张 丽

(重庆涪陵电力实业股份有限公司,重庆 408000)

电源柜是电动机的控制中心,主要由接线端子、电压表、电流表等测量设备和有功功率表、无功功率表等计量设备组成。由于电源柜中设备元件众多,且不同设备元件具有不同的正常工作条件要求。其中,对电源柜温度的要求是平均温度不超过35 ℃。其原因是,若电源柜温度太高,超过了规定的最高温度,容易造成电源柜内元件过热,进而发生故障。因此,必须确保电源柜温度在要求范围内。而要确保电源柜温度在规定范围,首先需实现对电源柜温度的高精度测量。目前,电源柜温度测量方法众多,贲安然等利用热偶传感器测量电源柜实际温度,实现了对直流电源柜的温度测量与散热分析[1]。唐亚洲等在工业电炉合金熔化系统中增加了一套烘炉电源,实现了对大容量、快速熔化工业电炉的温度高精度测量与控制[2]。张婷婷等为了掌握超级电容储能电源柜在正常工作载荷下的温度分布情况,通过测量计算出储能系统各区域温度到达稳定状态的时间,分析了超级电容储能电源柜的瞬态温度场分布特点,提出了超级电容储能电源柜的优化设计方案,实现了电源柜的温度高精度测量和电容储能[3]。通过上述研究可以发现,电源柜的温度测量已经开始向多通道高精度方向发展,但李乳演等认为现有测温系统测量精度有待进一步提高,其原因是现有多通道高精度测温传感器多为热电偶传感器,容易出现非线性误差[4],因此精度还有待进一步提高。为解决该问题,本文利用AFSA(artificial fish swarms algorithm,简称AFSA)优化RBF(radial basis function network,简称RBF)网络,并将优化后的RBF网络用于电源柜热电偶测温系统,以提高电源柜热电偶温度测量精度。

1 电源柜热电偶测温原理

电源柜热电偶的测温原理如图1所示。设热电偶冷端和工作端温度分别为T0和T,那么可得热电偶总回路电势EAB(T,T0)。

图1 热电偶冷端补偿原理

EAB(T,T0)=EAB(T,T0)-EAB(T0,0)

(1)

式中:A、B为2种不同性质的热电偶导体;T为热电偶热端;T0为0 ℃时的冷端热电势;EAB(T0,0)为冷端补偿热电势。

同时通过图1看出,基于RBF神经网络的电源柜热电偶测温,就是以T0和EAB(T,T0)作为输入,通过RBF神经网络实现T的预测输出。

2 基于RBF神经网络参数优化的电源柜热电偶温度校正

2.1 RBF神经网络

RBF网络是一种具有全局收敛的前向径向基函数神经网络,由输入层、隐藏层和输出层构成[5]。其具体原理如下:

假设RBF网络的输入为X∈Rn={x1,…,xp},则隐藏层单元Zi的输出可表示为[6]

(2)

式中:Ri()为径向基函数,通常取n维高斯函数,表示为

(3)

输出单元的输出Y可表示为[7]

(4)

式中:Wi为隐藏层与输出层连接权值。

通过RBF的原理看出,Ci、σi、Wi是影响网络训练速度和精度的重要参数[8]。

2.2 AFSA算法

AFSA算法是基于鱼群觅食行为提出的一种启发式优化算法,具有收敛速度快、效率高的特点。该算法步骤为:

(1)随机生成人工鱼群,计算人工鱼状态的目标函数值,同时在公告板上记录最优状态及最优解;

(2)每条人工鱼进行聚群行为和追尾行为,然后向更优状态移动,并更新最优状态及最优解;

(3)是否达到最大迭代次数或找到最优解,若是则输出最优状态和最优解;反之,继续执行聚群和追尾行为。

AFSA算法包含觅食行为、聚群行为、追尾行为、随机行为和公告板。

(1)觅食行为。设人工鱼当前状态为Xi,感知范围内所有的人工鱼为Xj。若Xi的目标函数值Yi小于Xj的目标函数值Yj,则Xi向Xj方向移动,反之,选择另一个状态进行判断。若重复移动仍不能达到最佳状态,则根据式(5)随机移动一步:

(5)

式中:rand()为随机数函数;steps为步长;‖Xj-Xi‖为距离。

(2)聚群行为。设Xi可感知的人工鱼数量为nf,人工鱼中心位置Xc的目标函数值为Yc,通过判断Yc/nf与δYi(δ为拥挤度因子)的大小,从而决定人工鱼是否拥挤。具体判断如式(6)所示:

(6)

若不满足,则执行觅食行为。

(3)追尾行为。设人工鱼视域内存在状态Xj,的目标函数值Yj最大,因此根据式(7)判断当前人工鱼是否移动。

(7)

(4)随机行为。若人工鱼不满足觅食行为、聚群行为和追尾行为时,则随机移动一步长。

(5)公告板。公告板负责记录每次迭代的人工鱼最佳状态Xmax及对应目标函数值Ymax。当人工鱼移动到最佳状态和目标函数值时,则更新公告板上的状态和目标函数值。

2.3 RBF神经网络的改进

由于标准RBF神经网络的参数为随机,不能确保网络达到最快收敛和最高精度。因此,对RBF网络参数进行优化,具体思路为:首先是确定Ci和σi,然后是确定Wi。

针对Ci和σi确定,采用K均值聚类方法进行确定,具体操作如下[9]:

(1)从输入RBF网络的所有样本S={x1,x2,…,xK}中,选择初始M个类别中心c1,c2,…,cM,并将每个样本xj标记为距离类别中心Ci最近的类别,即如式(8)所示:

(8)

(2)将该类别所有样本的平均值设为类别中心,并重复操作,直至其变化率达到设定阈值;

(3)计算出每个中心对应的宽度σi。

针对Wi参数,采用AFSA算法进行确定,具体操作步骤为[10]:

(1)设定人工鱼群总数、最大移动补偿、感知范围、拥挤因子等参数,并在[-1,1]的范围内随机生成隐藏层与输出层的连接权值Wij作为初始鱼群;

(2)将当前RBF的输出误差E的倒数作为个体适应度函数;

(3)进行聚群追尾等行为,并将调整后的适应度与个体适应度进行比较,选择更好的适应度作为个体适应度;

(4)判断是否满足输出条件,若达到最大迭代次数或迭代误差小于设定值,则输出结果。

以上优化步骤可用图2示意。

图2 RBF网络参数优化流程

2.4 电源柜热电偶测温系统构建

本研究搭建的电源柜热电偶测温系统硬件结构如图3所示,由温度采集模块、信号放大和模块等组成[11]。当系统采集到热电偶信号时,通过前置RFI滤波进行差模与共模噪声处理;然后经由ADC模块放大滤波并进行AD转换;最后,主控芯片对获取的信号结合冷端补偿模块输出进行编帧处理,并将处理结果通过通信模块上传到上位机进行校正,同时将结果存储于数据存储模块。

图3 系统整体硬件方案

1)温度采集模块

温度采集模块由热电偶温度传感器和前置滤电路组成。其中,热电偶温度传感器选用测温范围为[-200,1 300]的K型热电偶传感器[12]。该传感器通过将参考节点与测量节点的温度差转化为电势,可实现温度的测量。

前置滤波电路的基本原理如图4所示。对于共模噪声,通过R1、C1和R2、C2进行处理。

图4 RFI前置滤波电路原理

2)冷端补偿模块

考虑到热电偶传感器是一种非绝对式温度测量传感器,因此在系统中增加一个冷端补偿模块。该模块采用集成式adt7320温度传感器作为芯片,通过SPI方式进行通信。

3)信号放大与AD转换模块

信号放大与AD转换模块负责对前置滤波得到的滤波进行放大并转化为数字信号。本系统选用可支持8路热电偶输入,且最高精度为24位多通道高精度AD-7124-8型ADC作为芯片。同时,为实现对微弱电势信号的放大,在芯片中内置一个128倍的PGA。

该模块中可选用sinc4和sinc3等多种滤波器,不同的滤波器输出速率和频率响应不同。根据电源柜电源波频率通常为50～60 Hz,选用sinc4滤波器。

3 仿真实验

3.1 数据来源

选用构建的电源柜热电偶测量系统测量的热电势和冷端温度作为RBF网络的输入,以铂电阻温度计测量到的温度作为真实输出。基于以上的数据,将测量的数据分为训练集和测试集。

3.2 评价指标

选用均方根误差作为RBF算法的评估指标,计算公式:

(9)

式中:yi、xi分别表示温度预测值和温度真实值。

3.3 参数设置

设定最大迭代次数为100,目标精度为0.000 1,分别对RBF网络、改进RBF网络和BP神经网络进行训练。

3.4 结果与分析

3.4.1 算法验证

为检验所提改进RBF算法的有效性,首先对比了改进前后RBF算法的迭代误差,结果如图5所示。由图5可知,所提改进RBF算法和标准RBF算法达到目标精度0.000 1时,且只迭代了12次和16次。相较于标准RBF算法,所提算法的均方误差下降速度更快。由此说明,所提的利用AFSA算法改进RBF算法有效。

图5 RBF网络改进前后迭代误差对比

将改进RBF网络与标准铂电阻测量的结果进行对比,结果如图6所示。由图6可知,所提改进RBF算法在低温区表现出相对较差的性能,测量结果与标准铂电阻的测量结果误差较大,而在高温区表现良好,测量误差较小。分析其原因是,所选用的基于多通道高精度测量的电源柜温度采集模块为K型热电偶传感器,该传感器在300 ℃以下的气温去非线性严重,进而导致测量误差较大。为尽量避免该问题对结果的影响,可尝试通过增加样本数据,以改善测量结果。

图6 改进RBF算法测试误差

3.4.2 算法对比

为分析所提改进RBF算法的优越性,实验对比了所提算法与对比算法标准RBF和BP神经网络的测试误差。其中,改进RBF算法的测试误差如图6所示,标准RBF算法和BP神经网络算法的测试误差分别如图7和图8所示。对比图6～图8可知,在低温区,所提算法与RBF算法和BP神经网络算法的测量误差均较大;在高温区,RBF算法和BP神经网络出现误差极大值点,而所提改进RBF算法更稳定,未出现误差极大值点,且具有更小的测量误差。

图7 标准RBF算法测试误差

图8 BP神经网络测试误差

为定量分析所提改进RBF算法与标准RBF算法和BP神经网络的性能,统计三种算法测量的最大误差和均方根误差,结果如图9所示。由图9可知,所提的改进RBF算法的最大误差和均方根误差最小,分别为0.32 ℃和0.08 ℃,均得到不同程度的降低。

图9 不同算法误差对比

4 结 论

综上所述,所提的基于多通道高精度测量的电源柜温度校正方法,通过采用K均值聚类算法和AFSA算法确定RBF网络的最佳基函数中心和宽度,以及隐藏层与输出层的连接权值,实现了对RBF网络的改进,并利用改进的RBF网络校正基于多通道高精度测温的电源柜温度,实现了电源柜测量温度非线性误差校正,使测量的温度误差小于0.4 ℃。相较于标准RBF网络和BP神经网络,所提改进RBF网络具有更快的训练速度和更小的最大误差和均方根误差,可用于对测温精度要求较高的测温环境。本研究虽取得了一定的成果,但由于条件限制,仍存在一些不足有待改进,如在低温区,即使采用所提改进RBF网络对测量温度进行校正后,其测量值与铂电阻测量值仍具有一定误差。而导致这种情况出现的原因是K型热电偶传感器在300 ℃以下的气温去非线性严重,进而使测量误差较大。因此,为尽量提高测量精度,下一步研究将尝试采用其他更优异的传感器采集热电势,或尝试通过增加样本数据改善测量结果。