基于循环神经网络的变压器过热故障预警方法技术

本发明专利技术公开了一种基于循环神经网络的变压器过热故障预警方法，通过建立循环神经网络及分类神经网络，循环神经网络实现对历史物理量在时间维度上的状态预测，分类神经网络实现物理量与预警状态的准确匹配；以变压器油色谱中的气体含量和热点温度作为输入状态量，以过热故障的严重程度为输出量；基于历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练，将训练完成的神经网络模块集成到变压器运维平台中心，用于及时向变压器运行维护人员提供告警预警；并根据电力设备运维规程提供对应运维方案，在变压器发生过热故障之前对设备进行提前检测和维护。本发明专利技术提高了变压器的过热故障预警准确性，降低了设备的运行风险。

Early warning method of transformer overheat based on cyclic neural network

【技术实现步骤摘要】
基于循环神经网络的变压器过热故障预警方法
本专利技术涉及电力变压器监控和维护领域，尤其涉及一种基于循环神经网络的变压器过热故障预警方法。
技术介绍
电力变压器作为电力系统安全稳定运行的枢纽设备，如何准确预测故障，对于保证电网安全运行至关重要。据统计，在变压器所有的故障类型中过热故障所占的比例最大，且温度的升高使得变压器的绝缘寿命持续下降，亟需根据变压器测量物理量对变压器的过热故障进行诊断和预警。油中溶解气体分析技术(DGA)和热点温度是分析变压器过热故障诊断的重要物理量，先前的诊断多是基于国家标准以及专家诊断，但分析手段过于落后，且无法对变压器过热故障进行主动预警。实现变压器的过热故障预警能够在设备发生过热故障之前对设备进行提前检测和维护，提高运行维护人员的维护效率以及降低设备的运行风险。深度学习和神经网络因其在数据处理及预测方面具有优异的表现，被广泛应用于语音处理、图像识别等领域。基于深度学习的变压器故障预警尚处于起步阶段，循环神经网络能够基于历史数据实现对未来数据的预测，目前在电网负荷预测中应用较多，但在电力设备故障预警方面应用较少。电力变压器热点温度以及油色谱数据根据设备运行状态在进行实时变化，循环神经网络能够实现对这些物理量的有效预测。
技术实现思路
专利技术目的：针对以上问题，本专利技术提出一种基于循环神经网络的变压器过热故障预警方法，对电力变压器的过热故障进行主动预警，根据电力设备运维规程提供对应运维方案，在变压器发生过热故障之前对设备进行提前检测和维护。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于循环神经网络的变压器过热故障预警方法，包括步骤：(1)获取变压器的各状态量的历史监测数据并进行归一化处理，归一化的数据作为神经网络的样本库；(2)构造循环神经网络，输入量为归一化后的变压器油色谱中气体含量和热点温度的历史数据，输出量为对应物理量的未来数据；(3)构造分类神经网络，以物理量的未来数据为输入量，以过热故障的严重程度为输出量；(4)根据历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练，并根据训练结果对循环神经网络的隐含层层数N和分类神经网络的隐含层层数L进行修订；(5)将训练完成的神经网络模块集成到变压器运维平台中心，向运行维护人员提供变压器告警预警。进一步地，所述步骤1中，归一化模型采用z-score归一化：x＝(xd-u)/δ其中，xd表示原始数据，x表示归一化值，u表示均值，δ表示标准差。进一步地，所述步骤2中，循环神经网络采用长短期预测神经网络。进一步地，所述步骤2中，循环神经网络的输入层为9个输入元，包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量；循环神经网络的输出层为9个输出元，与输入物理量相同。进一步地，所述步骤3中，分类神经网络的输入层为9个输入元，包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量；分类神经网络的输出层为1个输出元，为过热故障的严重程度。进一步地，所述步骤3中，过热故障的严重程度分为红色预警、黄色预警、蓝色预警以及正常运行。有益效果：本专利技术采用循环神经网络对电力变压器热点温度以及油色谱数据进行预测，并通过分类神经网络实现物理量预测结果与对应过热预警状态的匹配，实现对电力变压器过热故障的主动预警，且该模块能集成在运维平台上对运行维护人员进行及时通报。根据电力设备运维规程提供对应运维方案，在电力变压器发生过热故障之前对设备进行提前检测和维护，从而提高变压器的过热故障预警准确性，降低设备的运行风险。附图说明图1是本专利技术基于循环神经网络的变压器过热故障预警方法流程图；图2是循环神经网络和分类神经网络示意图。具体实施方式下面结合附图和实施例对本专利技术的技术方案作进一步的说明。如图1所示，本专利技术所述的基于循环神经网络的变压器过热故障预警方法，包括步骤：(1)获取变压器的各状态量的历史监测数据并进行归一化处理，归一化的数据作为神经网络的样本库；其归一化模型为z-score归一化，表示为：x＝(xd-u)/δ其中，xd表示原始数据，x表示归一化值，u表示均值，δ表示标准差。电力变压器过热预警的物理量主要包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量。(2)如图2所示，构造循环神经网络，循环神经网络的输入量为变压器油色谱中气体含量和热点温度的历史数据(归一化处理后)，循环神经网络的输出量为对应物理量的未来数据；设定物理量历史天数为30天，预测未来一周内的物理量状态变化。采用长短期预测神经网络，初始设定长短期预测(LSTM)层数为2层。循环神经网络的输入层为9个输入元，包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量；循环神经网络的输出层为9个输出元，与输入物理量相同；循环神经网络的N层隐含层需要根据训练效果进行确定。(3)如图2所示，构造分类神经网络，以物理量的未来数据为输入量，以过热故障的严重程度为输出量，严重程度分为红色预警、黄色预警、蓝色预警以及正常运行，依次对应于4、3、2、1；初始设定隐含层为3层，每层神经元为30个。分类神经网络的输入层为9个输入元，为循环神经网络的输出层结果，包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量；分类神经网络的输出层为1个输出元，为设备运行状态。循环神经网络的L层隐含层需要根据训练效果进行确定。(4)在MATLAB平台上，基于MATLAB自带的神经网络工具箱，根据历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练，并根据训练结果对循环神经网络和分类神经网络的超参数N和L进行修订；(5)将训练完成的神经网络模块集成到变压器运维平台中心，用于及时向变压器运行维护人员提供告警预警，并根据电力系统运维规程提供对应运维方案，在设备发生过热故障之前对设备进行提前检测和维护。本专利技术结合循环神经网络和分类神经网络，实现对电力变压器未来一周内的过热故障主动预警，且该模块能集成在运维平台上对运行维护人员进行及时通报。在设备故障出现之前对设备进行针对性、预防性的维护，提高设备运行安全性，降低设备运行风险并节约运维成本。本文档来自技高网...

【技术保护点】
1.一种基于循环神经网络的变压器过热故障预警方法，其特征在于，包括步骤：/n(1)获取变压器的各状态量的历史监测数据并进行归一化处理，归一化的数据作为神经网络的样本库；/n(2)构造循环神经网络，输入量为归一化后的变压器油色谱中气体含量和热点温度的历史数据，输出量为对应物理量的未来数据；/n(3)构造分类神经网络，以物理量的未来数据为输入量，以过热故障的严重程度为输出量；/n(4)根据历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练，并根据训练结果对循环神经网络的隐含层层数N和分类神经网络的隐含层层数L进行修订；/n(5)将训练完成的神经网络模块集成到变压器运维平台中心，向运行维护人员提供变压器告警预警。/n

【技术特征摘要】
1.一种基于循环神经网络的变压器过热故障预警方法，其特征在于，包括步骤：
(1)获取变压器的各状态量的历史监测数据并进行归一化处理，归一化的数据作为神经网络的样本库；
(2)构造循环神经网络，输入量为归一化后的变压器油色谱中气体含量和热点温度的历史数据，输出量为对应物理量的未来数据；
(3)构造分类神经网络，以物理量的未来数据为输入量，以过热故障的严重程度为输出量；
(4)根据历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练，并根据训练结果对循环神经网络的隐含层层数N和分类神经网络的隐含层层数L进行修订；
(5)将训练完成的神经网络模块集成到变压器运维平台中心，向运行维护人员提供变压器告警预警。


2.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法，其特征在于，所述步骤1中，归一化模型采用z-score归一化：
x＝(xd-u)/δ
其中，xd表示原始数据，x表示归一化值，u表示均值，δ表示标准差。

<...

【专利技术属性】
技术研发人员：肖拥军，李伟，蒋观峰，朱永华，袁维芳，
申请(专利权)人：云领电气智能科技苏州有限公司，
类型：发明
国别省市：江苏;32