基于EMD-BP模型的10 kV开关柜温度预测

文昌斌，石 强，郑凯新，吴永华，童华敏

（1.国网湖北省电力公司荆州供电公司，湖北 荆州 434000；2.三峡大学 电气与新能源学院，湖北 宜昌 443002；3.国网湖北省电力公司孝感供电公司，湖北 孝感 432000；4.国网湖北省电力公司宜昌供电公司，湖北 宜昌 443002）

0 引 言

高压开关柜是变电站重要的电气设备。大多数高压开关柜采用封闭结构，无法直接观察其动静触头、母线室进线口等易发热部位。当负荷较大且高压开关柜散热条件较差时，将导致柜内温度升高和部件过热，如不及时提醒和处理，将导致开关柜损毁并造成严重的安全事故[1]。因此，需要对封闭式高压开关柜进行温度实时监测和预警。

传统测温片和红外测温方法易受人为影响，无法直接测量开关柜内部温度，且易受环境和周围电磁场的干扰[2]。光纤测温成本较高且存在安全隐患。无线温度传感器测温的方法可靠性好、安全性高，可对高压开关柜实现不间断在线监测。采集的温度数据序列通常具有非线性和非平稳性，回归分析可将温度表示为相应变量的函数，却无法表示高压开关柜温度与相应变量的复杂关系。数据信号分解预处理和人工神经网络相结合的模型，适合表示变量之间复杂的非线性关系，已经在很多领域得到成功应用[3-4]。

基于以上分析，建立一种10 kV封闭式高压开关柜过热风险预警系统。该系统利用无线温度传感器对高压开关柜过热部位进行测温，并借助无线蓝牙通信网络实现温度数据传输；利用EMD分解将测得的原始温度序列分解成具有不同频率尺度的模态分量；利用BP神经网络模型对各模态分量进行预测；最后，累加各模态预测值实现开关柜过热部位的温度预测，并对比传统BP神经网络验证所提模型的准确性。

1 10 kV开关柜风险预警系统结构

10 kV高压开关柜作为一种金属性封闭式开关电气设备，以KYN28-12开关柜为例，柜内一般被隔板分成手车室、母线室、电缆室和继电器仪表室等部分[3]。10 kV高压开关柜与高压进线柜、高压出线柜、高压计量柜、高压互感器柜、直流屏控制柜以及直流屏电池柜等一起实现变电站10 kV系统的控制、计量和保护等功能。10 kV封闭式高压开关柜过热风险预警系统结构如图1所示。

利用无线温度传感器获取母线室进线口动触头的温度，这些点一般为10 kV高压开关柜容易过热的点。为将温度数据可靠传输到服务器，采用无线蓝牙通信技术构建无线物联网。无线蓝牙技术是一种近距离、低功耗、低延时且便宜的双向无线通信技术。相比于其他无线传输方式而言，它更适合变电站10 kV封闭式高压开关柜这种不适合经常开柜且电磁环境复杂的场合[5-7]。中心服务器建立关系型数据库，接收无线传输的变电站不同10 kV封闭式高压开关柜的不同触点温度数据。为实现可靠过热风险预警，数据采取周期性传输。对接收的温度数据进行预处理和学习，实现数据两个方面的功能：一是EMD数据分解预处理；二是基于改进BP网络训练分解的数据，实现对高压开关柜的过热风险预警。

图1 10 kV封闭式高压开关柜过热预警系统结构图

2 EMD经验模态分解

EMD分解依据原始信号的时间尺度特性对信号进行分解，无需预先设置基函数，对于处理非平稳性及非线性的数据具有明显优势[3]。利用该方法分解具有非平稳性及非线性的温度数据步骤如下。

第1步：初始化r0=x(t), i=1；

第2步：对原始温度序列f进行EMD分解，得到第i个具有固有本征模态分量imfi(t)，求解公式如下：

第3步：重复执行以上两步进行分解，hi(t)、hj(t)为分解的模态分量上、下包络线序列，mj-1(t)为hi(t)、hj(t)的均值序列，且满足：

rn(t)为分解的第n个不同频率尺度的IMF的残余分量，代表温度信号数据的变化趋势。当ri(t)的极值点大于2时，i=i+1，返回第2步；否则，跳出循环，输出结果。

按上述步骤，对于一个原始信号采用EMD分解为6个分量的结果，如图2所示。其中，Original为原始温度序列，IMF1～IMF5为进行EMD分解得到的主要模态分量，IMF6为残余分量。

3 BP神经网络的基本原理

3.1 人工神经网络

人工神经网络具有高效处理非线性拟合问题的能力。以BP（Back Propagation）神经网络为例，它是一种按照误差反向传播进行训练的多层前馈神经网络，本质是一个多层感知器（Multi-Layer Perceptron，MLP），包含输入层、隐藏层以及输出层3个要素[4,8]。BP神经网络的一般结构如图3所示。

神经网络的工作机理可以类比成一个函数的映射过程：

图2 EMD分解的固有模态分量

图3 神经网络结构图

一个简单的神经网络可以理解为两次一元函数的输入和输出，即完成正向、反向误差的传播。第一次Yi=A1(Wi*X+bi)，其中X是原始数据的输入，A1代表激活函数。第二次Yj=A2(Wj*Yj+bj)，其中Y1是第一次的输出，A2是激活函数。Wi、Wj，bi、bj分别为其权值和偏置参数对，原则上各不相同。经过以上两层误差的传递，若误差大于设定误差ε，该误差将会反向传递给隐藏层求解其误差梯度，用来更新权值W和偏置b；在正向传递中计算误差，当误差小于设定误差ε或达到最大迭代次数时，输出最终训练的y结果如下：

3.2 BP神经网络参数估计

BP神经网络结构的隐藏层数为保证训练精度和防止过拟合将其设置为2层，选择sigmoid函数作为激活函数，并采用均方误差（MSE）作为测试表现的依据。

针对常规BP神经网络学习效果不佳，选择Nadam优化算法对BP网络进行参数优化。Nadam优化算法是一种自适应学习率的方法，对网络学习率有较强约束，计算效率高，训练收敛速度比梯度法快，训练精度更高。改进BP神经网络的参数如表1所示。

为将分解得到的模态分量数据导入构建的BP神经网络，使得输入的数据更好地表现温度数据的变化情况，采用相空间重构[9]（Phase Space Reconstruction，PSR）对原始数据进行优化处理。该技术的关键参数——延迟时间τ和嵌入维数d根据实际情况分别设置为1和5。采取坐标延迟重构法，构造一维时间序列在延迟时间τ下的相空间矢量。因此，对于分解的模态分量序列x={xi|i=1,2,…,N}可以表示为：

表1 误差系数

通过以上操作，分解的模态序列可以更好地反映温度变化趋势，形成BP神经网络模型的输入，以便进行训练和预测。

3.3 模型评价指标

为对比传统BP神经网络与EMD-BP神经网络的预测效果，将MAE平均绝对误差、RMSE均方根误差、MAPE平均绝对百分比误差作为评判指标。

4 实验分析

本文利用深度学习框架Keras搭建BP神经网络，基于TensorFlow后台实现相应功能。对温度数据采用归一化处理，便于简化运算，减小计算复杂度：

式中：X为温度样本值，Xmax、Xmin分别为样本对应的最大值和最小值，max、min为缩放的边际范围值。

采集100个温度序列预测后20个点的温度结果如图4所示，预测结果误差见表2。由图4和表2可知，所提EMD-BP温度预测模型对封闭式高压开关柜过热部位的温度预测效果要优于传统BP预测模型，且所提模型预测精度更高。

图4 温度预测效果对比图

研究结果表明，所提EMD-BP预测模型模型有效拟合和预测了非线性的温度序列。对比两种模型的误差评价指标，所提模型误差评价指标MAE为1.71%、RMSE为2.08%、MAPE为2.11%，均小于传统BP预测模型。预测性能优于传统BP模型，体现了EMD-BP模型对于处理非平稳性和非线性温度序列的能力，同时结合改进算法优化了BP神经网络的学习能力和收敛能力，采用相空间重构技术，有效整合了高压开关柜的发热温度数据的时序特性，便于BP网络从温度数据中挖掘和学习知识，以对比两种模型的预测精度，验证了方案的准确性与实用性。

表2 误差系数

5 结 论

针对10 kV封闭式高压开关柜内部过热隐患，提出了一种新的解决方案。采用先进的物联网设备采集和存储温度数据，EMD经验模态分解对原始具有非平稳性的温度序列进行模态分解，结合相空间重构，形成更适合BP神经网络学习的温度输入序列。最后，利用BP神经网络高效的非线性拟合学习能力，充分挖掘高压开关柜内部过热温度数据知识，建立EMD-BP温度预测模型，并通过实验分析验证所提方案的准确性和有效性。对比传统BP模型，所提方案在温度预测的拟合度和误差率方面均取得了良好效果，预测精度更高。