一种基于特征测点油温的变压器热点温度反演预测方法

1.本发明涉及油浸式变压器热点温度监测技术领域，特别是一种基于特征测点油温的变压器热点温度反演预测方法。


背景技术：

2.变压器是电网和发电机组之间的重要连接，其安全稳定运行对保障整个系统的长期安全至关重要。根据国内外相关统计分析，变压器绝缘老化或损坏是引起变压器事故的一个重要原因，并且绕组是变压器故障的主要部位之一。绕组绝缘和变压器温升密切相关，而随着大型高压油浸变压器的投运，其温升问题更加突出。变压器的热点温度若超过阈值则容易引起变压器事故，直接影响变电站的安全性；热点温度若太低则说明变压器容量没有利用充分，有待提高变电站的经济性。因此，监测大型油浸式变压器热点温度有利于减少变压器故障率、延长变压器使用寿命，并保证变压器的经济效益。
3.目前，对于大型油浸式变压器，布置分布式光纤温度传感器来直接批量监测其热点温度的难度大、运维成本高，所以工程现场对于大型油浸式变压器，通常使用间接方法对热点温度进行估算预测，现阶段最常使用的方法是根据国家标准gb/t 1094.7(对应于iec 60076-7)中的经验模型，由顶层油温的监测值间接估算热点温度。但该经验模型忽略了变压器油的一些非线性特征，也无法体现变压器运行状态改变对热点温度的影响。而随着人工智能技术在电力系统中的广泛应用，利用变压器监控系统中除热点温度之外容易获取的运行历史数据，使用智能算法实现对热点温度的连续预测，有利于变压器运行状况的实时监测和运行模式的及时调整。但现有文献建立的热点温度预测模型，大多样本数据是热点温度试验测量数据，样本的获取受试验条件和变压器实际运行状态的限制；此外，部分文献的热点温度预测模型仅能根据同一时刻变压器其他状态的实测数据计算当前时刻的热点温度，而并不能反映热点温度在时域上的变化情况。


技术实现要素：

4.为了解决上述技术问题，本发明提出一种基于特征测点油温的变压器热点温度反演预测方法，结合有限元仿真和人工智能算法，以变压器多状态量监测数据和热点温度仿真数据构建分析样本，可实现热点温度快捷的连续预测，对于大型油浸式变压器的运维管理具有一定参考价值。
5.第一方面，本发明提供了一种基于特征测点油温的变压器热点温度反演预测方法，包括：
6.步骤a、根据油浸式变压器特征测点油温及其他相关状态量的数天监测信息，构建特征测点油温预测模型的多元时间序列样本数据；
7.步骤b、对步骤a所述多元时间序列样本数据进行归一化处理，并计算其相关系数矩阵，提取特征测点油温的特征向量；
8.步骤c、以步骤b所述特征向量作为多维输入，以特征测点油温作为多维输出，建立
多元时间序列预测模型，并在步骤a所述样本数据上验证其有效性和准确性，从而可对特征测点油温进行单步预测(实时滚动预测)或多步预测(短期预测)；
9.步骤d、对变压器温度场分布进行仿真计算，提取不同工况下的热点温度和特征测点油温构建热点温度的反演样本；
10.步骤e、建立热点温度与特征测点油温的关系模型，在步骤d所述反演样本上验证其有效性和准确性，从而可实现对热点温度未来值的反演预测。
11.作为本发明的一种优选技术方案：所述步骤a中，基于油浸式变压器热点温度反演原理选择多个易于获取监测数据的变压器油温测点作为特征测点，如顶层油温、出油口温度、进油口温度等，结合其他相关状态量的监测信息，如电压、电流、有功功率、无功功率、冷却器温度等，构建如下式所示的多元时间序列样本数据：
[0012][0013]
式中，为第j组数据的第i维状态量，m为包括特征测点油温的所有状态量的总维数，n为时间序列总长度，即样本数据的总组数。
[0014]
作为本发明的一种优选技术方案：所述步骤b中，综合考虑序列的线性相关性和非线性相关性，按如下公式计算pearson-spearman混合相关系数矩阵：
[0015][0016]
式中，分别表示n组数据第p、q维状态量的平均值；将p、q两维状态量数据x
p
、xq分别按降序排列形成新的列向量x
′
p
、x
′q，和在x
′
p
、x
′q中的位置分别记为值在[-1，1]之间，表示完全负相关，表示完全不相关，表示完全正相关。
[0017]
作为本发明的一种优选技术方案：所述步骤c中，多元时间序列预测模型为cnn-gru模型，其基本结构包括cnn特征提取模块和gru预测模块，cnn特征提取模块含有卷积层、池化层和展平层，gru预测模块包括gru循环单元和全连接层，具体的cnn模块中卷积层层数、卷积核个数、卷积核大小以及gru模块中循环单元层数、循环单元个数则通过样本数据的预测效果进一步设计。
[0018]
作为本发明的一种优选技术方案：所述步骤d中，对不同工况下的变压器温度场分布进行多物理场耦合的有限元仿真计算，从中提取多种工况下的热点温度，结合相应工况下特征测点油温的监测数据，构建热点温度的反演样本，并进行归一化处理。
[0019]
作为本发明的一种优选技术方案：所述步骤e中，热点温度与特征测点油温的关系模型为pso-bpnn模型；所述步骤e包括如下步骤e1至步骤e7：
[0020]
步骤e1、确定bpnn的拓扑结构，即其输入层、隐含层和输出层单元数；
[0021]
步骤e2、确定pso结构，以bpnn训练误差作为粒子适应度，初始化粒子群；
[0022]
步骤e3、计算每个粒子当前位置的适应度值，以此来衡量该位置的优劣程度，并将
第d维中的第i个粒子在当前迭代次数下找到的具有最大适应度值的位置记作p
id
，即个体历史最优解；将第d维中的所有粒子在当前迭代次数下找到的具有最大适应度值的位置记作p
gd
，即群体历史最优解。
[0023]
步骤e4、根据粒子群的个体历史最优解和群体历史最优解，用如下公式更新每个粒子的速度和位置以保证粒子朝着更优解的方向移动：
[0024]vid
(k+1)＝ωv
id
+c1r1(p
id
(k)-x
id
(k))+c2r2(p
gd
(k)-x
id
(k))
[0025]
x
id
(k+1)＝x
id
(k)+v
id
(k+1)
[0026]
式中，k为迭代次数；x
id
、v
id
分别为d维目标求解空间中第i个粒子的位置和速度；ω为速度的惯性权重；c1为单个粒子的个体加速系数，c2为粒子群的群体加速系数；r1和r2为[0，1]范围中的随机常数；
[0027]
步骤e5、重复步骤e3和步骤e4，直到达到设定的终止条件，如达到最大迭代次数、适应度满足预先设定的阈值或运行时间超过限制等，输出最后一次迭代计算出的群体历史最优解作为全局最优解，即pso优化的bpnn权重和偏置；
[0028]
步骤e6、以粒子群的输出结果初始化bpnn权重和偏置，在步骤d所述的热点温度反演样本上训练并验证热点温度和特征测点油温的关系模型；
[0029]
步骤e7、基于前述步骤c预测出的特征测点油温未来值，以及步骤e6所述热点温度和特征测点油温的关系模型，实现对热点温度未来值的实时或短期预测。
[0030]
第二方面，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0031]
第三方面，本发明提供了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上述方法的步骤。
[0032]
本发明提出一种基于特征测点油温的变压器热点温度反演预测方法，与现有技术相比，本发明实施例结合有限元仿真和人工智能算法，建立数据驱动的高精度预测模型，预测建模时的样本数据不依赖热点温度测量试验，因而不受试验条件和变压器实际运行状态的限制；基于热点温度反演原理，利用变压器监控系统中容易获取的相关状态量历史数据，实现对热点温度未来值的快捷预测，对于大型油浸式变压器的运维管理具有一定参考价值。
附图说明
[0033]
图1是本发明实施例中基于特征测点油温的变压器热点温度反演预测方法的流程示意图；
[0034]
图2是本发明实施例中建立特征测点油温预测模型使用的cnn-gru网络结构示意图；
[0035]
图3是本发明实施例中建立热点温度和特征测点油温关系模型使用的bpnn结构示意图。
具体实施方式
[0036]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例
中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
如图1所示，一种基于特征测点油温的变压器热点温度反演预测方法，包括以下步骤：
[0038]
步骤a、针对所述大型油浸式变压器，基于热点温度反演原理，选择易于获取监测数据顶层油温t
top_oil
、出油口温度t
oil_out
、进油口温度t
oil_in
作为变压器的特征测点油温；其他相关状态量有高压侧相电压ua、ub、uc，高压侧线电压u
ab
、u
bc
、u
ca
，高压侧电流ia、ib、ic，有功功率p，无功功率q，频率f，功率因数cosφ，冷却器出水口温度t
water_out
和冷却器进水口温度t
water_in
；油浸式变压器特征测点油温及其他相关状态量的监测数据采样时间为3分钟，提取5天的监测数据构建如下式所示的多元时间序列样本数据：
[0039][0040]
式中，为第j组数据的第i维状态量，分别表示第j组数据中的t
oil_out
、t
oil_in
、t
top_oil
、t
water_in
、t
water_out
、ua、ub、uc、u
ab
、u
bc
、u
ca
、ia、ib、ic、p、q、f、cosφ。
[0041]
步骤b、对步骤a所述多元时间序列样本数据进行归一化处理，综合考虑序列的线性相关性和非线性相关性，按如下公式计算pearson-spearman混合相关系数矩阵：
[0042][0043]
式中，分别表示n组数据第p、q维状态量的平均值；将p、q两维状态量数据x
p
、xq分别按降序排列形成新的列向量和在中的位置分别记为值在[-1，1]之间，表示完全负相关，表示完全不相关，表示完全正相关；
[0044]
根据相关系数矩阵的计算结果，提取为特征测点油温的特征向量。
[0045]
步骤c、以步骤b所述特征向量作为多维输入，以特征测点油温作为多维输出，建立基于cnn-gru多元时间序列预测模型。cnn-gru网络基本结构包括cnn特征提取模块和gru预测模块，cnn特征提取模块含有卷积层、池化层和展平层，gru预测模块包括gru循环单元和全连接层。根据实际样本的预测效果确定cnn-gru网络的具体结构为：cnn卷积层为2层，卷积核的数量和大小分别为64、2和32、2，卷积步长均为1；gru循环单元层数为1层，单元个数为200；激活函数均为为relu函数。
[0046]
对步骤a所述样本数据按8∶2划分训练集和测试集。单步预测模型的设置为：根据1小时的变压器历史监测信息预测出下一采样时刻的特征测点油温，即模型单次学习的输入为20组特征向量、输出为未来的1组目标向量。多步预测模型的设置为：由5小时的历史监测信息预测未来1小时的特征测点油温的cnn-gru模型，即模型单次学习的输入为100组特征
向量、输出为未来的20组目标向量。测试集上该模型的验证结果如下表所示：
[0047][0048]
由表所示的验证结果可证明该cnn-gru模型对于特征测点油温预测有效性和准确性，从而可利用该cnn-gru模型对特征测点油温进行单步预测(实时滚动预测)或多步预测(短期预测)
[0049]
步骤d、对400组不同工况下的变压器温度场分布进行多物理场耦合的有限元仿真计算，从中提取多种工况下的热点温度，结合相应工况下特征测点油温的监测数据，构建热点温度的反演样本，对反演进行归一化处理，并按8∶2的比例划分训练集和测试集。
[0050]
步骤e、建立基于pso-bpnn的热点温度与特征测点油温的关系模型，在步骤d所述反演样本上验证其有效性和准确性，从而可实现对热点温度未来值的反演预测。具体包括如下步骤e1至步骤e7：
[0051]
步骤e1、确定bpnn的拓扑结构：以[t
oil_out
，t
oil_in
，t
top_oil
]为输入，以热点温度t
hot_spot
为输出，隐含层为1层、10单元；
[0052]
步骤e2、确定pso结构，设置粒子个数为80，最大迭代次数为500次，以bpnn训练误差作为粒子适应度，初始化粒子群。
[0053]
步骤e3、计算每个粒子当前位置的适应度值，以此来衡量该位置的优劣程度，并将第d维中的第i个粒子在当前迭代次数下找到的具有最大适应度值的位置记作p
id
，即个体历史最优解；将第d维中的所有粒子在当前迭代次数下找到的具有最大适应度值的位置记作p
gd
，即群体历史最优解。
[0054]
步骤e4、根据粒子群的个体历史最优解和群体历史最优解，用如下公式更新每个粒子的速度和位置以保证粒子朝着更优解的方向移动：
[0055]vid
(k+1)＝ωv
id
+c1r1(p
id
(k)-x
id
(k))+c2r2(p
gd
(k)-x
id
(k))
[0056]
x
id
(k+1)＝x
id
(k)+v
id
(k+1)
[0057]
式中，k为迭代次数；x
id
、v
id
分别为d维目标求解空间中第i个粒子的位置和速度；ω为速度的惯性权重，此处设为线性时变递减惯性权重；c1为单个粒子的个体加速系数，c2为粒子群的群体加速系数，取c1＝c2＝2；r1和r2为[0，1]范围中的随机常数；
[0058]
步骤e5、重复步骤e3和步骤e4，直到达到设定的终止条件，如达到最大迭代次数、适应度满足预先设定的阈值或运行时间超过限制等，输出最后一次迭代计算出的群体历史最优解作为全局最优解，即pso优化的bpnn权重和偏置；
[0059]
步骤e6、以粒子群的输出结果初始化bpnn权重和偏置，在步骤d所述的热点温度反演样本训练集上训练热点温度和特征测点油温的关系模型，并在测试集上进行验证，结果表明热点温度样本观测值和pso-bpnn模型拟合值的误差不超过0.8℃，相对误差绝对值最大不超过1.5％，完全能够满足工程要求。
[0060]
步骤e7、基于前述步骤c预测出的特征测点油温未来值，以及步骤e6所述热点温度和特征测点油温的关系模型，实现对热点温度未来值的实时或短期预测。
[0061]
此外，本发明实施例还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
[0062]
此外，本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
[0063]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0064]
以上所述实施例仅表达了本技术的几种优选实施方式，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的。本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式的改进和替换，这些均属于本发明的保护范围之内。

技术特征：
1.一种基于特征测点油温的变压器热点温度反演预测方法，其特征在于，包括：步骤a、根据油浸式变压器特征测点油温及其他相关状态量的数天监测信息，构建特征测点油温预测模型的多元时间序列样本数据；步骤b、对步骤a所述多元时间序列样本数据进行归一化处理，并计算其相关系数矩阵，提取特征测点油温的特征向量；步骤c、以步骤b所述特征向量作为多维输入，以特征测点油温作为多维输出，建立多元时间序列预测模型，并在步骤a所述样本数据上验证其有效性和准确性，从而可对特征测点油温进行单步预测(实时滚动预测)或多步预测(短期预测)；步骤d、对变压器温度场分布进行仿真计算，提取不同工况下的热点温度和特征测点油温构建热点温度的反演样本；步骤e、建立热点温度与特征测点油温的关系模型，在步骤d所述反演样本上验证其有效性和准确性，从而可实现对热点温度未来值的反演预测。2.根据权利要求1所述的方法，其特征在于，前述步骤a中，基于油浸式变压器热点温度反演原理选择多个易于获取监测数据的变压器油温测点作为特征测点，如顶层油温、出油口温度、进油口温度等，结合其他相关状态量的监测信息，如电压、电流、有功功率、无功功率、冷却器温度等，构建如下式所示的多元时间序列样本数据：式中，为第j组数据的第i维状态量，m为包括特征测点油温的所有状态量的总维数，n为时间序列总长度，即样本数据的总组数。3.根据权利要求1所述的方法，其特征在于，前述步骤b中，综合考虑序列的线性相关性和非线性相关性，按如下公式计算pearson-spearman混合相关系数矩阵：式中，分别表示n组数据第p、q维状态量的平均值；将p、q两维状态量数据x
p
、x
q
分别按降序排列形成新的列向量x
′
p
、x
′
q
，和在x
′
p
、x
′
q
中的位置分别记为值在[-1，1]之间，表示完全负相关，表示完全不相关，表示完全正相关。4.根据权利要求1所述的方法，其特征在于，前述步骤c中的多元时间序列预测模型为cnn-gru模型，其基本结构包括cnn特征提取模块和gru预测模块，cnn特征提取模块含有卷积层、池化层和展平层，gru预测模块包括gru循环单元和全连接层，具体的cnn模块中卷积层层数、卷积核个数、卷积核大小以及gru模块中循环单元层数、循环单元个数则通过样本数据的预测效果进一步设计。5.根据权利要求1所述的方法，其特征在于，前述步骤d中对不同工况下的变压器温度
场分布进行多物理场耦合的有限元仿真计算，从中提取多种工况下的热点温度，结合相应工况下特征测点油温的监测数据，构建热点温度的反演样本，并进行归一化处理。6.根据权利要求1所述的方法，其特征在于，前述步骤e中的热点温度与特征测点油温的关系模型为pso-bpnn模型，步骤e包括如下步骤e1至步骤e7：步骤e1、确定bpnn的拓扑结构，即其输入层、隐含层和输出层单元数；步骤e2、确定pso结构，以bpnn训练误差作为粒子适应度，初始化粒子群；步骤e3、计算每个粒子当前位置的适应度值，以此来衡量该位置的优劣程度，并将第d维中的第i个粒子在当前迭代次数下找到的具有最大适应度值的位置记作p
id
，即个体历史最优解；将第d维中的所有粒子在当前迭代次数下找到的具有最大适应度值的位置记作p
gd
，即群体历史最优解。步骤e4、根据粒子群的个体历史最优解和群体历史最优解，用如下公式更新每个粒子的速度和位置以保证粒子朝着更优解的方向移动：v
id
(k+1)＝ωv
id
+c1r1(p
id
(k)-x
id
(k))+c2r2(p
gd
(k)-x
id
(k))x
id
(k+1)＝x
id
(k)+v
id
(k+1)式中，k为迭代次数；x
id
、v
id
分别为d维目标求解空间中第i个粒子的位置和速度；ω为速度的惯性权重；c1为单个粒子的个体加速系数，c2为粒子群的群体加速系数；r1和r2为[0，1]范围中的随机常数；步骤e5、重复步骤e3和步骤e4，直到达到设定的终止条件，如达到最大迭代次数、适应度满足预先设定的阈值或运行时间超过限制等，输出最后一次迭代计算出的群体历史最优解作为全局最优解，即pso优化的bpnn权重和偏置；步骤e6、以粒子群的输出结果初始化bpnn权重和偏置，在步骤d所述的热点温度反演样本上训练并验证热点温度和特征测点油温的关系模型；步骤e7、基于前述步骤c预测出的特征测点油温未来值，以及步骤e6所述热点温度和特征测点油温的关系模型，实现对热点温度未来值的实时或短期预测。7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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6中任一项所述方法的步骤。8.一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6中任一项所述的方法的步骤。

技术总结
本发明公开一种基于特征测点油温的变压器热点温度反演预测方法，方法包括：获取油浸式变压器的特征测点油温及其相关状态量的数天监测信息，构建特征测点油温预测模型的多元时间序列样本数据；再计算该样本数据的相关系数矩阵，提取特征测点油温的特征向量；然后以该特征向量作为多维输入，以特征测点油温作为多维输出，建立多元时间序列预测模型，并在样本数据上验证其准确性，实现对特征测点油温的单步预测(实时滚动预测)或多步预测(短期预测)；接着，通过变压器温度场分布的仿真计算，获取不同工况下的热点温度，结合特征测点油温的监测数据，构建热点温度的反演样本；最后建立热点温度与特征测点油温关系模型，并在反演样本上验证其有效性和准确性，从而实现对热点温度未来值的反演预测。本发明可利用变压器监测系统中容易获取的相关状态量历史信息，快捷地实现对热点温度的实时或短期预测，对于大型油浸式变压器的运维管理具有一定参考价值。油浸式变压器的运维管理具有一定参考价值。油浸式变压器的运维管理具有一定参考价值。


技术研发人员：潘文霞 陈星池
受保护的技术使用者：河海大学
技术研发日：2023.05.19
技术公布日：2023/8/28