CN108090556B - 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 PDF

Info

Publication number
CN108090556B
CN108090556B CN201711399978.XA CN201711399978A CN108090556B CN 108090556 B CN108090556 B CN 108090556B CN 201711399978 A CN201711399978 A CN 201711399978A CN 108090556 B CN108090556 B CN 108090556B
Authority
CN
China
Prior art keywords
distribution transformer
neural network
temperature
thermal evaluation
matrix
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.)
Active
Application number
CN201711399978.XA
Other languages
English (en)
Other versions
CN108090556A (zh
Inventor
安义
郭亮
蔡木良
刘蓓
邓才波
陈琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201711399978.XA priority Critical patent/CN108090556B/zh
Publication of CN108090556A publication Critical patent/CN108090556A/zh
Application granted granted Critical
Publication of CN108090556B publication Critical patent/CN108090556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种配电变压器热评估方法
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：
Figure BDA0001519237520000021
Figure BDA0001519237520000022
(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：
Figure BDA0001519237520000031
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)：
Figure BDA0001519237520000051
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)
Figure BDA0001519237520000052
相应地Δθh2(t)微分方程，如公式(4)
Figure BDA0001519237520000053
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：
Figure BDA0001519237520000054
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：
Figure BDA0001519237520000061
Figure BDA0001519237520000071
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 (1)

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：
Figure FDA0003264037640000011
Figure FDA0003264037640000012
(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：
Figure FDA0003264037640000021
其中，θ0(t)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。
CN201711399978.XA 2017-12-22 2017-12-22 一种配电变压器热评估方法 Active CN108090556B (zh)

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 CN108090556A (zh) 2018-05-29
CN108090556B true 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)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284927B (zh) * 2018-09-27 2022-07-01 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
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
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
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
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
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

Citations (4)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9721562B2 (en) * 2013-12-17 2017-08-01 Google Inc. Generating representations of acoustic sequences

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
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)

* Cited by examiner, † Cited by third party
Title
Using LSTM and GRU neural network methods for traffic flow prediction;Rui Fu，and etc;《2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC)》;20170105;第324-328页 *
一种基于LSTM神经网络的短期用电负荷预测方法;张宇航等;《电力信息与通信技术》;20170930;第15卷(第9期);第19-25页 *

Also Published As

Publication number Publication date
CN108090556A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN108090556B (zh) 一种配电变压器热评估方法
CN108037780B (zh) 基于温升及负荷率的油浸式变压器冷却控制方法
Fan et al. A novel online estimation scheme for static voltage stability margin based on relationships exploration in a large data set
CN106126944B (zh) 一种电力变压器顶层油温区间预测方法及系统
CN111401657B (zh) 一种基于支持向量回归算法的变压器热点温度时序预测方法
CN110808580B (zh) 基于小波变换和极限学习机的电压暂降源快速辨识方法
CN107942160A (zh) 基于bp神经网络的线路参数特性辨识模型的建立方法
CN110009141B (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN109389272A (zh) 一种用于电压协调控制策略效果的综合评估方法及系统
Wang Estimating dynamic load parameters from ambient PMU measurements
CN112179852A (zh) 一种复合绝缘子的剩余寿命预测方法和装置
CN117349614A (zh) 基于自注意力机制和时空图卷积网络的频率稳定预测方法
CN103617560A (zh) 一种应用于企业的电力能效监测与评估系统及其评价方法
Kül et al. Coreloss Estimation via Long Short-Term Memory Model (LSTM) of Dry-Type Transformer based on FEA
Lai et al. Research on the relation between load coefficient and hot spot temperature of oil-immersed power transformer
Zhai et al. Research on identification methods of gas content in transformer insulation oil based on deep transfer network
CN109767037A (zh) 一种夏季日最大负荷的预测方法
Qu et al. Power transformer oil–paper insulation degradation modelling and prediction method based on functional principal component analysis
CN109190080B (zh) 一种电力变压器的健康状况确定方法
CN111552911B (zh) 一种基于多场景生成的技术线损影响因素定量分析方法
Wang et al. Grey prediction control and extension assessment for turbine governing system
Vasilevskij Dynamics model of moisture in paper insulation-transformer oil system in non-stationary thermal modes of the power transformer
PengFei et al. Application of multi-expert information fusion prediction model to forecast station power consumption
Suppitaksakul et al. Application of Artificial Neural Networks for electrical losses estimation in three-phase transformer
Shiyong et al. Prediction of transformer top oil temperature based on improved weighted support vector regression based on particle swarm optimization

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