变压器绕组热点温度预测方法及终端设备技术

本发明专利技术适用于变压器技术领域，提供了一种变压器绕组热点温度预测方法及终端设备。该方法包括：采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；采集变压器的运行参数和结构参数；根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。本发明专利技术将粒子群算法引入人工神经网络模型的参数优化，利用优化后得到的预测模型对变压器绕组热点温度进行预测，能够提高预测模型得到的变压器绕组热点温度的预测准确度。

Hot spot temperature prediction method and terminal equipment for transformer winding

The invention is applicable to the transformer technical field, and provides a method for predicting the hot spot temperature of the transformer winding and a terminal device. The method includes: collecting the temperature data of the hot spot of the transformer winding, taking the collected temperature data as the sample data, training the artificial neural network model according to the particle swarm optimization and the sample data, and obtaining the optimal model parameters of the artificial neural network model, and the artificial neural network based on the optimal model parameters. The winding model is used as a prediction model, and the operating parameters and structural parameters of the transformer are collected, and the hot spot temperature of the transformer is predicted according to the operating parameters, the structure parameters and the predicted model. The particle swarm optimization (PSO) is used to optimize the parameters of the artificial neural network model. The prediction model is used to predict the hot spot temperature of the transformer winding, and the prediction accuracy of the hot spot temperature of the transformer windings can be improved.

【技术实现步骤摘要】
变压器绕组热点温度预测方法及终端设备
本专利技术属于变压器
，尤其涉及一种变压器绕组热点温度预测方法及终端设备。
技术介绍
随着世界形势的不断变化和我国经济的高速发展，电力安全的发展已经进入了一个崭新的历史发展阶段，现代社会对电力供应的可靠性要求越来越高，电力安全工业的地位比以往任何时候都更加重要，电力安全已经是突出的问题之一。在众多变压器绝缘老化相关因素中，温升是最为重要的因素之一。电力变压器绝缘一般由有机和无机绝缘材料构成，这些绝缘材料有一定的耐热限值，超过了这个限值，绝缘材料就会迅速老化，造成各种各样的运行事故。目前国内外电力变压器绝缘主要采用油浸纸绝缘。一般为A级绝缘材料，其长期允许温度为105度，因而国内外有关标准规定，油浸电力变压器在额定负荷下运行时，其油面温升不得超过5度，绕组的平均温升不得超过65度。即使这样，长期在80至100度的温度作用下，绝缘纸和纸板等固体介质也将逐渐老化，变压器油受热将加速氧化而使酸价上升，并出现油泥等。因此，把变压器的运行温度控制在绝缘的允许范围内，是延长变压器使用寿命，保证其安全运行极为重要的措施。电力变压器的负载能力和可用寿命在某种程度上取决于能否及时地将其内部产生的热量传递到周围环境中，即热特性。绕组热点温度是衡量变压器运行中热特性的重要指标，当热点温度超过允许限值易导致气泡的产生，加速变压器的老化并造成绕组绝缘性能的劣化。因此，研究变压器内部复杂的热过程，建立变压器热模型，并以此为基础开展对变压器状态检修的研究具有十分重要的意义。目前，国内外对变压器运行中的热特性已经开展了一些研究工作，并取得了一定的进展。通过变压器内部热过程分析，建立变压器绕组热点温度预测模型，根据变压器运行时的环境温度，易测得的变压器特殊位置油温以及实时的负载数据，进行热点温度的预测，能够在一定程度上预测绕组的热点温度，但目前预测的准确度较低。
技术实现思路
有鉴于此，本专利技术实施例提供了一种变压器绕组热点温度预测方法及终端设备，以解决目前变压器绕组的热点温度预测准确度低的问题。本专利技术实施例的第一方面提供了一种变压器绕组热点温度预测方法，包括：采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。本专利技术实施例的第二方面提供了一种变压器绕组热点温度预测装置，包括：第一采集模块，用于采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；训练模块，用于根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；第二采集模块，用于采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；预测模块，用于根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。本专利技术实施例的第三方面提供了一种变压器绕组热点温度预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中的变压器绕组热点温度预测方法。本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的变压器绕组热点温度预测方法。本专利技术实施例与现有技术相比存在的有益效果是：通过粒子群算法和样本数据训练人工神经网络模型，得到预测模型，根据预测模型和采集到的变压器的运行参数和结构参数，对变压器进行绕组热点温度预测。本专利技术实施例将粒子群算法引入人工神经网络模型的参数优化，利用优化后得到的预测模型，将采集到的变压器运行参数和结构参数作为输入量，变压器绕组热点温度作为输出量进行预测，使得预测模型的参数更为适合，能够提高预测模型得到的变压器绕组热点温度的预测准确度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的变压器绕组热点温度预测方法的实现流程图；图2是本专利技术实施例提供的变压器绕组热点温度预测方法中构建预测模型的实现流程图；图3是本专利技术实施例提供的变压器绕组热点温度预测方法中利用粒子群算法进行训练的实现流程图；图4是本专利技术实施例提供的变压器绕组热点温度预测方法中粒子群算法的程序流程示意图；图5是本专利技术实施例提供的变压器绕组热点温度预测装置的示意图；图6是本专利技术实施例提供的变压器绕组热点温度预测终端设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。图1为本专利技术实施例提供的变压器绕组热点温度预测方法的实现流程图，详述如下：在S101中，采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据。在本实施例中，可以获取温度采集装置采集到的变压器绕组热点的温度数据。温度采集装置可以为温度传感器、测温光纤等。例如，可以对一台或多台装有测温光纤的变压器绕组热点温度进行采集。在S102中，根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型。在本实施例中，首先构建一个人工神经网络，然后根据粒子群算法和样本数据训练人工神经网络模型，得到人工神经网络模型的最优模型参数。将根据最优模型参数构建出的人工神经网络作为预测模型。人工神经网络模型的最优模型参数包括人工神经网络的权值和阈值。人工神经网络的学习过程由正向传播与误差的反向传播组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始的进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。为了改善人工神经网络学习速度慢和局部收敛性等缺陷，本实施例中提出了一种将粒子群算法训练人工神本文档来自技高网...

【技术保护点】
一种变压器绕组热点温度预测方法，其特征在于，包括：采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。

【技术特征摘要】
1.一种变压器绕组热点温度预测方法，其特征在于，包括：采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。2.如权利要求1所述的变压器绕组热点温度预测方法，其特征在于，所述根据粒子群算法和所述样本数据训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数包括：确定人工网络模型的输入向量和输出向量，并对所述样本数据进行预处理；确定人工神经网络的结构参数和激励函数；根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数。3.如权利要求2所述的变压器绕组热点温度预测方法，其特征在于，所述根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型的具体流程包括：对所有粒子进行初始化处理，设置各个粒子的初始位置和初始速度；根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数；对于每个粒子，将粒子的适应值和粒子所经历过的最优位置进行比较；若粒子的适应值优于粒子所经历过的最优位置，则将粒子的适应值作为粒子当前的最优位置，并将粒子的适应度与种群所经历过的最优位置进行比较；若粒子的适应度优于种群所经历过的最优位置，则将粒子的适应值作为种群当前的最优位置；调整各个粒子的位置向量和速度向量；将新粒子加入到种群中，计算新粒子的适应度函数；判断终止条件是否成立，若终止条件不成立，则跳转执行根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数的步骤；若终止条件成立，则终止迭代。4.如权利要求2所述的变压器绕组热点温度预测方法，其特征在于，所述适应度函数为：其中，n是样本数据的样本个数；ydj,i是第i个样本的第j个网络输出节点的理想输出值；yj,i是第i个样本的第j个网络输出节点的实际输出值；c是网络输出神经元的个数。5.如权利要求1至4任一项所述的变压器绕组热点温度预测方法，其特征在于，所述粒子群算法的行为参数包括位置向量、...

【专利技术属性】
技术研发人员：赵军，邢超，杨桦，刘宏亮，孙路，段昕，
申请(专利权)人：囯网河北省电力有限公司电力科学研究院，国家电网公司，国网河北能源技术服务有限公司，
类型：发明
国别省市：河北,13