一种基于特征测点油温的变压器热点温度反演预测方法技术

本发明专利技术公开一种基于特征测点油温的变压器热点温度反演预测方法，方法包括：获取油浸式变压器的特征测点油温及其相关状态量的数天监测信息，构建特征测点油温预测模型的多元时间序列样本数据；再计算该样本数据的相关系数矩阵，提取特征测点油温的特征向量；然后以该特征向量作为多维输入，以特征测点油温作为多维输出，建立多元时间序列预测模型，并在样本数据上验证其准确性，实现对特征测点油温的单步预测(实时滚动预测)或多步预测(短期预测)；接着，通过变压器温度场分布的仿真计算，获取不同工况下的热点温度，结合特征测点油温的监测数据，构建热点温度的反演样本；最后建立热点温度与特征测点油温关系模型，并在反演样本上验证其有效性和准确性，从而实现对热点温度未来值的反演预测。本发明专利技术可利用变压器监测系统中容易获取的相关状态量历史信息，快捷地实现对热点温度的实时或短期预测，对于大型油浸式变压器的运维管理具有一定参考价值。油浸式变压器的运维管理具有一定参考价值。油浸式变压器的运维管理具有一定参考价值。

【技术实现步骤摘要】
一种基于特征测点油温的变压器热点温度反演预测方法


[0001]本专利技术涉及油浸式变压器热点温度监测
，特别是一种基于特征测点油温的变压器热点温度反演预测方法。

技术介绍

[0002]变压器是电网和发电机组之间的重要连接，其安全稳定运行对保障整个系统的长期安全至关重要。根据国内外相关统计分析，变压器绝缘老化或损坏是引起变压器事故的一个重要原因，并且绕组是变压器故障的主要部位之一。绕组绝缘和变压器温升密切相关，而随着大型高压油浸变压器的投运，其温升问题更加突出。变压器的热点温度若超过阈值则容易引起变压器事故，直接影响变电站的安全性；热点温度若太低则说明变压器容量没有利用充分，有待提高变电站的经济性。因此，监测大型油浸式变压器热点温度有利于减少变压器故障率、延长变压器使用寿命，并保证变压器的经济效益。
[0003]目前，对于大型油浸式变压器，布置分布式光纤温度传感器来直接批量监测其热点温度的难度大、运维成本高，所以工程现场对于大型油浸式变压器，通常使用间接方法对热点温度进行估算预测，现阶段最常使用的方法是根据国家标准GB/T 1094.7(对应于IEC 60076
‑
7)中的经验模型，由顶层油温的监测值间接估算热点温度。但该经验模型忽略了变压器油的一些非线性特征，也无法体现变压器运行状态改变对热点温度的影响。而随着人工智能技术在电力系统中的广泛应用，利用变压器监控系统中除热点温度之外容易获取的运行历史数据，使用智能算法实现对热点温度的连续预测，有利于变压器运行状况的实时监测和运行模式的及时调整。但现有文献建立的热点温度预测模型，大多样本数据是热点温度试验测量数据，样本的获取受试验条件和变压器实际运行状态的限制；此外，部分文献的热点温度预测模型仅能根据同一时刻变压器其他状态的实测数据计算当前时刻的热点温度，而并不能反映热点温度在时域上的变化情况。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出一种基于特征测点油温的变压器热点温度反演预测方法，结合有限元仿真和人工智能算法，以变压器多状态量监测数据和热点温度仿真数据构建分析样本，可实现热点温度快捷的连续预测，对于大型油浸式变压器的运维管理具有一定参考价值。
[0005]第一方面，本专利技术提供了一种基于特征测点油温的变压器热点温度反演预测方法，包括：
[0006]步骤A、根据油浸式变压器特征测点油温及其他相关状态量的数天监测信息，构建特征测点油温预测模型的多元时间序列样本数据；
[0007]步骤B、对步骤A所述多元时间序列样本数据进行归一化处理，并计算其相关系数矩阵，提取特征测点油温的特征向量；
[0008]步骤C、以步骤B所述特征向量作为多维输入，以特征测点油温作为多维输出，建立
多元时间序列预测模型，并在步骤A所述样本数据上验证其有效性和准确性，从而可对特征测点油温进行单步预测(实时滚动预测)或多步预测(短期预测)；
[0009]步骤D、对变压器温度场分布进行仿真计算，提取不同工况下的热点温度和特征测点油温构建热点温度的反演样本；
[0010]步骤E、建立热点温度与特征测点油温的关系模型，在步骤D所述反演样本上验证其有效性和准确性，从而可实现对热点温度未来值的反演预测。
[0011]作为本专利技术的一种优选技术方案：所述步骤A中，基于油浸式变压器热点温度反演原理选择多个易于获取监测数据的变压器油温测点作为特征测点，如顶层油温、出油口温度、进油口温度等，结合其他相关状态量的监测信息，如电压、电流、有功功率、无功功率、冷却器温度等，构建如下式所示的多元时间序列样本数据：
[0012][0013]式中，为第j组数据的第i维状态量，m为包括特征测点油温的所有状态量的总维数，n为时间序列总长度，即样本数据的总组数。
[0014]作为本专利技术的一种优选技术方案：所述步骤B中，综合考虑序列的线性相关性和非线性相关性，按如下公式计算Pearson
‑
Spearman混合相关系数矩阵：
[0015][0016]式中，分别表示n组数据第p、q维状态量的平均值；将p、q两维状态量数据x
p
、x
q
分别按降序排列形成新的列向量x
′
p
、x
′
q
，和在x
′
p
、x
′
q
中的位置分别记为值在[
‑
1，1]之间，表示完全负相关，表示完全不相关，表示完全正相关。
[0017]作为本专利技术的一种优选技术方案：所述步骤C中，多元时间序列预测模型为CNN
‑
GRU模型，其基本结构包括CNN特征提取模块和GRU预测模块，CNN特征提取模块含有卷积层、池化层和展平层，GRU预测模块包括GRU循环单元和全连接层，具体的CNN模块中卷积层层数、卷积核个数、卷积核大小以及GRU模块中循环单元层数、循环单元个数则通过样本数据的预测效果进一步设计。
[0018]作为本专利技术的一种优选技术方案：所述步骤D中，对不同工况下的变压器温度场分布进行多物理场耦合的有限元仿真计算，从中提取多种工况下的热点温度，结合相应工况下特征测点油温的监测数据，构建热点温度的反演样本，并进行归一化处理。
[0019]作为本专利技术的一种优选技术方案：所述步骤E中，热点温度与特征测点油温的关系模型为PSO
‑
BPNN模型；所述步骤E包括如下步骤E1至步骤E7：
[0020]步骤E1、确定BPNN的拓扑结构，即其输入层、隐含层和输出层单元数；
[0021]步骤E2、确定PSO结构，以BPNN训练误差作为粒子适应度，初始化粒子群；
[0022]步骤E3、计算每个粒子当前位置的适应度值，以此来衡量该位置的优劣程度，并将
第d维中的第i个粒子在当前迭代次数下找到的具有最大适应度值的位置记作P
id
，即个体历史最优解；将第d维中的所有粒子在当前迭代次数下找到的具有最大适应度值的位置记作P
gd
，即群体历史最优解。
[0023]步骤E4、根据粒子群的个体历史最优解和群体历史最优解，用如下公式更新每个粒子的速度和位置以保证粒子朝着更优解的方向移动：
[0024]v
id
(k+1)＝ωv
id
+c1r1(P
id
(k)
‑
x
id
(k))+c2r2(P
gd
(k)
‑
x
id
(k))
[0025]x
id
(k+1)＝x
id
(k)+v
id
(k+1)
[0026]式中，k为迭代次数；x
id
、v
id
分别为d维目标求解空间中第i个粒子的位置和速度；ω为速度的惯性权重；c1为单个粒子的个体加速系数，c2为粒子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征测点油温的变压器热点温度反演预测方法，其特征在于，包括：步骤A、根据油浸式变压器特征测点油温及其他相关状态量的数天监测信息，构建特征测点油温预测模型的多元时间序列样本数据；步骤B、对步骤A所述多元时间序列样本数据进行归一化处理，并计算其相关系数矩阵，提取特征测点油温的特征向量；步骤C、以步骤B所述特征向量作为多维输入，以特征测点油温作为多维输出，建立多元时间序列预测模型，并在步骤A所述样本数据上验证其有效性和准确性，从而可对特征测点油温进行单步预测(实时滚动预测)或多步预测(短期预测)；步骤D、对变压器温度场分布进行仿真计算，提取不同工况下的热点温度和特征测点油温构建热点温度的反演样本；步骤E、建立热点温度与特征测点油温的关系模型，在步骤D所述反演样本上验证其有效性和准确性，从而可实现对热点温度未来值的反演预测。2.根据权利要求1所述的方法，其特征在于，前述步骤A中，基于油浸式变压器热点温度反演原理选择多个易于获取监测数据的变压器油温测点作为特征测点，如顶层油温、出油口温度、进油口温度等，结合其他相关状态量的监测信息，如电压、电流、有功功率、无功功率、冷却器温度等，构建如下式所示的多元时间序列样本数据：式中，为第j组数据的第i维状态量，m为包括特征测点油温的所有状态量的总维数，n为时间序列总长度，即样本数据的总组数。3.根据权利要求1所述的方法，其特征在于，前述步骤B中，综合考虑序列的线性相关性和非线性相关性，按如下公式计算Pearson
‑
Spearman混合相关系数矩阵：式中，分别表示n组数据第p、q维状态量的平均值；将p、q两维状态量数据x
p
、x
q
分别按降序排列形成新的列向量x
′
p
、x
′
q
，和在x
′
p
、x
′
q
中的位置分别记为值在[
‑
1，1]之间，表示完全负相关，表示完全不相关，表示完全正相关。4.根据权利要求1所述的方法，其特征在于，前述步骤C中的多元时间序列预测模型为CNN
‑
GRU模型，其基本结构包括CNN特征提取模块和GRU预测模块，CNN特征提取模块含有卷积层、池化层和展平层，GRU预测模块包括GRU循环单元和全连接层，具体的CNN模块中卷积层层数、卷积核个数、卷积核大小以及GRU模块中循环单元层数、循环单元个数则通过样本数据的预测效果进一步设计。5.根据权利要求1所述的方法，其特征在于，前述步骤D中对不同工况下的变压器温度
场分布进行多物理场耦合的有限元仿真计算，从中提取多种工况下...

【专利技术属性】
技术研发人员：潘文霞，陈星池，
申请(专利权)人：河海大学，
类型：发明
国别省市：