一种变压器油温预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种变压器油温预测方法、装置、设备及存储介质，结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。能够及时、准确实现变压器油温预测，能够确保变压器稳定运行。能够确保变压器稳定运行。能够确保变压器稳定运行。

【技术实现步骤摘要】
一种变压器油温预测方法、装置、设备及存储介质


[0001]本专利技术涉及电力系统
，尤其涉及一种变压器油温预测方法、装置、设备及存储介质。

技术介绍

[0002]随着经济复苏，用电负荷只增不减，给变压器运行带来不小的考验，变压器的油温是变压器稳定运行的一个重要因素，变压器油温过高直接影响其运行寿命和负载能力，提前感知变压器温升并及时采取相应的降温措施，是保证变压器稳定运行的重要措施。
[0003]现有技术通过监测变压器内部油温，以变压器实际温度作为参考依据，超过阈值温度时，再通过导出重载变压器的部分负荷的防守进行干预，降低变压器负载。但是变压器达到阈值温度时，已是变压器高温运行状态的最终表现，即变压器过负载运行或内部缺陷运行已经积累到了一定程度，干预措施存在滞后性，干预的有效性收到较大影响。现有技术的油温监测方式忽略了变压器温升的过程，油温监测数据存在滞后性，导致变压器降温措施不及时。

技术实现思路

[0004]针对上述缺陷，本专利技术提供一种变压器油温预测方法、装置、设备及存储介质，能够及时、准确实现变压器油温预测，能够确保变压器稳定运行。
[0005]本专利技术实施例提供一种变压器油温预测方法，所述方法包括：
[0006]结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；
[0007]采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；
[0008]根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。
[0009]优选地，所述影响因子确定过程具体包括：
[0010]收集系统内各个变电站的运行数据、变压器内部结构数据、网架结构数据、历史负荷曲线数据、温度类型数据和湿度类型数据形成原始数据，并对原始数据进行分类，将所述原始数据分为运行因素、环境因素和特性因素；
[0011]对所述原始数据进行清洗，将异常数据清除；
[0012]通过小波算法将收集的数据优化整理，快速筛出坏数据，保留良数据；
[0013]生成导致变压器油温升高的影响矩阵，找出影响因素特征值和特征向量，并确定影响变压器油温上升的相关系数最高的预设数量的所述影响因子。
[0014]作为一种优选方案，所述影响因子包括：温度、湿度、损耗、绕组、铁芯、负荷变化、冷却方式和变压器当前油温。
[0015]优选地，所述结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型，具体包括：
[0016]对变压器内部复杂发热过程和散热过程进行分析，将内部产热损耗进行分类，并确定热量的流通方向和流通路线，明确变压器油温上升的热量来源，模拟出变压器的油温一阶模型；
[0017]在所述油温一阶模型中引入所述影响因子，建立所述油温半物理模型；
[0018]所述油温一阶模型具体为：
[0019]所述油温半物理模型具体为：
[0020][0021]其中，表示任意t时刻的顶层油温对环境的温升，表示顶层油温的末态温升，τ
oil
表示主变油的热时间常数，θ
top,k
‑1表示前一时刻的变压器油温变化量，θ
amb,k
‑1表示前一时刻的温度变化量，θ
hum,k
‑1表示前一时刻的湿度变化量，θ
l,k
‑1表示前一时刻的负荷变化量，I
l
表示变压器损耗的变化量，I
t
表示铁芯，I
r
表示绕组结构，K1、K
20
、K
21
、K
22
、K
30
、K
31
、K
32
、K4分别为影响因子的加权权重。
[0022]作为一种优选方案，所述贝叶斯网络结构模型具体为：
[0023]log(P(G|D))＝log(P(D|G))+log(P(G))；
[0024]其中，n表示样本中变量的个数，变量X
i
的取值状态有r
i
个，q
i
表示若干个父节点pa(X
i
)的状态组合的数量，m
ij
、a
ijk
和a
ij
是超参数，Γ()是Gamma函数，变量X
i
＝k是父节点pa(X
i
)＝j的情况有m
ijk
种，G是网络结构，D是样本数据。
[0025]优选地，所述方法还包括：
[0026]根据预测出的油温，输出对应的油温预测曲线；
[0027]根据所述油温预测曲线控制所述变压器配置的降温装置工作。
[0028]作为上述方案的改进，所述根据油温预测曲线控制所述变压器配置的降温装置工作，具体包括：
[0029]计算所述油温预测曲线中每一时刻的温升速度；
[0030]根据当前的温升速度和当前的温度，从预设的等级数据库中匹配对应的降温等级；
[0031]根据匹配的降温等级控制所述降温装置中的喷淋设备运行；
[0032]所述等级数据库中包含每一温度、每一温升速度与降温等级的对应关系；
[0033]所述降温等级包括喷头数量和流速大小。
[0034]本专利技术实施例还提供一种变压器油温预测装置，所述装置包括：
[0035]模型构建模块，用于结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；
[0036]训练模块，用于采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参
数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；
[0037]预测模块，用于根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。
[0038]优选地，所述模型构建模块确定影响因子的过程具体包括：
[0039]收集系统内各个变电站的运行数据、变压器内部结构数据、网架结构数据、历史负荷曲线数据、温度类型数据和湿度类型数据形成原始数据，并对原始数据进行分类，将所述原始数据分为运行因素、环境因素和特性因素；
[0040]对所述原始数据进行清洗，将异常数据清除；
[0041]通过小波算法将收集的数据优化整理，快速筛出坏数据，保留良数据；
[0042]生成导致变压器油温升高的影响矩阵，找出影响因素特征值和特征向量，并确定影响变压器油温上升的相关系数最高的预设数量的所述影响因子。
[0043]作为一种优选方案，所述影响因子包括：温度、湿度、损耗、绕组、铁芯、负荷变化、冷却方式和变压器当前油温。
[0044]优选地，所述模型构建模块具体用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器油温预测方法，其特征在于，所述方法包括：结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。2.如权利要求1所述的变压器油温预测方法，其特征在于，所述影响因子确定过程具体包括：收集系统内各个变电站的运行数据、变压器内部结构数据、网架结构数据、历史负荷曲线数据、温度类型数据和湿度类型数据形成原始数据，并对原始数据进行分类，将所述原始数据分为运行因素、环境因素和特性因素；对所述原始数据进行清洗，将异常数据清除；通过小波算法将收集的数据优化整理，快速筛出坏数据，保留良数据；生成导致变压器油温升高的影响矩阵，找出影响因素特征值和特征向量，并确定影响变压器油温上升的相关系数最高的预设数量的所述影响因子。3.如权利要求1所述的变压器油温预测方法，其特征在于，所述影响因子包括：温度、湿度、损耗、绕组、铁芯、负荷变化、冷却方式和变压器当前油温。4.如权利要求1所述的变压器油温预测方法，其特征在于，所述结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型，具体包括：对变压器内部复杂发热过程和散热过程进行分析，将内部产热损耗进行分类，并确定热量的流通方向和流通路线，明确变压器油温上升的热量来源，模拟出变压器的油温一阶模型；在所述油温一阶模型中引入所述影响因子，建立所述油温半物理模型；所述油温一阶模型具体为：所述油温半物理模型具体为：其中，表示任意t时刻的顶层油温对环境的温升，表示顶层油温的末态温升，τ
oil
表示主变油的热时间常数，θ
top,k
‑1表示前一时刻的变压器油温变化量，θ
amb,k
‑1表示前一时刻的温度变化量，θ
hum,k
‑1表示前一时刻的湿度变化量，θ
l,k
‑1表示前一时刻的负荷变化量，I
l
表示变压器损耗的变化量，I
t
表示铁芯，I
r
表示绕组结构，K1、K
20
、K
21
、K
22
、K
30
、K
...

【专利技术属性】
技术研发人员：申淑梅，白秀春，周伟，徐宋达，董敏，万前宏，吴智衍，翁海涛，黄晓波，郑源，钟建锋，蔡约瑟，刘檑，曹高辉，曹效海，
申请(专利权)人：国网浙江省电力有限公司瑞安市供电公司，
类型：发明
国别省市：