一种基于神经网络算法的变压器温度调节方法及装置制造方法及图纸

本发明专利技术公开了一种基于神经网络算法的变压器温度调节方法及装置，其中变压器温度调节方法包括如下步骤：步骤S1：获取数据；步骤S2：对数据进行预处理；步骤S3：将相关影响因素中的变量作为输入变量，并对输入变量进行归一化处理，以变压器理想温度作为输出变量；步骤S4：确定网络拓扑结构，建立BP神经网络模型；步骤S5：优化BP神经网络模型的权值和阈值；步骤S6：将归一化的输入变量和输出变量输入优化后的BP神经网络模型中进行训练；步骤S7：计算得到上述相关影响因素变量值；步骤S8:根据相关影响因素变量值对变压器温度调节装置进行控制，来调节变压器运行温度，提升变压器运行效率和使用寿命。使用寿命。使用寿命。

【技术实现步骤摘要】
一种基于神经网络算法的变压器温度调节方法及装置


[0001]本专利技术涉及变压器
，具体涉及变压器温度调节技术。

技术介绍

[0002]随着电网设备规模大幅度增加，变电站变压器负荷越来越大，变压器运行温度经常居高不下，特别是近年来夏季温度远高于往年，造成变压器日常运行温度较高，严重影响变压器的运行效率和使用寿命；而目前仅靠变压器本身固有的散热装置无法有效降低变压器的运行温度，因此在夏季炎热期间寻找有效的方法降低变压器运行温度成为一件迫在眉睫的事情。

技术实现思路

[0003]针对现有技术的缺陷，本专利技术所要解决的技术问题就是提供一种基于神经网络算法的变压器温度调节方法和装置，采用多元融合的变压器温度调节方法，提升变压器运行效率和使用寿命。
[0004]为解决上述技术问题，本专利技术采用如下技术方案：
[0005]基于神经网络算法的变压器温度调节方法，包括如下步骤：
[0006]步骤S1：获取影响变压器温度调节的相关影响因素，相关影响因素包括水流、水温、室外温度、变压器初始温度、喷水时间五种变量；
[0007]步骤S2：对获取到的数据进行预处理；
[0008]步骤S3：将相关影响因素中的变量作为输入变量，并对输入变量进行归一化处理，以变压器理想温度作为输出变量；
[0009]步骤S4：确定网络拓扑结构，建立BP神经网络模型，对BP神经网络进行初始化；
[0010]步骤S5：采用改进的粒子群算法优化BP神经网络模型的权值和阈值，使BP神经网络模型的全局误差达到预设精度；
[0011]步骤S6：将归一化的输入变量和输出变量输入优化后的BP神经网络模型中进行训练，得到基于优化BP神经网络的变压器温度调节模型；
[0012]步骤S7：将采集的测试样本进行归一化后输入基于优化BP神经网络的变压器温度调节模型，以变压器理想温度为输出目标，得到上述相关影响因素变量值；
[0013]步骤S8:根据相关影响因素变量值对变压器温度调节装置进行控制，来调节变压器运行温度，使变压器运行温度处于合理的水平。
[0014]优选的，采用改进的粒子群算法优化BP神经网络模型的权值和阈值的方法包括如下步骤：
[0015]S51：设置种群规模，初始化种群位置及速度；
[0016]S52：根据激活函数计算每个粒子的适应度，并分别与各个粒子的最优位置P
best
和群体最优位置g
best
作比较，若优，则替换，否则不变；
[0017]S53：调整粒子速度和位置；
[0018]S54：在范围(0,1)内产生一个随机数，如果随机数大于变异系数，则随机初始化种群，否则，步入步骤S55；
[0019]S55：判断是否满足终止条件，若是，输出最优粒子位置P
best
和群体最优位置g
best
，否则，返回步骤S52。
[0020]优选的，所述粒子速度和位置的调整方法分别为：
[0021][0022][0023]其中表示第i个粒子在第k+1次迭代的速度，表示第i个粒子在第k次迭代的速度，表示第i个粒子在第k次迭代的位置，表示第i个粒子在第k+1次迭代的位置，C1(j)、C2(j)均表示第j次迭代时的学习因子；w表示权值系数；r1、r2均为(0,1)内的随机数，
[0024]学习因子的更新公式为：
[0025]C1(j)＝C
1i
‑
i(C
1i
‑
C
1n
)/i
max
；
[0026]C2(j)＝C
2i
‑
i(C
2n
‑
C
2i
)/i
max
；
[0027]其中，C
1i
为学习因子C1(j)的初始值，C
2i
为学习因子C2(j)的初始值，C
1n
为学习因子C1(j)的最终值，C
2n
为学习因子C2(j)的最终值。
[0028]优选的，在特定的变压器工作环境下，已知环境温度、变压器初始运行温度，通过改变水流、水温、喷水时间来调节变压器运行温度。
[0029]本专利技术还提供了一种变压器温度调节装置，包括水箱、冷却器、抽水泵、水管、雾化喷头、回收器，将所述的基于神经网络的变压器温度调节方法应用于变压器温度调节装置，在特定的变压器工作环境下，已知环境温度、变压器初始运行温度，通过改变水流、水温、喷水时间来调节变压器运行温度，使变压器运行温度处于合理的水平。
[0030]本专利技术采用的技术方案，使用神经网络算法，根据以往变电站变压器运行参数，创新性的以影响变压器温度调节的关键元素作为模型的指标，可以较为全面的反映变压器情况，形成多元融合的变压器温度调节方法。
[0031]本专利技术通过变压器温度调节方法和对应的装置，提升变压器运行效率，有针对性的在变压器运行环境温度较高的情况下进行调节，以提升变压器运行效率和使用寿命。
[0032]本专利技术采用的具体技术方案及其带来的有益效果将会在下面的具体实施方式中结合附图中予以详细的揭露。
附图说明
[0033]下面结合附图和具体实施方式对本专利技术作进一步描述：
[0034]图1为BP神经网络的拓扑结构示意图；
[0035]图2为变压器温度调节装置的结构示意图；
[0036]图中：1
‑
水箱、2
‑
抽水泵、3
‑
冷却器、4
‑
水管、5
‑
雾化喷头、6
‑
回收器。
具体实施方式
[0037]下面结合本专利技术实施例的附图对本专利技术实施例的技术方案进行解释和说明，但下
述实施例仅为本专利技术的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本专利技术的保护范围。
[0038]实施例一
[0039]一种基于神经网络算法的变压器温度调节方法，包括以下步骤：
[0040]从数据库中读入影响变压器温度调节的相关影响因素，相关影响因素包括：水流，水温，室外温度，变压器温度，喷水时间五种变量。数据库中相关影响因素的相关数据已知。
[0041]将相关影响因素中的变量作为输入变量，并对输入变量进行归一化处理，
[0042]以变压器理想油面温度作为输出变量。为使输入变量的数据能够适应传递函数，提高计算过程的收敛速度，需要对训练数据进行归一化处理，处理后的变量取值范围在[
‑
1,1]之间，计算方法为：
[0043][0044]其中，X
i
为输入变量t
i
归一化后的值；t
max
为输入变量t
i
的最大值，t
mi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络算法的变压器温度调节方法，其特征在于，包括如下步骤：步骤S1：获取影响变压器温度调节的相关影响因素，相关影响因素包括水流、水温、室外温度、变压器初始温度、喷水时间五种变量；步骤S2：对获取到的数据进行预处理；步骤S3：将相关影响因素中的变量作为输入变量，并对输入变量进行归一化处理，以变压器理想温度作为输出变量；步骤S4：确定网络拓扑结构，建立BP神经网络模型，对BP神经网络进行初始化；步骤S5：采用改进的粒子群算法优化BP神经网络模型的权值和阈值，使BP神经网络模型的全局误差达到预设精度；步骤S6：将归一化的输入变量和输出变量输入优化后的BP神经网络模型中进行训练，得到基于优化BP神经网络的变压器温度调节模型；步骤S7：将采集的测试样本进行归一化后输入基于优化BP神经网络的变压器温度调节模型，以变压器理想温度为输出目标，得到上述相关影响因素变量值；步骤S8：根据相关影响因素变量值对变压器温度调节装置进行控制，来调节变压器运行温度，使变压器运行温度处于合理的水平。2.根据权利要求1所述的基于神经网络算法的变压器温度调节方法，其特征在于：采用改进的粒子群算法优化BP神经网络模型的权值和阈值的方法包括如下步骤：S51：设置种群规模，初始化种群位置及速度；S52：根据激活函数计算每个粒子的适应度，并分别与各个粒子的最优位置P
best
和群体最优位置g
best
作比较，若优，则替换，否则不变；S53：调整粒子速度和位置；S54：在范围(0，1)内产生一个随机数，如果随机数大于变异系数，则随机初始化种群，否则，步入步骤S55；S55：判断是否满足终止条件，若是，输出最优粒子位置P
best
和群体最优位置g
best
，否则，返回步骤S52。3...

【专利技术属性】
技术研发人员：周冬冬，李丰，周戴明，倪钱杭，何强，段成，杨智，杨嘉炜，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，
类型：发明
国别省市：