CN102427218A - 基于人工智能技术的变压器短期过载能力评估系统 - Google Patents

Abstract

本发明涉及基于人工智能技术的变压器短期过载能力评估系统，所述系统主要包括采集模块、数据服务器、客户端主机、变压器特征参数数据库、变压器历史运行参数库和人工智能计算模块，其特征在于：所述变压器的特征参数数据库由参数输入模块将各种型号的变压器特征参数输入变压器特征参数数据库，系统根据变压器型号调用相对应的特性参数；所述变压器历史运行参数库由在线信号采集模块在线采集并输入变压器历史运行参数库，作为预测参考依据；所述人工智能计算模块利用神经网络函数，对变压器顶层油温和绕组热点温升微分方程搭建仿真模型，利用变步长的Runge-Kutta方法，计算变压器实时的顶层油温和热点温度，实现过载能力的评估预测。

Description

基于人工智能技术的变压器短期过载能力评估系统

技术领域

本发明涉及一种变压器短期过载能力评估系统，属于电力系统变电站中电力变压器的辅助运行设备，特别涉及一种基于人工智能技术的变压器短期过载能力评估系统。

背景技术

随着国民经济的迅速发展电力供应需求日益加大。充分利用现有设备，挖掘输电系统的潜能，有着非常大意义。目前输电系统的运行温度已经适当被提高。变压器作为输电系统的瓶颈，是一个关键的环节。变压器的绝缘性能、寿命与绕组最高热点温度有关，但目前变压器运行限额却以平均温度来推算，而变压器绕组最高热点温度与平均温度之差值随变压器的结构和冷却方式而异。如按平均温度来推算运行限额，有可能造成变压器过载(内部绕组局部过热)而缩短变压器使用年限，另一方面会负载不足造成浪费。

国际电工委员会推荐的油浸式电力变压器绕组热点计算公式(公认的经典方法、国标模型)，是通过计算各种关键参数和变压器负载电流值来计算绕组热点温度。这两个模型只是概括当前变压器的温度计算的共性。随着变压器种类的多样化，而且温升计算与变压器的制造工艺有很大的关系。所以不同变压器绕组热点温度的计算也发生了很大差别。该模型不能直接引用。

目前涉及电力变压器过载评估的专利文献，例如申请号为201010301247.9的一种判断换流变压器过载的控制方法的发明专利申请，涉及一种用于直流输变电中判断换流变压器是否过载的控制方法。然而，该专利的主要技术方案在于引入冷却器运行因素，对换流变压器的过载进行判断。并且，其并未涉及采用人工智能技术用于变压器过载能力评估的研究。

有鉴于此，有必要提供基于人工智能技术的变压器短期过载能力评估系统，以满足工业应用需要。

发明内容

本发明的目的是：提供一种电力变压器过载能力的评估系统，通过全面监测记录变压器运行时各种历史状态参数，实现实时在线监测变压器绕组热点温度，掌握其负载、温升的规律；在保证变压器安全、健康运行的基础上，充分挖掘设备潜力，对变压器短期过负载能力做出合理预测，为决策者提供合理指导；解决电网高峰或者故障时的短时供电能力不足的问题。

本发明的技术方案是：一种基于人工智能技术的变压器短期过载能力评估系统，所述系统主要包括采集模块、数据服务器、客户端主机、变压器特征参数数据库、变压器历史运行参数库和人工智能计算模块，其特征在于：

所述采集模块采集变压器运行参数，并送至数据服务器；

所述数据服务器存储有变压器特征参数数据库和变压器历史运行参数库的数据信息，并与客户端主机通讯；

所述人工智能计算模块装载于客户端主机，其中：

所述变压器的特征参数数据库由参数输入模块将各种型号的变压器特征参数输入变压器特征参数数据库，系统根据变压器型号调用相对应的特性参数；

所述变压器历史运行参数库由在线信号采集模块在线采集并输入变压器历史运行参数库，作为预测参考依据；

所述人工智能计算模块利用神经网络函数，对变压器顶层油温和绕组热点温升微分方程搭建仿真模型，利用变步长的Runge-Kutta方法，计算变压器实时的顶层油温和热点温度，实现过载能力的评估预测。

如上所述的基于人工智能技术的变压器短期过载能力评估系统，其特征在于，所述人工智能计算模块采用的计算模型是： ${\mathrm{\θ}}_h\left(t\right)={\mathrm{\θ}}_a+{\mathrm{\Δ\θ}}_{\mathrm{oi}}\×A\left(t\right)+{\mathrm{\Δ\θ}}_{\mathrm{or}}\×{\left(\frac{1+R\×K^2}{1+R}\right)}^X\×B\left(t\right)+{\mathrm{\Δ\θ}}_{\mathrm{hi}}\×C\left(t\right)+{\mathrm{HgK}}^y\×D\left(t\right)$ 其中均为t的连续有界函数，且满足

$\left\{\begin{array}{c}0\≤A\left(t\right)\≤1\\ 0\≤B\left(t\right)\≤1\\ 0\≤C\left(t\right)\≤1+K_{21}\\ 1-K_{21}\≤D\left(t\right)\≤1\end{array}\right.$

这里K₂₁为热模型常数。

本发明的有益效果是：本发明提供的变压器短期过载能力评估系统能实时地在线获取变压器运行的历史曲线、历史报警，根据该变压器适用的温度场测量模型与来自数据库的历史数据，经BP神经网络的分析运算：

1、以数据与图形方式实时显示环境温度、顶层油温、高中低压三侧的负载系数等参数；

2、可得出当前的变压器绕组热点温度、绝缘材料的寿命损失，可推断出未来一段时间内变压器能承受的最大负荷、安全运行的时限；

3、可实时向运行调度人员提供：变压器的过负荷能力；预测应急负荷下一定时间后变压器的绕组热点温度；设备运行会安全及变压器的寿命损失等。为运行人员提供科学的数据，以供决策参考。

附图说明

图1是本发明实施例的基于人工智能技术的变压器短期过载能力评估系统的硬件结构图。

图2是本发明实施例的基于人工智能技术的变压器短期过载能力评估系统的功能模块图。

图3是本发明实施例的基于人工智能技术的变压器短期过载能力评估系统的神经网络模型图。

具体实施方式

以下结合附图和实施例对本发明做进一步的详细说明，但该实施例不应理解为对本发明的限制。

参见图1，该图为本发明实施例提供的变压器短期过载能力评估系统的硬件结构图。硬件部分包括采集模块、数据服务器及客户端主机。

硬件部分的采集模块由两个采集通道构成：

其一，通过变压器综合保护装置采集变压器运行参数包括：高压(及中压、低压)电压、高压(及中压、低压)电流、功率、功率因数、顶层(或底层)油温度、分接开关档位、、风扇启停状态。

另一路，由无线传感器网络模块采集变压器周边多点的温度/湿度等环境参数。

数据服务器为一台主机，用于存储数据库文件，建立有各种型号的变压器的特征参数数据库。

客户端为一台主机，装载有客户端软件，是系统的软件执行平台。

参见图2，是本发明实施例的变压器短期过载能力评估系统的功能模块图。所述变压器短期过载能力评估系统的核心模块包括：变压器的特征参数数据库、变压器历史运行参数库和人工智能计算模型。

所述变压器的特征参数数据库由参数输入模块将各种型号的变压器特征参数输入变压器特征参数数据库，系统可以根据变压器型号调用相对应的特性参数，使分析评估更具针对性。

所述变压器历史运行参数库由在线信号采集模块在线采集建立变压器历史运行参数库，作为预测参考依据。

所述人工智能计算模型是在经典国标模型基础上，利用神经网络技术(Simulink)函数，对变压器顶层油温和绕组热点温升微分方程搭建仿真模型，利用变步长的Runge-Kutta方法，计算变压器实时的顶层油温和热点温度。大大提高了计算精度。实现过载能力的评估预测。

在国标模型的基础上演化发展出以下计算模型。

${\mathrm{\θ}}_h\left(t\right)={\mathrm{\θ}}_a+{\mathrm{\Δ\θ}}_{\mathrm{oi}}\×A\left(t\right)+{\mathrm{\Δ\θ}}_{\mathrm{or}}\×{\left(\frac{1+R\×K^2}{1+R}\right)}^X\×B\left(t\right)+{\mathrm{\Δ\θ}}_{\mathrm{hi}}\×C\left(t\right)+{\mathrm{HgK}}^y\×D\left(t\right)$

其中均为t的连续有界函数。且满足

$\left\{\begin{array}{c}0\≤A\left(t\right)\≤1\\ 0\≤B\left(t\right)\≤1\\ 0\≤C\left(t\right)\≤1+K_{21}\\ 1-K_{21}\≤D\left(t\right)\≤1\end{array}\right.$

这里K₂₁为热模型常数。

模型由上述微分方程建立，利用Matlab的神经网络工具箱(Simulink)对ONAN/ONAF变压器顶层油温和绕组热点温升微分方程搭建仿真模型，利用变步长的Runge-Kutta方法计算变压器实时的顶层油温和热点温度。

上述方程中

已知量为：

如图3所示，是本发明实施例的变压器短期过载能力评估系统的神经网络模型图。三层BP神经网络结构设计如下：

1：输入、输出层的选择

网络的输入、输出有实际问题决定，变压器的负载电流、环境温度、上一次计算的顶层油温作为BP网络的输入量；网络的输出则是所要求取的绕组热点温度及顶层油温还有随热点温度计算出来的绝缘材料的寿命损失。由于BP网络是一个静态网络，因此需要引入记忆，即把输入量前一刻的状态保存下来，作为下一刻的输入，这样一来静态网络及变成了动态网络，适应性更强了。大体结构如图3：

2：隐含层的选择

隐含层的选择是一个异常复杂的问题，隐单元的数目与输入输出的数目有直接的关系，本文训练过程中，参考如下已知经验公式，采用试探法确定网络隐层节点数。

$l=\sqrt{n+m}+\mathrm{\α}$

其中：1为隐层单元数，n为输入单元数，m为输出单元数，a为常数(1≤α≤10)

对每个隐层节点数都进行50次训练，取训练误差最小的节点数为最优隐层节点数。

输入量为：

中文名	公式中表达式	模型中表达式
			环境温度	θa	x2
负载系数	K	x4
			负载电流	l1，l2，l3	x6
所考虑负载下的平均油温升	Δθom	x19
			开始本次计算时的顶层油温升	Δθoi	x20
开始时热点温度对顶层油温的梯度	Δθhi	x21

输出量为：

绕组热点温度计算值	θh
			绝缘材料寿命损失	L
顶层油温计算值	θo

本发明的工作原理是：实时在线采集记录变压器运行历史资料；建立多种变压器的特征参数库；在国标模型的基础上，建立绕组热点温度计算模型；运用BP神经网络技术，提供相应输入信息，经过大量的学习、训练、使输出层能给出准确的预测、评估结果。

参数列表：

下附经典国标模型的公式：

${\mathrm{\θ}}_h\left(t\right)={\mathrm{\θ}}_a+{\mathrm{\Δ\θ}}_{\mathrm{oi}}+\{{\mathrm{\Δ\θ}}_{\mathrm{or}}\×{\left(\frac{1+R\×K^2}{1+R}\right)}^2-{\mathrm{\Δ\θ}}_{\mathrm{oi}}\}\×f_1\left(t\right)+{\mathrm{\Δ\θ}}_{\mathrm{hi}}+\{{\mathrm{Hg}}_r{K}^y-{\mathrm{\Δ\θ}}_{\mathrm{hi}}\}\×f_2\left(t\right),---\left(1\right)$

${\mathrm{\θ}}_h\left(t\right)={\mathrm{\θ}}_a+{\mathrm{\Δ\θ}}_{\mathrm{or}}\×{\left(\frac{1+R\×K^2}{1+R}\right)}^2+\{{\mathrm{\Δ\θ}}_{\mathrm{oi}}-{\mathrm{\Δ\θ}}_{\mathrm{or}}\×{\left(\frac{1+R\×K^2}{1+R}\right)}^x\}\×f_3\left(t\right)+{\mathrm{Hg}}_r{K}^y,---\left(2\right)$

本发明的有益效果是：能实时地在线获取变压器运行的历史曲线、历史报警。根据该变压器适用的温度场测量模型与来自数据库的历史数据，经BP神经网络的分析运算：

1、以数据与图形方式实时显示环境温度、顶层油温、高中低压三侧的负载系数等参数。

2、可得出当前的变压器绕组热点温度、绝缘材料的寿命损失，可推断出未来一段时间内变压器能承受的最大负荷、安全运行的时限。

3、可实时向运行调度人员提供：变压器的过负荷能力；预测应急负荷下一定时间后变压器的绕组热点温度；设备运行会安全及变压器的寿命损失等。为运行人员提供科学的数据，以供决策参考。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (2)

1.一种基于人工智能技术的变压器短期过载能力评估系统，所述系统主要包括采集模块、数据服务器、客户端主机、变压器特征参数数据库、变压器历史运行参数库和人工智能计算模块，其特征在于：

所述采集模块采集变压器运行参数，并送至数据服务器；

所述数据服务器存储有变压器特征参数数据库和变压器历史运行参数库的数据信息，并与客户端主机通讯；

所述人工智能计算模块装载于客户端主机，其中：

所述变压器的特征参数数据库由参数输入模块将各种型号的变压器特征参数输入变压器特征参数数据库，系统根据变压器型号调用相对应的特性参数；

所述变压器历史运行参数库由在线信号采集模块在线采集并输入变压器历史运行参数库，作为预测参考依据；

所述人工智能计算模块利用神经网络函数，对变压器顶层油温和绕组热点温升微分方程搭建仿真模型，利用变步长的Runge-Kutta方法，计算变压器实时的顶层油温和热点温度，实现过载能力的评估预测。

2.根据权利要求1所述的基于人工智能技术的变压器短期过载能力评估系统，其特征在于，所述人工智能计算模块采用的计算模型是：

${\mathrm{\θ}}_h\left(t\right)={\mathrm{\θ}}_a+{\mathrm{\Δ\θ}}_{\mathrm{oi}}\×A\left(t\right)+{\mathrm{\Δ\θ}}_{\mathrm{or}}\×{\left(\frac{1+R\×K^2}{1+R}\right)}^X\×B\left(t\right)+{\mathrm{\Δ\θ}}_{\mathrm{hi}}\×C\left(t\right)+{\mathrm{HgK}}^y\×D\left(t\right)$

其中均为t的连续有界函数，且满足

$\left\{\begin{array}{c}0\≤A\left(t\right)\≤1\\ 0\≤B\left(t\right)\≤1\\ 0\≤C\left(t\right)\≤1+K_{21}\\ 1-K_{21}\≤D\left(t\right)\≤1\end{array}\right.$

这里K₂₁为热模型常数。

Images