基于改进BP神经网络的线缆接头温度预警方法

张运双　杨爱璜　罗亚明　海龙

摘 要：目前针对环网柜故障预测与健康管理技术（Prognosties and Health Management，PHM）在電网领域得到飞速发展，环网柜的电缆接头温度是重要参数。该文提出一种基于改进BP神经网络模型，多变量大数据训练权重系数，输出正常线缆接头温度值，通过对比真实温度值，实现环网柜的电缆接头温度预警。经过对实际环网柜的电缆接头温度预警验证了该文所提出方法的有效性，对防止火灾发生和环网柜故障预测起到一定参考作用。

关键词：环网柜 BP神经网络 温度预警

中图分类号：TH18 文献标识码：A 文章编号：1672-3791（2019）01（c）-0031-04

Abstract： At present， the Prognostics and Health Management （PHM） technology has been rapidly developed in the power grid field， and the temperature of the cable connector in the Ring Main Unit is an important parameter.This paper proposes an improved BP neural network model based on Variable big data training weight coefficient， output the normal cable connector temperature value， realizing the cable connector temperature alarm of the Ring Main Unit by comparing the real temperature value， and verifying the effectiveness of the method proposed in this paper after an early warning of the cable gland temperature of the actual Ring Main Unit. To play a role in preventing the occurrence of fire and Ring Main Unit fault prediction.

Key Words： Ring Main Unit； BP neural network； Fault location

现代美好生活对电的依赖程度已经到了无以复加的程度，为了确保安全可靠的供用电，各种先进技术和故障预警理论应用到整个电网监测中，帮助电网维护和管理人员实时了解电网运行状态，及时消除异常情况，提前排除故障，防止灾难性事故发生。当下环网柜具有结构简单，运行可靠且安全，维修量小，运行费用低，可提高供电参数和性能以及供电安全等优点。目前它被广泛使用于城市住宅小区、高层建筑、大型公共建筑、工厂企业等负荷中心的配电站以及箱式变电站中。环网柜一般放置在户外，长期处在复杂多变的恶劣环境中，长期处于高负荷运行状态，许多不确定因素很容易引发故障，从而影响相关电网的安全运行，导致大面积供用电问题，危及用户设施设备安全，甚至可能引发火灾，酿成重大安全事故。现在，它的安全运行直接关系到电力部门和用户的切身利益，如何高效确保它的安全运行具有重要意义。

环网柜发生故障是一个复杂的非线性过程，故障的产生也是多个因素共同作用的结果，目前对环网柜的故障研究主要集中在电力电缆绝缘故障检测、SF6气体浓度监测、电缆温度监测、物理机理模型的故障检测和多变量综合监测。电缆温度中电缆接头温度是环网柜重要的特征参数，是诱发和提前预判故障的关键点，电缆接头温度受电缆运行电流、线芯温度、环境温度等影响，因此，如何融合多变量影响，利用大量安全的历史数据，动态提供电缆接头温度的安全阈值对环网柜异常及故障预测具有重要意义。

利用电缆等效热路与电路在数学形式上相同的特点，设计出电路节点电压法求解电缆热路问题的数学方法[1]。综合电缆的安装方式、表面温度、负载电流和环境温度信息，通过计算机仿真技术计算出导体的运行温度[2]。通过分布式光纤测温方法，解决了电缆全线温度的监测问题[3-7]。理论上演算了电缆热路完整模型与简化模型之间的误差，基于电缆表面温度推算电缆导体温度[5]。监测电缆接头的温度，比对是否超过温度阈值，实现在线预报[8]。以上这些算法模型对实时测温和预警有一定作用，但是对多变量相互影响、如何实现动态阈值等问题，解决的并不理想。

该文主要针对电缆接头温度受多因素影响和不能解决动态阈值的问题进行研究，在大量历史数据的基础上，提出了一种基于改进BP神经网络的环网柜温度预警方法。

1 算法描述

1.1 经典BP神经网络

BP神经网络结构如图1所示。其中，Xi表示输入层，On和Om表示隐含层，Yk表示输出层j=1，2…M；ωi，n、ωn，m和ωm，k节点之间的权值。

（1）节点输出模型。

1.2 改进BP神经网络

经典BP神经网络算法通常存在以下问题：学习效率低，收敛速度慢，易陷入局部极小状态。该文采用动量因子和自适应学习率来解决这些问题，动量因子法是在误差反向传播的基础上，在每一个权值（或阈值）的变化上加上一项正比于前次权值（或阈值）变化量的值，并根据反向传播法来产生新的权值（或阈值）变化。

（5）

式中，η为学习速率，k为训练次数，a为动量因子，▽f（ωi，j（k））为误差函数的梯度。

根据动量因子法的设计原则，当新的权值导致误差增长时，新的权值应被取消而不是采用，同时动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变换率超过设定的最大误差变化率时，也应取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。训练程序中采用动量法的判断条件为：

2 实验结果及分析

实验以丽江古城区电网环网柜实时监测数据：柜内环境温度、湿度、电缆接头温度（A相、B相和C相）、电缆线芯温度（A相、B相和C相）、电缆电流（A相、B相和C相）为基础，选取柜内环境温度、湿度、电缆电流（A相、B相和C相）作为输入值，通过改进BP神经网络运算后，输出电缆接头温度（A相、B相和C相）的预测值。

2.1 学习样本数据

此文通过分析研究大量的实时监测数据，从中选取15组典型数据作为此次试验的学习样本（见表1）。为检验模型的精度，其中最后3组数据作为检验样本。

2.2 学习样本训练及预测结果

设置最小均方误差为0.001，学习率为0.01，动量系数为0.95，最大训练次数为15000，将表1中1～15号样本数据条件作为输入，电缆接头温度作为目标输出进行学习。该文采取批量训练，结果与输入顺序无关，经过9000多次训练后满足精度要求，训练结果和实测值对比分析见表2。

从表2可知，改进BP神经网络模型训练后最大绝对误差为0.52，最大相对误差为2.121%，同时3组检验数据误差达到标准。

2.3 预警实验及结果

此次实验和实际运营数据是丽江大研古镇22个环网柜运行和监测数据，通过6个月的观察和实验，把BP神经网络的预测值作为预警阈值，预警概率为5%时，虚警概率不高于0.1%，达到了预期的效果。

3 结语

该文针对环网柜预警进行了一定的研究，取得了一些成果。实际上，环网柜和电缆的全寿命管理和预警有很多地方值得去研究，例如：（1）突发事件的处理，如雷电、地震和故意破坏等；（2）多变量数据处理，如数据的实时性、有效性、复杂性和突发性等；（3）数据挖掘和融合，为合理调配A相、B相和C相功率和提高供用电效率提供参考，分析用户用电特征，提供更好的用电方案。这些问题的解决，将会对环网柜监测的综合效能有非常重要的经济效益和积极作用。

参考文献

[1] 刘毅刚，罗俊华.电缆导体温度实时计算的数学方法[J].高电压技术，2005，31（5）：52-54.

[2] 杨文英.电力电缆温度在线监测系统的研究[D].東北电力大学，2008.

[3] 刘建忠.电缆温度光纤实时监测系统[D].天津大学，2010.

[4] 罗俊华，周作春，李华春，等.电力电缆线路运行温度在线检测技术应用研究[J].高电压技术，2007，33（1）：169-172.

[5] 刘刚，雷成华，刘毅刚.根据电缆表面温度推算导体温度的热路简化模型暂态误差分析[J].电网技术，2011（4）：212-217.

[6] 孙静，赵子玉.电力电缆温度实时在线监测[J].电线电缆，2011（1）：40-42.

[7] 周雄明，苏文群，徐俊，等.电力电缆温度3D实时监测系统[J].华东电力，2010，38（10）：1632-1633.

[8] You XC， Lei LI. Patrol inspection system of underground cable joint fault based on wireless communication[J]. Machine Tool & Hydraulics，2014（6）：125-129.