CN112966867A - 基于pso-bp神经网络和四分位法的变压器预警方法 - Google Patents

Abstract

本发明涉及一种基于PSO‑BP神经网络和四分位法的变压器预警方法，属于设备运营技术领域；包括步骤1，数据采集：获取配电变压器的负载率、绕组温度以及环境温度在指定时间内的的历史数据；步骤2，神经网络算法预测：根据历史数据预测负载率、绕组温度以及环境温度；步骤3，阈值计算：根据历史数据通过高斯分布计算负载率、绕组温度以及环境温度对应区间的阈值；步骤4，区间生成：利用四分位法生成去掉突变数据的负载率和绕组温升区间；步骤5，预警告警：通过计算出的负载率和绕组温升区间，对预测值进行预警，同时对实时值进行告警；通过大数据分析，无需对变压器改造，提高用电的可靠性，实用性强，易于推广。

Description

基于PSO-BP神经网络和四分位法的变压器预警方法

技术领域

本发明涉及一种基于PSO-BP神经网络和四分位法的变压器预警方法，属于设备运营技术领域。

背景技术

变压器是电力系统运行的关键设备之一，评估变压器的稳定运行对配电管理和运维检修都有着极为重要的意义。

变压器的绕组温度异常引起的内部热故障是常见的一种形式。在变压器运行过程中，在一定负载率的情况下，变压器的早绕组温升也会维持在一定的范围。当变压器出现故障时，负载率与绕组温升将不再对应，于此可能导致变压器过热或者绕组烧毁等，导致设备损坏。因此，有必要对电压器的运行状态进行预测预警，及早的发现问题并及时处理。

目前，配电变压器稳定运行从变压器负载率、环境温度和绕组温度给出联合分析，并通过预测预警和实时告警的方式对变压器的运行状态进行评估的方法是较少的。因此，亟待研究如何评价变压器的运行状态，开展考虑基于神经网络和四分位法的预测预警技术研究工作。

发明内容

本发明目的在于提出一种基于PSO-BP神经网络和四分位法的变压器预警方法，预测未来一段时间尺度上变压器的负载率和绕组温升，从而提前判断出配电变压器未来一段时间内是否会出现故障；若预测出现故障，可提前采取措施，降低事故发生率，提高用电的可靠性。

为解决以上技术问题，本发明提供了如下技术方案：

基于PSO-BP神经网络和四分位法的变压器预警方法，其特征在于，包括：

步骤1，数据采集：获取配电变压器的负载率、绕组温度以及环境温度在指定时间内的的历史数据；

步骤2，神经网络算法预测：根据历史数据通过PSO-BP神经网络预测负载率、绕组温度以及环境温度；

步骤3，阈值计算：根据历史数据通过高斯分布计算负载率、绕组温度以及环境温度对应区间的阈值；

步骤4，区间生成：利用四分位法生成去掉突变数据的负载率和绕组温升区间；

步骤5，预警告警：通过计算出的负载率和绕组温升区间，对预测值进行预警，同时对实时值进行告警。

获取目标配电室对应的变压器在一段时间的历史数据，并根据历史数据预测变压器的负载率；获取配电室所在区域的环境温度和变压器三相绕组温度的历史数据，并根据历史数据预测变压器的三相绕组温升；将负载率和绕组温升的历史数据拟合出正态分布概率密度函数；根据正态分布概率密度函数得到一定置信水平下的负载率和绕组温升区间；进一步利用四分位法生成去掉突变数据的负载率和绕组温升区间；将变压器的负载率和绕组温升预测值与区间值进行对应，若不在对应的范围内，则云平台系统进行预警；若实时负载率和绕组温升与区间值不对应，则云平台系统进行实时告警，并提醒运行人员及时处理

优选地，所述步骤1具体包括如下步骤：

步骤101，获取配电变压器在一段历史指定时间内的负载率、绕组温度和环境温度的历史数据；

步骤102，若历史数据中有缺失，则进行数据填补；

步骤103，将增补修正后的数据作为数据集合，包括训练数据集合和验证数据集合；对于配电变压器预测预警的时间尺度分为三个：日前预测，一小时内预测和十分钟预测。

对配电变压器的负载率、绕组温度以及环境温度的历史数据的采集。

优选地，所述步骤2具体包括如下步骤：

步骤201，对算法进行初始化，设定神经网络部分的相关参数，设输入层包含了l个节点，输出层包含了o个节点，隐层所包含节点的数目根据如下公式所示：

步骤202，初始化PSO算法，输入变压器、环境温度和绕组温度历史数据样本，x_i＝(x_i1,x_i2,....,x_id)代表一个粒子。

步骤203，求得种群对应的适应度值，并得到局部最优和全局最优，粒子适应度函数可以表示为：

其中：q_ij代表第j个训练参量在第i个粒子下的期望值；h_ij代表对应的实际输出；

步骤204，更换粒子的速度与位置，并判定新值有没有超出限定范围；

步骤205，求得当前粒子的适应度，若迭代次数满足规定的极限值时，完成算法迭代；

步骤206，得到需要的变压器、环境温度和绕组温度的预测值。

通过神经网络算法预测得到负载率、绕组温升的预测值。

优选地，所述步骤3具体包括如下步骤：

步骤301，通过变压器绕组温度和环境温度计算绕组温升，三相绕组温升的计算公式为：

T_A.rise＝T_A.winding-T_env

T_B.rise＝T_B.winding-T_env

T_C.rise＝T_C.winding-T_env

其中，T_A.rise、T_B.rise和T_C.rise分别表示A相、B相和C相绕组温升，T_A.winding、T_B.winding和T_C.winding分别表示A相、B相和C相绕组温度，T_env表示环境温度；

步骤302，计算负载率、绕组温度和环境温度的历史数据的平均值μ_L、μ_winding和μ_env和方差σ_L、σ_wingding和σ_env；

步骤303，负载率概率密度函数f_L和累积概率密度函数F_L表示为：

其中，L表示负载率，μ_L和σ_L分别表示负载率的均值和方差；

变压器绕组温度概率密度函数f_winding和累积概率密度函数F_winding的数学描述如下：

其中，T_winding表示变压器绕组温度，μ_winding和σ_wingding分别表示变压器绕组温度的均值和方差；

环境温度概率密度函数f_env和累积概率密度函数F_env的如下式所示：

其中，T_env表示变压器绕组温度，μ_env和σ_env分别表示环境温度的均值和方差；

步骤304，给定置信水平α下的负载率置信区间的计算：

在置信水平α下的变压器绕组温度的置信区间的计算：

环境温度在置信水平α下的置信区间的表达式如下所示：

步骤305，在95％的置信度下，α＝0.05，Z_1-α/2＝0.95。负载率取值区间可以表示为：

绕组温升取值区间可以表示为：

采用高斯分布计算历史数据的均值和标准差，获得高斯分布的概率密度函数。通过高斯分布的累积概率密度函数的推导出历史数据对应区间的阈值。

优选地，所述步骤4具体包括如下步骤：

步骤401、基于四分位法来获得去掉异常数据的变压器负载率和绕组温升置信区间，四分位数的Q₁、Q₂和Q₃的计算如下所示：

Q₁＝(N+1)×0.25

Q₂＝(N+1)×0.5

Q₃＝(N+1)×0.75

其中，Q₁、Q₂和Q₃分别是第一分位数、第二分位数和第三分位数，N为筛选数据的个数；

步骤402，对高斯分布下求取的负载率和绕组温度区间数据进行从小到大进行排序，得到排序后的负载率L_order和绕组温度T_order；

步骤403，去掉异常数据的变压器负载率和绕组温升的区间：

进一步利用四分位法生成去掉突变数据的负载率和绕组温升区间。

优选地，所述步骤5具体包括如下步骤：

步骤501，根据预测得到的负载率和绕组温升与四分位法得出的区间进行对应，若不在相应的区间范围内，则进行预警，并通过亮起黄灯提醒运维人员；

步骤502，根据采集得到的负载率和绕组温升与四分位法得出的区间进行对应，若实时数据不在对应的区间范围内，则进行实时报警，并通过亮起红灯提醒运维人员。

将负载率和绕组温升的预测值与判定区间进行对应。若不在对应的区间范围内，则系统进行预警。

本发明与现有技术相比，具有以下明显的优势和有益效果：

通过基于PSO-BP神经网络和四分位法的变压器预警方法，预测未来一段时间尺度上变压器的负载率和绕组温升，从而提前判断出配电变压器未来一段时间内是否会出现故障。若预测出现故障，可提前采取措施，降低事故发生率，提高用电的可靠性。该方法，通过大数据分析，无需对变压器改造，实用性强，易于推广。

附图说明

图1为一种基于PSO-BP神经网络和四分位法的变压器预警方法的流程图；

图2为一种PSO优化BP神经网络流程图。

具体实施方案

下面结合附图，对本发明做进一步阐述：

如图1-2所示，本发明提出一种基于PSO-BP神经网络和四分位法的变压器预警方法，包括如下步骤：

步骤1，数据采集：获取配电变压器的负载率、绕组温度以及环境温度在指定时间内的的历史数据；

获取配电变压器在一段历史指定时间内的负载率、绕组温度和环境温度的历史数据。指定时间内的历史数据是指过去从某一时刻开始某一时刻结束的历史数据，本发明采集当前预测日期之前一个月的数据。

历史数据中含有因变压器停运而导致数据的缺失，因此在利用历史数据对神经网络模型进行训练之前，需要对获取的历史数据进行处理。若历史数据中有缺失，则进行数据填补。本发明假设，若缺失数据的时间间隔小于十分钟，则采用插值法进行增补缺失数据。若缺失数据的时间间隔大于十分钟，则采用临近日的相同时间段的数据进行增补。本文采用前一日的相同时段的数据作为增补数据。

将增补修正后的数据作为数据集合，包括训练数据集合和验证数据集合。对于配电变压器预测预警的时间尺度分为三个：日前预测，一小时内预测和十分钟预测。

步骤2，神经网络算法预测：根据历史数据通过PSO-BP神经网络预测负载率、绕组温度以及环境温度；

PSO-BP神经网络的预测是在历史数据的一个月中选取25天的数据作为训练集，5天的数据作为验证集。具体方法为基于数据采集进行训练得到对应的一天、一小时、和十分钟之内的预测数据。

设粒子总量为25，学习因子取c₁＝1.4，c₂＝1.4，粒子最大速度v_max＝0.2*(x_max-x_min)，最小速度v_min＝-0.2*(x_max-x_min)，种群的数目为N＝100，最大的迭代次数ite＝100。本发明中

设最大训练次数为1000，最终的训练误差临界值取0.001，选取0.1作为学习速率。

采用训练好的神经网络，将最新的负载率、绕组温升数据输入到BP-PSO神经网络中，则预测得到未来一段时间相应的预测值。

步骤3，阈值计算：根据历史数据通过高斯分布计算负载率、绕组温度以及环境温度对应区间的阈值；

计算负载率和绕组温升的历史数据的平均值μ_L和μ_rise和方差σ_L和σ_rise。

通过变压器绕组温度和环境温度的历史数据计算绕组温升，三相绕组温升为：

T_A.rise＝T_A.winding-T_env

T_B.rise＝T_B.winding-T_env

T_C.rise＝T_C.winding-T_env

其中，T_A.rise、T_B.rise和T_C.rise分别表示A相、B相和C相绕组温升，T_A.winding、T_B.winding和T_C.winding分别表示A相、B相和C相绕组温度，T_env表示环境温度。

基于高斯分布的负载率和绕组温升的概率密度函数和累积概率密度函数计算如下。

在95％置信水平下的负载率置信区间的计算：

在95％置信水平下的变压器绕组温升的置信区间的计算：

在95％的置信度下，Z_1-α/2＝0.95。负载率取值区间可以表示为：

绕组温升取值区间可以表示为：

步骤4，区间生成：利用四分位法生成去掉突变数据的负载率和绕组温升区间；

基于四分位法来获得去掉异常数据的变压器负载率和绕组温升置信区间。四分位数的Q1、Q2和Q3的计算如下所示：

Q₁＝(N+1)×0.25

Q₂＝(N+1)×0.5

Q₃＝(N+1)×0.75

其中，N为筛选数据的个数。若N为偶数，则将四分位数四舍五入选取。

对高斯分布下求取的负载率和绕组温度区间数据进行从小到大进行排序，得到排序后的负载率L_order和绕组温度T_order。

去掉异常数据的变压器负载率L_order和绕组温升T_order的区间：

步骤5，预警告警：通过计算出的负载率和绕组温升区间，对预测值进行预警，同时对实时值进行告警；

根据预测得到的负载率和绕组温升与四分位法得出的区间进行对应。若不在相应的区间范围内则进行预警，并通过亮起黄灯提醒运维人员。若实时数据不在对应的区间范围内，则进行实时报警，并通过亮起红灯，提醒运维人员，并采取相应的措施进行处理。

以上对本发明所提供的基于PSO-BP神经网络和四分位法的变压器预警方法，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及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种基于PSO-BP神经网络和四分位法的变压器预警方法，其特征在于，包括：

步骤1，数据采集：获取配电变压器的负载率、绕组温度以及环境温度在指定时间内的的历史数据；

步骤2，神经网络算法预测：根据历史数据通过PSO-BP神经网络预测负载率、绕组温度以及环境温度；

步骤3，阈值计算：根据历史数据通过高斯分布计算负载率、绕组温度以及环境温度对应区间的阈值；

步骤4，区间生成：利用四分位法生成去掉突变数据的负载率和绕组温升区间；

步骤5，预警告警：通过计算出的负载率和绕组温升区间，对预测值进行预警，同时对实时值进行告警。

2.根据权利要求1所述的一种基于PSO-BP神经网络和四分位法的变压器预警方法，其特征在于，所述步骤1具体包括如下步骤：

步骤101，获取配电变压器在一段历史指定时间内的负载率、绕组温度和环境温度的历史数据；

步骤102，若历史数据中有缺失，则进行数据填补；

步骤103，将增补修正后的数据作为数据集合，包括训练数据集合和验证数据集合；对于配电变压器预测预警的时间尺度分为三个：日前预测，一小时内预测和十分钟预测。

3.根据权利要求1所述的一种基于PSO-BP神经网络和四分位法的变压器预警方法，其特征在于，所述步骤2具体包括如下步骤：

步骤201，对算法进行初始化，设定神经网络部分的相关参数，设输入层包含了l个节点，输出层包含了o个节点，隐层所包含节点的数目根据如下公式所示：

步骤202，初始化PSO算法，输入变压器、环境温度和绕组温度历史数据样本，x_i＝(x_i1,x_i2,....,x_id)代表一个粒子。

步骤203，求得种群对应的适应度值，并得到局部最优和全局最优，粒子适应度函数可以表示为：

其中：q_ij代表第j个训练参量在第i个粒子下的期望值；h_ij代表对应的实际输出；

步骤204，更换粒子的速度与位置，并判定新值有没有超出限定范围；

步骤205，求得当前粒子的适应度，若迭代次数满足规定的极限值时，完成算法迭代；

步骤206，得到需要的变压器、环境温度和绕组温度的预测值。

4.根据权利要求1所述的一种基于PSO-BP神经网络和四分位法的变压器预警方法，其特征在于，所述步骤3具体包括如下步骤：

步骤301，通过变压器绕组温度和环境温度计算绕组温升，三相绕组温升的计算公式为：

T_A.rise＝T_A.winding-T_env

T_B.rise＝T_B.winding-T_env

T_C.rise＝T_C.winding-T_env

其中，T_A.rise、T_B.rise和T_C.rise分别表示A相、B相和C相绕组温升，T_A.winding、T_B.winding和T_C.winding分别表示A相、B相和C相绕组温度，T_env表示环境温度；

步骤302，计算负载率、绕组温度和环境温度的历史数据的平均值μ_L、μ_winding和μ_env和方差σ_L、σ_wingding和σ_env；

步骤303，负载率概率密度函数f_L和累积概率密度函数F_L表示为：

其中，L表示负载率，μ_L和σ_L分别表示负载率的均值和方差；

变压器绕组温度概率密度函数f_winding和累积概率密度函数F_winding的数学描述如下：

其中，T_winding表示变压器绕组温度，μ_winding和σ_wingding分别表示变压器绕组温度的均值和方差；

环境温度概率密度函数f_env和累积概率密度函数F_env的如下式所示：

其中，T_env表示变压器绕组温度，μ_env和σ_env分别表示环境温度的均值和方差；

步骤304，给定置信水平α下的负载率置信区间的计算：

在置信水平α下的变压器绕组温度的置信区间的计算：

环境温度在置信水平α下的置信区间的表达式如下所示：

步骤305，在95％的置信度下，α＝0.05，Z_1-α/2＝0.95。负载率取值区间可以表示为：

绕组温升取值区间可以表示为：

5.根据权利要求1所述的一种基于PSO-BP神经网络和四分位法的变压器预警方法，其特征在于，所述步骤4具体包括如下步骤：

步骤401、基于四分位法来获得去掉异常数据的变压器负载率和绕组温升置信区间，四分位数的Q₁、Q₂和Q₃的计算如下所示：

Q₁＝(N+1)×0.25

Q₂＝(N+1)×0.5

Q₃＝(N+1)×0.75

其中，Q₁、Q₂和Q₃分别是第一分位数、第二分位数和第三分位数，N为筛选数据的个数；

步骤402，对高斯分布下求取的负载率和绕组温度区间数据进行从小到大进行排序，得到排序后的负载率L_order和绕组温度T_order；

步骤403，去掉异常数据的变压器负载率和绕组温升的区间：

6.根据权利要求1所述的一种基于PSO-BP神经网络和四分位法的变压器预警方法，其特征在于，所述步骤5具体包括如下步骤：

步骤501，根据预测得到的负载率和绕组温升与四分位法得出的区间进行对应，若不在相应的区间范围内，则进行预警，并通过亮起黄灯提醒运维人员；

步骤502，根据采集得到的负载率和绕组温升与四分位法得出的区间进行对应，若实时数据不在对应的区间范围内，则进行实时报警，并通过亮起红灯提醒运维人员。

Images