潜油电机机组一般工作在地下较深的油井中,运行环境十分恶劣,为保障其高效、稳定地运行,必须实时监测潜油电机井下温度等相关参数,以掌握潜油电机的运行状态,预防和避免潜油电机意外事故的发生。由于潜油电机独特的工作环境,在高温情况下,常规的温度传感器难以直接应用,特殊研制的测温装置,成本过高,执行困难。为了能准确监测潜油电机的温度,本文提出了一种基于神经网络的潜油电机温度辨识监测方法。该方法可以利用在地上容易测量的参数来推出井下的潜油电机温度,且不需要精确的数学模型,适用于复杂的非线性场合。根据异步电机的稳态模型以及定子电阻与电机温度的密切关系,推出可以通过测量定子电流与定子电压来反映潜油电机温度的变化。通过实验获得了定子电流、定子电压与潜油电机温度的样本数据,利用MATLAB软件分别使用BP网络和的RBF网络对样本数据进行学习训练,并对训练后的BP网络与RBF网络进泛化能力的比较。通过比较表明,在潜油电机温度辨识系统中,RBF网络比BP网络具有更快的响应速度,更高的辨识精度,更强的泛化能力。确定了使用RBF神经网络算法对潜油电机温度进行辨识后,为了进一步减小误差,本文利用混合算法对RBF神经网络训练过程中隐含层节点的个数、径向基函数的中心值、宽度和权值进行了学习训练,得出符合RBF神经网路辨识的参数值。通过MATLAB的仿真实验表明,基于混合算法的RBF神经网络具有更好的辨识精度和泛化能力,训练出的模型可以精确快速地辨识出潜油电机的温度。所以,本文提出的基于神经网络对潜油电机温度进行辨识监测的方法具有一定的实用价值和应用前景。