输入层、第一隐含层、第二隐含层、第三隐含层和输出层，其中，在增加隐含层的同时，为了减少计算量和降低网络训练难度，第二隐含层和第三隐含层均对输入向量做降维处理；S23.利用训练样本，结合改进粒子群优化算法对构建好的5层神经网络进行训练，得到训练好的神经网络。进一步的，所述步骤S22中，构建好的5层神经网络各层的输出为：a)记X为输入层的输入向量，输入层和第一隐含层之间的连接权值矩阵为W1，第一隐含层的阈值矩阵为b1，第一隐含层的激活函数为f1，则第一隐含层的输出向量O1为：b)记第二隐含层的神经元个数为I，第一隐含层和第二隐含层之间的连接权值矩阵为W2，第二隐含层的阈值矩阵为b2，第二隐含层的激活函数为f2，降维向量为A，其维度为K，则第二隐含层的输出向量O2为：其中，M为第一隐含层神经元个数，Zi＝f2(W2(:,i).*O1+b2(:,i))，i为第二隐含层第i个神经元；c)记第三隐含层的神经元个数为J，第二隐含层和第三隐含层之间的连接权值矩阵为W3，第三隐含层的阈值矩阵为b3，第三隐含层的激活函数为f3，降维向量为A1，其维度为K1，则第三隐含层的输出向量O3为：其中，I为第二隐含层神经元个数，Fj＝f3(W3(:,j).*O2+b3(:,j))，j为第三隐含层第j个神经元；d)记第三隐含层和输出层之间的连接权值矩阵为W4，输出层的阈值矩阵为b4，输出层的激活函数为σ，则输出层的输出向量O4为：进一步的，所述步骤S23具体包括如下步骤：S231.设定粒子群大小以及最大迭代次数，定义适应度函数为网络输出均方误差E：式中，N1为训练样本个数，Q为输出层的输出向量的维数，即输出层神经元个数，为第n个样本网络输出向量第q个元素，第n个样本期望输出向量第q个元素；S232.初始化粒子群的位置向量，即给神经网络各连接权值矩阵和阈值矩阵赋予初始值，同时初始化粒子群的速度向量；S233.计算每个粒子的适应度，此时的适应度为每个粒子的个体极值，同时取所有适应度中的最小值作为全局极值；S234.更新粒子的速度向量和位置向量；S235.利用粒子更新后的位置向量，计算每个粒子的适应度，同时更新每个粒子的个体极值以及粒子群的全局极值；S236.判断是否满足迭代计算终止条件，若不满足，返回步骤S234，若满足，则输出全局极值。进一步的，所述步骤S234中，速度向量更新公式如下：vid(t+1)＝w(t+1)vid(t)+η1rand1(a1pid-zid(t))+η2rand2(a2pgd-zid(t))式中，vid(t+1)表示第i个粒子在第t+1次迭代后速度向量第d个元素；vid(t)表示第i个粒子在第t次迭代后速度向量第d个元素；zid(t)表示第i个粒子在第t次迭代后位置向量第d个元素；pid表示第i个粒子当前个体极值，pgd表示当前全局极值，η1为认知学习因子，η2为社会学习因子，rand1和rand2为区间[0,1]上的随机数，a1和a2为活力因子；w(t+1)为第t+1次迭代时的惯性权重，其表达式为：w(t+1)＝1-Ps(t)×wh+Pt(t)×ws式中，wh、ws为常数，Ps(t)为进化速度因子，Pt(t)为聚集度因子；其中进化速度因子Ps(t)的计算公式为本文档来自技高网...

【技术保护点】
1.一种考虑敷设方式的中压电缆导体温度计算方法，其特征在于，包括如下步骤：/nS1.训练样本选取：每组训练样本，包括电缆外皮温度、电缆导体电流、电缆敷设方式、电缆敷设回路数以及对应的电缆导体温度；/nS2.网络构建及训练：将步骤S1训练样本中的电缆外皮温度、电缆导体电流、电缆敷设方式以及电缆敷设回路数作为输入，电缆导体温度作为输出，构建一个5层神经网络，构建神经网络的过程中对神经网络的部分隐含层做降维处理，并对构建好的神经网络进行训练，得到训练好的神经网络；/nS3.电缆导体温度预测：将实时采集到的电缆外皮温度、电缆导体电流以及电缆敷设方式、电缆敷设回路数输入到步骤S2训练好的神经网络，即可预测出该时刻的电缆导体温度。/n

【技术特征摘要】
1.一种考虑敷设方式的中压电缆导体温度计算方法，其特征在于，包括如下步骤：
S1.训练样本选取：每组训练样本，包括电缆外皮温度、电缆导体电流、电缆敷设方式、电缆敷设回路数以及对应的电缆导体温度；
S2.网络构建及训练：将步骤S1训练样本中的电缆外皮温度、电缆导体电流、电缆敷设方式以及电缆敷设回路数作为输入，电缆导体温度作为输出，构建一个5层神经网络，构建神经网络的过程中对神经网络的部分隐含层做降维处理，并对构建好的神经网络进行训练，得到训练好的神经网络；
S3.电缆导体温度预测：将实时采集到的电缆外皮温度、电缆导体电流以及电缆敷设方式、电缆敷设回路数输入到步骤S2训练好的神经网络，即可预测出该时刻的电缆导体温度。


2.根据权利要求1所述的考虑敷设方式的中压电缆导体温度计算方法，其特征在于，所述步骤S1中，训练样本选取时，记第n个样本Yn＝(Qn,In,Fn,Hn,Tn)(n＝1,2,3,......,N)；其中Qn表示电缆外皮温度，In表示电缆导体电流，Fn表示电缆敷设方式，Hn表示电缆敷设回路数，Tn表示电缆导体温度，N表示样本个数。


3.根据权利要求1或2所述的考虑敷设方式的中压电缆导体温度计算方法，其特征在于，所述步骤S1中，电缆导体温度和电缆外皮温度均采用热电偶测量，测量周期为1min。


4.根据权利要求3所述的考虑敷设方式的中压电缆导体温度计算方法，其特征在于，所述步骤S1中，电缆导体温度在电缆导体上任意选取三个截面进行测量，每个截面上布置的热电偶数量均为三个，即电缆导体温度有九个测量值，最终电缆导体温度取九个测量值的平均值。


5.根据权利要求3所述的考虑敷设方式的中压电缆导体温度计算方法，其特征在于，所述步骤S1中，电缆外皮温度在电缆外皮任意选取三个位置进行测量，每个位置的热电偶数量均为两个，即电缆外皮温度有六个测量值，最终电缆外皮温度取六个测量值的平均值。


6.根据权利要求1所述的考虑敷设方式的中压电缆导体温度计算方法，其特征在于，所述步骤S2具体包括如下步骤：
S21.对电缆敷设方式进行标记，其中排管敷设方式标记为1，电缆沟敷设方式标记为2，水泥槽盒敷设方式标记为3，直埋敷设方式标记为4；
S22.以电缆外皮温度、电缆导体电流、标记后的电缆敷设方式以及电缆敷设回路数作为输入，电缆导体温度作为输出，构建一个5层神经网络；5层神经网络包括输入层、第一隐含层、第二隐含层、第三隐含层和输出层，其中，在增加隐含层的同时，为了减少计算量和降低网络训练难度，第二隐含层和第三隐含层均对输入向量做降维处理；
S23.利用训练样本，结合改进粒子群优化算法对构建好的5层神经网络进行训练，得到训练好的神经网络。


7.根据权利要求6所述的考虑敷设方式的中压电缆导体温度计算方法，其特征在于，所述步骤S22中，构建好的5层神经网络各层的输出为：
a)记X为输入层的输入向量，输入层和第一隐含层之间的连接权值矩阵为W1，第一隐含层的阈值矩阵为b1，第一隐含层的激活函数为f1，则第一隐含层的输出向量O1为：
O1＝f1(W1TX+b1)；
b)记第二隐含层的神经元个数为I，第一隐含层和第二隐含层之间的连接权值矩阵为W2，第二隐含层的阈值矩阵为b2，第二隐含层的激活函数为f2，降维向量为A，其维度为K，则第二隐含层的输出向量O2为：



...

【专利技术属性】
技术研发人员：吴炬卓，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司珠海供电局，
类型：发明
国别省市：广东;44