CN108089077A - 应用于变压器热点反演的特征量选取方法及系统 - Google Patents

Abstract

本发明公开了一种应用于变压器热点反演的特征量选取方法及系统，包括：S1根据变压器所处的实际环境，采用正交法设计多因素多水平的训练样本集；S2在各训练样本所对应条件下，对变压器进行温度场仿真，获得反映变压器内部的热点分布及油流温度分布的温度场分布图；S3根据温度场分布图获得变压器的流线图，根据流线图在变压器的外壳和散热片上选择若干温度特征点，温度特征点和环境因素共同构成基础特征量；S4利用人工智能算法对基础特征量进行寻优。本发明可选出具有普适性的特征量，能更好地应用于工程实际；将本发明方法用于变压器热点反演，可解决目前变压器热点测量方法存在的难度高、精度低、计算速度慢等问题。

Description

应用于变压器热点反演的特征量选取方法及系统

技术领域

本发明属于变压器热点检测技术领域，尤其涉及一种应用于变压器热点反演的特征量选 取方法及系统。

背景技术

变压器作为电力系统中最重要的设备之一，数量众多，结构复杂，直接关系到供电的可 靠性和安全性。变压器内部各部件所达到的最高温度即为热点温度，是影响变压器运行状态、 物理条件和绝缘寿命的重要因素之一。为了保证变压器设备在运行中的安全性和高效性，避 免在运行过程中出现故障，对变压器热点的在线检测至关重要。

国内外变压器热点测量方法主要有直接测量法和热模拟法。直接测量法通过将光纤传感 器埋设在绕组导线上直接得到热点温度，但对于实际运行中的变压器，传感器的埋设会影响 油流分布，且变压器运行工况不同时还需重复测量，测量成本高；同时由于热点温度的不确 定性，测量结果不一定是热点温度。热模拟法是由负载导则IEC 354推导得出的简化形式， 由测量得到的顶层油温和绕组相对于顶层油温的温升得到绕组热点温度，具有较大误差。因 此，为了对运行中的变压器实行实时监测，根据变压器历史运行数据预测在线运行热点温度， 及时根据工况调整动态负荷，采用人工智能算法对热点温度进行反演成为了当今研究的热潮。

发明内容

本发明的目的是提供一种应用于变压器热点反演的特征量选取方法及系统。

本发明提供的一种应用于变压器热点反演的特征量选取方法，包括步骤：

S1以所考虑的环境因素为因素，根据变压器所处的实际环境，采用正交法设计多因素多 水平的训练样本集；

S2在各训练样本所对应条件下，对变压器进行温度场仿真，获得反映变压器内部的热点 分布及油流温度分布的温度场分布图；

S3根据温度场分布图获得变压器的流线图，根据流线图在变压器的外壳和散热片上选择 若干温度特征点，温度特征点和环境因素共同构成基础特征量；

S4利用人工智能算法对基础特征量进行寻优，具体为：以训练样本集和基础特征量为人 工智能算法的输入，获得使训练样本适应度最大的基础特征量，即优选特征量。

进一步的，所述所考虑的环境因素包括工况、温度、湿度、风速、光照中的多种或全部。

进一步的，步骤S2进一步包括：

基于多物理场耦合的变压器三维模型，利用有限元法计算或利用负载试验得到各训练样 本对应条件下变压器的损耗；

以损耗为热源，以变压器环境因素为输入，对各训练样本所对应条件下的变压器进行温 度场仿真，获得温度场分布图。

进一步的，步骤S3进一步包括：

3.1根据温度场分布图获取各训练样本对应的油介质流动曲线，即流线图；

3.2从流线图选取分布密集且流动规律一致的流线为主流线；

3.3从主流线提取流线方向上油介质的温度变化曲线，即流线温度变化曲线；

3.4根据流线温度变化曲线选择能表征流线温度变化曲线变化趋势的流线点；

3.5在变压器的外壳和散热片上分别选取距离流线点最近的1～3个点，作为温度特征点。

进一步的，所述人工智能算法为遗传算法、粒子群算法或帝国竞争算法。

进一步的，步骤S4中采用遗传算法对基础特征量进行寻优，具体为：

利用二进制编码对各基础特征量进行编码，染色体的每一位对应一个基础特征量的序号， 染色体每一位的基因取值为1或0；

对各不同排列组合的基础特征量分别计算适应度值，取适应度值最高的基础特征量排列 组合，取其中基因取值为1的基础特征量，即优选特征量。

本发明提供的一种应用于变压器热点反演的特征量选取系统，包括：

第一模块，用来以所考虑的环境因素为因素，根据变压器所处的实际环境，采用正交法 设计多因素多水平的训练样本集；

第二模块，用来在各训练样本所对应条件下，对变压器进行温度场仿真，获得反映变压 器内部的热点分布及油流温度分布的温度场分布图；

第三模块，用来根据温度场分布图获得变压器的流线图，根据流线图在变压器的外壳和 散热片上选择若干温度特征点，温度特征点和环境因素共同构成基础特征量；

第四模块，用来利用人工智能算法对基础特征量进行寻优，具体为：以训练样本集和基 础特征量为人工智能算法的输入，获得使训练样本适应度最大的基础特征量，即优选特征量。

本发明提供的上述特征量选取方法在变压器热点反演中的应用，包括：

根据步骤S2获得的温度场分布图预判热点在变压器的绕组的位置；

基于步骤S4获得的优选特征量，选择不同的SVR核函数分别对预判热点所在绕组位置 的温度分布进行反演，并确定SVR核函数的最佳寻优参数

利用最佳寻优参数训练SVR核函数，在各测试样本下反演预判热点所在绕组位置的温度 分布，最大温度即热点温度，最大温度出现位置即热点位置。

本发明具有如下优点和有益效果：

目前，智能算法中特征量的选择缺乏理论体系，然而特征量的选取又对热点的反演精度 影响很大，特征量与热点之间的关系越明确，热点的反演精度越高。因此，为了精确反演热 点温度，本发明选用SVR作为绕组热点反演方法，并在此基础上，提出一种应用于变压器热 点反演的特征量选取方法及系统，以选出具有普适性的特征量，可以更好地应用于工程实际。

将本发明方法用于变压器热点反演，具有计算简单、反演精度高、效率高、切实可行的 优点，可解决目前变压器热点测量方法存在的难度高、精度低、计算速度慢等问题。

附图说明

图1是本发明特征量选取方法的具体流程图；

图2是利用本发明特征量选取方法的变压器热点反演的流程图；

图3是特征量优化前后测试样本热点温度的反演误差曲线。

具体实施方式

为了更清楚地说明本发明和/或现有技术中的技术方案，下面将对照附图说明本发明的具 体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通 技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获 得其他的实施方式。

图1～2所示为一种应用于变压器热点反演的特征量选取方法以及该方法在变压器热点反 演中应用的具体流程，可应用于66kV变压器热点温度反演，具体步骤如下：

步骤1，设计训练样本集和测试样本集。

以考虑的环境因素为因素，根据变压器所处的实际环境，采用正交法设计多因素多水平 的方案，获得训练样本集。本具体实施方式中，考虑的环境因素包括工况、温度、湿度、风 速和光照，采用正交法设计5因素4水平的方案，一方案即一训练样本，得到16组训练样本。 所述工况包括额定负载、过负载、欠负载中的一种或多种。

另外，选择其他环境因素为因素，根据变压器所处的实际环境，采用正交法设计多因素 多水平的方案，获得测试样本集。这里其他环境因素应同时包括变压器的负载大小、光照、 温度和风速。测试样本集用于验证反演算法的误差及反演效果。

步骤2，变压器温度场仿真。

本步骤进一步包括：

2.1建立多物理场耦合的变压器三维模型，所述变压器三维模型包括铁芯、绕组、结构件、 油道和散热器。利用有限元法计算或利用负载试验得到各训练样本对应条件下的变压器损耗。

2.2以损耗作为热源，以变压器环境因素作为输入，对各训练样本对应条件下的变压器进 行温度场仿真，得到温度场分布图。所述温度场分布图用于描述变压器内部的热点及油流温 度的分布。

步骤3，确定基础特征量。

所述基础特征量由环境因素和温度特征点共同构成，所述温度特征点在变压器的外壳和 散热片上选取，能表征变压器的流线温度变化趋势。

下面将提供温度特征点的一种具体的获取方法：

3.1根据温度场分布图获取各训练样本对应的油介质流动曲线，即流线图，所述流线图用 来描述变压器内流体的流动过程。

3.2根据流体分析结果，定义流线分布密集且流动规律一致的流线为主流线，采用人工观 察方式，从流线图中选取主流线。

3.3从主流线提取流线方向上油介质的温度变化曲线，即流线温度变化曲线。

3.4根据流线温度变化曲线，选择能表征流线温度变化曲线变化趋势的流线点。

3.5在变压器的外壳和散热片上分别选取距离所述流线点最近的1～3个点，作为温度特 征点。本具体实施方式中，基础特征量的特征总数为35。

步骤4，基于人工智算法的特征量寻优。

本步骤利用人工智能算法对基础特征量进行寻优，从而获得优选特征量。所述人工智能 算法可以为遗传算法、粒子群算法、帝国竞争算法等。更具体的，基于适应度函数值对基础 特征量进行寻优，以使训练样本适应度最大的基础特征量为优选特征量。

下面以遗传算法为例，进一步说明本步骤的具体实施过程。

利用二进制编码对各基础特征量进行编码，本具体实施方式中编码长度取35。染色体的 每一位对应一个基础特征量序号，染色体每一位的基因取值只能是“1”和“0”两种情况。 如果染色体某一位值为“1”，表示该位对应的基础特征量参与最终的建模，则应保留；反之， 如果染色体某一位值为“0”，表示该位对应的基础特征量不作为最终的建模，则应舍去。通 过基因取值可有效对基础特征量进行降维处理。本实施例中，以训练样本交叉验证结果均方 误差MSE的倒数为适应度函数f(X)，见式(1)：

式(1)中：

M为交叉验证的组数；

N_j为第j组交叉验证中被测试训练样本的数量；

A_j,i为第j组交叉验证中第i个被测试训练样本对应的热点温度实际值；

P_j,i为第j组交叉验证中第i个被测试训练样本对应的热点温度反演值。

本实施例最后获得的优选特征量分别是工况、温度以及两个温度特征点。

步骤5，基于支持向量回归机的变压器热点反演。

本步骤进一步包括：

5.1根据步骤2获得的温度场分布图预判热点在变压器绕组的位置，具体的，将变压器 绕组上温度大于预设温度的位置预判为热点位置。本实施例中，预判热点出现在变压器绕组 上部1～3层。

图3所示为特征量优化前后测试样本热点温度的反演误差曲线，基于优选特征量，选择 不同的SVR核函数分别对预判热点所在绕组位置的温度分布进行反演，并确定SVR核函数 的最佳寻优参数

5.3利用最佳寻优参数训练SVR核函数，在各测试样本下反演预判热点所在绕组位置的 温度分布，最大温度即热点温度，最大温度出现位置即热点位置。

从图中可以看出，特征量优化后，最大反演误差由6.14℃减小到2.34℃，变压器热点反 演结果与实测值误差明显减小，本发明具有精度高、计算简单、效率高、切实可行的特点， 解决了现有的热点测量方法难度高、热点反演方法精度低、温度场仿真计算速度慢的问题。

上述实施例所述是用以具体说明本专利，文中虽通过特定的术语进行说明，但不能以此 限定本专利的保护范围，熟悉此技术领域的人士可在了解本专利的精神与原则后对其进行变 更或修改而达到等效目的，而此等效变更和修改，皆应涵盖于权利要求范围所界定范畴内。

Claims (8)

1.应用于变压器热点反演的特征量选取方法，其特征是，包括：

S1以所考虑的环境因素为因素，根据变压器所处的实际环境，采用正交法设计多因素多水平的训练样本集；

S2在各训练样本所对应条件下，对变压器进行温度场仿真，获得反映变压器内部的热点分布及油流温度分布的温度场分布图；

S3根据温度场分布图获得变压器的流线图，根据流线图在变压器的外壳和散热片上选择若干温度特征点，温度特征点和环境因素共同构成基础特征量；

S4利用人工智能算法对基础特征量进行寻优，具体为：以训练样本集和基础特征量为人工智能算法的输入，获得使训练样本适应度最大的基础特征量，即优选特征量。

2.如权利要求1所述的应用于变压器热点反演的特征量选取方法，其特征是：

所述所考虑的环境因素包括工况、温度、湿度、风速、光照中的多种或全部。

3.如权利要求1所述的应用于变压器热点反演的特征量选取方法，其特征是：

步骤S2进一步包括：

基于多物理场耦合的变压器三维模型，利用有限元法计算或利用负载试验得到各训练样本对应条件下变压器的损耗；

以损耗为热源，以变压器环境因素为输入，对各训练样本所对应条件下的变压器进行温度场仿真，获得温度场分布图。

4.如权利要求1所述的应用于变压器热点反演的特征量选取方法，其特征是：

步骤S3进一步包括：

3.1根据温度场分布图获取各训练样本对应的油介质流动曲线，即流线图；

3.2从流线图选取分布密集且流动规律一致的流线为主流线；

3.3从主流线提取流线方向上油介质的温度变化曲线，即流线温度变化曲线；

3.4根据流线温度变化曲线选择能表征流线温度变化曲线变化趋势的流线点；

3.5在变压器的外壳和散热片上分别选取距离流线点最近的1～3个点，作为温度特征点。

5.如权利要求1所述的应用于变压器热点反演的特征量选取方法，其特征是：

所述人工智能算法为遗传算法、粒子群算法或帝国竞争算法。

6.如权利要求1所述的应用于变压器热点反演的特征量选取方法，其特征是：

步骤S4中采用遗传算法对基础特征量进行寻优，具体为：

利用二进制编码对各基础特征量进行编码，染色体的每一位对应一个基础特征量的序号，染色体每一位的基因取值为1或0；

对各不同排列组合的基础特征量分别计算适应度值，取适应度值最高的基础特征量排列组合，取其中基因取值为1的基础特征量，即优选特征量。

7.一种应用于变压器热点反演的特征量选取系统，其特征是，包括：

第一模块，用来以所考虑的环境因素为因素，根据变压器所处的实际环境，采用正交法设计多因素多水平的训练样本集；

第二模块，用来在各训练样本所对应条件下，对变压器进行温度场仿真，获得反映变压器内部的热点分布及油流温度分布的温度场分布图；

第三模块，用来根据温度场分布图获得变压器的流线图，根据流线图在变压器的外壳和散热片上选择若干温度特征点，温度特征点和环境因素共同构成基础特征量；

第四模块，用来利用人工智能算法对基础特征量进行寻优，具体为：以训练样本集和基础特征量为人工智能算法的输入，获得使训练样本适应度最大的基础特征量，即优选特征量。

8.权利要求1所述特征量选取方法在变压器热点反演中的应用，其特征是，包括：

根据步骤S2获得的温度场分布图预判热点在变压器的绕组的位置；

基于步骤S4获得的优选特征量，选择不同的SVR核函数分别对预判热点所在绕组位置的温度分布进行反演，并确定SVR核函数的最佳寻优参数

利用最佳寻优参数训练SVR核函数，在各测试样本下反演预判热点所在绕组位置的温度分布，最大温度即热点温度，最大温度出现位置即热点位置。