王興桐,鄒 宇,喻彩云
(1.三峽大學(xué) 電氣與新能源學(xué)院,湖北宜昌 443002;2.廣西電網(wǎng)欽州供電局,廣西欽州 535000)
隨著國民經(jīng)濟(jì)的高速發(fā)展,保障電網(wǎng)的安全可靠運(yùn)行顯得越來越重要。變壓器是電力系統(tǒng)核心設(shè)備之一,其使用壽命受絕緣性能的影響很大。變壓器繞組熱點(diǎn)溫度是電力變壓器繞組絕緣關(guān)鍵影響因數(shù),同時(shí)也是衡量變壓器負(fù)載能力的重要指標(biāo)[1],因此,研究一種變壓器繞組熱點(diǎn)預(yù)測(cè)方法,及時(shí)準(zhǔn)確地獲取變壓器繞組熱點(diǎn)溫度,對(duì)保證變壓器高效、安全、可靠運(yùn)行具有重要意義。
目前,變壓器繞組熱點(diǎn)溫度獲取的方法有直接測(cè)量、模型計(jì)算和預(yù)測(cè)擬合3種[2]。直接測(cè)量法是由變壓器內(nèi)部溫度傳感器測(cè)量其內(nèi)部溫度,這種方法的測(cè)量準(zhǔn)確度受傳感器安裝位置的影響較大;模型計(jì)算法是根據(jù)繞組熱點(diǎn)溫度通用規(guī)范計(jì)算變壓器內(nèi)部溫度,一般采用IEEEC 57.91和IEC 354導(dǎo)則[3,4],但這種方法沒有考慮環(huán)境溫度的影響;隨著智能算法的興起,神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和卡爾曼濾波等預(yù)測(cè)算法被應(yīng)用到繞組熱點(diǎn)溫度預(yù)測(cè)領(lǐng)域[5-7]。文獻(xiàn)[8]利用油浸式變壓器的油流動(dòng)狀態(tài)建立流體網(wǎng)絡(luò)模型,計(jì)算得到變壓器內(nèi)部的溫度分布,該方法雖然大大減少了計(jì)算量,但忽略了環(huán)境溫度的影響。文獻(xiàn)[9]為了實(shí)現(xiàn)電力變壓器繞組熱點(diǎn)溫度的實(shí)時(shí)預(yù)測(cè),把負(fù)載電流、頂層油溫、環(huán)境溫度3個(gè)因素作為特征向量,采用改進(jìn)后的網(wǎng)格搜索算法對(duì)支持向量的參數(shù)進(jìn)行優(yōu)化,提出了一種變壓器熱點(diǎn)溫度預(yù)測(cè)方法,但該方法的預(yù)測(cè)精度有待進(jìn)一步提高。文獻(xiàn)[10]采用容錯(cuò)度高、魯棒性好的廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行變壓器繞組熱點(diǎn)溫度預(yù)測(cè),取得較好的應(yīng)用效果,但神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu),該方法有待進(jìn)一步改進(jìn)。
針對(duì)上述預(yù)測(cè)方法中存在的不足,采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,克服了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值的缺陷,加快了算法的收斂速度,建立基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)模型,采用實(shí)際算例驗(yàn)證本文提出方法的有效性和通用性。
BP神經(jīng)網(wǎng)絡(luò)由學(xué)者Rumelhart提出,它是一種需要經(jīng)過多次前向傳播的網(wǎng)絡(luò),其特點(diǎn)是信號(hào)由輸入端傳到輸出端,而誤差是由輸出端傳向輸入端[11]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為3層:輸入層、隱含層和輸出層。
首先,BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用效果受其權(quán)值和閾值初始值的影響很大,因此神經(jīng)網(wǎng)絡(luò)正向傳播時(shí),容易陷入局部極小值,影響預(yù)測(cè)效果;其次,BP神經(jīng)網(wǎng)絡(luò)采用的是梯度下降法,在對(duì)復(fù)雜目標(biāo)函數(shù)進(jìn)行優(yōu)化時(shí),所需訓(xùn)練時(shí)間過長,導(dǎo)致算法的迭代次數(shù)過多且收斂較慢。基于上述兩個(gè)原因,本研究采用遺傳(GA)算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,形成新的GA-BP神經(jīng)網(wǎng)絡(luò)算法,并將其應(yīng)用于變壓器繞組熱點(diǎn)溫度分析計(jì)算。
遺傳算法是一種基于生物遺傳尋優(yōu)算法,通過迭代計(jì)算篩選并保存適應(yīng)度函數(shù)中的優(yōu)良個(gè)體,這種方法既能保存母體信息,又能使個(gè)體得到優(yōu)化,如此反復(fù)遺傳迭代直至找出最優(yōu)個(gè)體。因其具有非常強(qiáng)大的全局尋優(yōu)能力,常被應(yīng)用于神經(jīng)網(wǎng)絡(luò)等智能算法的參數(shù)尋優(yōu)[12]。
GA-BP神經(jīng)網(wǎng)絡(luò)計(jì)算過程主要包括BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的確定、GA優(yōu)化BP的權(quán)值和閾值、BP預(yù)測(cè)輸出3個(gè)部分。GA優(yōu)化BP的步驟如下:
(1)計(jì)算適應(yīng)度函數(shù)
利用BP神經(jīng)網(wǎng)絡(luò)計(jì)算種群樣本的權(quán)值和閾值,記期望輸出為y,預(yù)測(cè)輸出為o,則個(gè)體適應(yīng)度為:
式中,m為輸出層神經(jīng)元個(gè)數(shù),yi為第i個(gè)期望值,oi為第i個(gè)預(yù)測(cè)值。
(2)選擇運(yùn)算
根據(jù)個(gè)體適應(yīng)度,選擇優(yōu)良個(gè)體遺傳給下一代,本研究采用的計(jì)算方法是輪盤賭法,公式如下:
式中,fi為個(gè)體i的適應(yīng)度;Fi為個(gè)體i的適應(yīng)度函數(shù);k為選擇系數(shù);pi為個(gè)體i的選擇概率。
(3)交叉運(yùn)算
GA算法在計(jì)算過程中采用實(shí)體編碼,本研究采用實(shí)數(shù)交叉法,公式如下:
式中,axi為第x個(gè)染色體的i位,ayi為第y個(gè)染色體的i位,b為隨機(jī)數(shù),0≤b≤1。
(4)變異運(yùn)算
選中某一個(gè)體后,把某些基因以某一概率轉(zhuǎn)化為其他等位基因,公式如下:
式中,amax為基因aij的上界,amin為基因aij的下界,r2為隨機(jī)數(shù),g為迭代次數(shù),Gmax為最大迭代次數(shù),r為隨機(jī)數(shù),0≤r≤1。
采用文獻(xiàn)[13]中500組變壓器繞組熱點(diǎn)溫度實(shí)驗(yàn)數(shù)據(jù)組成樣本進(jìn)行算例分析,該樣本數(shù)據(jù)是在連續(xù)時(shí)間序列上記錄的數(shù)據(jù),時(shí)間間隔為30 min,記錄的數(shù)據(jù)包括變壓器負(fù)載電流、頂層油溫、底層油溫、油箱上死角、油箱下死角溫度、環(huán)境溫度以及繞組熱點(diǎn)溫度,部分?jǐn)?shù)據(jù)如表1所示。
表1 樣本部分?jǐn)?shù)據(jù)
在Matlab2012b軟件中進(jìn)行仿真,GA-BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下:遺傳算法的種群規(guī)模為30,交叉概率為0.4,變異概率為0.2,最大迭代次數(shù)為200;輸入層神經(jīng)元個(gè)數(shù)n=6,隱含層神經(jīng)元個(gè)數(shù)l=9,輸出層神經(jīng)元個(gè)數(shù)m=1。將樣本數(shù)據(jù)分為兩部分,前450組數(shù)據(jù)作為訓(xùn)練集用于訓(xùn)練模型,后50組作為預(yù)測(cè)集用于檢驗(yàn)預(yù)測(cè)模型的精度。采用訓(xùn)練集數(shù)據(jù)對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練后,預(yù)測(cè)測(cè)試集數(shù)據(jù),預(yù)測(cè)結(jié)果如圖1所示,絕對(duì)誤差如圖2所示。
圖1 測(cè)試集數(shù)據(jù)預(yù)測(cè)結(jié)果
圖2 測(cè)試集數(shù)據(jù)絕對(duì)誤差
由圖1可知,基于GA-BP神經(jīng)網(wǎng)絡(luò)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)值與實(shí)際值的變化趨勢(shì)基本一致;由圖2可知,測(cè)試集數(shù)據(jù)預(yù)測(cè)的絕對(duì)誤差都在±4%以內(nèi),且大部分誤差集中在±2%以內(nèi)。可見GA-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于變壓器繞組熱點(diǎn)溫度預(yù)測(cè)的效果較好。
為了檢驗(yàn)?zāi)P偷念A(yù)測(cè)精度,采用平均相對(duì)誤差和均方根誤差對(duì)基于GA-BP神經(jīng)網(wǎng)絡(luò)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)效果進(jìn)行評(píng)價(jià),計(jì)算公式如下:
式中,N為測(cè)試樣本的數(shù)量,yi為第i個(gè)實(shí)際值為第i個(gè)預(yù)測(cè)值。
采用同樣的樣本數(shù)據(jù)建立BP、SVM以及ELM預(yù)測(cè)模型,利用測(cè)試集數(shù)據(jù)進(jìn)行檢驗(yàn),4種預(yù)測(cè)模型的平均相對(duì)誤差和均方根誤差如表2所示。
表2 4種模型預(yù)測(cè)誤差
由表2可知,基于GA-BP神經(jīng)網(wǎng)絡(luò)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)的平均相對(duì)誤差和均方根誤差分別為2.05%和0.21,在4種預(yù)測(cè)模型中均為最小,進(jìn)一步驗(yàn)證了本方法的正確性。
(1)采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行修正,解決了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值的缺陷,加快了算法的收斂速度,并將其應(yīng)用到變壓器繞組溫度預(yù)測(cè)領(lǐng)域,建立了基于GA-BP神經(jīng)網(wǎng)絡(luò)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)模型。
(2)利用500組變壓器試驗(yàn)數(shù)據(jù)進(jìn)行仿真,結(jié)果表明,基于GA-BP神經(jīng)網(wǎng)絡(luò)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)值與實(shí)際值的變化趨勢(shì)基本一致,平均相對(duì)誤差和均方根誤差分別為2.05%和0.21,相比于其他幾種預(yù)測(cè)方法,預(yù)測(cè)效果最好,驗(yàn)證了本方法的正確性。