一种用于变压器状态评估的改进优化分类方法
技术领域
本发明涉及电力设备检测技术领域,特别是涉及一种用于变压器状态评估的改进优化分类方法。
背景技术
电力变压器作为重要的输变电设备,遍布电力系统输变电网络的关键节点,其安全、稳定运行对于保障电力系统供电可靠性至关重要。电力变压器一旦发生故障将引发停电事故,不仅会造成重大经济损失,甚至还会对社会稳定造成影响。因此,通过分析电力变压器监测数据,准确快速地评估电力变压器运行状态,及时采取合理、有效的运维检修策略,对保障电力系统可靠运行具有重要意义。
目前,变压器状态分类评估的现有方案存在以下问题:
一是采用层次分析法(AHP)和主成分分析(PCA)进行各项评估指标的赋权,依赖专家经验,且打分机制导致的主观成分较大,具有较强的主观随意性,客观性较差;
二是模糊数学理论中,模糊数学做状态分类的精度依靠和模糊规则隶属函数的选取,如何获得模糊规则及隶属函数,需要凭借专家经验,主观性较强,缺乏客观标准方法;
三是单一智能分类算法超参数难以确定,设置不同的参数值对结果造成的影响很大,超参数需要人工不断调试,难以找到最优超参数组合,人工调整超参数最优组合存在耗费时间长、效率低和评估精度低等缺点。
发明内容
本发明的目的是提供一种用于变压器状态评估的改进优化分类方法,采用人工智能能够捕捉变压器状态参量之间的相关性的优势,具有很好的非线性逼近能力,且通过对其超参数进行自适应的优化改进调节,避免了采用传统方法所存在的赋权、打分机制和人工调参等问题,具有较强的实用价值,并且过程简单,易于操作。
为实现上述目的,本发明提供了如下方案:
一种用于变压器状态评估的改进优化分类方法,该方法包括以下步骤:
S1,通过相关传感器采集变压器的状态参量,建立历史数据状态向量库,并根据变压器运行的实际情况设置相应的状态标签;
S2,对历史数据状态向量库中的样本数据采用最大最小值法进行归一化处理,并划分为训练集和测试集;
S3,初始化模型超参数组,建立基于LSTM的变压器状态评估分类模型,对训练集和测试集的数据分别进行模型训练与测试,将预测结果的平均绝对百分比误差作为适应度值,将适应度值最小的超参数组作为局部最优参数组;
S4,根据局部最优超参数组来更新下一代超参数组的取值,计算更新迭代后对应超参数组的适应度值,保存每一代的最优参数组,并进行比较,直至满足迭代终止条件,获取最优的超参数组;
S5,根据获得的最优超参数组建立改进后的变压器状态评估分类模型,通过相关传感器监测变压器的实时状态参量带入改进后的变压器状态评估分类模型中,对变压器当前状态进行实时的在线评估。
进一步的,所述步骤S1中,通过相关传感器采集变压器的状态参量,建立历史数据状态向量库,并根据变压器运行的实际情况设置相应的状态标签,具体包括:
采用超声波传感器、暂态地电压传感器、红外测温传感器、温度传感器、湿度传感器分别采集5种状态参量,建立历史数据状态向量库Xn,为
表示第n次监测的5种状态参量,历史数据状态向量库表示为:
根据变压器运行的实际情况设置相应状态的标签,将设备健康状态分为四个等级:健康、良好、恶化、故障,状态等级量化对应为“1、2、3、4”,作为模型的输出。
进一步的,所述步骤S2,对历史数据状态向量库中的样本数据采用最大最小值法进行归一化处理,并划分为训练集和测试集,具体包括:
采用最大最小值法对历史数据状态向量库中的每个变量进行归一化处理,映射到[0,1]之间,量纲化的方法按照式(2)进行计算:
式中,x*为任一变量归一化后的数据;xmin和xmax分别为样本数据集的最小值和最大值;x为原始样本数据;
对归一化后的数据按8:2的比例划分出训练集与测试集。
进一步的,所述步骤S3,初始化模型超参数组,建立基于LSTM的变压器状态评估分类模型,对训练集和测试集的数据分别进行模型训练与测试,将预测结果的平均绝对百分比误差作为适应度值,将适应度值最小的超参数组作为局部最优参数组,具体包括:
初始化模型超参数组,优化的超参数组为3维,分别为第一层神经元个数m1,第二层神经元个数m2与学习率lr,确定各个超参数的取值范围,并且确定最大迭代次数Tmax与超参数组数量pop,其中
lb=[lb1,lb2,lb3,...,lbn-1,lbn] (3)
ub=[ub1,ub2,ub3,...,ubn-1,ubn] (4)
式中,ubi表示第i个超参数上限向量,lbi表示第i个超参数下限向量,其中i=1,2,3,...,n;
根据初始化m1、m2与lr的取值建立基于LSTM的变压器状态评估分类模型,对训练集和测试集的数据分别进行模型训练与测试,将预测结果的平均绝对百分比误差作为适应度值,将适应度值最小的超参数组作为局部最优参数组Fj,适应度值计算公式为:
式中,n表示测试集的样本容量;Xact(i)和Xpred(i)(i=1,2,...n)分别为第i时刻模型输出运行状态标签的真实值和预测分类值。
进一步的,所述步骤S4,根据局部最优超参数组来更新下一代超参数组的取值,计算更新迭代后对应超参数组的适应度值,保存每一代的最优参数组,并进行比较,直至满足迭代终止条件,获取最优的超参数组,具体包括:
根据局部最优超参数组Fj来更新下一代超参数组的取值,基于式(3)-(4)迭代更新每组超参数的取值,根据式(5)计算更新迭代后对应超参数组的适应度值,保存每一代的最优参数组,直至满足迭代终止条件;其中,更新后的第i个超参数组S(Mi,Fi)如下:
S(Mi,Fj)=Di·ebt·cos(2πt)+Fj (6)
式中,Mi表示第i个超参数组,Fj表示最优超参数组,Di表示第i个超参数组到Fj的距离:Di=|Fj-Mi|,b表示对数螺旋线形状常数,t表示取值范围为[-1,1];
对每一代不同超参数组的最优适应度值进行比较,判断是否满足迭代终止条件,若满足迭代终止条件,获取最优的超参数组,否则继续上述迭代。
进一步的,所述迭代终止条件为当每一代最优适应度值趋于稳定或迭代次数达到最大时。
进一步的,所述步骤S1还包括缺失数据的填补以及异常数据的修复处理过程。
进一步的,所述步骤S5中,对实时状态参量采用最大最小值法进行归一化处理后,作为模型输入带入改进后的变压器状态评估分类模型中,以相应状态的标签作为模型输出。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的用于变压器状态评估的改进优化分类方法,通过在变压器上安置超声波传感器、暂态地电压传感器、红外测温传感器和温、湿度传感器,采集超声波、暂态地电压、红外测温和温湿度作为配电变压器状态评估的状态参量,建立历史数据状态向量库,并根据变压器运行的实际情况设置相应的状态标签,将设备健康状态分为四个等级:健康、良好、恶化、故障,直观评估变压器状态;首先根据历史数据状态向量库训练得到基于LSTM的变压器状态评估分类模型,通过自适应的调节超参数收敛速度快,且鲁棒性更强,运用得到的模型对在线监测的数据进行实时在线状态评估,可有效反映配电变压器的实际运行情况,为故障预警与运维计划调整提供了依据,避免了传统分类方法存在的人工调参和专家经验分类的问题;本发明分类速度快和分类精度高,可满足实时评估速度的要求,实现自学习、自寻优和自主判断变压器的健康状态,本发明方法简单,应用方便,适合运用于实际工程。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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他的附图。
图1为本发明LSTM网络结构图;
图2为本发明用于变压器状态评估的改进优化分类方法的流程图;
图3为本发明实施例变压器评估结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种用于变压器状态评估的改进优化分类方法,采用人工智能能够捕捉变压器状态参量之间的相关性的优势,具有很好的非线性逼近能力,且通过对其超参数进行自适应的优化改进调节,避免了采用传统方法所存在的赋权、打分机制和人工调参等问题,具有较强的实用价值,并且过程简单,易于操作。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图2所示,本发明提供的用于变压器状态评估的改进优化分类方法,包括以下步骤:
S1,通过相关传感器采集变压器的状态参量,建立历史数据状态向量库,并根据变压器运行的实际情况设置相应的状态标签;
S2,对历史数据状态向量库中的样本数据采用最大最小值法进行归一化处理,并划分为训练集和测试集;
S3,初始化模型超参数组,建立基于LSTM的变压器状态评估分类模型,对训练集和测试集的数据分别进行模型训练与测试,将预测结果的平均绝对百分比误差作为适应度值,将适应度值最小的超参数组作为局部最优参数组;
S4,根据局部最优超参数组来更新下一代超参数组的取值,计算更新迭代后对应超参数组的适应度值,保存每一代的最优参数组,并进行比较,直至满足迭代终止条件,获取最优的超参数组;
S5,根据获得的最优超参数组建立改进后的变压器状态评估分类模型,通过相关传感器监测变压器的实时状态参量带入改进后的变压器状态评估分类模型中,对变压器当前状态进行实时的在线评估。
本发明提出用于变压器状态评估的改进优化分类方法,采用长短期记忆神经网络LSTM作为状态评估分类器,可以有效解决其他神经网络作为分类器存在的梯度消失和梯度爆炸问题,每个LSTM有三个门结构,来实现保护和控制信息。分别是遗忘门(forget gatelayer),传入门(input gate layer),输出门(output gate layer),LSTM神经网络结构如图1所示。
LSTM神经网络结构的相关参数如下:
(1)计算遗忘门输出值:
ft=σ(Whf*ht-1+Wxf*xt+bf)
(2)计算传入门的值:
it=σ(wi·[ht-1,xt]+bi)
(3)更新细胞状态:
(4)计算输出门的值:
ot=σ(Who*ht-1+Wxo*xt+bo)
ht=ot*tanh(Ct)
式中,σ为sigmoid激活函数,tanh为双曲正切激活函数;f
t,i
t,o
t,
和h
t分别为遗忘门、输入门、输出门、状态单元和输出;W
hf,W
xf,w
i,W
hc,W
xc,W
ho,W
xo分别为相应门对应的矩阵权重;b
i,b
c,b
f,b
o分别为相应门的偏置项。LSTM作为分类器时关键的一步为超参数的选取,超参数的选取会对状态评估的精度带来很大的影响,按照人工经验很难选取到最优的超参数组,且人工选取超参数依赖人工经验且十分费时,本专利通过提出自适应的状态评估分类器方法实现变压器状态评估的实时状态评估。
其中,所述步骤S1中,通过相关传感器采集变压器的状态参量,建立历史数据状态向量库,并根据变压器运行的实际情况设置相应的状态标签,具体包括:
采用超声波传感器、暂态地电压传感器、红外测温传感器、温度传感器、湿度传感器分别采集5种状态参量,建立历史数据状态向量库Xn,为
表示第n次监测的5种状态参量,历史数据状态向量库表示为:
根据变压器运行的实际情况设置相应状态的标签,将设备健康状态分为四个等级:健康、良好、恶化、故障,状态等级量化对应为“1、2、3、4”,作为模型的输出,如表1所示,ht=[′1′,2′,′3′,′4′]。
表1.变压器健康运行状态分级
所述步骤S2,对历史数据状态向量库中的样本数据采用最大最小值法进行归一化处理,并划分为训练集和测试集,具体包括:
采用最大最小值法对历史数据状态向量库中的每个变量进行归一化处理,映射到[0,1]之间,量纲化的方法按照式(2)进行计算:
式中,x*为任一变量归一化后的数据;xmin和xmax分别为样本数据集的最小值和最大值;x为原始样本数据;
对归一化后的数据按8:2的比例划分出训练集与测试集。
所述步骤S3,初始化模型超参数组,建立基于LSTM的变压器状态评估分类模型,对训练集和测试集的数据分别进行模型训练与测试,将预测结果的平均绝对百分比误差作为适应度值,将适应度值最小的超参数组作为局部最优参数组,具体包括:
初始化模型超参数组,优化的超参数组为3维,分别为第一层神经元个数m1,第二层神经元个数m2与学习率lr,确定各个超参数的取值范围,并且确定最大迭代次数Tmax与超参数组数量pop,其中
lb=[lb1,lb2,lb3,...,lbn-1,lbn] (3)
ub=[ub1,ub2,ub3,...,ubn-1,ubn] (4)
式中,ubi表示第i个超参数上限向量,lbi表示第i个超参数下限向量,其中i=1,2,3,...,n;
根据初始化m1、m2与lr的取值建立基于LSTM的变压器状态评估分类模型,对训练集和测试集的数据分别进行模型训练与测试,将预测结果的平均绝对百分比误差作为适应度值,将适应度值最小的超参数组作为局部最优参数组Fj,适应度值计算公式为:
式中,n表示测试集的样本容量;Xact(i)和Xpred(i)(i=1,2,...n)分别为第i时刻模型输出运行状态标签的真实值和预测分类值。
所述步骤S4,根据局部最优超参数组来更新下一代超参数组的取值,计算更新迭代后对应超参数组的适应度值,保存每一代的最优参数组,并进行比较,直至满足迭代终止条件,获取最优的超参数组,具体包括:
根据局部最优超参数组Fj来更新下一代超参数组的取值,基于式(3)-(4)迭代更新每组超参数的取值,根据式(5)计算更新迭代后对应超参数组的适应度值,保存每一代的最优参数组,直至满足迭代终止条件;其中,更新后的第i个超参数组S(Mi,Fi)如下:
S(Mi,Fj)=Di·ebt·cos(2πt)+Fj (6)
式中,Mi表示第i个超参数组,Fj表示最优超参数组,Di表示第i个超参数组到Fj的距离:Di=|Fj-Mi|,b表示对数螺旋线形状常数,t表示取值范围为[-1,1];
对每一代不同超参数组的最优适应度值进行比较,判断是否满足迭代终止条件,若满足迭代终止条件,获取最优的超参数组,否则继续上述迭代。
所述迭代终止条件为当每一代最优适应度值趋于稳定或迭代次数达到最大时。
所述步骤S1还包括缺失数据的填补以及异常数据的修复处理过程。
所述步骤S5中,对实时状态参量采用最大最小值法进行归一化处理后,作为模型输入带入改进后的变压器状态评估分类模型中,以相应状态的标签作为模型输出。
在实施例中,选取在线监测平台上39台变压器2016—2019年十个季度共3280条历史监测数据,以39台变压器2016—2018年12个季度的历史数据为训练样本,评估所有变压器2019年第一季度的检修状态,并对比评估结果与实际情况的异同。变压器状态划分为“健康、良好、恶化、故障”四个状态等级,量化为“1、2、3、4”,最终预测结果由四舍五入取整并归类等级。39台变变压器处于健康状态的有24台,良好状态的有8台,恶化的有4台,故障的有3台。分类状态与真实状态对比结果如图3所示,计算出的各状态下的评估准确率如表2所示。
表2.各状态评估准确率
由图3可知,评估数据和实际数据拟合度较高,表明评估方法有效,由表2可知,总体评估准确率达87.18%,对于存在问题(恶化和故障)的变压器的评估准确率达到100%,对于健康状态的变压器评估精度略低,在24台健康的变压器中误判了4次,且其中3次误判为良好状态,1次误判为恶化状态,误判状态范围在允许范围内。由此可见,本方法的评估结果正确率较高,尤其可以准确识别出“恶化、故障”问题的变压器,可作为变压器状态初步评价方案,具有一定的实际应用价值。
本发明提供的用于变压器状态评估的改进优化分类方法,通过在变压器上安置超声波传感器、暂态地电压传感器、红外测温传感器和温湿度传感器,选取超声波、暂态地电压、红外测温和温湿度作为配电变压器状态评估的状态参量,建立历史数据状态向量库,并根据变压器运行的实际情况设置相应的状态标签,将设备健康状态分为四个等级:健康、良好、恶化、故障,根据历史数据状态向量库训练得到变压器状态评估分类模型,通过自适应的调节超参数收敛速度快,且鲁棒性更强,运用得到的模型对在线监测的数据进行实时在线状态评估,可有效反映配电变压器的实际运行情况,为故障预警与运维计划调整提供了依据,避免了传统分类方法存在的人工调参和专家经验分类的问题;本发明分类速度快和分类精度高,可满足实时评估速度的要求,实现自学习、自寻优和自主判断变压器的健康状态,本发明方法简单,应用方便,适合运用于实际工程。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。