CN109190314A - 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 - Google Patents

基于Adam优化的神经网络的电力变压器顶层油温的预测方法 Download PDF

Info

Publication number
CN109190314A
CN109190314A CN201811276258.9A CN201811276258A CN109190314A CN 109190314 A CN109190314 A CN 109190314A CN 201811276258 A CN201811276258 A CN 201811276258A CN 109190314 A CN109190314 A CN 109190314A
Authority
CN
China
Prior art keywords
oil temperature
neural network
monitoring
transformer
monitoring quantity
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.)
Withdrawn
Application number
CN201811276258.9A
Other languages
English (en)
Inventor
潘文霞
赵坤
谢晨
李毅
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201811276258.9A priority Critical patent/CN109190314A/zh
Publication of CN109190314A publication Critical patent/CN109190314A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了基于Adam优化的神经网络的变压器顶层油温预测方法，包括以下过程：S1，确定变压器的监测量，获取各监测量的历史数据组成各监测量序列；S2，基于各监测量序列分析顶层油温和其他监测量的相关性，选取相关性大的监测量序列作为训练数据集；S3，构建神经网络模型，以与顶层油温相关性大的监测量作为输入量，顶层油温作为输出量，基于训练数据集利用Adam算法训练神经网络模型；S4，获取待预测时刻的监测量构成预测数据集，将预测数据集输入神经网络模型得到顶层油温的预测值。本发明方法可准确预测变压器的顶层油温。

Description

基于Adam优化的神经网络的电力变压器顶层油温的预测方法
技术领域
本发明涉及一种基于Adam优化的神经网络的变压器顶层油温预测方法，用于监测油浸式变压器异常运行状态，属于电力变压器在线监测技术领域。
背景技术
电力变压器是电力系统的最关键设备之一，其稳定运行对电力系统安全稳定运行有着重要意义。电力变压器的动态负荷能力，绝缘老化速度主要受变压器的热特性行影响，顶层油温是反映变压器热特性的一个重要因素，因此准确可靠的预测顶层油温，对合理安排变压器运行，提前预警变压器的异常运行状态，预防变压器的热故障有着重要意义。
目前针对变压器顶层油温的预测方法，多集中在研究实验条件下，恒定负载时，变压器的顶层油温变化。典型的研究模型包括：热路模型和基于传热学和流体力学的数值计算方法。对于实际工作中，负载状态和散热设备动态变化的变压器，例如抽水蓄能发电站的主变，以上两种方法，不能很好的应用，误差较大。
BP神经网络有较强的非线性拟合能力，传统的BP神经网络收敛速度慢，超参数的选择困难，不能很好地在在线监测领域使用，同时直接使用所有的监测量进行建模时，过多的监测量会造成模型过于复杂，使得模型难以训练，模型容易出现过拟合现象。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于Adam优化的神经网络的变压器顶层油温预测方法，准确预测变压器的顶层油温。
为解决上述技术问题，本发明提供了一种基于Adam优化的神经网络的变压器顶层油温预测方法，其特征是，包括以下过程：
S1，确定变压器的监测量，获取各监测量的历史数据组成各监测量序列；
S2，基于各监测量序列分析顶层油温和其他监测量的相关性，选取相关性大的监测量序列作为训练数据集；
S3，构建神经网络模型，以与顶层油温相关性大的监测量作为输入量，顶层油温作为输出量，基于训练数据集利用Adam算法训练神经网络模型；
S4，获取待预测时刻的监测量构成预测数据集，将预测数据集输入神经网络模型得到顶层油温的预测值。
进一步的，监测量包括电气量和非电气量；其中，电气量包括：变压器端口电流、端口电压、有功功率、无功功率、频率；非电气量包括：环境温度、顶层油温、进水口温度、出水口温度。
进一步的，利用3δ探测法检测各监测量的历史数据。
进一步的，对各监测量的历史数据进行z-score标准化处理。
进一步的，利用灰色关联分析法分析顶层油温和其他监测量的相关性。
进一步的，对训练数据集进行归一化处理，基于训练数据集利用Adam算法训练神经网络模型。
与现有技术相比，本发明所达到的有益效果是：本发明方法具有较高的预测精度，可以可靠的分析负载和散热条件动态变化时的电力变压器顶层油温的变化，能够更好的指导变压器的负载运行，对变压器的安全稳定运行有重要的意义。
附图说明
图1是本发明方法的流程图；
图2是Adam算法优化的神经网络的示意图；
图3是实施例中顶层油温预测曲线与实际温升曲线对比图；
图4是实施例中顶层油温预测值与实际温升值的误差曲。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的一种基于Adam优化的神经网络的电力变压器顶层油温的预测方法，参见图1所示，包括以下过程：
S1，确定变压器的监测量，获取各监测量的历史数据，对其进行标准化处理后得到各监测量序列。
根据变压器电压等级的不同，监测量也不同，可获得的主要监测量包括电气量和非电气量。其中，电气量包括：变压器端口电流I、端口电压U、有功功率P、无功功率Q、频率f；非电气量包括：环境温度θamb、顶层油温θtop、进水口温度θinwater、出水口温度θoutwater。
变压器运行状态的历史监测量为当前时刻前若干天长度的连续监测量。获取这些监测量后，利用3δ探测法检测监测量以剔除异常值，并对缺失值进行填补，最后对处理后的监测量进行z-score标准化。
3δ探测法以顶层油温这个监测量为例进行描述，正常情况下的某一时刻的顶层油温增量Δθtop(k)满足：
其中，Δθtop(k)表示第k时刻顶层油温的增量，θtop(k)表示第k时刻顶层油温，θtop(k-1)表示第k-1时刻顶层油温，μ表示Δθtop序列(所有时刻顶层油温增量组成的序列)的均值，δ表示Δθtop序列的标准差。
不满足上述关系的，可视为异常点，将其剔除。
z-score标准化的方法为：
其中，yi(k)表示标准化后的第i个监测量第k时刻的值；xi(k)表示第i个监测量第k时刻的原始值，n表示监测量序列的长度。
对变压器各监测量的历史数据进行标准化处理后，得到各监测量序列。
S2，利用灰色关联分析法分析顶层油温和其他监测量的相关性，选取相关性大的监测量序列作为训练数据集。
根据灰色关联分析法，利用灰色关联度判断各监测量与顶层油温的相关性大小。灰色关联度的计算公式为：
其中，y0(k)表示顶层油温标准化后第k个时刻的值，yi(k)表示除顶层油温外的监测量标准化后第k个时刻的值；Y0表示顶层油温标准化后的顶层油温序列； Yi表示除顶层油温外的监测量标准化后的监测量序列；ξ为分辨系数，取值为0≤ξ≤1；γ(Y0,Yi)表示Y0与Yi的灰色关联度，0≤γ(Y0,Yi)≤1，灰色关联度越接近1，表示两序列的相关性越大。
一般情况下越不相关的变量，灰色关联度接近于0，越相关的变量越接近于 1。可以按灰色关联度从大到小排序后选取与顶层油温相关的监测量，选取相关性大的监测量序列作为训练数据集。具体确定界限以及选择的个数还是根据精度需要和神经网络模型的复杂度决定。
S3，构建神经网络模型，以与顶层油温相关性大的监测量作为输入量，顶层油温作为输出量，归一化训练数据集，利用归一化后的数据集与Adam算法训练神经网络模型，得到电力变压器顶层油温预测模型。
预先建立一个三层的神经网络模型，参见图2所示神经网络的结构，选取与顶层油温灰色关联度较大的监测量作为神经网络模型的输入量，顶层油温作为神经网络模型的输出量。并利用Xavier初始化方法初始化神经网络的权值和偏置。
归一化训练数据集，利用归一化后的数据集训练训练神经网络模型，得到电力变压器顶层油温预测模型。
神经网络训练方法采用Adam算法，Adam算法计算神经网络参数修正值ΔP 的方法如下：
步骤1：计算梯度：
步骤2：有偏一阶矩估计：s(k)＝ρ1s(k-1)+(1-ρ1)g
步骤3：有偏二阶矩估计：r(k)＝ρ2r(k-1)+(1-ρ2)g⊙g
步骤4：修正一阶矩：
步骤5：修正二阶矩：
步骤6：参数修正值：
其中，f(x(i)；P)表示神经网络的输出函数；L(f(x(i)；P),y(i))表示神经网络的代价函数；表示梯度运算符；m表示训练数据集的大小；ρ1通常取0.9，ρ2通常取0.999；k为迭代次数；ε表示步长通常取0.001；δ为小常数，通常取10-8。
S4，获取待预测时刻的监测量，构成预测数据集，归一化预测数据集，利用变压器顶层油温预测模型，计算输出值，对输出值进行反归一化处理得到电力变压器的顶层油温预测值。
实施例
本示例采用某抽水蓄能电站变压器，变压器的规格参数如下：
本示例变压器的监测量包括，电气量：高压侧电压，高压侧电流，有功功率，无功功率，频率，功率因数；非电气量：冷却器出水口压力，冷却器进水口压力，冷却器出油口压力，冷却器进油口压力，冷却器出水口温度，冷却器进水口温度，冷却器出油口温度，冷却器进油口温度。
利用灰色关联分析法，选取高压侧电压V，高压侧电流I，有功功率P，无功功率Q，冷却器进水口温度θinwater，冷却器出油口温度θoutoil为神经网络的输入量，顶层油温θtopoil为神经网络的输出量。
神经网络选用前7天的监测量作为训练数据，第8天的监测量作为测试数据，顶层油温预测曲线与实测温升曲线参见图3所示，图4是顶层油温预测曲线和实测温升曲线的差值曲线(即预测曲线的误差曲线)，从中可以看出，本发明预测结果与实测结果对比，最大误差约为0.8℃。
本发明的基于Adam优化的神经网络的电力变压器顶层油温预测方法，具有较高的预测精度，可以可靠的分析负载和散热条件动态变化时的电力变压器顶层油温的变化，能够更好的指导变压器的负载运行，对变压器的安全稳定运行有重要的意义。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.基于Adam优化的神经网络的变压器顶层油温预测方法，其特征是，包括以下过程：
S1，确定变压器的监测量，获取各监测量的历史数据组成各监测量序列；
S2，基于各监测量序列分析顶层油温和其他监测量的相关性，选取相关性大的监测量序列作为训练数据集；
S3，构建神经网络模型，以与顶层油温相关性大的监测量作为输入量，顶层油温作为输出量，基于训练数据集利用Adam算法训练神经网络模型；
S4，获取待预测时刻的监测量构成预测数据集，将预测数据集输入神经网络模型得到顶层油温的预测值。
2.根据权利要求1所述的基于Adam优化的神经网络的变压器顶层油温预测方法，其特征是，监测量包括电气量和非电气量；其中，电气量包括：变压器端口电流、端口电压、有功功率、无功功率、频率；非电气量包括：环境温度、顶层油温、进水口温度、出水口温度。
3.根据权利要求1所述的基于Adam优化的神经网络的变压器顶层油温预测方法，其特征是，利用3δ探测法检测各监测量的历史数据。
4.根据权利要求1所述的基于Adam优化的神经网络的变压器顶层油温预测方法，其特征是，对各监测量的历史数据进行z-score标准化处理。
5.根据权利要求1所述的基于Adam优化的神经网络的变压器顶层油温预测方法，其特征是，利用灰色关联分析法分析顶层油温和其他监测量的相关性。
6.根据权利要求1所述的基于Adam优化的神经网络的变压器顶层油温预测方法，其特征是，对训练数据集进行归一化处理，基于归一化后的训练数据集利用Adam算法训练神经网络模型。
CN201811276258.9A 2018-10-30 2018-10-30 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 Withdrawn CN109190314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811276258.9A CN109190314A (zh) 2018-10-30 2018-10-30 基于Adam优化的神经网络的电力变压器顶层油温的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811276258.9A CN109190314A (zh) 2018-10-30 2018-10-30 基于Adam优化的神经网络的电力变压器顶层油温的预测方法

Publications (1)

Publication Number Publication Date
CN109190314A true CN109190314A (zh) 2019-01-11

Family

ID=64940603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811276258.9A Withdrawn CN109190314A (zh) 2018-10-30 2018-10-30 基于Adam优化的神经网络的电力变压器顶层油温的预测方法

Country Status (1)

Country Link
CN (1) CN109190314A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232240A (zh) * 2019-06-12 2019-09-13 贵州电网有限责任公司 一种改进的变压器顶层油温预测方法
CN111060221A (zh) * 2019-12-31 2020-04-24 云领电气智能科技(苏州)有限公司 基于循环神经网络的变压器过热故障预警方法
CN111539545A (zh) * 2019-01-22 2020-08-14 中国石油天然气股份有限公司 油温预测方法和装置、计算机可读存储介质
CN111562036A (zh) * 2020-05-14 2020-08-21 广东电网有限责任公司 一种变压器油温表在线校验方法
CN111738478A (zh) * 2019-12-24 2020-10-02 上海海事大学 基于随机森林算法和Adam神经网络波浪补偿预测方法
CN112541634A (zh) * 2020-12-16 2021-03-23 国网江苏省电力有限公司检修分公司 一种顶层油温预测、误报火警判别方法、装置和存储介质
CN113312804A (zh) * 2021-07-29 2021-08-27 湖南五凌电力科技有限公司 变压器的温度预警方法、装置、设备及存储介质
CN113418632A (zh) * 2021-05-20 2021-09-21 南昌大学 一种油浸式变压器油温预测的概念漂移检测方法
CN113724795A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 萃余过氧化氢浓度计算方法、装置、存储介质及处理器
CN113724796A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 化工装置尾气含氧量计算方法、装置、存储介质及处理器

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539545A (zh) * 2019-01-22 2020-08-14 中国石油天然气股份有限公司 油温预测方法和装置、计算机可读存储介质
CN111539545B (zh) * 2019-01-22 2022-08-30 中国石油天然气股份有限公司 油温预测方法和装置、计算机可读存储介质
CN110232240A (zh) * 2019-06-12 2019-09-13 贵州电网有限责任公司 一种改进的变压器顶层油温预测方法
CN110232240B (zh) * 2019-06-12 2020-03-13 贵州电网有限责任公司 一种改进的变压器顶层油温预测方法
CN111738478A (zh) * 2019-12-24 2020-10-02 上海海事大学 基于随机森林算法和Adam神经网络波浪补偿预测方法
CN111060221A (zh) * 2019-12-31 2020-04-24 云领电气智能科技(苏州)有限公司 基于循环神经网络的变压器过热故障预警方法
CN111562036A (zh) * 2020-05-14 2020-08-21 广东电网有限责任公司 一种变压器油温表在线校验方法
CN113724795A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 萃余过氧化氢浓度计算方法、装置、存储介质及处理器
CN113724796A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 化工装置尾气含氧量计算方法、装置、存储介质及处理器
CN112541634A (zh) * 2020-12-16 2021-03-23 国网江苏省电力有限公司检修分公司 一种顶层油温预测、误报火警判别方法、装置和存储介质
CN112541634B (zh) * 2020-12-16 2024-03-15 国网江苏省电力有限公司检修分公司 一种顶层油温预测、误报火警判别方法、装置和存储介质
CN113418632A (zh) * 2021-05-20 2021-09-21 南昌大学 一种油浸式变压器油温预测的概念漂移检测方法
CN113418632B (zh) * 2021-05-20 2024-02-09 南昌大学 一种油浸式变压器油温预测的概念漂移检测方法
CN113312804A (zh) * 2021-07-29 2021-08-27 湖南五凌电力科技有限公司 变压器的温度预警方法、装置、设备及存储介质
CN113312804B (zh) * 2021-07-29 2021-12-07 湖南五凌电力科技有限公司 变压器的温度预警方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109190314A (zh) 基于Adam优化的神经网络的电力变压器顶层油温的预测方法
CN105353256B (zh) 一种输变电设备状态异常检测方法
CN107330286A (zh) 一种大型油浸式电力变压器可靠性评估动态修正方法
CN109299551A (zh) 一种电力变压器状态评估方法
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
CN108761228A (zh) 量测大数据下的电力变压器运行状态评估方法
CN101373905A (zh) 电力系统电压稳定域可视化方法
CN111797365B (zh) 一种换流变压器温度异常判断方法及系统
Xu et al. Mechanism model-based and data-driven approach for the diagnosis of solid oxide fuel cell stack leakage
CN116169675B (zh) 考虑运行方式变化的电力系统动态稳定性在线评估方法
CN106096214A (zh) 一种基于间接测温方式的开关柜故障模糊诊断方法
CN110011314A (zh) 基于输电线路电热耦合效应的潮流计算方法及系统
CN109033532A (zh) 一种零电压开关移相全桥电源健康状态评估方法
CN106021759A (zh) 变压器故障识别方法及系统
Dong et al. Online reliability assessment of energy systems based on a high-order extended-state-observer with application to nuclear reactors
CN106599384A (zh) 一种适应两种边界温度的电缆暂态温升获取方法
CN105243281B (zh) 一种计及运行状态的晶闸管换流阀可靠性评估方法
Fan et al. Review of parametric fault prediction methods for power electronic circuits
CN105741184A (zh) 一种变压器状态评估方法及装置
CN112507511A (zh) 电力设备温升负荷性能指标诊断方法、电子设备、存储介质
CN114219206B (zh) 基于灰色层次分析的抽水蓄能机组油系统状态综合评估方法
Wang et al. PEM fuel cell health state assessment using a geometrical approach and mahalanobis distance
CN107958288A (zh) 一种基于案例推理的汽轮机加热器故障诊断方法
CN108509700A (zh) 一种基于模拟退火粒子群算法的moa老化在线监测方法
CN107640017A (zh) 纯电动汽车液冷系统的性能评估方法、装置及电动汽车

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190111

WW01 Invention patent application withdrawn after publication