[发明专利]一种基于BP神经网络的变电站保护室温度预测方法

权利要求书

1.一种基于BP神经网络的变电站保护室温度预测方法，其特征在于，具体步骤包括：

步骤1：数据处理，将变电站保护室测量的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室面积和屏柜的数量进行统计分析处理；

步骤2：选取变电站保护室测量的历史温度、室外温度、空调使用年限和空调的台数和空调的功率、保护室面积和屏柜的数量作为输出量；

步骤3：初始化BP神经网络的拓扑模型，确定输入层、输出层和隐含层神经元个数，确定神经网络的激活函数；

其中X＝(x₁,x₂,...,x_n,...x_m)^T表示输入层输入向量，Y＝(y₁,y₂,...,y_k,...y_u)^T表示隐含层输出向量，O＝(o₁,o₂,...,o_j,...o_n)^T表示输出层输出向量；w_ik表示输入层节点x_i到隐含层节点y_k间的连接权值，w_kj表示隐含层节点y_k到输出层节点o_j间的连接权值，θ_k表示为隐含层节点的阀值，θ_j为输出层节点的阀值，w_ik、w_kj、θ_k、θ_j初始值均为(0，1)随机数；

将误差定义公式展开至隐含层

推展到输入层

E表示为输出误差，d_j和分别表示为第j个输出神经元的期望输出值和实际输出值；神经网络的输出误差可以看作关于权值和阀值的函数的函数，通过调整权值和阀值来减小误差；

步骤4：将BP神经网络的权值和阀值作为粒子，用骨干粒子群算法优化BP神经网络的权值和阀值，代入BP神经网络中，获得最优BP网络结构；

引入骨干粒子群算法

表示通过计算得到的加权平均值；和表示两个随机数，范围是0到1，N(·)表示高斯分布；表示高斯分布的均值，表示高斯分布的标准差，骨干粒子群算法采用高斯分布对每个粒子个体极值和全局极值的加权平均值，完成对粒子位置的更新；

将BP神经网络的权值和阀值w_ik、w_kj、θ_k、θ_j代入公式(6)中对其进行优化，得到BP神经网络权值和阀值的最优解；

步骤5：通过优化的BP神经算法的到输出量，即变电站保护室温度预测值。

2.根据权利要求1所述一种基于BP神经网络的变电站保护室温度预测方法，其特征在于，在处理历史数据时，应对收集的数据先进行统计处理，将各个数据处理后均在[T_min，T_max]之间，T_min和T_max根据变电站保护室的运行要求确定，去除极端和无用数据。

3.根据权利要求1所述一种基于BP神经网络的变电站保护室温度预测方法，其特征在于，用于保护室温度预测时，选取影响温度的因素包括保护室历史温度、室外温度、空调使用年限和空调的台数和空调的功率、保护室面积和屏柜的数量，此时所述输入层神经元的个数为7。

4.根据权利要求1所述一种基于BP神经网络的变电站保护室温度预测方法，其特征在于，根据保护室温度数据预测未来短时温度变化，当温度超过设置上限和下限时，通过远方数据传输，运维人员会通过移动设备观察温度变化，实现报警功能。