CN108120521B - 变压器绕组热点温度预测方法及终端设备 - Google Patents
变压器绕组热点温度预测方法及终端设备 Download PDFInfo
- Publication number
- CN108120521B CN108120521B CN201711294781.XA CN201711294781A CN108120521B CN 108120521 B CN108120521 B CN 108120521B CN 201711294781 A CN201711294781 A CN 201711294781A CN 108120521 B CN108120521 B CN 108120521B
- Authority
- CN
- China
- Prior art keywords
- particle
- hot spot
- neural network
- artificial neural
- transformer
- 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
Links
- 238000004804 winding Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000002245 particle Substances 0.000 claims abstract description 126
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 239000012774 insulation material Substances 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 6
- 238000009413 insulation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000000123 paper Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
Abstract
本发明适用于变压器技术领域，提供了一种变压器绕组热点温度预测方法及终端设备。该方法包括：采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；采集变压器的运行参数和结构参数；根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。本发明将粒子群算法引入人工神经网络模型的参数优化，利用优化后得到的预测模型对变压器绕组热点温度进行预测，能够提高预测模型得到的变压器绕组热点温度的预测准确度。
Description
技术领域
本发明属于变压器技术领域，尤其涉及一种变压器绕组热点温度预测方法及终端设备。
背景技术
随着世界形势的不断变化和我国经济的高速发展，电力安全的发展已经进入了一个崭新的历史发展阶段，现代社会对电力供应的可靠性要求越来越高，电力安全工业的地位比以往任何时候都更加重要，电力安全已经是突出的问题之一。
在众多变压器绝缘老化相关因素中，温升是最为重要的因素之一。电力变压器绝缘一般由有机和无机绝缘材料构成，这些绝缘材料有一定的耐热限值，超过了这个限值，绝缘材料就会迅速老化，造成各种各样的运行事故。目前国内外电力变压器绝缘主要采用油浸纸绝缘。一般为A级绝缘材料，其长期允许温度为105度，因而国内外有关标准规定，油浸电力变压器在额定负荷下运行时，其油面温升不得超过5度，绕组的平均温升不得超过65度。即使这样，长期在80至100度的温度作用下，绝缘纸和纸板等固体介质也将逐渐老化，变压器油受热将加速氧化而使酸价上升，并出现油泥等。因此，把变压器的运行温度控制在绝缘的允许范围内，是延长变压器使用寿命，保证其安全运行极为重要的措施。
电力变压器的负载能力和可用寿命在某种程度上取决于能否及时地将其内部产生的热量传递到周围环境中，即热特性。绕组热点温度是衡量变压器运行中热特性的重要指标，当热点温度超过允许限值易导致气泡的产生，加速变压器的老化并造成绕组绝缘性能的劣化。因此，研究变压器内部复杂的热过程，建立变压器热模型，并以此为基础开展对变压器状态检修的研究具有十分重要的意义。目前，国内外对变压器运行中的热特性已经开展了一些研究工作，并取得了一定的进展。
通过变压器内部热过程分析，建立变压器绕组热点温度预测模型，根据变压器运行时的环境温度，易测得的变压器特殊位置油温以及实时的负载数据，进行热点温度的预测，能够在一定程度上预测绕组的热点温度，但目前预测的准确度较低。
发明内容
有鉴于此，本发明实施例提供了一种变压器绕组热点温度预测方法及终端设备，以解决目前变压器绕组的热点温度预测准确度低的问题。
本发明实施例的第一方面提供了一种变压器绕组热点温度预测方法，包括：
采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；
根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；
采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；
根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。
本发明实施例的第二方面提供了一种变压器绕组热点温度预测装置，包括：
第一采集模块，用于采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；
训练模块，用于根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；
第二采集模块，用于采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；
预测模块，用于根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。
本发明实施例的第三方面提供了一种变压器绕组热点温度预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中的变压器绕组热点温度预测方法。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的变压器绕组热点温度预测方法。
本发明实施例与现有技术相比存在的有益效果是：通过粒子群算法和样本数据训练人工神经网络模型，得到预测模型，根据预测模型和采集到的变压器的运行参数和结构参数，对变压器进行绕组热点温度预测。本发明实施例将粒子群算法引入人工神经网络模型的参数优化，利用优化后得到的预测模型，将采集到的变压器运行参数和结构参数作为输入量，变压器绕组热点温度作为输出量进行预测，使得预测模型的参数更为适合，能够提高预测模型得到的变压器绕组热点温度的预测准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的变压器绕组热点温度预测方法的实现流程图；
图2是本发明实施例提供的变压器绕组热点温度预测方法中构建预测模型的实现流程图；
图3是本发明实施例提供的变压器绕组热点温度预测方法中利用粒子群算法进行训练的实现流程图；
图4是本发明实施例提供的变压器绕组热点温度预测方法中粒子群算法的程序流程示意图；
图5是本发明实施例提供的变压器绕组热点温度预测装置的示意图；
图6是本发明实施例提供的变压器绕组热点温度预测终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1为本发明实施例提供的变压器绕组热点温度预测方法的实现流程图，详述如下：
在S101中，采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据。
在本实施例中，可以获取温度采集装置采集到的变压器绕组热点的温度数据。温度采集装置可以为温度传感器、测温光纤等。例如，可以对一台或多台装有测温光纤的变压器绕组热点温度进行采集。
在S102中，根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型。
在本实施例中，首先构建一个人工神经网络，然后根据粒子群算法和样本数据训练人工神经网络模型，得到人工神经网络模型的最优模型参数。将根据最优模型参数构建出的人工神经网络作为预测模型。人工神经网络模型的最优模型参数包括人工神经网络的权值和阈值。
人工神经网络的学习过程由正向传播与误差的反向传播组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始的进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
为了改善人工神经网络学习速度慢和局部收敛性等缺陷，本实施例中提出了一种将粒子群算法训练人工神经网络从而得到预测模型，其算法过程如下：首先用粒子群算法反复优化人工神经网络模型的权值和阈值参数组合，直至解的适应度不再有意义地增加为止，即解群质量趋于稳定，此时解码得到的参数组合己较符合应用需要的最佳组合，此时即得到最优模型参数。由于粒子群算法代替了人工神经网络的寻优，从而有效地提高了人工神经网络的寻优精度和速度。
利用粒子群算法解决预测过程中人工神经网络模型的参数选择问题。粒子群算法利用个体经验和群体经验信息来搜索出模型参数的全局最优解。作为粒子群算法的理论基础，粒子的位置更新和速度更新公式保证了粒子群算法下的种群最优经验信息以较高的频率被更新，加快了种群中信息交换的速度。同时使得算法具备找到全局最优解的能力。
作为本发明的一个实施例，所述粒子群算法的行为参数包括位置向量、速度向量、学习因子和种群数量；其中，所述位置向量的范围为-1至1，所述速度向量的范围为-5至5，所述学习因子中c1＝2.8，c2＝1.3，所述种群数量的范围为20至50。
下面分别对粒子群算法的位置向量、速度向量、学习因子和种群数量的确定进行说明。
位置向量：粒子的位置向量代表问题的解。粒子群算法中的位置向量通常为实数向量。因为粒子群算法中速度和位置的更新操作都是针对实数类型的，基本粒子群算法更适于解决实数优化问题。本实施例所涉及到的人工神经网络的权值和阈值的优化即是属于此种类型的优化，因此将位置向量的范围设定为-1至1。
速度向量：对于不同的问题，粒子的速度限定范围需要进行调整。本文需要优化的问题是人工神经网络的权值和阈值的优化问题，因此，将粒子的速度限定在±5之间，即速度向量的范围为-5至5，结果显示较为合理。
学习因子：本文经过试验验证，c1和c2存在c2＝4.1－c1这样的关系，搜索效率会较高。因此，本实施例选择c1＝2.8；c2＝1.3。
种群大小：种群数量应该保持在30个左右时，搜索效率较好，较大的种群数量多可以保证粒子群算法得到较可靠的收敛结果。根据经验，本实施例将种群大小选定为40。
作为本发明的一个实施例，如图2所示，S102可以包括：
在S201中，确定人工网络模型的输入向量和输出向量，并对所述样本数据进行预处理。
在本实施例中，可以将输入向量、输出向量以及样本数据进行归一化处理。例如，可以利用下式将输入向量或输出向量归一化到[0,1]：
其中，以输入向量为例，则xmin为输入向量的最小值，xmax输入向量的最大值，xi为归一化前的输入向量，
为归一化后的输入向量。
在S202中，确定人工神经网络的结构参数和激励函数。
在本实施例中，人工神经网络的结构参数包括隐含层节点数目，取隐含层节点数目为5个，即隐含层神经元个数为5个。激励函数可以选取所谓的广义Sigmoid函数，由于Sigmoid函数所具有的非线性特征，使训练的多层前馈式网络建立了从输入到输出的高度非线性映射，可以表达复杂的客观现象。Sigmoid函数的另一个特点就是它的饱和性，即在输入值超出某一范围的时候，函数的导数将趋近于0，这使得它能更好地模拟生物神经元的特性。因此选取Sigmoid函数为激励函数，即f(x)＝1/(1+e-x)。
在S203中，根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数。
在本实施例中，在训练人工神经网络模型的权值和阈值的过程中，是用各个粒子位置的优劣来衡量的。而每个粒子的优劣是用一个适应度函数来确定的。在粒子群算法中，通过采用适应度函数来进行适应度的评价，也就是使其均方误差指标达到最小。
作为本发明的一个实施例，所述适应度函数为：
其中，n是样本数据的样本个数；yd j,i是第i个样本的第j个网络输出节点的理想输出值；yj,i是第i个样本的第j个网络输出节点的实际输出值；c是网络输出神经元的个数。
作为本发明的一个实施例，如图3所示，S203可以包括：
在S301中，对所有粒子进行初始化处理，设置各个粒子的初始位置和初始速度。
在S302中，根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数。
在S303中，对于每个粒子，将粒子的适应值和粒子所经历过的最优位置进行比较；若粒子的适应值优于粒子所经历过的最优位置，则将粒子的适应值作为粒子当前的最优位置，并将粒子的适应度与种群所经历过的最优位置进行比较；若粒子的适应度优于种群所经历过的最优位置，则将粒子的适应值作为种群当前的最优位置。
在S304中，调整各个粒子的位置向量和速度向量。
例如，可以根据粒子当前的最优位置和种群当前的最优位置调整各个粒子的位置向量和速度向量。
在S305中，将新粒子加入到种群中，计算新粒子的适应度函数。
在S306中，判断终止条件是否成立，若终止条件不成立，则跳转执行根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数的步骤；若终止条件成立，则终止迭代。
在本实施例中，终止条件可以是预先设置的误差阈值，通过适应度函数判断判断终止条件是否成立；若终止条件不成立，则跳转至S302；若终止条件成立，则终止迭代。图4为本发明实施例提供的变压器绕组热点温度预测方法中粒子群算法的程序流程示意图，具体程序流程如图4所示，不再赘述。
在S103中，采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质。
在本实施例中，可以对一台或多台装有测温光纤的变压器运行参数进行采集，运行参数包括上层油温a1、绕组温度b1、环境温度c1和运行负荷数据d1。并对变压器结构参数进行采集，包括绕组布置形式a2、绕组容量b2、冷却方式c2和绕组绝缘材质d2。
在S104中，根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。
在本实施例中，预测模型采用8个输入量和1个输出量，8个输入量为：运行参数4个(上层油温a1、绕组温度b1、环境温度c1和运行负荷数据d1)，结构参数4个(绕组布置形式a2、绕组容量b2、冷却方式c2和绕组绝缘材质d2)；1个输出量为变压器绕组热点温度T。
作为本发明的一个实施例，可以获取天气预报信息和变压器的负荷预测情况，并根据获取到的天气预报信息和负荷预测情况综合预测变压器绕组热点温度的发展趋势。
采用本发明实施例所产生的有益效果在于：
(1)本发明实施例将粒子群算法引入人工神经网络的参数优化，利用优化后的模型对搜集到的变压器运行参数和结构参数作为输入量、变压器绕组热点温度作为输出量进行预测，可用来评估运行中变压器的热特性，提出了一种新的方法，解决了当前无法准确在变压器运行状态下对其热点温度进行预测的难题；
(2)本发明实施例适用范围广，可对各种不同形式变压器的温升变化情况进行检测诊断，由于该方法可以加入多种类型变压器的初始化信息，能适用于多种不同电压等级、不同冷却方式的变压器的负荷能力的评估；
(3)本发明实施例可靠性高、成本低，由于可以用普通计算机进行实时计算，降低了硬件投入成本，同时减少了工作人员的参与，提高了工作效率并减少人员参与带来的工作误差，提高了可靠性。
本发明实施例通过粒子群算法和样本数据训练人工神经网络模型，得到预测模型，根据预测模型和采集到的变压器的运行参数和结构参数，对变压器进行绕组热点温度预测。本发明实施例将粒子群算法引入人工神经网络模型的参数优化，利用优化后得到的预测模型，将采集到的变压器运行参数和结构参数作为输入量，变压器绕组热点温度作为输出量进行预测，使得预测模型的参数更为适合，能够提高预测模型得到的变压器绕组热点温度的预测准确度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的变压器绕组热点温度预测方法，图5示出了本发明实施例提供的变压器绕组热点温度预测装置的示意图。为了便于说明，仅示出了与本实施例相关的部分。
参照图5，该装置包括第一采集模块51、训练模块52、第二采集模块53和预测模块54。
第一采集模块51，用于采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据。
训练模块52，用于根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型。
第二采集模块53，用于采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质。
预测模块54，用于根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。
优选地，所述训练模块52可以包括预处理单元、确定单元和训练单元。
预处理单元，用于确定人工网络模型的输入向量和输出向量，并对所述样本数据进行预处理。
确定单元，用于确定人工神经网络的结构参数和激励函数。
训练单元，用于根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数。
优选地，所述训练单元用于：
对所有粒子进行初始化处理，设置各个粒子的初始位置和初始速度；
根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数；
对于每个粒子，将粒子的适应值和粒子所经历过的最优位置进行比较；若粒子的适应值优于粒子所经历过的最优位置，则将粒子的适应值作为粒子当前的最优位置，并将粒子的适应度与种群所经历过的最优位置进行比较；若粒子的适应度优于种群所经历过的最优位置，则将粒子的适应值作为种群当前的最优位置；
调整各个粒子的位置向量和速度向量；
将新粒子加入到种群中，计算新粒子的适应度函数；
判断终止条件是否成立，若终止条件不成立，则跳转执行根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数的步骤；若终止条件成立，则终止迭代。
优选地，所述适应度函数为：
其中，n是样本数据的样本个数；yd j,i是第i个样本的第j个网络输出节点的理想输出值；yj,i是第i个样本的第j个网络输出节点的实际输出值；c是网络输出神经元的个数。
优选地，所述粒子群算法的行为参数包括位置向量、速度向量、学习因子和种群数量；其中，所述位置向量的范围为-1至1，所述速度向量的范围为-5至5，所述学习因子中c1＝2.8，c2＝1.3，所述种群数量的范围为20至50。
本发明实施例通过粒子群算法和样本数据训练人工神经网络模型，得到预测模型，根据预测模型和采集到的变压器的运行参数和结构参数，对变压器进行绕组热点温度预测。本发明实施例将粒子群算法引入人工神经网络模型的参数优化，利用优化后得到的预测模型，将采集到的变压器运行参数和结构参数作为输入量，变压器绕组热点温度作为输出量进行预测，使得预测模型的参数更为适合，能够提高预测模型得到的变压器绕组热点温度的预测准确度。
图6是本发明一实施例提供的变压器绕组热点温度预测终端设备的示意图。如图6所示，该实施例的变压器绕组热点温度预测终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如变压器绕组热点温度预测程序。所述处理器60执行所述计算机程序62时实现上述各个变压器绕组热点温度预测方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至54的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述变压器绕组热点温度预测终端设备6中的执行过程。例如，所述计算机程序62可以被分割成第一采集模块、训练模块、第二采集模块和预测模块，各模块具体功能如下：
第一采集模块，用于采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；
训练模块，用于根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；
第二采集模块，用于采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；
预测模块，用于根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测。
所述变压器绕组热点温度预测终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述变压器绕组热点温度预测终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是变压器绕组热点温度预测终端设备6的示例，并不构成对变压器绕组热点温度预测终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述变压器绕组热点温度预测终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述变压器绕组热点温度预测终端设备6的内部存储单元，例如变压器绕组热点温度预测终端设备6的硬盘或内存。所述存储器61也可以是所述变压器绕组热点温度预测终端设备6的外部存储设备，例如所述变压器绕组热点温度预测终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述变压器绕组热点温度预测终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述变压器绕组热点温度预测终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种变压器绕组热点温度预测方法，其特征在于，包括：
采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；
根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；
采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；
根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测；
所述根据粒子群算法和所述样本数据训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数包括：
确定人工网络模型的输入向量和输出向量，并对所述样本数据进行预处理；
确定人工神经网络的结构参数和激励函数；
根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数。
2.如权利要求1所述的变压器绕组热点温度预测方法，其特征在于，所述根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型的具体流程包括：
对所有粒子进行初始化处理，设置各个粒子的初始位置和初始速度；
根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数；
对于每个粒子，将粒子的适应值和粒子所经历过的最优位置进行比较；若粒子的适应值优于粒子所经历过的最优位置，则将粒子的适应值作为粒子当前的最优位置，并将粒子的适应度与种群所经历过的最优位置进行比较；若粒子的适应度优于种群所经历过的最优位置，则将粒子的适应值作为种群当前的最优位置；
调整各个粒子的位置向量和速度向量；
将新粒子加入到种群中，计算新粒子的适应度函数；
判断终止条件是否成立，若终止条件不成立，则跳转执行根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数的步骤；若终止条件成立，则终止迭代。
3.如权利要求1所述的变压器绕组热点温度预测方法，其特征在于，所述适应度函数为：
其中，n是样本数据的样本个数；yd j,i是第i个样本的第j个网络输出节点的理想输出值；yj,i是第i个样本的第j个网络输出节点的实际输出值；c是网络输出神经元的个数。
4.如权利要求1至3任一项所述的变压器绕组热点温度预测方法，其特征在于，所述粒子群算法的行为参数包括位置向量、速度向量、学习因子和种群数量；其中，所述位置向量的范围为-1至1，所述速度向量的范围为-5至5，所述学习因子中c1＝2.8，c2＝1.3，所述种群数量的范围为20至50。
5.一种变压器绕组热点温度预测装置，其特征在于，包括：
第一采集模块，用于采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；
训练模块，用于根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；
第二采集模块，用于采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；
预测模块，用于根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测；
所述训练模块包括：
预处理单元，用于确定人工网络模型的输入向量和输出向量，并对所述样本数据进行预处理；
确定单元，用于确定人工神经网络的结构参数和激励函数；
训练单元，用于根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数。
6.如权利要求5所述的变压器绕组热点温度预测装置，其特征在于，所述训练单元用于：
对所有粒子进行初始化处理，设置各个粒子的初始位置和初始速度；
根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数；
对于每个粒子，将粒子的适应值和粒子所经历过的最优位置进行比较；若粒子的适应值优于粒子所经历过的最优位置，则将粒子的适应值作为粒子当前的最优位置，并将粒子的适应度与种群所经历过的最优位置进行比较；若粒子的适应度优于种群所经历过的最优位置，则将粒子的适应值作为种群当前的最优位置；
调整各个粒子的位置向量和速度向量；
将新粒子加入到种群中，计算新粒子的适应度函数；
判断终止条件是否成立，若终止条件不成立，则跳转执行根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数的步骤；若终止条件成立，则终止迭代。
7.一种变压器绕组热点温度预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711294781.XA CN108120521B (zh) | 2017-12-08 | 2017-12-08 | 变压器绕组热点温度预测方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711294781.XA CN108120521B (zh) | 2017-12-08 | 2017-12-08 | 变压器绕组热点温度预测方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108120521A CN108120521A (zh) | 2018-06-05 |
| CN108120521B true CN108120521B (zh) | 2020-06-26 |
Family
ID=62229017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711294781.XA Active CN108120521B (zh) | 2017-12-08 | 2017-12-08 | 变压器绕组热点温度预测方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108120521B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109342546A (zh) * | 2018-06-12 | 2019-02-15 | 山东省农业可持续发展研究所 | 一种农业动态数据管理系统及方法、信息处理终端 |
| CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
| CN111177907B (zh) * | 2019-12-21 | 2023-07-14 | 国网浙江省电力有限公司杭州供电公司 | 电抗器寿命自动评估方法及装置 |
| CN111342428B (zh) * | 2020-02-26 | 2022-03-15 | 合肥工业大学 | 一种基于温度特性的变压器保护方法 |
| CN111947795B (zh) * | 2020-08-18 | 2022-07-12 | 广东电网有限责任公司广州供电局 | 一种变压器过热预警方法 |
| CN113945299A (zh) * | 2021-09-15 | 2022-01-18 | 广西电网有限责任公司电力科学研究院 | 一种变压器绕组温度分布与剩余寿命预测方法 |
| CN113917287A (zh) * | 2021-11-22 | 2022-01-11 | 国家电网有限公司 | 一种变电站母线接头放电发热故障监测系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105675169A (zh) * | 2016-01-20 | 2016-06-15 | 国网上海市电力公司 | 一种油浸式电力变压器热点温度数据处理系统 |
| CN105975709A (zh) * | 2016-05-16 | 2016-09-28 | 中国石油大学(华东) | 一种多工况参数辨识优化的变压器热点温度预测方法 |
| CN106844972A (zh) * | 2017-01-22 | 2017-06-13 | 上海电力学院 | 基于pso‑svr的变压器绕组温度软测量方法 |
| CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4702781B2 (ja) * | 2005-03-29 | 2011-06-15 | シチズンホールディングス株式会社 | 電子体温計 |
-
2017
- 2017-12-08 CN CN201711294781.XA patent/CN108120521B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105675169A (zh) * | 2016-01-20 | 2016-06-15 | 国网上海市电力公司 | 一种油浸式电力变压器热点温度数据处理系统 |
| CN105975709A (zh) * | 2016-05-16 | 2016-09-28 | 中国石油大学(华东) | 一种多工况参数辨识优化的变压器热点温度预测方法 |
| CN106844972A (zh) * | 2017-01-22 | 2017-06-13 | 上海电力学院 | 基于pso‑svr的变压器绕组温度软测量方法 |
| CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108120521A (zh) | 2018-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108120521B (zh) | 变压器绕组热点温度预测方法及终端设备 | |
| CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
| CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
| CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
| CN114781692A (zh) | 短期电力负荷预测方法、装置及电子设备 | |
| CN101206727B (zh) | 数据处理装置和数据处理方法 | |
| CN114461618A (zh) | 一种计量缺失数据补全方法、装置及终端设备 | |
| Pu et al. | A novel cuckoo search particle filtering strategy for the remaining useful life prediction of the lithium‐ion batteries in hybrid electric vehicle | |
| CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
| CN112541634A (zh) | 一种顶层油温预测、误报火警判别方法、装置和存储介质 | |
| CN111695967A (zh) | 一种报价的确定方法、装置、设备及存储介质 | |
| CN111371088A (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
| CN115275975B (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
| Li et al. | Forex prediction based on SVR optimized by artificial fish swarm algorithm | |
| CN116679139A (zh) | 电缆更换监测系统及方法 | |
| CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 | |
| CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
| CN114386631A (zh) | 电力负荷故障的抢修方法、装置及电子设备 | |
| CN112098782A (zh) | 一种基于神经网络的moa绝缘状态检测方法及系统 | |
| CN113381417A (zh) | 一种配电网台区三相负荷不平衡优化方法、装置及终端 | |
| CN112070354A (zh) | 电网设备运行效率评估方法 | |
| CN109829574A (zh) | 基于acde和bp神经网络的电力负荷预测方法 | |
| CN117788213A (zh) | 一种光伏并网配电网的线损预测方法、装置及终端 | |
| CN117880162B (zh) | 一种智能物联电能表的通信性能测试方法 | |
| CN113705093B (zh) | 一种杆塔力学响应预测方法、装置、设备和介质 |
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 |