[发明专利]变电站电气设备温度预测方法

权利要求书

1.变电站电气设备温度预测方法，其特征在于：将采集到的电气设备运行参数及环境参数作为输入变量，再利用深度信念网络建立预测模型对电气设备温度进行预测；具体包括以下步骤：

第1步：数据预处理：

对原始数据集进行预处理，选取训练样本集和待预测的样本集；

第2步：建立电气设备温度预测模型：

底层采用多个RBM堆叠而成的DBN模型，顶层采用神经网络进行最后的温度拟合预测；具体为：

用于电气设备温度预测的DBN结构由一个输入层、多个隐含层和一个输出层构成；为了使预测模型最优，采用枚举法逐层对隐含层节点数进行选取，确定隐含层层数和节点数，实现对输入数据的特征提取；受限玻尔兹曼机模型是一个热力学的能量模型；假设有一组变量(v,h)，那么RBM模型定义的联合概率分布为：

其中：是归一化常量，E(v,h；θ)是模型所对应的能量函数，公式如下：

其中：θ＝{w,a,b}是模型参数，w_ij表示可见层节点i与隐含层节点j之间的连接权重，a_i和b_j分别表示可见层节点i与隐含层节点j的偏置；由于输入变量为电气设备本身属性、外界环境数据等连续型数据，因此DBN模型的第一层采用可见单元和隐含单元分别为线性随机单元和二进制随机单元的高斯-伯努利RBM；通过高斯-伯努利RBM能够将输入数据转换为二进值变量，之后的各层再采用伯努利-伯努利RBM来进行处理；高斯-伯努利RBM的能量函数被定义为：

式中：σ_i为可见单元v_i的高斯噪声的标准差；

当DBN完成特征提取后，最后一层的输出作为神经网络的输入，神经网络作为网络的回归层，通过线性激活函数处理得到设备温度预测值；

第3步：训练模型，获得参数的最优值：

确定输入变量后，利用训练样本集进行DBN-NN模型训练；具体为：

RBM模型在学习过程中采用对比散度算法，通过学习降低整体模型的能量，求解对数似然函数的负梯度来获得参数θ的最优值；

步骤一：开始进行第一层RBM训练，将划分好的训练数据作为可见单元的状态v，隐含单元h_j的二进制状态被设置为1的概率通过下式计算得到：

式中：σ(x)为sigmoid激活函数，其表达式为σ(x)＝(1+e^-x)^-1；

步骤二：当隐含层各单元的状态h确定时，可见单元更新重建后的状态v′＝(v_i)′通过下式计算得到：

式中：v_i取实值，服从均值为方差为1的高斯分布；

步骤三：根据式(4)重新计算得到隐含单元更新重建后的h′＝(h_j)′，其参数更新公式表示为：

式中：ε_CD为对比散度梯度下降算法的学习率；·表示变量的数学期望；

步骤四：对于包含K个样本的第k个数据集的权值和偏置更新公式通过下式计算得到：

步骤五：判断迭代是否达到最大迭代次数e_max，通常取值为50～200次；未达到最大迭代次数，则跳转至步骤一，执行步骤一至步骤四，重复执行直至达到最大迭代次数；第一层RBM训练完成，得到其参数{w₁,a₁,b₁}并固定；

步骤六：将RBM1的隐含单元的激活概率作为RBM2的输入向量，进行第二层RBM训练，第二层采用BB-RBM模型；重复执行步骤一至步骤四，步骤二的可见单元更新重建后的状态v′＝(v_i)′通过下式计算得到：

直至达到迭代次数，得到其参数{w₂,a₂,b₂}并固定；

步骤七：以后各层均以BB-RBM模型进行训练，直到最顶层训练结束，由此得到DBN网络的权重W和偏置B的初始参数；

步骤八：当DBN模型中的所有RBM训练完之后，训练进入到最上层的有监督学习方法中的神经网络，顶层神经网络将底层DBN模型提取的高级抽象特征作为输入，继续进行网络的训练，神经网络对已训练模型进行了一个参数微调，得到最优解；

第4步：预测输出：将待预测时刻输入数据集合输入到训练好的温度预测模型中，得到各个时刻的设备温度预测值。

2.根据权利要求1所述的变电站电气设备温度预测方法，其特征在于：

第1步具体为：

对于变电站内运行设备的温度预测，采用逐点方式进行预测，数据采集时间间隔可以是30min，1h或2h；

输入数据包括设备参数和外界参数，从而形成设备温度预测模型的输入向量x＝[x₁,x₂,…,x_N]，模型的输出为预测点设备温度预测值；

输入向量x与相应实际温度值y构成一个训练样本{x,y}；实际电气设备温度预测过程中，训练样本按照时间序列排序，将训练样本划分为若干组小批量的数据集，依次进行训练。