一种变压器状态参量趋势预测方法及系统技术方案

本发明专利技术公开了一种变压器状态参量趋势预测方法，包括步骤：(1)采集变压器在线监测状态量；(2)采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵X；(3)构建预测模型并确定预测模型的结构，预测模型包括特征提取器和一层前馈神经网络层(4)将变压器在线监测状态量矩阵X中的一部分变压器在线监测状态量作为输入，对预测模型进行训练；(5)将变压器在线监测状态量矩阵X中的另一部分变压器在线监测状态量作为输入数据输入经过训练的预测模型，特征提取器提取出输入数据与预测结果之间的特征参数后，输入给前馈神经网络层；(6)输出预测结果。此外，本发明专利技术还公开了变压器状态参量趋势预测系统。

A trend prediction method and system for transformer state parameters

The invention discloses a transformer state parameter trend prediction method, which comprises the following steps: (1) collecting the transformer on-line monitoring state quantity; (2) normalizing the transformer on-line monitoring state quantity by using the method of deviation standardization to obtain the transformer on-line monitoring state quantity matrix X; (3) constructing the prediction model and determining the prediction model. The prediction model consists of a feature extractor and a feedforward neural network layer (4) a part of the transformer on-line monitoring state variables in the transformer state variables matrix X is used as input to train the prediction model; (5) another part of the transformer on-line monitoring state variables in the transformer state variables matrix X is trained. As input data input, trained prediction model, feature extractor extracts the characteristic parameters between input data and prediction results, then inputs them to feed forward neural network layer; (6) outputs prediction results. In addition, the invention also discloses a trend prediction system for transformer state parameters.

【技术实现步骤摘要】
一种变压器状态参量趋势预测方法及系统
本专利技术涉及一种预测方法及系统，尤其涉及一种用于趋势预测的预测方法及系统。
技术介绍
变压器状态一般通过多个特征参量的变化表现出来，这些特征参量(即变压器状态参量)会随着故障的不同因素例如故障类型、故障发生部位以及故障的严重程度而发生相应变化，通过预测不同故障对应的关键特征参量的变化趋势，有利于清晰直观了解变压器状态的变化过程。由于变压器状态参量的数据可以看作为一个复杂的数据序列，目前，传统的预测方法通常利用单一或少数参量的统计公式(例如回归分析或时间序列分析)外推未来的时间序列及变化趋势，但这些预测方法无法考虑众多相关因素对公式适应性的影响，也就是说一旦某个变压器状态参量的数据有缺失，则无法进行预测。而随着智能电网技术的发展，越来越多的信息例如变压器状态数据、电网运行数据及气象信息数据逐步在统一的信息平台上集成共享，因此，期望获得一种预测方法，其可以对变压器状态相关的多源信息进行关联关系挖掘，利用挖掘得到的状态量间关联关系作为先验知识，对预测模型进行自适应调整来提高变压器状态参量趋势预测的精度，最终达到对变压器状态参量趋势进行精确预测的效果。
技术实现思路
本专利技术的目的之一在于提供一种变压器状态参量趋势预测方法，该变压器状态参量趋势预测方法利用栅格长短时记忆网络提取各个变压器在线监测状态量之间的关联关系，并挖缺其与未来状态量(即所需要的预测结果)之间的趋势联系，对预测模型进行训练，最终通过训练后的预测模型中的前馈神经网络层输出预测结果，从而对变压器状态参量趋势进行精确预测。基于上述目的，本专利技术提出了一种变压器状态参量趋势预测方法，其包括步骤：(1)采集变压器在线监测状态量；(2)采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵X：其中，X1、X2和Xr分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列；(3)构建基于栅格长短时记忆网络的预测模型并确定所述预测模型的结构，所述预测模型包括特征提取器和一层前馈神经网络层，所述特征提取器包括N层栅格长短时记忆网络层；所述预测模型的结构包括栅格长短时记忆网络层的层数以及前馈神经网络层和各栅格长短时记忆网络层的神经元节点数；(4)将变压器在线监测状态量矩阵X中的一部分变压器在线监测状态量作为输入，对预测模型进行训练；(5)将变压器在线监测状态量矩阵X中的另一部分变压器在线监测状态量作为输入数据输入经过训练的预测模型，所述特征提取器提取出所述输入数据与预测结果之间的特征参数后，输入给所述前馈神经网络层；(6)所述前馈神经网络层输出预测结果。对于本专利技术所述的变压器状态参量趋势预测方法，在步骤(1)中，所采集到的变压器在线监测状态量可以根据影响故障的因素采集多组数据，例如：在一些实施方式中，变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据，从而使得采用本专利技术所述的变压器状态参量趋势预测方法进行预测时可以考虑多种因素混杂的复杂情况，比起现有技术只能考虑单一或少数影响故障的因素而言，本案的变压器状态参量趋势预测方法所获得的预测结果更为准确。并且优选地，采集时按照时间顺序采集，以便于数据形成时间序列矩阵。而在步骤(2)中，为了提高预测模型的精度，以使得最终通过本案的变压器状态参量趋势预测方法所获得的预测结果准确性高，采用离差标准化方法对变压器在线监测状态量进行归一化处理。需要说明的是，在本专利技术所述的技术方案中，变压器在线监测状态量矩阵X：其中，X1、X2和Xr分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列。例如：在一些实施方式中，变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据，则X1、X2和Xr分别表示变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据，而变压器在线监测状态量包括过去三十天内的变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据，下标1,2……n(n＝30)表示时间序列，而表示变压器状态在第一天时的变压器在线监测状态量。在本案中，以变压器在线监测状态量为输入特征量，通过栅格长短时记忆网络(GridLongShort-termMemory,简称为GLSTM)依据序列数据统计关系的特征提取，确定各个作为输入数据的变压器在线监测状态量自身时间维度的相关性，又由于变压器在线监测状态量为一种高维复杂参量，从中需提取出抽象的相关特征，激活强相关影响因素，抑制、弱化无关和冗余的信息，同时利用挖掘得到的变压器在线监测状态量间关联关系作为先验知识，对预测模型的权重参数进行自适应调整(即对预测模型进行训练)，最后将挖掘的特征参数提供给前馈神经网络层，预测得到变压器状态量变化趋势，最终由前馈神经网络层输出预测结果。由于该变压器状态参量趋势预测方法可以对变压器状态参量趋势进行精确预测，即可以对未来较长时间进行预测，因而，对电网运行具有实际指导意义。进一步地，在本专利技术所述的变压器状态参量趋势预测方法中，所述变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据的至少其中之一。更进一步地，在本专利技术所述的变压器状态参量趋势预测方法中，所述变压器状态数据包括变压器油中溶解的气体含量、变压器油温、变压器接地电流的至少其中之一；并且/或者涉及变压器的电网运行数据包括运行电流、有功功率和无功功率的至少其中之一；并且/或者变电站环境气象数据包括气温、地面温度、相对湿度和平均风速的至少其中之一。进一步地，在本专利技术所述的变压器状态参量趋势预测方法中，在步骤(4)中，采用基于时间的反向传播算法对预测模型进行训练。进一步地，在本专利技术所述的变压器状态参量趋势预测方法中，在步骤(3)中，采用实验法确定所述预测模型的结构。相应地，本专利技术的另一目的在于提供一种变压器状态参量趋势预测系统，通过该变压器状态参量趋势预测系统可以对变压器状态的多个变压器状态参量进行预测，该变压器状态参量趋势预测系统可以了解多个变压器故障因素对变压器状态所造成的影响，进而了解若干因素间的关联联系，使得该变压器状态参量趋势预测系统最终获得的预测结果精度高。基于上述目的，本专利技术提出了一种变压器状态参量趋势预测系统，其包括：数据采集模块，其采集变压器在线监测状态量；数据预处理模块，其采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵X：其中，X1、X2和Xr分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列；基于栅格长短时记忆网络的预测模型，所述预测模型包括特征提取器和一层前馈神经网络层，所述特征提取器包括N层栅格长短时记忆网络层；其中所述预测模型输入变压器在线监测状态量矩阵X中的数据，输出预测结果。进一步地，在本专利技术所述的变压器状态参量趋势预测系统中，所述变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据的至少其中之一。进一步地，在本专利技术所述的变压器状态参量趋势预本文档来自技高网...

【技术保护点】
1.一种变压器状态参量趋势预测方法，其特征在于，包括步骤：(1)采集变压器在线监测状态量；(2)采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵X：

【技术特征摘要】
1.一种变压器状态参量趋势预测方法，其特征在于，包括步骤：(1)采集变压器在线监测状态量；(2)采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵X：其中，X1、X2和Xr分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列；(3)构建基于栅格长短时记忆网络的预测模型并确定所述预测模型的结构，所述预测模型包括特征提取器和一层前馈神经网络层，所述特征提取器包括N层栅格长短时记忆网络层；所述预测模型的结构包括栅格长短时记忆网络层的层数以及前馈神经网络层和各栅格长短时记忆网络层的神经元节点数；(4)将变压器在线监测状态量矩阵X中的一部分变压器在线监测状态量作为输入，对预测模型进行训练；(5)将变压器在线监测状态量矩阵X中的另一部分变压器在线监测状态量作为输入数据输入经过训练的预测模型，所述特征提取器提取出所述输入数据与预测结果之间的特征参数后，输入给所述前馈神经网络层；(6)所述前馈神经网络层输出预测结果。2.如权利要求1所述的变压器状态参量趋势预测方法，其特征在于，所述变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据的至少其中之一。3.如权利要求2所述的变压器状态参量趋势预测方法，其特征在于，所述变压器状态数据包括变压器油中溶解的气体含量、变压器油温、变压器接地电流的至少其中之一；并且/或者涉及变压器的电网运行数据包括运行电流、有功功率和无功功率的至少其中之一；并且/或者变电站环境气象数据包括气温、地面温度、相对湿度和平均风速...

【专利技术属性】
技术研发人员：盛戈皞，代杰杰，李鹏，吴绍军，李金忠，李文升，安树怀，张书琦，王健一，高飞，仇宇舟，汪可，侯慧娟，
申请(专利权)人：国网山东省电力公司青岛供电公司，上海交通大学，中国电力科学研究院有限公司，
类型：发明
国别省市：山东,37