CN112036601B - 一种同步调相机油系统油温预测方法及系统 - Google Patents
一种同步调相机油系统油温预测方法及系统 Download PDFInfo
- Publication number
- CN112036601B CN112036601B CN202010714700.2A CN202010714700A CN112036601B CN 112036601 B CN112036601 B CN 112036601B CN 202010714700 A CN202010714700 A CN 202010714700A CN 112036601 B CN112036601 B CN 112036601B
- Authority
- CN
- China
- Prior art keywords
- day
- predicted
- days
- oil temperature
- correlation
- 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
Links
- 239000003921 oil Substances 0.000 title claims abstract description 193
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000010705 motor oil Substances 0.000 title claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000013213 extrapolation Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 91
- 101100170937 Mus musculus Dnmt1 gene Proteins 0.000 claims description 34
- 238000005286 illumination Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 30
- 239000010729 system oil Substances 0.000 claims description 21
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 claims description 19
- 101100261242 Mus musculus Trdmt1 gene Proteins 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 239000010721 machine oil Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000001153 interneuron Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种同步调相机油系统油温预测方法,属于同步调相机技术领域,主要包括以下步骤:(1)计算历史样本的综合相关度;(2)选择待预测日的同类日;(3)基于同类日外推加权计算待预测日同步调相机油系统的油温。该方法基于气象、时间和事件三种因素,计算得到了历史样本与待预测日的综合相关度,并根据综合相关度,从同步调相机实际油温和油温变化率两方面对待预测日的同类日进行了选择,同时分别利用神经网络和趋势变化法对油温进行了预测且基于相关度对两种预测结果进行了加权处理,有效保证了同步调相机油系统油温的预测精度,实现了同步调相机油系统油温的实时监控,为同步调相机安全运行提供了有力支撑。
Description
技术领域
本发明属于同步调相机技术领域,更具体地,涉及一种同步调相机油系统油温预测方法。
背景技术
常规直流输电技术中换流阀都采用半控型功率器件晶闸管,使得其运行时需要大量无功功率。另外,直流输电技术属于点对点输电且功率较大,一旦发生闭锁情况,逆变侧换流站将损失大量有功功率,为了保证电力系统电压稳定,必须短时提供大量无功支持,考虑到电容器和电抗器无功补偿响应速度较慢且需要的数量较多,国内创新提出采用同步调相机实现无功补偿的方案,例如现有技术文件1(胡泽春等.一种大型城市电网的类同步调相机的优选方法[P].CN107332232A,2017-11-07.)。
近两年来,随着直流输电工程的大力建设,同步调相机数量随之增加,但其运维技术还不够成熟,缺乏有效的设备状态在线评估手段。同步调相机作为大型旋转设备,旋转速度为3000r/min,高速旋转下为了实现定转子之间的润滑和绝缘,同步调相机都配备了专门的油系统。转子高速旋转,使得油系统油温升高,一旦油温过高,油系统难以实现润滑和绝缘作用,影响同步调相机的安全运行。
目前,同步调相机只具备油温在线监控功能,缺乏油温有效预测手段,例如,现有技术文件2(王安东等.一种同步调相机油系统的状态评价方法[P].CN110428151A,2019-11-08.)公开了一种同步调相机油系统的状态评价方法,但其无法提前掌握油温变化情况,而准确预测同步调相机油温,有利于及时掌握设备状态,为同步调相机检修及故障处理提供依据。为了解决上述问题,亟需研究一种同步调相机油系统油温预测方法。
发明内容
本发明的目的在于,为了克服现有技术中存在的不足,本发明提供了一种同步调相机油系统油温预测方法,该方法在充分考虑气象、时间和事件三种因素的基础上,基于同步调相机历史样本中实际油温和油温变化率两种方法对待预测日的同类日进行了选择,并根据同类日原理,分别利用神经网络和趋势变化法对油温进行了预测,最后基于相关度对两种方法预测的油温数据进行了加权处理,提高了同步调相机油系统油温的预测精度,为同步调相机安全稳定运行提供了重要支撑。
本发明采用如下的技术方案。一种同步调相机油系统油温预测方法,包括以下步骤:
步骤1,获取待预测日前N天的历史样本数据,包括:第i天第j时刻的气象数据、同步调相机油温数据Tij和同步调相机无功功率输出数据;获取待预测日当天的数据,包括:第j时刻的气象数据和同步调相机无功功率输出数据;其中N,i,j是正整数,1≤i≤N,i=1表示待预测日前一天,1≤j≤24;
步骤2,使用步骤1获取待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算待预测日前第i天与待预测日的第一综合相关度Com1i,并且使用步骤1获取待预测日前N天的历史样本数据计算同步调相机油温数据变化率结合待预测日前N天的历史样本数据和待预测日当天第j时刻的数据计算第二综合相关度Com2i;
步骤3,根据步骤2获得的Com1i选择m个第一同类日,根据Com2i选择n个第二同类日,其中m,n是正整数;
步骤4,使用步骤3选择的m个第一同类日的气象数据和同步调相机无功功率输出数据作为输入,同步调相机油温数据Tij作为输出,训练神经网络,将待预测日当天的气象数据和同步调相机无功功率输出数据代入训练完成会后的神经网络,计算第一待预测日第j时刻油温T10j;使用步骤3选择的n个第二同类日的样本数据以外推法计算第二待预测日第j时刻油温T20j;
步骤5,使用步骤4获得的T10j和T20j,以如下公式(1)计算待预测日当天第j时刻油温T0j,
式中:
wT1为第一待预测日第j时刻油温T10j的加权系数,
wT2为第二待预测日第j时刻油温T20j的加权系数。
优选地,步骤1中所述气象数据包括:温度、湿度、降雨、光照、风速和气压;
以如下公式(2)表示待预测日前第i天的气象因素向量,
式中:
i表示待预测日前第i天,1≤i≤N,
j表示第j时刻,1≤j≤24,
Wi,Si,Ji,Gi,Fi,Qi分别表示待预测日前第i天的温度向量、湿度向量、降雨向量、光照向量、风速向量和气压向量,
Wij,Sij,Jij,Gij,Fij,Qij分别表示待预测日前第i天第j时刻的温度、湿度、降雨、光照、风速和气压;
以如下公式(3)表示待预测日当天的气象因素向量,
式中:
0表示待预测日当天,
j表示第j时刻,1≤j≤24,
W0,S0,J0,G0,F0,Q0分别表示待预测日的温度向量、湿度向量、降雨向量、光照向量、风速向量和气压向量,
W0j,S0j,J0j,G0j,F0j,Q0j分别表示待预测日第j时刻的温度、湿度、降雨、光照、风速和气压;
步骤1中同步调相机无功功率输出数据包括:同步调相机无功功率输出时间和同步调相机输出无功功率平均值。
优选地,步骤2具体包括:
步骤2.1,使用步骤1获得的气象数据和同步调相机油温数据Tij,计算待预测日前第i天的气象因素与实际油温的相关度Met1i以及待预测日前第i天的气象因素与实际油温变化率的相关度Met2i;
步骤2.2,使用步骤1获得的历史样本的时间信息,计算待预测日前第i天与待预测日的时间因素相关度Timi
步骤2.3,使用步骤1获得的同步调相机无功功率输出数据,计算待预测日前第i天与待预测日的事件因素相关度Evei,
步骤2.4,使用如下公式(4)计算第一综合相关度Com1i和第二综合相关度Com2i,
式中:
i表示待预测日前第i天。
优选地,步骤2.1具体包括:
步骤2.1.1,计算Wi与W0的相关度RWi、Si与S0的相关度RSi、Ji与J0的相关度RJi、Gi与G0的相关度RGi、Fi与F0的相关度RFi、Qi与Q0的相关度RQi;
步骤2.1.2,以如下公式(5)计算待预测日前第i天的气象因素与实际油温的相关度Met1i以及待预测日前第i天的气象因素与实际油温变化率的相关度Met2i,
式中:
w1Wj,w1Sj,w1Jj,w1Gj,w1Fj,w1Qj分别表示第j时刻温度、湿度、降雨、光照、风速和气压的实际油温相关度加权系数;
w2Wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj分别表示第j时刻温度、湿度、降雨、光照、风速和气压的实际油温变化率相关度加权系数。
优选地,步骤2.1.1中,以如下公式(6)计算RWi,RSi,Rji,RGi,RFi,RQi,
式中:
RXi表示RWi,RSi,RJi,RGi,RFi,RQi,
Xij表示Wij,Sij,Jij,Gij,Fij,Qij,
X0j表示W0j,S0j,J0j,G0j,F0j,Q0j;
优选地,步骤2.1.2中,以如下公式(7)-(10)计算
w1Wj,w1Sj,w1jj,w1Gj,w1Fj,w1Qj,
以如下公式(7)表示待预测日前第i天第j时刻的气象综合因素Zij,
Zij=a·f(Wij)+b·f(Sij)+c·f(Jij)+d·f(Gij)+e·f(Fij)+f·f(Qij) (7)
式中:
a,b,c,d,e,f分别表示温度、湿度、降雨、光照、风速和气压的占比系数,
f()表示归一化函数;
以如下公式(8)表示第j时刻Zij与Tij的相关度RTSj,
以如下公式(9)获得RTSj取得最大值时对应的第一气象因素优占比系数a1j,b1j,c1j,d1j,e1j,f1j,
RTSj(a1j,b1j,c1j,d1j,e1j,f1j)=max[RTSj(a,b,c,d,e,f)] (9)
以如下公式(10)计算w1Wj,w1Sj,w1Jj,w1Gj,w1Fj,w1Qj,
式中:
j表示第j时刻,1≤j≤24。
优选地,步骤2.1.2中,以如下公式(11)-(13)计算
w2Wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj
以如下公式(11)计算待预测日前第i天第j时刻实际油温变化率
以如下公式(12)表示第j时刻气象综合因素和实际油温变化率的相关度RTFj,即Zij与的相关度RTFj,
以如下公式(13)获得RTFj取得最大值时对应的第二气象因素优占比系数a2j,b2j,c2j,d2j,e2j,f2j,
RTFj(a2j,b2j,c2j,d2j,e2j,f2j)=max[RTFj(a,b,c,d,e,f)] (13)
以如下公式(14)计算第j时刻温度、湿度、降雨、光照、风速和气压的实际油温变化率相关度加权系数w2Wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj,
式中:
j表示第j时刻,1≤j≤24。
优选地,步骤2.2中,以如下公式(15)计算待预测日前第i天与待预测日的时间因素相关度Timi:
式中:
kt1,kt2,kt3分别表示第一、第二、和第三时间系数,
表示向下取整符号。
优选地,步骤2.3中,以如下公式(16)计算待预测日前第i天与预测日的事件因素相关度Evei
式中:
ε1和ε2分别表示第一和第二事件系数,
Hmax表示同步调相机无功功率输出最大时间,
Pmax表示同步调相机最大输出无功功率,
hij表示待预测日前第i天第j时刻同步调相机无功功率输出时间,
pij表示待预测日前第i天第j时刻同步调相机输出无功功率平均值,
h0i表示待预测日第j时刻同步调相机无功功率输出时间,
p0j表示待预测日第j时刻同步调相机输出无功功率平均值。
优选地,步骤3具体包括:
步骤3.1,m=5,根据Com1i选择5个第一同类日,分别是待预测日前第α,β,γ,δ,η天;以Cmax1表示第一相关度阈值,如果满足公式(17),
Com1i≥Cmax1 (17)
则将待预测日前第i天选为第一类同类日,如果满足公式(17)的样本日小于5天时,在其余样本日中选择Met1i最高的几个样本日补足5个第一同类日;
步骤3.2,n=3,根据Com2i选择3个第二同类日,分别是待预测日前第o,p,q天;以Cmax2表示第二相关度阈值,如果满足公式(18)
Com2i≥Cmax2 (18)
则将待预测日前第i天选为第二类同类日,如果Com2i≥Cmax2的样本日小于3天时,在其余样本日中选择Met2i最高的几个样本日补足3个第一同类日。
优选地,历史样本量N=42,Cmax1≥0.65,Cmax2≥0.65
步骤3.1具体包括:
步骤3.1.1,观察历史样本中待预测日前14天,当14个历史样本中有大于等于7个样本日满足公式(17)时,则从14个历史样本中选择综合相关度Com1i最高的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7;
步骤3.1.2,当待预测日前14个历史样本中满足公式(17)的样本日小于7个时,则扩大历史样本数量,观察历史样本中待预测日前28天,当28个历史样本中有大于等于7个样本日满足公式(17)时,则从28个历史样本中选择综合相关度最高Com1i的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7;
步骤3.1.3,当待预测日前28个历史样本中满足公式(17)的样本日小于7个时,则继续扩大历史样本数量,观察历史样本中待预测日前42天,当42个历史样本中有大于等于7个样本日满足公式(17)时,则从42个历史样本中选择综合相关度最高Com1i的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7;
步骤3.1.4,当待预测日前42个历史样本中满足公式(17)的样本日小于7个但大于等于5个时,则从42个历史样本中选择综合相关度Com1i满足公式(17)的样本日作为待预测日的第一同类日,即第一同类日数量Num1=5或6;
步骤3.1.5,当待预测日前42个历史样本中满足公式(17)的样本日不足5个时,则从42个历史样本中选择综合相关度Com1i满足公式(17)的样本日、外加除去满足公式(17)的样本日后从剩余个样本中选择气象因素与实际油温的相关度Met1i最高的一个或多个样本日作为待预测日的第一同类日补足至5个,即第一同类日数量Num1=5;
步骤3.1.6,从Num1个样本日中,选择Met1i最高的5个第一同类日;
优选地,历史样本量N=42,Cmax1=0.65,Cmax2=0.65
步骤3.2具体包括:
步骤3.2.1,观察历史样本中待预测日前14天,当14个历史样本中有大于等于7个样本日满足公式(18)时,则从14个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7;
步骤3.2.2,当待预测日前14个历史样本中满足公式(18)的样本日小于7个时,则扩大历史样本数量,观察待预测日前28天,当28个历史样本中有大于等于7个样本日满足公式(18)时,则从28个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7;
步骤3.2.3,当待预测日前28个历史样本中满足公式(18)的样本日小于7个时,则继续扩大历史样本数量,观察待预测日前42天,当42个历史样本中有大于等于7个样本日满足公式(18)时,则从42个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7;
步骤3.2.4,当待预测日前42个历史样本中满足公式(18)的样本日小于7个但大于等于3个时,则从42个历史样本中选择综合相关度Com2i满足公式(18)的样本日作为待预测日的第二同类日,即第二同类日数量Num2=3、4、5或6:
步骤3.2.5,当待预测日前42个历史样本中满足公式(18)的样本日不足3个时,则从42个历史样本中选择综合相关度Com2i满足公式(18)的样本日、外加除去满足公式(18)的样本日后从剩余样本中选择气象因素与实际油温变化率的相关度Met2i最高的一个或多个样本日作为待预测日的第二同类日补足至3个,即第二同类日数量Num2=3;
步骤3.2.6,从Num2个样本日中,选择Met2i最高的3个第二同类日。
优选地,步骤4中,以第一同类日待预测日前第α,β,γ,δ,η天的样本数据代入Elman神经网络,进行训练,以如下公式表示输入输出,
式中:
INij表示输入向量,
OUTij表示输出;
训练完成后,输入向量IN0j=[W0j,S0j,J0j,G0j,F0j,Q0j,1,h0j,p0j],计算获得待预测日第j时刻的油温T10j。
优选地,步骤4中,使用第二同类日样本数据以如下公式(20)计算待预测日第j时刻油温T20i
式中:
T124表示待预测日前第1天24点时的油温。
优选地,步骤5中,以如下公式(21)计算wT1和wT2
本发明还提供了一种基于所述的同步调相机油系统油温预测方法的同步调相机油系统油温预测系统,包括:数据采集模块、第一综合相关度模块、第第二综合相关度模块、第一同类日选择模块、第二同类日选择模块、第一油温计算模块、第二油温计算模块和油温预测模块,数据采集模块用于采集待预测日前N天的历史样本数据和待预测日当天的数据;第一综合相关度模块用于接收来自数据采集模块的待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算待预测日前第i天与待预测日的第一综合相关度;第二综合相关度模块用于接收来自数据采集模块的待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算同步调相机油温数据变化率结合待预测日前N天的历史样本数据和待预测日当天第j时刻的数据计算第二综合相关度;第一同类日选择模块接收来自第一综合相关度模块的第一综合相关度,用于选择多个第一同类日;第二同类日选择模块接收来自第二综合相关度模块的第二综合相关度,用于选择多个第二同类日;第一油温计算模块接收第一同类日的样本数据,其内置神经网络单元,用于计算第一待预测日第j时刻油温;第二油温计算模块接收第二同类日的样本数据,其内置外推法单元,用于计算第二待预测日第j时刻油温;油温预测模块接收第一油温计算模块和第二油温计算模块的第一待预测日第j时刻油温和第二待预测日第j时刻油温,用于加权预测同步调相机油系统油温。
本发明的有益效果在于,与现有技术相比,本发明提供的一种同步调相机油系统油温预测方法,在充分考虑气象、时间和事件三种因素的基础上,研究了历史样本与待预测日的综合相关度,并根据综合相关度,从同步调相机实际油温和油温变化率两个方面对待预测日的同类日进行了选择,分别利用神经网络和趋势变化法对油温进行了预测,最后基于相关度对两种预测结果进行了加权处理,提高了同步调相机油系统油温的预测精度,为同步调相机安全稳定运行提供了重要支撑。
具体包括:1.从同步调相机实际油温和油温变化率两个方面,研究了历史样本与待预测日的气象因素相关度,提高了气象因素相关度的有效性。2.基于气象、时间和事件三种因素,计算得到了历史样本与待预测日的综合相关度,提高了同类日选择的准确性。3.基于相关性加权原理,提高了同步调相机油系统油温预测精度,为调相机安全运行提供了重要支撑。
附图说明
图1是本发明同步调相机油系统油温预测方法流程图。
具体实施方式
下面结合附图对本申请作进一步描述。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申请的保护范围。
如图1所示,本发明提供了一种同步调相机油系统油温预测方法,包括以下步骤:
步骤1,从同步调相机控制后台获取待预测日前N天的历史样本数据,包括:第i天第j时刻的气象数据、同步调相机油温数据Tij和同步调相机无功功率输出数据;获取待预测日当天的数据,包括:第j时刻的气象数据和同步调相机无功功率输出数据;其中N,i,j是正整数,1≤i≤N,i=1表示待预测日前一天,1≤j≤24。
定义Tii表示待预测日前第i天第j时刻的同步调相机实际油温,TSi表示待预测日前第i天的同步调相机实际油温向量,则TSi可以表示为:
TSi=[Ti1,...,Tij,...,Ti24] (1)
式中:
i表示待预测日前第i天,1≤i≤N,
j表示第j时刻,1≤j≤24。
值得注意的是,所属领域的技术人员可以任意选择用于计算的气象因素种类和种类数量,本发明优选实施方式选择温度、湿度、降雨、光照、风速和气压六种气象因素。所属领域的技术人员可以清楚地认识到,这仅是为说明本发明技术方案的一种优选方式,并不意味着本发明必须采用这六种气象因素来实施,既可以采用其他气象因素,也可以采用六种以上或六种以下的气象因素。
油温数据采集频率与气象数据采集频率一致,优选地但不限于,考虑到现有技术中常用的同步调相机油温监控系统是每小时采集一次油温数据,故气象因素也每小时提供一次气象数据。
定义Wij,Sij,Jij,Gij,Fij,Qij分别表示待预测日前第i天第j时刻的温度、湿度、降雨、光照、风速、气压。Wi,Si,Ji,Gi,Fi,Qi分别表示待预测日前第i天的温度向量、湿度向量、降雨向量、光照向量、风速向量和气压向量;N表示同步调相机历史样本数量,优选地但不限于,N=42。则待预测日前第i天的气象因素向量可以表示成:
式中:
i表示待预测日前第i天,1≤i≤N,
j表示第j时刻,1≤j≤24。
定义W0j,S0j,J0j,G0j,F0j,Q0j分别表示待预测日当天第j时刻的温度、湿度、降雨、光照、风速和气压,可以从天气预报获得。W0,S0,J0,G0,F0,Q0分别表示待预测日当天的温度向量、湿度向量、降雨向量、光照向量、风速向量和气压向量。则待预测日当天的气象因素向量可以表示成:
式中:
0表示待预测日当天,
j表示第j时刻,1≤j≤24。
步骤2,使用步骤1获取待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算待预测日前第i天与待预测日的第一综合相关度Com1i和第二综合相关度Com2i。具体包括:
步骤2.1,使用步骤1获得的气象数据和同步调相机油温数据Tij,计算待预测日前第i天的气象因素与实际油温的相关度Met1i以及待预测日前第i天的气象因素与实际油温变化率的相关度Met2i。具体包括:
步骤2.1.1,定义RWi表示待预测日前第i天的温度向量Wi与待预测日的温度向量W0的相关度,RSi表示待预测日前第i天的湿度向量Si与待预测日的湿度向量S0的相关度,RJi表示待预测日前第i天的降雨向量Ji与待预测日的降雨向量J0的相关度,RGi表示待预测日前第i天的光照向量Gi与待预测日的光照向量G0的相关度,RFi表示待预测日前第i天的风速向量Fi与待预测日的风速向量F0的相关度,RQi表示待预测日前第i天的气压向量Qi与待预测日的气压向量Q0的相关度。
以如下公式(4)计算Wi与W0的相关度RWi、Si与S0的相关度RSi、Ji与J0的相关度RJi、Gi与G0的相关度RGi、Fi与F0的相关度RFi,以及Qi与Q0的相关度RQi,
式中:
RXi为中间变量,表示RWi,RSi,RJi,RGi,RFi,RQi,
Xij为中间变量,表示Wij,Sij,Jij,Gij,Fij,Qij,
X0j为中间变量,表示W0j,S0j,J0j,G0j,F0j,Q0j。
值得注意的是,所属领域技术人员还可以采用其他方式计算RWi,RSi,RJi,RGi,RFi,RQi,包括但不限于,以肯德尔、斯皮尔曼相关性等方法进行计算,公式(4)仅是优选地非限制性计算方法。
步骤2.1.2,气象因素不仅与实际油温有关,还与实际油温变化率有关,使用步骤2.1.1获得的RWi,RSi,RJi,RGi,RFi,RQi,以如下公式(5)计算待预测日前第i天的气象因素与实际油温的相关度Met1i以及待预测日前第i天的气象因素与实际油温变化率的相关度Met2i,
式中:
w1Wj,w1Sj,w1Jj,w1Gj,w1Fj,w1Qj分别表示第j时刻温度、湿度、降雨、光照、风速和气压的实际油温相关度加权系数;
w2Wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj分别表示第j时刻温度、湿度、降雨、光照、风速和气压的实际油温变化率相关度加权系数。
所属领域技术人员可以采用多种方式为w1Wj,w1Sj,w1J,w1Gj,w1Fj,w1Qj和w2Wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj赋值,例如但不限于根据历史经验、现场气候条件、平均赋值等等。以下给出一种优选地非限制性的方法,能够有效提升预测精度。具体包括:
以如下公式(6)-(10)计算w1Wj,w1Sj,w1Jj,w1G,w1Fj,w1Qj,首先定义Zij表示待预测日前第i天第j时刻的气象综合因素,Zi表示待预测日前第i天的气象综合因素向量,则Zi可以表示为:
Zi=[Zi1,...,Zij,...,Zi24] (6)
式中:
i表示待预测日前第i天,1≤i≤N,
j表示第j时刻,1≤j≤24。
使用待预测日前第i天的温度向量Wi、湿度向量Si、降雨向量Ji、光照向量Gi、风速向量Fi和气压向量Qi,以如下公式(7)表示待预测日前第i天第j时刻的气象综合因素Zij,
Zij=a·f(Wij)+b·f(Sij)+c·f(Jij)+d·f(Gij)+e·f(Fij)+f·f(Qij) (7)
式中:
a,b,c,d,e,f分别表示温度、湿度、降雨、光照、风速和气压的占比系数,
Wij,Sij,Jij,Gij,Fij,Qij分别表示待预测日前第i天第j时刻的温度、湿度、降雨、光照、风速和气压,即待预测日前第i天的温度向量Wi、湿度向量Si、降雨向量Ji、光照向量Gi、风速向量Fi和气压向量Qi中的元素,
f(Xij)表示归一化函数,一个优选但非限制性的计算公式为如下的公式(8),值得注意的是,归一化的目的是统一不同气象因素变量的量纲,公式(8)是优选的归一化方法,除计算公式(8)外所属领域技术人员还可以采用其他方式进行归一化,包括但不限于,平均归一化、非线性归一化等,
式中:
Xij为中间变量,表示Wij,Sij,Jij,Gij,Fij,Qij,
k1表示归一化系数,优选但非限制性的取值为0~0.05,
min(Xij)表示求向量Xi=[Xi1,Xi2,...,Xi24]中元素的最小值,
max(Xij)表示求向量Xi=[Xi1,Xi2,...,Xi24]中元素的最大值。
定义RTSj表示第j时刻气象综合因素和实际油温的相关度,使用气象综合因素向量Zi和待预测日前第i天的同步调相机实际油温向量TSi,以如下公式(9)表示第j时刻Zij与Tij的相关度RTSj,
式中:
Zij表示待预测日前第i天第j时刻的气象综合因素,即待预测日前第i天的气象综合因素向量Zi中的元素;
Tij表示待预测日前第i天第j时刻的同步调相机实际油温,即待预测日前第i天的同步调相机实际油温向量TSi中的元素;
N表示同步调相机历史样本数量。
根据第j时刻气象综合因素和实际油温相关度RTSj的公式(9),求解RTSj取得最大值时对应的第一气象因素优占比系数a1j,b1j,c1j,d1j,e1j,f1j,即公式(10),
RTSj(a1j,b1j,c1j,d1j,e1j,f1j)=max[RTSj(a,b,c,d,e,f)] (10)
以如下公式(11)计算第j时刻温度、湿度、降雨、光照、风速和气压的相关度加权系数w1Wj,w1Sj,w1Jj,w1Gj,w1Fj,w1Qj,
式中:
j表示第j时刻,1≤j≤24。
类似地,以如下公式(12)-(16)计算w2wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj,首先定义表示待预测日前第i天实际油温变化率,/>表示待预测日前第i天的实际油温变化率向量,则TFi可以表示为:
式中:
i表示待预测日前第i天,1≤i≤N,
j表示第j时刻,1≤j≤24。
以如下公式(13)计算待预测日前第i天第j时刻实际油温变化率
定义RTFj表示第j时刻气象综合因素和实际油温变化率的相关度,根据气象综合因素向量Zi和实际油温变化率向量TFi,以如下公式(14)表示Zij与的相关度RTFj,/>
式中:
Zij表示待预测日前第i天第j时刻的气象综合因素,即待预测日前第i天的气象综合因素向量Zi中的元素;
表示待预测日前第i天实际油温变化率,即待预测日前第i天的实际油温变化率向量/>中的元素;
N表示同步调相机历史样本数量。
根据第j时刻气象综合因素和实际油温变化率相关度RTFj的公式(14),求解RTFj取得最大值时对应的第二气象因素优占比系数a2j,b2j,c2j,d2j,e2j,f2j,即公式(15),
RTFj(a2j,b2j,c2j,d2j,e2j,f2j)=max[RTFj(a,b,c,d,e,f)] (15)
以如下公式(16)计算第j时刻温度、湿度、降雨、光照、风速和气压的实际油温变化率相关度加权系数w2Wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj,
式中:
j表示第j时刻,1≤j≤24。
步骤2.2,使用步骤1获得的历史样本的时间信息,计算待预测日前第i天与待预测日的时间因素相关度Timi。具体包括:
以如下公式(17)计算待预测日前第i天与待预测日的时间因素相关度Timi:
式中:
kt1,kt2,kt3分别表示第一、第二、和第三时间系数,作为一种非限制性的优选其中kt1和kt2取值为0.96~0.99,
表示向下取整符号,
N表示同步调相机历史样本数量。
步骤2.3,使用步骤1获得的同步调相机无功功率输出数据,计算待预测日前第i天与待预测日的事件因素相关度Evei。
考虑到同步调相机油温与无功功率和作用时间有关,仅当电力系统发生故障时,同步调相机才会输出无功功率。因此,当待预测日前第i天第j时刻同步调相机未发生故障事件时,该时刻故障可靠度为1;而当待预测日前第i天第j时刻同步调相机发生故障事件时,随着无功功率和作用时间的变化,该时刻可靠度随之变化,定义Fauij表示待预测日前第i天第j时刻同步调相机故障可靠度,Fau0j表示待预测日当天第j时刻同步调相机故障可靠度。以如下公式(18)计算待预测日前第i天与预测日的事件因素相关度Evei,
式中:
ε1和ε2分别表示第一和第二事件系数,优选地但不限于,取值为1.01~1.04;
Hmax表示同步调相机无功功率输出最大时间,优选地但不限于,Hmax=3600s;
Pmax表示同步调相机最大输出无功功率,优选地但不限于,Pmax=300Mvar;
hij表示待预测日前第i天第j时刻同步调相机无功功率输出时间,是指待预测日前第i天到第j时刻累计无功功率输出时间;
pij表示待预测日前第i天第j时刻同步调相机输出无功功率平均值,是指待预测日前第i天到第j时刻无功功率平均值,
h0j表示待预测日第j时刻同步调相机无功功率输出时间,作为一种非限制性的优选,可以通过以如下公式(19)计算待预测日前H天第j时刻无功输出时间平均值获得,优选地但不限于,H=10,
式中:
H表示待预测日前H天;
p0j表示待预测日当天第j时刻同步调相机输出无功功率平均值,作为一种非限制性的优选,可以通过以如下公式(20)计算待预测日前H天第j时刻无功功率平均值的平均值获得,优选地但不限于,H=10,
式中:
H表示待预测日前H天。
步骤2.4,根据气象因素与实际油温的相关度Met1i、时间因素相关度Timi和事件因素相关度Evei,可得待预测日前第i天与待预测日的综合相关度Com1i,根据气象因素与实际油温变化率的相关度Met2i、时间因素相关度Timi和事件因素相关度Evei,可得待预测日前第i天与待预测日的综合相关度Com2i,即使用如下公式(21)计算第一综合相关度Com1i和第二综合相关度Com2i,
式中:
i表示待预测日前第i天。
步骤3,根据步骤2获得的Com1i选择m个第一同类日,根据Com2i选择n个第二同类日,其中m,n是正整数。定义Cmax1表示第一相关度阈值,取值一般不小于0.65且随区域和时间变化,Cmax2表示第二相关度阈值,取值一般不小于0.65且随区域和时间变化,所属领域技术人员可以任意调整选择第一同类日的数量,为了清楚地表述实施例,一个非限制性的实例为N=42,m=5,n=3。步骤3具体包括:
步骤3.1,根据步骤2获得的Com1i选择m个第一同类日,判别条件为
Com1i≥Cmax1 (22)
当满足公式(17)时,表明待预测日前第i天与待预测日相关度较高,即待预测日前第i天被选为待预测日的第一同类日。则基于Com1i的待预测日的第一同类日选择方法如下:
(1)选择历史样本中待预测日前14天作为研究对象,当14个历史样本中有大于等于7个样本日满足公式(22)时,则从14个历史样本中选择综合相关度Com1i最高的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7。
(2)当待预测日前14个历史样本中满足公式(22)的样本日小于7个时,则扩大历史样本数量,选择历史样本中待预测日前28天作为研究对象,当28个历史样本中有大于等于7个样本日满足公式(22)时,则从28个历史样本中选择综合相关度最高Com1i的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7。
(3)当待预测日前28个历史样本中满足公式(22)的样本日小于7个时,则继续扩大历史样本数量,选择历史样本中待预测日前42天作为研究对象,当42个历史样本中有大于等于7个样本日满足公式(22)时,则从42个历史样本中选择综合相关度最高Com1i的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7。
(4)当待预测日前42个历史样本中满足公式(22)的样本日小于7个但大于等于5个时,则从42个历史样本中选择综合相关度Com1i满足公式(22)的样本日作为待预测日的第一同类日,即第一同类日数量Num1=5或6。
(5)当待预测日前42个历史样本中满足公式(22)的样本日为4个时,则从42个历史样本中选择综合相关度Com1i满足公式(22)的4个样本日、外加除去上述4个样本日后从剩余38个样本中选择气象因素与实际油温的相关度Met1i最高的1个样本日作为待预测日的第一同类日,即第一同类日数量Num1=5。
(6)当待预测日前42个历史样本中满足公式(22)的样本日为3个时,则从42个历史样本中选择综合相关度Com1i满足公式(22)的3个样本日、外加除去上述3个样本日后从剩余39个样本中选择气象因素与实际油温的相关度Met1i最高的2个样本日作为待预测日的第一同类日,即第一同类日数量Num1=5。
(7)当待预测日前42个历史样本中满足公式(22)的样本日为2个时,则从42个历史样本中选择综合相关度Com1i满足公式(22)的2个样本日、外加除去上述2个样本日后从剩余40个样本中选择气象因素与实际油温的相关度Met1i最高的3个样本日作为待预测日的第一同类日,即第一同类日数量Num1=5。
(8)当待预测日前42个历史样本中满足公式(22)的样本日为1个时,则从42个历史样本中选择综合相关度Com1i满足公式(22)的1个样本日、外加除去上述1个样本日后从剩余41个样本中选择气象因素与实际油温的相关度Met1i最高的4个样本日作为待预测日的第一同类日,即第一同类日数量Num1=5。
(9)当待预测日前42个历史样本中满足公式(22)的样本日为0个时,则从42个历史样本中选择气象因素与实际油温的相关度Met1i最高的5个样本日作为待预测日的第一同类日,即第一同类日数量Num1=5。
(10)从Num1个样本日中,选择Met1i最高的5个第一同类日,分别是待预测日前第α,β,γ,δ,η天。
步骤3.2,根据步骤2获得的Com2i选择n个第二同类日,判别条件为
Com2i≥Cmax2 (23)
当满足公式(23)时,表明待预测日前第i天与待预测日相关度较高,即待预测日前第i天被选为待预测日的第二同类日。则基于Com2i的待预测日的第二同类日选择方法如下:
(1)选择历史样本中待预测日前14天作为研究对象,当14个历史样本中有大于等于7个样本日满足公式(23)时,则从14个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7。
(2)当待预测日前14个历史样本中满足公式(23)的样本日小于7个时,则扩大历史样本数量,选择历史样本中待预测日前28天作为研究对象,当28个历史样本中有大于等于7个样本日满足公式(23)时,则从28个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7。
(3)当待预测日前28个历史样本中满足公式(23)的样本日小于7个时,则继续扩大历史样本数量,选择历史样本中待预测日前42天作为研究对象,当42个历史样本中有大于等于7个样本日满足公式(23)时,则从42个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7。
(4)当待预测日前42个历史样本中满足公式(23)的样本日小于7个但大于等于3个时,则从42个历史样本中选择综合相关度Com2i满足公式(23)的样本日作为待预测日的第二同类日,即第二同类日数量Num2=3、4、5或6。
(5)当待预测日前42个历史样本中满足公式(23)的样本日为2个时,则从42个历史样本中选择综合相关度Com2i满足公式(23)的2个样本日、外加除去上述2个样本日后从剩余40个样本中选择气象因素与实际油温变化率的相关度Met2i最高的1个样本日作为待预测日的第二同类日,即第二同类日数量Num2=3。
(6)当待预测日前42个历史样本中满足公式(23)的样本日为1个时,则从42个历史样本中选择综合相关度Com2i满足公式(23)的1个样本日、外加除去上述1个样本日后从剩余41个样本中选择气象因素与实际油温变化率的相关度Met2i最高的2个样本日作为待预测日的第二同类日,即第二同类日数量Num2=3。
(7)当待预测日前42个历史样本中满足公式(23)的样本日为0个时,则从42个历史样本中选择气象因素与实际油温变化率的相关度Met2i最高的3个样本日作为待预测日的第二同类日,即第二同类日数量Num2=3。
(8)从Num2个样本日中,选择Met2i最高的3个第二同类日,分别是待预测日前第o,p,q天。
步骤4,使用步骤3选择的m个第一同类日的气象数据和同步调相机无功功率输出数据作为输入,同步调相机油温数据Tij作为输出,训练神经网络,将待预测日当天的气象数据和同步调相机无功功率输出数据代入训练完成会后的神经网络,计算第一待预测日第j时刻油温T10i;使用步骤3选择的n个第二同类日的样本数据以外推法计算第二待预测日第j时刻油温T20i。具体包括:
步骤4.1,基于综合相关度Com1i,结合神经网络计算待预测日油温。以步骤3.1获得的5个第一第二同类日样本作为训练对象。所属领域技术人员可以任意选用合适的神经网络模型,为了清楚地介绍实施例,作为一种非限制性的优选,本实施例中神经网络采用Elman模型,其表达式如下:
式中,y(t)表示输出向量,u(t)表示输入向量,x(t)表示中间节点向量,xc(t)表示反馈向量,wE 1表示承接层到中间层的权值,wE 2表示输入层到中间层的权值,wE 3表示中间层到输出层的权值,g表示输出神经元传递函数,f表示中间神经元传递函数。
再构建神经网络的输入与输出向量。根据气象因素、时间因素和事件因素,则神经网络的输入与输出向量可以表示成公式(25):
归一化处理后,神经网络的输入与输出向量可以表示成:
利用上面选出的5个同类日的归一化后输入与输出向量训练神经网络。神经网络训练后,基于待预测日第j时刻的输入向量IN0j=[W0j,S0j,J0j,G0j,F0j,Q0i,1,h0j,p0j],借助神经网络即可计算得到待预测日第j时刻的油温T10j。
步骤4.2:基于综合相关度Com2i,结合趋势变化法计算待预测日油温。以步骤3.2获得的3个第二同类日样本,则三个第二同类日第j时刻的油温平均变化率可以表示为:
根据同类日原理,结合外推法,则待预测日第j时刻油温T20j可以表示为:
式中:
T124表示待测日前一天24时的油温,
表示三个同类日第j时刻的油温平均变化率。
步骤5,根据综合相关度Com1i和神经网络计算的待预测日油温T10j以及综合相关度Com2i和趋势变化法计算的待预测日油温T20j,即使用步骤4获得的T10j和T20j,以如下公式(29)计算待预测日当天第j时刻油温T0j,
式中:
T10j表示根据第一综合相关度Com1i和神经网络计算获得的待预测日第j时刻油温,
T20j表示根据第二综合相关度Com2i和趋势变化计算获得的待预测日第j时刻油温,
wT1表示T10j的加权系数,
wT2表示T20j的加权系数。
值得注意的是,所属领域技术人员可以采用多种方式为wT1和wT2赋值,例如但不限于根据历史经验、现场气候条件、平均赋值等等。以下给出一种优选地非限制性的方法,能够有效提升预测精度。具体包括:
wT1和wT2采用如下的公式计算获得:
式中:
Met1α,Met1β,Met1γ,Met1δ,Met1η分别为待预测日前第α,β,γ,δ,η天的气象因素与实际油温的相关度,
Met1o,Met1p,Met1q分别为待预测日前第o,p,q天的气象因素与实际油温的相关度。
本发明还提供了一种基于所述的同步调相机油系统油温预测方法的同步调相机油系统油温预测系统,包括:数据采集模块、第一综合相关度模块、第第二综合相关度模块、第一同类日选择模块、第二同类日选择模块、第一油温计算模块、第二油温计算模块和油温预测模块。
数据采集模块用于采集待预测日前N天的历史样本数据和待预测日当天的数据;第一综合相关度模块用于接收来自数据采集模块的待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算待预测日前第i天与待预测日的第一综合相关度;第二综合相关度模块用于接收来自数据采集模块的待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算同步调相机油温数据变化率结合待预测日前N天的历史样本数据和待预测日当天第j时刻的数据计算第二综合相关度;第一同类日选择模块接收来自第一综合相关度模块的第一综合相关度,用于选择多个第一同类日;第二同类日选择模块接收来自第二综合相关度模块的第二综合相关度,用于选择多个第二同类日;第一油温计算模块接收第一同类日的样本数据,其内置神经网络单元,用于计算第一待预测日第j时刻油温;第二油温计算模块接收第二同类日的样本数据,其内置外推法单元,用于计算第二待预测日第j时刻油温;油温预测模块接收第一油温计算模块和第二油温计算模块的第一待预测日第j时刻油温和第二待预测日第j时刻油温,用于加权预测同步调相机油系统油温。
本发明的有益效果在于,与现有技术相比,本发明提供的一种同步调相机油系统油温预测方法,在充分考虑气象、时间和事件三种因素的基础上,研究了历史样本与待预测日的综合相关度,并根据综合相关度,从同步调相机实际油温和油温变化率两个方面对待预测日的同类日进行了选择,分别利用神经网络和趋势变化法对油温进行了预测,最后基于相关度对两种预测结果进行了加权处理,提高了同步调相机油系统油温的预测精度,为同步调相机安全稳定运行提供了重要支撑。
具体包括:1.从同步调相机实际油温和油温变化率两个方面,研究了历史样本与待预测日的气象因素相关度,提高了气象因素相关度的有效性。2.基于气象、时间和事件三种因素,计算得到了历史样本与待预测日的综合相关度,提高了同类日选择的准确性。3.基于相关性加权原理,提高了同步调相机油系统油温预测精度,为调相机安全运行提供了重要支撑。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (15)
1.一种同步调相机油系统油温预测方法,其特征在于,包括以下步骤:
步骤1,获取待预测日前N天的历史样本数据,包括:第i天第j时刻的气象数据、同步调相机油温数据Tij和同步调相机无功功率输出数据;获取待预测日当天的数据,包括:第j时刻的气象数据和同步调相机无功功率输出数据;其中N,i,j是正整数,1≤i≤N,i=1表示待预测日前一天,1≤j≤24;
步骤2,使用步骤1获取待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算待预测日前第i天与待预测日的第一综合相关度Com1i,并且使用步骤1获取待预测日前N天的历史样本数据计算同步调相机油温数据变化率TFij,结合待预测日前N天的历史样本数据和待预测日当天第j时刻的数据计算第二综合相关度Com2i;具体包括:
步骤2.1,使用步骤1获得的气象数据和同步调相机油温数据Tij,计算待预测日前第i天的气象因素与实际油温的相关度Met1i以及待预测日前第i天的气象因素与实际油温变化率的相关度Met2i;
步骤2.2,使用步骤1获得的历史样本的时间信息,计算待预测日前第i天与待预测日的时间因素相关度Timi
步骤2.3,使用步骤1获得的同步调相机无功功率输出数据,计算待预测日前第i天与待预测日的事件因素相关度Evei,
步骤2.4,使用如下公式(4)计算第一综合相关度Com1i和第二综合相关度Com2i,
式中:
i表示待预测日前第i天;
步骤3,根据步骤2获得的Com1i选择m个第一同类日,根据Com2i选择n个第二同类日,其中m,n是正整数;
步骤4,使用步骤3选择的m个第一同类日的气象数据和同步调相机无功功率输出数据作为输入,同步调相机油温数据Tij作为输出,训练神经网络,将待预测日当天的气象数据和同步调相机无功功率输出数据代入训练完成会后的神经网络,计算第一待预测日第j时刻油温T10j;使用步骤3选择的n个第二同类日的样本数据以外推法计算第二待预测日第j时刻油温T20j;
步骤5,使用步骤4获得的T10j和T20j,以如下公式(1)计算待预测日当天第j时刻油温T0j,
式中:
wT1为第一待预测日第j时刻油温T10j的加权系数,
wT2为第二待预测日第j时刻油温T20j的加权系数。
2.根据权利要求1所述的同步调相机油系统油温预测方法,其特征在于:
步骤1中所述气象数据包括:温度、湿度、降雨、光照、风速和气压;
以如下公式(2)表示待预测日前第i天的气象因素向量,
式中:
i表示待预测日前第i天,1≤i≤N,
j表示第j时刻,1≤j≤24,
Wi,Si,Ji,Gi,Fi,Qi分别表示待预测日前第i天的温度向量、湿度向量、降雨向量、光照向量、风速向量和气压向量,
Wij,Sij,Jij,Gij,Fij,Qij分别表示待预测日前第i天第j时刻的温度、湿度、降雨、光照、风速和气压;
以如下公式(3)表示待预测日当天的气象因素向量,
式中:
0表示待预测日当天,
j表示第j时刻,1≤j≤24,
W0,S0,J0,G0,F0,Q0分别表示待预测日的温度向量、湿度向量、降雨向量、光照向量、风速向量和气压向量,
W0j,S0j,J0j,G0j,F0j,Q0j分别表示待预测日第j时刻的温度、湿度、降雨、光照、风速和气压;
步骤1中同步调相机无功功率输出数据包括:同步调相机无功功率输出时间和同步调相机输出无功功率平均值。
3.根据权利要求1所述的同步调相机油系统油温预测方法,其特征在于:
步骤2.1具体包括:
步骤2.1.1,计算Wi与W0的相关度RWi、Si与S0的相关度RSi、Ji与J0的相关度RJi、Gi与G0的相关度RGi、Fi与F0的相关度RFi、Qi与Q0的相关度RQi;
步骤2.1.2,以如下公式(5)计算待预测日前第i天的气象因素与实际油温的相关度Met1i以及待预测日前第i天的气象因素与实际油温变化率的相关度Met2i,
式中:
w1Wj,w1Sj,w1Jj,w1Gj,w1Fj,w1Qj分别表示第j时刻温度、湿度、降雨、光照、风速和气压的实际油温相关度加权系数;
w2Wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj分别表示第j时刻温度、湿度、降雨、光照、风速和气压的实际油温变化率相关度加权系数。
4.根据权利要求3所述的同步调相机油系统油温预测方法,其特征在于:
步骤2.1.1中,以如下公式(6)计算RWi,RSi,RJi,RGi,RFi,RQi,
式中:
RXi表示RWi,RSi,RJi,RGi,RFi,RQi,
Xij表示Wij,Sij,Jij,Gij,Fij,Qij,
X0j表示W0j,S0j,J0j,G0j,F0j,Q0j。
5.根据权利要求4所述的同步调相机油系统油温预测方法,其特征在于:
步骤2.1.2中,以如下公式(7)-(10)计算w1wj,w1Sj,w1Jj,w1Gj,w1Fj,w1Qj,
以如下公式(7)表示待预测日前第i天第j时刻的气象综合因素Zij,
Zij=a·f(Wij)+b·f(Sij)+c·f(Jij)+d·f(Gij)+e·f(Fij)+f·f(Qij) (7)
式中:
a,b,c,d,e,f分别表示温度、湿度、降雨、光照、风速和气压的占比系数,
f()表示归一化函数;
以如下公式(8)表示第j时刻Zij与Tij的相关度RTSj,
以如下公式(9)获得RTSj取得最大值时对应的第一气象因素优占比系数a1j,b1j,c1j,d1j,e1j,f1j,
RTSj(a1j,b1j,c1j,d1j,e1j,f1j)=max[RTSj(a,b,c,d,e,f)] (9)
以如下公式(10)计算w1Wj,w1Sj,w1Jj,w1Gj,w1Fj,w1Qj,
式中:
j表示第j时刻,1≤j≤24。
6.根据权利要求5所述的同步调相机油系统油温预测方法,其特征在于:
步骤2.1.2中,以如下公式(11)-(13)计算w2wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj以如下公式(11)计算待预测日前第i天第j时刻实际油温变化率
以如下公式(12)表示第j时刻气象综合因素和实际油温变化率的相关度RTFj,即Zij与的相关度RTFj,
以如下公式(13)获得RTFj取得最大值时对应的第二气象因素优占比系数a2j,b2j,c2j,d2j,e2j,f2j,
RTFj(a2j,b2j,c2j,d2j,e2j,f2j)=max[RTFj(a,b,c,d,e,f)] (13)
以如下公式(14)计算第j时刻温度、湿度、降雨、光照、风速和气压的实际油温变化率相关度加权系数w2Wj,w2Sj,w2Jj,w2Gj,w2Fj,w2Qj,
式中:
j表示第j时刻,1≤j≤24。
7.根据权利要求1所述的同步调相机油系统油温预测方法,其特征在于:
步骤2.2中,以如下公式(15)计算待预测日前第i天与待预测日的时间因素相关度Timi:
式中:
kt1,kt2,kt3分别表示第一、第二、和第三时间系数,
表示向下取整符号。
8.根据权利要求2所述的同步调相机油系统油温预测方法,其特征在于:
步骤2.3中,以如下公式(16)计算待预测日前第i天与预测日的事件因素相关度Evei
式中:
ε1和ε2分别表示第一和第二事件系数,
Hmax表示同步调相机无功功率输出最大时间,
Pmax表示同步调相机最大输出无功功率,
hij表示待预测日前第i天第j时刻同步调相机无功功率输出时间,
pij表示待预测日前第i天第j时刻同步调相机输出无功功率平均值,
h0j表示待预测日第j时刻同步调相机无功功率输出时间,
p0j表示待预测日第j时刻同步调相机输出无功功率平均值,
Fauij表示待预测日前第i天第j时刻同步调相机故障可靠度,
Fau0j表示待预测日当天第j时刻同步调相机故障可靠度。
9.根据权利要求8所述的同步调相机油系统油温预测方法,其特征在于:
步骤3具体包括:
步骤3.1,m=5,根据Com1i选择5个第一同类日,分别是待预测日前第α,β,γ,δ,η天;以Cmax1表示第一相关度阈值,如果满足公式(17),
Com1i≥Cmax1 (17)
则将待预测日前第i天选为第一类同类日,如果满足公式(17)的样本日小于5天时,在其余样本日中选择Met1i最高的几个样本日补足5个第一同类日;
步骤3.2,n=3,根据Com2i选择3个第二同类日,分别是待预测日前第o,p,q天;以Cmax2表示第二相关度阈值,如果满足公式(18)
Com2i≥Cmax2 (18)
则将待预测日前第i天选为第二类同类日,如果Com2i≥Cmax2的样本日小于3天时,在其余样本日中选择Met2i最高的几个样本日补足3个第一同类日。
10.根据权利要求9所述的同步调相机油系统油温预测方法,其特征在于:
历史样本量N=42,Cmax1≥0.65,Cmax2≥0.65
步骤3.1具体包括:
步骤3.1.1,观察历史样本中待预测日前14天,当14个历史样本中有大于等于7个样本日满足公式(17)时,则从14个历史样本中选择综合相关度Com1i最高的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7;
步骤3.1.2,当待预测日前14个历史样本中满足公式(17)的样本日小于7个时,则扩大历史样本数量,观察历史样本中待预测日前28天,当28个历史样本中有大于等于7个样本日满足公式(17)时,则从28个历史样本中选择综合相关度最高Com1i的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7;
步骤3.1.3,当待预测日前28个历史样本中满足公式(17)的样本日小于7个时,则继续扩大历史样本数量,观察历史样本中待预测日前42天,当42个历史样本中有大于等于7个样本日满足公式(17)时,则从42个历史样本中选择综合相关度最高Com1i的7个样本日作为待预测日的第一同类日,即第一同类日数量Num1=7;
步骤3.1.4,当待预测日前42个历史样本中满足公式(17)的样本日小于7个但大于等于5个时,则从42个历史样本中选择综合相关度Com1i满足公式(17)的样本日作为待预测日的第一同类日,即第一同类日数量Num1=5或6;
步骤3.1.5,当待预测日前42个历史样本中满足公式(17)的样本日不足5个时,则从42个历史样本中选择综合相关度Com1i满足公式(17)的样本日、外加除去满足公式(17)的样本日后从剩余个样本中选择气象因素与实际油温的相关度Met1i最高的一个或多个样本日作为待预测日的第一同类日补足至5个,即第一同类日数量Num1=5;
步骤3.1.6,从Num1个样本日中,选择Met1i最高的5个第一同类日。
11.根据权利要求9所述的同步调相机油系统油温预测方法,其特征在于:
历史样本量N=42,Cmax1=0.65,Cmax2=0.65
步骤3.2具体包括:
步骤3.2.1,观察历史样本中待预测日前14天,当14个历史样本中有大于等于7个样本日满足公式(18)时,则从14个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7;
步骤3.2.2,当待预测日前14个历史样本中满足公式(18)的样本日小于7个时,则扩大历史样本数量,观察待预测日前28天,当28个历史样本中有大于等于7个样本日满足公式(18)时,则从28个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7;
步骤3.2.3,当待预测日前28个历史样本中满足公式(18)的样本日小于7个时,则继续扩大历史样本数量,观察待预测日前42天,当42个历史样本中有大于等于7个样本日满足公式(18)时,则从42个历史样本中选择综合相关度Com2i最高的7个样本日作为待预测日的第二同类日,即第二同类日数量Num2=7;
步骤3.2.4,当待预测日前42个历史样本中满足公式(18)的样本日小于7个但大于等于3个时,则从42个历史样本中选择综合相关度Com2i满足公式(18)的样本日作为待预测日的第二同类日,即第二同类日数量Num2=3、4、5或6;
步骤3.2.5,当待预测日前42个历史样本中满足公式(18)的样本日不足3个时,则从42个历史样本中选择综合相关度Com2i满足公式(18)的样本日、外加除去满足公式(18)的样本日后从剩余样本中选择气象因素与实际油温变化率的相关度Met2i最高的一个或多个样本日作为待预测日的第二同类日补足至3个,即第二同类日数量Num2=3;
步骤3.2.6,从Num2个样本日中,选择Met2i最高的3个第二同类日。
12.根据权利要求11所述的同步调相机油系统油温预测方法,其特征在于:
步骤4中,以第一同类日待预测日前第α,β,γ,δ,η天的样本数据代入Elman神经网络,进行训练,以如下公式表示输入输出,
式中:
INij表示输入向量,
OUTij表示输出;
训练完成后,输入向量IN0j=[W0j,S0j,J0j,G0j,F0j,Q0j,1,h0j,p0j],计算获得待预测日第j时刻的油温T10j。
13.根据权利要求11或12所述的同步调相机油系统油温预测方法,其特征在于:
步骤4中,使用第二同类日样本数据以如下公式(20)计算待预测日第j时刻油温T20j
式中:
T124表示待预测日前第1天24点时的油温。
14.根据权利要求13所述的同步调相机油系统油温预测方法,其特征在于:
步骤5中,以如下公式(21)计算wT1和wT2,
式中:
Met1α,Met1β,Met1γ,Met1δ,Met1η分别为待预测日前第α,β,γ,δ,η天的气象因素与实际油温的相关度,
Met1o,Met1p,Met1q分别为待预测日前第o,p,q天的气象因素与实际油温的相关度。
15.一种基于权利要求1-14任一项所述的同步调相机油系统油温预测方法的同步调相机油系统油温预测系统,包括:数据采集模块、第一综合相关度模块、第第二综合相关度模块、第一同类日选择模块、第二同类日选择模块、第一油温计算模块、第二油温计算模块和油温预测模块,其特征在于,
数据采集模块用于采集待预测日前N天的历史样本数据和待预测日当天的数据;第一综合相关度模块用于接收来自数据采集模块的待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算待预测日前第i天与待预测日的第一综合相关度;第二综合相关度模块用于接收来自数据采集模块的待预测日前N天的历史样本数据和待预测日当天第j时刻的数据,计算同步调相机油温数据变化率结合待预测日前N天的历史样本数据和待预测日当天第j时刻的数据计算第二综合相关度;第一同类日选择模块接收来自第一综合相关度模块的第一综合相关度,用于选择多个第一同类日;第二同类日选择模块接收来自第二综合相关度模块的第二综合相关度,用于选择多个第二同类日;第一油温计算模块接收第一同类日的样本数据,其内置神经网络单元,用于计算第一待预测日第j时刻油温;第二油温计算模块接收第二同类日的样本数据,其内置外推法单元,用于计算第二待预测日第j时刻油温;油温预测模块接收第一油温计算模块和第二油温计算模块的第一待预测日第j时刻油温和第二待预测日第j时刻油温,用于加权预测同步调相机油系统油温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714700.2A CN112036601B (zh) | 2020-07-23 | 2020-07-23 | 一种同步调相机油系统油温预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714700.2A CN112036601B (zh) | 2020-07-23 | 2020-07-23 | 一种同步调相机油系统油温预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036601A CN112036601A (zh) | 2020-12-04 |
CN112036601B true CN112036601B (zh) | 2023-10-27 |
Family
ID=73582974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010714700.2A Active CN112036601B (zh) | 2020-07-23 | 2020-07-23 | 一种同步调相机油系统油温预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036601B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529306B (zh) * | 2020-12-16 | 2023-12-01 | 国网江苏省电力有限公司检修分公司 | 基于油系统油温估计的调相机潜伏性缺陷诊断方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299057A (zh) * | 2014-10-17 | 2015-01-21 | 国家电网公司 | 基于多因素的油浸式变压器顶层油温预测方法 |
KR101706245B1 (ko) * | 2015-09-14 | 2017-02-14 | 동아대학교 산학협력단 | 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 |
CN108390380A (zh) * | 2018-05-16 | 2018-08-10 | 国网山东省电力公司青岛供电公司 | 一种变压器状态参量趋势预测方法及系统 |
CN109685265A (zh) * | 2018-12-21 | 2019-04-26 | 积成电子股份有限公司 | 一种电力系统短期电力负荷的预测方法 |
CN111105104A (zh) * | 2020-02-20 | 2020-05-05 | 河南理工大学 | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 |
-
2020
- 2020-07-23 CN CN202010714700.2A patent/CN112036601B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299057A (zh) * | 2014-10-17 | 2015-01-21 | 国家电网公司 | 基于多因素的油浸式变压器顶层油温预测方法 |
KR101706245B1 (ko) * | 2015-09-14 | 2017-02-14 | 동아대학교 산학협력단 | 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 |
CN108390380A (zh) * | 2018-05-16 | 2018-08-10 | 国网山东省电力公司青岛供电公司 | 一种变压器状态参量趋势预测方法及系统 |
CN109685265A (zh) * | 2018-12-21 | 2019-04-26 | 积成电子股份有限公司 | 一种电力系统短期电力负荷的预测方法 |
CN111105104A (zh) * | 2020-02-20 | 2020-05-05 | 河南理工大学 | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
Short-term prediction for distributed photovoltaic power based on improved similar time period;Zhihan Wu;《 https://doi.org/10.3389/fenrg.2023.1149505》;第11卷;1-11 * |
基于相似日和相似时刻的变压器顶层油温预测方法;谭风雷;《电力工程技术》;第41卷(第2期);193-200 * |
基于辅助调度员决策的变压器顶层油温预测方法研究;易亚元;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第7期);C042-189 * |
Also Published As
Publication number | Publication date |
---|---|
CN112036601A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109256810B (zh) | 考虑风机出力不确定成本的多目标优化方法 | |
CN106786677B (zh) | 一种互联电力系统分布式动态矩阵频率控制方法 | |
CN109165774A (zh) | 一种短期光伏功率预测方法 | |
CN103762616B (zh) | 一种基于功率预测方法的混合储能光伏发电系统 | |
CN111585310B (zh) | 一种分布式电源出力预测的方法和装置 | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
CN112036601B (zh) | 一种同步调相机油系统油温预测方法及系统 | |
CN107256436A (zh) | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 | |
CN105373842A (zh) | 一种基于全能流模型的微电网能量优化与评估方法 | |
CN104734175A (zh) | 一种实现风电机组风速功率曲线的智能修正方法 | |
Aly | Forecasting, modeling, and control of tidal currents electrical energy systems | |
Kim et al. | Design of adaptive PID for pitch control of large wind turbine generator | |
Faquir et al. | Implementing a fuzzy logic based algorithm to predict solar and wind energies in a hybrid renewable energy system | |
Bou-Rabee et al. | One-month-ahead wind speed forecasting using hybrid AI model for coastal locations | |
Bakir et al. | Experimental evaluation of water cycle technique for control parameters optimization of double-fed induction generator-based wind turbine | |
CN116760008A (zh) | 一种考虑负荷特性的多时间尺度有功无功协调调度方法 | |
CN112036436B (zh) | 一种调相机油温预测系统的数据噪声处理方法及处理系统 | |
Amine et al. | Adaptive fuzzy logic control of wind turbine emulator | |
Labed et al. | PSO Based Fractional Order PI Controller and ANFIS Algorithm for Wind Turbine System Control and Diagnosis | |
CN114676921A (zh) | 一种考虑源荷储协调优化的系统风电可接纳能力计算方法 | |
CN115549118A (zh) | 配电网无功补偿设备出力平滑指数预测方法 | |
CN114374231A (zh) | 离网型多能源系统的配置、控制一体优化方法 | |
Khan et al. | Neural network-based control for wind turbine system with pmsg: A case study for hafar al-batin | |
CN113555870B (zh) | 一种基于Q-learning光伏预测的配电网多时间尺度优化调度方法 |
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 |