[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

说明书

本发明公开了一种基于BP神经网络的变电站保护室温度预测方法，利用骨干粒子群算法对BP神经网络的权值和阀值进行优化，避免经常陷入局部最优的现象，提高预测精度。根据保护室历史温度、室外温度、空调使用年限和空调的台数和空调的功率等数据预测变电站保护室短期温度变化，当温度超过预警值时，运维人员会通过移动设备观察温度变化。本发明预测精度高，误差小。

技术领域

本发明属于自动化技术领域，涉及一种基于骨干粒子群算法优化的BP神经网络的变电站保护室温度预测方法。

背景技术

变电站保护室内存放着大量的继电保护装置，其在变电站中起到举足轻重的作用，当电力设备或元件发生了故障或处在不正常状态下，迅速对相应的断路器发出跳闸命令或对运维人员发出警告信号，将故障或可能引起故障的设备元件切除断开或提醒运维人员处理，保证变电站内其余设备正常运行，从而保障电力系统稳定运行。继电保护装置在运行过程中容易受到外界环境影响，尤其在夏季时受高温影响，由于保护室内空调总是24小时连续运行，导致空调冷却效果较差，甚至空调的冷却功能失灵，在这种情况下增加了站内设备在正常运行时继电保护装置误动或在故障状态时拒动的可能性，在变电站中形成了极大的隐患，影响电力系统的稳定运行。

BP神经网络类似于人脑的结构，在处理数据时具有强大的适应能力，经过训练学习后可以很好的完成输入到输出的映射关系，解决各种非线性问题，结构可信度很高，具有很强的预测能力。但同样也存在很多缺点，如收敛速度过慢、易陷入局部最优值等。

发明内容

本发明的目的是针对现有技术存在的上述问题，提供一种基于骨干粒子群算法优化的BP神经网络的变电站保护室温度预测方法，通过收集变电站保护室温度历史数据，通过优化的BP神经网络算法预测短期温度变换情况，利用骨干粒子群优化BP神经网络的权值和阀值，避免BP神经网络的权值和阀值陷入局部最优值，提高预测变电站保护室温度的精度，保证继电保护装置的稳定运行。

本发明是通过以下技术方案实现的：

一种基于BP神经网络的变电站保护室温度预测方法，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、空调的台数、空调的功率、保护室面积和屏柜的数量作为BP神经网络输入层的输入量；

步骤3初始化BP神经网络的拓扑模型，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