CN104919380B - 预测变压器的油温 - Google Patents

Abstract

一个或多个技术和/或系统尤其被提供用于针对期望负荷预测变压器的油温和/或针对期望时间预测变压器能支持的负荷。可以使用电力系统的历史数据来开发机器学习算法。当算法被开发后，对应于该变压器的历史数据可以被输入到该算法中以开发该变压器的简档。使用该简档，可以针对期望负荷估计或预测该变压器的油温。这样，可以在油温达到指定的阈值之前和/或在变压器由于该负荷故障之前，对变压器能否支持期望负荷、和/或变压器能支持期望负荷多久进行预测。

Description

预测变压器的油温

相关申请

本申请要求于2012年11月19日提交的名称为“电力系统的简档化(profiling)变压器”的美国临时专利申请第61/727,890号的优先权。

技术领域

本申请涉及电力系统的技术领域，尤其涉及用于预测当期望负荷被应用到电力系统的变压器时，该变压器该如何响应的系统和/或技术。

背景技术

电力系统包括被配置用来供应、传输和/或使用电力的电气部件或电力系统设备。例如，电力网(例如，也称为电气配电电网)包括发电机、输电系统和/或配电系统。发电机或发电站被配置来从燃料(例如，煤、天然气等)或非燃料(例如诸如风、太阳能、核能等)产生电力。输电系统被配置来将电力从发电机携带或传输到负荷。配电系统被配置来将提供的电力馈送到附近的家庭、商业企业和/或其它设施。在其它的电气部件中，这样的电力系统可以包括一个或多个变压器，被配置来将一个电压处(例如用来传输电力的电压)的电力转换或变压到另一个电压处(例如由接收电力的负荷期望的电压)的电力。取决于电力系统的规模和/或应用到该变压器的负荷，购买变压器的成本可以范围从几千美元到超过一百万美元。

发明内容

本发明内容被提供来以简单形式介绍理念的选择，其将在下面的具体实施方式中进一步描述。本发明内容不旨在识别所要求保护主题的关键因素或基本特征，也不旨在用来限制所要求保护主题的范围。

根据一个方面，提供了一种用于电力系统的方法。该方法包括基于经由机器学习算法开发的变压器的简档(profile)，针对期望负荷预测电力系统的变压器的油温。

根据另一个方面，提供了一种用于电力系统的方法。该方法包括识别该电力系统的第一变压器的故障，该第一变压器支持第一负荷。该方法还包括识别该电力系统的第二变压器，该第二变压器针对预定时间可以支持该第一负荷的至少一些。识别该第二变压器包括基于该第二变压器的简档来估计针对预定时间该第二变压器能支持的负荷。该方法还包括将该第一负荷的至少一些转移到该第二变压器，该第二变压器的总负荷没有超过估计的负荷。

根据又一个方面，提供了一种用于电力系统的系统。该系统包括简档生成部件，其被配置为使用神经网络算法来开发该电力系统的变压器的简档。该神经网络算法接收作为输入的对应于该变压器的历史数据。该系统还包括预测部件，被配置为基于该变压器的简档来预测在期望负荷处的该变压器的油温。

为了前述和相关目的的完成，下面的描述和附图提出某些示例性方面和实施例。这些是仅指示其中可以采用的一个或多个方面的各种方式中的一些。本公开的其它方面、优点和新颖特征将在结合附图考虑时从以下的详细描述而变得明显。

附图说明

图1为图示用于电力系统的示例性方法的流程图。

图2为图示用于将负荷从电力系统的第一变压器转移到第二变压器的示例性方法的流程图。

图3图示用于识别故障变压器的负荷可以被转移到的一个或多个变压器的示例周围。

图4图示用于电力系统的示例系统的部件框图。

图5为示例性计算机可读介质的图示，其中可以包括被配置为实现本文提出的一个或多个措施(provisions)的处理器可执行指令。

图6图示示例性计算周围，其中本文提出的一个或多个措施可以被实施。

具体实施方式

现在参考附图描述请求保护的主题，其中贯穿全文相同的附图标记一般用来指示相同的要素。在下列描述中，出于解释的目的，提出许多特定细节以提供对要求保护主题的理解。然而，显然的是，请求保护的主题可以在没有这些特定细节的情况下被实践。在其它实例中，结构和设备可以以框图的形式说明以便有助于描述请求保护的主题。

电力系统的电力网常常包括一个或多个变压器，被配置来将在一个电压处的电力(例如用来输电的电压)转换到在另一个电压处的电力(例如由接收电力的负荷所期望的电压)。有时，期望将至少一些负荷从电力系统中的第一变压器转移到第二变压器。例如，该第一变压器可能故障和/或可能至少部分断开用于维修和/或测试(例如，使第一变压器离线)。当第一变压器离线时为了维持电力系统的性能，可能期望将第一变压器的负荷转移到一个或多个其它的变压器。然而，将负荷转移到变压器(例如，潜在地使变压器超负荷)可能会增加变压器将故障的风险(例如，进一步减小电力系统的性能)。

因此，提供系统和/或技术用于确定变压器能支持的负荷(例如，在没有故障和/或在变压器的油温没有达到特定的阈值的情况下)。更特别的，提供系统和/或技术用于预测当期望负荷被应用到变压器时该变压器的油温和/或预测变压器可以支持该期望负荷多久。油温通常对应于(例如，直接相关于)变压器的故障。当变压器的油温达到特定水平时，该变压器通常故障和/或处于故障的高风险。因此通过预测变压器的油温，可以确定该变压器是否能支持期望负荷。此外，例如，可以确定在油温没有达到特定值(例如，邻近变压器可能故障的值)的情况下变压器可以支持理想负荷多久。

用于预测变压器的油温的一个实施例(例如，用于确定变压器能否支持期望负荷)通过图1中的示例方法100图示。该示例方法100开始于102，并且在104利用来自电力系统的历史数据来训练机器学习算法。即，换句话说，算法被设计或开发，以尝试识别电力系统的历史数据中的模型或趋势。这样，当对应于特定变压器的数据被提供时，可以开发指示变压器被期望将怎样在各种情况下响应的简档。

短语历史数据在本文中被用来描述在一段时间上已经收集的数据。这样，历史数据可能反映已经在电力系统或其部件中随着时间发生的变化。例如，历史数据可以描述变压器的特性(例如，诸如油温)怎样随着该变压器的操作条件(例如，诸如应用的负荷、邻近变压器的周围空气温度等)的改变而变化。

尽管电力系统可以包括多个不同类型的电气部件，诸如断路器、变压器、发电机等，但是该历史数据可以仅涉及电力系统的电气部件的子集。举例来说，在一个实施例中，历史数据可以仅关于电力系统的变压器和/或仅关于变压器的特定类(例如，被配置来在第一电压或第一电压范围和第二电压或第二电压范围之间转换电压)。在另一个实施例中，例如，被用来训练机器学习算法的历史数据可以涉及(例如，从中得到)电力系统的多个不同来源或不同类型的电气部件。

该历史数据可以尤其包括从被可操作地耦合到在历史数据中代表的电气部件的一个或多个传感器中得到的历史传感器数据和/或从在电气部件上执行的一个或多个的现场测试中得到的历史现场测试数据。举例来说，嵌入在电力系统的变压器内的传感器可以周期地或间歇地测量相应变压器的一个或多个属性，以提供相应变压器在获取测量结果的那一刻的性能/健康的快照。经过一段时间，可以获取多个快照来产出历史传感器数据。

历史现现场测试数据可以表示在某时间长度上执行的多个现现场测试。这样的现现场测试可以测量作为传感器的相同属性和/或可以测量不由传感器测量的一个或多个属性。举例来说，传感器可以被配置来测量少于六种溶解气体(例如，在变压器的油中)并且现场测试可以被配置来测量十种以上的溶解气体(例如，其可以与由传感器测量的溶解气体重叠或可以不重叠)。因此，现场测试可以测量与传感器有关的电气部件的相同或不同的属性/特性。

历史传感器数据和历史现场测试数据之间的另一种不同可能涉及从其得到数据的测量怎样/何时发生。例如，当变压器或其它电气部件在操作时传感器测量可能发生，而当变压器或其它电气部件没有操作或断开时现场测试测量可以被执行(例如，当传感器或其它电气部件断开时，现场测试测量采用的样本可以被获取)。

由传感器测量和在历史传感器数据中呈现的属性可以尤其是传感器被可操作地耦合到的电力系统设备的类型的函数。类似地，由现场测试数据测量的和在历史现场数据中呈现的属性可以尤其是现场测试被执行处的电力系统设备类型的函数。举例来说，在变压器中，溶解气体浓度、油温、水油比例、核心温度和/或邻近变压器的周围周围空气温度可以经由传感器和/或经由现场测试来测量。例如，从电力系统的断路器、电容器、稳压器或其它电气部件中执行的现场测试或获取的传感器测量可以指示其它或不同的属性。

另一个实施例中，来自电力系统的历史数据还可以包括和/或替代性包括从在电力系统的一个或多个变压器中执行的热运行测试中获取的热运行测试数据。这样的测试通常在被交付使用(put into service，例如，被部署到现场)以开发用于正被测试的特定变压器的签名(signature)之前在相应变压器上执行。例如，热运行测试通常验证变压器额定的功率/电压，确定绕组在正常操作条件下的最大温度，和/或验证在正常操作条件下变压器中的最大油温。例如，从热运行测试中获取的测量还可以尤其关于绕组温度、纵向温度梯度、库珀(cooper)油温梯度等。

使用来自电力系统的历史数据设计和/或开发的机器学习算法可以是任意一种或多种类型的机器学习算法。例如，在一个实施例中，机器学习算法是神经网络算法，诸如包括一个或多个隐藏层的前馈人工神经网络算法。在优选的实施例中，神经网络算法包括两个隐藏层，尽管在其它实施例中神经网络算法可以包括多于两个的隐藏层或少于两个的隐藏层。在另一个实施例中，机器学习算法可以利用决策树学习方法，关联规则学习方法，和/或其它方法来开发或训练算法，替代地或者结合人工神经网络方法。

在示例方法100的106，机器学习算法被提供有对应于电力系统的变压器的历史数据以开发该变压器的简档。应该理解尽管对应于该变压器的历史数据可以是用来训练机器学习算法的电力系统的历史数据的一部分。但是机器学习算法通常利用不对应于变压器(例如，替代地对应于另一个或更多的变压器)的至少一些数据来训练。因此，用来训练机器学习算法的数据可以与来自经由机器学习算法开发的变压器的简档的数据不一致。在另一个实施例中，对应于变压器的历史数据可以已经从来自用来训练算法的电力系统的历史数据排除和/或用来开发简档的历史数据的仅仅一部分可能已经用来训练算法。

该简档通常描述变压器被预期在各种操作条件下怎样运行。更具体地，该简档可以描述变压器内的油温怎样根据变压器的一个或多个操作条件(例如，或根据各种操作条件之间的相互关系)被预期变化和/或当期望负荷被应用到变压器时油温被预期为多少。例如，当第一负荷被应用到变压器时并且当邻近变压器的空气测得第一周围空气温度时，变压器的油可以具有第一温度。当应用到该变压器的负荷变化和/或周围空气温度变化时，变压器中的油可以根据变化的负荷和/或变化的周围空气温度而变化。例如，应该理解可以由简档考虑的其它的操作条件尤其包括溶解的气体浓度、核心温度、绕组时间常数、油时间常数和/或油的体积。

在106，被提供到机器学习算法的历史数据可以包括与用来训练机器学习算法的历史数据类型相似和/或类型不同的数据。例如，在步骤106被提供到机器学习算法的历史数据可以包括传感器数据，现场测试数据和/或热运行测试数据。

在一个实施例中，通过举例但不限于，机器学习算法的变量可以包括变压器的周围空气温度和负荷。用于机器学习算法的常数，特别对于变压器，可以包括绕组时间常数、油时间常数和/或油的体积。在这样的示例中，在各个时间内关于变压器的周围空气温度和/或负荷的信息可以经由历史传感器数据而被提供。关于绕组时间常数、油时间常数和/或油的体积的信息可以经由热运行测试数据而被提供。因此，例如，使用历史传感器数据和热运行测试数据，机器学习算法可以开发变压器的简档，其描述变压器怎样被预期来在周围空气温度和期望负荷下操作。在另一个实施例中，变压器的周围空气温度和/或负荷可以获取自历史现场测试数据和/或其它数据。此外，可以理解前述的变量和/或前述的常数仅被作为例子提供，并且算法可以被设计来使用其它特性以开发该简档。

在示例方法100的108，基于在示例方法100的106开发的变压器的简档来预测对于期望负荷的变压器的油温。即，换句话说，该简档被用来确定对于给定/期望负荷，变压器的油温被期望是多少，和/或根据变压器的负荷怎样改变，变压器的油温会怎样动作(例如，增大或减小)。

变压器故障的概率或可能性可能与变压器的油温相关。即，当油温达到阈值时，变压器可能变得不稳定和/或可能不再能支持负荷。当油温达到和/或超过阈值时，变压器可能故障和/或变压器故障的机率可能超过指定的容差。这样，通过预测变压器在期望负荷时的油温，可以预测变压器是否能支持(例如，能支持)该负荷而不会故障和/或油温不会超过指定的阈值。如果油温超过指定的阈值(例如，裕量设置在阈值之下以提供安全裕量)，例如，可能不期望来将变压器的负荷增大到期望负荷，因为故障的风险(例如对破坏变压器的潜在性)太大。

应该理解变压器支持负荷的能力可以为该变压器被预期来支持负荷的时长的函数。例如，短时期超负荷的变压器可能能支持该负荷(例如，由于油温可能逐渐增加)。但是，如果变压器长时间段超负荷，该变压器可能故障。这样，在一个实施例中，在106的预测不仅包括单一的对于期望负荷的油温值，还描述/预测如果期望负荷持续应用到该变压器，则预期油温在一段时间内怎样变化。在另一个实施例中，例如，在108预测的油温可以为对于期望负荷的最大预期油温。

还应该理解变压器支持负荷的能力可以为当前的操作条件的函数。例如，变压器支持负荷的能力可以为变压器当前的油温的函数。如果当前油温高，可以耗费比当前油温较低时更少的时间达到阈值温度。此外，周围空气温度可能对油温具有影响。例如，当周围空气温度较低时变压器可能能支持较大负荷，因为较低的周围空气温度可以将油冷却。作为另一示例，当周围空气温度较低时，随着变压器的负荷增大，油温增大的速率可能较小，这又是因为来自变压器的至少一些热量可能被传递给周围空气。

因此，在一个实施例中，可以基于变压器当前操作条件预测对于期望负荷的油温。此外，这样的当前操作条件例如可以包括，变压器当前负荷，邻近变压器的当前周围空气温度，当前溶解气体浓度，当前核心温度，和/或当前油温。而且，当前操作条件可以尤其获取自从传感器测量获得的传感器数据和/或从现场测试测量获得的现场测试数据，现场测试测量比对应于该变压器的历史数据执行地与当前更近。为此，应该理解当前操作条件可以不必反映关于变压器的实时、瞬时信息，而是可以替代地反映数日前、数周前、或数月前获取的测量(例如，但是其比对应于该变压器的历史数据执行地与当前更近)。

在一个实施例中，在106预测油温可以进一步包括预测变压器能支持期望负荷的时间(例如，时长)和/或预测什么时候变压器不再能支持该期望负荷。即，如之前描述的，变压器的负荷上的变化可能不会对油温有立即的影响。但是，负荷的变化可能导致油温随时间变化直到油温达到最大油温(例如，对于给定的负荷和/或给定的周围空气温度)。因此，能支持期望负荷20分钟的变压器可能不能支持期望负荷30分钟，这是因为变压器的油温可能在20分钟标记和30分钟标记之间攀升到指定阈值以上(例如，预定的温度)。因此，可以做出例如关于变压器能支持期望负荷多久(例如，变压器的给定当前操作条件)的预测。

在示例方法100的110，针对期望时间(例如，时长)能被变压器支持的负荷可以响应于预测的油温(例如，在108的预测)而被识别，该预测的油温指示针对期望时间变压器不能支持该期望负荷。即，换句话说，当确定针对期望时长该期望负荷不能被支持时，可以确定针对期望时长什么负荷能被支持(例如，变压器的给定当前操作条件)。

在一个实施例中，计算针对期望时间能被支持的负荷可以为迭代过程，借此针对多个负荷预测油温直到识别针对期望时长能被支持的负荷。在另一个实施例中，非迭代的方法可以被用来估计/识别针对期望时长能被支持的负荷。

示例方法100和/或示例方法100的部分可以找到关于变压器的维修和/或替换的特定适用性。举例来说，当变压器故障、离线和/或操作在减少的容量(例如，为了维修和/或例行替换)时，可能期望将该变压器的负荷转移到具有过剩容量的一个或多个其它变压器，以减轻电力系统的性能的退化。这样，当变压器被维修或替换时确定一个或多个变压器是否具有过剩容量来支持增加的负荷是有用的。示例方法100描述了技术用于例如基于在期望负荷的变压器预测的油温来确定变压器是否能支持期望负荷(例如，该变压器正常的负荷加上增加的负荷)和/或针对维修和/或替换负荷被转移的变压器所需的期望时长变压器是否能支持负荷。

在112，示例方法100结束。

图2描述了用于电力系统的另一个示例方法200。更具体地，示例方法200描述了当变压器故障、离线和/或操作在正常条件之下(例如，由于维修或替换)时能支持增加负荷的一个或多个变压器怎样可以被识别。

示例方法200在202开始并且电力系统的第一变压器的故障在204被识别。第一变压器支持第一负荷并且第一变压器的故障可以被自动和/或手动识别。举例来说，在一个实施例中，第一变压器可以包括一个或多个传感器，被配置来提供所述变压器的操作状态(例如，实时)。当传感器识别第一变压器已经故障和/或即将故障时，可以发出将第一变压器识别为已经故障和/或即将故障的警报。在另一个实施例中，该识别可以采用更多的手动方法。例如，呼叫中心可以接受来自一般公众的呼叫。如果呼叫中心接受指示停电和/或指示在变压器发生爆炸或其它事件的呼叫，则电力公司可以开始追踪问题来识别故障的第一变压器。在另一个实施例中，这样的识别可以经由视频监控设备做出，视频监控设备例如经常包括在一个或多个子站处。可以理解前述的技术仅提供作为示例技术并且其它识别技术也是可以设想的。

而且，可以理解故障可以为计划的或故意的故障和/或可以为无意的。举例来说，计划的或故意的故障可以在例行维修和/或替换期间产生，其中第一变压器部分地和/或完全断开来便于执行关于变压器的一些动作(例如，诸如替换变压器的部件，在变压器上执行测试等)。无意故障的示例可以为功率骤增(surge)和/或设备例如出乎意料的减少功率输出的失灵。如在本文中所使用的，故障可能涉及非计划的和计划的情形，例如其中第一变压器的负荷被减少和/或其中该变压器被至少部分地断开。

在示例方法200的206，电力系统的第二变压器被识别，其能针对期望时间支持第一负荷的至少一些负荷(例如，原来由第一变压器支持的)。即，换句话说，当识别第一变压器以减少的负荷(或没有负荷)在操作时，第一负荷的至少一部分负荷被转移到第二变压器。举例来说，可以预期第一变压器将被断开持续大约1小时。因此，在示例方法200的206，能支持第一负荷的至少一部分负荷持续至少1小时的变压器可以被识别(例如，支持该负荷直到第一变压器能再次完全工作)。这样，至少一个变压器被识别为具有过剩容量来针对期望时间支持附加的负荷。

作为在206识别第二变压器的一部分，在208基于第二变压器的简档来估计针对期望时间第二变压器能支持的负荷。举例来说，期望时间(例如，时长)，诸如1小时，可以被输入到系统中，并且该系统能利用第二变压器的简档(例如，以及第二变压器的当前操作条件)来估计第二变压器能在1小时时间跨度支持的负荷。第二变压器的当前负荷和该估计的负荷(例如，最大负荷)之间的差值可以对应于第二变压器能支持的附加的负荷。

可以理解图1的示例方法100描述了用于开发变压器的简档和/或用于预测变压器能支持的负荷的示例技术。因此，为了简明起见，这样的技术不针对创建第二变压器的简档而被进一步描述。相反，可能足够来注意该简档描述了在各种操作条件下第二变压器被预期来如何运行，以及这样的简档可以经由利用作为输入的对应于第二变压器的历史数据的机器学习算法(例如，神经网络算法)而被开发。

在示例方法200的210，当确定第二变压器具有过剩容量时(例如，第二变压器能支持除当前由第二变压器支持的负荷之外的附加负荷)时，第一负荷的至少一些负荷被转移给第二变压器。可以理解第二变压器的总负荷通常没有超过在208估计的负荷(例如，为了缓和第二变压器将故障和/或第二变压器的油温将超过指定阈值的可能性)。

可以理解当第二变压器不能针对期望时长支持整个第一负荷时，例如对于附加的变压器可以重复动作206-210来跨越多个变压器分配负荷。

在212，示例方法200结束。

参照图3，示例环境300被提供用于识别具有过剩容量的一个或多个变压器和/或用于确定将故障变压器的负荷转移到哪里。

在所示实施例中，变压器17892302已经故障。故障变压器的平均负荷304为40kW。因此，当变压器17892例如经历维修和/或修理时，可能期望转移40kW到一个或多个其它的变压器。这样，例如当变压器17892操作在减少的容量(或没有容量)时，电力系统的性能可以基本保持。

示例环境300包括图表306，其可以被用来确定怎样转移变压器17892的负荷到一个或多个其它变压器。更特别地，图表306包括第一栏308，列出具有过剩容量的多个变压器。第二栏310描述由相应变压器可以在5分钟间隔支持多少附加的负荷。第三栏312描述由相应变压器可以在一小时间隔支持多少附加的负荷，并且第四栏314描述由相应变压器可以在两小时间隔支持多少附加的负荷。具有过剩容量的变压器的识别和/或包括在第二栏到第四栏310-314中的这些值例如可以使用分别关于图1和图2描述的示例方法100和/或示例方法200中的至少一些来得到。

在图表306中列出的变压器可以使用任意数量的方案来布置(例如，排序)。例如，该变压器可以根据它们相应与故障变压器的邻近和/或根据负荷可以从故障变压器被转移到相应变压器的容易度来布置。在另一个实施例中，该变压器可以例如根据它们针对一个或多个时间间隔的各自过剩容量而被布置。

如所示，可以由相应变压器支持的附加负荷的数量可以为时间的函数。举例来说，如果故障变压器的负荷由其它变压器支持仅持续5分钟，则可以期望将整个负荷转移到变压器12436，这是因为变压器12436可以支持附加的45kW持续5分钟。如果预期故障变压器将不能操作2小时，则单个变压器可能不能支持整个40kW负荷持续2小时时段。因此，可能期望跨越多个变压器来分配负荷。例如，该负荷可以跨越变压器12436、16571以及18790来被分配。在另一个实施例中，可能期望跨越最少可能数量的变压器来分配负荷，并且例如因此该负荷可以仅跨越变压器18790和12435而被分配。

因此，图表306提供了工具，系统和/或技术使用该工具例如可以确定故障变压器的负荷能怎样跨越一个或多个其它变压器而被分配，而不增大负荷被分配到的相应变压器的油温到指定的阈值之上，和/或不增大负荷被分配到的变压器的负荷超过变压器能支持的水平。

参照图4，用于电力系统402的系统的示例环境400被提供。这样的系统可以例如被用于在电力系统402的一个或多个变压器之间转移负荷和/或用于确定给定当前操作条件的变压器(例如，诸如变压器A412)的容量。

在示例环境400中，历史数据404可以被收集或从电力系统402的部件获得。诸如从电力系统402的至少一些变压器获得。通常，历史数据对应于多于一个的电气部件，诸如多于一个的变压器。例如，历史数据404可以关于电力系统402所有的变压器或变压器的子集，诸如具有特定兴趣的变压器的特定分类。如之前描述的，历史数据404例如可以包括历史传感器数据、历史现场测试数据和/或热运行测试数据，至少一些历史数据404表示随时间进行的测量。这样，历史数据404可以指示在各种操作条件(诸如在各种负荷和/或周围空气温度下)下电力系统和/或其部件的属性(诸如，油温)。

在所示实施例中，历史数据404可以被存储在历史数据储存库406中(例如，中央储存库和/或任意其它类型的可以存储历史数据、实时数据、预测数据和/或任意其它类型的数据的存储机制等)。可以理解历史数据储存库406例如可以包括一个或多个存储装置，并且因此一些历史数据可以被存储在与其它历史数据不同的物理位置中。

示例环境400进一步包括可操作地耦合到历史数据储存库406的训练部件408。该训练部件被配置来从历史数据储存库406接收历史数据404的至少一些数据并且被配置为使用接收到的历史数据来训练机器学习算法。即，换句话说，训练部件408被配置来接收包括在历史数据储存库406中作为输入的至少一些历史数据404并基于该输入开发算法来尝试识别历史数据404中的模型或趋势。这样，例如，当对应于特定变压器的数据被提供时，可以开发简档来指示变压器在各种情形中怎样被预期来响应。

使用来自电力系统402的历史数据404设计和/或开发的机器学习算法可以为多个类型的机器学习算法中的任意一种。例如，在一个实施例中，机器学习算法为神经网络算法，例如包括一个或多个隐藏层的前馈人工神经网络算法。在其它实施例中，该机器学习算法可以使用决策树学习方法，关联规则学习方法或其它方法来开发或训练算法来代替或结合神经网络方法。

示例环境400进一步包括简档生成部件410，其可操作地耦合到训练部件408并被配置来从训练部件408接收训练过的机器学习算法。使用机器学习算法，以及对应于感兴趣的变压器(例如，诸如变压器A412)的历史信息，简档生成部件410可以被配置来开发变压器的简档416。举例来说，当机器学习算法为神经网络算法时，简档生成部件412被配置为使用神经网络算法(例如，其中神经网络算法接收作为输入的对应于变压器A412的历史数据)来开发变压器A412的简档416。

在示例环境中，对应于变压器A412的历史数据可以由简档生成部件410从第二历史数据储存库414接收。第二历史数据储存库414可以为与历史数据储存库406相同的历史数据储存库或可以为不同的历史数据储存库，历史数据储存库406被配置来存储电力系统402的历史数据404。而且，对应于变压器A412的历史数据例如可以包括历史传感器数据、历史现场测试数据和/或热运行测试数据，例如指示从变压器A412获取的测量和/或到变压器A412/在变压器A412上执行的测试获取的测量。

由简档生成部件410产生的简档416可以描述变压器被预期来在各种操作条件下怎样执行并且可以被提供给示例环境418的预测部件418。预测部件418可以被配置为基于变压器的简档416来预测变压器在期望负荷下的油温420。即，换句话来说，预测部件418可以被配置来接收作为输入的负荷，该负荷被期望应用到变压器A412，并且可以被配置来预测对于期望负荷的变压器A412的油温420。如之前描述的，以这种方式，预测部件418可以预测变压器A412是否可以支持该负荷和/或变压器A412是否可以针对期望时间(例如，时长)支持期望负荷。

在一个实施例中，为了更精确预测变压器A412对于期望负荷的油温420，预测部件418可以被可操作地耦合到变压器A412并且可以被配置来接收指示变压器当前操作条件的信息/数据(例如，诸如当前油温，当前周围空气温度，当前核心温度等)。这样，例如当预测变压器A412对于期望负荷的油温420时，当前操作条件可以被考虑。即，换句话说，预测部件418可以被配置为基于变压器的当前操作条件来预测变压器在期望负荷的油温420。

又一个实施例涉及计算机可读介质，其包括处理器可执行指令，指令被配置来实施本文呈现的一个或多个技术。示例的计算机可读介质可以以在图7中图示的方式设计，其中实施方式500包括计算机可读介质508(例如，CD-R、DVD-R，或者硬盘驱动的盘片)，在其上计算机可读数据506被编码。计算机可读数据506转而包括一组计算机指令504，被配置来根据本文提出的一个或多个理念操作。在一个这样的实施例500中，处理器可执行计算机指令504例如可以被配置来执行方法502，方法502诸如为图1的示例性方法100的至少一些和/或图2的示例性方法200的至少一些。在另一个这样的实施例中，处理器可执行指令504可以被配置来实施一种系统，该系统诸如为图4的示例性系统400的至少一些。许多这样的计算机可读介质可以由所属领域的技术人员设计，其被配置为根据本文呈现的技术来操作。

尽管已经以特定于结构特征和/或方法动作的语言描述了主题，但是应该懂得在所附权利要求中限定的主题并不必限于上述的特定特征或动作。相反，上述的特定特征和动作被作为实施权利要求的示例形式公开。

如在本申请中使用的，术语“部件”、“模块”、“系统”、“接口”等一般旨在指代计算机相关实体，或者为硬件、硬件与软件的组合、软件、或者为在执行中的软件。例如，部件可以为但不限于在处理器上运行的程序、处理器、对象、可执行文件、执行的线程、程序和/或计算机。举例来说，在控制器上运行的应用和控制器两者都可以是部件。一个或多个部件可以驻留在程序内和/或执行的线程内，并且部件可以位于一个计算机上和/或分布在两个或多个计算机上。

此外，请求保护的主题可以实施为方法、装置或制品，其使用标准编程和/或工程技术来生产软件、固件、硬件或它们的任意组合来控制计算机以实施所公开的主题。本文使用的术语“制品”旨在包括可从任何计算机可读设备、载体或介质访问的计算机程序。当然，所属领域的技术人员将意识到可以在不脱离请求保护的主题的范围和精神的情况下对该配置做出许多修改。

图6和随后的讨论提供了适合的计算机环境的简单、一般描述来实现本文提出的一个或多个实施例。图6的操作环境仅为适合的操作环境的一个例子并且不旨在提出对操作环境的用途或功能的范围的任何限制。示例计算设备包括但不限于，个人计算机，服务器计算机、手持或膝上设备、移动设备(诸如移动电话、个人数字助手(PDA)、媒体播放器等)、多处理器系统、消费电子产品、微型计算机、大型计算机、包括任何上述系统或设备的分布式计算环境等。

尽管没有要求，但是实施例以由一个或多个计算设备执行的“计算机可读指令”的一般语境被描述。计算机可读指令可以经由计算机可读介质(下面论述)分布。计算机可读指令可以实现为程序模块，诸如执行特定任务或实现特定的抽象数据类型的函数、对象、应用程序接口(API)、数据结构等。通常，计算机可读指令的功能可以如期望的那样在各种环境中组合或分布。

图6图示系统610的示例，包括计算设备612，被配置来实现本文提供的一个或多个实施例。在一个配置中，计算设备612包括至少一个处理单元616和内存618。取决于计算设备的准确配置和类型，内存618可以为易失性的(例如诸如RAM)，非易失性的(例如诸如ROM，闪存等)或这两者的结合。这些配置在图6中以虚线614图示。

在其它实施例中，设备612可以包括附加的特征和/或功能。例如，设备612还可以包括附加的存储器(例如，可移除的和/或不可移除的)，其包括但不限于磁存储器、光学存储器等。这样的附加储存器件在图6中由存储器620图示。在一个实施例中，实施本文提供的一个或多个实施例的计算机可读指令可以处于存储器620中。存储器620还可以存储其它计算机可读指令来实现操作系统、应用程序等。例如，计算机可读指令可以载入内存618中用于由处理单元616执行。

在本文中使用的术语“计算机可读介质”包括计算机存储器介质。计算机存储器介质包括易失性的和非易失性的、可移除的和不可移除的介质，其以任何方法或技术实现用于存储信息，信息诸如为计算机可读指令或其它数据。内存618和存储器620为计算机存储器介质的示例。计算机存储器介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多媒体盘(DVD)或其它光学存储器，或任意其它的可以用来存储期望信息并且可以由设备612访问的介质。任何这样的计算机存储介质可以为设备612的部分。

设备612还包括通信连接626，其允许设备612与其它设备通信。通信连接626可以包括但不限于调制解调器、网络接口卡(NIC)、集成网络接口、射频发射器/接收器、红外端口、USB连接或其它接口，用于将计算设备612连接到其它计算设备。通信连接626可以包括有线连接或无线连接。通信连接626可以发送和/或接收通信介质。

术语“计算机可读介质”可以包括通信介质。通信介质通常将计算机可读指令或其它数据实现在“调制的数据信号”(诸为载波或其它传输机制)中并且包括任意信息递送介质。术语“调制的数据信号”可以包括信号，其具有一个或多个特性设置或以这样的方式变化，从而在信号中编码信息。

设备612可以包括输入设备624，诸如为键盘、鼠标、笔、声音输入设备、触控输入设备、红外摄像机、视频输入设备和/或任意其它输入设备。设备612中也可以包括诸如为一个或多个显示器、扬声器、打印机和和/或任意其它输入设备的输出设备622。输入设备624和输出设备622可以经由有线连接、无线连接或它们的任意组合连接到设备612。在一个实施例中，来自另一个计算设备的输入设备或输出设备可以被用作输入设备624或输出设备622用于计算设备612。

计算设备612的部件可以由各种互连器件(诸如总线)连接。这样的互连器件可以包括外围部件接口(PCI)，诸如PCI Express，通用串行总线(USB)、火线(IEEE 1394)、光学总线结构等。在另一个实施例中，计算设备612的部件可以由网络互连。例如，内存618可以包括位于由网络互连的多个不同物理位置中的多个物理存储器单元。

所属领域技术人员将认识到用来存储计算机可读指令的存储器设备可以跨越网络分布。例如，可经由网络628访问的计算设备630可以存储计算机可读指令来实施本文提供的一个或多个实施例。计算设备612可以访问计算设备630并下载部分或所有的计算机可读指令用于执行。备选地，如果需要的话，计算设备612可以下载若干块计算机可读指令，或者一些指令可在计算设备612中执行并且一些在计算设备630中执行。

实施例的各个操作被提供在这里。在一个实施例中，描述的一个或多个操作可以组成存储在一个或多个计算机可读介质中的计算机可读指令，其中如果由计算设备执行，将导致计算设备执行描述的操作。一些或所有操作被描述的顺序将不被理解为暗示这些操作为必要的顺序依赖。可替换的顺序将被从本说明中获利的所属领域技术人员理解。此外，应理解不是所有的操作都必然呈现在本文提供的每个实施例中。

此外，词语“示例性”被本文使用来意指作为示例、实例或说明。本文描述为“示例性”的任何方面或设计并不必然理解为优于其它方面或设计。相反，使用词语示例性旨在以具体的方式呈现理念。如在本申请中使用的，术语“或”旨在意指包括“或”而不是排除“或”。即，除非另有说明，或从上下文中明确得出，“X采用A或B”旨在意指任意自然包括的置换。即，如果X采用A；X采用B；或X采用A和B，那么在任意前述的实例下满足“X采用A或B”。此外，被用在本申请和所附的权利要求中的冠词“一”和“一个”一般可以被解释为意指“一个或多个”，除非特别指出或从上下文中清楚地指向单数形式。另外，A和B等中的至少一个一般意指A或B、或A和B两者。

另外，尽管本公开已经关于一个或多个实施例被示出和描述，但是对于所属领域技术人员，基于对本说明书和附图的阅读和理解，将能做出等同替换和修改。本公开包括所有这些修改和替换，并且仅被所附权利要求的范围限制。特别关于由上述描述的部件(例如，要素，资源等)执行的各个功能，除非另有指出，被用来描述这样的部件的术语旨在对应于执行描述的部件的特定功能的任意部件(例如，其是功能性等同物)，即使没有结构上等同于执行本公开中图示的示例性实施例的功能的所公开结构。此外，尽管本公开特定的特征可以已经相对于若干实施例中仅一个公开，但是这样的特征可以结合其它实施方式的一个或多个其它特征，如可以对于任意给定的或特定的应用期望或有优势的那样。此外，在一定程度上，术语“包括”、“具备”、“具有”、“带有”或它们的变体被用在或者说明书或者权利要求书中，这样的术语旨在以类似于术语“包括”的方式是包含的。

Claims (14)

1.一种用于电力系统的方法，包括：

利用来自所述电力系统的历史数据来训练机器学习算法；

将对应于变压器的历史数据提供给所述机器学习算法，以开发所述变压器的简档，所述简档描述在各种操作条件下所述变压器被预期为如何执行；

基于经由所述机器学习算法开发的所述变压器的所述简档来针对期望负荷预测所述变压器的油温；以及

预测所述变压器能在所述变压器的所述油温未达到与所述变压器的故障相关联的特定值的情况下，根据所述预测的油温支持所述期望负荷的时长。

2.根据权利要求1所述的方法，其中，来自所述电力系统并且用来训练所述机器学习算法的历史数据与对应于所述变压器的历史数据不一致，所述变压器的简档经由所述机器学习算法从对应于所述变压器的历史数据中开发。

3.根据权利要求1所述的方法，包括：

响应于指示所述变压器不能以期望时长支持所述期望负荷的所述预测的油温，识别能由所述变压器以所述期望时长支持的负荷。

4.根据权利要求1所述的方法，所述机器学习算法为前馈人工神经网络算法。

5.根据权利要求4所述的方法，所述前馈人工神经网络算法包括两个隐藏层。

6.根据权利要求1所述的方法，对应于所述变压器的所述历史数据来源于以下各项中的至少一项：

可操作地耦合到所述变压器的一个或多个传感器；或者

在所述变压器上执行的热运行测试。

7.根据权利要求1所述的方法，所述预测油温包括：

基于所述变压器的当前操作条件来预测针对所述期望负荷的所述变压器的所述油温，所述当前操作条件包括以下各项中的至少一项：

所述变压器的当前负荷；

邻近所述变压器的当前周围空气温度；或者

所述变压器的当前油温。

8.一种用于电力系统的方法，包括：

识别所述电力系统的第一变压器的故障，所述第一变压器支持第一负荷；

识别所述电力系统中能以期望时间支持所述第一负荷的至少一些负荷的第二变压器，包括：

基于所述第二变压器的简档，估计所述第二变压器能在所述第二变压器的油温未达到与所述第二变压器的故障相关联的特定值的情况下，以所述期望时间支持的负荷，所述简档描述在各种操作条件下所述第二变压器被预期为如何执行；其中，所述第二变压器的所述简档经由机器学习算法开发；并且利用来自于所述电力系统的历史数据来训练所述机器学习算法；以及

将所述第一负荷的至少一些负荷转移到所述第二变压器，所述第二变压器的总负荷没有超过所述估计的负荷。

9.根据权利要求8所述的方法，利用对应于所述第二变压器的历史数据作为到所述机器学习算法的输入。

10.根据权利要求9所述的方法，所述对应于所述第二变压器的历史数据来源于以下各项中的至少一项：

可操作地耦合到所述第二变压器的一个或多个传感器；或

在所述第二变压器上执行的热运行测试。

11.根据权利要求8所述的方法，所述第二变压器的所述简档经由前馈神经网络算法开发。

12.根据权利要求8所述的方法，所述估计基于所述第二变压器的当前操作条件，所述当前操作条件包括以下各项中的至少一项：

所述第二变压器的当前负荷；

邻近所述第二变压器的当前周围空气温度；或

所述第二变压器的当前油温。

13.一种用于电力系统的系统，包括：

训练部件，被配置为基于来自所述电力系统的历史数据来训练神经网络算法；

简档生成部件，被配置为使用所述神经网络算法开发所述电力系统的变压器的简档，所述神经网络算法接收作为输入的对应于所述变压器的历史数据，所述简档描述在各种操作条件下所述变压器被预期为如何执行；以及

预测部件，被配置为基于所述变压器的所述简档来预测在期望负荷处的所述变压器的油温，以及预测所述变压器能在所述变压器的所述油温未达到与所述变压器的故障相关联的特定值的情况下，根据所述预测的油温支持所述期望负荷的时长。

14.根据权利要求13所述的系统，所述预测部件被配置为基于所述变压器的当前操作条件来预测在所述期望负荷处的所述变压器的所述油温。