【技术实现步骤摘要】
本专利技术涉及新能源电力系统，具体涉及一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法。
技术介绍
1、新型电力系统中接入大量复杂易变的多元负荷，负荷特性发生深刻变化，变压器重过载事件频发，由此引发的变压器停运、烧毁事故影响恶劣。准确预测下一周期重过载事件，可为电力系统运维人员制定治理策略、执行治理措施等相关方面预留充足的反应时间，对于消除重过载隐患具有重要意义。
2、变压器周前重过载预警主要由周负荷预测和变压器载荷能力评估两部分组成，精准重过载预警的关键挑战如下：变压器周预警的时间跨度长，重过载负荷作为非平稳时间序列数据，具有典型的时空不均衡性、随机性及突发性特点，呈现出明显的时序分布漂移(temporal covariate shift)现象，即历史负荷数据分布与未来负荷数据分布不相等，导致预测模型的精度断崖式下降。电力负荷受多种外部因素共同影响，时序分布漂移现象在外部条件急剧改变后尤为明显，例如气温变化、突发事件等条件下。这对重过载精准预警提出了严峻挑战。
3、现有周负荷预测方法主要分为以卡尔曼滤波为代表的传统预测方法和以深度学习为代表的新型预测方法。面对愈加复杂的负荷特性，传统预测方法面临适应性差、精度低等瓶颈。新型预测方法通过提取历史负荷数据中蕴含的时序特征，可实现周负荷的准确预测。其中，基于transformer的负荷预测方法利用注意力机制，构造特殊的储存、传递信息流结构，对长时间序列的时序特性具有更强的捕捉能力，适用于周、月等中长期预测。针对transformer预测方法
4、针对突发事件期间样本负荷少的特点，相关学者使用非参数模型量化突发事件对负荷的影响，利用具有复合核函数的高斯过程回归方法，建立概率预测模型。相关学者在训练过程中引入影响函数确定负荷样本的权重，实验结果表明：为负荷样本分配不同的权重可以提高预测精度。但是，时序分布漂移现象持续发生，上述模型仅依赖于历史负荷数据构建，难以保证预测模型在新数据上的适应性。
5、现有重过载预警模型利用负荷在变压器静态额定容量的占比，判定重、过载状态。但受气象环境等因素影响，变压器载荷能力呈现动态变化特征，使用静态额定容量作为预警判据，易导致虚警、漏警的问题。
技术实现思路
1、本专利技术的目的是提供一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，包括以下步骤：
2、1)获取变压器负荷数据，并对变压器负荷数据进行预处理，得到训练集和测试集。
3、2)构建informer模型和领域自适应修正模型；
4、将测试集的输入样本输入informer模型，得到负荷预测结果；然后将测试集的输出样本和负荷预测结果输入领域自适应修正模型，得到修正后的残差。
5、3)累加负荷预测结果和修正后的残差，获得不同置信水平对应的下一周期负荷的分布区间，构建边界权重矩阵，对分布区间的边界施加不同权重，得到最终预测结果，并根据测试集的输出样本和负荷预测结果构建样本权重矩阵。
6、4)通过衰减因子更新样本权重矩阵，并基于更新后的样本权重矩阵对边界权重矩阵进行更新，使预测模型快速适应数据分布特征，得到下一周期的负荷预测情况。
7、5)记录环境温度和变压器设备状态数据。
8、6)构建变压器冷却方式敏感的热点温度计算模型，并基于环境温度和变压器设备状态数据、下一周期的负荷预测情况评估下一周期变压器热点温度情况。
9、7)构建变压器动态载荷能力评估模型，并将变压器设备状态数据输入变压器动态载荷能力评估模型，得到变压器动态载荷能力。
10、8)比较下一周期的负荷预测情况与变压器动态载荷能力，判断下一周期变压器是否重载或者过载，若是，则发出预警。
11、进一步，所述预处理包括数据清洗、归一化处理、缺失数据填补。
12、所述归一化处理的计算公式如下所示：
13、
14、式中，为归一化后的值，xt为获取的变压器负荷数据，xmin、xmax分别是获取的变压器负荷数据中的最小负荷、最大负荷。
15、所述缺失数据填补的方法包括拉格朗日插值法。
16、所述拉格朗日插值的计算公式如下所示：
17、l'n(x)＝y0l0(x)+y1l1(x)+···+ynln(x) (2)
18、式中，l'n(x)为n次插值多项式。y0,y1,···,yn是以x0,x1,…,xn为节点的插值数据点。l0(x),l1(x),…,ln(x)是以x0,x1,…,xn为节点的n次插值基函数。
19、进一步，所述informer模型包括编码器和解码器。
20、所述编码器将原始数据转换为低维度的数据。
21、所述编码器包括多头稀疏概率自注意力机制和蒸馏操作。
22、所述多头稀疏概率自注意力机制attention(q,k,v)如下所示：
23、
24、式中：q、k、v分别是查询向量、键向量、值向量构成的矩阵，softmax为激活函数，q经概率稀疏化后得到为比例因子。
25、所述解码器用于输出负荷预测结果。
26、进一步，将测试集的输出样本和负荷预测结果输入领域自适应修正模型，得到修正后的残差的步骤包括：
27、2.1)计算informer模型在未来负荷数据集上的泛化误差展开式，如下所示：
28、
29、式中，e(f；d)代表泛化误差，f代表informer模型，d表示informer模型f的训练集，f(x；d)表示informer模型在测试样本x上的预测数据，y'为测试样本x对应的真实标记，yd为x在数据集上对应的标记。为informer模型在测试样本x上的预测数据均值。bias(x)为偏差。与var(x)对应，代表方差。ed[(yd-y')2]与ε2对应，代表噪声。ed[(f(x；d)-yd)2]为泛化误差展开式。
30、2.2)计算第i个时刻的测试样本xi对应的负荷预测结果与真实负荷yi的残差ri，如下所示：
31、
32、2.3)假设第i时刻的残差ri独立同分布，即：
33、
34、式中，为第i时刻的方差。为第i时刻的复合核函数。
35、2.4)基于高斯过程建立领域自适应预测模型，第i时刻的高斯过程的复合核函数如下所示：
36、
37、式中，xi、xj分别为第i、j时刻的测试样本特征向量。分别代表第i时刻、第j时刻的负荷值。其中，i≠j。σ为径向基函数的规模参数，σ＝[σtime,σweat本文档来自技高网...
【技术保护点】
1.一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述预处理包括数据清洗、归一化处理、缺失数据填补；
3.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述Informer模型包括编码器和解码器；
4.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述将测试集的输出样本和负荷预测结果输入领域自适应修正模型，得到修正后的残差的步骤包括：
5.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述累加负荷预测结果和修正后的残差，获得不同置信水平对应的下一周期负荷的分布区间，构建边界权重矩阵，对分布区间的边界施加不同权重，得到最终预测结果的步骤包括：
6.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动
7.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述变压器冷却方式敏感的热点温度计算模型如下所示：
8.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述变压器动态载荷能力评估模型如下所示：
9.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述变压器设备包括采用非热改性纸的变压器和采用热改性纸的变压器；
10.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，当负荷连续达到动态载荷能力的80％并持续大于两个小时的情况判定为重载；
...【技术特征摘要】
1.一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述预处理包括数据清洗、归一化处理、缺失数据填补；
3.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述informer模型包括编码器和解码器；
4.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述将测试集的输出样本和负荷预测结果输入领域自适应修正模型，得到修正后的残差的步骤包括：
5.根据权利要求1所述的一种基于内驱进化预测模型和载荷能力动态评估的变压器周前重过载预警方法，其特征在于，所述累加负荷预测结果和修正后的残差，获得不同置信水平对应的下一周期负荷的分布区间，构建边界权重矩阵，对分布区间的边界施加不同权重，得到最终预测结果的步骤包括：
...
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。