摘要：红外测温是变电站日常重要工作之一。怎样掌控设备在测温周期里温度变化情况，是我们运行人员具备的能力之一，而设备温度受多方面因素的影响，且温度曲线呈非线性，而径向基函数神经网络不受非线性模型的限制。本文就是采用径向基函数（RBF）神经网络实现对设备温度的预测。
关键词：测温；神经网络；变电站；预测
1设备温度预测的影响因素分析
1.1历史温度数据
任何的预测模型都是以历史数据为依据的，通过分析过去的设备温度情况来预测将来的温度变化。但由于历史数据的不完整，甚至还存在伪数据，给预测带来误差。
1.2电流因素
设备电流的大小直接影响到设备发热情况，电流的大小在不停变化，同时电流又受人们的生活习惯、季节等影响，给预测带来困难。
1.3时间因素
在时间因素中，主要是通过负荷来体现的，而对负荷有重要影响的主要有：季节因素的影响、日或周的周期性以及节假日的影响。
1.4环境因素
环境因素主要指设备所在位置周围的环境温度、通风情况。环境温度高低直接影响到设备的温度，通风直接影响到设备的散热情况。
1.5天气因素
天气因素不但对负荷大小有重要影响，而且对设备固有的性能也有影响，例如氧化，导致电阻的增大，从而设备温度进一步上升。
1.6随机因素
设备故障跳闸，设备动作频繁、动作次数增加、设备分合闸未完全到位、设备有缺陷等，都是随机、难以预测的随机因素。
2神经网络设备温度预测技术的MATLAB软件实现
综上所述，影响设备温度预测的因素众多，且非线性，由于神经网络具有通过学习逼近任意非线性影射的能力，将神经网络应用于非线性系统的建模与辨识，可以不受非线性模型的限制。本文采用径向基函数（RBF）神经网络实现对设备温度的预测。
2.1 确定数据类型
在实际应用中，问题的形式会是多种多样的，但不外乎以下几种：
1）数据样本已知。
2）数据样本之间相互关系不明确。
3）输入／输出模式为连续的或者离散的。
4）输入数据按照模式进行分类，模式可能会具有平移、旋转或伸缩等变化形式。
5）数据样本的预处理。
2.2网络模型的确定
主要是如何根据问题的实际情况，选择模型的类型、结构等。
2.3网络参数的选择
确定网络的输入输出神经元的数目，确定隐含层神经元的个数。
2.4训练模式的选择
包括选择合理的训练算法，确定合适的训练步骤，指定适当的训练目标误差，获得较好的网络技能。
3建立设备温度预测模型
3.1输入层的构造
虽然影响设备温度预测的因素有很多，但在大量的生产实践和研究结果表明，设备负荷电流、环境温度是影响设备温度的两个主要因素。
设备负荷电流方面，考虑到设备负荷电流直接导致设备发热、设备温度不会突变，本文采用在预测日的前一天，每隔2个小时对设备温度进行测量，一天共测得设备的12组温度数据。温度曲线相邻的点之间不会发生突变，后一时刻的值必然和前一时刻的值有关。所以将前一天的实时设备温度数据作为网络的输入样本。
环境温度方面，包括日照、降雨、温度、温差、风速等因素，但剔除一些对电力系统负荷影响较小的因素，保留影响较大的因素：温度（最高气温和最低气温）和天气特征（晴天、阴天、雨天）。用0、0.5、1分别表示晴天、阴天、雨天，将预测日的气象特征作为网络的输入变量，这样输入变量就是一个15维的向量。
3.2输出层的构造
目标向量就是预测日当天设备的12个温度值，即一天中每隔2个小时的设备温度。这样一来，输出变量就成为一个12维的向量。
3.3设备温度预测模型
综合上述，结合RBF网络，可得出其预测模型，如图3.1
4预测仿真
4.1伪数据的处理
历史设备温度数据的记录中，由于某种原因（测温仪器故障、值班人员在测量时调整成像仪辐射率不同等） 产生的不良数据，造成的温度数据偏离合理值，这些数据称为伪数据。预测时应将伪数据剔除。常用的伪数据的处理方法如下：
（1）经验修正法。由现场值班人员根据长期积累的经验对数据进行修正。
（2）数据横向对比法。将某一时刻的温度与其前后时刻的温度进行比较，如果差值大于某一阈值，则认为是温度毛刺。
（3）数据纵向对比法。将某一时刻的温度值，分别与其前1天，2天相同时刻的温度值进行比较，如果偏差大于某一阈值，则取平均值代替。
4.2设备温度值的归一化处理
由于在输入样本中各类数据的大小、单位都不统一。为了避免神经元的饱和性，在确定输入和输出变量后，对其进行归一化处理。本文是利用下面公式（4.1）进行归一化，将数据归一在（0，1）之间。
其中，
是最大输入样本值；
是最小输入样本值。
4.3预测实例
以某站7月26日到7月30日的某一设备的温度值以及气象特征状态作为网络的训练样本，预测7月31日的某设备的温度，并对其
数据进行归一化处理，如表4.1
4.4预测结果
图4.1 温度预测结果
在样本中，输入向量为预测日前天的设备实际温度数据和今天的气象特征，目标向量是预测日当天的设备温度。由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。采用本文提出的RBF网络进行仿真预测，所得结果如图4.1 所示，其中，图中实线表示实际温度，虚线表示预测温度。
4.5结果分析
从表4.2中可以看出，误差绝对值的平均值为0.0093，相对误差的平均值为2.48%，达到预测的要求。
5结论
本文通过分析影响设备温度的各种重要因素，构建一个RBF网络对设备温度进行预测。为避免神经元饱和，对输入值进行归一化处理，提高网络的收敛速度和预测精度。通过对某设备的温度数据进行训练，来预测7月31日设备温度，虽然预测值与实际值还有些差别，但基本上满足了温度预测精度。
参考文献
[1]宫亚琼.径向基函数神经网络在过程建模中的研究与应用[D].北京：北京化工大学，2007.
[2]王沫然.MATLAB与科学计算[M].北京：电子工业出版社，2003.
作者简介：
梁碧涛（1984-），男；广东茂名，汉族；大学本科；从事变电运行工作；东莞供电局
论文作者:梁碧涛
论文发表刊物:《电力设备》2018年第33期
论文发表时间:2019/5/16
标签：温度论文; 设备论文; 数据论文; 因素论文; 神经网络论文; 样本论文; 测温论文; 《电力设备》2018年第33期论文;