CN108765192A

CN108765192A - 一种基于大数据的变压器上层油温预测方法、系统及设备

Info

Publication number: CN108765192A
Application number: CN201810513650.4A
Authority: CN
Inventors: 赵瑞锋; 郭文鑫; 王海柱; 卢建刚; 徐展强; 曾坚永
Original assignee: Guangdong Power Grid Co Ltd; Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Current assignee: Guangdong Power Grid Co Ltd; Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date: 2018-05-25
Filing date: 2018-05-25
Publication date: 2018-11-06

Abstract

本发明公开了一种基于大数据的变压器上层油温预测方法，包括：获取多个预设时刻的检测数据，检测数据包含油温数据、气温数据以及主变负荷数据；将同一时刻的检测数据作为一组样本数据，并将各组样本数据代入预先建立的回归预测模型中，确定出回归预测模型的相应的系数；获取当前时刻的目标数据，并将目标数据代入确定出系数之后的回归预测模型中，确定出当前时刻的变压器上层油温；目标数据中包含检测数据中除去油温数据之外的其他各类数据。应用本发明的方法，可以得到能够准确地反映变压器绕组温度的变压器上层油温，并且降低异常数据引起的误报警的情况。本发明还提供了一种基于大数据的变压器上层油温预测系统及设备，具有相应技术效果。

Description

一种基于大数据的变压器上层油温预测方法、系统及设备

技术领域

本发明涉及电力电网技术领域，特别是涉及一种基于大数据的变压器上层油温预测方法、系统及设备。

背景技术

变压器是变电站的核心设备，变压器的运行状况需要进行及时的掌控，以便变压器能够安全运行。变压器的绕组温度是影响着变压器寿命的重要指标，部分场合中通过直接测量变压器的绕组温度以控制冷却器的启停，但由于绕组温度不便于直接测量，使得这样的方式应用的场景十分有限。还有的场合中，通过获得变压器绕组的平均温度以便进行相应控制，但由于采用的是平均温度，使得准确度较低，特别是在相关检测元件的质量不高的场合中，这种方式难以获得准确的绕组温度。

还有一种广泛应用的方式是检测变压器的上层油温。由于上层油温可以反映出变压器的绕组温度，因此通过检测并控制上层油温，即可实现对变压器绕组温度的掌控。但在这种方式中，当检测出突变数据时，可能会引发大量的误告警信息。例如相应的传感器出现问题导致检测出的变压器上层油温数据远高于真实的油温数据，导致大量的误报警信息。在诸多场合中，需要全天持续地对变压器的上层油温进行检测，并且变压器的数量可能较多，因此会产生大量的检测数据，也就是说，在这大数据的背景下，误报警的出现次数可能会非常多。此外，上层油温作为变压器绕组温度的反映，是需要一定的时间的，即上层油温的变化并不能实现和绕组温度之间的同步变化。特别是在负荷快速增加的场合中，变压器上层油温需要较长的时间才能反映出变压器绕组温度，进而会造成冷却器的启动不及时，降低变压器的使用寿命。

综上所述，如何得到能够准确地反映变压器绕组温度的变压器上层油温，并且降低异常数据引起的误报警的情况，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种基于大数据的变压器上层油温预测方法、系统及设备，以得到能够准确地反映变压器绕组温度的变压器上层油温，并且降低异常数据引起的误报警的情况。

为解决上述技术问题，本发明提供如下技术方案：

一种基于大数据的变压器上层油温预测方法，该方法包括：

获取多个预设时刻的检测数据，所述检测数据包含油温数据、气温数据以及主变负荷数据；

将同一时刻的所述检测数据作为一组样本数据，并将各组所述样本数据代入预先建立的回归预测模型中，确定出所述回归预测模型的相应的系数；

获取当前时刻的目标数据，并将所述目标数据代入确定出系数之后的所述回归预测模型中，确定出当前时刻的变压器上层油温；

其中，所述目标数据中包含所述检测数据中除去所述油温数据之外的其他各类数据。

优选的，所述检测数据包含油温数据、气温数据、主变负荷数据、湿度数据、以及风速数据。

优选的，所述回归预测模型为岭回归预测模型。

优选的，所述岭回归预测模型为：

其中，所述y_i表示所述岭回归预测模型的预测值，所述β₀表示所述岭回归预测模型的一个待测参数，所述p表示所述检测数据中包含的数据种类，所述x_ij表示所述检测数据，所述β_j表示所述岭回归预测模型的回归系数。

优选的，在所述确定出当前时刻的变压器上层油温之后，还包括：

根据确定出的当前时刻的变压器上层油温，控制冷却器的启停。

优选的，所述根据确定出的当前时刻的变压器上层油温，控制冷却器的启停，包括：

当确定出的当前时刻的变压器上层油温高于预设的第一阈值时，控制冷却器为开启状态；

当确定出的当前时刻的变压器上层油温低于预设的第二阈值时，控制所述冷却器为停止状态，所述第二阈值低于所述第一阈值。

当在预设的目标时长内确定出的变压器上层油温均高于预设的第三阈值时，输出提示信息。

一种基于大数据的变压器上层油温预测系统，该系统包括：

样本数据获取模块，用于获取多个预设时刻的检测数据，所述检测数据包含油温数据、气温数据以及主变负荷数据；

回归预测模型系数确定模块，用于将同一时刻的所述检测数据作为一组样本数据，并将各组所述样本数据代入预先建立的回归预测模型中，确定出所述回归预测模型的相应的系数；

油温确定模块，用于获取当前时刻的目标数据，并将所述目标数据代入确定出系数之后的所述回归预测模型中，确定出当前时刻的变压器上层油温；

优选的，还包括：

冷却器启停控制模块，用于在所述油温确定模块确定出当前时刻的变压器上层油温之后，根据确定出的当前时刻的变压器上层油温，控制冷却器的启停。

一种基于大数据的变压器上层油温预测设备，该设备包括：

存储器，用于存储油温预测程序；

处理器，用于执行所述油温预测程序以上述任一项所述的基于大数据的变压器上层油温预测方法的步骤。

应用本发明实施例所提供的技术方案，包括：获取多个预设时刻的检测数据，检测数据包含油温数据、气温数据以及主变负荷数据；将同一时刻的检测数据作为一组样本数据，并将各组样本数据代入预先建立的回归预测模型中，确定出回归预测模型的相应的系数；获取当前时刻的目标数据，并将目标数据代入确定出系数之后的回归预测模型中，确定出当前时刻的变压器上层油温；其中，目标数据中包含检测数据中除去油温数据之外的其他各类数据。

本申请中确定的变压器上层油温数据是通过计算所得的数据，具体的，获取多个预测时刻的检测数据，将同一时刻的检测数据作为一组样本数据，并将各组样本数据代入预先建立的回归预测模型中，确定出回归预测模型的相应的系数。也就是说，通过确定回归预测模型的相应的系数，可以确定油温数据与检测数据中包含的其余各类数据之间的对应关系。因此当获取当前时刻的目标数据代入确定出系数之后的回归预测模型中，即可确定出当前时刻的变压器上层油温。由于是通过回归预测模型拟合出的油温，突变数据会被过滤，因此不会出现误告警的情况。并且计算出的油温是与气温数据以及主变负荷数据对应的数据，因此当主变负荷数据变化时，计算出的油温立即相适应地变化，并不会出现现有技术中由于是测量出的油温而无法及时变化以反映绕组温度的变化的情况。因此，本申请能够确定出准确地反映变压器绕组温度的变压器上层油温，并且避免了异常数据引起误报警的情况发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中一种基于大数据的变压器上层油温预测方法的实施流程图；

图2为本发明中一种基于大数据的变压器上层油温预测系统的结构示意图；

图3为本发明中一种基于大数据的变压器上层油温预测设备的结构示意图。

具体实施方式

本发明的核心是提供一种基于大数据的变压器上层油温预测方法，能够得到准确地反映变压器绕组温度的变压器上层油温，并且降低异常数据引起的误报警的情况。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明中一种基于大数据的变压器上层油温预测方法的实施流程图，该方法包括以下步骤：

S101：获取多个预设时刻的检测数据，检测数据包含油温数据、气温数据以及主变负荷数据。

检测数据中包含油温数据、气温数据以及主变负荷数据，指的是检测数据中至少包含有油温数据、气温数据以及主变负荷数据，但并不排除可以有其他种类的数据的情况，检测数据中具体包含的数据种类可以根据实际情况进行设定。由于主变负荷以及气温通常对变压器的上层油温影响较大，因此检测数据中至少要包含有主变负荷数据以及气温数据，以便进行上层油温的预测。

预设时刻可以根据实际情况进行设定和选取，例如按照固定的时间间隔从一段时间中选取多个时刻作为预设时刻，针对各个预设时刻，获取该时刻的检测数据。例如一种具体实施方式中，A时刻为预设时刻中的一个时刻，检测数据由三种数据构成：油温数据、气温数据以及主变负荷数据，则可以获取A时刻的油温数据、气温数据以及主变负荷数据。油温数据指的是变压器的上层油温，可以通过温度传感器等装置进行获取，气温数据指的是变压器所处的环境的气温，也可以通过温度传感器等装置进行获取，主变负荷数据即该变压器的主变负荷，可以通过相应的负荷检测装置进行获取。

需要指出的是，预设时刻的数量可以设置地较多，例如预设时刻可以在全天的各个时段均有一定的分布，针对部分时段，还可以将预设时刻设置地较为密集，均不影响本发明的实施。将预设时刻设置的较多，获取的多个预设时刻的检测数据便构成了大数据，即样本数据的数量较多，这样可以使得基于大数据确定出的回归预测模型更为准确，进而也就使得预测上层油温时更为准确。

此外，在具体实施时，可以将负荷快速变化的时刻排除在预设时刻之外，即预设时刻可以选取负荷相对稳定的时刻。这是由于在变压器的负荷快速变化时，变压器的上层油温不能及时变化，即此时的变压器上层油温不能正确地反映变压器的绕组温度，如果将这种情况下的上层油温数据作为样本数据，也就会使得后续步骤中进行油温预测时，得到的是不能正确地反映变压器的绕组温度的上层油温。因此，通常可以选取负荷相对稳定的时刻作为预设的时刻。具体的，例如在一段时间内有若干个预设时刻，针对每个预设的时刻，判断该时刻的负荷变化率是否高于设置的阈值，如果是，将该时刻排除，也即取消该时刻作为样本数据的时刻。

S102：将同一时刻的检测数据作为一组样本数据，并将各组样本数据代入预先建立的回归预测模型中，确定出回归预测模型的相应的系数。

回归预测模型可以对待预测目标与影响该待预测目标的各种因素之间的关系进行近似表达，将各组样本数据代入回归预测模型中，即可确定出回归预测模型的相应的系数，进而利用确定出相应系数的回归预测模型对待预测目标进行预测。回归预测模型的具体选择可以根据实际情况进行设定和调整，并不影响本发明的实施。

S103：获取当前时刻的目标数据，并将目标数据代入确定出系数之后的回归预测模型中，确定出当前时刻的变压器上层油温。

在确定出回归预测模型的相应的系数之后，可以进行步骤S103的操作。便于描述，不妨仍以检测数据由油温数据、气温数据以及主变负荷数据这三种数据构成为例进行说明。获取当前时刻的目标数据，目标数据中包含检测数据中除去油温数据之外的其他各类数据，也就是说，该种实施方式中，获取的是当前时刻的气温数据以及主变负荷数据，将当前时刻的这两个数据代入确定出系数之后的回归预测模型中，即可通过回归预测模型确定出当前时刻的变压器上层油温。

应用本发明实施例所提供的方法，包括：获取多个预设时刻的检测数据，检测数据包含油温数据、气温数据以及主变负荷数据；将同一时刻的检测数据作为一组样本数据，并将各组样本数据代入预先建立的回归预测模型中，确定出回归预测模型的相应的系数；获取当前时刻的目标数据，并将目标数据代入确定出系数之后的回归预测模型中，确定出当前时刻的变压器上层油温；其中，目标数据中包含检测数据中除去油温数据之外的其他各类数据。

在本发明的一种具体实施方式中，检测数据包含油温数据、气温数据、主变负荷数据、湿度数据、以及风速数据。

考虑到除了气温和主变负荷，变压器所处的环境中的湿度以及风速也会在一定程度上对上层油温造成影响，因此，在本申请的该种实施方式中，将湿度数据以及风速数据也作为检测数据，可以使得构建的回归预测模型更为准确地反映出上层油温与影响上层油温的因素之间的关系，也就使得能够更为准确地对变压器的上层油温进行预测。当然，在具体的应用中，检测数据中还可以包含其他种类的数据，并不影响本发明的实施。

在本发明的一种具体实施方式中，回归预测模型为岭回归预测模型。本申请中的上层油温即为因变量，气温、主变负荷以及湿度等影响上层油温的因素即为自变量。考虑到本申请的自变量之间存在复共线性，因此可以选取岭回归预测模型，避免了使用常规的最小二乘法的作为回归预测模型时，针对存在复共线性的自变量时产生估计方差较大，进而导致估值不稳定的问题。

在具体实施时，岭回归预测模型可以为：

其中，y_i表示岭回归预测模型的预测值，β₀表示岭回归预测模型的一个待测参数，p表示检测数据中包含的数据种类，xij表示检测数据，β_j表示岭回归预测模型的回归系数。

例如在一种具体实施方式中，检测数据包含油温数据、气温数据、主变负荷数据、湿度数据、以及风速数据，可以用x₁₁表示第一组样本数据中的油温数据，相应的，x₁₂，x₁₃，x₁₄以及x₁₅依次表示第一组样本数据中的气温数据、主变负荷数据、湿度数据、以及风速数据。不妨设共有N组样本数据，可以构建岭回归分析方法的无约束最优化问题，表示为：

其中的为惩罚函数，λ为惩罚函数的系数。对该约束公式进行求导，可得：

进而使用岭迹法对该式求解，即可确定出β_j以及λ。

其中，为I为单位矩阵。

采用岭迹法时，选择依据通常是：如果岭迹中很大，且随着λ的增加很快趋于0，则说明该变量不重要；如果岭迹中很小，且随着λ的增加绝对值增加很快，则说明该变量对y的影响很大；如果岭迹图中两条岭迹不稳定，但从其形状来看，和是稳定的，则可以将这两个变量合成一个新的变量。

在本发明的一种具体实施方式中，在步骤S103之后，还包括：

由于变压器的上层油温反映了变压器的绕组温度，因此在确定出当前时刻的变压器上层油温之后，可以根据确定出的变压器上层油温控制冷却器的启停。例如根据确定出的变压器上层油温，确定与之对应的冷却器的启停状态。在一种具体实施时，可以为：

当确定出的当前时刻的变压器上层油温低于预设的第二阈值时，控制冷却器为停止状态，第二阈值低于第一阈值。

第一阈值以及第二阈值均可以根据实际情况进行设定和调整，例如根据具体场景中变压器通常状态下的负荷情况，当地的气温等因素进行第一阈值以及第二阈值的设定，并不影响本发明的实施。例如第一阈值可以为55℃，第二阈值可以为45℃。便于理解通过一具体实例进行说明，例如在A时刻确定出的变压器上层油温为60℃，由于高于55℃，则开启冷却器，随着冷却器的开启使得相应参数发生变化，在B时刻确定出的变压器上层油温为50℃，此时冷却器仍处于开启状态，在C时刻确定出的变压器上层油温为40℃，由于低于45℃，关闭冷却器，在D时刻确定出变压器上层油温为50℃，此时冷却器仍处于关闭状态。也就是说，在该种实施方式中，当确定出的当前时刻的变压器上层油温处于第一阈值和第二阈值之间时，可以不变更冷却器的启停状态，即使得冷却器的启停状态和前一时刻相同。

在本发明的一种具体实施方式中，在步骤S103之后，还包括：

第三阈值通常设置的较高，例如设为与上层油温的阈值上限相等，当在预设的目标时长内确定出的变压器上层油温均高于预设的第三阈值时，说明预测出的变压器上层油温在目标时长内持续为一个较高的值。可能的原因是变压器的上层油温确实较高，例如负荷持续较大引起的油温较高，也有可能是相应的检测设备的故障，例如获取气温数据的传感器发生故障，得到了错误的气温数据，使得预测出过高的变压器上层油温，又如可能是冷却器发生故障等情况。输出提示信息，有利于对相关的工作人员进行提示，便于在异常情况发生时进行及时的处理。目标时长具体的长度以及第三阈值的大小，均可以根据实际情况进行设定和调整，并不影响本发明的实施。

相应于上面的方法实施例，本发明实施例还提供了一种基于大数据的变压器上层油温预测系统，下文描述的基于大数据的变压器上层油温预测系统与上文描述的基于大数据的变压器上层油温预测方法可相互对应参照。

参见图2所示，为本发明中一种基于大数据的变压器上层油温预测系统的结构示意图，该系统包括：

样本数据获取模块201，用于获取多个预设时刻的检测数据，检测数据包含油温数据、气温数据以及主变负荷数据；

回归预测模型系数确定模块202，用于将同一时刻的检测数据作为一组样本数据，并将各组样本数据代入预先建立的回归预测模型中，确定出回归预测模型的相应的系数；

油温确定模块203，用于获取当前时刻的目标数据，并将目标数据代入确定出系数之后的回归预测模型中，确定出当前时刻的变压器上层油温；其中，目标数据中包含检测数据中除去油温数据之外的其他各类数据。

在本发明的一种具体实施方式中，样本数据获取模块201，具体用于获取多个预设时刻的检测数据，检测数据包含油温数据、气温数据、主变负荷数据、湿度数据、以及风速数据。

在本发明的一种具体实施方式中，回归预测模型系数确定模块202，具体用于将同一时刻的检测数据作为一组样本数据，并将各组样本数据代入预先建立的岭回归预测模型中，确定出岭回归预测模型的相应的系数。

在本发明的一种具体实施方式中，还包括：

冷却器启停控制模块，用于在油温确定模块203确定出当前时刻的变压器上层油温之后，根据确定出的当前时刻的变压器上层油温，控制冷却器的启停。

在本发明的一种具体实施方式中，冷却器启停控制模块，具体用于：

在本发明的一种具体实施方式中，还包括：

提示信息输出模块，用于在油温确定模块203确定出当前时刻的变压器上层油温之后，当在预设的目标时长内确定出的变压器上层油温均高于预设的第三阈值时，输出提示信息。

相应于上面的方法和系统实施例，本发明实施例还提供了基于大数据的变压器上层油温预测设备，下文描述的基于大数据的变压器上层油温预测设备与上文描述的基于大数据的变压器上层油温预测系统以及方法可相互对应参照。

参见图3所示，为本发明中一种基于大数据的变压器上层油温预测设备的结构示意图，该设备包括：

存储器301，用于存储油温预测程序；

处理器302，用于执行油温预测程序以实现上述任一实施例中的基于大数据的变压器上层油温预测方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统及设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种基于大数据的变压器上层油温预测方法，其特征在于，包括：

2.根据权利要求1所述的基于大数据的变压器上层油温预测方法，其特征在于，所述检测数据包含油温数据、气温数据、主变负荷数据、湿度数据、以及风速数据。

3.根据权利要求1所述的基于大数据的变压器上层油温预测方法，其特征在于，所述回归预测模型为岭回归预测模型。

4.根据权利要求3所述的基于大数据的变压器上层油温预测方法，其特征在于，所述岭回归预测模型为：

5.根据权利要求1至4任一项所述的基于大数据的变压器上层油温预测方法，其特征在于，在所述确定出当前时刻的变压器上层油温之后，还包括：

6.根据权利要求5所述的基于大数据的变压器上层油温预测方法，其特征在于，所述根据确定出的当前时刻的变压器上层油温，控制冷却器的启停，包括：

7.根据权利要求5所述的基于大数据的变压器上层油温预测方法，其特征在于，在所述确定出当前时刻的变压器上层油温之后，还包括：

8.一种基于大数据的变压器上层油温预测系统，其特征在于，包括：

9.根据权利要求8所述的基于大数据的变压器上层油温预测系统，其特征在于，还包括：

10.一种基于大数据的变压器上层油温预测设备，其特征在于，包括：

存储器，用于存储油温预测程序；

处理器，用于执行所述油温预测程序以实现权利要求1至7任一项所述的基于大数据的变压器上层油温预测方法的步骤。