CN116345340B - 一种开关柜智能监测*** - Google Patents
一种开关柜智能监测*** Download PDFInfo
- Publication number
- CN116345340B CN116345340B CN202310617890.XA CN202310617890A CN116345340B CN 116345340 B CN116345340 B CN 116345340B CN 202310617890 A CN202310617890 A CN 202310617890A CN 116345340 B CN116345340 B CN 116345340B
- Authority
- CN
- China
- Prior art keywords
- temperature
- layer
- output
- data
- feature extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 55
- 230000000630 rising effect Effects 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000009423 ventilation Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 25
- 238000001816 cooling Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 5
- 238000000034 method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/56—Cooling; Ventilation
- H02B1/565—Cooling; Ventilation for cabinets
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1919—Control of temperature characterised by the use of electric means characterised by the type of controller
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/24—Circuit arrangements for boards or switchyards
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H5/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection
- H02H5/04—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection responsive to abnormal temperature
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/22—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for distribution gear, e.g. bus-bar systems; for switching devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Control Of Temperature (AREA)
Abstract
本发明公开了一种开关柜智能监测***,属于控制***技术领域,本发明在采集温度数据后,先进行滤波处理,避免噪声和干扰信号对温度特征的提取构成影响,通过温度上升趋势预测单元实时处理滤波后的温度数据预测未来温度,从而实现对未来温度的估计,在未来温度大于等于高温阈值时,则说明开关柜内温度较高,需进行降温处理,通过通风设备的风机使得开关柜内的温度保持在过热故障阈值以下,若是预测温度大于等于过热故障阈值时,则说明风机无法将温度控制在合理范围内,需要控制断路器关断线路,避免影响其他开关设备的工作。
Description
技术领域
本发明涉及控制***技术领域,具体涉及一种开关柜智能监测***。
背景技术
在大多数情况下,开关柜的故障由载流发热故障问题引起,载流发热故障问题会引起开关柜内的开关设备提前老化和绝缘被破坏,甚至会引发火灾,将开关柜内其他设备全部烧毁。因此,对于开关柜内的温度监测可以保障开关柜内设备的安全。
但是现有开关柜内温度监测***,仅在实时监测的温度数据超过温度阈值时进行报警处理,在报警时,开关柜内温度已经达到破坏开关柜内的开关设备的程度,开关设备已经被损坏。
发明内容
针对现有技术中的上述不足,本发明提供的一种开关柜智能监测***解决了现有开关柜内温度监测***无法预测未来温度,以及控制温度的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种开关柜智能监测***,包括:温度采集单元、自适应温度数据滤波单元、温度上升趋势预测单元、温度控制单元和通风设备;
所述温度采集单元用于采集开关柜内的温度数据;所述自适应温度数据滤波单元用于处理温度数据,得到滤波温度数据;所述温度上升趋势预测单元用于根据滤波温度数据,对未来时间段开关柜内温度进行预测,得到预测温度;所述温度控制单元用于在预测温度大于等于高温阈值时,驱动通风设备的风机进行降温,在预测温度大于等于过热故障阈值时,控制对应断路器关断线路。
进一步地,所述自适应温度数据滤波单元的表达式为:
,
其中,为第/>个滤波温度数据,/>为第/>个滤波温度数据,/>为实时采集的第/>个温度数据,/>为最新采集的/>个温度数据的和,/>为sigmoid函数。
上述进一步地方案的有益效果为:本发明以实时采集的个温度数据作为一组数据,计算/>个温度数据的平均值,首次降低噪声和干扰的影响,将平均值与/>进行比较,若两者相差越大,则说明新的数据变化越剧烈,则平均值将占有越大比重,本发明选择滤波权重时,选择sigmoid函数,sigmoid函数在变量大于0之后,其值域范围为[0.5,1],因此,本发明滤波时重点考虑平均值,增强滤波灵敏度,同时/>选择越小,灵敏度越高。本发明通过再次降低噪声和干扰的影响。
进一步地,所述温度上升趋势预测单元包括:第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和BP神经网络;所述BP神经网络包括:输入层、第一隐藏层、第二隐藏层和输出层;
所述第一特征提取层的输入端、第二特征提取层的输入端、第三特征提取层的输入端和第四特征提取层的输入端均为温度上升趋势预测单元的输入端;
所述输入层的输入端分别与第一特征提取层的输出端、第二特征提取层的输出端、第三特征提取层的输出端和第四特征提取层的输出端连接,其输出端与第一隐藏层的输入端连接;所述第二隐藏层的输入端与第一隐藏层的输出端连接,其输出端与输出层的输入端连接;所述输出层的输出端作为温度上升趋势预测单元的输出端。
上述进一步地方案的有益效果为:在使用BP神经网络时,若直接将一段时间的滤波温度数据输入到BP神经网络中,为了充分表达该段数据的特征,则需要输入的滤波后温度数据较多,BP神经网络更复杂,其次,一段时间内的滤波温度数据特征表达不明显,BP神经网络预测精度不高。本发明在将滤波后的温度数据,通过四个特征提取单元对其进行特征提取,通过特征值表达原始数据的分布情况,降低数据量和降低BP神经网络的复杂度,在降低数据量后,各个特征在BP神经网络中更好表达,提高BP神经网络预测精度。
进一步地,所述第一特征提取层的表达式为:,其中,/>为温度均值,为第/>个滤波温度数据,/>为取的滤波温度数据的长度;
所述第二特征提取层的表达式为:,其中,/>为最大温度值,/>为第/>个滤波温度数据,/>为取的滤波温度数据的长度,/>为取最大值,/>为第1个滤波温度数据,/>为第/>个滤波温度数据;
所述第三特征提取层的表达式为:,
,
其中,为温度上升特征值,/>为调整系数,/>为第/>个滤波温度数据,/>为第个滤波温度数据,/>为第1个滤波温度数据,/>为第2个滤波温度数据,/>为第/>个滤波温度数据,/>为第/>个滤波温度数据,/>为取最大值;
所述第四特征提取层的表达式为:
,其中,/>为最大温度特征值,/>为最大温度值,/>为高温阈值,/>为温度系数。
上述进一步地方案的有益效果为:本发明通过温度均值来体现一段时间内的温度水平,通过最大值来体现一段时间内温度的峰值,通过温度上升特征值来体现温度上升情况,在温度上升特征值中先计算出平均温度上升情况,再提取最大温度上升值,通过最大温度上升值和平均温度上升情况综合表达温度上升特征值,反映温度变化剧烈程度;本发明还通过最大温度特征值来增强最大值在BP神经网络中的比重,在已经检测到最大温度值超过高温阈值/>时,则说明温度攀升到较高程度,因此,选择/>强化最大值的表达,在最大温度值/>低于高温阈值/>,温度尚在可控范围内,仍选择最大值作为最大温度特征值。
进一步地,所述输入层的表达式为:
,
其中,为输入层的第/>个输入数据,/>为输入层的最小输入数据,/>为输入层的最大输入数据,/>为输入层的第/>个输出数据。
进一步地,所述BP神经网络的表达式为:
,
,
,
其中,为BP神经网络中第一隐藏层的第/>个节点的输出,/>为S型激活函数,/>为输入层的第/>个输出数据,/>为第一隐藏层的第/>个节点对第/>个输出数据/>的权值,/>为第一隐藏层的第/>个节点的阈值,/>为第二隐藏层的第/>个节点的输出,/>为第二隐藏层的第/>个节点对第/>个节点的输出/>的权值,/>为第一隐藏层的节点数量,为双曲正切函数,/>为第二隐藏层的第/>个节点的阈值,/>为输出层对第二隐藏层的第/>个节点的输出/>的权值,/>为第二隐藏层的节点数量,/>为比例系数,/>为输出层的阈值,/>为输出层的输出,即BP神经网络的输出。
上述进一步地方案的有益效果为:本发明中输入层的输入有4个,输入层进行归一化处理后,仍为4个输出,输入层将4个输出传输至第一隐藏层,本发明采用隐藏层来实现输入特征与预测温度的映射,增加一层隐藏层提高预测精度,同时在输出层处设置比例系数和输出阈值,使得BP神经网络的输出调节更灵活。
进一步地,所述温度上升趋势预测单元的损失函数为:
,
其中,为第/>次训练时的损失函数,/>为第/>次训练时温度上升趋势预测单元的输出,/>为第/>次训练时标签,/>为温度差阈值,/>为第/>次训练时温度上升趋势预测单元的输出,/>为第/>次训练时的标签,/>为统计的训练次数,/>为统计的训练次数的编号。
上述进一步地方案的有益效果为:在与/>相差较大时,即大于等于温度差阈值时,损失函数/>计算出的损失值越大,说明BP神经网络中权值和阈值参数需要大幅降低,在对BP神经网络进行训练时,采用的是梯度下降法,因此损失函数计算的损失值越大,BP神经网络中权值和阈值参数下降越快,在本发明中以两者差值与温度差阈值比值作为指数,以两者差值为底,差距越大,损失函数计算的损失值越大,从而使得BP神经网络中的权值和阈值参数快速下降,在两者相差较小时,仅以多次训练的差值的平均值作为离目标的差距,从而使得BP神经网络参数稳定下降,自适应调节参数下降程度。
进一步地,所述驱动通风设备的风机进行降温的温控模型为:
,
其中,为通风设备的风机的电功率,/>为最大电功率,/>为预测温度,/>为过热故障阈值,/>为高温阈值。
上述进一步地方案的有益效果为:在预测温度位于和/>之间时,以预测温度和过热故障阈值/>的相似度作为调整功率的系数,使得电功率跟随预测温度变化而变化,若风机的使用使得开关柜内的温度降低,则BP神经网络输入的滤波温度数据也降低,预测温度降低,则风机电功率也下降,在风机使用期间,温度在持续升高,预测温度升高,则风机电功率也升高,在预测温度高于过热故障阈值/>时,风机满功率运行,降低温度对于开关柜的影响。
综上,本发明的有益效果为:本发明在采集温度数据后,先进行滤波处理,避免噪声和干扰信号对温度特征的提取构成影响,通过温度上升趋势预测单元实时处理滤波后的温度数据预测未来温度,从而实现对未来温度的估计,在未来温度大于等于高温阈值时,则说明开关柜内温度较高,需进行降温处理,通过通风设备的风机使得开关柜内的温度保持在过热故障阈值以下,若是预测温度大于等于过热故障阈值时,则说明风机无法将温度控制在合理范围内,需要控制断路器关断线路,避免影响其他开关设备的工作。
附图说明
图1为一种开关柜智能监测***的***框图;
图2为温度上升趋势预测单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种开关柜智能监测***,包括:温度采集单元、自适应温度数据滤波单元、温度上升趋势预测单元、温度控制单元和通风设备;
所述温度采集单元用于采集开关柜内的温度数据;所述自适应温度数据滤波单元用于处理温度数据,得到滤波温度数据;所述温度上升趋势预测单元用于根据滤波温度数据,对未来时间段开关柜内温度进行预测,得到预测温度;所述温度控制单元用于在预测温度大于等于高温阈值时,驱动通风设备的风机进行降温,在预测温度大于等于过热故障阈值时,控制对应断路器关断线路。
在本实施例中,高温阈值和过热故障阈值可根据开关柜内的开关设备所能承受的具体温度进行设定,过热故障阈值为开关设备损坏时需要达到的温度,高温阈值可为低于过热故障阈值和高于环境温度的任意温度值,更优地选择离过热故障阈值较近的温度值。
所述自适应温度数据滤波单元的表达式为:
,
其中,为第/>个滤波温度数据,/>为第/>个滤波温度数据,/>为实时采集的第/>个温度数据,/>为最新采集的/>个温度数据的和,/>为sigmoid函数。
本发明以实时采集的个温度数据作为一组数据,计算/>个温度数据的平均值,首次降低噪声和干扰的影响,将平均值与/>进行比较,若两者相差越大,则说明新的数据变化越剧烈,则平均值将占有越大比重,本发明选择滤波权重时,选择sigmoid函数,sigmoid函数在变量大于0之后,其值域范围为[0.5,1],因此,本发明滤波时重点考虑平均值,增强滤波灵敏度,同时/>选择越小,灵敏度越高。本发明通过/>再次降低噪声和干扰的影响。
在本实施例中,还可以采用其他滤波方法,例如均值滤波和中位数滤波等,但是本发明中采用的滤波方法具备更优的灵敏度。
如图2所示,所述温度上升趋势预测单元包括:第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和BP神经网络;所述BP神经网络包括:输入层、第一隐藏层、第二隐藏层和输出层;
所述第一特征提取层的输入端、第二特征提取层的输入端、第三特征提取层的输入端和第四特征提取层的输入端均为温度上升趋势预测单元的输入端;
所述输入层的输入端分别与第一特征提取层的输出端、第二特征提取层的输出端、第三特征提取层的输出端和第四特征提取层的输出端连接,其输出端与第一隐藏层的输入端连接;所述第二隐藏层的输入端与第一隐藏层的输出端连接,其输出端与输出层的输入端连接;所述输出层的输出端作为温度上升趋势预测单元的输出端。
本发明在使用BP神经网络时,若直接将一段时间的滤波温度数据输入到BP神经网络中,为了充分表达该段数据的特征,则需要输入的滤波后温度数据较多,BP神经网络更复杂,其次,一段时间内的滤波温度数据特征表达不明显,BP神经网络预测精度不高。本发明在将滤波后的温度数据,通过四个特征提取单元对其进行特征提取,通过特征值表达原始数据的分布情况,降低数据量和降低BP神经网络的复杂度,在降低数据量后,各个特征在BP神经网络中更好表达,提高BP神经网络预测精度。
在本实施例中,温度上升趋势预测单元可采用BP神经网络,但没有经过特征提取的BP神经网络更复杂,预测精度不高。
所述第一特征提取层的表达式为:,其中,/>为温度均值,/>为第/>个滤波温度数据,/>为取的滤波温度数据的长度;
所述第二特征提取层的表达式为:,其中,/>为最大温度值,/>为第/>个滤波温度数据,/>为取的滤波温度数据的长度,/>为取最大值,/>为第1个滤波温度数据,/>为第/>个滤波温度数据;
所述第三特征提取层的表达式为:
,,其中,/>为温度上升特征值,为调整系数,/>为第/>个滤波温度数据,/>为第/>个滤波温度数据,/>为第1个滤波温度数据,/>为第2个滤波温度数据,/>为第/>个滤波温度数据,/>为第/>个滤波温度数据,/>为取最大值;
所述第四特征提取层的表达式为:
,其中,/>为最大温度特征值,/>为最大温度值,/>为高温阈值,/>为温度系数。
本发明通过温度均值来体现一段时间内的温度水平,通过最大值来体现一段时间内温度的峰值,通过温度上升特征值来体现温度上升情况,在温度上升特征值中先计算出平均温度上升情况,再提取最大温度上升值,通过最大温度上升值和平均温度上升情况综合表达温度上升特征值,反映温度变化剧烈程度;本发明还通过最大温度特征值来增强最大值在BP神经网络中的比重,在已经检测到最大温度值超过高温阈值/>时,则说明温度攀升到较高程度,因此,选择/>强化最大值的表达,在最大温度值低于高温阈值/>,温度尚在可控范围内,仍选择最大值作为最大温度特征值。
所述输入层的表达式为:
,
其中,为输入层的第/>个输入数据,/>为输入层的最小输入数据,/>为输入层的最大输入数据,/>为输入层的第/>个输出数据。
所述BP神经网络的表达式为:
,
,
,
其中,为BP神经网络中第一隐藏层的第/>个节点的输出,/>为S型激活函数,/>为输入层的第/>个输出数据,/>为第一隐藏层的第/>个节点对第/>个输出数据/>的权值,/>为第一隐藏层的第/>个节点的阈值,/>为第二隐藏层的第/>个节点的输出,/>为第二隐藏层的第/>个节点对第/>个节点的输出/>的权值,/>为第一隐藏层的节点数量,为双曲正切函数,/>为第二隐藏层的第/>个节点的阈值,/>为输出层对第二隐藏层的第/>个节点的输出/>的权值,/>为第二隐藏层的节点数量,/>为比例系数,/>为输出层的阈值,/>为输出层的输出,即BP神经网络的输出。
本发明中输入层的输入有4个,输入层进行归一化处理后,仍为4个输出,输入层将4个输出传输至第一隐藏层,本发明采用隐藏层来实现输入特征与预测温度的映射,增加一层隐藏层提高预测精度,同时在输出层处设置比例系数和输出阈值,使得BP神经网络的输出调节更灵活。
在本实施例中,在具体使用温度上升趋势预测单元对滤波的温度数据进行预测未来温度数据时,温度上升趋势预测单元为提前训练完成的,其训练过程决定温度上升趋势预测单元预测未来温度数据的精度。
训练时,温度上升趋势预测单元的损失函数为:
,
其中,为第/>次训练时的损失函数,/>为第/>次训练时温度上升趋势预测单元的输出,/>为第/>次训练时标签,/>为温度差阈值,/>为第/>次训练时温度上升趋势预测单元的输出,/>为第/>次训练时的标签,/>为统计的训练次数,/>为统计的训练次数的编号。
在与/>相差较大时,即大于等于温度差阈值时,损失函数/>计算出的损失值越大,说明BP神经网络中权值和阈值参数需要大幅降低,在对BP神经网络进行训练时,采用的是梯度下降法,因此损失函数计算的损失值越大,BP神经网络中权值和阈值参数下降越快,在本发明中以两者差值与温度差阈值比值作为指数,以两者差值为底,差距越大,损失函数计算的损失值越大,从而使得BP神经网络中的权值和阈值参数快速下降,在两者相差较小时,仅以多次训练的差值的平均值作为离目标的差距,从而使得BP神经网络参数稳定下降,自适应调节参数下降程度。
BP神经网络中所有权值和阈值按以下公式进行更新。
节点权值的更新公式为:
,
,
其中,为第/>次训练更新的权值,/>为第/>次训练更新的权值,/>为第/>次训练的梯度,/>为偏导运算,/>为第/>次训练时的损失函数,/>为第/>次训练的梯度,为分母系数;
节点阈值的更新公式为:
,
其中,为第/>次训练更新的阈值,/>为第/>次训练更新的阈值,/>为第/>次训练的梯度。
所述驱动通风设备的风机进行降温的温控模型为:
,
其中,为通风设备的风机的电功率,/>为最大电功率,/>为预测温度,/>为过热故障阈值,/>为高温阈值。
在预测温度位于和/>之间时,以预测温度/>和过热故障阈值/>的相似度作为调整功率的系数,使得电功率跟随预测温度变化而变化,若风机的使用使得开关柜内的温度降低,则BP神经网络输入的滤波温度数据也降低,预测温度降低,则风机电功率也下降,在风机使用期间,温度在持续升高,预测温度升高,则风机电功率也升高,在预测温度高于过热故障阈值/>时,风机满功率运行,降低温度对于开关柜的影响。
本发明的***运用在开关柜内时,温度采集单元可设置多个,便于对多个部分分别进行温度采集,在采集温度数据后,先进行滤波处理,滤波干扰和噪声,输入到训练好的温度上升趋势预测单元中,温度上升趋势预测单元实时预测出在当前时刻的温度数据下未来温度数据,从而根据未来温度数据判断出是否要驱动风机进行散热,在风机无法控制热量的情况下,可以控制对应温度采集单元采集部分的断路器关断线路,避免影响全部开关设备。因此,本发明可实时监测开关柜内温度变化,根据实时的温度变化,预测未来温度,从而避免现有温度高于过热故障阈值。
在本实施例中,温度采集单元可采用接触式温度传感器和非接触式温度传感器,接触式温度传感器可采用热敏电阻、热电阻等,非接触式温度传感器可采用红外温度传感器。
在本实施例中,通风设备为设置在开关柜通风口的风扇,风机为风扇的电机。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种开关柜智能监测***,其特征在于,包括:温度采集单元、自适应温度数据滤波单元、温度上升趋势预测单元、温度控制单元和通风设备;
所述温度采集单元用于采集开关柜内的温度数据;所述自适应温度数据滤波单元用于处理温度数据,得到滤波温度数据;所述温度上升趋势预测单元用于根据滤波温度数据,对未来时间段开关柜内温度进行预测,得到预测温度;所述温度控制单元用于在预测温度大于等于高温阈值时,驱动通风设备的风机进行降温,在预测温度大于等于过热故障阈值时,控制对应断路器关断线路;
所述温度上升趋势预测单元包括:第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和BP神经网络;所述BP神经网络包括:输入层、第一隐藏层、第二隐藏层和输出层;
所述第一特征提取层的输入端、第二特征提取层的输入端、第三特征提取层的输入端和第四特征提取层的输入端均为温度上升趋势预测单元的输入端;
所述输入层的输入端分别与第一特征提取层的输出端、第二特征提取层的输出端、第三特征提取层的输出端和第四特征提取层的输出端连接,其输出端与第一隐藏层的输入端连接;所述第二隐藏层的输入端与第一隐藏层的输出端连接,其输出端与输出层的输入端连接;所述输出层的输出端作为温度上升趋势预测单元的输出端;
所述第一特征提取层的表达式为:,其中,/>为温度均值,/>为第/>个滤波温度数据,/>为取的滤波温度数据的长度;
所述第二特征提取层的表达式为:,其中,/>为最大温度值,/>为第/>个滤波温度数据,/>为取的滤波温度数据的长度,/>为取最大值,/>为第1个滤波温度数据,/>为第/>个滤波温度数据;
所述第三特征提取层的表达式为:,
,其中,/>为温度上升特征值,/>为调整系数,/>为第/>个滤波温度数据,/>为第/>个滤波温度数据,/>为第1个滤波温度数据,/>为第2个滤波温度数据,/>为第/>个滤波温度数据,/>为第/>个滤波温度数据,/>为取最大值;
所述第四特征提取层的表达式为:,其中,/>为最大温度特征值,/>为最大温度值,/>为高温阈值,/>为温度系数;
所述输入层的表达式为:
,其中,/>为输入层的第/>个输入数据,/>为输入层的最小输入数据,/>为输入层的最大输入数据,/>为输入层的第/>个输出数据;
所述BP神经网络的表达式为:
,
,
,
其中,为BP神经网络中第一隐藏层的第/>个节点的输出,/>为S型激活函数,为输入层的第/>个输出数据,/>为第一隐藏层的第/>个节点对第/>个输出数据/>的权值,为第一隐藏层的第/>个节点的阈值,/>为第二隐藏层的第/>个节点的输出,/>为第二隐藏层的第/>个节点对第/>个节点的输出/>的权值,/>为第一隐藏层的节点数量,/>为双曲正切函数,/>为第二隐藏层的第/>个节点的阈值,/>为输出层对第二隐藏层的第个节点的输出/>的权值,/>为第二隐藏层的节点数量,/>为比例系数,/>为输出层的阈值,/>为输出层的输出,即BP神经网络的输出。
2.根据权利要求1所述的开关柜智能监测***,其特征在于,所述自适应温度数据滤波单元的表达式为:
,
其中,为第/>个滤波温度数据,/>为第/>个滤波温度数据,/>为实时采集的第/>个温度数据,/>为最新采集的/>个温度数据的和,/>为sigmoid函数。
3.根据权利要求1所述的开关柜智能监测***,其特征在于,所述温度上升趋势预测单元的损失函数为:
,其中,/>为第/>次训练时的损失函数,/>为第/>次训练时温度上升趋势预测单元的输出,/>为第/>次训练时标签,/>为温度差阈值,/>为第/>次训练时温度上升趋势预测单元的输出,/>为第/>次训练时的标签,/>为统计的训练次数,/>为统计的训练次数的编号。
4.根据权利要求1所述的开关柜智能监测***,其特征在于,所述驱动通风设备的风机进行降温的温控模型为:
,其中,/>为通风设备的风机的电功率,为最大电功率,/>为预测温度,/>为过热故障阈值,/>为高温阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617890.XA CN116345340B (zh) | 2023-05-30 | 2023-05-30 | 一种开关柜智能监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617890.XA CN116345340B (zh) | 2023-05-30 | 2023-05-30 | 一种开关柜智能监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116345340A CN116345340A (zh) | 2023-06-27 |
CN116345340B true CN116345340B (zh) | 2023-07-25 |
Family
ID=86884513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310617890.XA Active CN116345340B (zh) | 2023-05-30 | 2023-05-30 | 一种开关柜智能监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116345340B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848515B (zh) * | 2024-03-07 | 2024-05-07 | 国网吉林省电力有限公司长春供电公司 | 一种开关柜温度监测方法及*** |
CN117879180B (zh) * | 2024-03-12 | 2024-05-17 | 江苏中环电气集团有限公司 | 一种开关柜运行监测***及监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844651A (zh) * | 2018-05-06 | 2018-11-20 | 北京工业大学 | 一种基于神经网络的球仓温度预警方法 |
CN114564885A (zh) * | 2022-02-17 | 2022-05-31 | 南瑞集团有限公司 | 一种基于bp神经网络的水轮发电机组轴瓦温度预警方法 |
CN115102288A (zh) * | 2022-07-20 | 2022-09-23 | 四川省天渠盐化有限公司 | 一种井盐制备用高压综合启动柜 |
CN116014611A (zh) * | 2023-03-22 | 2023-04-25 | 深圳市浩达瑞通电气有限公司 | 一种智能环网柜及其控制方法 |
CN116069079A (zh) * | 2023-04-06 | 2023-05-05 | 山东海冠电气有限公司 | 一种智能开关柜的散热智能控制方法及*** |
CN116154626A (zh) * | 2023-02-23 | 2023-05-23 | 华能灌云清洁能源发电有限责任公司 | 一种开关柜电缆温度监控***及方法 |
-
2023
- 2023-05-30 CN CN202310617890.XA patent/CN116345340B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844651A (zh) * | 2018-05-06 | 2018-11-20 | 北京工业大学 | 一种基于神经网络的球仓温度预警方法 |
CN114564885A (zh) * | 2022-02-17 | 2022-05-31 | 南瑞集团有限公司 | 一种基于bp神经网络的水轮发电机组轴瓦温度预警方法 |
CN115102288A (zh) * | 2022-07-20 | 2022-09-23 | 四川省天渠盐化有限公司 | 一种井盐制备用高压综合启动柜 |
CN116154626A (zh) * | 2023-02-23 | 2023-05-23 | 华能灌云清洁能源发电有限责任公司 | 一种开关柜电缆温度监控***及方法 |
CN116014611A (zh) * | 2023-03-22 | 2023-04-25 | 深圳市浩达瑞通电气有限公司 | 一种智能环网柜及其控制方法 |
CN116069079A (zh) * | 2023-04-06 | 2023-05-05 | 山东海冠电气有限公司 | 一种智能开关柜的散热智能控制方法及*** |
Non-Patent Citations (1)
Title |
---|
基于神经网络参数优化的热失控状态温度预测研究;钟睿;计算及测量与控制;第23卷;第4075-4092页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116345340A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116345340B (zh) | 一种开关柜智能监测*** | |
CN108518804B (zh) | 一种机房温湿度环境预测方法及*** | |
CN111191693B (zh) | 基于卷积神经网络的识别高压开关柜热故障状态的方法 | |
JP5530594B2 (ja) | 少なくとも1つの電気ケーブル上のアーク現象を検出する方法及び装置 | |
CN114692433B (zh) | 一种配电柜表面温度巡检的故障分析方法 | |
CN110504663B (zh) | 一种智能断路器及其保护方法 | |
CN106959614B (zh) | 控制家电设备供电的方法及*** | |
CN111157045B (zh) | 一种人工智能电气线路异常风险程度监测方法及*** | |
CN112305376B (zh) | 一种低压配电线路故障电弧检测及识别方法 | |
CN113447770A (zh) | 一种高压断路器局部放电监测预警方法 | |
CN106771801B (zh) | 一种电容器组在线监测装置及其应用方法 | |
CN117056813A (zh) | 一种用于智能断路器数据采集的检测方法 | |
CN117595464B (zh) | 一种电池充电器充电检测控制方法及*** | |
CN117609841A (zh) | 一种基于神经网络算法的电缆故障预判分析方法 | |
CN117037454A (zh) | 电气柜的预警保护***、控制方法、装置、介质及电气柜 | |
CN110412894B (zh) | 多负载启动控制方法、存储介质、控制装置及继电器 | |
CN115728627B (zh) | 一种电气动静触头故障预判断*** | |
CN112085043A (zh) | 一种变电站网络安全智能监控方法及*** | |
CN114915028A (zh) | 基于低压配电柜连锁远程控制*** | |
CN116545124B (zh) | 一种数字智能化开关柜综合监控*** | |
CN117939840B (zh) | 一种通风智能控制柜*** | |
CN113253613B (zh) | 一种基于rsm预测模型的断路器控制方法及*** | |
CN117353190B (zh) | 一种充气柜智能配电方法及*** | |
CN107727996B (zh) | 一种电气线路连接劣化监测方法 | |
CN114577452B (zh) | 开关触点的寿命预测方法、装置、电子设备和计算机介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |