【技术实现步骤摘要】
一种变压器实时热点温度预测方法
本专利技术涉及变压器实时热点温度预测领域，尤其涉及一种变压器实时热点温度预测方法。
技术介绍
电力变压器热点温度是反映变压器健康状况的重要数据，变压器在过高的热点温度下运行，将严重影响变压器寿命和运行安全性。现有的变压器热点温度研究方法主要包括基于变压器测温系统的热点温度实时监测，基于经验公式法、热路模型法和数值模拟法的热点温度计算及基于智能学习算法的变压器热点温度预测三大类。目前较为常用的变压器热点温度预测方法主要包括神经网络、支持向量机、模糊神经系统及Kalman滤波算法等方法。支持向量机是基于统计理论的先进智能监督学习分类方法，通过寻求结构化风险最小来提高学习机泛化能力，将经验风险和置信区间最小化，其在解决小样本的高维非线性函数拟合问题时具有优势，但有文献指出选择合适的模型参数和核参数对支持向量机模型的学习和泛化能力尤为重要，会对预测模型的准确性产生直接的影响。在支持向量机的参数寻优研究中，已有学者提出了遗传算法、粒子群算法和引力搜索算法等方法，有效解决了支持向量机参数选择难的问题，可有...
【技术保护点】
1.一种变压器实时热点温度预测方法，其特征在于，包括以下步骤：/nS1、获取变压器的负荷电流、环境温度、顶层油温、实时热点温度的历史数据，对历史数据进行预处理生成训练样本集和测试样本集；/nS2、建立SVR预测模型；/nS3、采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练；/nS4、将测试样本输入到S3中训练好的SVR中进行预测，得到变压器实时热点温度预测值。/n
【技术特征摘要】
1.一种变压器实时热点温度预测方法，其特征在于，包括以下步骤：
S1、获取变压器的负荷电流、环境温度、顶层油温、实时热点温度的历史数据，对历史数据进行预处理生成训练样本集和测试样本集；
S2、建立SVR预测模型；
S3、采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练；
S4、将测试样本输入到S3中训练好的SVR中进行预测，得到变压器实时热点温度预测值。
2.根据权利要求1所述的一种变压器实时热点温度预测方法，其特征在于，步骤S1中获取历史数据，且对历史数据进行预处理生成训练样本集和测试样本集的过程为：
变压器的特征参数有：负荷电流、环境温度、顶层油温、实时热点温度，将上述特征参数的历史数据分为训练样本集和测试样本集；
训练样本集Trn中每个样本将预测前两个时刻的负荷电流、环境温度、顶层油温的值作为输入，表示为其中m为预测模型输入个数，这里m＝6，将预测时刻对应的实时热点温度作为输出，表示为l的取值由预测模型输出个数决定，这里l＝1；n为样本集中第n个样本；
测试样本集Ten的选取方式与训练样本集Trn的选取方式相同。
3.根据权利要求2所述的一种变压器实时热点温度预测方法，其特征在于，步骤S2中建立SVR预测模型的过程为：
SVR通过目标函数最小化来确定回归函数：
f(xi)-yi≤ε+ξi
s.t.yi-f(xi)≤ε+ξi
式中：w为权重矢量，w∈Rn；f(xi)为SVR预测输出值，yi为SVR目标输出值；C是惩罚系数；ξi、为松弛因子；ε为不敏感损失系数。
4.根据权利要求3所述的一种变压器实时热点温度预测方法，其特征在于，在上述的回归函数中引入拉格朗日乘子，将其转化为以下对偶问题的求解：
且0≤ai,
式中：K(xi,xj)为核函数，满足Mercer条件；ai和为拉格朗日乘子；
求解上式得到最优回归函数为：
其中，b为截距项，b∈R。
5.根据权利要求4所述的一种变压器实时热点温度预测方法，其特征在于，步骤S3采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练的过程为：
S31、参数初始化：
设置算法的种群规模M，粒子维度D，最大迭代次数Tmax，SVR模型需优化的参数包括惩罚系数C和核函数参数σ，则生成算法初始种群：
其中，d表示1至D维的第d维，M为种群大小，共M个粒子，粒子维度D＝2，即初始种群表示为：Xi＝[Ci,σi]；
S32、设置训练目标函数如下式，即粒子的适应度值函数：
式中：pt、分别是实际热点温度和预测热点温度；T为训练样本数；
S33、粒子Xi在解空间第t次迭代过程中：
S331、根据下式计算个体的万有引力惯性质量：
式中，fiti(t)和Mi(t)分别表示第t次迭代时第i个粒子的适应度值函数和惯性质量，best(t)和wor...
【专利技术属性】
技术研发人员：董朕，吴建光，卢欣奇，甘文琪，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司肇庆供电局，
类型：发明
国别省市：广东;44
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。