CN112580254B - 一种基于多级决策融合的换流变多维度分析和预警方法 - Google Patents

一种基于多级决策融合的换流变多维度分析和预警方法 Download PDF

Info

Publication number
CN112580254B
CN112580254B CN202011377840.1A CN202011377840A CN112580254B CN 112580254 B CN112580254 B CN 112580254B CN 202011377840 A CN202011377840 A CN 202011377840A CN 112580254 B CN112580254 B CN 112580254B
Authority
CN
China
Prior art keywords
converter transformer
oil temperature
early warning
value
output
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
CN202011377840.1A
Other languages
English (en)
Other versions
CN112580254A (zh
Inventor
廖毅
罗炜
蒋峰伟
胡忠山
李星辰
石延辉
洪乐州
杨洋
于大洋
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 Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangzhou Bureau of Extra High Voltage Power Transmission Co
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 Bureau of Extra High Voltage Power Transmission Co filed Critical Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202011377840.1A priority Critical patent/CN112580254B/zh
Publication of CN112580254A publication Critical patent/CN112580254A/zh
Application granted granted Critical
Publication of CN112580254B publication Critical patent/CN112580254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

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)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (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)
  • Protection Of Transformers (AREA)

Abstract

本发明公开了一种基于多级决策融合的换流变多维度分析和预警方法，涉及换流变监测技术领域，包括获取换流变的状态量监测值；根据设定的判据判断获取的状态量监测值是否超过阈值，若不足，则输出预警信号；若足够，则执行步骤3，其中，所述设定的判据至少包括采用预测算法对状态量进行监测；建立换流变冷却系统风机运行功率冷却能力量化模型，采用利用熵值法确定不同评估指标的权重，综合判断评估换流变负载裕度是否足够；若不足，则输出预警信号，若足够，则继续监测换流变运行状态。本发明从不同维度上对换流变运行状态进行分析评估。

Description

一种基于多级决策融合的换流变多维度分析和预警方法
技术领域
本发明涉及换流变监测技术领域，具体涉及一种基于多级决策融合的换流变多维度分析和预警方法。
背景技术
换流变是交直流系统中能量转换的关键设备，其运行直接影响交直流系统运行可靠性。目前换流变运行状态的评估主要依赖于各类传感器、测量元器件所提供的监测数据信息，包括油温、油位、油色谱信息，与阈值进行对比判断或者采用三比值法对油中溶解气体进行分析，以确定换流变状态是否正常。但由于设备运行环境和工况的差异性，目前相关运维规范设定的阈值在异常诊断方面具有一定的局限性，且受负荷、温度、输出表计以及回路缺陷等因素的影响，换流变异常有时被掩盖在正常监控信号的波动中而难以识别；同时，采用阈值或变化率的方法进行缺陷诊断，算法逻辑单一，人工智能应用不充分。且通过油色谱分析换流变状态需要借助试验手段，增加了运维人员工作量。
如何从现有换流变运行监测状态量中识别设备异常是当前换流变运维中需解决的问题。
发明内容
针对现有技术中的不足，本发明提供一种基于多级决策融合的换流变多维度分析和预警方法，从不同维度上对换流变运行状态进行分析评估。
为实现上述目的，本发明的技术方案如下：
一种基于多级决策融合的换流变多维度分析和预警方法，包括以下步骤：
步骤1：获取换流变的状态量监测值；
步骤2：根据设定的判据判断获取的状态量监测值是否超过阈值，若不足，则输出预警信号；若足够，则执行步骤3，其中，所述设定的判据至少包括采用预测算法对状态量进行监测；
步骤3：建立换流变冷却系统风机运行功率冷却能力量化模型，采用利用熵值法确定不同评估指标的权重，综合判断评估换流变负载裕度是否足够；若不足，则输出预警信号，若足够，则继续监测换流变运行状态。
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，换流变运行监测的状态量包括：绕组温度、油温、油位、功率、换流变冷却器风机运行功率、环境温度、换流变运行功率和额定功率；其中，所述关键状态量包括绕组温度、油温和油位。
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，所述设定的判据还包括
判据一：当同一换流变的油温和油位之间的相关性小于相关性阈值δ1，或，当换流变同一连接方式不同相之间的油位差值的绝对值大于差值阈值δ2，则换流变油位判断为异常；
判据二：预测下时刻的油温，当油温预测值超出阈值δ3，则判断换流变油温异常；
判据三：换流变运行功率/额定功率超出阈值δ4，则判断换流变负载裕度不足；
三种判据的至少一条判定为异常时，输出预警信号。
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，
在步骤3中：换流变冷却系统风机运行功率冷却能力量化模型为：
Figure BDA0002807604490000021
式中：
Figure BDA0002807604490000022
L为运行功率，Lmax为最大运行功率，Ttep为当前环境温度，Ttep-max为最大环境温度，u1,...un表示n台风机运行状态，取值为0或者1，Pe1,...Pen表示n台风机额定功率，Pe为所有风机额定功率之和，P1,...Pn表示n台风机运行功率，运行功率为0时，表示风机未投运。
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，
在步骤3中：综合评估换流变运行状态下负载裕度：
y＝w1×y1+...+wk×yk
式中，y1…yk为各个评估指标计算结果，w1…wk为不同评估指标的权重，k表示多个评估指标个数。
采用利用熵值法确定不同评估指标的权重：
第j个评估量下z时刻监测数据所占比重为：
Figure BDA0002807604490000023
式中：l表示不同时刻换流变监测状态量的样本数量，yzj为负载裕度评估结果值，y'zj为第j个评估量下z时刻监测数据所占比重；
第j个特征参数的熵权Ej可表示为：
Figure BDA0002807604490000031
指标j权重为：
Figure BDA0002807604490000032
不同评估指标的权重为：W＝[w1,w2,...wk]。
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，所述预测算法包括：
根据换流变油温、环境温度以及有功功率构建油温预测模型，其中，所述油温预测模型在考虑环境温度和功率变化的情况下，基于LSTM神经网络进行拟合获得；
根据构建的所述油温预测模型对换流变油温进行动态预测。
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，所述LSTM网络包括忘记门，输入门和输出门，其中，忘记门层，读取ht-1和xt，输出一个0到1之间的数值ft，即
ft＝σ(Wxfxt+Whfht-1+bf)
输入门层，以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入，输出结果it作为将要更新的信息，即
it＝σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新，新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定，即
Figure BDA0002807604490000033
Figure BDA0002807604490000034
输出门层，运行一个sigmoid层决定细胞状态的哪部分将输出，然后，把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出，即
ot＝σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数；Wx代表输入层到隐含层的权重；Wh代表递归连接的权重；b代表偏置项。
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，所述油温预测模型包括：
获取换流变单相油温、环境温度和整流侧有功功率，并进行数据预处理，其中，所述数据预处理包括数据剔除及归一化处理；
将数据预处理后的数据集分别划分为验证数据集、训练数据集和测试数据集，其中，将换流变单相油温作为油温预测模型的输出，将环境温度和整流侧有功功率作为油温预测模型的输入；
将训练集数据作为输入值输入超参数初步调整后的LSTM模型中，输入层的神经元个数选取为2个，输入的时序变量为{x1,x2}，其中在采样时刻t神经元的输入时间序列为[It(1),It(2)]，输出变量为油温；
神经网络选择2层LSTM，最后连接一个全连接层后通过一个激活函数作为最终的输出.在训练过程中若训练平均绝对误差大于阈值，则更新权重与偏置W、b、a，继续与输入相互作用进行计算；若平均绝对误差小于阈值，则输出结果作为另一个初始化参数；
进行平均绝对误差的反向传播算法(BP)神经网络训练，即t时刻后所有时刻平均绝对误差进行反向传播计算，更新权重矩阵，直到得到最优全局参数矩阵，获得训练模型；
将测试数据集的环境温度和整流侧有功功率作为训练模型的输入，将测试数据集的换流变单相油温作为训练模型的输出，对换流变油温进行预测。
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，平均绝对误差的计算公式为：
Figure BDA0002807604490000041
式中，m表示样本数，yi和
Figure BDA0002807604490000042
为i时刻热点温度的实际值和预测值
如上所述的基于多级决策融合的换流变多维度分析和预警方法，进一步地，所述步骤2中，还包括判断关键状态量换流变运行负载能力是否足够，若不足，则输出预警信号，其中，通过关键状态量判断换流变运行负载能力是否足够为：关键状态量的监测值是否超过监测阈值，或，关键状态量的变化率是否超过变化率阈值。
本发明与现有技术相比，其有益效果在于：
1、利用换流变运行监测的油温油位相关性和和多源横向对比分析算法，建立多维度分析的换流变缺陷预警模型，识别正常监控信号波动中的异常，降低了算法的复杂性。
2、通过换流变运行状态下负载裕度的综合评估，为极端工况下换流变负载能力是否充裕提供依据。
3、基于长短时记忆网络，考虑多源影响因素，提供了一种油温预测方法，对油温和负载裕度发展趋势做出预测，提前预警。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，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为本发明实施例的方法流程图；
图2为本发明实施例的利用LSTM对整流变油温进行预测的流程图；
图3为本发明实施例的A相油温训练集和测试集损失值；
图4为本发明实施例的LSTM算法下油温测试集真实值和预测值。
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、完整的描述，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。
实施例：
需要说明的是，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1至图4，图1为本发明实施例的方法流程图；图2为本发明实施例的利用LSTM对整流变油温进行预测的流程图；图3为本发明实施例的A相油温训练集和测试集损失值；图4为本发明实施例的LSTM算法下油温测试集真实值和预测值。
一种基于多级决策融合的换流变多维度分析和预警方法，包括以下步骤：
步骤1：获取换流变的状态量监测值；
步骤2：根据设定的判据判断获取的状态量监测值是否超过阈值，若不足，则输出预警信号；若足够，则执行步骤3，其中，所述设定的判据至少包括采用预测算法对状态量进行监测；
步骤3：建立换流变冷却系统风机运行功率冷却能力量化模型，采用利用熵值法确定不同评估指标的权重，综合判断评估换流变负载裕度是否足够；若不足，则输出预警信号，若足够，则继续监测换流变运行状态。
作为一种可选的实施方式，在某些实施例中，换流变运行监测的状态量包括：绕组温度、油温、油位、功率、换流变冷却器风机运行功率、环境温度、换流变运行功率和额定功率；其中，所述关键状态量包括绕组温度、油温和油位。
作为一种可选的实施方式，在某些实施例中，所述设定的判据还包括
判据一：当同一换流变的油温和油位之间的相关性小于相关性阈值δ1，或，当换流变同一连接方式不同相之间的油位差值的绝对值大于差值阈值δ2，则换流变油位判断为异常；
判据二：预测下时刻的油温，当油温预测值超出阈值δ3，则判断换流变油温异常；
判据三：换流变运行功率/额定功率超出阈值δ4，则判断换流变负载裕度不足；
三种判据的至少一条判定为异常时，输出预警信号。
作为一种可选的实施方式，在某些实施例中，
在步骤3中：换流变冷却系统风机运行功率冷却能力量化模型为：
Figure BDA0002807604490000061
式中：
Figure BDA0002807604490000062
L为运行功率，Lmax为最大运行功率，Ttep为当前环境温度，Ttep-max为最大环境温度，u1,...un表示n台风机运行状态，取值为0或者1，Pe1,...Pen表示n台风机额定功率，Pe为所有风机额定功率之和，P1,...Pn表示n台风机运行功率，运行功率为0时，表示风机未投运。
作为一种可选的实施方式，在某些实施例中，
在步骤3中：综合评估换流变运行状态下负载裕度：
y＝w1×y1+...+wk×yk
式中，y1…yk为各个评估指标计算结果，w1…wk为不同评估指标的权重，k表示多个评估指标个数。
采用利用熵值法确定不同评估指标的权重：
第j个评估量下z时刻监测数据所占比重为：
Figure BDA0002807604490000071
式中：l表示不同时刻换流变监测状态量的样本数量，yzj为负载裕度评估结果值，y'zj为第j个评估量下z时刻监测数据所占比重；
第j个特征参数的熵权Ej可表示为：
Figure BDA0002807604490000072
指标j权重为：
Figure BDA0002807604490000073
不同评估指标的权重为：W＝[w1,w2,...wk]。
作为一种可选的实施方式，在某些实施例中，所述预测算法包括：
根据换流变油温、环境温度以及有功功率构建油温预测模型，其中，所述油温预测模型在考虑环境温度和功率变化的情况下，基于LSTM神经网络进行拟合获得；
根据构建的所述油温预测模型对换流变油温进行动态预测。
作为一种可选的实施方式，在某些实施例中，所述LSTM网络包括忘记门，输入门和输出门，其中，忘记门层，读取ht-1和xt，输出一个0到1之间的数值ft，即
ft＝σ(Wxfxt+Whfht-1+bf)
输入门层，以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入，输出结果it作为将要更新的信息，即
it＝σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新，新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定，即
Figure BDA0002807604490000074
Figure BDA0002807604490000075
输出门层，运行一个sigmoid层决定细胞状态的哪部分将输出，然后，把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出，即
ot＝σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数；Wx代表输入层到隐含层的权重；Wh代表递归连接的权重；b代表偏置项。
作为一种可选的实施方式，在某些实施例中，所述油温预测模型包括：
获取换流变单相油温、环境温度和整流侧有功功率，并进行数据预处理，其中，所述数据预处理包括数据剔除及归一化处理；
将数据预处理后的数据集分别划分为验证数据集、训练数据集和测试数据集，其中，将换流变单相油温作为油温预测模型的输出，将环境温度和整流侧有功功率作为油温预测模型的输入；
将训练集数据作为输入值输入超参数初步调整后的LSTM模型中，输入层的神经元个数选取为2个，输入的时序变量为{x1,x2}，其中在采样时刻t神经元的输入时间序列为[It(1),It(2)]，输出变量为油温；
神经网络选择2层LSTM，最后连接一个全连接层后通过一个激活函数作为最终的输出.在训练过程中若训练平均绝对误差大于阈值，则更新权重与偏置W、b、a，继续与输入相互作用进行计算；若平均绝对误差小于阈值，则输出结果作为另一个初始化参数；
进行平均绝对误差的反向传播算法(BP)神经网络训练，即t时刻后所有时刻平均绝对误差进行反向传播计算，更新权重矩阵，直到得到最优全局参数矩阵，获得训练模型；
将测试数据集的环境温度和整流侧有功功率作为训练模型的输入，将测试数据集的换流变单相油温作为训练模型的输出，对换流变油温进行预测。
作为一种可选的实施方式，在某些实施例中，平均绝对误差的计算公式为：
Figure BDA0002807604490000081
式中，m表示样本数，yi和
Figure BDA0002807604490000082
为i时刻热点温度的实际值和预测值。
作为一种可选的实施方式，在某些实施例中，所述步骤2中，还包括判断关键状态量换流变运行负载能力是否足够，若不足，则输出预警信号，其中，通过关键状态量判断换流变运行负载能力是否足够为：关键状态量的监测值是否超过监测阈值，或，关键状态量的变化率是否超过变化率阈值。
预测的实例：
参见图3，本实施例搜集穗东换流变压器2018年4月-12月运行监测数据作为数据集，包括油温、环境温度、有功功率状态量。样本数据间隔4小时，共计1633条。在Python3.7环境以及Keras、Scikit-learn、Tensorflow等函数库的基础上，构建基于LSTM算法模型，对数据进行离线化训练。对相关参数进行初始设置，设定学习率为0.01，输入维度为2，输出节点为1，将所有矩阵初始化，误差阈值设定为1×10-2，迭代80次，迭代至20次左右时，训练样本小于误差阈值，得到输出油温值，训练结束。以换流变A相油温为例进行分析，如图3是测试集和训练集在80次迭代过程中损失值的走势，经过10次迭代之后损失值基本达到了稳定状态，迭代40次之后，误差稳定在1.83％上下。
图4展示了换流变A相油温测试集的真实值和预测值结果，观察可以看出，真实值和预测值之间基本重合，数据走势和波动基本一致，曲线贴合程度较高，在波峰处真实值和预测值保持一致，在波谷处预测值略高于真实值，油温变化趋势一致。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (6)

1.一种基于多级决策融合的换流变多维度分析和预警方法，其特征在于，包括以下步骤：
步骤1：获取换流变的状态量监测值；
步骤2：根据设定的判据判断获取的状态量监测值是否超过阈值，若不足，则输出预警信号；若足够，则执行步骤3，其中，所述设定的判据至少包括采用预测算法对状态量进行监测；
步骤3：建立换流变冷却系统风机运行功率冷却能力量化模型，采用熵值法确定不同评估指标的权重，综合判断评估换流变负载裕度是否足够；若不足，则输出预警信号，若足够，则继续监测换流变运行状态；
所述预测算法包括：
根据换流变油温、环境温度以及有功功率构建油温预测模型，其中，所述油温预测模型在考虑环境温度和功率变化的情况下，基于LSTM神经网络进行拟合获得；
根据构建的所述油温预测模型对换流变油温进行动态预测；
所述LSTM网络包括忘记门，输入门和输出门，其中，忘记门层，读取ht-1和xt，输出一个0到1之间的数值ft，即
ft＝σ(Wxfxt+Whfht-1+bf)
输入门层，以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入，输出结果it作为将要更新的信息，即
it＝σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新，新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定，即
Figure FDA0003321392780000011
Figure FDA0003321392780000012
输出门层，运行一个sigmoid层决定细胞状态的哪部分将输出，然后，把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出
ot＝σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数；Wx代表输入层到隐含层的权重；Wh代表递归连接的权重；b代表偏置项；
所述油温预测模型包括：
获取换流变单相油温、环境温度和整流侧有功功率，并进行数据预处理，其中，所述数据预处理包括数据剔除及归一化处理；
将数据预处理后的数据集分别划分为验证数据集、训练数据集和测试数据集，其中，将换流变单相油温作为油温预测模型的输出，将环境温度和整流侧有功功率作为油温预测模型的输入；
将训练集数据作为输入值输入超参数初步调整后的LSTM模型中，输入层的神经元个数选取为2个，输入的时序变量为{x1,x2}，其中在采样时刻t神经元的输入时间序列为[It(1),It(2)]，输出变量为油温；
神经网络选择2层LSTM，最后连接一个全连接层后通过一个激活函数作为最终的输出，在训练过程中若训练平均绝对误差大于阈值，则更新权重与偏置W、b、a，继续与输入相互作用进行计算；若平均绝对误差小于阈值，则输出结果作为另一个初始化参数；
进行平均绝对误差的反向传播算法神经网络训练，即t时刻后所有时刻平均绝对误差进行反向传播计算，更新权重矩阵，直到得到最优全局参数矩阵，获得训练模型；
将测试数据集的环境温度和整流侧有功功率作为训练模型的输入，将测试数据集的换流变单相油温作为训练模型的输出，对换流变油温进行预测；
所述设定的判据还包括
判据一：当同一换流变的油温和油位之间的相关性小于相关性阈值δ1，或，当换流变同一连接方式不同相之间的油位差值的绝对值大于差值阈值δ2，则换流变油位判断为异常；
判据二：预测下时刻的油温，当油温预测值超出阈值δ3，则判断换流变油温异常；
判据三：换流变运行功率/额定功率超出阈值δ4，则判断换流变负载裕度不足；
三种判据的至少一条判定为异常时，输出预警信号。
2.根据权利要求1所述的基于多级决策融合的换流变多维度分析和预警方法，其特征在于，换流变运行监测的状态量包括：绕组温度、油温、油位、功率、换流变冷却器风机运行功率、环境温度、换流变运行功率和额定功率；其中，关键状态量包括绕组温度、油温和油位。
3.根据权利要求1所述的基于多级决策融合的换流变多维度分析和预警方法，其特征在于，
在步骤3中：换流变冷却系统风机运行功率冷却能力量化模型为：
Figure FDA0003321392780000021
式中：
Figure FDA0003321392780000022
L为运行功率，Lmax为最大运行功率，Ttep为当前环境温度，Ttep-max为最大环境温度，u1,...un表示n台风机运行状态，取值为0或者1，Pe1,...Pen表示n台风机额定功率，Pe为所有风机额定功率之和，P1,...Pn表示n台风机运行功率，运行功率为0时，表示风机未投运。
4.根据权利要求1所述的基于多级决策融合的换流变多维度分析和预警方法，其特征在于，
在步骤3中：综合评估换流变运行状态下负载裕度：
y＝w1×y1+...+wk×yk
式中，y1…yk为各个评估指标计算结果，w1…wk为不同评估指标的权重，k表示多个评估指标个数，
采用熵值法确定不同评估指标的权重：
第j个评估量下z时刻监测数据所占比重为：
Figure FDA0003321392780000031
式中：l表示不同时刻换流变监测状态量的样本数量，yzj为负载裕度评估结果值，y'zj为第j个评估量下z时刻监测数据所占比重；
第j个特征参数的熵权Ej可表示为：
Figure FDA0003321392780000032
指标j权重为：
Figure FDA0003321392780000033
不同评估指标的权重为：W＝[w1,w2,...wk]。
5.根据权利要求1所述的基于多级决策融合的换流变多维度分析和预警方法，其特征在于，平均绝对误差的计算公式为：
Figure FDA0003321392780000034
式中，m表示样本数，yi和
Figure FDA0003321392780000035
为i时刻热点温度的实际值和预测值。
6.根据权利要求2所述的基于多级决策融合的换流变多维度分析和预警方法，其特征在于，所述步骤2中，还包括判断关键状态量换流变运行负载能力是否足够，若不足，则输出预警信号，其中，通过关键状态量判断换流变运行负载能力是否足够为：关键状态量的监测值是否超过监测阈值，或，关键状态量的变化率是否超过变化率阈值。
CN202011377840.1A 2020-11-30 2020-11-30 一种基于多级决策融合的换流变多维度分析和预警方法 Active CN112580254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011377840.1A CN112580254B (zh) 2020-11-30 2020-11-30 一种基于多级决策融合的换流变多维度分析和预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011377840.1A CN112580254B (zh) 2020-11-30 2020-11-30 一种基于多级决策融合的换流变多维度分析和预警方法

Publications (2)

Publication Number Publication Date
CN112580254A CN112580254A (zh) 2021-03-30
CN112580254B true CN112580254B (zh) 2021-12-31

Family

ID=75126838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011377840.1A Active CN112580254B (zh) 2020-11-30 2020-11-30 一种基于多级决策融合的换流变多维度分析和预警方法

Country Status (1)

Country Link
CN (1) CN112580254B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113640596A (zh) * 2021-07-13 2021-11-12 中国南方电网有限责任公司超高压输电公司广州局 换流变压器异常检测方法、装置、计算机设备和存储介质
CN117686861B (zh) * 2024-02-04 2024-04-23 南京中鑫智电科技有限公司 多级参考基准的换流变阀侧套管绝缘状态监测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111006741A (zh) * 2019-12-25 2020-04-14 中国南方电网有限责任公司超高压输电公司广州局 一种油浸式变压器本体油位异常检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103746750B (zh) * 2013-08-23 2016-06-01 西华大学 无线电监测电磁态势预测系统
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
CN110646194B (zh) * 2019-08-29 2020-09-01 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀冷却能力多维度分析预警方法及系统
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111006741A (zh) * 2019-12-25 2020-04-14 中国南方电网有限责任公司超高压输电公司广州局 一种油浸式变压器本体油位异常检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Analysis of Creeping Discharges on Oil-Impregnated Pressboard under Combined AC and DC Voltages;Li, Xudong等;《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》;20181231;第25卷(第6期);2380-2388 *
基于双压强传感器变压器油位检测系统的研究与应用;徐心怡等;《上海节能》;20190131(第1期);49-53 *

Also Published As

Publication number Publication date
CN112580254A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
Peimankar et al. Evolutionary multi-objective fault diagnosis of power transformers
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
CN112765873B (zh) 一种基于lstm算法的变电设备发热预测方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN112580254B (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN112101519B (zh) 一种基于lstm的换流阀冷却裕度预测运维方法及系统
CN112734131B (zh) 一种基于深度学习算法的风机叶片覆冰状态预测方法
CN113627735A (zh) 工程建设项目安全风险的预警方法及系统
CN111680712B (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
Zhou et al. Trustworthy fault diagnosis with uncertainty estimation through evidential convolutional neural networks
CN116109039A (zh) 一种数据驱动异常检测与预警系统
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
Zhang et al. An age-dependent prognostic model for nonlinear degrading devices based on diffusion process
Ge et al. Remaining useful life prediction of machinery based on KS distance and LSTM neural network
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
Tiwary et al. Multi-dimensional ANN application for active power flow state classification on a utility system
Berizzi et al. Online fuzzy voltage collapse risk quantification
Pan et al. Assessment of MV XLPE cable aging state based on PSO-XGBoost algorithm
CN113393102A (zh) 一种基于数据驱动的配电变压器运行状态趋势预测方法
Kaligambe et al. Indoor Room Temperature and Relative Humidity Estimation in a Commercial Building Using the XGBoost Machine Learning Algorithm
Zhou et al. Bearing life prediction method based on parallel multichannel recurrent convolutional neural network
Ge et al. A prediction method using bayesian theory for remaining useful life

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