CN108090556A - 一种配电变压器热评估方法 - Google Patents
一种配电变压器热评估方法 Download PDFInfo
- Publication number
- CN108090556A CN108090556A CN201711399978.XA CN201711399978A CN108090556A CN 108090556 A CN108090556 A CN 108090556A CN 201711399978 A CN201711399978 A CN 201711399978A CN 108090556 A CN108090556 A CN 108090556A
- Authority
- CN
- China
- Prior art keywords
- mtd
- msub
- mtr
- mrow
- mtable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Protection Of Transformers (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
一种配电变压器热评估方法,所述方法引入时间因子和三相负载系数,建立配电变压器LSTM型循环神经网络热评估模型,对配电变压器顶层油温进行预测。所述配电变压器LSTM型循环神经网络热评估方法步骤包括:建立配电变压器LSTM型循环神经网络热评估模型;读入数据,进行数据预处理;模型训练和模型预测。本发明分析了配电变压器热传递的动态过程,指出了传统神经网络难以适用于配电变压器热评估当中,考虑配电变压器三相负载系数,建立了配电变压器LSTM型循环神经网络热评估模型,对配电变压器顶层油温进行预测,达到配电变压器热评估的目的。
Description
技术领域
本发明涉及一种配电变压器热评估方法,属变压器运行技术领域。
背景技术
台区配电变压器是配电网中的重要节点,直接关系到企业居民正常用电,不同时间段配电变压器负荷时刻在变,在用电高峰期间配电变压器可能会出现过载情况,部分地区配电变压器过载比例达到10%,因此有必要掌握配电变压器顶层油温和热点温度情况,才能保证用户安全可靠用电。
目前,相关标准对配电变压器负载特性做出了具体要求,《油浸式电力变压器负载导则》规定了配电变压器正常周期负载、长期急救负载、短期急救负载情况下配电变压器运行的电流和温度限值,并给出了两种可用于描述热点温度的方法,方法中相关参数难以确定,一般为默认值,可能导致计算结果与实际情况存在偏差。针对配电变压器的特殊性,《农村低压电力技术规程》标准对配电变压器运行要求作了进一步细化,在配电变压器顶层油温和热点温度在规定限值的情况下,列出了特定负载下配电变压器过载运行时的电流和时间限值,但对配电变压器而言,三相负荷往往呈现随机性且具有不均衡性,使得标准中规定不能有效应用于实际配电变压器运行当中。
热评估是配电变压器运行状态评估重要内容,主要通过对配电变压器运行过程中的顶层油温和热点温度进行预测与评估达到掌握其运行状态的目的,目前相关研究主要对变压器热行为的影响因素进行了分析,并考虑将具体试验参数融合到热行为模型当中,获取更为准确真实的评估结果,在配电变压器方面,对高过载、非晶合金等新型配电变压器过载能力研究,并考虑到配电变压器特殊运行工况,如谐波电流对其热点温度的影响。
发明内容
本发明的目的是,为了解决配电变压器运行中的负荷特殊性和热传递微分方程参数难以确定的问题,本发明提出一种配电变压器热评估方法。
实现本发明的技术方案如下,一种配电变压器热评估方法,分析配电变压器热传递的动态过程,指出了传统神经网络难以适用于配电变压器热评估,引入配电变压器三相负载系数,建立了配电变压器LSTM型循环神经网络热评估模型,对配电变压器顶层油温进行预测,实现配电变压器热评估。
所述配电变压器LSTM型循环神经网络热评估方法步骤如下:
(1)根据配电变压器热传递微分方程,建立配电变压器LSTM型循环神经网络热评估模型;
(2)读入数据,进行数据预处理
输入环境温度和三相负载系数;输入量为二维矩阵,n为输入样本维度,m为输入样本数量,并进行归一化处理,输出序列同样为二维矩阵,c为窗口大小,结构如下:
(3)模型训练,将配电变压器运行数据按时间排列,将运行数据分割成训练数据、验证数据集和测试数据集,设定LSTM单元个数、学习效率、代价函数、节点数目、网络层数,利用配电变压器运行数据对热评估模型进行训练;
(4)模型预测,用训练好的热评估模型对测试数据集,得到最终的预测值,将预测值与实际值进行对比与修正。
所述建立配电变压器LSTM型循环神经网络热评估模型如下:
将配电变压器热传递方程按LSTM型循环神经网络进行样式推导,推导后根据配电变压器运行数据对LSTM型循环神经网络热评估模型进行训练,从而得到配电变压器实际运行参数,而不是经验参数,根据实际网络参数便可直接预测更接近实际的配电变压器顶层油温和绕组热点温度;
将热传递微分方程按循环神经网络结构推导,并考虑三相负载系数,得:
其中,θ0(t)为为所考虑负载下顶层油的温度;Δθh1(t)为绕组热点温升变量一;Δθh2(t)为绕组热点温升变量二;ν11为系数矩阵单元;u12为系数矩阵单元;Ka(t)为A相负载系数;Kb(t)为B相负载系数;Kc(t)为C相负载系数;θa(t)为当前时间点环境温度;b21为上一时刻偏置矩阵单元;w13为系数矩阵单元;h12(t-1)为上一时刻顶层油的温度变量;h22(t-1)为上一时刻绕组热点温升变量一;h32(t-1)为上一时刻绕组热点温升变量二。
循环神经网络样式为:
H1=UX+B1
O(t)=Vf1(H1)+f2(WH2+B2)
其中,H1为当时变压器温度矩阵;U为当时变压器温度矩阵系数;X为已知向量;B1为偏置矩阵一;B2为偏置矩阵二;o(t)为输出向量;V为系数矩阵;f1(H1)为当前时刻输出函数。
本发明的有益效果是,本发明分析了配电变压器热传递的动态过程,指出了传统神经网络难以适用于配电变压器热评估当中,考虑配电变压器三相负载系数,建立了配电变压器LSTM型循环神经网络热评估模型,对配电变压器顶层油温进行预测,达到配电变压器热评估的目的。
本发明在未全面监测台区顶层油温的背景下,通过运行数据建立合理的热评估模型达到有效预测配电变压器顶层油层显得尤为重要,从预测结果来看本发明配电变压器热评估模型能有效掌握配电变压器运行状态,具有较强的实用性,可充分挖掘配电变压器潜在容量,在保证配电变压器安全运行的情况下,提高配电变压器使用效率。
本发明考虑配电变压器运行的特殊性,引入三相不平衡的影响,将负载系数分解成三相负载系数,从而更有效对配电变压器顶层油温进行预测。本发明对配电变压器热评估模型具有较强的实用性,可用于配电变压器实际运行当中。
附图说明
图1为配电变压器热评估模型流程图;
图2为考虑三相负载系数时热评估模型预测结果。
具体实施方式
本发明的具体实施方式如图1所示。
本实施例一种配电变压器热评估方法步骤如下:
(1)配电变压器热传递微分方程LSTM型循环神经网络式推导
油浸式电力变压器负载导则提供了一种变压器热传递微分方程,顶层油温度方程如公式(1):
其中:K为负载系数,R为额定电流下负载损耗与空载损耗的比值,Δθor为额定损耗下顶层油稳态温升,k11为热模型常数,τ0为平均油的时间常数,θ0为所考虑负载下顶层油的温度,θa为环境温度。
绕组热点温度方程,如公式(2)
θh(t)=θ0(t)+Δθh1(t)-Δθh2(t) (2)
相应地Δθh1(t)微分方程,如公式(3)
相应地Δθh2(t)微分方程,如公式(4)
其中,k21、k22为热模型常数,Δθhr为额定损耗下热点温度对油箱内顶层油稳态温升,θh为所考虑负载下热点温度对顶层油的温升。
将上述热传递微分方程按循环神经网络结构推导,并考虑三相负载系数,推导过程见附录,最终得:
其中,θ0(t)为为所考虑负载下顶层油的温度;Δθh1(t)为绕组热点温升变量一;Δθh2(t)为绕组热点温升变量二;ν11为系数矩阵单元;u12为系数矩阵单元;Ka(t)为A相负载系数;Kb(t)为B相负载系数;Kc(t)为C相负载系数;θa(t)为当前时间点环境温度;b21为上一时刻偏置矩阵单元;w13为系数矩阵单元;h12(t-1)为上一时刻顶层油的温度变量;h22(t-1)为上一时刻绕组热点温升变量一;h32(t-1)为上一时刻绕组热点温升变量二。
循环神经网络样式:
H1=UX+B1 (6)
O(t)=Vf1(H1)+f2(WH2+B2) (7)
其中,H1为当时变压器温度矩阵;U为当时变压器温度矩阵系数;X为已知向量;B1为偏置矩阵一;B2为偏置矩阵二;o(t)为输出向量;V为系数矩阵;f1(H1)为当前时刻输出函数。
(2)配电变压器热评估模型
根据配电变压器热传递微分方程,通过环境温度、负载系数便可求出配电变压器顶层油温和绕组热点温度;本发明在2个参数的基础上,考虑配电变压器三相负载不一致性,将总负载系数分解三相负载系数,建立配电变压器LSTM型循环神经网络热评估模型来代替热传递微分方程,配电变压器LSTM型循环神经网络热评估模型见流程图1。
(3)数据预处理
原始的输入序列X包含4个维度,分别为三相负载系数、环境温度,输入量为二维矩阵,n为输入样本维度,m为输入样本数量,并进行归一化处理,输出序列同样为二维矩阵,c为窗口大小,结构如下:
输入初始化参数,包括网络层数、LSTM个数、输入参数、输出参数。
(4)模型训练
将配电变压器运行数据按时间排列,将运行数据分割成训练数据、验证数据集和测试数据集,设定LSTM单元个数、学习效率、代价函数、节点数目、网络层数,利用配电变压器运行数据对热评估模型进行训练。
(5)模型预测
用训练好的热评估模型对测试数据集,得到最终的预测值,将预测值与实际值进行对比与修正,预测结果如图2。
Claims (2)
1.一种配电变压器热评估方法,其特征在于,所述方法引入时间因子和三相负载系数,建立配电变压器LSTM型循环神经网络热评估模型,对配电变压器顶层油温进行预测;
所述配电变压器LSTM型循环神经网络热评估方法包括以下步骤:
(1)根据配电变压器热传递微分方程,建立配电变压器LSTM型循环神经网络热评估模型;
(2)读入数据,进行数据预处理
输入环境温度和三相负载系数;输入量为二维矩阵,n为输入样本维度,m为输入样本数量,并进行归一化处理,输出序列同样为二维矩阵,c为窗口大小,结构如下:
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mi>c</mi>
<mo>)</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mi>c</mi>
<mo>)</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mi>c</mi>
<mo>)</mo>
<mi>k</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
(3)模型训练,将配电变压器运行数据按时间排列,将运行数据分割成训练数据、验证数据集和测试数据集,设定LSTM单元个数、学习效率、代价函数、节点数目、网络层数,利用配电变压器运行数据对热评估模型进行训练;
(4)模型预测,用训练好的热评估模型对测试数据集,得到最终的预测值,将预测值与实际值进行对比与修正。
2.根据权利要求1所述的一种配电变压器热评估方法,其特征在于,所述建立配电变压器LSTM型循环神经网络热评估模型如下:
将配电变压器热传递方程按LSTM型循环神经网络进行样式推导,推导后根据配电变压器运行数据对LSTM型循环神经网络热评估模型进行训练,从而得到配电变压器实际运行参数,而不是经验参数,根据实际网络参数便可直接预测更接近实际的配电变压器顶层油温和绕组热点温度;
将热传递微分方程按循环神经网络结构推导,并考虑三相负载系数,得:
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;&theta;</mi>
<mrow>
<mi>h</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;&theta;</mi>
<mrow>
<mi>h</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>v</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>v</mi>
<mn>12</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>v</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>v</mi>
<mn>22</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>v</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>v</mi>
<mn>32</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>13</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>14</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>23</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>24</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>32</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>33</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>34</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mi>b</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>11</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>21</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>31</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>w</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mn>13</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>w</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mn>23</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>w</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mn>23</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mn>33</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mn>12</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mn>22</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mn>32</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>12</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>22</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>32</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
其中,θ0(t)为为所考虑负载下顶层油的温度;Δθh1(t)为绕组热点温升变量一;Δθh2(t)为绕组热点温升变量二;v11为系数矩阵单元;u12为系数矩阵单元;Ka(t)为A相负载系数;Kb(t)为B相负载系数;Kc(t)为C相负载系数;θa(t)为当前时间点环境温度;b21为上一时刻偏置矩阵单元;w13为系数矩阵单元;h12(t-1)为上一时刻顶层油的温度变量;h22(t-1)为上一时刻绕组热点温升变量一;h32(t-1)为上一时刻绕组热点温升变量二;
循环神经网络样式为:
H1=UX+B1
O(t)=Vf1(H1)+f2(WH2+B2)
其中,H1为当时变压器温度矩阵;U为当时变压器温度矩阵系数;X为已知向量;B1为偏置矩阵一;B2为偏置矩阵二;o(t)为输出向量;V为系数矩阵;f1(H1)为当前时刻输出函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399978.XA CN108090556B (zh) | 2017-12-22 | 2017-12-22 | 一种配电变压器热评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399978.XA CN108090556B (zh) | 2017-12-22 | 2017-12-22 | 一种配电变压器热评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090556A true CN108090556A (zh) | 2018-05-29 |
CN108090556B CN108090556B (zh) | 2021-12-31 |
Family
ID=62178103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711399978.XA Active CN108090556B (zh) | 2017-12-22 | 2017-12-22 | 一种配电变压器热评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090556B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284927A (zh) * | 2018-09-27 | 2019-01-29 | 常州天正工业发展股份有限公司 | 根据设备数据评估排放量的系统及其方法 |
CN109492866A (zh) * | 2018-10-08 | 2019-03-19 | 南昌科晨电力试验研究有限公司 | 一种配电网运行状态智能评估方法 |
CN110009186A (zh) * | 2019-02-19 | 2019-07-12 | 国网江西省电力有限公司电力科学研究院 | 配电台区顶层油温预测方法及装置 |
CN110674604A (zh) * | 2019-09-20 | 2020-01-10 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
CN110865250A (zh) * | 2019-10-15 | 2020-03-06 | 国网江苏省电力有限公司电力科学研究院 | 融合电流监测的配电设备状态监测装置及发热检测方法 |
CN112671043A (zh) * | 2021-01-14 | 2021-04-16 | 国网山东省电力公司枣庄供电公司 | 基于Hyperopt-GRU模型的配变运行优化方法 |
CN113009888A (zh) * | 2019-12-20 | 2021-06-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种产线设备状态预测识别装置及系统 |
CN113468762A (zh) * | 2021-07-22 | 2021-10-01 | 广东电网有限责任公司广州供电局 | 热点温度计算方法、装置、计算机设备和存储介质 |
CN116796652A (zh) * | 2023-08-25 | 2023-09-22 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102427218A (zh) * | 2011-10-28 | 2012-04-25 | 武汉供电公司变电检修中心 | 基于人工智能技术的变压器短期过载能力评估系统 |
CN104598968A (zh) * | 2014-10-13 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 变压器故障诊断方法 |
US20150170640A1 (en) * | 2013-12-17 | 2015-06-18 | Google Inc. | Generating representations of acoustic sequences |
CN105550472A (zh) * | 2016-01-20 | 2016-05-04 | 国网上海市电力公司 | 一种基于神经网络的变压器绕组热点温度的预测方法 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
-
2017
- 2017-12-22 CN CN201711399978.XA patent/CN108090556B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102427218A (zh) * | 2011-10-28 | 2012-04-25 | 武汉供电公司变电检修中心 | 基于人工智能技术的变压器短期过载能力评估系统 |
US20150170640A1 (en) * | 2013-12-17 | 2015-06-18 | Google Inc. | Generating representations of acoustic sequences |
CN104598968A (zh) * | 2014-10-13 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 变压器故障诊断方法 |
CN105550472A (zh) * | 2016-01-20 | 2016-05-04 | 国网上海市电力公司 | 一种基于神经网络的变压器绕组热点温度的预测方法 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
RUI FU,AND ETC: "Using LSTM and GRU neural network methods for traffic flow prediction", 《2016 31ST YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION (YAC)》 * |
张宇航等: "一种基于LSTM神经网络的短期用电负荷预测方法", 《电力信息与通信技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284927A (zh) * | 2018-09-27 | 2019-01-29 | 常州天正工业发展股份有限公司 | 根据设备数据评估排放量的系统及其方法 |
CN109492866A (zh) * | 2018-10-08 | 2019-03-19 | 南昌科晨电力试验研究有限公司 | 一种配电网运行状态智能评估方法 |
CN110009186A (zh) * | 2019-02-19 | 2019-07-12 | 国网江西省电力有限公司电力科学研究院 | 配电台区顶层油温预测方法及装置 |
CN110674604B (zh) * | 2019-09-20 | 2022-07-08 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
CN110674604A (zh) * | 2019-09-20 | 2020-01-10 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
CN110865250A (zh) * | 2019-10-15 | 2020-03-06 | 国网江苏省电力有限公司电力科学研究院 | 融合电流监测的配电设备状态监测装置及发热检测方法 |
CN113009888A (zh) * | 2019-12-20 | 2021-06-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种产线设备状态预测识别装置及系统 |
CN113009888B (zh) * | 2019-12-20 | 2021-12-24 | 中国科学院沈阳计算技术研究所有限公司 | 一种产线设备状态预测识别装置 |
CN112671043A (zh) * | 2021-01-14 | 2021-04-16 | 国网山东省电力公司枣庄供电公司 | 基于Hyperopt-GRU模型的配变运行优化方法 |
CN112671043B (zh) * | 2021-01-14 | 2023-12-12 | 国网山东省电力公司枣庄供电公司 | 基于Hyperopt-GRU模型的配变运行优化方法 |
CN113468762A (zh) * | 2021-07-22 | 2021-10-01 | 广东电网有限责任公司广州供电局 | 热点温度计算方法、装置、计算机设备和存储介质 |
CN113468762B (zh) * | 2021-07-22 | 2024-04-30 | 广东电网有限责任公司广州供电局 | 热点温度计算方法、装置、计算机设备和存储介质 |
CN116796652A (zh) * | 2023-08-25 | 2023-09-22 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
CN116796652B (zh) * | 2023-08-25 | 2023-12-26 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108090556B (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090556A (zh) | 一种配电变压器热评估方法 | |
CN107843791B (zh) | 一种基于温升特性的变压器负荷能力评估方法 | |
Tang et al. | A simplified transformer thermal model based on thermal-electric analogy | |
CN108037780B (zh) | 基于温升及负荷率的油浸式变压器冷却控制方法 | |
CN111209928B (zh) | 一种变压器设备预警和状态预测评估方法及其系统 | |
CN104635080B (zh) | 一种预测电网线损率的方法 | |
CN102663412A (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
Djamali et al. | Real-time evaluation of the dynamic loading capability of indoor distribution transformers | |
Chiodo et al. | Lifetime characterization via lognormal distribution of transformers in smart grids: Design optimization | |
Pezeshki et al. | Impact of high PV penetration on distribution transformer life time | |
CN104102840A (zh) | 配电网对光伏电源接纳能力的测评方法 | |
CN115730256A (zh) | 一种基于油温自适应控制的变压器负载增容策略 | |
Wang et al. | Top‐oil temperature modelling by calibrating oil time constant for an oil natural air natural distribution transformer | |
Wang et al. | Research on overload capability of oil-immersed distribution transformer based on hot spot temperature model | |
CN107122506A (zh) | 一种考虑变压器油非线性时间常数的顶层油温热模型 | |
CN103679287A (zh) | 一种组合型电力负荷预测方法 | |
Shiri et al. | Investigation of the ambient temperature effects on transformer’s insulation life | |
CN104462766B (zh) | 一种超短时过载短时工作周期干式变压器容量计算方法 | |
CN104678309B (zh) | 一种测定动力电池的动态外特性的方法 | |
Qu et al. | Power transformer oil–paper insulation degradation modelling and prediction method based on functional principal component analysis | |
CN107145617A (zh) | 一种考虑变压器油非线性时间常数的顶层油温热模型 | |
Lai et al. | Prediction of top oil temperature for oil-immersed transformer based on Kalman filter algorithm | |
Picanco et al. | Reactive optimal power flow in the temperature-dependent power flow using interior point method with artificial neural network | |
CN105353233B (zh) | 一种变压器在线运行能力检测方法和装置 | |
Hosseinkhanloo et al. | Improving the ageing rate of transformer fleet using imperialist competitive algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |