变压器温度预警模型的获取方法和装置及温度预测方法制造方法及图纸

本发明专利技术提供一种变压器温度预警模型的获取方法和装置及温度预测方法，属于变压器技术领域。所述方法包括：建立温度预警初始模型；获取数据集，数据集的数据包括多个温度数据组和与所述温度数据组对应的真实标签，温度数据组包括相同预设时长内的多个变压器温度和环境温度；对数据集中的数据进行特征提取，得到变压器温度特征和环境温度特征；将变压器温度特征和环境温度特征融合，得到融合特征；基于融合特征和温度预警初始模型，确定预测标签；以及基于真实标签和所述预测标签，对温度预警初始模型进行修正，以获取所述温度预警模型。上述技术方案，在获取变压器温度预警模型的过程中考虑了环境温度对变压器运行的影响，模型预测的结果准确可靠。

【技术实现步骤摘要】
变压器温度预警模型的获取方法和装置及温度预测方法
本专利技术涉及变压器
，具体地涉及一种变压器温度预警模型的获取方法和获取装置及温度预测方法。
技术介绍
随着配电网规模快速增长，为满足经济社会快速发展用电需求，住宅区、工厂等低电压等级的配电场所的配电变压器等电力设备铺设数量逐渐增多。由于台区变压器在运行过程中产生的电能损耗会转化为热能，导致变压器温度升高。若出现温度异常会对变压器设备造成损坏，致使其寿命缩短，甚至出现失火等情况。因此，在配变台区实现温度预测功能，对于合理配置负载，整体评估服役寿命，以及保证电力系统可靠运行具有重要意义。现有基于机器学习或深度学习温度预测方法，多借助设备温度或设备负载率历史数据等作为训练和测试样本，并设计相关预测模型拟合数据样本中的时序温度关系，进而形成对下一时刻的电力设备温度预测。然而现有的预测方法具有以下缺点：(1)依赖于根据先验知识设计的特征提取器的性能，导致模型性能依赖于特征提取器的拟合程度，如想要提高预测精度则需要大量的人工进行特征提取器的设计，使得现有的预测方法缺乏灵活性和可靠性；(2)将模型训练任务拆分成数个部分分别解决，而后再将结果结合起来以获得所需的预测结果，因而无法实现端到端预测过程，限制了现有的预测方法的准确性和实用性；(3)利用设备温度或设备负载率等数据训练预测模型。
技术实现思路
本专利技术实施例的目的是提供一种变压器温度预警模型的获取方法和获取装置及变压器的温度预测方法，用于解决上述技术问题中的一者或多者。r>为了实现上述目的，本专利技术实施例提供一种变压器温度预警模型的获取方法，所述方法包括：建立温度预警初始模型；获取数据集，所述数据集的数据包括多个温度数据组和与所述温度数据组对应的真实标签，所述温度数据组包括相同预设时长内的多个变压器温度和与所述变压器温度对应的环境温度；对所述数据集中的数据进行特征提取，得到变压器温度特征和环境温度特征；将所述变压器温度特征和所述环境温度特征融合，得到融合特征；基于所述融合特征和所述温度预警初始模型，确定预测标签；以及基于所述真实标签和所述预测标签，对所述温度预警初始模型进行修正，以获取所述温度预警模型。可选的，在对所述数据集中的数据进行特征提取后，所述方法还包括：确定所述变压器温度重要性权重和所述环境温度重要性权重；基于所述变压器温度特征和变压器温度重要性权重，确定变压器温度加权特征，并基于所述环境温度特征和环境温度重要性权重，确定环境温度加权特征；以及将所述变压器温度加权特征和环境温度加权特征融合，得到加权融合特征，并将所述加权融合特征作为所述融合特征。可选的，所述方法还包括通过以下方式获得所述变压器温度重要性权重和环境温度重要性权重：分别获取所述变压器温度特征和环境温度特征经神经网络输出的变压器温度输出值和环境温度输出值；分别对所述变压器温度输出值和环境温度输出值进行卷积运算后得到与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量；以及分别将与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量映射至[0,1]区间，以获得所述变压器温度重要性权重和所述环境温度重要性权重。可选的，通过以下方式确定变压器温度加权特征和环境温度加权特征其中，i表示变压器温度或环境温度，j表示第j个温度数据组，t表示预设时长内的第t个时间点，S表示加权特征，α表示重要性权重，Y表示特征。可选的，所述将所述变压器温度特征和所述环境温度特征融合包括：将所述变压器温度特征和所述环境温度特征串联拼接后得到的串联特征作为所述融合特征。可选的，通过以下方式确定预测标签：其中，p(·)表示标签分布的预测函数，x表示融合特征，k表示标签类别数，θk表示第k类标签对应参数向量，T表示转置。可选的，所述基于真实标签和所述预测标签对所述温度预警初始模型进行修正包括：确定所述真实标签与所述预测标签的差异；以及基于所述差异对所述温度预警初始模型进行修正。可选的，通过以下方式确定所述真实标签与所述预测标签的差异：其中，Reloss(·)表示真实标签与预测标签的差异，i表示柱头温度或环境温度，t表示预设时长内的第t个时间点，c表示第c个串联特征，n表示温度数据组的数量，y表示真实标签分布，S表示串联特征，p(·)表示标签分布的预测函数。可选的，所述基于所述差异对所述温度预警初始模型进行修正，包括基于以下损失函数对所述温度预警初始模型进行修正：其中，Θ为参数集合，λ为超参数，θc为正则化参数，i表示柱头温度或环境温度，t表示预设时长内的第t个时间点，c表示第c个串联特征，n表示温度数据组的数量，y表示真实标签分布，S表示特征，p(·)表示标签分布的预测函数。可选的，所述方法还包括：确定所述变压器温度特征和环境温度特征分别与所述串联特征的KL散度；基于所述KL散度，确定所述变压器温度特征和环境温度特征分别与所述串联特征的平均KL散度；以及基于所述平均KL散度对所述温度预警初始模型进行修正。可选的，通过以下方式确定所述平均KL散度：其中，Coloss(·)表示平均KL散度，j表示第j个温度数据组，i表示柱头温度或环境温度，t表示预设时长内的第t个时间点，c表示第c个串联特征，n表示温度数据组的数量，S表示特征，DKL(·)表示KL散度，p(·)表示标签分布的预测函数。可选的，所述基于所述平均KL散度对所述温度预警初始模型进行修正包括基于以下损失函数对所述温度预警初始模型进行修正：其中，其中，Θ为参数集合，μ和λ为超参数，θc和θj为正则化参数，j表示第j个温度数据组，i表示柱头温度或环境温度，t表示预设时长内的第t个时间点，c表示第c个串联特征，n表示温度数据组的数量，y表示真实标签分布，S表示特征，DKL(·)表示KL散度，p(·)表示标签分布的预测函数。另一方面，本专利技术实施例提供一种用于变压器的温度预测方法，所述方法包括：获取一时间点的变压器温度和环境温度，将所述变压器温度和环境温度作为输入数据，基于本专利技术上述中任一项所述方法获取的变压器温度预警模型，获取与所述输入数据对应的输出数据；以及基于所述输出数据，对所述变压器在所述时间点后的状态进行预测。可选的，所述将所述变压器温度和环境温度作为输入数据包括：基于变压器温度重要性权重对所述变压器温度进行加权，得到加权变压器温度；基于环境温度重要性权重对所述环境温度进行加权，得到加权环境温度；以及将所述加权变压器温度和加权环境温度作为所述输入数据。另一方面，本专利技术实施例提供一种变压器温度预警模型的获取装置，所述装置包括：初始模型建立单元，用于建立温度预警初始模型；数据采集单元，用于获取数据集，所述数据集的数据包括多个温度数据组和与所述温度数据组对应的真实标签，所述温度数据组包括相同预设时长内的多个变压器温度和与所述变压器温度对应的环境温度；特征提取单元，用于对所述数据集中的数据进行特征提取，得到变压器温度特征和环境温度特征；融合单元，用于将所述变压器温度特征和所述环境温度本文档来自技高网...

【技术保护点】
1.一种变压器温度预警模型的获取方法，其特征在于，所述方法包括：/n建立温度预警初始模型；/n获取数据集，所述数据集的数据包括多个温度数据组和与所述温度数据组对应的真实标签，所述温度数据组包括相同预设时长内的多个变压器温度和与所述变压器温度对应的环境温度；/n对所述数据集中的数据进行特征提取，得到变压器温度特征和环境温度特征；/n将所述变压器温度特征和所述环境温度特征融合，得到融合特征；/n基于所述融合特征和所述温度预警初始模型，确定预测标签；以及/n基于所述真实标签和所述预测标签，对所述温度预警初始模型进行修正，以获取所述温度预警模型。/n

【技术特征摘要】
1.一种变压器温度预警模型的获取方法，其特征在于，所述方法包括：
建立温度预警初始模型；
获取数据集，所述数据集的数据包括多个温度数据组和与所述温度数据组对应的真实标签，所述温度数据组包括相同预设时长内的多个变压器温度和与所述变压器温度对应的环境温度；
对所述数据集中的数据进行特征提取，得到变压器温度特征和环境温度特征；
将所述变压器温度特征和所述环境温度特征融合，得到融合特征；
基于所述融合特征和所述温度预警初始模型，确定预测标签；以及
基于所述真实标签和所述预测标签，对所述温度预警初始模型进行修正，以获取所述温度预警模型。


2.根据权利要求1所述的方法，其特征在于，在对所述数据集中的数据进行特征提取后，所述方法还包括：
确定所述变压器温度重要性权重和所述环境温度重要性权重；
基于所述变压器温度特征和变压器温度重要性权重，确定变压器温度加权特征，并基于所述环境温度特征和环境温度重要性权重，确定环境温度加权特征；以及
将所述变压器温度加权特征和环境温度加权特征融合，得到加权融合特征，并将所述加权融合特征作为所述融合特征。


3.根据权利要求2所述的方法，其特征在于，所述方法还包括通过以下方式获得所述变压器温度重要性权重和环境温度重要性权重：
分别获取所述变压器温度特征和环境温度特征经神经网络输出的变压器温度输出值和环境温度输出值；
分别对所述变压器温度输出值和环境温度输出值进行卷积运算后得到与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量；以及
分别将与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量映射至[0,1]区间，以获得所述变压器温度重要性权重和所述环境温度重要性权重。


4.根据权利要求2所述的方法，其特征在于，通过以下方式确定变压器温度加权特征和环境温度加权特征：



其中，i表示变压器温度或环境温度，j表示第j个温度数据组，t表示预设时长内的第t个时间点，S表示加权特征，α表示重要性权重，Y表示特征。


5.根据权利要求1所述的方法，其特征在于，所述将所述变压器温度特征和所述环境温度特征融合包括：
将所述变压器温度特征和所述环境温度特征串联拼接后得到的串联特征作为所述融合特征。


6.根据权利要求1所述的方法，其特征在于，通过以下方式确定预测标签：



其中，p(·)表示标签分布的预测函数，x表示融合特征，k表示标签类别数，θk表示第k类标签对应参数向量，T表示转置。


7.根据权利要求1所述的方法，其特征在于，所述基于真实标签和所述预测标签对所述温度预警初始模型进行修正包括：
确定所述真实标签与所述预测标签的差异；以及
基于所述差异对所述温度预警初始模型进行修正。


8.根据权利要求7所述的方法，其特征在于，通过以下方式确定所述真实标签与所述预测标签的差异：



其中，Reloss(·)表示真实标签与预测标签的差异，i表示柱头温度或环境温度，t表示预设时长内的第t个时间点，c表示第c个串联特征，n表示温度数据组的数量，y表示真实标签分布，S表示串联特征，p(·)表示标签分布的预测函数。


9.根据权利要求7所述的方法，其特征在于，所述基于所述差异对所述温度预警初始模型进行修正，包括基于以下损失函数对所述温度预警初始模型进行修正：



其中，Θ为参数集合，λ为超参数，θc为正则化参数，i表示柱头温度或环境温度，t表示...

【专利技术属性】
技术研发人员：马率颖，甄岩，陈文彬，白晖峰，郑利斌，霍超，张港红，贺金红，高建，尹志斌，苑佳楠，罗安琴，
申请(专利权)人：北京智芯微电子科技有限公司，国网信息通信产业集团有限公司，
类型：发明
国别省市：北京;11