一种基于RBF神经网络的电缆接头导线温度预测方法技术

本发明专利技术涉及一种基于RBF神经网络的电缆接头导线温度预测方法。本发明专利技术主要分以下4个步骤：1）样本数据采集：实时测量与电缆接头导线温度有联系的关联因素（环境湿度、环境温度、护套温度、接头处绝缘层温度、触头温度和各种表皮温度）；2）网络训练：首先对1）采集的数据进行预处理，划分训练数据和预测数据，然后设置各种参数，创建网络，最后进行数据预测；本发明专利技术将神经网络技术应用到电缆接头导线温度预测中，对电缆接头导线温度在线实时监测与故障分析有较好的作用。

【技术实现步骤摘要】
一种基于RBF神经网络的电缆接头导线温度预测方法
本专利技术属于电缆接头温度值预测技术，特别涉及一种基于RBF神经网络的电缆接头导线温度预测方法。
技术介绍
电力电缆是电力系统中非常重要的设备，一旦发生故障，小则造成用户长时间停电，大则可能导致电缆线路关联设备发生连锁反应而发生故障，甚至导致配电系统部分的瘫痪。而电缆接头则是电缆线路发生故障的主要部件，因此，对电缆接头的研究是十分必要的，对于温度监测终端采集的各类数据，我们有必要能准确的分析出电缆接头的工作状态，以及判断某个电缆接头是否出现了故障，以便发现电缆的潜在隐患并作出及时的处理，减小由于电缆故障造成的损失，提高供电的可靠性。然而，高压电缆在线监测研究主要集中在电缆绝缘老化及缺陷探测等方面，其主要手段有局部放电检测和在线温度监测两种。其中，要实施局部放电检测的关键技术难点在于如何在现场存在较大电磁场的情况下提高局部放电检测设备的灵敏度。一般而言，为了满足实际工程需要，需要采用高精度的高频局部放电和甚高频局部放检测仪，其核心技术在国内尚未攻破，因此相应的检测设备都需要从国外进口，设备购买费和未来的维护费用都相当高。除了放电检测外，温度检测是目前国内外在电缆监测中最被认可的一项重要手段，因为无论是电缆的老化导致泄露电流增大或者是过负荷导致损耗增加，都会通过温度升高的形式体现出来，而且温度升高也是引起电缆故障的重要因素。因此，如果能够对电缆运行温度实施在线检测，则完全可以对电缆的安全运行做到实时监控。人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，具有强大的模式识别和数据拟合能力，不同类型的神经网络适合于处理不同的问题，例如，自组织网络适用于解决聚类问题，广义回归网络适用于拟合问题。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。RBF网络是一种结构简单、收敛速度快、能够逼近任意非线性函数的网络。1988年Broomhead和Lowe根据生物神经元具有局部响应的原理，将径向基函数引入神经网络中。RBF网络被证明对非线性网络具有一致逼近的性能，现已广泛应用于时间序列分析、模式识别、非线性控制和图像处理等领域。电缆接头温度值变化是一个比较复杂的非线性过程，人工神经网络在处理非线性模式识别方面表现出良好的性能。多层感知器是其中应用最广泛的一种，但多层感知器采用的误差反向传播算法容易陷入局部极小值，且需要较长的训练时间，其传输函数只能输出两种可能的值，多层感知器的线性运算规则决定了它只能解决线性可分的问题，因此处理问题时有很大的局限性。相比之下，径向基网络有与多层感知器相媲美的非线性映射能力，且具有较高的收敛精度和运行速度。
技术实现思路
本专利技术主要是解决现有技术所存在的铺设难、成本高、维护难，而且大多检测不能准确判断发热原因及电缆接头运行状态等的技术问题；提供了一种能实时预测电缆接头导线温度，并能通过对导线温度的变化趋势去判断电缆接头在未来时刻的工作状况的一种基于RBF神经网络的电缆接头导线温度预测方法。本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种基于RBF神经网络的电缆接头导线温度预测方法，其特征在于，包括以下步骤：步骤1，分别在电缆接头的左护套、右护套、接头处绝缘层、电缆表皮最左端和中部之间、电缆表皮最左端、电缆表皮中部、电缆表皮最右端和中部之间、电缆表皮最右端处沿周向均匀设置至少三个温度探头；在电缆接头的外部触头处沿周向均匀设置至少两个温度探头；以及一个环境湿度计和一个环境温度；然后用数据采集终端按照设定的时间间隔采集温度数据；得到11种影响电缆接头导线温度的温度变量；分别是：环境湿度、右护套温度、接头处绝缘层温度、左护套温度、环境温度、外部触头温度、电缆表皮最左端和中部之间的温度、电缆表皮最左端温度、电缆表皮中部温度、电缆表皮最右端和中部之间的温度、电缆表皮最右端温度；步骤2，基于步骤1采集的数据进行RBF网络的创建与预测，具体是：首先将步骤1采集的数据导入matlab中进行预处理，然后将预处理后数据分为两大部分，一部分为训练数据，另一部分为预测数据，所述训练数据和预测数据包括分别包括若干组数据，每组数据包括11种影响电缆接头导线温度的温度变量；将训练数据输入到三层RBF神经网络中进行训练得到训练好的RBF网络，然后将预测数据输入到RBF网络中进行预测，得到预测的数据。在上述的一种基于RBF神经网络的电缆接头导线温度预测方法，所述将训练数据输入到三层RBF神经网络中进行训练的具体步骤是：步骤1，基于K-均值聚类算法求取基函数中心ti(n)；设定有I个聚类中心，第n次迭代的第i个聚类中心为ti(n),i＝1,2,...,I，这里I值是根据经验确定，然后进行如下子步骤的操作：步骤1.1，网络初始化。从包含11个温度变量值的输入样本数据中随机选择I个不同的样本作为初始的聚类中心ti(0)(i＝1,2,...,I)。步骤1.2，将输入的训练样本集合按最近邻规则分组：计算该训练样本距离哪一个聚类中心最近，就把它归为该聚类中心的同一类，即计算：i(Xp)-argmin||xp-ti(0)||找到相应的i值，将Xp归为第i类。式中，为第p个输入样本；p＝1,2,3,...P,P为样本总数；Ti为网络隐含层节点的中心。步骤1.3，更新聚类中心。计算各个聚类集合θp中训练样本的平均值，即新的聚类中心ti：式中，η为学习步长，0＜η＜1。当聚类中心不再变化时，所得到的ti即为RBF神经网络最终的基函数中心，否则返回(2)继续迭代。步骤2，求解方差σi；该基于电缆接头导线温度预测的RBF神经网络的基函数为高斯函数，方差σi可如下求解：式中，cmax是所选中心之间的最大距离。步骤3，计算所创建的基于电缆接头的RBF神将网络的隐含层和输出层之间的权值。隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到，计算公式如下：步骤4，基于步骤1、步骤2求得的中心和方差表示出径向基函数：式中，||xp-ti||为欧式范数；ti为高斯函数的中心；σ为高斯函数的方差。由RBF神经网络的结构图可知网络的输出为式中，ωij为隐含层到输出层的连接权值；i＝1,2,3...I,I为隐含层节点数；yi为与输入样本的网络的第j个输出节点的实际输出，即电缆接头的导线温度值。在上述的一种基于RBF神经网络的电缆接头导线温度预测方法，分别在电缆接头的左护套、右护套、接头处绝缘层、电缆表皮最左端和中部之间、电缆表皮最左端、电缆表皮中部、电缆表皮最右端和中部之间、电缆表皮最右端处沿周向均匀设置三个温度探头；在电缆接头的外部触头处沿周向均匀设置两个温度探头；以及一个环境湿度计和一个环境温度；然后用数据采集终端按照设定的时间间隔采集温度数据；得到11种影响电缆接头导线温度的温度变量；分别是：环境湿度、右护套温度、接头处绝缘层温度、左护套温度、环境温度、外部触头温度、电缆表皮最左端和中部之间的温度、电缆表皮最左端温度、电缆表皮中部温度、电缆表皮最右端和中部之间的温度、电缆表皮最右端温度。在上述的一种基于RBF神经网络的电缆接头导线温度预测方法，所述步骤2中，采集数据导入matlab中进行预处理的具体方法是：对于本文档来自技高网...

【技术保护点】
一种基于RBF神经网络的电缆接头导线温度预测方法，其特征在于，包括以下步骤：步骤1，分别在电缆接头的左护套、右护套、接头处绝缘层、电缆表皮最左端和中部之间、电缆表皮最左端、电缆表皮中部、电缆表皮最右端和中部之间、电缆表皮最右端处沿周向均匀设置至少三个温度探头；在电缆接头的外部触头处沿周向均匀设置至少两个温度探头；以及一个环境湿度计和一个环境温度计；然后用数据采集终端按照设定的时间间隔采集温度数据；得到11种影响电缆接头导线温度的温度变量；分别是：环境湿度、右护套温度、接头处绝缘层温度、左护套温度、环境温度、外部触头温度、电缆表皮最左端和中部之间的温度、电缆表皮最左端温度、电缆表皮中部温度、电缆表皮最右端和中部之间的温度、电缆表皮最右端温度；步骤2，基于步骤1采集的数据进行RBF网络的创建与预测，具体是：首先将步骤1采集的数据导入matlab中进行预处理，然后将预处理后数据分为两大部分，一部分为训练数据，另一部分为预测数据，所述训练数据和预测数据包括分别包括若干组数据，每组数据包括11种影响电缆接头导线温度的温度变量；将训练数据输入到三层RBF神经网络中进行训练得到训练好的RBF网络，然后将预测数据输入到RBF网络中进行预测，得到预测的数据。...

【技术特征摘要】
1.一种基于RBF神经网络的电缆接头导线温度预测方法，其特征在于，包括以下步骤：步骤1，分别在电缆接头的左护套、右护套、接头处绝缘层、电缆表皮最左端和中部之间、电缆表皮最左端、电缆表皮中部、电缆表皮最右端和中部之间、电缆表皮最右端处沿周向均匀设置至少三个温度探头；在电缆接头的外部触头处沿周向均匀设置至少两个温度探头；以及一个环境湿度计和一个环境温度计；然后用数据采集终端按照设定的时间间隔采集温度数据；得到11种影响电缆接头导线温度的温度变量；分别是：环境湿度、右护套温度、接头处绝缘层温度、左护套温度、环境温度、外部触头温度、电缆表皮最左端和中部之间的温度、电缆表皮最左端温度、电缆表皮中部温度、电缆表皮最右端和中部之间的温度、电缆表皮最右端温度；步骤2，基于步骤1采集的数据进行RBF网络的创建与预测，具体是：首先将步骤1采集的数据导入matlab中进行预处理，然后将预处理后数据分为两大部分，一部分为训练数据，另一部分为预测数据，所述训练数据和预测数据包括分别包括若干组数据，每组数据包括11种影响电缆接头导线温度的温度变量；将训练数据输入到三层RBF神经网络中进行训练得到训练好的RBF网络，然后将预测数据输入到RBF网络中进行预测，得到预测的数据；所述将训练数据输入到三层RBF神经网络中进行训练的具体步骤是：步骤1，基于K-均值聚类算法求取基函数中心ti(n)；设定有I个聚类中心，第n次迭代的第i个聚类中心为ti(n),i＝1,2,...,I，这里I值是根据经验确定，然后进行如下子步骤的操作：步骤1.1，网络初始化；从包含11个温度变量值的输入样本数据中随机选择I个不同的样本作为初始的聚类中心ti(0)(i＝1,2,...,I)；步骤1.2，将输入的训练样本集合按最近邻规则分组：计算该训练样本距离哪一个聚类中心最近，就把它归为该聚类中心的同一类，即计算：i(Xp)＝argmin||xp-ti(0)||找到相应的i值，将Xp归为第i类；式中，为第p个输入样本；p＝1,2,3,...P,P为样本总数；Ti为网络隐含层节点的中心；步骤1.3，更新聚类中心；计算各个聚类集合θp中训练样本的平均值，即新的聚类中心ti：式中，η为学习步长，0＜η＜1；当聚类中心不再变化时，所得到的ti即为RBF神经网络最终的基函数中心，否则返回步骤1.2继续迭代；步...

【专利技术属性】
技术研发人员：周辉，王军华，刘开培，谭甜源，常辉，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42