CN105550472A - 一种基于神经网络的变压器绕组热点温度的预测方法 - Google Patents

Abstract

本发明涉及一种基于神经网络的变压器绕组热点温度的预测方法，采用遗传算法优化神经网络后，通过计算得到变压器绕组热点温度值，包括以下步骤：(1)构建神经网络；(2)对神经网络的输入数据和输出数据进行归一化处理；(3)采用遗传算法对神经网络的权值和阈值进行优化；(4)对遗传算法优化后的神经网络进行训练；(5)利用实时测得的输入数据和训练后的神经网络得到输出数据，并计算得出变压器的热点温度值。与现有技术相比，本发明具有测量精度高等优点。

Description

一种基于神经网络的变压器绕组热点温度的预测方法

技术领域

本发明涉及一种变压器绕组热点温度的预测方法，尤其是涉及一种基于神经网络的变压器绕组热点温度的预测方法。

背景技术

变压器热点温度研究的难点在于绕组热点温度产生机理十分复杂以及热点温度位置的不确定性，目前为止，得到变压器内部温度主要有两种方法，一种基于神经网络的变压器绕组热点温度的预测方法是直接测量法，一种基于神经网络的变压器绕组热点温度的预测方法是间接计算法。

直接测量法是在变压器靠近导线位置或导线线饼中预埋测温传感器，直接获得绕组热点温度的方法。绕组内埋设传感器对绝缘结构设计要求较高，容易影响变压器正常运行。而且由于绕组热点位置不确定，传感器埋设处不一定是最热点，测量结果可能并非绕组的热点温度。因此，一般采取在绕组热点的附近区域，安装多个温度传感器，通过测量多个位置的温度来近似得到绕组的热点温度，温度传感器有声频、光纤、结晶石英、荧光、镓砷化晶体等多种传感器。目前研究最多，最有影响力的是基于散射机理的分布式光纤温度传感器系统。分布式光纤测温系统的温度测量误差通常在几度，定位误差在一米左右，主要用于测量电缆的温度分布。当用于变压器内部温度的测量或定位时，提高其定位的精度就又会降低其对温度的分辨率，误差将较大。

目前，间接计算变压器绕组热点温度方法中最传统的方法是IEC60076-7导则和IEEEStdC57.91导则推荐的变压器绕组热点温度计算经验模型。IEC60076-7导则根据一些假设条件对很复杂的变压器热特性分布做出了简化并得到相应的简化图和公式。如图1所示是简化的油浸式变压器温度分布图，图中，A是由油箱出口处油温和油箱温度计座中油温得出的顶层油温；B是绕组顶部的混合油温(通常假设与A的温度相同)；C是油箱内平均油温；D是绕组底部油温；E是油箱底部油温；gr是额定电流下绕组平均温度对油(油箱内)平均温度的梯度；H是热点系数；P是热点温度；Q是用电阻法测得的绕组平均温度；X轴是温度；Y轴是相对位置；图1中所示的热分布图是假设的，它是一个本来很复杂的热分布的简化图。在简化中作了如下假设：

a)不论冷却方式如何，油箱内的油温从底部到顶部均是按线性增加；

b)作为初始的近似，在绕组任何位置处绕组导线的温升，从下到上呈线性增加，此直线与油的温升直线平行。两平行线之间的差值为常数，为用电阻法测出的绕组平均温度与油箱中油平均温度的差值)；

c)热点温升比b)所述的绕组顶部导线的温升高，这是因为必须就杂散损耗的增加、各局部油流的差别和导线上可能附加的纸层等给出一些裕度。考虑到这些非线性的因素，令热点温度与油箱内顶层油温之差等于H*gr。

由简化的油浸式变压器温度分布图推导出稳态热点温度计算如下：

在自然油循环冷却下，热点温度等于环境温度、顶层油温升以及热点温度对顶层油温的温升三者之和；而强迫油循环冷却下，热点温度等于环境温度、底层

油温升、绕组的顶层油温对底层油温的温升以及绕组热点温度对顶层油温的温升四者之和；强迫油循环导向冷却下，计算热点温度与强迫油循环冷却时差不多，由于导线电阻随温度变化，因此需添加校正系数。

GB/T1094.7-2008负载导则及IEEEStdC57.91标准中推荐的计算方法均可计算变压器绕组热点温度，是国内外最近几年应用比较广泛的一种方法，该方法直观、简便，能够基本反映真实的热传导过程。该计算方法只能求解热点温度值，不能探寻热点位置，同时这些公式的结果和实测数据仍有一定差距，因此应找寻可以得到更加精确的结果的方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络的变压器绕组热点温度的预测方法，采用遗传算法优化神经网络后，通过计算得到变压器绕组热点温度值。

本发明的目的可以通过以下技术方案来实现：一种基于神经网络的变压器绕组热点温度的预测方法，包括以下步骤：

(1)以环境温度θ_a、初始顶层油温升Δθ_oi、顶层油温度θ_o及负载系数K为输入数据，以油时间常数τ₀和油指数x为输出数据，并确定隐含层的节点数，构建神经网络；

(2)对神经网络的输入数据和输出数据进行归一化处理；

(3)采用遗传算法对神经网络的权值和阈值进行优化；

(4)设置如下参数：训练步长为50步，输出层选择S型对数函数logsig，隐含层传递函数采用logsig函数，Errorgoal＝0.001，Ir＝0.01，epochs＝1000，对遗传算法优化后的神经网络进行训练；

(5)利用实时测得的输入数据和训练后的神经网络得到油时间常数τ₀和油指数x，并计算得出变压器的热点温度值。

所述的步骤(1)中确定隐含层节点数具体过程为：根据公式确定隐含层的节点数，其中，n₁为隐含层节点数，n输入神经元个数，m为输出神经元个数，a为1～10之间的常数，对每个隐含层节点数的选择形成的神经网络，均进行10次不同的训练，取平均训练误差最小时的隐含层节点数为最终选定的隐含层节点数k。

所述的(2)具体为：根据公式(1)对神经网络输入数据和输出数据进行归一化处理，使得输入数据在[0.2，0.8]内，输出数据在[0.1，0.9]内，

$y_i=0.1+\frac{x_i-x_{\min }}{x_{max}-x_{min}}\×0.8---\left(1\right)$

其中，y_i为经过归一化处理后的神经网络的输入/输出数据，x_i为实际的输入/输出数据，x_max、x_min分别为实际输入/输出数据的最大值和最小值。

所述的步骤(3)具体为：

(301)采用实数编码方式对神经网络的权值和阈值进行编码，所述的权值的取值范围为(-5，5)，精确到0.0001，所述的阈值的取值范围为(-3，3)，精确到0.0001；

(302)选取适应度函数为其中，y_i为神经网络的输出数据，t_i为神经网络的期望输出数据，p为神经网络输入数据和输出数据的成对数目；

(303)选择初始种群数为30，最大迭代次数为180次，进化误差平方和0.5，执行遗传算子。

所述的步骤(303)具体为：采用整体算数交叉算子优化神经网络。

所述的步骤(5)中计算变压器的热点温度值θ_h(t)的具体过程为：如果负载系数K增大，根据公式①计算变压器的热点温度值，

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

如果负载系数K减小，根据公式②计算变压器的热点温度值，

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

其中， $f_2\left(t\right)=k_{21}\×(1-e^{(-t)/(k_{22}\×{\mathrm{\τ}}_w)})-(k_{21}-1)\×(1-e^{(-t)/({\mathrm{\τ}}_o/k_{22})}),f_1\left(t\right)=(1-e^{(-t)/\left(k_{11\×{\mathrm{\τ}}_o}\right)}),$ θ_a为环境温度，Δθ_oi为初始顶层油温升，θ_o为顶层油温度，Δθ_hi为起始时热点温度对顶层油温梯度，R为额定损耗下负载损耗与空载损耗比，Δθ_or为额定损耗下顶层油稳态温升，y为绕组指数，H为热点系数，k₁₁、k₂₁及k₂₂均为热常数，g_r为额定电流下绕组平均温度对油平均温度的梯度，τ₀为油时间常数，x为油指数。

与现有技术相比，本发明具有以下优点：

(1)遗传算法具有快速寻优的能力和良好的全局搜索能力，能够很快逼近最优结果，而神经网络具有良好的自组织和自学习能力，局部寻优能力强，因此将遗传算法与神经网络相结合，克服了神经网络容易陷入局部最小值的固有缺陷，从而提高了神经网络优化权值的精度，进而提高了变压器绕组的测量精度；

(2)将神经网络输入层和输出层的数据进行归一化处理，使得其范围在[0.2，0.8]～[0.1，0.9]之间，最终使得神经网络的训练效果较好；

(3)本方法应用性强、实时性强、可靠强、成本低、精度高、算法处理简洁同时稳定性强；

(4)本发明的变压器热点温度值计算方法为变压器设备的检修带来了很大的方便。

附图说明

图1为本发明的流程图；

图2为油浸式变压器温度分布图；

图3为本实施例中神经网络训练图；

图4为本实施例中神经网络拟合图；

图5为本实施例中随着负载和时间的变化，热点温度值采用导则计算法、神经网络预测法和实际测量的变化。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，一种基于神经网络的变压器绕组热点温度的预测方法，包括以下步骤：

(1)以环境温度θ_a、初始顶层油温升Δθ_oi、顶层油温度θ_o及负载系数K为输入数据，以油时间常数τ₀和油指数x为输出数据，并确定隐含层的节点数，根据公式确定隐含层的节点数，其中，n₁为隐含层节点数，n输入神经元个数，m为输出神经元个数，a为1～10之间的常数，对每个隐含层节点数的选择形成的神经网络，均进行10次不同的训练，取平均训练误差最小时的隐含层节点数为最终选定的隐含层节点数k，由此构建神经网络；

(2)根据公式(1)对神经网络输入数据和输出数据进行归一化处理，使得输入数据在[0.2，0.8]内，输出数据在[0.1，0.9]内，

$y_i=0.1+\frac{x_i-x_{\min }}{x_{max}-x_{min}}\×0.8---\left(1\right)$

其中，y_i为经过归一化处理后的神经网络的输入/输出数据，x_i为实际的输入/输出数据，x_max、x_min分别为实际输入/输出数据的最大值和最小值。

(301)采用实数编码方式对神经网络的权值和阈值进行编码，所述的权值的取值范围为(-5，5)，精确到0.0001，所述的阈值的取值范围为(-3，3)，精确到0.0001；

(302)选取适应度函数为其中，y_i为神经网络的输出数据，t_i为神经网络的期望输出数据，p为神经网络输入数据和输出数据的成对数目；

(303)执行遗传算子：选择初始种群数为30，最大迭代次数为180次，进化误差平方和0.5，采用整体算数交叉算子优化神经网络。

(4)设置如下参数：训练步长为50步，输出层选择S型对数函数logsig，隐含层传递函数采用logsig函数，Errorgoal＝0.001，Ir＝0.01，epochs＝1000，对遗传算法优化后的神经网络进行训练；

(5)计算变压器的热点温度值θ_h(t)的具体过程为：根据三类参数来计算：第一类是可以实测得到的参数，包括环境温度θ_a、初始顶层油温升Δθ_oi、负载系数K、起始时热点温度对顶层油温梯度Δθ_hi，第二类是采用经验值的参数，包括额定损耗下负载损耗与空载损耗比R、额定损耗下顶层油稳态温升Δθ_or、绕组指数y、热点系数H、热常数k₁₁、k₂₁和k₂₂以及额定电流下绕组平均温度对油平均温度的梯度g_r，第三类是由神经网络确定的参数，即油时间常数τ₀和油指数x。

将数据代入热点温度计算公式进行计算，在每次计算时，需要重新比较负载系数K，当负载系数增大时，根据公式①计算变压器的热点温度值，

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

当负载系数K减小时，根据公式②计算变压器的热点温度值，

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

其中， $f_2\left(t\right)=k_{21}\×(1-e^{(-t)/(k_{22}\×{\mathrm{\τ}}_w)})-(k_{21}-1)\×(1-e^{(-t)/({\mathrm{\τ}}_o/k_{22})}),f_1\left(t\right)=(1-e^{(-t)/\left(k_{11\×{\mathrm{\τ}}_o}\right)}),$ θ_a为环境温度，Δθ_oi为初始顶层油温升，θ_o为顶层油温度，Δθ_hi为起始时热点温度对顶层油温梯度，R为额定损耗下负载损耗与空载损耗比，Δθ_or为额定损耗下顶层油稳态温升，y为绕组指数，H为热点系数，k₁₁、k₂₁及k₂₂均为热常数，g_r为额定电流下绕组平均温度对油平均温度的梯度，τ₀为油时间常数，x为油指数。

根据上述方法，得到图3和图4的波形，其中，图3为神经网络训练过程图，由图3可知，最终训练误差只有0.00188，训练结果良好，说明神经网络训练的结构选择是合理的，建立的神经网络是可以预测的；图4为神经网络拟合图，反映的是神经网络的拟合能力，曲线越接近R＝1说明拟合能力越强，由图4可知，R＝0.95427，神经网络的拟合能力也很好，对输出有比较好的预测作用。

利用训练好的神经网络对实例中给出的6组数据(即为表1中除去神经网络预测值一列外的数据)进行预测，得到的结果如图5和表1所示，图5反映了随着负载和时间的变化，热点温度值采用导则计算法、神经网络预测法和实际测量的变化，其中实线为实际测量值，虚线为导则计算值，点虚线为神经网络预测值，由图5可知，通过遗传算法优化的神经网络算法得到的热点温度预测值比导则算法计算得到的热点温度值更接近实际值。表1为每个负载级结束时，导则计算法、神经网络预测法和实际测量法得到的热点温度值，同样可以发现神经网络预测值比导则计算方法更加准确，说明遗传算法优化的神经网络方法是比较有效的。

表1每个负载级结束时的热点温度值

Claims (6)

1.一种基于神经网络的变压器绕组热点温度的预测方法，其特征在于，采用遗传算法优化神经网络后，通过计算得到变压器绕组热点温度值，包括以下步骤：

(1)以环境温度θ_a、初始顶层油温升Δθ_oi、顶层油温度θ_o及负载系数K为输入数据，以油时间常数τ₀和油指数x为输出数据，并确定隐含层的节点数，构建神经网络；

(2)对神经网络的输入数据和输出数据进行归一化处理；

(3)采用遗传算法对神经网络的权值和阈值进行优化；

(4)对遗传算法优化后的神经网络进行训练；

(5)利用实时测得的输入数据和训练后的神经网络得到油时间常数τ₀和油指数x，并计算得出变压器的热点温度值。

2.根据权利要求1所述的一种基于神经网络的变压器绕组热点温度的预测方法，其特征在于，所述的步骤(1)中确定隐含层节点数具体过程为：根据公式确定隐含层的节点数，其中，n₁为隐含层节点数，n输入神经元个数，m为输出神经元个数，a为1～10之间的常数，对每个隐含层节点数的选择形成的神经网络，均进行10次不同的训练，取平均训练误差最小时的隐含层节点数为最终选定的隐含层节点数k。

3.根据权利要求1所述的一种基于神经网络的变压器绕组热点温度的预测方法，其特征在于，所述的(2)具体为：根据公式(1)对神经网络输入数据和输出数据进行归一化处理，使得输入数据在[0.2，0.8]内，输出数据在[0.1，0.9]内，

$y_i=0.1+\frac{x_i-x_{min}}{x_{\max }-x_{min}}\×0.8---\left(1\right)$

其中，y_i为经过归一化处理后的神经网络的输入/输出数据，x_i为实际的输入/输出数据，x_max、x_min分别为实际输入/输出数据的最大值和最小值。

4.根据权利要求1所述的一种基于神经网络的变压器绕组热点温度的预测方法，其特征在于，所述的步骤(3)具体为：

(301)采用实数编码方式对神经网络的权值和阈值进行编码，所述的权值的取值范围为(-5，5)，精确到0.0001，所述的阈值的取值范围为(-3，3)，精确到0.0001；

(302)选取适应度函数为其中，y_i为神经网络的输出数据，t_i为神经网络的期望输出数据，p为神经网络输入数据和输出数据的成对数目；

(303)执行遗传算子。

5.根据权利要求4所述的一种基于神经网络的变压器绕组热点温度的预测方法，其特征在于，所述的步骤(303)具体为：采用整体算数交叉算子优化神经网络。

6.根据权利要求1所述的一种基于神经网络的变压器绕组热点温度的预测方法，其特征在于，所述的步骤(5)中计算变压器的热点温度值θ_h(t)的具体过程为：

如果负载系数K增大，根据公式①计算变压器的热点温度值，

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

如果负载系数K减小，根据公式②计算变压器的热点温度值，

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

其中， $f_2\left(t\right)=k_{21}\×(1-e^{(-t)/(k_{22}\×{\mathrm{\τ}}_w)})-(k_{21}-1)\×(1-e^{(-t)/({\mathrm{\τ}}_o/k_{22})}),f_1\left(t\right)=(1-e^{(-t)/\left(k_{11\×{\mathrm{\τ}}_o}\right)}),$ θ_a为环境温度，Δθ_oi为初始顶层油温升，θ_o为顶层油温度，Δθ_hi为起始时热点温度对顶层油温梯度，R为额定损耗下负载损耗与空载损耗比，Δθ_or为额定损耗下顶层油稳态温升，y为绕组指数，H为热点系数，k₁₁、k₂₁及k₂₂均为热常数，g_r为额定电流下绕组平均温度对油平均温度的梯度，τ₀为油时间常数，x为油指数。