CN111460610A - 一种换流阀tvm板发热预测方法、系统、装置及介质 - Google Patents

Abstract

本发明公开一种换流阀TVM板发热预测方法、系统、装置及介质，涉及直流输电控制保护领域，按照预设的时间间隔获取阀厅区域内的TVM板温度数据模型；按照预设的时间间隔获取阀厅区域内的筛选模型，采用数据关联性分析筛选模型，并建立温度预测模型；将温度预测模型划分为训练数据集以及验证数据集，训练温度预测模型；结合TVM板温度数据模型对温度预测模型进行分析判断，正常情况下则持续运行监控，处于异常情况则发出异常告警。本发明的有益效果是：通过对TVM板发热进行预测，可以在TVM板温度不高时，提前发现TVM板的异常发热，提前发现设备隐患并消除，减少直流输电系统故障的风险。

Description

一种换流阀TVM板发热预测方法、系统、装置及介质

技术领域

本发明涉及直流输电控制保护领域，尤其涉及一种换流阀TVM板发热预测方法、系统、装置及介质。

背景技术

换流阀是直流输电的关键设备，在直流输电工程中，它除了具有整流和逆变的功能外，在整流站中还具有开关的功能，可利用其快速可控的特性对直流输电的起动和停运进行快速操作。换流阀的基本组成单位为可控硅元件，每个可控硅元件对应一个TVM板。TVM板在晶闸管阀内一方面承担晶闸管的直流均压，另一方面监测晶闸管两端的电压，产生相关的回检信号，送往VBE。与可控硅元件并联的直流分压电阻也安装在TVM板上，在日常运维过程中，TVM板通流会发热，加上直流分压电阻的发热，导致TVM板发热问题比较明显。

由于换流阀设备长期不间断带电运行，TVM板发热温度最高能够达到130℃。为防止设备发热造成元件损坏、甚至烧毁，有必要对换流阀TVM板进行发热预测，但现今仍未出现此类技术，令到直流输电系统故障的风险增大。

发明内容

针对上述问题，本发明提出一种换流阀TVM板发热预测方法、系统、装置及介质，主要解决TVM板发热情况难以预测的问题。

为解决上述技术问题，本发明的技术方案如下：

提出一种换流阀TVM板发热预测方法，

按照预设的时间间隔获取阀厅区域内的TVM板温度数据模型；

按照预设的时间间隔获取阀厅区域内的筛选模型，采用数据关联性分析筛选模型，并建立温度预测模型；

将温度预测模型划分为训练数据集以及验证数据集，训练温度预测模型；

结合TVM板温度数据模型对温度预测模型进行分析判断，正常情况下则持续运行监控，处于异常情况则发出异常告警。

在一些实施方式中，TVM板温度数据模型包括TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率。

在一些实施方式中，筛选模型包括TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率。

在一些实施方式中，温度预测模型的训练方法基于LSTM深度学习模型结构。

在一些实施方式中，温度预测模型的训练方法具体包括以下步骤：

步骤一，获取温度预测模型，进行步骤二或跳到步骤六；

步骤二，对温度预测模型进行归一化处理；

步骤三，初始化网络，设定随机初始权值和阈值；

步骤四，前向计算f(x)＝(w·x+b),并计算预测误差e＝f(x)-y；f(x)为预测值，y为实际值,x为本次模型的变量：阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率；w为权重，b为偏置；e为误差值；

步骤五，判断e＜ε是否成立，是则由此获取初始化参数，否则根据梯度下降法更新w/b，并重新返回步骤三；ε为设定的均方误差；

步骤六，对初始化参数进行BP神经网络训练，优化权重和偏置。

在一些实施方式中，结合TVM板温度数据模型对温度预测模型进行分析判断具体包括以下步骤：

对TVM板温度数据模型进行分析，获取当前温度曲线斜率，对温度预测模型进行分析，获取标准温度曲线斜率；

当前温度曲线斜率与标准温度曲线斜率作乘法，若结果连续三次出现不大于0的情况，累计负告警一次，考虑数据的差异性，若连续负告警三次，输出总负告警，并判断TVM板被击穿或损坏，否则持续运行监控；

当前温度曲线斜率与标准温度曲线斜率作减法，若结果连续三次处于最大值，正告警一次，考虑数据的差异性，正告警三次，输出总正告警，并判断TVM板正在发热恶化，否则持续运行监控。

在一些实施方式中，标准温度曲线斜率的具体获取方法为：根据总调下发次日的功率曲线，从温度预测模型中的大数据的算法推送关联点，预测出次日的温度参考曲线，由温度参考曲线获取标准温度曲线斜率。

在上述换流阀TVM板发热预测方法的基础上，还提出一种换流阀TVM板发热预测系统，

第一获取模块，用于按照预设的时间间隔获取阀厅区域内的TVM板温度数据模型；

第二获取模块，用于按照预设的时间间隔获取阀厅区域内的筛选模型，

第一处理模块，用于采用数据关联性分析筛选模型，并建立温度预测模型；

第二处理模块，用于将温度预测模型划分为训练数据集以及验证数据集，训练温度预测模型；

告警模块，用于结合TVM板温度数据模型对温度预测模型进行分析判断，正常情况下则持续运行监控，处于异常情况则发出异常告警。

在上述换流阀TVM板发热预测方法的基础上，还提出一种换流阀TVM板发热预测装置，装置包括存储器和处理器，其中，

存储器用于存储可执行程序代码；

处理器与存储器耦合；

处理器调用存储器中存储的可执行程序代码，执行上述的换流阀TVM板发热预测方法。

在上述换流阀TVM板发热预测方法的基础上，还提出一种计算机可存储介质，计算机存储介质存储有计算机指令，计算机指令被调用时，用于执行上述的换流阀TVM板发热预测方法。

本发明的有益效果为：

1.本发明通过对TVM板发热进行预测，可以在TVM板温度不高时，提前发现TVM板的异常发热，提前发现设备隐患并消除，减少直流输电系统故障的风险。

2.本发明通过对比TVM板发热曲线，可以发现TVM板由于故障等原因导致不发热的情况，填补了阀厅红外测温系统只能发现TVM板温度过高的缺陷。

附图说明

图1为本发明实施例一中换流阀TVM板发热预测方法的流程图；

图2为本发明实施例二中换流阀TVM板发热预测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，下面结合附图和具体实施方式对本发明的内容做进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

实施例一

如图1所示,本实施例提出了一种换流阀TVM板发热预测方法，

S101，按照预设的时间间隔获取阀厅区域内的TVM板温度数据模型；TVM板温度数据模型包括TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率。预设的时间间隔一般为1小时，但可以根据实际情况进行调整。

S102，按照预设的时间间隔获取阀厅区域内的筛选模型，采用数据关联性分析筛选模型，并建立温度预测模型；筛选模型包括TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率。

S103，将温度预测模型划分为训练数据集以及验证数据集，训练温度预测模型；温度预测模型的训练方法基于LSTM深度学习模型结构。

需要说明的是，虽然TVM板温度数据模型和筛选模型采用的是同样的数据，但是两者并非是同一个概念，实际运算也不相同。

在上述基础上，温度预测模型的训练方法具体包括以下步骤：

步骤一，获取温度预测模型，进行步骤二或跳到步骤六；

步骤二，对温度预测模型进行归一化处理；

步骤三，初始化网络，设定随机初始权值和阈值；

步骤四，前向计算f(x)＝(w·x+b),并计算预测误差e＝f(x)-y；f(x)为预测值，y为实际值,x为本次模型的变量：阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率；w为权重，b为偏置；e为误差值；

步骤五，判断e＜ε是否成立，是则由此获取初始化参数，否则根据梯度下降法更新w/b，并重新返回步骤三；ε为设定的均方误差；

步骤六，对初始化参数进行BP神经网络训练，优化权重和偏置。

S104，结合TVM板温度数据模型对温度预测模型进行分析判断，正常情况下则持续运行监控，处于异常情况则发出异常告警。

本发明通过对TVM板发热进行预测，可以在TVM板温度不高时，提前发现TVM板的异常发热，提前发现设备隐患并消除，减少直流输电系统故障的风险。

S104中，结合TVM板温度数据模型对温度预测模型进行分析判断的具体流程包括以下步骤：

S1041，对TVM板温度数据模型进行分析，获取当前温度曲线斜率，对温度预测模型进行分析，获取标准温度曲线斜率；标准温度曲线斜率的具体获取方法为：根据总调下发次日的功率曲线，从温度预测模型中的大数据的算法推送关联点，预测出次日的温度参考曲线，由温度参考曲线获取标准温度曲线斜率。

S1042，在TVM板击穿或损坏的情况下，随着负荷的增加，呈现的结果反而是不发热或发热不明显，因此首先筛选实际斜率与标准斜率相乘不大于0的情况，当前温度曲线斜率与标准温度曲线斜率作乘法，若结果连续三次出现不大于0的情况，累计负告警一次，考虑数据的差异性，若连续负告警三次，输出总负告警，并判断TVM板被击穿或损坏，否则持续运行监控；

S1043，一般设备发热恶化的趋势是，随着负荷的升高，TVM板升温的幅度越来越大。当前温度曲线斜率与标准温度曲线斜率作减法，若结果连续三次处于最大值，累计正告警一次，考虑数据的差异性，若连续正告警三次，输出总正告警，并判断TVM板正在发热恶化，否则持续运行监控。

本发明通过对比TVM板发热曲线，可以发现TVM板由于故障等原因导致不发热的情况，填补了阀厅红外测温系统只能发现TVM板温度过高的缺陷。

在上述的基础上再提供一组具体的实施流程：假设影响TVM板温度的因素有以下几个：阀厅温度、阀厅湿度、直流负荷，当然还可以根据实际情况添加其他可测的物理量作为参考数据。

同一阀厅每座阀塔同一层架的TVM板外部的温湿度在一天中的相同时刻近似相同，因此选取同一天相同时刻的点进行分析，假设选定一天中24小时的整点作为参考点。另外，由于发热是一个持续的过程，因此选取的时间点为每小时一个点。对应S101，一个完整的TVM板温度数据模型点为T(TVM板温度、阀厅温度、阀厅湿度、直流功率)，对应S102，一个完整的筛选模型点为V(TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率)，假设T的测定时间为当天的12时，那么V的前一时间间隔的平均直流功率则为11时的平均直流功率。通过再阀厅内的TVM板附近安装温度湿度传感器，可以得到TVM板的温度湿度数据，更进一步地，TVM板的温度可通过阀厅设置的红外测温系统进行测量，阀厅湿度可通过站内装设的环境监控系统得到，而每个时间节点的直流功率可通过每天总调下发的直流功率曲线获知。

S103中，将温度预测模型划分2000组样本集，其中1500组作为训练数据集，500组作为验证数据集，训练TVM板温度预测模型。

1)基于LSTM深度学习模型结构：用于预测的LSTM由一个输入层、多个隐藏层和一个输出层构成。输入层和所有隐藏层共同构成LSTM模型，实现对输入数据的特征提取；最后一个隐藏层和输出层构成线性神经网络，作为网络的回归层，将LSTM提取的特征向量(state)作为输入，通过线性激活函数处理得到预测值。

2)训练流程：如上述的温度预测模型的训练方法的步骤一至六。

3)训练模型：LSTM神经网络基本的训练原理为：隐藏层之间存在循环连接，但读取整个序列后产生的单个输出的循环网络。对于LSTM模型预测误差的定义及权值调整，采用预测值和实际值的误差平方和作为预测模型的误差损失函数。

4)采用训练好的长短期记忆(LSTM)模型对TVM板温度进行预测，输入为系统当前时刻t的实时数据T(TVM板温度、阀厅温度、阀厅湿度、直流功率)，输出为t时刻的TVM板的温度预测模型，得到500组测试数据的预测值和实际值结果。

5)经验证，该温度预测模型均方误差在3.3％左右，该温度预测模型可以较好的实现TVM板温度预测。

因此，在总调下发第二天的功率曲线后，就可以从大数据的算法中推送相关联的点，再根据温度、湿度，就可以预测出一天的温度参考曲线，该温度曲线由24个点组成。以实际测到的TVM板温度数据生成的曲线斜率，与大数据算法得到的标准曲线斜率做对比，如表1所示。

表1当前温度曲线和标准温度曲线对比

选取的同一阀厅同一层架同一位置的6个TVM板参考点，由于温度、湿度接近，直流负荷相同，因此，在设备正常的情况下，其当前温度曲线和标准温度曲线的斜率是接近的，于S104步骤中，对异常温度进行预警。

实施例二

如图2所示,本实施例提出了一种换流阀TVM板发热预测系统，

第一获取模块，用于按照预设的时间间隔获取阀厅区域内的TVM板温度数据模型；

第二获取模块，用于按照预设的时间间隔获取阀厅区域内的筛选模型，

第一处理模块，用于采用数据关联性分析筛选模型，并建立温度预测模型；

第二处理模块，用于将温度预测模型划分为训练数据集以及验证数据集，训练温度预测模型；

告警模块，用于结合TVM板温度数据模型对温度预测模型进行分析判断，正常情况下则持续运行监控，处于异常情况则发出异常告警。

作为一种可选的实施方式，TVM板温度数据模型包括TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率。

作为一种可选的实施方式，筛选模型包括TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率。

作为一种可选的实施方式，温度预测模型的训练方法基于LSTM深度学习模型结构。

作为一种可选的实施方式，温度预测模型的训练方法具体包括以下步骤：

步骤一，获取温度预测模型，进行步骤二或跳到步骤六；

步骤二，对温度预测模型进行归一化处理；

步骤三，初始化网络，设定随机初始权值和阈值；

步骤四，前向计算f(x)＝(w·x+b),并计算预测误差e＝f(x)-y；f(x)为预测值，y为实际值,x为本次模型的变量：阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率；w为权重，b为偏置；e为误差值；

步骤五，判断e＜ε是否成立，是则由此获取初始化参数，否则根据梯度下降法更新w/b，并重新返回步骤三；ε为设定的均方误差；

步骤六，对初始化参数进行BP神经网络训练，对优化权重和偏置。

作为一种可选的实施方式，结合TVM板温度数据模型对温度预测模型进行分析判断具体包括以下步骤：

对TVM板温度数据模型进行分析，获取当前温度曲线斜率，对温度预测模型进行分析，获取标准温度曲线斜率；

当前温度曲线斜率与标准温度曲线斜率作乘法，若结果连续三次出现不大于0的情况，累计负告警一次，考虑数据的差异性，若连续负告警三次，输出总负告警，并判断TVM板被击穿或损坏，否则持续运行监控；

当前温度曲线斜率与标准温度曲线斜率作减法，若结果连续三次处于最大值，正告警一次，考虑数据的差异性，正告警三次，输出总正告警，并判断TVM板正在发热恶化，否则持续运行监控。

作为一种可选的实施方式，标准温度曲线斜率的具体获取方法为：根据总调下发次日的功率曲线，从温度预测模型中的大数据的算法推送关联点，预测出次日的温度参考曲线，由温度参考曲线获取标准温度曲线斜率。

实施例三

本实施例提出了一种换流阀TVM板发热预测装置，该装置包括存储器和处理器，其中，

存储器用于存储可执行程序代码；

处理器与所述存储器耦合；

处理器调用所述存储器中存储的所述可执行程序代码，执行实施例一中描述的换流阀TVM板发热预测方法。

实施例四

本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一中描述的换流阀TVM板发热预测方法中的步骤。

以上所描述的系统和装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种换流阀TVM板发热预测方法及系统所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离奔放各项实施例技术方案的精神和范围。

Claims (10)

1.一种换流阀TVM板发热预测方法，其特征在于，

按照预设的时间间隔获取阀厅区域内的TVM板温度数据模型；

按照预设的时间间隔获取阀厅区域内的筛选模型，采用数据关联性分析所述筛选模型，并建立温度预测模型；

将所述温度预测模型划分为训练数据集以及验证数据集，训练所述温度预测模型；

结合所述TVM板温度数据模型对所述温度预测模型进行分析判断，正常情况下则持续运行监控，处于异常情况则发出异常告警。

2.如权利要求1所述的换流阀TVM板发热预测方法，其特征在于，所述TVM板温度数据模型包括TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率。

3.如权利要求1所述的换流阀TVM板发热预测方法，其特征在于，所述筛选模型包括TVM板温度、阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率。

4.如权利要求1所述的换流阀TVM板发热预测方法，其特征在于，所述温度预测模型的训练方法基于LSTM深度学习模型结构。

5.如权利要求4所述的换流阀TVM板发热预测方法，其特征在于，所述温度预测模型的训练方法具体包括以下步骤：

步骤一，获取所述温度预测模型，进行步骤二或跳到步骤六；

步骤二，对所述温度预测模型进行归一化处理；

步骤三，初始化网络，设定随机初始权值和阈值；

步骤四，前向计算f(x)＝(w·x+b),并计算预测误差e＝f(x)-y，f(x)为预测值，y为实际值,x为本次模型的变量：阀厅温度、阀厅湿度、直流功率以及前一时间间隔的平均直流功率，w为权重，b为偏置，e为误差值；

步骤五，判断e＜ε是否成立，是则由此获取初始化参数，否则根据梯度下降法更新w/b，并重新返回步骤三；ε为设定的均方误差；

步骤六，对所述初始化参数进行BP神经网络训练，优化权重和偏置。

6.如权利要求1所述的换流阀TVM板发热预测方法，其特征在于，所述结合TVM板温度数据模型对温度预测模型进行分析判断的具体流程包括以下步骤：

对所述TVM板温度数据模型进行分析，获取当前温度曲线斜率，对所述温度预测模型进行分析，获取标准温度曲线斜率；

所述当前温度曲线斜率与标准温度曲线斜率作乘法，若结果连续三次出现不大于0的情况，累计负告警一次，考虑数据的差异性，若连续负告警三次，输出总负告警，并判断TVM板被击穿或损坏，否则持续运行监控；

所述当前温度曲线斜率与标准温度曲线斜率作减法，若结果连续三次处于最大值，累计正告警一次，考虑数据的差异性，若连续正告警三次，输出总正告警，并判断TVM板正在发热恶化，否则持续运行监控。

7.如权利要求6所述的换流阀TVM板发热预测方法，其特征在于，所述标准温度曲线斜率的具体获取方法为：根据总调下发次日的功率曲线，从所述温度预测模型中的大数据的算法推送关联点，预测出次日的温度参考曲线，由所述温度参考曲线获取所述标准温度曲线斜率。

8.一种换流阀TVM板发热预测系统，其特征在于，

第一获取模块，用于按照预设的时间间隔获取阀厅区域内的TVM板温度数据模型；

第二获取模块，用于按照预设的时间间隔获取阀厅区域内的筛选模型，

第一处理模块，用于采用数据关联性分析所述筛选模型，并建立温度预测模型；

第二处理模块，用于将所述温度预测模型划分为训练数据集以及验证数据集，训练所述温度预测模型；

告警模块，用于结合所述TVM板温度数据模型对所述温度预测模型进行分析判断，正常情况下则持续运行监控，处于异常情况则发出异常告警。

9.一种换流阀TVM板发热预测装置，其特征在于，所述装置包括存储器和处理器，其中，

所述存储器用于存储可执行程序代码；

所述处理器与所述存储器耦合；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的换流阀TVM板发热预测方法。

10.一种计算机可存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的换流阀TVM板发热预测方法。

Images