一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法制造方法及图纸

本发明专利技术公开了一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法，包括：采集影响变压器铁芯接地电流的特征量实时数据，并进行预处理；将预处理后的特征量实时数据输入至预先构建并训练好的SSA优化BP神经网络模型中，获取变压器铁芯接地电流在线预测结果；SSA优化BP神经网络模型的训练方法包括：采集影响变压器铁芯接地电流的特征量历史数据；根据输入矩阵维度搭建BP神经网络模型，依据特征量历史数据对所搭建的BP神经网络模型进行模型训练，并在训练过程中采用SSA算法优化BP神经网络模型参数，得到SSA优化BP神经网络模型。本发明专利技术能够对变压器铁芯接地电流的未来数据做出预测，以便及时防范和控制变压器铁芯多点接地故障的发生。芯多点接地故障的发生。芯多点接地故障的发生。

【技术实现步骤摘要】
一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法


[0001]本专利技术涉及电力变压器
，特别涉及一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法。

技术介绍

[0002]变压器是电网设备中维护电力系统稳定运行必不可缺少的重要设备，作为电力系统正常运行的重要环节，变压器的正常运行决定了电力系统是否稳定、安全、可靠的供电。变压器作为变电设备核心的部分，其内部铁芯必须有一点可靠接地；但是，当变压器铁芯因为浮尘或者与其他金属结构构成多地点接地的时候，会造成短路，使得变压器铁芯发生热、放电等故障，严重威胁电网的安全。
[0003]随着在线监控技术的发展，变压器的铁芯接地电流也可以实现在线监控，并且当变压器铁芯发生故障时候其接地电流会发生明显变化，当接地电流超出正常范围时应给予重视。然而，由于变压器铁芯接地电流影响因素很多，加上本身的复杂性和非线性因素等条件的限制，现有的在线监控系统只能检测到变压器铁芯接地电流运行的实时数据，一般的统计学方法对铁芯接地电流未来数据也难以预测，从而无法预测出设备的潜伏性故障，不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器铁芯接地电流在线预测方法，其特征在于，所述方法包括：采集影响变压器铁芯接地电流的特征量实时数据，并进行预处理；将预处理后的特征量实时数据输入至预先构建并训练好的BP神经网络模型中，获取变压器铁芯接地电流在线预测结果；其中，所述BP神经网络模型的输入矩阵维度是根据影响变压器铁芯接地电流的、关联度高于设定阈值的特征量确定的；所述BP神经网络模型由影响变压器铁芯接地电流的特征量历史数据训练并由麻雀搜索算法SSA优化获取。2.根据权利要求1所述的变压器铁芯接地电流在线预测方法，其特征在于，所述关联度利用灰色关联度分析法计算获取。3.根据权利要求1所述的变压器铁芯接地电流在线预测方法，其特征在于，还包括：根据所输入的特征量实时数据及相应的变压器铁芯接地电流在线预测结果更新BP神经网络模型的权重。4.根据权利要求1所述的变压器铁芯接地电流在线预测方法，其特征在于，影响变压器铁芯接地电流的特征量包括前一时刻的铁芯接地电流数据、变压器油中微水含量、H2浓度、C2H2浓度、CH4浓度、C2H4浓度、C2H6浓度、一氧化碳和二氧化碳浓度、绕组温度及油箱中油温。5.根据权利要求4所述的变压器铁芯接地电流在线预测方法，其特征在于，所述预处理包括：对特征量实时数据中的错误数据及缺失数据进行填充。6.根据权利要求5所述的变压器铁芯接地电流在线预测方法，其特征在于，对特征量实时数据中的错误数据及缺失数据进行填充的方法包括：将BP预测模型对该时刻铁芯接地电流数据的预测值与前一时刻获取铁芯接地电流数据的真实值或填充值的均值作为该时刻的填充值进行填充。7.根据权利要求1所述的变压器铁芯接地电流在线预测方法，其特征在于，采用影响变压器铁芯接地电流的特征量历史数据训练BP神经网络模型之前，采用K近邻算法KNN对特征量历史数据中的错误数据及缺失数据进行填充。8.根据权利要求1至7任一所述的变压器铁芯接地电流在线预测方法，其特征在于，采用SSA优化BP神经网络模型的方法包括以下步骤：初始化所搭建的BP神经网络模型的模型参数；根据输入矩阵维度及特征量历史数据构建训练BP神经网络模型的输入矩阵；将所构建的输入矩阵输入至BP神经网络模型进行模型训练，并通过SSA计算每个麻雀初始的适应度值，根据适应度值更新并计算预警值；基于适应度值和预警值更新追随者位置和意识到危险的麻雀位置；计算位置更新后的适应度值，直至更新得到当前最佳适应度值和最优位置后分别赋值给BP神经网络模型作为权值和阈值；重复上述步骤进行模型训练，直至达到预设的模型训练停止条件，得到SSA优化后的BP神经网络模型。9.根据权利要求3所述的变压器铁芯接地电流在线预测方法，其特征在于，更新BP神经网络模型的权重的方法包括以下步骤：根据载入的输入矩阵，获取当前时刻t的铁芯接地电流真实值及前一时刻对当前时
刻的铁芯接地电流预测值根据公式(1)计算误差e
t
为：基于误差函数e
t
，计算更新的权重T(i)更新：式中，T(i)表示在epoch次数内第i次更新的权重，其初始值T(0)为BP神经网络模型上一时刻训练完成时的权重矩阵；i＝1,2
…
N，N为epoch次数；w
ih
代表输入层到隐藏层的权重；w
ho
代表隐藏层到输出层的权重；∈为学习率；δ为预设的常数取值；累积量r(i)为在线更新过程中第i次更新的值，r(i)通过公式(3)获取：式中，ρ为衰减速度；r为引入的累计变量，r的初始值r(0)＝0；r(i
‑
1)为第i
‑
...

【专利技术属性】
技术研发人员：吕顺利，单淼轩，丁杰，王伟，周捷，张海滨，国中琦，李金波，罗欣，张冰，董璇，侯宇，张鹏，左红兵，刘世裕，曹东宏，裴煜，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：