一种基于改进BP神经网络的变压器热点温度预测方法技术

本发明专利技术公开了一种基于改进BP神经网络预测变压器绕组热点温度的方法。采集变压器实时状态下的负载电流、顶层油温、环境温度和热点温度数据，并根据负载电流计算负载率；对负载率、顶层油温、环境温度和热点温度数据进行归一化处理；将归一化后的负载率、顶层油温、环境温度为输入数据，热点温度为输出数据；将BP神经网络隐含层的计算公式与误差传函联立，确保每次设置重新训练时，能根据初始权值确定最佳隐含层；添加动量因子，减小陷入局部最优的概率。本发明专利技术公开了一种基于改进BP神经网络预测变压器绕组热点温度的新方法，该方法每次重新训练时能自动确定最佳隐含层数，数据来源方便，预测误差较小，对研究变压器热点温度有重大意义。大意义。大意义。

【技术实现步骤摘要】
一种基于改进BP神经网络的变压器热点温度预测方法


[0001]本专利技术属于变压器运行监测领域，涉及一种基于改进BP神经网络的变压器绕组热点温度预测方法。

技术介绍

[0002]电力变压器一直是电力系统中的重点监视和保护的对象，其安全性和可靠性直接关系到整个电力系统和供电的可靠性。温度对变压器的正常运行至关重要，其中绕组温度是整个变压器温度最高的部位，由于变压器的绕组温度分布不均匀，整个绕组存在温度最高的区域也就是热点区域，热点温度的变化直接关系到变压器的正常运行和使用寿命。
[0003]在变压器的绕组区域埋设温度传感器，可以直接测量绕组的热点温度但是变压器内部是一个高电压、强磁场的环境，会对温度传感器产生电磁干扰，而且温度传感器抗腐蚀能力较弱，会给温度测量带来误差；
[0004]IEEEC57.91和IEC354导则，提出模型计算法来计算绕组的温度，但是这种计算方法忽略了环境因素，也会给计算结果带来较大的误差；
[0005]CN 105550472 A，公布了一种神经网络预测绕组热点温度的方法，该方法将每个隐含层数进行10次训练，取平均训练误差最小的隐含层为最终隐含层数，该方法操作复杂，而且不能保证每次训练时隐含层数为最佳。

技术实现思路

[0006]在
技术介绍
中所提到的变压器绕组热点温度的算法的基础上，本专利技术提出一种基于改进BP神经网络的变压器绕组热点温度预测方法，每次设置重新训练时，能根据初始权值自动确定最佳隐含层；并添加动量因子减小BP神经网络陷入局部最优的概率，从而使预测效果更好。
[0007]一种基于改进BP神经网络的变压器热点温度预测方法，包括以下步骤：
[0008](1)实时采集变压器运行状态下的负载电流、顶层油温、环境温度和热点温度，并根据负载电流计算负载率；
[0009](2)对步骤(1)得到的负载率、顶层油温、环境温度和热点温度进行归一化处理；
[0010](3)以步骤(2)中归一化后的负载率、顶层油温、环境温度作为输入数据，归一化后的热点温度作为输出数据，构建训练集；
[0011](4)将BP神经网络隐含层计算公式与误差传函联立，构造自动搜索最佳隐含层的改进BP神经网络，确保每次训练时能根据初始权值确定最佳隐含层；
[0012](5)基于步骤(3)中的训练集，对步骤(4)所构建的改进BP神经网络进行多次训练：每次训练时以均方误差最小为原则自动搜索最佳隐含层的神经元数，重新确定BP神经网络结构后，进行下一次训练，直至达到设定训练次数，得到最佳预测模型；
[0013](6)利用步骤(5)中的最佳预测模型，进行变压器热点温度的预测。
[0014]进一步，步骤(1)中负载率的计算公式为：
[0015][0016]式中，I
*
为负载电流；I0为额定电流。
[0017]进一步，步骤(4)中建立误差传函与隐含层的函数关系为：
[0018][0019]式中，q为隐含层神经元数，n为输入层神经元数；m为输出层神经元数；a的取值范围为1～10；X
i
为输入层第i个神经元的输入；E
p
为误差传函，Y
j
为输出层第j个神经元的输出；Y
j*
为输出层第j个神经元的的输出期望值；V
i
为输入层第i个神经元和隐含层之间权值；W
k
为隐含层第k个神经元和输出层之间权值；f1(.)为隐含层传递函数；f2(.)为输出层传递函数。
[0020]进一步，该方法还包括对步骤(4)构造的自动搜索最佳隐含层的改进BP神经网络添加动量因子，减小陷入局部最优的概率。
[0021]相较于现有技术，本专利技术具有以下有益效果：本专利技术的方法能自动搜索出每次训练时最佳的隐含层数，并通过采集负载电流、顶层油温、环境温度数据就可以很好的预测热点温度，该方法操作简单，预测效果精度高，对于变压器的热点温度监测方面有着重大的意义。
附图说明
[0022]图1是改进BP神经网络预测结果；
[0023]图2是预测误差；
[0024]图3是相对误差；
[0025]图4是本专利技术的整体流程图。
具体实施方式
[0026]以下将结合附图对本专利技术的实施方式作具体说明。
[0027]本专利技术提出了一种基于改进BP神经网络的变压器热点温度预测方法，如图4所示，包括以下步骤：
[0028](1)实时采集变压器运行状态下的负载电流、顶层油温、环境温度和热点温度，并根据负载电流计算负载率；
[0029](2)对步骤(1)得到的负载率、顶层油温、环境温度和热点温度进行归一化处理；
[0030](3)以步骤(2)中归一化后的负载率、顶层油温、环境温度作为输入数据，归一化后的热点温度作为输出数据，构建训练集；
[0031](4)将BP神经网络隐含层计算公式与误差传函联立，构造自动搜索最佳隐含层的改进BP神经网络，确保每次训练时能根据初始权值确定最佳隐含层；
[0032](5)基于步骤(3)中的训练集，对步骤(4)所构建的改进BP神经网络进行多次训练：每次训练时以均方误差最小为原则自动搜索最佳隐含层的神经元数，重新确定BP神经网络结构后，进行下一次训练，直至达到设定训练次数，得到最佳预测模型；
[0033](6)利用步骤(5)中的最佳预测模型，进行变压器热点温度的预测。
[0034]进一步的，步骤(1)中负载率的计算公式为：
[0035][0036]式中，I
*
为负载电流；I0为额定电流。
[0037]进一步的，步骤(2)中归一化处理计算公式为：
[0038][0039]公中，X
*
为当前数据归一化处理后的数据输出值；X为当前数据值；X
min
为样本中数据最小值；X
max
为样本中数据最大值；
[0040]进一步的，步骤(4)中建立误差传函与隐含层的函数关系具体为：
[0041][0042]式中，q为隐含层的神经元数；m为输入层的神经元数，本实施例中为3；n为输出层的神经元数，本实施例中为1；a的取值范围为1～10。
[0043]误差传函为：
[0044][0045]式中，E
p
为误差传函，X
i
为输入层第i个神经元的输入；Y
j
为输出层第j个神经元的输出；Y
j*
为输出层第j个神经元的的输出期望值；V
i
为输入层第i个神经元和隐含层之间权值；W
k
为隐含层第k个神经元和输出层之间权值；f1(.)为隐含层传递函数；f2(.)为输出层传递函数。
[0046]将公式(3)和(4)联立：
[0047][0048]进一步的，步骤(5)中基于步骤(3)中的训练集，对步骤(4)所构建的改进BP神经网络进行多次训练：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进BP神经网络的变压器热点温度预测方法，其特征在于，包括以下步骤：(1)实时采集变压器运行状态下的负载电流、顶层油温、环境温度和热点温度，并根据负载电流计算负载率；(2)对步骤(1)得到的负载率、顶层油温、环境温度和热点温度进行归一化处理；(3)以步骤(2)中归一化后的负载率、顶层油温、环境温度作为输入数据，归一化后的热点温度作为输出数据，构建训练集；(4)将BP神经网络隐含层计算公式与误差传函联立，构造自动搜索最佳隐含层的改进BP神经网络，确保每次训练时能根据初始权值确定最佳隐含层；(5)基于步骤(3)中的训练集，对步骤(4)所构建的改进BP神经网络进行多次训练：每次训练时以均方误差最小为原则自动搜索最佳隐含层的神经元数，重新确定改进BP神经网络结构后，进行下一次训练，直至达到设定训练次数，得到最佳预测模型；(6)利用步骤(5)中的最佳预测模型，进行变压器热点温度的预测。2.根据权利要求1所述的一种基于改进BP神经网络的变压器热点温度预测方法，其特征在于，步骤(1)中负载率的计算公式为：式...

【专利技术属性】
技术研发人员：江兵，杨春，王烈跃，陈晨，杨怡，李国荣，孙赵盟，杨雨亭，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：