论文总字数：23720字

摘 要

在全球工业如此发达的今天，发电机的运行环境也应该受到重视。在电力系统中，发电机作为产生电力的动力源，它的平稳运行关系到整个电网的供电可靠性，其寿命也和绕组温度有着密不可分的关系，尤其在船舶上，发电机关乎到整艘船的动力系统的正常工作。发电机内部绕组温度是影响发电机内部绝缘的关键因素之一，成功预测绕组温度的大小，能够了解发电机运行状态，有利于降低发电机故障率，保证发电机运行寿命，方便发电机的安全管理，增强了船舶电力驱动系统的可靠性。

本文将通过案例船舶客渡船江苏路渡3016号的实测数据，在对数据进行标准化预处理之后，通过数据的相关性分析在船舶实际航行中各类电器元件的参数数据因素对发电机绕组温度的影响，并选定相关性最高的4类数据作为模型的输入，温度数据作为模型输出，通过网络模型学习的方法建立一个发电机绕组温度的黑箱模型，在经过数据的训练之后给出船舶发电机绕组温度的预测值，并通过测试集验证预测值与真实温度值数据的偏差，并通过MSE均方误差验证拟合度。

本文通过对比神经网络的学习框架，选用由谷歌公司支持的开源框架Tensorflow ，Keras 为顶层封装，编程语言采用 Python语言，开发环境使用Spyder来建立神经网络模型。选择神经网络中的人工神经网络（ANN）中的BP神经网络来创建整个温度预测模型。在模型优化方面，通过一系列的对比优化，最终选用四组输入特征值，RMS prop优化方法，两层隐藏层模型，最终得到的模型偏差度最低为0.01%。

关键词：绕组温度、神经网络、BP神经网络、影响因素

Abstract

In the global industry so developed today, the operating environment of the generator should also be taken seriously. In the power system, the generator is the power source for generating electricity. Its smooth operation is related to the reliability of the power supply of the entire power grid. Its life is also inextricably related to the winding temperature. Especially on ships, the generator is related to the normal operation of the entire ship's power system. The internal winding temperature of the generator is one of the key factors affecting the internal insulation of the motor. The successful prediction of the temperature of the windings can understand the operation state of the motor, which is conducive to reducing the failure rate of the motor, ensuring the operation life of the motor, facilitating the safety management of the motor, and enhancing the reliability of the electric vehicle electric drive system.

This article through the case of ship passenger ferry crossing JIANGSULUDU3016 experimental data, after the standardization of data pretreatment, through the analysis of the correlation data on actual parameters of all kinds of electrical components on the voyage of the ship data, the influence of factors on the motor winding temperature and correlation selected 4 kinds of data as the input of the model, the highest temperature data as model output, through the network model to study the method to establish a generator winding temperature of the black box model, after the training data are Marine generator winding temperature prediction, and through the test set validation deviation of the predicted values and the real temperature data, The fitting degree was verified by MSE mean square error.

By comparing the learning framework of neural network, this paper selects the open source framework which is Tensorflow supported by Google company, Keras is the top-level package, the programming language is Python, and the development environment USES Spyder to build the neural network model. BP neural network in artificial neural network (ANN) was selected to create the whole temperature prediction model. In terms of model optimization, through a series of comparative optimization, four groups of input eigenvalues, RMS prop optimization method and two-layer hidden layer model are finally selected, and the minimum model deviation degree is 0.01%.

Key Word: winding temperature、Neural Networks、Back Propagation、Influencing factors

目录

摘要 2

Abstract 2

第一章绪论 7

1.1研究目的及意义 7

1.2国内外研究现状 7

1.2.1选择模型 8

1.2.2选定预测方法 8

1．3论文结构内容与本文创新之处 9

1.3.1论文结构内容 9

1.3.2本文创新之处 9

第二章影响因素的介绍 11

2.1数据背景及船例 11

2.2影响因素 13

2.2.1输出功率的影响 14

2.2.2风机状态的影响 14

2.3数据预处理方法 14

2.3.1温度数据分布 14

2.3.2船舶速度分布 15

2.3.3异常值的处理 16

2.3.4数据的标准化 16

2.3.5映射关系 18

2.4本章小结 19

第三章建模过程 20

3.1框架的讨论和选取 20

3.1.1 Caffe学习框架 20

3.1.2 Keras学习框架 21

3.1.3 Theano学习框架 21

3.1.4 Tensorflow学习框架 22

3.2人工神经网络ANN 22

3.2.1 生物神经网络模型 23

3.2.2 神经网络数学模型 24

3.2.3 神经网络模型结构 25

3.3BP神经网络原理及模型训练 26

3.4BP神经网络的优化方法 30

3.5.1梯度下降法（Gradient Descent） 30

3.5.2 RMS prop法 32

3.4本章小结 32

第四章 建模结果 33

4.1建模步骤 33

4.2参数维数的对比 34

4.3模型优化算法的对比 36

4.4本章小结 38

第五章 结论与展望 39

致谢 42

第一章绪论

1.1研究目的及意义

十九世纪末期，由于电力工业的横空出世，工业的发展也是突飞猛进，，在人类发明了电以来，电力工业就一直促进着人类文明的前进与科技的进步。可以毫不夸张的说，现代科技的发展离不开电力。而电力的发展离不开发电机。根据电磁感应定律原理工作的发电机(英文名称：Generators)是一种实现将其他形式能转换为电能的机械设备，在船舶上一般是由柴油发动机来进行动力驱动。发电机的出现，使得机械能转化为电能得到实现，人类得以进入电气时代。

发电机绕组温度是发电机运行中非常重要的参数，发电机正常运行时，绕组中通过电流，因为电阻的原因发电机会发热，最终造成发电机温度升高。发电机绕组温度的高低，不仅是保证发电机安全运行的重要参数，也决定着发电机绝缘的使用寿命。而对发电机绕组温度的预测，则可用来对发电机运行状况进行有效的监控，还可以检测到发电机绕组间、绕组和电阻之间有没有出现短路，发电机铁心片与片之间是否绝缘破坏以及三相发电机是否缺相等故障。测量发电机绕组温度通常在电机内部镶嵌温度传感器，但是此方法不但接线较多、成本较高，而且由于当发电机断电后，热电偶的温度可能还会继续上升，因此会出现在电气频率空白期仍有较多的时间常数不能反映实时温度的问题, 使得该测量系统容易被干扰、可靠性不高。国内外研究人员提出了一种基于集总热网络模型的来对定子绕组温度进行估计。该模型的构建是基于热稳态系统，发电机的温度需要线下更新到网络模型中，这样就无法确保温度预测的精确性和和可靠性。

1.2国内外研究现状

近年来，用数据驱动并通过算法进行参数预测已经得到了大量的关注，Kadir Amasyali等人综述了近年来数据驱动建筑能耗预测领域的研究进展，并指出所有的模型都有自己的优点和缺点，在有差异的环境条件下，它们的表现也不尽相同，没有一个适合所有情况的模型可以在所有条件下使用^[6]。因此，根据特定的参数以及所采集的数据情况来进行选择模型来预测是很有必要的；沈铭科等人以多种煤样为作为研究比对，选择一种BP(Back Propagation)神经网络的优化模型CSBP，创建模型对多种煤样的煤灰变形的温度(DT)数据进行训练，训练后的温度预测值和实验结果都有很高的拟合度^[16]；李莲等实现了BP神经网络 PID 控制的快速高效整定，可以有效地符合地铁车站温度控制的需要，具有一定的工程应用价值^[11]。

1.2.1选择模型

本次研究拟采用基于数据驱动的预测算法对发电机绕组温度进行预测。数据驱动测试，也叫做黑盒测试^[6] (Black-box Testing)，又称为功能测试，就是把测试对象看成一个黑盒子。我们不用知道它的内部结构和处理过程。通过收集海量样本，将数据进行组织，之后选取对研究对象相关性高的数据，在数据的基础上经过训练后，保证一致性高的情况下，得到自动化的决策模型。各种数据挖掘算法、特征提取算法、模式识别算法、机器学习算法、统计分析算法、高级优化算法等的出现，标志着算法的发展已经相当成熟，如今计算机的发展，也足够应对各种热门的算法的计算。而且绕组温度在发电机运行过程中，拥有丰富的测量数据，足够满足数据驱动的预测算法所需。

1.2.2选定预测方法

预测算法毋庸置疑是一种非常有效的控制算法，已经有很多的仿真和实际的应用来证实了这一点。而数据驱动可以建立的预测算法主要有自回归算法、神经网络算法、非线性时间序列分析算法、模糊算法、支持向量机算法（SVM）等。鉴于绕组温度数据有的并非线性，基于非线性定量数学模型处理非线性数据的一种有效方法就是采用人工神经元网络模型，它是深度学习方法的一种。此方法可以通过学习一种非线性网络结构来实现函数的逼近，表征输入数据分布式表示。

1．3论文结构内容与本文创新之处

1.3.1论文结构内容

本次研究基于深度学习神经网络建立起发动机绕组温度与部分影响因素的关系，所采用的数据来源为江苏路渡3016号。以下是本文所有章节的主要内容介绍。

第一章主要介绍了本次建立发动机绕组温度模型的目的和意义，以及国内外的研究现状，和本次研究所选择的预测方法——深度学习。

第二章主要介绍了本次研究数据来源背景，数据预处理方法以及影响发动机绕组温度的部分因素。

第三章主要介绍了建模过程中深度学习框架的选取和网络结构的介绍和选定，以及最终选定网络的具体模型训练过程和优化方法介绍。

第四章主要介绍了建模结果，通过改变模型优化及数据特征值大小来探讨模型内各因素对整个深度学习神经网络的影响，并将结果进行比对。

第五章主要介绍了本次研究的结论，并提出对未来发展的展望。

1.3.2本文创新之处

本文以如今较前沿的神经网络理论为基础，研究了基于BP神经网络的船舶发动机绕组温度预测，详细地介绍了人工神经网络（ANN）和BP神经网络原理，通过对影响船舶发动机绕组温度的因素做了系统的研究与分析，最终构建出一个较高精度的发动机绕组温度预测模型。

训练样本数据选取了船舶航行过程中与船舶发动机绕组温度同时记录的船舶整流器输出功率、整流模块温度、整流器直流电压和风机状态等因素，通过对比其各个因素与船舶发动机绕组温度的相关度提取出包括发动机当前温度值、当前功率值、风机状态、功率改变量等4个因素，将这4组变量作为神经网络的输入量，通过一系列的模型优化以此来研究这4组输入特征对船舶发动机绕组温度预测的精度影响。针对建模因素，分别改变神经网络反馈方向和学习率等参数，选择出最佳的模型参数。

优化方面通过选取RMS Prop和梯度下降的方法来探究不同的优化方法对模型精度的影响，并最终选取精度最高且最适合BP神经网络的方法。本文选用BP神经网络对绕组温度进行预测，并分析影响BP神经网络预测精度的因素，而目前国内外只有对绕组温度的分析，并没有数据驱动通过算法对发动机绕组温度的预测。本文通过对神经网络模型进行优化，使得预测精度得到提高。

第二章影响因素的介绍

2.1数据背景及船例

江苏路渡3016号是运营于镇江河道航线的全回转车客渡船，单程航行时间约1小时55分，每日往返两地2至3次。在下图中，显示了船只的外观和来往两地的路线，图中标注的路线1是该船的主要路线，而路线2则是某些恶劣天气下的替代线路^[8]。

请支付后下载全文，论文总字数：23720字

相关图片展示：