CN112115648A - 一种基于改进深度学习方法的变压器顶层油温预测方法 - Google Patents
一种基于改进深度学习方法的变压器顶层油温预测方法 Download PDFInfo
- Publication number
- CN112115648A CN112115648A CN202011007229.XA CN202011007229A CN112115648A CN 112115648 A CN112115648 A CN 112115648A CN 202011007229 A CN202011007229 A CN 202011007229A CN 112115648 A CN112115648 A CN 112115648A
- Authority
- CN
- China
- Prior art keywords
- layer
- oil temperature
- transformer
- data
- modal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 128
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000012300 Sequence Analysis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于改进深度学习方法的变压器顶层油温预测方法,包括从数据库服务器中读入变压器顶层油温的相关影响因素的原始数据集;对所述原始数据集进行分类、编号并进行归一化处理;根据所述处理后的原始数据集利用频谱分析主频率法确定最佳模态层数,并利用变分模态分解法提取每层模态的油温数据;GRU神经网络利用所述每层模态的油温数据构建各层模态的预测模型;利用所述各层模态的预测模型得到各层模态的预测值,并进行求和重构得到整体序列的预测结果。考虑负荷电流,环境温度等多种特征量,又考虑变压器顶层油温与前时刻数据间的关系,通过时间序列分析方法、变分模态分解法以及GRU神经网络对变压器油温进行预测,提高了预测精度。
Description
技术领域
本发明涉及电力系统中高压电器设备的检测的技术领域,尤其涉及一种基于改进深度学习方法的变压器顶层油温预测方法。
背景技术
变压器的安全运行对于现代电力系统而言具有重要意义,它的产品质量及寿命直接关联电网的运行状态。绕组热点温度是研究变压器热特性的重要参量,常常由变压器顶层油温来间接估算得到。因此,对变压器顶层油温进行测量以及预测,对于变压器热状态估计非常重要。
目前,国内外学者对变压器顶层油温和热点温度的研究及预测方法主要有基于传热学的半物理模型以及数据驱动模型。
半物理模型主要包括负载导则推荐模型和热路模型,其中IEEE Std C57.91导则推荐的方法在工程领域得到广泛应用。数据驱动模型通过大量实际数据训练并挖掘变压器热特性,使用机器学习方法达到预测油温的目的。当前,Takagi-Sugeno(T-S)模糊模型,人工神经网络,支持向量机,核极限学习机等模型已被深入研究,并应用于油温预测,但预测结果与顶层油温训练数据直接相关,模型本身具有不确定性,易受到顶层油温观测数据噪声的影响。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在变压器顶层油温预测精度不高的问题,提出了本发明。
因此,本发明解决的技术问题是:油温的预测结果与顶层油温训练数据直接相关,进行预测所使用模型的本身具有不确定性,易受到顶层油温观测数据噪声的影响,降低了预测精度。
为解决上述技术问题,本发明提供如下技术方案:从数据库服务器中读入变压器顶层油温的相关影响因素的原始数据集;对所述原始数据集进行分类、编号并进行归一化处理;根据所述处理后的原始数据集利用频谱分析主频率法确定最佳模态层数,并利用变分模态分解法提取每层模态的油温数据;门控循环单元(Gate Recurrent Unit,GRU)神经网络利用所述每层模态的油温数据构建各层模态的预测模型;利用所述各层模态的预测模型得到各层模态的预测值,并进行求和重构得到整体序列的预测结果。
作为本发明所述的基于改进深度学习方法的变压器顶层油温预测方法的一种优选方案,其中:所述变压器顶层油温的相关影响因素包括,变压器油温瞬时值、变压器负荷有功功率瞬时值和环境温度瞬时值,其采样周期都为1h。
作为本发明所述的基于改进深度学习方法的变压器顶层油温预测方法的一种优选方案,其中:所述原始数据集进行分类、编号包括,将所述原始数据集进行分类,将一年内的三类所述瞬时值数据作为训练集,将待测试的一日数据作为测试集数据,并对读入数据进行编号。
作为本发明所述的基于改进深度学习方法的变压器顶层油温预测方法的一种优选方案,其中:所述进行归一化处理包括,将数据映射到0~1范围之内处理,其公式表示为如下:
其中:x′为归一化后数据,xmin为数据中的最小值,xmax为数据中的最大值。
作为本发明所述的基于改进深度学习方法的变压器顶层油温预测方法的一种优选方案,其中:所述利用频谱分析主频率法确定最佳模态层数包括,利用所述训练集中一年的变压器顶层油温数据,作频谱图,寻找所述频谱图中的主要频率数f,并将其作为最大预设模态数kmax,通过从小到大进行取值,观察使用变分模态分解法分解时最后一层模态分量中心频率是否相对稳定,若稳定则认为此时模态数k为最佳值。
作为本发明所述的基于改进深度学习方法的变压器顶层油温预测方法的一种优选方案,其中:所述利用变分模态分解法包括,将输入信号分解为k个具有中心频率的有限带宽,并称之为模态uk,要使每个模态的带宽估计之和最小,在所述变分模态分解法中,信号分解过程即为变分问题的求解过程,带约束的变分问题的求解公式如下:
作为本发明所述的基于改进深度学习方法的变压器顶层油温预测方法的一种优选方案,其中:所述带约束的变分问题的求解包括,使用拉格朗日乘法算子λ(t)来求出所述带约束的变分问题的最优解,将所述带约束的变分问题转化为无约束的变分问题,转化公式如下:
其中:α为二次惩罚因子,L({uk},{ωk},λ)为拉格朗日函数表达形式,利用交替方向乘子算法求取上述拉格朗日函数的鞍点,其具体过程如下所示:
(2)在非负频率区间内,更新uk:
(3)更新wk:
(4)在非负频率区间内,更新λ:
(5)对于给定判定精度ε>0,有:
作为本发明所述的基于改进深度学习方法的变压器顶层油温预测方法的一种优选方案,其中:所述提取每层模态的油温数据包括,对于所述分解得到的k层模态,即k组变压器顶层油温分解数据,分别与环境温度,负荷数据组成k组训练数据,将环境温度,负荷,以及前t-1时刻油温子数据作为输入变量则可以得到当前时刻的油温数据。
作为本发明所述的基于改进深度学习方法的变压器顶层油温预测方法的一种优选方案,其中:所述GRU神经网络利用所述每层模态的油温数据构建各层模态的预测模型包括,所述GRU神经网络包括全连接层(输入层)、两层GRU层和全连接层(输出层),其中batch_size设置为1,epochs设置为30,num_steps参数选为24;GRU层设置神经元数量为32个,输出层输出该模态预测油温,维度为1,GRU神经元层的正向传播过程公式表示如下:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
本发明的有益效果:考虑负荷电流,环境温度,风速,太阳辐射等多种特征量,又考虑到变压器顶层油温与前时刻数据间的关系,通过时间序列分析方法、变分模态分解法以及GRU神经网络对变压器油温进行预测分析,提高了预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的一些实施例,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。其中:
图1为本发明第一个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的流程示意图;
图2为本发明第一个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的GRU神经网络原理示意图;
图3为本发明第一个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的频谱分析图中根据主要频率个数确定模态数示意图;
图4为本发明第二个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的原始负荷数据图;
图5为本发明第二个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的原始油温数据图;
图6为本发明第二个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的环境温度数据图;
图7为本发明第二个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的三层VMD分解图;
图8为本发明第二个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的第一层模态预测图;
图9为本发明第二个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的第二层模态预测图;
图10为本发明第二个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的第三层模态预测图;
图11为本发明第二个实施例所述的基于改进深度学习方法的变压器顶层油温预测方法的求和重构后的总体油温预测图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
为获取更高的预测精度,不仅要考虑负荷电流,环境温度,风速,太阳辐射等多种特征量,还需要考虑到变压器顶层油温与前时刻数据间的关系,由IEEE导则提出的顶层油温升模型可以推导得出,顶层油温短期预测问题是一个非线性不稳定的时间序列问题,使用统计学方法时不能准确反映负荷数据的非线性特点,机器学习方法虽能较好处理非线性问题,但又会破坏负荷数据的时序完整性,而在预测某一时刻的变压器顶层油温时,有必要考虑前一时刻或更早时刻的预测值,因此可考虑通过时间序列分析方法对变压器油温进行预测分析。
VMD(变分模态分解)是在EMD(经验模态分解)基础上提出的一种新型复杂信号分解方法,它根据预设的模态数将信号分解为具有不同中心频率的有限带宽,采用交替方向乘子法,不断更新各模态及其中心频率,最后将各个模态及其相应的中心频率提取出来,最终得到了各个具有不同中心频率的分量。
GRU神经网络是RNN(循环神经网络)的一种变体,相比于传统神经网络,GRU能够更好地处理输入为时间序列的任务,将之前输入产生的影响保留到模型,并共同参与到对下一步输出的计算中。
参照图1~3,为本发明的第一个实施例,该实施例提供了一种基于改进深度学习方法的变压器顶层油温预测方法,包括:
S1:从数据库服务器中读入变压器顶层油温的相关影响因素的原始数据集。其中需要说明的是,
变压器顶层油温的相关影响因素包括,变压器油温瞬时值、变压器负荷有功功率瞬时值和环境温度瞬时值,所有数据采样周期为1h,具体的数据内容如下表1所示:
表1:变压器相关数据。
数据类型 | 数据名称 |
变压器顶层油温 | 瞬时值 |
变压器负荷(有功) | 瞬时值 |
环境温度 | 瞬时值 |
S2:对原始数据集进行分类、编号并进行归一化处理。其中需要说明的是,
原始数据集进行分类、编号包括,将一年内的三类瞬时值数据作为训练集,将待测试的一日数据作为测试集数据,并对读入数据进行编号;进行归一化处理包括,将数据映射到0~1范围之内处理,其公式表示为如下:
其中:x′为归一化后数据,xmin为数据中的最小值,xmax为数据中的最大值。
S3:根据处理后的原始数据集利用频谱分析主频率法确定最佳模态层数,并利用变分模态分解法提取每层模态的油温数据。其中需要说明的是,
利用频谱分析主频率法确定最佳模态层数包括,利用训练集中一年的变压器顶层油温数据,作频谱图,寻找频谱图中的主要频率数f,并将其作为最大预设模态数kmax,通过从小到大进行取值,观察使用变分模态分解法分解时最后一层模态分量中心频率是否相对稳定,若稳定则认为此时模态数k为最佳值;利用变分模态分解法包括,将输入信号分解为k个具有中心频率的有限带宽,并称之为模态uk,要使每个模态的带宽估计之和最小,在变分模态分解法中,信号分解过程即为变分问题的求解过程,带约束的变分问题的求解公式如下:
进一步的是,带约束的变分问题的求解包括,使用拉格朗日乘法算子λ(t)来求出带约束的变分问题的最优解,将带约束的变分问题转化为无约束的变分问题,转化公式如下:
其中:α为二次惩罚因子,L({uk},{ωk},λ)为拉格朗日函数表达形式,利用交替方向乘子算法求取上述拉格朗日函数的鞍点,其具体过程如下所示:
(2)在非负频率区间内,更新uk:
(3)更新wk:
(4)在非负频率区间内,更新λ:
(5)对于给定判定精度ε>0,有:
其中:和分别为f(t)和λn+1对应的傅里叶变换,满足上式则停止迭代,否则重新进行变分问题的求解;提取每层模态的油温数据包括,对于分解得到的k层模态,即k组变压器顶层油温分解数据,分别与环境温度,负荷数据组成k组训练数据,将环境温度,负荷,以及前t-1时刻油温子数据作为输入变量则可以得到当前时刻的油温数据。
S4:GRU神经网络利用每层模态的油温数据构建各层模态的预测模型。其中需要说明的是,
GRU神经网络利用每层模态的油温数据构建各层模态的预测模型包括,GRU神经网络包括全连接层(输入层)、两层GRU层和全连接层(输出层),其中batch_size设置为1,epochs设置为30,num_steps参数选为24;GRU层设置神经元数量为32个,输出层输出该模态预测油温,维度为1,GRU神经元层的正向传播过程公式表示如下:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
S5:利用各层模态的预测模型得到各层模态的预测值,并进行求和重构得到整体序列的预测结果。
使用GRU神经网络对VMD分解出的k层模态分别进行预测,将各层模态预测所得的预测结果相叠加进行求和重构,可以得到测试集序列的整体预测结果,即需预测的变压器顶层油温数据。
实施例2
参照图4~11,为本发明的第二个实施例,本发明是一种基于改进深度学习方法的变压器顶层油温预测方法,结合南方电网某变压器5日变压器顶层油温及负荷、环境温度数据进行实例分析与验证,原始数据如图4~6所示,取前四日的数据作为训练集,最后一日的数据作为测试集;对原始油温数据进行VMD分解,在频谱分析图中根据主要频率个数确定模态数为3,其中VMD分解结果如图7所示,;再对各子模态进行GRU神经网络预测,参照图8~10为预测结果;最后对各子模态预测结果进行求和重构,得到总体预测结果,参照图11。
为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例中选择BP神经网络模型以及遗传算法优化的支持向量机(GA-SVM)进行测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
使用传统BP神经网络模型以及遗传算法优化的支持向量机(GA-SVM)对同样的南方电网某变压器5日变压器顶层油温及负荷、环境温度数据案例进行预测分析,输入数据及输出数据与本VMD-GRU方法相同,即控制其他所有变量,仅对比三种方法的预测精度,对比项为平均相对误差以及均方根误差,其中使用到的平均相对误差(MRE)与均方根误差(RMSE)的计算公式如下,对比结果如下表2所示:
表2:对比结果数据指标。
由表2可知,VMD-GRU模型的平均相对误差及均方根误差均小于BP神经网络以及GA-SVM模型,因此VMD-GRU模型的性能优于BP网络和GA-SVM模型。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于改进深度学习方法的变压器顶层油温预测方法,其特征在于:包括,
从数据库服务器中读入变压器顶层油温的相关影响因素的原始数据集;
对所述原始数据集进行分类、编号并进行归一化处理;
根据所述处理后的原始数据集利用频谱分析主频率法确定最佳模态层数,并利用变分模态分解法提取每层模态的油温数据;
门控循环单元神经网络利用所述每层模态的油温数据构建各层模态的预测模型;
利用所述各层模态的预测模型得到各层模态的预测值,并进行求和重构得到整体序列的预测结果。
2.如权利要求1所述的基于改进深度学习方法的变压器顶层油温预测方法,其特征在于:所述变压器顶层油温的相关影响因素包括,
变压器油温瞬时值、变压器负荷有功功率瞬时值和环境温度瞬时值,其采样周期都为1h。
3.如权利要求1或2所述的基于改进深度学习方法的变压器顶层油温预测方法,其特征在于:所述原始数据集进行分类、编号包括,
将所述原始数据集进行分类,将一年内的三类所述瞬时值数据作为训练集,将待测试的一日数据作为测试集数据,并对读入数据进行编号。
5.如权利要求1~2和4任一所述的基于改进深度学习方法的变压器顶层油温预测方法,其特征在于:所述利用频谱分析主频率法确定最佳模态层数包括,
利用所述训练集中一年的变压器顶层油温数据,作频谱图,寻找所述频谱图中的主要频率数f,并将其作为最大预设模态数kmax,通过从小到大进行取值,观察使用变分模态分解法分解时最后一层模态分量中心频率是否相对稳定,若稳定则认为此时模态数k为最佳值。
7.如权利要求6所述的基于改进深度学习方法的变压器顶层油温预测方法,其特征在于:所述带约束的变分问题的求解包括,
使用拉格朗日乘法算子λ(t)来求出所述带约束的变分问题的最优解,将所述带约束的变分问题转化为无约束的变分问题,转化公式如下:
其中:α为二次惩罚因子,L({uk},{ωk},λ)为拉格朗日函数表达形式,利用交替方向乘子算法求取上述拉格朗日函数的鞍点,其具体过程如下所示:
在非负频率区间内,更新uk:
更新wk:
在非负频率区间内,更新λ:
对于给定判定精度ε>0,有:
8.如权利要求7所述的基于改进深度学习方法的变压器顶层油温预测方法,其特征在于:所述提取每层模态的油温数据包括,
对于所述分解得到的k层模态,即k组变压器顶层油温分解数据,分别与环境温度,负荷数据组成k组训练数据,将环境温度,负荷,以及前t-1时刻油温子数据作为输入变量则可以得到当前时刻的油温数据。
9.如权利要求8所述的基于改进深度学习方法的变压器顶层油温预测方法,其特征在于:所述GRU神经网络利用所述每层模态的油温数据构建各层模态的预测模型包括,
所述GRU神经网络包括全连接层(输入层)、两层GRU层和全连接层(输出层),其中batch_size设置为1,epochs设置为30,num_steps参数选为24;GRU层设置神经元数量为32个,输出层输出该模态预测油温,维度为1,GRU神经元层的正向传播过程公式表示如下:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
ht=(1-zt)*ht-1+zt*ht
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007229.XA CN112115648B (zh) | 2020-09-23 | 2020-09-23 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007229.XA CN112115648B (zh) | 2020-09-23 | 2020-09-23 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115648A true CN112115648A (zh) | 2020-12-22 |
CN112115648B CN112115648B (zh) | 2023-12-01 |
Family
ID=73800774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011007229.XA Active CN112115648B (zh) | 2020-09-23 | 2020-09-23 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115648B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785081A (zh) * | 2021-02-04 | 2021-05-11 | 三一重工股份有限公司 | 油温预测方法、装置、电子设备和存储介质 |
CN112884249A (zh) * | 2021-03-25 | 2021-06-01 | 国家海洋信息中心 | 一种海域表层水温预测方法和装置 |
CN113096378A (zh) * | 2021-02-23 | 2021-07-09 | 北京航空航天大学 | 基于深度集合经验模态分解的高速公路od预测方法 |
CN113343564A (zh) * | 2021-05-28 | 2021-09-03 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
CN113376485A (zh) * | 2021-06-11 | 2021-09-10 | 云南电网有限责任公司电力科学研究院 | 一种基于svm算法的变压器绝缘热老化评估方法及装置 |
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 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138782A (zh) * | 2015-09-02 | 2015-12-09 | 上海大学 | 基于eemd-elm的非平稳脉动风速高精度预测方法 |
CN105678422A (zh) * | 2016-01-11 | 2016-06-15 | 广东工业大学 | 基于经验模态神经网络的混沌时间序列预测方法 |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
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 |
CN110276303A (zh) * | 2019-06-25 | 2019-09-24 | 湖南科技大学 | 基于vmd和dbn的转子不对中定量识别方法 |
CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
CN110414045A (zh) * | 2019-06-18 | 2019-11-05 | 东华大学 | 基于vmd-gru的短期风速预测方法 |
CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
CN111193256A (zh) * | 2020-01-07 | 2020-05-22 | 上海电力大学 | 基于变分模态分解和门控循环单元的电力负荷预测方法 |
CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
CN111461922A (zh) * | 2020-04-02 | 2020-07-28 | 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 |
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 |
CN113343564A (zh) * | 2021-05-28 | 2021-09-03 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
CN113705082A (zh) * | 2021-07-26 | 2021-11-26 | 南京邮电大学 | 一种基于改进bp神经网络的变压器热点温度预测方法 |
-
2020
- 2020-09-23 CN CN202011007229.XA patent/CN112115648B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138782A (zh) * | 2015-09-02 | 2015-12-09 | 上海大学 | 基于eemd-elm的非平稳脉动风速高精度预测方法 |
CN105678422A (zh) * | 2016-01-11 | 2016-06-15 | 广东工业大学 | 基于经验模态神经网络的混沌时间序列预测方法 |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
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 |
CN110414045A (zh) * | 2019-06-18 | 2019-11-05 | 东华大学 | 基于vmd-gru的短期风速预测方法 |
CN110276303A (zh) * | 2019-06-25 | 2019-09-24 | 湖南科技大学 | 基于vmd和dbn的转子不对中定量识别方法 |
CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
CN111193256A (zh) * | 2020-01-07 | 2020-05-22 | 上海电力大学 | 基于变分模态分解和门控循环单元的电力负荷预测方法 |
CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
CN111461922A (zh) * | 2020-04-02 | 2020-07-28 | 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 |
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 |
CN113343564A (zh) * | 2021-05-28 | 2021-09-03 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
CN113705082A (zh) * | 2021-07-26 | 2021-11-26 | 南京邮电大学 | 一种基于改进bp神经网络的变压器热点温度预测方法 |
Non-Patent Citations (2)
Title |
---|
王丽馨等: "基于自适应变分模态分解的电力系统机电振荡特征提取", 《电网技术》 * |
王丽馨等: "基于自适应变分模态分解的电力系统机电振荡特征提取", 《电网技术》, 20 February 2019 (2019-02-20), pages 1387 - 1395 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785081A (zh) * | 2021-02-04 | 2021-05-11 | 三一重工股份有限公司 | 油温预测方法、装置、电子设备和存储介质 |
CN113096378A (zh) * | 2021-02-23 | 2021-07-09 | 北京航空航天大学 | 基于深度集合经验模态分解的高速公路od预测方法 |
CN112884249A (zh) * | 2021-03-25 | 2021-06-01 | 国家海洋信息中心 | 一种海域表层水温预测方法和装置 |
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 |
CN113343564A (zh) * | 2021-05-28 | 2021-09-03 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
WO2022247241A1 (zh) * | 2021-05-28 | 2022-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
CN113376485A (zh) * | 2021-06-11 | 2021-09-10 | 云南电网有限责任公司电力科学研究院 | 一种基于svm算法的变压器绝缘热老化评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112115648B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115648A (zh) | 一种基于改进深度学习方法的变压器顶层油温预测方法 | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
De Giorgi et al. | Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods | |
CN108535656A (zh) | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 | |
CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
Akinci | Short term wind speed forecasting with ANN in Batman, Turkey | |
CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
CN106338708A (zh) | 结合深度学习与递归神经网络的电能计量误差分析方法 | |
Madadi et al. | Dynamic line rating forecasting based on integrated factorized Ornstein–Uhlenbeck processes | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
Chen et al. | Online prediction of ultra-short-term photovoltaic power using chaotic characteristic analysis, improved PSO and KELM | |
US20240014651A1 (en) | Probability estimation method for photovoltaic power based on optimized copula function and photovoltaic power system | |
CN106374531A (zh) | 一种主动配电网光储能量交换指数评估方法 | |
Cotfas et al. | Hybrid successive discretisation algorithm used to calculate parameters of the photovoltaic cells and panels for existing datasets | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN106203805A (zh) | 一种有源配电网概率可靠性估计方法及装置 | |
Ding et al. | Short-term wind speed prediction based on CEEMDAN-SE-improved PIO-GRNN model | |
CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
CN112910288B (zh) | 一种基于逆变器散热器温度预测的过温预警方法 | |
Al-Hawani et al. | Short-term forecasting of electricity consumption using gaussian processes | |
CN115754733A (zh) | 一种锂离子健康特征状态估计方法、系统、设备及介质 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN114970369A (zh) | 一种基于多任务学习的综合能源系统多元负荷预测方法 |
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 |