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

技术编号:31015658 阅读:17 留言:0更新日期:2021-11-30 02:56
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:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1