CN105092092A - 一种基于wsn的预装式变电站温度在线监测与预测系统 - Google Patents

Abstract

本发明公开了一种基于WSN的预装式变电站温度在线监测与预测系统，包括预装式变电站无线温度传感器网络子系统、预装式变电站远程监测管理子系统和预装式变电站温度预测子系统；预装式变电站无线温度传感器网络子系统实时采集电站设备温度数据，再通过WSN传送温度数据到预装式变电站远程监测管理子系统和预装式变电站温度预测子系统；预装式变电站温度预测子系统包括混沌判别与相空间重构单元和粒子群优化的支持向量机训练与预测单元。本发明通过对预装式变电站电力设备的温度进行实时监测与预测，对保证其安全与稳定运行意义重大，具有良好的应用前景。

Description

一种基于WSN的预装式变电站温度在线监测与预测系统

技术领域

本发明涉及一种基于WSN的预装式变电站温度在线监测与预测系统，属于无线传感器网络在电力领域的应用。

背景技术

预装式变电站具有组合灵活、便于运输、安装方便等优点，越来越受到世界各国电力工作者的重视，而其设备老化、负荷过大等都会造成变电站设备温度过高，从而会引发火灾等事故的发生。因此，对预装式变电站电力设备的温度进行实时监测与预测，对保证预装式变电站的安全与稳定运行意义重大。

我国对于电力设备的温度监测的研究已有几十年的历史，在设备温度的在线监测研究上已经取得一定的成果。目前，主流的电力设备测温方式为人工逐点测量、红外热成像、有线在线监测和无线监测四种方式。其中，无线测温方法较之传统的测温方式具备诸多优势。

发明内容

发明目的：为了克服传统测温方式中存在的不足，本发明提供一种基于WSN的预装式变电站温度在线监测与预测系统，本发明的技术方案如下：

一种基于WSN的预装式变电站温度在线监测与预测系统，包括预装式变电站无线温度传感器网络子系统、预装式变电站远程监测管理子系统和预装式变电站温度预测子系统；

预装式变电站无线温度传感器网络子系统实时采集电站设备温度数据，再通过WSN传送温度数据到预装式变电站远程监测管理子系统和预装式变电站温度预测子系统；预装式变电站远程监测管理子系统实现远程监测显示、查询变电站设备温度数据；预装式变电站温度预测子系统包括混沌判别与相空间重构单元和粒子群优化的支持向量机训练与预测单元，对设备温度数据进行混沌性验证后，进一步对数据进行相空间重构，然后用重构相空间后的数据训练支持向量机，根据训练好的模型预测设备温度数据。

上述预装式变电站无线温度传感器网络子系统包括件模块和软件模块。硬件模块包括数字温度传感器、单片机、协调器和远程监控中心电脑，软件模块包括单片机对数字温度传感器的驱动采集子模块以及采用ZigBee协议的数据传输子模块。

上述的数字温度传感器为DALLAS半导体公司的DS18B20，单片机为TI公司的CC2530，ZigBee解决方案选用TI的协议栈Z-Stack。

预装式变电站远程监测管理子系统包括设备温度实时监测模块，设备温度历史查询模块，系统用户管理模块和用户密码修改模块；

设备温度实时监测模块包括实时温度数据显示和曲线显示子模块；

设备温度历史查询模块包括历史温度数据显示，曲线显示和数据导出子模块；

系统用户管理模块包括加载，新增，编辑，删除，导出用户信息子模块。

上述混沌判别与相空间重构单元工作步骤如下：

步骤(1)、采用小数量法进行系统的最大Lyapunov指数的求解；

步骤(2)、根据系统的最大Lyapunov指数进行系统混沌性的判别。

上述步骤(1)采用小数量法进行系统的最大Lyapunov指数的求解步骤具体是指：

(6a)、根据光子能量法求解温度时间序列的平均周期；

(6b)、根据互信息法求解温度时间序列的时间延迟；

(6c)、根据Cao法求解温度时间序列的嵌入维数；

(6d)、根据时间延迟和嵌入维数进行相空间的重构；

(6e)、根据重构的相空间中的每个参考点找到对应的最近邻点；

(6f)、求解相空间中每个点与邻近点的固定离散时间步长后的距离；

(6g)、求解上述距离的对数和每个固定时间内的均值。

上述粒子群优化的支持向量机训练与预测单元的工作具体步骤如下：

(7a)、对相空间重构后的数据进行处理；

(7b)、采用粒子群算法优化支持向量机的惩罚因子和核函数参数；

(7c)、对优化后的支持向量机的惩罚因子、核函数参数和核函数等初始化进行设置；

(7d)、构造最优超平面；

(7e)、通过训练样本数据对支持向量机进行训练，构造预测模型；

(7f)、利用预测模型对温度数据进行预测。

上述(7b)采用粒子群算法优化支持向量机的惩罚因子和核函数参数具体步骤是指：

(8a)、初始化粒子群每个粒子的位置和速度以及粒子群落数量N；

(8b)、利用预先编写的适应度函数，计算每个粒子的适应度值Fit[i]；

(8c)、判断是否更新个体极值，对每一个粒子来说，如果其适应度值Fit[i]小于个体极值Pbest(i)，即Pbest(i)>Fit[i]，则用Fit[i]更新Pbest(i)；

(8d)、判断是否更新局部极值，对每一个粒子来说，如果该粒子的适应度值Fit[i]小于全局极值Nbest，即Nbest(i)>Fit[i]，则用Fit[i]更新Nbest(i)；

(8e)、根据公式

Vi＝w*Vi+c1*r1(Pbesti-Xi)+c2*r2(Nbesti-Xi)(1)

Xi＝Xi+Vi(2)

调整每一个粒子的速度Vi和位置Xi，式中Vi为第i个粒子的速度，Xi为第i个粒子的位置，Pbesti为第i个粒子个体极值，Nbesti为整个粒子群的全局极值，w为惯性因子，c1和c2为学习因子，r1和r2代表0和1之间均匀分布的随机数；

(8f)、判断是否结束迭代，迭代结束条件为达到之前设定的最大迭代次数或者实验误差小于之前设定的最小误差值，如果不结束迭代，则返回(8b)。

本发明软硬件结合实时采集，监测，查询，系统管理设备温度数据，对设备温度数据进行混沌性验证，之后进一步利用数据进行相空间重构，采用粒子群算法优化支持向量机的惩罚因子和核函数参数，然后用重构相空间后的数据训练支持向量机，根据训练好的模型预测设备温度数据，从而提高预测的准确率。本发明为提高预测的准确率，在目前研究基础上采用粒子群优化算法，优化支持向量机的惩罚因子和核函数参数，以提高了预测的准确率。粒子群优化算法是一种群体智能的全局随机搜寻算法，粒子群算法依据的原理是“种群”和“进化”原理，主要是利用个体间协作和竞争的基本规律，以找到最优解。采用粒子群优化算法的原因是该算法易于实现且不需要过多参数，效率较高，特别适用于目标参数的优化。所以本发明采用粒子群算法优化支持向量机的惩罚因子和核函数参数，然后用重构相空间后的数据训练SVM，根据训练好的模型预测设备温度数据，优化后的支持向量机预测系统的均方误差降低到0.0211，降低了91％，从而验证了改进后的支持向量机预测系统对预装式变电站电力设备温度的预测具有更高的准确性。基于WSN的预装式变电站温度监测与传统的变电站温度监测方法相比极大地减少了人力、物力的消耗，免去了采用有线方式需要进行布线的苦恼，具有测温精度高、体积小、抗干扰能力强等优点。采用相应技术对预装式变电站电力设备温度进行预测，从而进行预警可以有效的预防变电站设备因温度过高而发生的危险。采用混沌时间序列与支持向量机对预装式变电站电力设备温度数据进行分析和预测，与传统建模预测和时间序列预测方法相比,其预测的准确性得到了较大的提高。

附图说明

图1是本发明的系统结构框图；

图2是本发明的预装式变电站远程监测管理子系统的系统设计结构图；

图3是本发明的粒子群优化的支持向量机预测流程图；

图4是本发明的粒子群优化的支持向量机预测仿真效果图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种基于WSN的预装式变电站温度在线监测与预测系统，包括预装式变电站无线温度传感器网络子系统、预装式变电站远程监测管理子系统和预装式变电站温度预测子系统；

预装式变电站无线温度传感器网络子系统实时采集电站设备温度数据，再通过WSN传送温度数据到预装式变电站远程监测管理子系统和预装式变电站温度预测子系统；预装式变电站远程监测管理子系统实现远程监测显示、查询变电站设备温度数据；预装式变电站温度预测子系统包括混沌判别与相空间重构单元和粒子群优化的支持向量机训练与预测单元，对设备温度数据进行混沌性验证后，进一步对数据进行相空间重构，然后用重构相空间后的数据训练支持向量机，根据训练好的模型预测设备温度数据。

上述预装式变电站无线温度传感器网络子系统包括件模块和软件模块。硬件模块包括数字温度传感器、单片机、协调器和远程监控中心电脑，软件模块包括单片机对数字温度传感器的驱动采集子模块以及采用ZigBee协议的数据传输子模块。

上述的数字温度传感器为DALLAS半导体公司的DS18B20，单片机为TI公司的CC2530，ZigBee解决方案选用TI的协议栈Z-Stack。

如图2所示，预装式变电站远程监测管理子系统包括设备温度实时监测模块，设备温度历史查询模块，系统用户管理模块和用户密码修改模块；

设备温度实时监测模块包括实时温度数据显示和曲线显示子模块；

设备温度历史查询模块包括历史温度数据显示，曲线显示和数据导出子模块；

系统用户管理模块包括加载，新增，编辑，删除，导出用户信息子模块。

如图4所示，本发明的混沌判别与相空间重构单元工作步骤如下：

步骤(1)、采用小数量法进行系统的最大Lyapunov指数的求解；

步骤(2)、根据系统的最大Lyapunov指数进行系统混沌性的判别。

上述步骤(1)采用小数量法进行系统的最大Lyapunov指数的求解步骤具体是指：

(6a)、根据光子能量法求解温度时间序列的平均周期；

(6b)、根据互信息法求解温度时间序列的时间延迟；

(6c)、根据Cao法求解温度时间序列的嵌入维数；

(6d)、根据时间延迟和嵌入维数进行相空间的重构；

(6e)、根据重构的相空间中的每个参考点找到对应的最近邻点；

(6f)、求解相空间中每个点与邻近点的固定离散时间步长后的距离；

(6g)、求解上述距离的对数和每个固定时间内的均值。

上述粒子群优化的支持向量机训练与预测单元的工作具体步骤如下：

(7a)、对相空间重构后的数据进行处理；

(7b)、采用粒子群算法优化支持向量机的惩罚因子和核函数参数；

(7c)、对优化后的支持向量机的惩罚因子、核函数参数和核函数等初始化进行设置；

(7d)、构造最优超平面；

(7e)、通过训练样本数据对支持向量机进行训练，构造预测模型；

(7f)、利用预测模型对温度数据进行预测。

上述(7b)采用粒子群算法优化支持向量机的惩罚因子和核函数参数具体步骤是指：

(8a)、初始化粒子群每个粒子的位置和速度以及粒子群落数量N；

(8b)、利用预先编写的适应度函数，计算每个粒子的适应度值Fit[i]；

(8c)、判断是否更新个体极值，对每一个粒子来说，如果其适应度值Fit[i]小于个体极值Pbest(i)，即Pbest(i)>Fit[i]，则用Fit[i]更新Pbest(i)；

(8d)、判断是否更新局部极值，对每一个粒子来说，如果该粒子的适应度值Fit[i]小于全局极值Nbest，即Nbest(i)>Fit[i]，则用Fit[i]更新Nbest(i)；

(8e)、根据公式

Vi＝w*Vi+c1*r1(Pbesti-Xi)+c2*r2(Nbesti-Xi)(1)

Xi＝Xi+Vi(2)

调整每一个粒子的速度Vi和位置Xi，式中Vi为第i个粒子的速度，Xi为第i个粒子的位置，Pbesti为第i个粒子个体极值，Nbesti为整个粒子群的全局极值，w为惯性因子，c1和c2为学习因子，r1和r2代表0和1之间均匀分布的随机数；

(8f)、判断是否结束迭代，迭代结束条件为达到之前设定的最大迭代次数或者实验误差小于之前设定的最小误差值，如果不结束迭代，则返回(8b)。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于WSN的预装式变电站温度在线监测与预测系统，其特征在于包括预装式变电站无线温度传感器网络子系统、预装式变电站远程监测管理子系统和预装式变电站温度预测子系统；

预装式变电站无线温度传感器网络子系统实时采集电站设备温度数据，再通过WSN传送温度数据到预装式变电站远程监测管理子系统和预装式变电站温度预测子系统；预装式变电站远程监测管理子系统实现远程监测显示、查询变电站设备温度数据；预装式变电站温度预测子系统包括混沌判别与相空间重构单元和粒子群优化的支持向量机训练与预测单元，对设备温度数据进行混沌性验证后，进一步对数据进行相空间重构，然后用重构相空间后的数据训练支持向量机，根据训练好的模型预测设备温度数据。

2.根据权利要求1的一种基于WSN的预装式变电站温度在线监测与预测系统，其特征在于：预装式变电站无线温度传感器网络子系统包括件模块和软件模块。硬件模块包括数字温度传感器、单片机、协调器和远程监控中心电脑，软件模块包括单片机对数字温度传感器的驱动采集子模块以及采用ZigBee协议的数据传输子模块。

3.根据权利要求2的一种基于WSN的预装式变电站温度在线监测与预测系统，其特征在于：的数字温度传感器为DALLAS半导体公司的DS18B20，单片机为TI公司的CC2530，ZigBee解决方案选用TI的协议栈Z-Stack。

4.根据权利要求1的一种基于WSN的预装式变电站温度在线监测与预测系统，其特征在于：预装式变电站远程监测管理子系统包括设备温度实时监测模块，设备温度历史查询模块，系统用户管理模块和用户密码修改模块；

设备温度实时监测模块包括实时温度数据显示和曲线显示子模块；

设备温度历史查询模块包括历史温度数据显示，曲线显示和数据导出子模块；

系统用户管理模块包括加载，新增，编辑，删除，导出用户信息子模块。

5.根据权利要求1的一种基于WSN的预装式变电站温度在线监测与预测系统，其特征在于：混沌判别与相空间重构单元工作步骤如下：

步骤(1)、采用小数量法进行系统的最大Lyapunov指数的求解；

步骤(2)、根据系统的最大Lyapunov指数进行系统混沌性的判别。

6.根据权利要求5的一种基于WSN的预装式变电站温度在线监测与预测系统，其特征在于：步骤(1)采用小数量法进行系统的最大Lyapunov指数的求解步骤具体是指：

(6a)、根据光子能量法求解温度时间序列的平均周期；

(6b)、根据互信息法求解温度时间序列的时间延迟；

(6c)、根据Cao法求解温度时间序列的嵌入维数；

(6d)、根据时间延迟和嵌入维数进行相空间的重构；

(6e)、根据重构的相空间中的每个参考点找到对应的最近邻点；

(6f)、求解相空间中每个点与邻近点的固定离散时间步长后的距离；

(6g)、求解上述距离的对数和每个固定时间内的均值。

7.根据权利要求1的一种基于WSN的预装式变电站温度在线监测与预测系统，其特征在于：粒子群优化的支持向量机训练与预测单元的工作具体步骤如下：

(7a)、对相空间重构后的数据进行处理；

(7b)、采用粒子群算法优化支持向量机的惩罚因子和核函数参数；

(7c)、对优化后的支持向量机的惩罚因子、核函数参数和核函数等初始化进行设置；

(7d)、构造最优超平面；

(7e)、通过训练样本数据对支持向量机进行训练，构造预测模型；

(7f)、利用预测模型对温度数据进行预测。

8.根据权利要求7的一种基于WSN的预装式变电站温度在线监测与预测系统，其特征在于：(7b)采用粒子群算法优化支持向量机的惩罚因子和核函数参数具体步骤是指：

(8a)、初始化粒子群每个粒子的位置和速度以及粒子群落数量N；

(8b)、利用预先编写的适应度函数，计算每个粒子的适应度值Fit[i]；

(8c)、判断是否更新个体极值，对每一个粒子来说，如果其适应度值Fit[i]小于个体极值Pbest(i)，即Pbest(i)>Fit[i]，则用Fit[i]更新Pbest(i)；

(8d)、判断是否更新局部极值，对每一个粒子来说，如果该粒子的适应度值Fit[i]小于全局极值Nbest，即Nbest(i)>Fit[i]，则用Fit[i]更新Nbest(i)；

(8e)、根据公式

Vi＝w*Vi+c1*r1(Pbesti-Xi)+c2*r2(Nbesti-Xi)(1)

Xi＝Xi+Vi(2)

调整每一个粒子的速度Vi和位置Xi，式中Vi为第i个粒子的速度，Xi为第i个粒子的位置，Pbesti为第i个粒子个体极值，Nbesti为整个粒子群的全局极值，w为惯性因子，c1和c2为学习因子，r1和r2代表0和1之间均匀分布的随机数；

(8f)、判断是否结束迭代，迭代结束条件为达到之前设定的最大迭代次数或者实验误差小于之前设定的最小误差值，如果不结束迭代，则返回(8b)。