CN106874534A - 一种变压器过载能力评估方法 - Google Patents

Abstract

本发明提供一种变压器过载能力评估方法，预先形成一用于处理得到变压器的热点温度的第一模型，以及预先形成一用于处理得到变压器的预测过载时间的第二模型；评估方法包括：根据第一模型处理得到变压器的热点温度；根据第二模型处理得到变压器的预测过载时间；根据热点温度和预测过载时间处理得到变压器的预测寿命损失；根据预测寿命损失对变压器的过载能力进行评估；步骤S1和步骤S2同时进行。本发明的有益效果：通过采集多种影响变压器过载运行的因素，建立热路模型并采用BP神经网路训练，计算当前变压器绕组热点温度，推算出变压器过载运行的安全时间，从而预测变压器的寿命损失，计算结果更加精确，计算方法根据可靠性，更具有实际应用价值。

Description

一种变压器过载能力评估方法

技术领域

本发明涉及电力系统技术领域，尤其涉及一种变压器过载能力评估方法。

背景技术

随着国民经济的增长，我国用电负载日益增多，在实际运行中变压器不可避免地会出现过载运行状态。当变压器负荷电流增大时，变压器损耗会随之增加，从而会使得变压器的绝缘材料温升提高，导致绝缘介质加速劣化，降低了变压器的使用寿命，因此评估变压器过载能力具有重要意义。

油浸式电力变压器是电力系统中的核心设备之一，其稳定运行对系统的安全可靠性以及运行费用控制有着非常重要的影响。油浸式变压器在运行中，出现在绕组某段的最高温度，即为热点温度，是代表变压器负载的热极限值。油浸式电力变压器负载导则GB/T15164-1994认为：绕组最热区域内达到的温度，是变压器负载最关键的限制因数，故应尽一切努力来准确确定这一温度值。通常采用热路模型来估算热点温度。

电力系统，电力调度领域，通常根据负荷曲线进行调度，参考包括日负荷曲线、月负荷曲线、年负荷曲线等等。随着计算机技术、信息技术的不断发展，如河南省，已经建立了用电信息采集系统应用平台及调度EMS系统(能量管理系统)、调度TMR(电量计量系统)，通过数据共享，对省内部分重点行业、产业集聚区的售电量、负荷等关键信息进行实时监测。在此背景下，对重点行业、产业集聚区的用电信息监测、短期预测、超短期预测都有监测分析重点行业负荷变化特性，预警企业、乃至行业用电模式变动的重要意义。通常运用BP神经网络算法进行重点行业用户短期负荷预测，监测分析重点行业负荷变化特性，预警企业用电模式变动。

目前国内外在变压器过载能力方面的评估主要是基于改进温度的热路模型，主要采集负荷电流、绕组温度、顶层油温等几个特征量来进行评估，考虑的变压器过载能力影响因素不够全面，这样对变压器过载能力不能很好的评估，有时会出现不可挽回的失误，影响社会用电。

发明内容

针对现有技术中存在的问题，本发明旨在提供一种多参数人工智能算法的变压器过载能力的评估方法，通过环境因素、气象因素、负荷电流、顶层油温、过载倍数、风扇状态、油指数、绕组指数等变压器参数预测变压器的寿命损失。

本发明采用如下技术方案：

一种变压器过载能力评估方法，预先形成一用于处理得到所述变压器的热点温度的第一模型，以及预先形成一用于处理得到所述变压器的预测过载时间的第二模型；

所述评估方法包括：

步骤S1、根据所述第一模型处理得到所述变压器的所述热点温度；

步骤S2、根据所述第二模型处理得到所述变压器的预测过载时间；

步骤S3、根据所述热点温度和所述预测过载时间处理得到所述变压器的预测寿命损失；

步骤S4、根据所述预测寿命损失对所述变压器的过载能力进行评估；

所述步骤S1和所述步骤S2同时进行。

优选的，通过第一输入参数和所述第一模型处理得到所述热点温度。

优选的，所述第一模型为热路模型。

优选的，所述第一输入参数包括环境数据、气象数据、顶层油温数据以及负载电流数据。

优选的，所述环境数据通过采用PT100铂热电阻获取。

优选的，所述气象数据通过采用微气象站获取。

优选的，所述顶层油温数据通过采用光纤测温获取。

优选的，所述负载电流数据通过采用电流互感器感应取电装置获取。

优选的，所述步骤S2中，通过第二输入参数和所述第二模型处理得到所述预测过载时间。

优选的，所述第二模型为BP神经网络模型。

优选的，所述第二输入参数包括过载倍数数据、风扇状态数据以及变压器参数。

优选的，所述步骤S2中，采用下述公式计算得到所述BP神经网络模型的隐含层的单元数：

其中，

L为隐含层单元数；

n为输入层单元数；

m为输出层单元数；

α为常数，且1≤α≤10。

优选的，所述步骤S3中，采用下述公式计算得到所述变压器的所述寿命损失：

D(θ)＝100×t×10^-(A+B/θ)

其中，

θ＝θ_h+273；

D(θ)为所述变压器的总寿命损失的百分比；

θ_h为所述变压器的所述热点温度；

t为所述变压器的标准寿命；

A为所述变压器的寿命曲线的常数；

B为所述变压器的寿命曲线的常数。

本发明的有益效果是：

通过采集多种影响变压器过载运行的因素，建立热路模型并采用BP神经网路训练，计算当前变压器绕组热点温度，推算出变压器过载运行的安全时间，从而预测变压器的寿命损失，计算结果更加精确，计算方法根据可靠性，更具有实际应用价值。

附图说明

图1为本发明一种优选的实施例中，变压器过载能力评估方法的流程图；

图2为本发明一种优选的实施例中，变压器过载能力评估方法的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，下述技术方案，技术特征之间可以相互组合。

下面结合附图对本发明的具体实施方式作进一步的说明：

如图1-2所示，一种变压器过载能力评估方法，预先形成一用于处理得到上述变压器的热点温度的第一模型，以及预先形成一用于处理得到上述变压器的预测过载时间的第二模型；

上述评估方法包括：

步骤S1、根据上述第一模型处理得到上述变压器的上述热点温度；

步骤S2、根据上述第二模型处理得到上述变压器的预测过载时间；

步骤S3、根据上述热点温度和上述预测过载时间处理得到上述变压器的预测寿命损失；

步骤S4、根据上述预测寿命损失对上述变压器的过载能力进行评估；

上述步骤S1和上述步骤S2同时进行。

在本实施例中，通过采集多种影响变压器过载运行的因素，建立热路模型并采用BP神经网路模型，计算当前变压器绕组热点温度，推算出变压器过载运行的安全时间，从而预测变压器的寿命损失，计算结果更加精确，计算方法根据可靠性，更具有实际应用价值。

本发明较佳的实施例中，上述步骤S1中，通过第一输入参数和上述第一模型处理得到上述热点温度。

本发明较佳的实施例中，上述第一模型为热路模型。

本发明较佳的实施例中，上述第一输入参数包括环境数据、气象数据、顶层油温数据以及负载电流数据。

本发明较佳的实施例中，上述环境数据通过采用PT100铂热电阻获取。

本发明较佳的实施例中，上述气象数据通过采用微气象站获取。本发明较佳的实施例中，上述顶层油温数据通过采用光纤测温获取。

本发明较佳的实施例中，上述负载电流数据通过采用电流互感器感应取电装置获取。

本发明较佳的实施例中，上述步骤S2中，通过第二输入参数和上述第二模型处理得到上述预测过载时间。

本发明较佳的实施例中，上述第二模型为BP神经网络模型。

本发明较佳的实施例中，上述第二输入参数包括过载倍数数据、风扇状态数据以及变压器参数。第二输入参数即为BP神经网络模型输入层的输入参数。

本发明较佳的实施例中，上述步骤S2中，采用下述公式计算得到上述BP神经网络模型的隐含层的单元数：

其中，

L为隐含层单元数；

n为输入层单元数；

m为输出层单元数；

α为常数，且1≤α≤10。

本发明较佳的实施例中，上述步骤S3中，采用下述公式计算得到上述变压器的上述寿命损失：

D(θ)＝100×t×10^-(A+B/θ)

其中，

θ＝θ_h+273；

D(θ)为上述变压器的总寿命损失的百分比；

θ_h为上述变压器的上述热点温度；

t为上述变压器的标准寿命；

A为上述变压器的寿命曲线的常数；

B为上述变压器的寿命曲线的常数。

在本实施例中，θ_h是热点温度，单位为℃；θ＝θ_h+273是绝对温度，单位为开尔文。

实施例一

变压器的标准寿命为T，如果经过上述步骤S3处理后得到的预测寿命损失为1/5T，则经过上述步骤S4后对变压器的过载能力评价为优。

实施例二

变压器的标准寿命为T，如果经过上述步骤S3处理后得到的预测寿命损失为2/5T，则经过上述步骤S4后对变压器的过载能力评价为良。

实施例三

变压器的标准寿命为T，如果经过上述步骤S3处理后得到的预测寿命损失为3/5T，则经过上述步骤S4后对变压器的过载能力评价为中。

实施例四

变压器的标准寿命为T，如果经过上述步骤S3处理后得到的预测寿命损失为4/5，则经过上述步骤S4后对变压器的过载能力评价为差。

通过说明和附图，给出了具体实施方式的特定结构的典型实施例，基于本发明精神，还可作其他的转换。尽管上述发明提出了现有的较佳实施例，然而，这些内容并不作为局限。

对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。

Claims (13)

1.一种变压器过载能力评估方法，其特征在于，预先形成一用于处理得到所述变压器的热点温度的第一模型，以及预先形成一用于处理得到所述变压器的预测过载时间的第二模型；

所述评估方法包括：

步骤S1、根据所述第一模型处理得到所述变压器的所述热点温度；

步骤S2、根据所述第二模型处理得到所述变压器的预测过载时间；

步骤S3、根据所述热点温度和所述预测过载时间处理得到所述变压器的预测寿命损失；

步骤S4、根据所述预测寿命损失对所述变压器的过载能力进行评估；

所述步骤S1和所述步骤S2同时进行。

2.根据权利要求1所述的评估方法，其特征在于，所述步骤S1中，通过第一输入参数和所述第一模型处理得到所述热点温度。

3.根据权利要求2所述的评估方法，其特征在于，所述第一模型为热路模型。

4.根据权利要求2所述的评估方法，其特征在于，所述第一输入参数包括环境数据、气象数据、顶层油温数据以及负载电流数据。

5.根据权利要求4所述的评估方法，其特征在于，所述环境数据通过采用PT100铂热电阻获取。

6.根据权利要求4所述的评估方法，其特征在于，所述气象数据通过采用微气象站获取。

7.根据权利要求4所述的评估方法，其特征在于，所述顶层油温数据通过采用光纤测温获取。

8.根据权利要求4所述的评估方法，其特征在于，所述负载电流数据通过采用电流互感器感应取电装置获取。

9.根据权利要求1所述的评估方法，其特征在于，所述步骤S2中，通过第二输入参数和所述第二模型处理得到所述预测过载时间。

10.根据权利要求9所述的评估方法，其特征在于，所述第二模型为BP神经网络模型。

11.根据权利要求9所述的评估方法，其特征在于，所述第二输入参数包括过载倍数数据、风扇状态数据以及变压器参数。

12.根据权利要求10所述的评估方法，其特征在于，所述步骤S2中，采用下述公式计算得到所述BP神经网络模型的隐含层的单元数：

$L=\sqrt{n+m}+\mathrm{\α}$

其中，

L为隐含层单元数；

n为输入层单元数；

m为输出层单元数；

α为常数，且1≤α≤10。

13.根据权利要求1所述的评估方法，其特征在于，所述步骤S3中，采用下述公式计算得到所述变压器的所述寿命损失：

D(θ)＝100×t×10^-(A+B/θ)

其中，

θ＝θ_h+273；

D(θ)为所述变压器的总寿命损失的百分比；

θ_h为所述变压器的所述热点温度；

t为所述变压器的标准寿命；

A为所述变压器的寿命曲线的常数；

B为所述变压器的寿命曲线的常数。