[发明专利]基于RST-PNN-GA的电力设备温升检测预警方法

说明书

本发明提供了基于RST‑PNN‑GA的电力设备温升检测预警方法，涉及电力设备检测技术领域。该方法采用概率神经网络分析温升特征信号，同时利用粗糙集对采集的特征样本进行简化，利用遗传算法进行误差反传计算，建立起一种基于RST‑PNN‑GA神经网络算法的电力设备温升检测预警方法，在弥补传统人工神经网络检测的不足的同时，能更加准确有效地预测电力设备温升变化，进而能够有效率的检修。本发明构建了电力设备温升在线监测系统实时监测电力设备温度数据，将该数据输入到电力设备温升检测预警模型分析即可得到温升预警信号。

技术领域

本发明涉及电力设备检测技术领域，具体涉及一种基于RST-PNN-GA神经网络算法的电力设备温升检测预警方法。

背景技术

结合我国电网分布实际情况，电力设备中触点之间的连接部位在长期的运行当中会因材料的老化或接触电阻增大而发热，这些发热部位由于大多都在电力设备的内部，目前的监测手段无法有效实现在线监测。同时，配电网络的复杂性，使测量点分布较广泛，且周围带有高压电，不便于人工测量，且电气设备在运行过程中，经常会出现各种各样的故障。据相关部门统计，当电气设备运行异常时，首先表现为热故障。热故障究其原因是设备连接件、触头连接不良或氧化使接触电阻增大，继而导致触点过热、烧融甚至短路。可以说，热故障与电力设备本身寿命息息相关。

目前变电站采用的在线监测系统，大多是固定阈值报警的方式。通过在线监测数值与预先设定的报警阈值相比较，若实时数据大于报警阈值，则电力系统工作异常；反之，工作正常。但是当监测值大于设定值时，有些故障已经恶化。但若把阈值设置过低，往往又会产生错报。

神经网络算法具有良好的容错能力、并行处理能力和自学习能力，可处理环境信息复杂，背景知识不清楚，推理规则不明确情况下的问题，而且运行速度快、自适应性能好、具有较高的分辨率，尤其是权值共享网络使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。采用神经网络算法，避免了传统识别算法中复杂的特征提取和数据重建过程。

因此，研究提出了一种能够实时显示电力设备各节点温度的在线温升监测系统，并结合人工智能技术满足对热故障预警技术的实行性和可靠性，对现有电力系统稳定运行具有十分重要的意义。

发明内容

本发明的目的在于提供一种基于RST-PNN-GA神经网络算法的电力设备温升检测预警方法，采用概率神经网络(PNN)分析温升特征信号，同时利用粗糙集(RST)对采集的特征样本进行简化，利用遗传算法(GA)进行误差反传计算，建立起一种基于RST-PNN-GA神经网络算法的电力设备温升检测预警方法，在弥补传统人工神经网络检测的不足的同时，能更加准确有效地预测电力设备温升变化，进而能够有效率的检修。

为了实现上述目的，本发明采用的技术方案如下：

一种基于RST-PNN-GA的电力设备温升检测预警方法，包括以下步骤：

⑴、构建电力设备温升在线监测系统，然后利用电力设备温升在线监测系统实时监测电力设备的温度，得到的电力设备温度数据，并将实时监测得到的电力设备温度数据作为输入变量；

⑵、基于RST-PNN-GA神经网络算法构建电力设备温升检测预警模型，将经步骤⑴得到的一部分电力设备温度数据输入到构建的电力设备温升检测预警模型中进行训练；

⑶、将经步骤⑴得到的一部分电力设备温度数据输入到经步骤⑵训练好的电力设备温升检测预警模型中，由电力设备温升检测预警模型对输入的电力设备温度数据进行处理，完成对电力设备的温升检测预警。