CN111947795B - 一种变压器过热预警方法 - Google Patents

一种变压器过热预警方法 Download PDF

Info

Publication number
CN111947795B
CN111947795B CN202010830800.1A CN202010830800A CN111947795B CN 111947795 B CN111947795 B CN 111947795B CN 202010830800 A CN202010830800 A CN 202010830800A CN 111947795 B CN111947795 B CN 111947795B
Authority
CN
China
Prior art keywords
transformer
predicted
target
temperature
load data
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
Application number
CN202010830800.1A
Other languages
English (en)
Other versions
CN111947795A (zh
Inventor
孔令明
王红斌
栾乐
许中
肖天为
杨柳
郭倩雯
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202010830800.1A priority Critical patent/CN111947795B/zh
Publication of CN111947795A publication Critical patent/CN111947795A/zh
Application granted granted Critical
Publication of CN111947795B publication Critical patent/CN111947795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02—Means for indicating or recording specially adapted for thermometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Protection Of Transformers (AREA)

Abstract

本申请公开了一种变压器过热预警方法，包括：获取目标变压器对应的台区在未来指定时间内的预测负荷数据；获取所述台区在所述未来指定时间内的预测环境温度；根据所述预测负荷数据与所述预测环境温度，通过所述目标变压器的热路模型，计算所述目标变压器在所述未来指定时间内的预测热点温度；根据所述预测热点温度与所述目标变压器的预设温度阈值，对所述目标变压器进行过热预警。本申请公开的变压器过热预警方法，解决了目前无法有效预防配电变压器过热的技术问题。

Description

一种变压器过热预警方法
技术领域
本申请涉及设备运营技术领域，尤其涉及一种变压器过热预警方法。
背景技术
配电变压器是配电网系统的核心设备，保障其稳定运行对于提高配电系统的稳定性与可靠性具有重大意义。
热性故障是配电变压器最主要的故障。在配电变压器的运行过程中，绕组将发热升温，而绕组某段所能达到的最高温度可以称为热点温度。当该热点温度达到一定限值时，配电变压器将由于过热而发生绝缘老化、绕组烧毁甚至引发火灾等事故，存在极大的安全隐患，因此有必要对配电变压器进行过热预警，以在事故发生前采取相应的措施。
发明内容
本申请提供了一种变压器过热预警方法，解决了目前无法有效预防配电变压器过热的技术问题。
有鉴于此，本申请提供了一种变压器过热预警方法，包括：
获取目标变压器对应的台区在未来指定时间内的预测负荷数据；
获取所述台区在所述未来指定时间内的预测环境温度；
根据所述预测负荷数据与所述预测环境温度，通过所述目标变压器的热路模型，计算所述目标变压器在所述未来指定时间内的预测热点温度；
根据所述预测热点温度与所述目标变压器的预设温度阈值，对所述目标变压器进行过热预警。
可选的，所述热路模型包括第一热路子模型与第二热路子模型，其中，所述第一热路子模型为外部环境与变压器顶层油之间的热路模型，所述第二热路子模型为变压器顶层油与变压器绕组之间的热路模型；
所述根据所述预测负荷数据与所述预测环境温度，通过所述目标变压器的热路模型，计算所述目标变压器在所述未来指定时间内的预测热点温度，包括：
根据所述预测负荷数据与所述预测环境温度，通过所述第一热路子模型，计算所述目标变压器的预测顶层油温；
根据所述预测负荷数据与所述预测顶层油温，通过所述第二热路子模型，计算所述目标变压器在所述未来指定时间内的预测热点温度。
可选的，所述第一热路子模型包括：
第一输入源，用于表征所述目标变压器的铁耗；第二输入源，用于表征所述目标变压器的铜耗；第三输入源，用于表征外部的环境温度；第一电容，用于表征所述目标变压器的变压器油热容；第一热阻，用于表征所述目标变压器的变压器油热阻；第二热阻，用于表征所述目标变压器的箱体表面热阻。
可选的，所述第二热路子模型包括：
第二输入源，用于表征所述目标变压器的铜耗；第四输入源，用于表征所述目标变压器的顶层油温；第二电容，用于表征所述目标变压器的绕组热容；第一热阻，用于表征所述目标变压器的变压器油热阻；第三热阻，用于表征所述目标变压器的绕组热阻。
可选的，所述获取目标变压器对应的台区在未来指定时间内的预测负荷数据，包括：
通过预先训练好的目标神经网络模型，计算目标变压器对应的台区在未来指定时间内的预测负荷数据。
可选的，所述目标神经网络模型是以所述台区的历史负荷数据为训练样本，对原始神经网络模型进行训练得到的；
在将所述历史负荷数据输入所述原始神经网络模型之前，所述方法还包括：
对所述历史负荷数据中的冗余数据进行删除，并填补所述历史负荷数据中缺失的数据。
可选的，所述填补所述历史负荷数据中缺失的数据，包括：
若所述缺失的数据的时间跨度在预设间隔内，通过插值法对所述缺失的数据进行填补；
若所述缺失的数据的时间跨度超出所述预设间隔，利用相同时间的临近日的数据对所述缺失的数据进行填补。
可选的，所述目标神经网络模型的输入包括：前N个时刻的负荷值、下一时刻对应的月相同时刻负荷均值以及周相同时刻负荷均值，所述N为任一大于0的自然数。
可选的，所述预设温度阈值包括温度告警值与温度危险值；
所述根据所述预测热点温度与所述目标变压器的预设温度阈值，对所述目标变压器进行过热预警，包括：
若所述预测热点温度高于所述温度告警值，发出所述目标变压器对应的注意信号；
若所述预测热点温度高于所述温度危险值，生成所述目标变压器对应的处理任务。
可选的，所述预设温度阈值是根据所述目标变压器的型号与容量预先设定的。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例提供了一种变压器过热预警方法，包括：获取目标变压器对应的台区在未来指定时间内的预测负荷数据；获取该台区在未来指定时间内的预测环境温度；根据获取的预测负荷数据与预测环境温度，通过该目标变压器的热路模型，计算该目标变压器在未来指定时间内的预测热点温度；根据计算出的预测热点温度与该目标变压器的预设温度阈值，对该目标变压器进行过热预警。
本申请实施例提供的方法，通过预测出的未来的负荷数据以及未来的环境温度，通过预先建立的目标变压器的热路模型，预测出该目标变压器未来的热点温度，从而可以提前判断出目标变压器在未来是否会过热，若判断结果为会发生过热，则可提前对该目标变压器采取相应措施，以防止该过热事件的发生，降低了配电网的故障率，大大提高了配电网运行的可靠性。并且，本申请实施例提供的方法，无需对原有的配电变压器进行改造，实用性强且操作简单，易于大范围推广。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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它的附图。
图1为本申请实施例一所提供的变压器过热预警方法的流程图。
图2是本申请实施例提供的第一热路子模型的等效电路图。
图3是本申请实施例提供的第二热路子模型的等效电路图。
图4为本申请实施例二所提供的变压器过热预警方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
配电变压器是配电网系统的核心设备，保障其稳定运行对于提高配电系统的稳定性与可靠性具有重大意义。
热性故障是配电变压器最主要的故障。在配电变压器的运行过程中，绕组将发热升温，而绕组某段所能达到的最高温度可以称为热点温度。当该热点温度达到一定限值时，配电变压器将由于过热而发生绝缘老化、绕组烧毁甚至引发火灾等事故，存在极大的安全隐患。
绕组的热点温度产生的机理复杂且位置有不确定性，实时获取难度较大。在一种实施方式中，可以通过直接测量法确定热点温度。直接测量法，即可以通过在变压器中内置热电偶、光纤等作为温度传感器，以实时监测变压器内部各点的温度。直接测量法虽然灵敏度较高，但是需要对原有的配电变压器进行改造，需要相当高的改造成本。
而本申请实施例提供了一种变压器过热预警方法，解决了目前无法有效预防配电变压器过热的技术问题，且不需要对配电变压器进行改造。
请参阅图1，图1为本申请实施例一所提供的变压器过热预警方法的流程图。该方法包括：
步骤101、获取目标变压器对应的台区在未来指定时间内的预测负荷数据。
目标变压器对应的台区可以是该目标变压器的供电范围或供电区域。未来指定时间内的预测负荷数据可以是未来某一时刻的预测负荷数据，比如下一时刻负荷预测值，还可以是未来某一时间段内的预测负荷数据，比如未来24小时的负荷预测值。
预测负荷数据的获取方法有多种，在一种实施方式中，比如可以直接将同期的负荷数据作为预测值，比如要预测明天12点的负荷值，若明天是周一，则可以将上周一12点的负荷值直接作为明天12点的预测负荷值。在另一种实施方式中，可以通过预先训练好的目标神经网络模型，计算目标变压器对应的台区在未来指定时间内的预测负荷数据。
目标神经网络模型可以预先以历史负荷数据作为训练样本对原始神经网络模型进行训练得到。具体的，考虑到当需要对未来多个时刻的负荷值进行预测是时间序列预测问题，因此，神经网络模型可以采用LSTM模型，即长短期时间记忆模型。
在利用历史负荷数据对原始神经网络模型进行训练之前，考虑到历史负荷数据中可能存在冗余、缺失等问题，因此可以对历史负荷数据进行预处理，即对冗余数据以及所缺失的数据进行预处理。
具体的，对历史负荷数据中的冗余数据，可以进行删除，而对历史负荷数据中缺失的数据，可以进行填补。而具体填补时，针对所缺失的数据不同可以采用不同的填补方式。
可以先确定缺失的数据的时间跨度。比如从12:00至14:00的历史负荷数据均缺失，则可以确定该段缺失的数据的时间跨度是2小时。根据所缺失的数据的时间跨度与预设间隔进行判断，若缺失的数据的时间跨度在预设间隔内，通过插值法对缺失的数据进行填补，若缺失的数据的时间跨度超出预设间隔，利用相同时间的临近日的数据对缺失的数据进行填补。比如，预设间隔可以是3小时，若缺失的数据的时间跨度是2小时，则通过插值法进行数据填补，若缺失的数据的时间跨度是4小时，则采用相同时间的临近日的数据进行填补。对于相同时间的临近日，比如所缺失的数据是昨天12:00至16:00的负荷数据，则可以利用前天12:00至16:00的负荷数据进行数据填补。
预处理后的历史负荷数据可以用于建立数据集。数据集可以包括训练数据集与评估数据集。为了考虑负荷的月周期性与周周期性，可以对历史负荷数据进行特征量提取。具体的，若要预测的负荷数据包括下一时刻的负荷数据，则用于预测的历史负荷数据可以包括前N个时刻的负荷值、下一时刻对应的月相同时刻负荷均值以及周相同时刻负荷均值(N为任一大于0的自然数)。
举个例子，若要预测2018年12月1日0时的负荷值，则用于预测的历史负荷数据可以包括0时前N个时刻的负荷值，月负荷均值为12月1日前30天0时的负荷均值，周负荷均值为12月1日前7日0时的负荷均值。
对于LSTM模型，其可以包括单个神经元的输入层，两个具有50个LSTM存储单元的隐藏层，以及具有单值预测的输出层。LSTM的存储单元可以采用默认的激活函数sigmoid，第二层隐藏层可以使用Dropout改进过拟合。
利用预先训练好的目标神经网络模型，通过将最新的历史负荷数据输入该目标神经网络模型，则可以得到该目标神经网络模型输出的未来指定时间内的预测负荷数据。
步骤102、获取该台区在未来指定时间内的预测环境温度。
预测环境温度可以根据环境温度的预测模型进行预测得到的，也可以从第三方平台中获取，该第三方平台可以是气象单位所属的平台。
步骤103、根据获取的预测负荷数据与预测环境温度，通过目标变压器的热路模型，计算目标变压器在未来指定时间内的预测热点温度。
在一种实施方式中，获取的预测负荷数据与预测环境温度可以导入目标变压器的热路模型，从而计算出目标变压器在未来指定时间内的预测热点温度。
目标变压器的热路模型可以包括第一热路子模型与第二热路子模型。其中，第一热路子模型可以是外部环境与变压器顶层油之间的热路模型，第二热路子模型可以是变压器顶层油与变压器绕组之间的热路模型。
具体的，在建立目标变压器的热路模型之前，可以先获取目标变压器的指定信息。该指定信息可以包括以下一种或多种：电压等级、型号、容量、冷却方式以及多种设计参数。
多种设计参数可以包括以下一种或多种：铁芯和线圈的质量、油箱与附件的质量、油的质量、线圈质量、额定负载下变压器高于环境温度的平均油温升、额定负载下变压器热点对顶油的温度梯度、额定损耗下变压器顶层油温升、额定负载损耗、空载损耗、导体材料的比热容。
根据获取的目标变压器的指定信息，可以计算热路模型的参数。这些参数可以包括以下一种或多种：常数、绕组指数、油时间常数、绕组时间常数、额定负载损耗与空载损耗的比值、额定负载下变压器热点对顶油的温度梯度、额定损耗下变压器顶油温升。其中，额定负载下变压器热点对顶油的温度梯度与额定损耗下变压器顶油温升可以从变压器的出厂试验数据中获取。
在一种实施方式中，第一热路子模型可以参见图2，图2是本申请实施例提供的第一热路子模型的等效电路图，第二热路子模型可以参见图3，图3是本申请实施例提供的第二热路子模型的等效电路图。
如图2所示，第一热路子模型可以包括：第一输入源qfe，用于表征目标变压器的铁耗；第二输入源qcu，用于表征目标变压器的铜耗；第三输入源θamb，用于表征外部的环境温度；第一电容Coil，用于表征目标变压器的变压器油热容；第一热阻Roil，用于表征目标变压器的变压器油热阻；第二热阻Rface，用于表征目标变压器的箱体表面热阻。
如图3所示，第二热路子模型可以包括：第二输入源qcu，用于表征目标变压器的铜耗；第四输入源θtop-oil，用于表征目标变压器的顶层油温；第二电容Chs，用于表征目标变压器的绕组热容；第一热阻Roil，用于表征目标变压器的变压器油热阻；第三热阻Rw，用于表征目标变压器的绕组热阻。
在建立第一热路子模型和第二热路子模型后，可以根据预测负荷数据与预测环境温度，通过第一热路子模型，计算目标变压器的预测顶层油温。再可以根据预测负荷数据与预测顶层油温，通过所述第二热路子模型，计算目标变压器在未来指定时间内的预测热点温度。
步骤104、根据计算出的预测热点温度与目标变压器的预设温度阈值，对目标变压器进行过热预警。
在一种实施方式中，预设温度阈值可以包括温度告警值与温度危险值。预设温度阈值可以根据目标变压器的型号与容量预先设定的。比如，在一个例子中，根据目标变压器的型号与容量等信息，可以设定该目标变压器的温度告警值为120℃与温度危险值为140℃。
若预测热点温度高于温度告警值，可以发出目标变压器对应的注意信号，比如通过可以某种形式(如亮起某种颜色的灯光、发出某种声音)提醒工作人员对该目标变压器给予更多的注意。若预测热点温度高于温度危险值，可以生成目标变压器对应的处理任务，也可以发出危险信号，使工作人员能够及时对该目标变压器采取相应措施。
本申请实施例提供的方法，通过预测出的未来的负荷数据以及未来的环境温度，通过预先建立的目标变压器的热路模型，预测出该目标变压器未来的热点温度，从而可以提前判断出目标变压器在未来是否会过热，若判断结果为会发生过热，则可提前对该目标变压器采取相应措施，以防止该过热事件的发生，降低了配电网的故障率，大大提高了配电网运行的可靠性。并且，本申请实施例提供的方法，无需对原有的配电变压器进行改造，实用性强且操作简单，易于大范围推广。
以上为本申请实施例一所提供的变压器过热预警方法的说明。下面请参考图4，图4为本申请实施例二所提供的变压器过热预警方法的流程图，该方法包括：
步骤401、通过预先训练好的目标神经网络模型，计算目标变压器对应的台区在未来指定时间内的预测负荷数据。
步骤402、获取上述台区在未来指定时间内的预测环境温度。
步骤403、根据预测负荷数据与预测环境温度，通过第一热路子模型，计算目标变压器的预测顶层油温。
步骤404、根据预测负荷数据与预测顶层油温，通过第二热路子模型，计算目标变压器在未来指定时间内的预测热点温度。
步骤405A、若预测热点温度高于温度告警值，发出目标变压器对应的注意信号。
步骤405B、若预测热点温度高于温度危险值，生成目标变压器对应的处理任务。
以上步骤的具体实现在前一实施例中已有相关说明，在此不再赘述。
本申请实施例提供的方法，通过预测出的未来的负荷数据以及未来的环境温度，通过预先建立的目标变压器的热路模型，预测出该目标变压器未来的热点温度，从而可以提前判断出目标变压器在未来是否会过热，若判断结果为会发生过热，则可提前对该目标变压器采取相应措施，以防止该过热事件的发生，降低了配电网的故障率，大大提高了配电网运行的可靠性。并且，本申请实施例提供的方法，无需对原有的配电变压器进行改造，实用性强且操作简单，易于大范围推广。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请实施例技术方案的精神和范围。

Claims (8)

1.一种变压器过热预警方法，其特征在于，包括：
获取目标变压器对应的台区在未来指定时间内的预测负荷数据；
获取所述台区在所述未来指定时间内的预测环境温度，所述预测环境温度是根据环境温度的预测模型进行预测得到的；
根据所述预测负荷数据与所述预测环境温度，通过所述目标变压器的热路模型，计算所述目标变压器在所述未来指定时间内的预测热点温度；
根据所述预测热点温度与所述目标变压器的预设温度阈值，对所述目标变压器进行过热预警；
获取目标变压器对应的台区在未来指定时间内的预测负荷数据，包括：
通过预先训练好的目标神经网络模型，根据最新的历史负荷数据，计算目标变压器对应的台区在未来指定时间内的预测负荷数据，所述预测负荷数据包括：下一时刻的负荷数据，所述历史负荷数据包括：前N个时刻的负荷值、下一时刻对应的月相同时刻负荷均值以及周相同时刻负荷均值，所述N为任一大于0的自然数。
2.根据权利要求1所述的变压器过热预警方法，其特征在于，所述热路模型包括第一热路子模型与第二热路子模型，其中，所述第一热路子模型为外部环境与变压器顶层油之间的热路模型，所述第二热路子模型为变压器顶层油与变压器绕组之间的热路模型；
所述根据所述预测负荷数据与所述预测环境温度，通过所述目标变压器的热路模型，计算所述目标变压器在所述未来指定时间内的预测热点温度，包括：
根据所述预测负荷数据与所述预测环境温度，通过所述第一热路子模型，计算所述目标变压器的预测顶层油温；
根据所述预测负荷数据与所述预测顶层油温，通过所述第二热路子模型，计算所述目标变压器在所述未来指定时间内的预测热点温度。
3.根据权利要求2所述的变压器过热预警方法，其特征在于，所述第一热路子模型包括：
第一输入源，用于表征所述目标变压器的铁耗；第二输入源，用于表征所述目标变压器的铜耗；第三输入源，用于表征外部的环境温度；第一电容，用于表征所述目标变压器的变压器油热容；第一热阻，用于表征所述目标变压器的变压器油热阻；第二热阻，用于表征所述目标变压器的箱体表面热阻。
4.根据权利要求2所述的变压器过热预警方法，其特征在于，所述第二热路子模型包括：
第二输入源，用于表征所述目标变压器的铜耗；第四输入源，用于表征所述目标变压器的顶层油温；第二电容，用于表征所述目标变压器的绕组热容；第一热阻，用于表征所述目标变压器的变压器油热阻；第三热阻，用于表征所述目标变压器的绕组热阻。
5.根据权利要求1所述的变压器过热预警方法，其特征在于，所述目标神经网络模型是以所述台区的历史负荷数据为训练样本，对原始神经网络模型进行训练得到的；
在将所述历史负荷数据输入所述原始神经网络模型之前，所述方法还包括：
对所述历史负荷数据中的冗余数据进行删除，并填补所述历史负荷数据中缺失的数据。
6.根据权利要求5所述的变压器过热预警方法，其特征在于，所述填补所述历史负荷数据中缺失的数据，包括：
若所述缺失的数据的时间跨度在预设间隔内，通过插值法对所述缺失的数据进行填补；
若所述缺失的数据的时间跨度超出所述预设间隔，利用相同时间的临近日的数据对所述缺失的数据进行填补。
7.根据权利要求1所述的变压器过热预警方法，其特征在于，所述预设温度阈值包括温度告警值与温度危险值；
所述根据所述预测热点温度与所述目标变压器的预设温度阈值，对所述目标变压器进行过热预警，包括：
若所述预测热点温度高于所述温度告警值，发出所述目标变压器对应的注意信号；
若所述预测热点温度高于所述温度危险值，生成所述目标变压器对应的处理任务。
8.根据权利要求1所述的变压器过热预警方法，其特征在于，所述预设温度阈值是根据所述目标变压器的型号与容量预先设定的。
CN202010830800.1A 2020-08-18 2020-08-18 一种变压器过热预警方法 Active CN111947795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010830800.1A CN111947795B (zh) 2020-08-18 2020-08-18 一种变压器过热预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010830800.1A CN111947795B (zh) 2020-08-18 2020-08-18 一种变压器过热预警方法

Publications (2)

Publication Number Publication Date
CN111947795A CN111947795A (zh) 2020-11-17
CN111947795B true CN111947795B (zh) 2022-07-12

Family

ID=73342749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010830800.1A Active CN111947795B (zh) 2020-08-18 2020-08-18 一种变压器过热预警方法

Country Status (1)

Country Link
CN (1) CN111947795B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489402A (zh) * 2020-11-27 2021-03-12 罗普特科技集团股份有限公司 一种管廊的预警方法、装置、系统及存储介质
CN112598248B (zh) * 2020-12-16 2023-03-28 广东电网有限责任公司广州供电局 负荷预测方法、装置、计算机设备和存储介质
CN112966867B (zh) * 2021-03-11 2023-04-28 山东德佑电气股份有限公司 基于pso-bp神经网络和四分位法的变压器预警方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101614775A (zh) * 2009-07-15 2009-12-30 河北科技大学 基于多源信息融合的变压器状态评估系统及其评估方法
CN103235973A (zh) * 2013-04-16 2013-08-07 郑州航空工业管理学院 一种基于径向基神经网络的变压器故障诊断方法
WO2015027127A1 (en) * 2013-08-23 2015-02-26 Abb Inc. Oil-immersed transformed thermal monitoring and prediction system
CN110991011A (zh) * 2019-11-14 2020-04-10 广东电网有限责任公司 一种变压器实时热点温度预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101499300B1 (ko) * 2012-12-28 2015-03-05 주식회사 효성 변압기의 핫스팟 온도 예측산출 방법 및 장치
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
CN107063502B (zh) * 2017-04-17 2019-09-13 海南电网有限责任公司电力科学研究院 一种基于多参量融合的油浸式变压器热点温度估算方法
CN108120521B (zh) * 2017-12-08 2020-06-26 囯网河北省电力有限公司电力科学研究院 变压器绕组热点温度预测方法及终端设备
CN110007182B (zh) * 2019-03-22 2024-04-16 中国电力科学研究院有限公司 一种配电变压器的健康状态预警方法及装置
CN111461922B (zh) * 2020-04-02 2023-04-21 国网冀北电力有限公司唐山供电公司 一种基于极限学习机的变压器热点温度实时预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101614775A (zh) * 2009-07-15 2009-12-30 河北科技大学 基于多源信息融合的变压器状态评估系统及其评估方法
CN103235973A (zh) * 2013-04-16 2013-08-07 郑州航空工业管理学院 一种基于径向基神经网络的变压器故障诊断方法
WO2015027127A1 (en) * 2013-08-23 2015-02-26 Abb Inc. Oil-immersed transformed thermal monitoring and prediction system
CN110991011A (zh) * 2019-11-14 2020-04-10 广东电网有限责任公司 一种变压器实时热点温度预测方法

Also Published As

Publication number Publication date
CN111947795A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN111947795B (zh) 一种变压器过热预警方法
US20210241126A1 (en) Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network
US9846839B2 (en) Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
US20180189662A1 (en) Systems and Methods for Automatic Real-Time Capacity Assessment for Use in Real-Time Power Analytics of an Electrical Power Distribution System
US8229722B2 (en) Electrical power system modeling, design, analysis, and reporting via a client-server application framework
CA2655630C (en) Systems and methods for real-time dynamic simulation of uninterruptible power supply solutions and their control logic systems
He et al. A hybrid conditions-dependent outage model of a transformer in reliability evaluation
CN108110893A (zh) 一种输配协同的电网故障等级自动识别方法
Villacci et al. The role of learning methods in the dynamic assessment of power components loading capability
CN112580187B (zh) 干式变压器过热预警方法、装置、计算机设备、存储介质
Jardini et al. Power transformer temperature evaluation for overloading conditions
Kezunovic et al. Off the beaten path: Resiliency and associated risk
Kumar et al. Evaluation of power capacity availability at load bus in a composite power system
Kazmi et al. Offshore windfarm design optimization using dynamic rating for transmission components
CN112036682A (zh) 一种频繁停电的预警方法及装置
CN110262313B (zh) 基于物联网技术的电力物资关键点远程监测系统
CN116566056A (zh) 轨道交通牵引供电系统的能量管理分析系统
CN115575750A (zh) 一种油浸式变压器过负荷监测方法及相关设备
Tippannavar et al. Smart Transformer-An Analysis of Recent Technologies for Monitoring Transformer
Mariut et al. Enhancing reliability for medium voltage underground power lines
Djamali Thermal monitoring of power transformers
Call et al. Real-time reliability-based dynamic line rating system for transmission asset optimization
CN113592126B (zh) 一种基于高、中压配电网网架结构的协调评估方法及系统
CN110503311B (zh) 变电设备负荷能力评估方法、系统及可读存储介质
Zhang et al. Dynamic thermal rating assessment of oil‐immersed power transformers for multiple operating conditions

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