一种主变油温预测方法技术

本发明专利技术公开了一种主变油温预测方法，包括S1粒子群神经网络算法预测获得主变底层油温数据；S2局部加权周期趋势分析算法预测获取主变顶层油温数据；S3结合主变顶层油温和底层油温完成主变油温预测。采用粒子群神经网络算法预测获得主变底层油温数据，以及采用局部加权周期趋势分析算法预测获取主变顶层油温数据，通过两种算法将主变油温拆解层两部分，能够更全面的反馈出主变油温的情况，便于工作人员更精准的把控变压器的运行状况并作出对应的应对措施，确保维护电网的正常运行。确保维护电网的正常运行。确保维护电网的正常运行。

【技术实现步骤摘要】
一种主变油温预测方法


[0001]本专利技术涉及电力系统中高压电器设备的检测的
，尤其涉及一种主变油温预测方法。

技术介绍

[0002]变压器绕组温度过高会导致绝缘老化，严重危害电力设备正常运行。变压器油温能够作为判断绕组温度的辅助依据，然而变压器油温受季节因素、天气变化影响较大，目前针对变压器油温预测的精度有待进一步提升。现有大多数方法仅仅预测主变顶层油温，忽略了对主变底层油温的监测，从而导致无法精确识别主变油温异常，因此亟需设计一种全新的方法预测主变油温异常。
[0003]中国专利文献CN112115648A公开了“一种基于改进深度学习方法的变压器顶层油温预测方法”。该专利从数据库服务器中读入变压器顶层油温的相关影响因素的原始数据集；对所述原始数据集进行分类、编号并进行归一化处理；根据所述处理后的原始数据集利用频谱分析主频率法确定最佳模态层数，并利用变分模态分解法提取每层模态的油温数据；门控循环单元(Gate Recurrent Unit，GRU)神经网络利用所述每层模态的油温数据构建各层模态的预测模型；利用所述各层模态的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主变油温预测方法，其特征在于，步骤包括S1粒子群神经网络算法预测获得主变底层油温数据；S2局部加权周期趋势分析算法预测获取主变顶层油温数据；S3结合主变顶层油温和底层油温完成主变油温预测。2.根据权利要求1所述的一种主变油温预测方法，其特征在于，所述步骤S1中本文利用粒子群神经网络算法并根据柯尔莫哥洛夫定理建立起神经网络模型预测变压器绕组的测点温度，粒子群神经网络模型以荷载电流和温度以及现有的底层油温作为输入端的输入量，输出端则以将主变压器绕组热点温度作为输出量，通过模型 预测并获得主变底层油温数据。3.根据权利要求1所述的一种主变油温预测方法，其特征在于，所述步骤S2中根据局部加权周期趋势分析算法建立顶层油温多步预测模型，模型中采用基于局部加权回归的时间序列分解算法和LA注意力机制，顶层油温多步预测模型将变压器顶层油温进行局部加权回归的时间序列分解并归一化处理后，输出所有分量输入至一维卷积层并驱使卷积核沿着时间维度移动，再提取局部特征并生成特征矩阵，提取完成的特征矩阵进行编解码，编解码时提取时序依赖关系并生成隐藏状态矩阵， LA注意力层给隐藏状态赋予不同权重递归生成结果传输至全连接层，最后全连接层输出顶层油温预测结果。4.根据权利要求2所述的一种主变油温预测方法，其特征在于，所述步骤S1中粒子群算法主要负责计算获得极值，粒子群算法通过极值表述粒子速度和位置的变化，粒子的极值包括个体极值和群体极值，故用带权重的第n
‑
1个粒子速度与带有加速度因子和随机数的个体极值与个体位置之间的差值求和，再将该和值加上带有加速度因子和随机数的群体极值与群体位置之间的差值再次求和获得第n个粒子的速度，再利用第n
‑
1个粒子的位置加上第n个粒子的速度计算获得第n个粒子的位置。5.根据权利要求4所述的一种主变油温预测方法，其特征在于，所述步骤S1将混沌算法加入粒子群算法中，对粒子群中的粒子进行位置和速度进...

【专利技术属性】
技术研发人员：殷志敏，丁荣杰，丁沈凡希，陈沈威，程少龙，林捷，吴国强，
申请(专利权)人：国网浙江省电力有限公司湖州供电公司，
类型：发明
国别省市：