CN110991011A - 一种变压器实时热点温度预测方法 - Google Patents

一种变压器实时热点温度预测方法 Download PDF

Info

Publication number
CN110991011A
CN110991011A CN201911114401.9A CN201911114401A CN110991011A CN 110991011 A CN110991011 A CN 110991011A CN 201911114401 A CN201911114401 A CN 201911114401A CN 110991011 A CN110991011 A CN 110991011A
Authority
CN
China
Prior art keywords
transformer
hot spot
real
particle
svr
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
Application number
CN201911114401.9A
Other languages
English (en)
Other versions
CN110991011B (zh
Inventor
董朕
吴建光
卢欣奇
甘文琪
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.)
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201911114401.9A priority Critical patent/CN110991011B/zh
Publication of CN110991011A publication Critical patent/CN110991011A/zh
Application granted granted Critical
Publication of CN110991011B publication Critical patent/CN110991011B/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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及变压器实时热点温度预测领域，尤其涉及一种变压器实时热点温度预测方法，先获取变压器的负荷电流、环境温度、顶层油温、实时热点温度历史数据，对历史数据进行预处理生成训练样本集和测试样本集；然后选择训练样本集建立SVR预测模型；接着采用训练样本对SVR进行训练，训练过程中采用改进引力搜索算法对SVR的参数进行优化，提高预测模型的预测能力；最后将测试样本输入到训练好的SVR中进行预测，得到变压器实时热点温度预测值。该方法有效解决引力搜索算法的局部化最优问题，有效解决了支持向量机参数选择难的问题，增强了支持向量机的预测性能，提高了变压器实时热点温度预测精度。

Description

一种变压器实时热点温度预测方法
技术领域
本发明涉及变压器实时热点温度预测领域，尤其涉及一种变压器实时热点温度预测方法。
背景技术
电力变压器热点温度是反映变压器健康状况的重要数据，变压器在过高的热点温度下运行，将严重影响变压器寿命和运行安全性。现有的变压器热点温度研究方法主要包括基于变压器测温系统的热点温度实时监测，基于经验公式法、热路模型法和数值模拟法的热点温度计算及基于智能学习算法的变压器热点温度预测三大类。目前较为常用的变压器热点温度预测方法主要包括神经网络、支持向量机、模糊神经系统及Kalman滤波算法等方法。支持向量机是基于统计理论的先进智能监督学习分类方法，通过寻求结构化风险最小来提高学习机泛化能力，将经验风险和置信区间最小化，其在解决小样本的高维非线性函数拟合问题时具有优势，但有文献指出选择合适的模型参数和核参数对支持向量机模型的学习和泛化能力尤为重要，会对预测模型的准确性产生直接的影响。在支持向量机的参数寻优研究中，已有学者提出了遗传算法、粒子群算法和引力搜索算法等方法，有效解决了支持向量机参数选择难的问题，可有效提高支持向量机的预测性能。虽然有文献研究表明引力搜索算法的优化性能与其他智能算法相比有较大的提高，但在大多数情况下，引力搜索算法也只能收敛到某区域最优值，存在局部化最优问题。因此，本发明提出一种基于改进引力搜索算法优化支持向量机的变压器实时热点温度预测方法。
发明内容
本发明提供一种变压器实时热点温度预测方法，该方法有效解决引力搜索算法的局部化最优问题，有效解决了支持向量机参数选择难的问题，增强了支持向量机的预测性能，可应用于变压器相关领域的科学研究和工程应用，可提高变压器实时热点温度预测精度。
本发明的技术方案为：
一种变压器实时热点温度预测方法，包括以下步骤：
S1、获取变压器的负荷电流、环境温度、顶层油温、实时热点温度的历史数据，对历史数据进行预处理生成训练样本集和测试样本集；
S2、建立SVR预测模型；
S3、采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练；
S4、将测试样本输入到S3中训练好的SVR中进行预测，得到变压器实时热点温度预测值。
SVR(Support Vector Regression Machine)为支持向量机的简称。
进一步，步骤S1中获取历史数据，且对历史数据进行预处理生成训练样本集和测试样本集的过程为：
变压器的特征参数有：负荷电流、环境温度、顶层油温、实时热点温度，将上述特征参数的历史数据分为训练样本集和测试样本集；
训练样本集Trn中每个样本将预测前两个时刻的负荷电流、环境温度、顶层油温的值作为输入，表示为
Figure BDA0002273667110000021
其中m为预测模型输入个数，这里m＝6，将预测时刻对应的实时热点温度作为输出，表示为
Figure BDA0002273667110000022
l的取值由预测模型输出个数决定，这里l＝1；n为样本集中第n个样本；
测试样本集Ten的选取方式与训练样本集Trn的选取方式相同。
进一步，步骤S2中建立SVR预测模型的过程为：
SVR通过目标函数最小化来确定回归函数：
min
Figure BDA0002273667110000023
f(xi)-yi≤ε+ξi
s.t. yi-f(xi)≤ε+ξi
Figure BDA0002273667110000024
i＝1,2,Λ,n
式中：w为权重矢量，w∈Rn；f(xi)为SVR预测输出值，yi为SVR目标输出值；C是惩罚系数；ξi、
Figure BDA0002273667110000025
为松弛因子；ε为不敏感损失系数。
进一步，在上述的回归函数中引入拉格朗日乘子，将其转化为以下对偶问题的求解：
min
Figure BDA0002273667110000031
s.t.
Figure BDA0002273667110000032
且
Figure BDA0002273667110000033
式中：K(xi,xj)为核函数，满足Mercer条件；ai和
Figure BDA0002273667110000034
为拉格朗日乘子；求解上式得到最优回归函数为：
Figure BDA0002273667110000035
其中，b为截距项，b∈R。
进一步，步骤S3采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练的过程为：
S31、参数初始化:
设置算法的种群规模M，粒子维度D，最大迭代次数Tmax，SVR模型需优化的参数包括惩罚系数C和核函数参数σ，则生成算法初始种群：
Figure BDA0002273667110000036
i＝1,2,...,M
其中，d表示1至D维的第d维，M为种群大小，共M个粒子，粒子维度D＝2，即初始种群也可表示为：Xi＝[Ci,σi]；
S32、设置训练目标函数如下式，即粒子的适应度值函数：
Figure BDA0002273667110000037
式中：pt、
Figure BDA0002273667110000038
分别是实际热点温度和预测热点温度；T为训练样本数；
S33、粒子Xi在解空间第t次迭代过程中：
S331、根据下式计算个体的万有引力惯性质量：
Figure BDA0002273667110000039
Figure BDA00022736671100000310
i＝1,2,...,N
式中，fiti(t)和Mi(t)分别表示第t次迭代时第i个粒子的适应度值函数和惯性质量，best(t)和worst(t)分别表示在第t次迭代时所有个体中最优适应度值和最差适应度值；
S332、根据下式计算每个个体力的总和：
Figure BDA0002273667110000041
Figure BDA0002273667110000042
式中，
Figure BDA0002273667110000043
为在第t次迭代时，在第d维上，粒子j对粒子i的引力；Fi d(t)为在第t次迭代时，在第d维上，个体i所受合力；Maj和Mpi分别为粒子j的万有引力惯性质量和粒子i的万有引力惯性质量；
Figure BDA0002273667110000044
表示在第t次迭代时，第i个粒子的第d维；
Figure BDA0002273667110000045
表示在第t次迭代时，第j个粒子的第d维；δ为固定值，G(t)为万有引力时间常数，rand为在[0,1]之间的随机数，kbest为一开始适应度值最好的个体的数集；
S333、根据下式计算粒子万有引力加速度：
Figure BDA0002273667110000046
式中，
Figure BDA0002273667110000047
为在第t次迭代时，在第d维上，粒子i的万有引力加速度；
S334、根据下式计算每个粒子的速度和位置：
Figure BDA0002273667110000048
式中，
Figure BDA0002273667110000049
为第t次迭代时，第i个粒子第d维的速度；
这里对上式进行改进，改进后如下：
Figure BDA00022736671100000410
Figure BDA00022736671100000411
式中，wmax和wmin为权重的最大值和最小值；w(t)表示第t次迭代时，粒子的速度更新权重；
所以更新种群中所有粒子的位置如下式：
Figure BDA00022736671100000412
S34、在原始引力搜索算法的基础上加入变异机制，使算法在后期迭代时跳出布局最优，具体实现方式如下：
若rand<Pt，
Figure BDA0002273667110000051
t＝1,2,.....,Tmax，则执行变异机制：
Figure BDA0002273667110000052
Figure BDA0002273667110000053
式中，k为[0,1]间的递减向量，N(0,1)为均值为0、方差为1的正态分布；
Figure BDA0002273667110000054
表示执行变异机制后的粒子种群；
S35、在原始引力搜索算法的基础上加入自然选择的优胜劣汰机制，具体实现方式如下：即选取种群适应度值排名前10％的粒子替换掉适应度值排名后10％的粒子，提高算法收敛速度；
S36、终止条件判断：
达到系统设定最大迭代次数后，算法搜索停止，算法所输出的最优解值即为最优的SVR参数值；否则，t＝t+1，跳入步骤S33进入下一次迭代。
进一步，核函数K(xi,xj)采用径向基核函数：
K(x,xi)＝exp(-||x-xi||2/2σ2)
式中，σ为核函数参数。
进一步，步骤S1中变压器的负荷电流的历史数据从操作人员在以往的变压器中监测得到的负荷电流数据记录中提取。
进一步，步骤S1中变压器的环境温度的历史数据从操作人员在以往的变压器中监测得到的环境温度数据记录中提取。
进一步，步骤S1中变压器的顶层油温的历史数据从操作人员在以往的变压器中监测得到的顶层油温数据记录中提取。
进一步，步骤S1中变压器的实时热点温度的历史数据从操作人员在以往的变压器中监测得到的实时热点温度数据记录中提取。
本发明的有益效果：
本发明的一种基于改进引力搜索算法优化支持向量机的变压器实时热点温度预测方法，首先获取影响变压器实时热点温度的负荷电流、环境温度、顶层油温、实时热点温度历史数据，对所述历史数据进行预处理生成训练样本集和测试样本集；然后选择训练样本集建立支持向量机预测模型；接着采用训练样本对支持向量机进行训练，训练过程中采用改进引力搜索算法对支持向量机的参数进行优化，提高预测模型的预测能力；最后将测试样本输入到训练好的支持向量机中进行预测，得到变压器实时热点温度预测值。该方法有效解决引力搜索算法的局部化最优问题，有效解决了支持向量机参数选择难的问题，增强了支持向量机的预测性能，可应用于变压器相关领域的科学研究和工程应用，可提高变压器实时热点温度预测精度。
附图说明
图1是本发明的流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
实施例1：
如图1所示，一种变压器实时热点温度预测方法，包括以下步骤：
S1、获取变压器的负荷电流、环境温度、顶层油温、实时热点温度的历史数据，对历史数据进行预处理生成训练样本集和测试样本集；
S2、建立SVR预测模型；
S3、采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练；
S4、将测试样本输入到S3中训练好的SVR中进行预测，得到变压器实时热点温度预测值。
在本实施例中，步骤S1中获取历史数据，且对历史数据进行预处理生成训练样本集和测试样本集的过程为：
变压器的特征参数有：负荷电流、环境温度、顶层油温、实时热点温度，将上述特征参数的历史数据分为训练样本集和测试样本集；
训练样本集Trn中每个样本将预测前两个时刻的负荷电流、环境温度、顶层油温的值作为输入，表示为
Figure BDA0002273667110000071
其中m为预测模型输入个数，这里m＝6，将预测时刻对应的实时热点温度作为输出，表示为
Figure BDA0002273667110000072
l的取值由预测模型输出个数决定，这里l＝1；n为样本集中第n个样本；
测试样本集Ten的选取方式与训练样本集Trn的选取方式相同。
在本实施例中，步骤S2中建立SVR预测模型的过程为：
SVR通过目标函数最小化来确定回归函数：
min
Figure BDA0002273667110000073
f(xi)-yi≤ε+ξi
s.t. yi-f(xi)≤ε+ξi
Figure BDA0002273667110000074
i＝1,2,Λ,n
式中：w为权重矢量，w∈Rn；f(xi)为SVR预测输出值，yi为SVR目标输出值；C是惩罚系数；ξi、
Figure BDA0002273667110000075
为松弛因子；ε为不敏感损失系数。
在上述的回归函数中引入拉格朗日乘子，将其转化为以下对偶问题的求解：
min
Figure BDA0002273667110000076
s.t.
Figure BDA0002273667110000077
且
Figure BDA0002273667110000078
式中：K(xi,xj)为核函数，满足Mercer条件；ai和
Figure BDA0002273667110000079
为拉格朗日乘子；求解上式得到最优回归函数为：
Figure BDA00022736671100000710
其中，b为截距项，b∈R。
在本实施例中，步骤S3采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练的过程为：
S31、参数初始化:
设置算法的种群规模M，粒子维度D，最大迭代次数Tmax，SVR模型需优化的参数包括惩罚系数C和核函数参数σ，则生成算法初始种群：
Figure BDA00022736671100000711
i＝1,2,...,M
其中，d表示1至D维的第d维，M为种群大小，共M个粒子，粒子维度D＝2，即初始种群也可表示为：Xi＝[Ci,σi]；
S32、设置训练目标函数如下式，即粒子的适应度值函数：
Figure BDA0002273667110000081
式中：pt、
Figure BDA0002273667110000082
分别是实际热点温度和预测热点温度；T为训练样本数；
S33、粒子Xi在解空间第t次迭代过程中：
S331、根据下式计算个体的万有引力惯性质量：
Figure BDA0002273667110000083
Figure BDA0002273667110000084
i＝1,2,...,N
式中，fiti(t)和Mi(t)分别表示第t次迭代时第i个粒子的适应度值函数和惯性质量，best(t)和worst(t)分别表示在第t次迭代时所有个体中最优适应度值和最差适应度值；
S332、根据下式计算每个个体力的总和：
Figure BDA0002273667110000085
Figure BDA0002273667110000086
式中，
Figure BDA0002273667110000087
为在第t次迭代时，在第d维上，粒子j对粒子i的引力；Fi d(t)为在第t次迭代时，在第d维上，个体i所受合力；Maj和Mpi分别为粒子j的万有引力惯性质量和粒子i的万有引力惯性质量；
Figure BDA0002273667110000088
表示在第t次迭代时，第i个粒子的第d维；
Figure BDA0002273667110000089
表示在第t次迭代时，第j个粒子的第d维；δ为固定值，G(t)为万有引力时间常数，rand为在[0,1]之间的随机数，kbest为一开始适应度值最好的个体的数集；
S333、根据下式计算粒子万有引力加速度：
Figure BDA0002273667110000091
式中，
Figure BDA0002273667110000092
为在第t次迭代时，在第d维上，粒子i的万有引力加速度；
S334、根据下式计算每个粒子的速度和位置：
Figure BDA0002273667110000093
式中，
Figure BDA0002273667110000094
为第t次迭代时，第i个粒子第d维的速度；
这里对上式进行改进，改进后如下：
Figure BDA0002273667110000095
Figure BDA0002273667110000096
式中，wmax和wmin为权重的最大值和最小值；w(t)表示第t次迭代时，粒子的速度更新权重；
所以更新种群中所有粒子的位置如下式：
Figure BDA0002273667110000097
S34、在原始引力搜索算法的基础上加入变异机制，使算法在后期迭代时跳出布局最优，具体实现方式如下：
若rand<Pt，
Figure BDA0002273667110000098
t＝1,2,.....,Tmax，则执行变异机制：
Figure BDA0002273667110000099
Figure BDA00022736671100000910
式中，k为[0,1]间的递减向量，N(0,1)为均值为0、方差为1的正态分布；
Figure BDA00022736671100000911
表示执行变异机制后的粒子种群；
S35、在原始引力搜索算法的基础上加入自然选择的优胜劣汰机制，具体实现方式如下：即选取种群适应度值排名前10％的粒子替换掉适应度值排名后10％的粒子，提高算法收敛速度；
S36、终止条件判断：
达到系统设定最大迭代次数后，算法搜索停止，算法所输出的最优解值即为最优的SVR参数值；否则，t＝t+1，跳入步骤S33进入下一次迭代。
在本实施例中，核函数K(xi,xj)采用径向基核函数：
K(x,xi)＝exp(-||x-xi||2/2σ2)
式中，σ为核函数参数。
在本实施例中，步骤S1中变压器的负荷电流的历史数据从操作人员在以往的变压器中监测得到的负荷电流数据记录中提取。
在本实施例中，步骤S1中变压器的环境温度的历史数据从操作人员在以往的变压器中监测得到的环境温度数据记录中提取。
在本实施例中，步骤S1中变压器的顶层油温的历史数据从操作人员在以往的变压器中监测得到的顶层油温数据记录中提取。
在本实施例中，步骤S1中变压器的实时热点温度的历史数据从操作人员在以往的变压器中监测得到的实时热点温度数据记录中提取。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种变压器实时热点温度预测方法，其特征在于，包括以下步骤：
S1、获取变压器的负荷电流、环境温度、顶层油温、实时热点温度的历史数据，对历史数据进行预处理生成训练样本集和测试样本集；
S2、建立SVR预测模型；
S3、采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练；
S4、将测试样本输入到S3中训练好的SVR中进行预测，得到变压器实时热点温度预测值。
2.根据权利要求1所述的一种变压器实时热点温度预测方法，其特征在于，步骤S1中获取历史数据，且对历史数据进行预处理生成训练样本集和测试样本集的过程为：
变压器的特征参数有：负荷电流、环境温度、顶层油温、实时热点温度，将上述特征参数的历史数据分为训练样本集和测试样本集；
训练样本集Trn中每个样本将预测前两个时刻的负荷电流、环境温度、顶层油温的值作为输入，表示为
Figure FDA0002273667100000011
其中m为预测模型输入个数，这里m＝6，将预测时刻对应的实时热点温度作为输出，表示为
Figure FDA0002273667100000012
l的取值由预测模型输出个数决定，这里l＝1；n为样本集中第n个样本；
测试样本集Ten的选取方式与训练样本集Trn的选取方式相同。
3.根据权利要求2所述的一种变压器实时热点温度预测方法，其特征在于，步骤S2中建立SVR预测模型的过程为：
SVR通过目标函数最小化来确定回归函数：
Figure FDA0002273667100000013
f(xi)-yi≤ε+ξi
s.t.yi-f(xi)≤ε+ξi
Figure FDA0002273667100000014
式中：w为权重矢量，w∈Rn；f(xi)为SVR预测输出值，yi为SVR目标输出值；C是惩罚系数；ξi、
Figure FDA0002273667100000015
为松弛因子；ε为不敏感损失系数。
4.根据权利要求3所述的一种变压器实时热点温度预测方法，其特征在于，在上述的回归函数中引入拉格朗日乘子，将其转化为以下对偶问题的求解：
Figure FDA0002273667100000021
Figure FDA0002273667100000022
且0≤ai,
Figure FDA0002273667100000023
式中：K(xi,xj)为核函数，满足Mercer条件；ai和
Figure FDA0002273667100000024
为拉格朗日乘子；
求解上式得到最优回归函数为：
Figure FDA0002273667100000025
其中，b为截距项，b∈R。
5.根据权利要求4所述的一种变压器实时热点温度预测方法，其特征在于，步骤S3采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练的过程为：
S31、参数初始化：
设置算法的种群规模M，粒子维度D，最大迭代次数Tmax，SVR模型需优化的参数包括惩罚系数C和核函数参数σ，则生成算法初始种群：
Figure FDA0002273667100000026
其中，d表示1至D维的第d维，M为种群大小，共M个粒子，粒子维度D＝2，即初始种群表示为：Xi＝[Ci,σi]；
S32、设置训练目标函数如下式，即粒子的适应度值函数：
Figure FDA0002273667100000027
式中：pt、
Figure FDA0002273667100000028
分别是实际热点温度和预测热点温度；T为训练样本数；
S33、粒子Xi在解空间第t次迭代过程中：
S331、根据下式计算个体的万有引力惯性质量：
Figure FDA0002273667100000029
Figure FDA00022736671000000210
式中，fiti(t)和Mi(t)分别表示第t次迭代时第i个粒子的适应度值函数和惯性质量，best(t)和worst(t)分别表示在第t次迭代时所有个体中最优适应度值和最差适应度值；
S332、根据下式计算每个个体力的总和：
Figure FDA0002273667100000031
Figure FDA0002273667100000032
式中，
Figure FDA0002273667100000033
为在第t次迭代时，在第d维上，粒子j对粒子i的引力；Fi d(t)为在第t次迭代时，在第d维上，个体i所受合力；Maj和Mpi分别为粒子j的万有引力惯性质量和粒子i的万有引力惯性质量；
Figure FDA0002273667100000034
表示在第t次迭代时，第i个粒子的第d维；
Figure FDA0002273667100000035
表示在第t次迭代时，第j个粒子的第d维；δ为固定值，G(t)为万有引力时间常数，rand为在[0,1]之间的随机数，kbest为一开始适应度值最好的个体的数集；
S333、根据下式计算粒子万有引力加速度：
Figure FDA0002273667100000036
式中，
Figure FDA0002273667100000037
为在第t次迭代时，在第d维上，粒子i的万有引力加速度；
S334、根据下式计算每个粒子的速度和位置：
Figure FDA0002273667100000038
式中，
Figure FDA0002273667100000039
为第t次迭代时，第i个粒子第d维的速度；
这里对上式进行改进，改进后如下：
Figure FDA00022736671000000310
Figure FDA00022736671000000311
式中，wmax和wmin为权重的最大值和最小值；w(t)表示第t次迭代时，粒子的速度更新权重；
所以更新种群中所有粒子的位置如下式：
Figure FDA00022736671000000312
S34、在原始引力搜索算法的基础上加入变异机制，使算法在后期迭代时跳出布局最优，具体实现方式如下：
若rand<Pt，
Figure FDA0002273667100000041
则执行变异机制：
Figure FDA0002273667100000042
Figure FDA0002273667100000043
式中，k为[0,1]间的递减向量，N(0,1)为均值为0、方差为1的正态分布；
Figure FDA0002273667100000044
表示执行变异机制后的粒子种群；
S35、在原始引力搜索算法的基础上加入自然选择的优胜劣汰机制，具体实现方式如下：即选取种群适应度值排名前10％的粒子替换掉适应度值排名后10％的粒子，提高算法收敛速度；
S36、终止条件判断：
达到系统设定最大迭代次数后，算法搜索停止，算法所输出的最优解值即为最优的SVR参数值；否则，t＝t+1，跳入步骤S33进入下一次迭代。
6.根据权利要求4所述的一种变压器实时热点温度预测方法，其特征在于，核函数K(xi,xj)采用径向基核函数：
K(x,xi)＝exp(-||x-xi||2/2σ2)
式中，σ为核函数参数。
7.根据权利要求1所述的一种变压器实时热点温度预测方法，其特征在于，步骤S1中变压器的负荷电流的历史数据从操作人员在以往的变压器中监测得到的负荷电流数据记录中提取。
8.根据权利要求1所述的一种变压器实时热点温度预测方法，其特征在于，步骤S1中变压器的环境温度的历史数据从操作人员在以往的变压器中监测得到的环境温度数据记录中提取。
9.根据权利要求1所述的一种变压器实时热点温度预测方法，其特征在于，步骤S1中变压器的顶层油温的历史数据从操作人员在以往的变压器中监测得到的顶层油温数据记录中提取。
10.根据权利要求1所述的一种变压器实时热点温度预测方法，其特征在于，步骤S1中变压器的实时热点温度的历史数据从操作人员在以往的变压器中监测得到的实时热点温度数据记录中提取。
CN201911114401.9A 2019-11-14 2019-11-14 一种变压器实时热点温度预测方法 Active CN110991011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911114401.9A CN110991011B (zh) 2019-11-14 2019-11-14 一种变压器实时热点温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911114401.9A CN110991011B (zh) 2019-11-14 2019-11-14 一种变压器实时热点温度预测方法

Publications (2)

Publication Number Publication Date
CN110991011A true CN110991011A (zh) 2020-04-10
CN110991011B CN110991011B (zh) 2023-05-02

Family

ID=70084424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911114401.9A Active CN110991011B (zh) 2019-11-14 2019-11-14 一种变压器实时热点温度预测方法

Country Status (1)

Country Link
CN (1) CN110991011B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259574A (zh) * 2020-05-06 2020-06-09 广东电网有限责任公司佛山供电局 一种基于简易温升模型的变压器油温预测方法
CN111666711A (zh) * 2020-05-12 2020-09-15 杭州安脉盛智能技术有限公司 一种基于多维信息的变压器顶层油温异常监测方法
CN111947795A (zh) * 2020-08-18 2020-11-17 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
CN112861337A (zh) * 2021-02-01 2021-05-28 中国科学院宁波材料技术与工程研究所 一种碳纤维发热线加热后的表面温度预测方法
CN113343375A (zh) * 2021-04-30 2021-09-03 成都飞机工业（集团）有限责任公司 一种热压罐成型固化热分布预测方法
CN113514094A (zh) * 2021-03-02 2021-10-19 国网陕西省电力公司信息通信公司 一种基于机器学习的电力监测与预警系统
CN113552438A (zh) * 2021-08-24 2021-10-26 国网山东省电力公司威海供电公司 一种变压器负载能力的预测方法
CN113657677A (zh) * 2021-08-20 2021-11-16 济南大学 一种基于变权组合模型的变压器油温预测方法及系统
CN113704968A (zh) * 2021-07-23 2021-11-26 广东电网有限责任公司广州供电局 一种油浸式配电变压器绝缘老化评估的方法和装置
CN113945818A (zh) * 2021-10-26 2022-01-18 电子科技大学 一种mosfet寿命预测方法
WO2022155785A1 (en) * 2021-01-19 2022-07-28 Abb Schweiz Ag Method and apparatus for training model for predicting temperature rise of heating element in switchgear
CN114928478A (zh) * 2022-05-10 2022-08-19 罗嗣扬 基于核心算法、机器学习和云计算的网络安全检测系统
CN116594446A (zh) * 2023-07-19 2023-08-15 广州豪特节能环保科技股份有限公司 一种大数据中心温控方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473480A (zh) * 2013-10-08 2013-12-25 武汉大学 基于改进万有引力支持向量机的在线监测数据校正方法
CN104614179A (zh) * 2015-01-28 2015-05-13 中国大唐集团新能源股份有限公司 一种风电机组齿轮箱状态监测方法
CN105182161A (zh) * 2015-09-23 2015-12-23 国网山东莒县供电公司 一种变压器监测系统和方法
CN106503850A (zh) * 2016-11-01 2017-03-15 上海电机学院 一种用于风电功率预测的svm预测模型
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
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法
CN107657287A (zh) * 2017-10-26 2018-02-02 贵州电网有限责任公司电力科学研究院 一种变压器油酸值多频超声波测试回归预测方法
CN107895205A (zh) * 2017-11-07 2018-04-10 武汉大学 基于粒子群‑支持向量回归的gis触头热点温度预测方法
US20190043070A1 (en) * 2017-08-02 2019-02-07 Zestfinance, Inc. Systems and methods for providing machine learning model disparate impact information
CN109828860A (zh) * 2019-02-01 2019-05-31 重庆科技学院 一种基于gsa优化svm的故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473480A (zh) * 2013-10-08 2013-12-25 武汉大学 基于改进万有引力支持向量机的在线监测数据校正方法
CN104614179A (zh) * 2015-01-28 2015-05-13 中国大唐集团新能源股份有限公司 一种风电机组齿轮箱状态监测方法
CN105182161A (zh) * 2015-09-23 2015-12-23 国网山东莒县供电公司 一种变压器监测系统和方法
CN106503850A (zh) * 2016-11-01 2017-03-15 上海电机学院 一种用于风电功率预测的svm预测模型
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
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法
US20190043070A1 (en) * 2017-08-02 2019-02-07 Zestfinance, Inc. Systems and methods for providing machine learning model disparate impact information
CN107657287A (zh) * 2017-10-26 2018-02-02 贵州电网有限责任公司电力科学研究院 一种变压器油酸值多频超声波测试回归预测方法
CN107895205A (zh) * 2017-11-07 2018-04-10 武汉大学 基于粒子群‑支持向量回归的gis触头热点温度预测方法
CN109828860A (zh) * 2019-02-01 2019-05-31 重庆科技学院 一种基于gsa优化svm的故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梅恒荣: "基于群智能算法优化的支持向量机模拟电路故障诊断" *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259574B (zh) * 2020-05-06 2020-08-04 广东电网有限责任公司佛山供电局 一种基于简易温升模型的变压器油温预测方法
CN111259574A (zh) * 2020-05-06 2020-06-09 广东电网有限责任公司佛山供电局 一种基于简易温升模型的变压器油温预测方法
CN111666711A (zh) * 2020-05-12 2020-09-15 杭州安脉盛智能技术有限公司 一种基于多维信息的变压器顶层油温异常监测方法
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
CN111947795A (zh) * 2020-08-18 2020-11-17 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
WO2022155785A1 (en) * 2021-01-19 2022-07-28 Abb Schweiz Ag Method and apparatus for training model for predicting temperature rise of heating element in switchgear
CN112861337A (zh) * 2021-02-01 2021-05-28 中国科学院宁波材料技术与工程研究所 一种碳纤维发热线加热后的表面温度预测方法
CN112861337B (zh) * 2021-02-01 2024-04-30 中国科学院宁波材料技术与工程研究所 一种碳纤维发热线加热后的表面温度预测方法
CN113514094A (zh) * 2021-03-02 2021-10-19 国网陕西省电力公司信息通信公司 一种基于机器学习的电力监测与预警系统
CN113343375A (zh) * 2021-04-30 2021-09-03 成都飞机工业（集团）有限责任公司 一种热压罐成型固化热分布预测方法
CN113704968A (zh) * 2021-07-23 2021-11-26 广东电网有限责任公司广州供电局 一种油浸式配电变压器绝缘老化评估的方法和装置
CN113657677A (zh) * 2021-08-20 2021-11-16 济南大学 一种基于变权组合模型的变压器油温预测方法及系统
CN113657677B (zh) * 2021-08-20 2024-02-27 济南大学 一种基于变权组合模型的变压器油温预测方法及系统
CN113552438A (zh) * 2021-08-24 2021-10-26 国网山东省电力公司威海供电公司 一种变压器负载能力的预测方法
CN113552438B (zh) * 2021-08-24 2024-04-05 国网山东省电力公司威海供电公司 一种变压器负载能力的预测方法
CN113945818A (zh) * 2021-10-26 2022-01-18 电子科技大学 一种mosfet寿命预测方法
CN114928478A (zh) * 2022-05-10 2022-08-19 罗嗣扬 基于核心算法、机器学习和云计算的网络安全检测系统
CN116594446A (zh) * 2023-07-19 2023-08-15 广州豪特节能环保科技股份有限公司 一种大数据中心温控方法及系统
CN116594446B (zh) * 2023-07-19 2023-10-17 广州豪特节能环保科技股份有限公司 一种大数据中心温控方法及系统

Also Published As

Publication number Publication date
CN110991011B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110991011A (zh) 一种变压器实时热点温度预测方法
CN109754113B (zh) 基于动态时间规整与长短时间记忆的负荷预测方法
Feng Self-generation RBFNs using evolutional PSO learning
Gholizadeh et al. Optimal design of structures subjected to time history loading by swarm intelligence and an advanced metamodel
CN108876001B (zh) 一种基于孪生支持向量机的短期电力负荷预测方法
CN101566829A (zh) 针对技术系统的计算机辅助的开环和/或闭环控制的方法
Su et al. Prediction model of hot metal temperature for blast furnace based on improved multi-layer extreme learning machine
CN113269365B (zh) 一种基于麻雀优化算法的短期空调负荷预测方法及系统
CN110826784B (zh) 能源使用效率的预测方法、装置及存储介质和终端设备
CN111091196A (zh) 客流数据确定方法、装置、计算机设备和存储介质
Gao et al. End-point prediction of BOF steelmaking based on KNNWTSVR and LWOA
Xie et al. Multi-objective optimization of process parameters in stamping based on an improved RBM–BPNN network and MOPSO algorithm
Wu Hybrid forecasting model based on support vector machine and particle swarm optimization with adaptive and Cauchy mutation
Liu et al. Multiple sensors based prognostics with prediction interval optimization via echo state Gaussian process
Wu Power load forecasts based on hybrid PSO with Gaussian and adaptive mutation and Wv-SVM
Tarkesh Esfahani et al. Optimization of finite element model of laser forming in circular path using genetic algorithms and ANFIS
Wang et al. Fault feature selection based on modified binary PSO with mutation and its application in chemical process fault diagnosis
Braik et al. A comparison between GAs and PSO in training ANN to model the TE chemical process reactor
Suresh et al. An integrated approach using IF-TOPSIS, fuzzy DEMATEL, and enhanced CSA optimized ANFIS for software risk prediction
Xu et al. Direct adaptive control: an echo state network and genetic algorithm approach
He et al. Prediction of mechanical properties of hot rolled strips with generalized RBFNN and composite expectile regression
Weng et al. Application of regularized extreme learning machine based on BIC criterion and genetic algorithm in iron ore price forecasting
Khrakhuean et al. Real-time induction motor health index prediction in a petrochemical plant using machine learning
Bashir et al. Short-term load forecasting using artificial neural network based on particle swarm optimization algorithm
Mendes et al. Automatic extraction of the fuzzy control system for industrial processes

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