【技术实现步骤摘要】
本专利技术涉及变压器三相不平衡预警，具体为一种变压器三相不平衡预警方法及系统。
技术介绍
1、变压器三相不平衡也是造成绕组容易发生过热故障的原因之一。在变压器运行过程中，尤其是对于低电压等级的配电变压器，受电力用户用电习惯以及用电设备种类的影响，容易出现变压器三相负荷不平衡的情况，当变压器的绕组长期处于三相不平衡时，负荷高的一相绕组容易过热，加速绕组绝缘老化，严重时可能造成变压器绕组过热故障。电能的质量通常由电源电压的频率、偏移、波动、不连续、谐波、失真、三相不平衡和高频干扰等指标来表示，其中三相不平衡是电能质量的重要指标之一。
2、由于低压负载通常由三相四线布线供电，再加上单相负载电源的随机性，配电变压器的三相负载长时间处于不平衡状态。进而，中性点发生偏移，整个低压电网的电压质量产生下降，导致某些相的电压降低，其他相的电压升高，造成电器的毁坏。不仅如此，三相不平衡运行条件的长期存在也可能引起相应的问题，例如零序电流过大、电动机功率输出不足、配电变压器局部发热等。这一系列问题的发生会进一步导致配电变压器的输出减小、配电线路的损耗增大，严重时零线甚至会烧毁，并损坏用户的用电设备。
3、为结合变压器三相负荷波动特性，对变压器三相负荷不平衡运行工况进行预警，本专利技术提出了一种基于遗传算法优化长短时神经网络的变压器三相不平衡预警方法。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有技术在主要通过在变
3、为解决上述技术问题，本专利技术提供如下技术方案：一种变压器三相不平衡预警方法，包括：
4、测量电流互感器和电压互感器的电流和电压，得到变压器所有相的负荷数据，对负荷数据进行数据预处理。
5、对lstm模型结构进行初始化。
6、将预处理后的数据输入到所述lstm模型进行训练，将训练结果反向归一化得到模型实际输出。
7、根据所述模型实际输出计算变压器未来三相不平衡度，得到变压器未来短时三相不平衡工况预警与运行措施。
8、作为本专利技术所述的变压器三相不平衡预警方法的一种优选方案，其中：所述数据预处理包括，采用z-score法对数据进行归一化，表示为：
9、
10、其中，xt表示原始实测t时刻变压器某一相负荷数据，yt表示归一化之后t时刻变压器某一相负荷数据，μ表示训练样本时间序列{xt}的均值，σ表示训练样本时间序列{xt}的标准差。
11、作为本专利技术所述的变压器三相不平衡预警方法的一种优选方案，其中：所述lstm模型结构初始化包括，设置模型学习率、模型隐藏层层数、隐藏层神经元个数、训练批大小。
12、采用遗传算法来获取神经元权重和阈值的最优初始值，得到最优初始权重和阈值后，更新权重和阈值，采用梯度训练确定lstm模型神经元权值和偏置大小。
13、所述遗传算法优化神经元权重和阈值步骤：
14、所有染色体的适应度值加总，每个染色体的选择概率为其适应度除以总适应度。
15、随机选择一个交叉点，两个父染色体在该点前后交换其二进制位，产生两个新的后代染色体。
16、对每个染色体，以预定的变异率随机翻转其二进制位。
17、计算适应度，使用均方误差emse来计算各染色体适应度，均方误差emse的表达式如下式所示：
18、
19、其中，pi表示第i个染色体的计算值，xi表示第i个染色体的监测值，n表示染色体集的个数。
20、若适应度改进程度达到阈值时，算法停止，选择具有最高适应度的染色体，解码为lstm网络的最优初始化权重和偏置。
21、训练过程中损失函数采用误差平方和er，表示为：
22、
23、更新权重和阈值后输出时间序列的预测值，第i次训练过程中获取第i+1次的对神经元的权重向量wi+1和偏置向量bi+1表示为：
24、
25、
26、其中，为基于遗传算法优化权重和偏置初始值。
27、作为本专利技术所述的变压器三相不平衡预警方法的一种优选方案，其中：所述训练模型包括，将训练数据输入网络训练模型，当迭代次数超过设定的阈值，训练结束。
28、作为本专利技术所述的变压器三相不平衡预警方法的一种优选方案，其中：所述将训练结果反向归一化得到模型实际输出包括，反向归一化获取t时刻变压器某一相负荷数据xt表示为：
29、xt＝yt·σ+μ
30、其中，μ表示训练样本时间序列{xt}的均值，σ表示训练样本时间序列{xt}的标准差。
31、作为本专利技术所述的变压器三相不平衡预警方法的一种优选方案，其中：所述计算变压器未来三相不平衡度包括，以15分钟为预测间隔，得到变压器a、b、c三相负荷在未来t时刻的负荷负载率预测值分别为xta、xtb、xtc，未来t时刻变压器的三相不平衡度计算为：
32、
33、其中，max(xta、xtb、xtc)为未来t时刻的负荷负载率预测值xta、xtb、xtc的最大值，min(xta、xtb、xtc)为未来t时刻的负荷负载率预测值xta、xtb、xtc的最小值。
34、作为本专利技术所述的变压器三相不平衡预警方法的一种优选方案，其中：所述变压器未来短时三相不平衡工况预警与运行措施包括，
35、所述未来t时刻变压器的三相不平衡度小于17％时，三相不平衡预警正常运行，无任何运行措施。所述未来t时刻变压器的三相不平衡度大于等于17％时，三相不平衡预警不平衡度超限，运行措施为负荷换相装置调节负荷电流，降低不平衡度。
36、一种变压器三相不平衡预警系统，其特征在于：包括，
37、数据预处理模块，测量电流互感器和电压互感器的电流和电压，得到变压器所有相的负荷数据，对负荷数据进行数据预处理。
38、模型训练模块，对lstm模型进行结构初始化；将预处理后的数据输入到所述lstm模型进行训练，将训练结果反向归一化得到模型实际输出。
39、计算分析模块，根据所述模型实际输出计算变压器未来三相不平衡度，得到变压器未来短时三相不平衡工况预警与运行措施。
40、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
41、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
42、本专利技术的有益效果：现有技术在主要通过在变压器发生三相负荷不平衡时，通过实时负荷调整来降低变压器负荷不平衡率，这种被动的三相负荷不平衡调节方式难以及时对变压器负本文档来自技高网...
【技术保护点】
1.一种变压器三相不平衡预警方法，其特征在于，包括：
2.如权利要求1所述的变压器三相不平衡预警方法，其特征在于：所述数据预处理包括，采用z-score法对数据进行归一化，表示为：
3.如权利要求2所述的变压器三相不平衡预警方法，其特征在于：所述LSTM模型结构初始化包括，设置模型学习率、模型隐藏层层数、隐藏层神经元个数、训练批大小；
4.如权利要求3所述的变压器三相不平衡预警方法，其特征在于：所述训练模型包括，将训练数据输入网络训练模型，当迭代次数超过设定的阈值，训练结束。
5.如权利要求4所述的变压器三相不平衡预警方法，其特征在于：所述将训练结果反向归一化得到模型实际输出包括，反向归一化获取t时刻变压器某一相负荷数据xt表示为：
6.如权利要求5所述的变压器三相不平衡预警方法，其特征在于：所述计算变压器未来三相不平衡度包括，得到变压器A、B、C三相负荷在未来t时刻的负荷负载率预测值分别为xtA、xtB、xtC，未来t时刻变压器的三相不平衡度计算为：
7.如权利要求6所述的变压器三相不平衡预警方法，其特征在
8.一种采用如权利要求1-7任一所述方法的一种变压器三相不平衡预警系统，其特征在于：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种变压器三相不平衡预警方法，其特征在于，包括：
2.如权利要求1所述的变压器三相不平衡预警方法，其特征在于：所述数据预处理包括，采用z-score法对数据进行归一化，表示为：
3.如权利要求2所述的变压器三相不平衡预警方法，其特征在于：所述lstm模型结构初始化包括，设置模型学习率、模型隐藏层层数、隐藏层神经元个数、训练批大小；
4.如权利要求3所述的变压器三相不平衡预警方法，其特征在于：所述训练模型包括，将训练数据输入网络训练模型，当迭代次数超过设定的阈值，训练结束。
5.如权利要求4所述的变压器三相不平衡预警方法，其特征在于：所述将训练结果反向归一化得到模型实际输出包括，反向归一化获取t时刻变压器某一相负荷数据xt表示为：
6.如权利要求5所述的变压器三相...
【专利技术属性】
技术研发人员：陈千懿，黄伟翔，奉斌，李德朝，王琛，陈庆发，张炜，易辰颖，李克文，欧世锋，周杨珺，
申请(专利权)人：广西电网有限责任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。