【技术实现步骤摘要】
本专利技术涉及电力控制，具体是基于机器学习的变压器负载优化控制系统及方法。
技术介绍
1、我国当前城市小区建设迅猛，配电网的监控系统在技术上已逐步完善，目前在一些条件比较成熟的住宅小区已建设有配电网监控系统，但目前还没有专门针对配电房的经济运行系统，使得住宅小区长期处于低负载运行的状态，浪费巨大。
2、目前供电部门采取配电变压器热备用方式依然较多，空载损耗巨大；对配变的管理基本采取季节性人工手动操作控制方式，由于工作量大，常常不能及时有效地进行投切，会引起变压器过负荷运行或低功率运行，对变压器产生损害或长期空载运行造成极大的电能浪费，经济运行管理水平较低；基于以上不足，本专利技术提出基于机器学习的变压器负载优化控制系统及方法。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于机器学习的变压器负载优化控制系统及方法。
2、为实现上述目的，根据本专利技术的第一方面的实施例提出基于机器学习的变压器负载优化控制系统及方法，包括特征采集模块、控制中心、投切优化模块、模型训练模块、数据库、传感器检测模块以及预警分析模块；
3、所述模型训练模块用于周期性的构建样本数据集进行整理、提取，形成输入、输出数据集，以对神经网络模型进行训练，得到负荷参考模型；
4、所述输入数据是指某个时间段内、以设定时间为间隔的气候文本数据、负荷特征数据和电力负荷数据；所述输出数据是滞后于输入数据某个时期后的电力负荷数据；所述气
5、所述特征采集模块用于采集变压器的负荷特征数据，并将负荷特征数据上传至控制中心；所述负荷特征数据包括变压器的供电线路长度、供电设备信息；所述供电设备信息包括设备数量以及设备类型；
6、所述投切优化模块与控制中心相连接，用于获取变压器的负荷特征数据、气候文本数据以及待预测时区前一时区的电力负荷数据作为负荷参考模型输入，计算待预测时区的负荷预测结果；
7、然后根据所述负荷预测结果控制变压器的投切，具体包括：
8、数据库内预存有电力负荷数据与变压器优化数量的映射关系表；基于所述映射关系表，确定与所述负荷预测结果相对应的变压器优化数量；
9、所述变压器均连接有对应的传感器检测模块；所述传感器检测模块用于检测变压器的运行时序数据；所述运行时序数据包括同一时刻流经变压器的电压、电流以及变压器的工作温度、有功功率和无功功率；
10、所述预警分析模块用于获取变压器的运行时序数据进行预警分析，计算得到所述变压器的功损指数gsi；然后根据同一时刻获取的功损指数gsi和工作温度wti建立预警分析数组，判断变压器运行是否异常。
11、进一步地，所述预警分析模块的具体分析步骤如下：
12、将变压器的工作温度标记为wti；建立预警分析数组，所述预警分析数组包括同一时刻获取的变压器的工作温度wti和功损指数gsi；
13、以功损指数gsi为自变量，以工作温度wti为因变量建立变压器运行曲线；对所述变压器运行曲线进行求导获取变压器运行导数曲线；
14、将变压器运行导数曲线中导数为0的点标记为奇点；将相邻两个奇点对应的功损指数的采集时刻进行时间差计算得到奇变时长qt；
15、将奇变时长qt与预设时长阈值相比较；
16、若奇变时长qt≥预设时长阈值，且此时的工作温度wti满足(rt-μ)≤wti≤(rt+μ)，则判定此时变压器运行正常；其中rt为变压器对应的温度阈值；μ为预设补偿因子；否则，判定变压器运行异常，生成预警信号；以提醒管理人员对所述变压器进行检修。
17、进一步地，所述功损指数gsi的具体计算方法为：
18、获取变压器的运行时序数据，将流经变压器的电压、电流依次标记为dyi和dli；将变压器的有功功率和无功功率依次标记为pyi和pwi；
19、利用公式gsi＝f×pwi×(dyi×g1+dli×g2)/(pyi×g3)计算得到该变压器的功损指数gsi，其中g1、g2、g3均为系数因子，f为预设均衡系数。
20、进一步地，所述模型训练模块的具体训练步骤如下：
21、对样本中的输入数据进行数据清洗和缺失值处理；对处理后的数据进行标准化变换，并将数据集按照预设比例分成训练集、验证集和测试集；
22、建立lstm神经网络模型；其中，根据输入变量的个数指定长短期记忆神经网络lstm输入节点的个数；设定适合的隐藏层节点个数，以及代表负荷预测结果的输出节点个数；
23、将训练集、验证集、测试集作为历史特征值输入lstm神经网络模型以进行模型训练，并通过损失函数进行模型评估，获得使训练样本整体误差最小的最优负荷参考模型。
24、进一步地，所述投切优化模块的具体分析步骤如下：
25、获取变压器的负荷特征数据、气候文本数据以及待预测时区前一时区的电力负荷数据作为负荷参考模型输入，计算标准化预测结果；
26、按照训练时计算的标准化变换系数对所述标准化预测结果进行逆变换，得出最终的负荷预测结果。
27、进一步地，还包括气候监测模块，所述气候监测模块用于监测变压器所在区域的气候文本数据，并将所述气候文本数据上传至控制中心。
28、进一步地，所述预警分析模块用于将预警信号和对应的变压器反馈至控制中心，所述控制中心接收到预警信号后控制对应变压器断电，并驱动控制报警模块发出警报。
29、进一步地，基于机器学习的变压器负载优化控制方法，包括：
30、步骤一：周期性的构建样本数据集进行整理、提取，形成输入、输出数据集，以对神经网络模型进行训练，得到负荷参考模型；
31、步骤二：通过特征采集模块采集变压器的负荷特征数据；通过气象平台监测变压器所在区域的气候文本数据并上传至控制中心；
32、步骤三：获取变压器的负荷特征数据、气候文本数据以及待预测时区前一时区的电力负荷数据作为负荷参考模型输入，计算待预测时区的负荷预测结果；然后投切优化模块根据负荷预测结果控制变压器的投切；
33、步骤四：在变压器运行过程中，采集变压器的运行时序数据进行预警分析，计算得到变压器的功损指数gsi；然后根据同一时刻获取的功损指数gsi和工作温度wti建立预警分析数组，判断变压器运行是否异常。
34、与现有技术相比，本专利技术的有益效果是：
35、1、本专利技术中模型训练模块用于周期性的构建样本数据集进行整理、提取，形成输入、输出数据集，以对神经网络模型进行训练，得到负荷参考模型；投切优化模块用于获取变压器的负荷特征数据、气候文本数据以及待预测时区前一时区的电力负荷数据作为负荷参考模型输入，计算待预测时区的负荷预测结果，根据所述负荷预测结果控制变压器的投切；便于供电中心安排电力调度计划，从而提高电能利用率以及电力安全；
36、2、本文档来自技高网...
【技术保护点】
1.基于机器学习的变压器负载优化控制系统，其特征在于，包括特征采集模块、控制中心、投切优化模块、数据库、模型训练模块、传感器检测模块以及预警分析模块；
2.根据权利要求1所述的基于机器学习的变压器负载优化控制系统，其特征在于，所述预警分析模块的具体分析步骤如下：
3.根据权利要求1所述的基于机器学习的变压器负载优化控制系统，其特征在于，所述功损指数GSi的具体计算方法为：
4.根据权利要求1所述的基于机器学习的变压器负载优化控制系统，其特征在于，所述模型训练模块的具体训练步骤如下：
5.根据权利要求4所述的基于机器学习的变压器负载优化控制系统，其特征在于，所述投切优化模块的具体分析步骤如下：
6.根据权利要求1所述的基于机器学习的变压器负载优化控制系统，其特征在于，还包括气候监测模块，所述气候监测模块用于监测变压器所在区域的气候文本数据，并将所述气候文本数据上传至控制中心。
7.根据权利要求2所述的基于机器学习的变压器负载优化控制系统，其特征在于，所述预警分析模块用于将预警信号和对应的变压器反馈至控制中心，所
8.基于机器学习的变压器负载优化控制方法，应用于如权利要求1-7任一所述的基于机器学习的变压器负载优化控制系统，其特征在于，包括：
...【技术特征摘要】
1.基于机器学习的变压器负载优化控制系统，其特征在于，包括特征采集模块、控制中心、投切优化模块、数据库、模型训练模块、传感器检测模块以及预警分析模块；
2.根据权利要求1所述的基于机器学习的变压器负载优化控制系统，其特征在于，所述预警分析模块的具体分析步骤如下：
3.根据权利要求1所述的基于机器学习的变压器负载优化控制系统，其特征在于，所述功损指数gsi的具体计算方法为：
4.根据权利要求1所述的基于机器学习的变压器负载优化控制系统，其特征在于，所述模型训练模块的具体训练步骤如下：
5.根据权利要求4所述的基于机器学习的变压器负载优化控制系统，其特征在...
【专利技术属性】
技术研发人员：吴杰，黄伟民，吴兴旺，谢一鸣，胡啸宇，杨海涛，张晨晨，丁国成，杨为，吴昊，李坚林，谢佳，谢铖，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。