本发明专利技术涉及一种基于神经网络的变压器绕组热点温度的预测方法，采用遗传算法优化神经网络后，通过计算得到变压器绕组热点温度值，包括以下步骤：(1)构建神经网络；(2)对神经网络的输入数据和输出数据进行归一化处理；(3)采用遗传算法对神经网络的权值和阈值进行优化；(4)对遗传算法优化后的神经网络进行训练；(5)利用实时测得的输入数据和训练后的神经网络得到输出数据，并计算得出变压器的热点温度值。与现有技术相比，本发明专利技术具有测量精度高等优点。
【技术实现步骤摘要】
本专利技术涉及一种变压器绕组热点温度的预测方法，尤其是涉及一种基于神经网络 的变压器绕组热点温度的预测方法。
技术介绍
变压器热点温度研究的难点在于绕组热点温度产生机理十分复杂以及热点温度 位置的不确定性，目前为止，得到变压器内部温度主要有两种方法，一种基于神经网络的变 压器绕组热点温度的预测方法是直接测量法，一种基于神经网络的变压器绕组热点温度的 预测方法是间接计算法。 直接测量法是在变压器靠近导线位置或导线线饼中预埋测温传感器，直接获得绕 组热点温度的方法。绕组内埋设传感器对绝缘结构设计要求较高，容易影响变压器正常运 行。而且由于绕组热点位置不确定，传感器埋设处不一定是最热点，测量结果可能并非绕组 的热点温度。因此，一般采取在绕组热点的附近区域，安装多个温度传感器，通过测量多个 位置的温度来近似得到绕组的热点温度，温度传感器有声频、光纤、结晶石英、荧光、镓砷化 晶体等多种传感器。目前研究最多，最有影响力的是基于散射机理的分布式光纤温度传感 器系统。分布式光纤测温系统的温度测量误差通常在几度，定位误差在一米左右，主要用于 测量电缆的温度分布。当用于变压器内部温度的测量或定位时，提高其定位的精度就又会 降低其对温度的分辨率，误差将较大。 目前，间接计算变压器绕组热点温度方法中最传统的方法是IEC60076-7导则和 IEEE Std C57.91导则推荐的变压器绕组热点温度计算经验模型。IEC 60076-7导则根据一 些假设条件对很复杂的变压器热特性分布做出了简化并得到相应的简化图和公式。如图1 所示是简化的油浸式变压器温度分布图，图中，A是由油箱出口处油温和油箱温度计座中油 温得出的顶层油温;B是绕组顶部的混合油温(通常假设与A的温度相同）；C是油箱内平均油 温;D是绕组底部油温;E是油箱底部油温;gr是额定电流下绕组平均温度对油（油箱内）平均 温度的梯度;H是热点系数;P是热点温度;Q是用电阻法测得的绕组平均温度;X轴是温度;Y 轴是相对位置；图1中所示的热分布图是假设的，它是一个本来很复杂的热分布的简化图。 在简化中作了如下假设： a)不论冷却方式如何，油箱内的油温从底部到顶部均是按线性增加； b)作为初始的近似，在绕组任何位置处绕组导线的温升，从下到上呈线性增加，此 直线与油的温升直线平行。两平行线之间的差值为常数，为用电阻法测出的绕组平均温度 与油箱中油平均温度的差值）； C)热点温升比b)所述的绕组顶部导线的温升高，这是因为必须就杂散损耗的增 加、各局部油流的差别和导线上可能附加的纸层等给出一些裕度。考虑到这些非线性的因 素，令热点温度与油箱内顶层油温之差等于H*gr。 由简化的油浸式变压器温度分布图推导出稳态热点温度计算如下： 在自然油循环冷却下，热点温度等于环境温度、顶层油温升以及热点温度对顶层 油温的温升三者之和;而强迫油循环冷却下，热点温度等于环境温度、底层 油温升、绕组的顶层油温对底层油温的温升以及绕组热点温度对顶层油温的温升 四者之和;强迫油循环导向冷却下，计算热点温度与强迫油循环冷却时差不多，由于导线电 阻随温度变化，因此需添加校正系数。 GB/T 1094.7-2008负载导则及IEEE Std C57.91标准中推荐的计算方法均可计算 变压器绕组热点温度，是国内外最近几年应用比较广泛的一种方法，该方法直观、简便，能 够基本反映真实的热传导过程。该计算方法只能求解热点温度值，不能探寻热点位置，同时 这些公式的结果和实测数据仍有一定差距，因此应找寻可以得到更加精确的结果的方法。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络 的变压器绕组热点温度的预测方法，采用遗传算法优化神经网络后，通过计算得到变压器 绕组热点温度值。 本专利技术的目的可以通过以下技术方案来实现:一种基于神经网络的变压器绕组热 点温度的预测方法，包括以下步骤： (1)以环境温度0a、初始顶层油温升ΔΘ。,、顶层油温度Θ。及负载系数K为输入数据， 以油时间常数το和油指数X为输出数据，并确定隐含层的节点数，构建神经网络； (2)对神经网络的输入数据和输出数据进行归一化处理； (3)采用遗传算法对神经网络的权值和阈值进行优化； (4)设置如下参数:训练步长为50步，输出层选择S型对数函数logsig，隐含层传递 函数采用Iogsig函数，Error goal = 0·001，Ir = 0·01，epochs = 1000，对遗传算法优化后的 神经网络进行训练； (5)利用实时测得的输入数据和训练后的神经网络得到油时间常数το和油指数X， 并计算得出变压器的热点温度值。 所述的步骤（1)中确定隐含层节点数具体过程为：层的节点数，其中，m为隐含层节点数，η输入神经元个数，m为输出神经元个数，a为1~10之 间的常数，对每个隐含层节点数的选择形成的神经网络，均进行10次不同的训练，取平均训 练误差最小时的隐含层节点数为最终选定的隐含层节点数k。 所述的（2)具体为：根据公式（1)对神经网络输入数据和输出数据进行归一化处 理，使得输入数据在内，输出数据在内， 其中，yi为经过归一化处理后的神经网络的输入/输出数据，Xl为实际的输入/输出 数据， Χ_、Χ_*别为实际输入/输出数据的最大值和最小值。 所述的步骤(3)具体为： (301)采用实数编码方式对神经网络的权值和阈值进行编码，所述的权值的取值 范围为(-5，5)，精确到0.0001，所述的阈值的取值范围为(-3，3)，精确到0.0001; (302)选取适应度函数，其中，yi为神经网络的输出数据，^为 神经网络的期望输出数据，P为神经网络输入数据和输出数据的成对数目； (303)选择初始种群数为30，最大迭代次数为180次，进化误差平方和0.5，执行遗 传算子。所述的步骤(303)具体为:采用整体算数交叉算子优化神经网络。所述的步骤(5)中计算变压器的热点温度值0h(t)的具体过程为：如果负载系数K 增大，根据公式①计算变压器的热点温度值，如果负载系数K减小，根据公式②计算变压器的热点温度值， ，Ga为环境温度，△ Qcii为初始顶层油温升，Θ。为顶层油温度，△ 0^为起始时 热点温度对顶层油温梯度，R为额定损耗下负载损耗与空载损耗比，A 为额定损耗下顶层 油稳态温升，y为绕组指数，H为热点系数，kll、k21及k22均为热常数，gr为额定电流下绕组平 均温度对油平均温度的梯度，το为油时间常数，X为油指数。 与现有技术相比，本专利技术具有以下优点： (1)遗传算法具有快速寻优的能力和良好的全局搜索能力，能够很快逼近最优结 果，而神经网络具有良好的自组织和自学习能力，局部寻优能力强，因此将遗传算法与神经 网络相结合，克服了神经网络容易陷入局部最小值的固有缺陷，从而提高了神经网络优化 权值的精度，进而提高了变压器绕组的测量精度； (2)将神经网络输入层和输出层的数据进行归一化处理，使得其范围在 ~之间，最终使得神经网络的训练效果较好； (3)本方法应用性强、实时性强、可靠强、成本低、精度高、算法处理简洁同时稳定 性强； (4)本专利技术的变压器热点温度值计算方法为变压器设备的检修带来了很大的方 便。【附图说明】 图本文档来自技高网...
【技术保护点】
一种基于神经网络的变压器绕组热点温度的预测方法，其特征在于，采用遗传算法优化神经网络后，通过计算得到变压器绕组热点温度值，包括以下步骤：(1)以环境温度θa、初始顶层油温升Δθoi、顶层油温度θo及负载系数K为输入数据，以油时间常数τ0和油指数x为输出数据，并确定隐含层的节点数，构建神经网络；(2)对神经网络的输入数据和输出数据进行归一化处理；(3)采用遗传算法对神经网络的权值和阈值进行优化；(4)对遗传算法优化后的神经网络进行训练；(5)利用实时测得的输入数据和训练后的神经网络得到油时间常数τ0和油指数x，并计算得出变压器的热点温度值。
【技术特征摘要】
【专利技术属性】
技术研发人员：魏本刚，
申请(专利权)人：国网上海市电力公司，华东电力试验研究院有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。