【技术实现步骤摘要】
本专利技术涉及变压器，具体涉及变压器绕组热点温度反演方法、系统、设备及存储介质。
技术介绍
1、随着电力系统的不断发展和变压器负载的日益增加，变压器的温度问题逐渐成为电力设备运行中的一个重要课题。变压器的绕组热点温度是影响其运行安全性和寿命的重要因素，因此，准确预测和监测变压器的绕组热点温度，尤其是绕组热点温度，具有重要的实际意义。通常，变压器的绕组热点温度与负载电流、油温、流体流动等多种因素密切相关。传统的变压器温度预测方法主要依赖于基于热路模型或有限元分析方法。这些方法虽然可以提供一定的精度，但计算复杂度高，尤其在面对复杂的多物理场耦合问题时，往往难以实时实现。近年来，随着人工智能和机器学习技术的飞速发展，基于数据驱动的温度预测方法逐渐成为研究的热点。特别是深度神经网络（deep neural networks，dnn）和支持向量回归（support vector regression，svr）等机器学习方法，通过对大量历史数据的训练，能够较为准确地预测变压器的绕组热点温度。然而，这些方法在实际应用中面临着模型训练精度不足、特征选择...
【技术保护点】
1.一种变压器绕组热点温度反演方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多物理场耦合关系模型的构建方法，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述多物理场耦合关系模型，获取若干所述关键参数样本分别对应的变压器各区域的温度场与流体场分布，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所有变压器各区域的温度场与流体场分布，提取绕组热点温度对应的第一序列、及相关性参数对应的第二序列，还包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述第二序列作为输入特征、...
【技术特征摘要】
1.一种变压器绕组热点温度反演方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多物理场耦合关系模型的构建方法，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述多物理场耦合关系模型，获取若干所述关键参数样本分别对应的变压器各区域的温度场与流体场分布，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所有变压器各区域的温度场与流体场分布，提取绕组热点温度对应的第一序列、及相关性参数对应的第二序列，还包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述第二序列作为输入特征、所述第一序列作为输出特征，对所述随机森林回归模型进行训练，得到训练好的随机森林回归模型，还包括...
【专利技术属性】
技术研发人员：刘涛，阮江军，苏磊，倪鹤立，邓永清，李撰洪，王毅，黄德明，
申请(专利权)人：国网上海市电力公司，
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。