CN114912339A - 一种变电站一次设备多因素温度预测方法 - Google Patents

Abstract

本发明公开了一种变电站一次设备多因素温度预测方法，包括以下步骤：S1，采集设备表面温度时间序列和各影响因素时间序列；S2，根据MIE计算采集设备表面温度时间序列和各影响因素时间序列的相关性系数；S3，利用历史日与预测日多维关键影响因素间的加权MIE值筛选出相似日样本；S4，建立LSTM预测模型，挖掘关键影响因素与设备表面温度之间的映射关系，计算得到设备表面温度预测区间。计算出设备表面温度与各影响因素间的互信息熵；随后利用历史日与预测日多维影响因素间的加权互信息熵筛选出相似日样本；最后通过LSTM预测模型训练并建立关键影响因素与设备表面温度之间的映射关系，预测得到设备未来温度的上下限值，本发明预测准确度较高。

Description

一种变电站一次设备多因素温度预测方法

技术领域

本发明涉及变电设备技术领域，尤其是一种变电站一次设备多因素温度预测方法。

背景技术

变电环节是电网中灾害事故高发的环节，变电设备电流制热型缺陷在所有红外隐患中占比较高，近些年来，因设备温度过高而引发的热故障，造成了变电站电气设备停止运行、附近区域大范围停电甚至是严重的火灾事故。目前，大多数变电站的温度监测方式主要分为实时在线监测和短期温度预测，短期温度预测相对于实时在线监测能够提前掌握设备运行状态，防患于未然，但现有的短期预测大多仅利用设备历史温度数据来预测未来温度走势，没有综合考虑设备温度的影响因素，预测准确度较低，有效性并不高。

在实际生产中，影响设备表面温度的因素相当复杂，需要纳入考量的因素有很多，且不同的设备，其影响因素区别很大，不同设备发热散热能力不同，工作环境和设备构造不同，其预测模型区别很大，因此需要针对不同的设备，建立不同的设备温度预测模型。对于各种影响因素，若直接对所有数据进行泛性学习，不仅增加模型的计算量，难以得出训练结果，而且会导致后续预测结果不准确。现有的设备温度预测方法，较多采用点预测法，其预测结果为确定的预测点值，无法提供预测的不确定性信息。而对设备温度进行区间预测，可以提供未来时刻设备温度的波动范围(上、下限值)，在对设备状态监测以及风险评估方面，运维人员可根据预测概率区间结果做出更为科学的决策。

在中国专利文献上公开的“一种基于LSTM算法的变电设备发热预测方法”，其公开号为CN112765873B，公开了一种基于LSTM算法的变电设备发热预测方法，涉及变电设备监测技术领域，该方法包括获取影响变电设备的热点温度的数据，其中，所述数据包括正常相温度、环境温度、季节和运行电流/功率；将正常相温度、环境温度、季节和运行电流/功率作为预测模型的输入变量，将热点温度作为输出变量，基于历史数据构建数据样本集；将数据样本集进行归一化处理后按照一定比例划分成训练集和测试集；将训练集输入LSTM预测模型中，通过LSTM预测模型对训练集中的数据进行建模；根据热点温度和相对温差判断缺陷性质。该发明利用长短期记忆网络算法预测多源因素影响下设备热点温度，实现设备热点温度发展趋势和缺陷严重程度的动态预测。但是其采用点预测法，其预测结果为确定的预测点值，无法提供预测的不确定性信息。

发明内容

本发明解决了由于缺乏对设备温度的影响因素进行综合考虑导致的预测准确度较低以及有效性低的问题，提出一种变电站一次设备多因素温度预测方法，在建立基于互信息熵(Mutual Information Entropy，MIE)的相关性衡量指标基础上，计算出设备表面温度与各影响因素间的互信息熵，从而对高维相关数据进行降维处理；随后利用历史日与预测日多维影响因素间的加权互信息熵筛选出相似日样本；最后，通过长短期记忆(Long-short Term Memory，LSTM)预测模型训练并建立关键影响因素与设备表面温度之间的映射关系，预测得到设备未来温度的上下限值，本发明综合考虑设备温度的影响因素，预测准确度较高，提高供电可靠性。

为了实现上述目的，本发明采用以下技术方案：一种变电站一次设备多因素温度预测方法，包括以下步骤：

S1，采集设备表面温度时间序列和各影响因素时间序列；

S2，根据MIE计算采集设备表面温度时间序列和各影响因素时间序列的相关性系数；

S3，利用历史日与预测日多维关键影响因素间的加权MIE值筛选出相似日样本；

S4，建立LSTM预测模型，挖掘关键影响因素与设备表面温度之间的映射关系，计算得到设备表面温度预测区间。本发明中，采集获取设备表面温度以及各影响因素后，以时间序列的方式进行储存，各影响因素主要分为环境影响因素和负荷影响因素，环境影响因素包括风速、气压、湿度以及环境温度，负荷影响因素包括电流强度；根据互信息熵理论，计算出MIE相关系数，并筛选出关键影响因素；随后根据加权互信息熵筛选出相似日样本；最后通过长短期记忆预测模型，预测得到设备表面温度区间；本发明的对多种影响因素进行考虑，有效性高，运维人员可根据预测结果做出更为科学的决策，在危险发生之前介入处理，从而进行设备诊断，对于减少人力巡检成本，延长设备使用寿命，提高供电可靠性，实现变电站信息系统信息化、智能化、自动化管理具有重要意义。

作为优选，所述步骤S2包括以下步骤：

S21，各影响因素时间序列表示为：

X_i＝{x_i1,x_i2,…,x_in}^T(i＝1,2,…,5)

其中，x_in代表各影响因素数据，X₁、X₂、X₃、X₄和X₅分别代表风速、气压、湿度、环境温度和电流强度时间序列；设备表面温度时间序列表示为：

Y＝[y₁,y₂,…,y_n]

其中，y_n代表设备表面温度数据；

S22，根据MIE计算出各影响因素与设备表面温度的MIE相关系数，具体如下：

I_XY＝[I_WP，I_AP，I_HP，I_TP，I_CP]

其中，I_XY指的是总MIE相关系数，I_WP、I_AP、I_HP、I_TP和I_CP分别表示设备表面温度与风速影响因素、气压影响因素、湿度影响因素、环境温度影响因素和电流强度影响因素的MIE相关系数；

S23，筛选出各MIE相关系数中最大的三个关键影响因素，分别为环境温度、电流强度和风速。本发明中，依托于MIE理论求出设备表面温度与各个影响因素之间的MIE相关系数，并根据MIE相关系数的大小选出三个关键影响因素作为预测模型最终的输入变量。

作为优选，所述MIE的计算公式为：

其中，I_AB为关于向量A和B的MIE相关系数，I(A；B)表征了A和B共享的信息，用来衡量两个变量中一个对另一个不确定性减少的程度，H(A)表示向量A的自信息熵，H(B)表示向量B的自信息熵。本发明中，如果A和B相互独立，则A不对B提供任何信息，则它们的互信息为0；反之，如果A和B互相均为彼此的确定性函数，那么A和B传递的所有信息均共享，则他们的互信息I(A；B)＝1。

作为优选，所述步骤S3包括以下步骤：

S31，定义历史日代表向量S＝[S_W，S_T，S_C]，式中，S_W，S_T和S_C分别代表历史日风速、环境温度和电流强度时间序列；预测日代表向量M＝[M_W，M_T，M_C]，式中，M_W，M_T和M_C分别代表预测日风速、环境温度和电流强度时间序列；

S32，计算历史日与预测日各关键影响因素数据的MIE相关系数：

S33，将计算得到的I_WP，I_TP和I_CP作为历史日与预测日各影响因素之间相似度的权重因子，计算得到历史日与预测日关键影响因素的加权MIE之和

W_total＝ω_WP+ω_TP+ω_CP

其中，ω_WP、ω_TP和ω_CP分别代表风速、环境温度和电流强度相对于设备表面温度的权重因子；W_total为关键影响因素的权重因子之和；W_W、W_T和W_C分别为风速、环境温度和电流强度占权重因子之和的百分比数。本发明中，W_W、W_T和W_C反映了三种影响因素对设备表面温度影响的加权系数；I_WP，I_TP和I_CP在步骤S2中已经计算得出；

能够用来表征历史日与预测日关键影响因素信息的综合相似度。

作为优选，所述步骤S4包括以下步骤：

S41，由LSTM预测模型输出结果，将预测输出平均值

作为估计真实回归值，同时求出模型方差σ²(X)，具体为：

其中，h_k(X)为经过LSTM预测模型的预测输出值；

S42，计算出设备表面温度的区间预测值，

其中，α表示置信度，z_α表示标准高斯函数中置信度为α所对应的临界值。本发明中，以设备表面温度的区间预测值为纵坐标，时间为横坐标绘制出预测温度曲线，便于观察。

作为优选，所述步骤S1中各影响因素的采集时间和采集得到的时序数据个数均相等。本发明中，保证时序数据个数相等有利于计算。

本发明的有益效果是：本专利发明了一种变电站设备多因素温度预测方法，在建立基于MIE的相关性衡量指标基础上，计算出设备表面温度与各负荷及环境因素间的互信息熵，从而对高维相关数据进行降维处理；然后，利用历史日与预测日多维影响因素间的加权互信息熵筛选出相似日样本；最后，通过LSTM预测模型训练并建立负荷及环境因素与设备表面温度之间的映射关系，可得到设备未来温度的上下限值；与现有技术相比，本发明综合考虑设备温度的影响因素，预测准确度较高，运维人员可根据预测结果做出更为科学的决策，在危险发生之前介入处理，从而进行设备诊断，对于减少人力巡检成本，延长设备使用寿命，提高供电可靠性，实现变电站信息系统信息化、智能化、自动化管理具有重要意义。

附图说明

图1是本发明的流程图；

图2是本发明LSTM网络的内部结构示意图；

图3是本发明实施例A相引下线接头线夹预测温度曲线图；

图4是本发明实施例B相引下线接头线夹预测温度曲线图；

图5是本发明实施例C相引下线接头线夹预测温度曲线图；

其中，1、输入门 2、输出门 3、遗忘门。

具体实施方式

实施例：

本实施例提出一种变电站一次设备多因素温度预测方法，参考图1，具体包括以下多个步骤，步骤S1，采集设备表面温度时间序列以及各影响因素时间序列，具体的，各影响因素主要包括有风速、气压、湿度、电流强度和环境温度，其中，风速、气压、湿度以及环境温度属于环境影响因素，电流强度属于负荷影响因素；各影响因素的采集得到的时序数据个数相等，便于后续的计算，同时各影响因素的采集时间也一样。

采集完成后，进行步骤S2，计算采集设备表面温度时间序列和各影响因素时间序列的相关性系数，主要是依据MIE进行计算；步骤S2主要分为以下三个步骤，步骤S21，有X_i＝{x_i1,x_i2,…,x_in}^T(i＝1,2,…,5)

表示各影响因素时间序列，上式中，x_in指的是各影响因素数据，具体为某个时刻的数据；X₁、X₂、X₃、X₄和X₅分别指的是风速、气压、湿度、环境温度和电流强度时间序列；此外，有Y＝[y₁,y₂,…,y_n]

表示的是设备表面温度时间序列，在上式子中，y_n指的是设备表面温度数据，具体为某个时刻的温度数据。

步骤S22，计算得到各影响因素与设备表面温度的MIE相关系数，具体表示为：I_XY＝[I_WP，I_AP，I_HP，I_TP，I_CP]

在上式子中，其中，I_XY为总MIE相关系数，I_WP为设备表面温度与风速影响因素的MIE相关系数；I_AP为设备表面温度与气压影响因素的MIE相关系数；I_HP为设备表面温度与湿度影响因素的MIE相关系数；I_TP为设备表面温度与环境温度影响因素的MIE相关系数；I_CP为设备表面温度与电流强度影响因素的MIE相关系数。

步骤S23，筛选出各MIE相关系数中最大的三个关键影响因素，分别为环境温度、电流强度和风速。本实施例中，依托于MIE理论求出设备表面温度与各个影响因素之间的MIE相关系数，并根据MIE相关系数的大小选出三个关键影响因素作为预测模型最终的输入变量。其中，各影响因素与设备表面温度的MIE相关系数计算结果如表1所示：

表1各影响因素与设备表面温度的MIE相关系数

影响因素	相关系数	I<sub>XY</sub>值
			风速W	I<sub>WP</sub>	0.531
气压A	I<sub>AP</sub>	0.342
			湿度H	I<sub>HP</sub>	0.453
环境温度T	I<sub>TP</sub>	0.862
			电流强度C	I<sub>CP</sub>	0.782

分析表1可知，根据MIE相关系数由大到小来判断，相关性由高到低依次是环境温度、电流强度、风速、湿度和气压。

其中，MIE的计算公式为：

上式子中，I_AB表示关于向量A和B的MIE相关系数，I(A；B)表征了A和B共享的信息，用以衡量两个变量中一个对另一个不确定性减少的程度，H(A)为向量A的自信息熵，H(B)为向量B的自信息熵。本实施例中，如果A和B相互独立，则A不对B提供任何信息，则它们的互信息为0；反之，如果A和B互相均为彼此的确定性函数，那么A和B传递的所有信息均共享，则他们的互信息I(A；B)＝1。

关于向量A和B的MIE相关系数I_AB计算公式，首先需要建立基于MIE的相关性衡量指标：定义向量A＝[a₁,a₂,…,a_n]，n表示向量A的长度。按下式对向量A的元素进行归一化处理：

式中，A₀为向量A归一化后的结果；

互信息的定义基于熵的基本理论，其表达式如下：

式中，B表示区别于A的另一个代表负荷或环境因素的向量；p(A_i)、p(B_j)分别表示波动区间A_i和B_j的边缘概率密度；p(A_iB_j)是A₀和B₀在波动区间A_i和B_j的联合概率密度；

为了消除互信息量纲的影响，广义互信息I(A；B)再经过归一化处理后，得到最终的向量A和B的MIE相关系数I_AB。

步骤S3，利用历史日与预测日多维关键影响因素间的加权MIE值筛选出相似日样本；具体的，本步骤包括以下多个步骤，步骤S31，首先定义对于历史日代表向量S＝[S_W，S_T，S_C]，其中，S_W为历史日风速时间序列，S_T为历史日环境温度时间序列，S_C为历史日电流强度时间序列；定义预测日代表向量M＝[M_W，M_T，M_C]，其中，M_W为预测日风速时间序列，M_T为预测日环境温度时间序列，M_C为预测日电流强度时间序列。

步骤S32，计算历史日与预测日各关键影响因素数据的MIE相关系数，具体为

用来反映历史日样本与预测日影响因素信息的相似度。

步骤S33，把步骤S2中计算出的I_WP，I_TP和I_CP作为历史日与预测日各影响因素之间相似度的权重因子，并计算

为历史日和预测日三种关键影响因素的加权MIE之和，具体计算过程如下：

W_total＝ω_WP+ω_TP+ω_CP

上面的三个式子中，ω_WP为风速相对于设备表面温度的权重因子；ω_TP为环境温度相对于设备表面温度的权重因子；ω_CP为电流强度相对于设备表面温度的权重因子；W_total表示关键影响因素的权重因子之和；W_W表示风速占权重因子之和的百分比数；W_T表示环境温度占权重因子之和的百分比数，W_C表示电流强度占权重因子之和的百分比数。本实施例中，W_W、W_T和W_C反映了三种影响因素对设备表面温度影响的加权系数；I_WP，I_TP和I_CP在步骤S2中已经计算得出；

能够用来表征历史日与预测日关键影响因素信息的综合相似度。

采用对MIE加权求和的方式来表征历史日与预测日综合的相似程度，是为了确保筛选出的相似日样本不仅与预测日的风速、环境温度和电流强度的综合相似度最高，而且三种影响因素对设备表面温度的影响程度也保持一致，有效避免错选现象。

最后进行步骤S4，建立LSTM预测模型，挖掘关键影响因素与设备表面温度之间的映射关系，计算得到设备表面温度预测区间；在本步骤中，包括步骤S41，借助于LSTM预测模型的输出结构，把预测输出平均值

作为估计真实回归值，与此同时，计算出模型方差σ²(X)，计算公式具体如下：

上式中，h_k(X)表示经过LSTM预测模型的预测输出值。

步骤S42，计算设备表面温度的区间预测值，具体区间参考如下：

上式中，α为置信度，z_α为标准高斯函数中置信度为α所对应的临界值。

具体的，LSTM预测模型的建立过程具体如下：

给定N对训练样本(C，D)可表示为如下映射关系：

Q_i＝{q_i1,q_i2,…,q_in}^T

其中，Q_i为期望输出；参考图2，x_t为t时刻的输入序列；h_t-1、h_t分别为t-1和t时刻的隐层状态；C_t-1、C_t分别为t-1和t时刻记忆单元的状态；

为t时刻记忆单元的临时状态，记忆单元是控制时序数据信息传递的核心；i_t表示t时刻门控单元中输入门1状态，用来控制x_t传递到C_t信息的多少；o_t表示t时刻输出门2状态，用来控制C_t传递到h_t信息的多少；f_t表示t时刻遗忘门3状态，它决定了记忆状态C_t保留C_t-1中信息量的多少。当前时刻输出门2的输出h_t可由下面的式子计算得出：

f_t＝σ(W_xfx_t+W_hfh_t-1+b_f)

i_t＝σ(W_xix_t+W_hih_t-1+b_i)

o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

h_t＝o_t×tanh(C_t)

上面的式子中，σ和tanh分别为双极性sigmoid激活函数和双曲正切激活函数；W_xi、W_hi、b_i分别为输入层和隐层到输入门的权值向量以及输入门的偏移量；W_xf、W_hf、b_f分别输入层和隐层到遗忘门的权值向量以及遗忘门的偏移量；W_xo、W_ho、b_o分别为输入层和隐层到输出层的权值向量以及输出层的偏移量；W_xc、W_hc、b_c分别为输入层和隐层到记忆单元的权值向量以及记忆单元的偏移量。本发明中，选取三种关键因素作为预测模型的输入变量。

本实施例中，把前90％作为训练集，余下的作为测试集。设定区间预测置信度为0.9。输入层节点数设置为3。隐层采用单层结构，经过反复尝试，确定隐层神经元个数为5，预测效果最佳。输出层仅包含设备表面温度输出，故其节点数为设置为1。训练次数取为250次，初始学习率η＝0.005，每训练125次学习率的衰减因子δ＝0.2。

参考图3、图4和图5，本发明求出的设备表面温度预测区间，有预测上限值和预测下限值，均为实线表示，预测上限值和预测下限值可根据大小分辨出；设备实际表面温度用虚线表示。

为评价区间估计准确性和可靠性，引入区间覆盖率(prediction intervalscoverage probability，PICP)和区间平均宽度(prediction intervals normalizedaveraged width，PINAW)评判指标衡量光伏区间预测性能，PICP越大说明预测区间越可靠，PINAW越小说明预测区间准确度越高。

参考图3-图5，A、B、C三相测温点大多数实际表面温度在区间预测曲线的预测上限值和预测下限值范围内。经计算，A、B、C三相PICP指标分别为91.3％、90.1％以及91.6％，PINAW指标分别为5.34℃、6.18℃以及5.23℃。区间覆率均在置信度0.9以上，并且接近给定的置信度，同时区间宽度较小，验证了本发明的有效性和可靠性。

为测试本发明的性能，将其与未经过MIE相似日筛选的预测方法和MIE-BP神经网络方法进行对比分析。设置置信度为0.9，采用相同的训练样本和预测样本，分别计算区间预测结果，得出性能指标如表2所示：

表2算法性能对比表

预测算法	PICP％	PINAW/℃
			LSTM	90.3	6.42
MIE-LSTM	91.0	5.58
			MIE-BP	91.7	5.71

从可靠性来看，各算法PICP均保持在90％以上且相差不大，可靠性相当；从准确性来看，PINAW越小，准确度越高，相对于仅用LSTM预测算法，采用MIE法进行相似日筛选，得到的样本最能接近预测日环境条件及负荷电流强度，从而获得更高的预测准确度；与MIE-BP神经网络方法相比，本发明PINAW较小，预测准确度较高，具有较强科学性。

本发明中，采集获取设备表面温度以及各影响因素后，以时间序列的方式进行储存，各影响因素主要分为环境影响因素和负荷影响因素，环境影响因素包括风速、气压、湿度以及环境温度，负荷影响因素包括电流强度；根据互信息熵理论，计算出MIE相关系数，并筛选出关键影响因素；随后根据加权互信息熵筛选出相似日样本；最后通过长短期记忆预测模型，预测得到设备表面温度区间；本发明的对多种影响因素进行考虑，有效性高，运维人员可根据预测结果做出更为科学的决策，在危险发生之前介入处理，从而进行设备诊断，对于减少人力巡检成本，延长设备使用寿命，提高供电可靠性，实现变电站信息系统信息化、智能化、自动化管理具有重要意义。

上述实施例是对本发明的进一步阐述和说明，以便于理解，并不是对本发明的任何限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种变电站一次设备多因素温度预测方法，其特征在于，包括以下步骤：

S1，采集设备表面温度时间序列和各影响因素时间序列；

S2，根据MIE计算采集设备表面温度时间序列和各影响因素时间序列的相关性系数；

S3，利用历史日与预测日多维关键影响因素间的加权MIE值筛选出相似日样本；

S4，建立LSTM预测模型，挖掘关键影响因素与设备表面温度之间的映射关系，计算得到设备表面温度预测区间。

2.根据权利要求1所述的一种变电站一次设备多因素温度预测方法，其特征在于，所述步骤S2包括以下步骤：

S21，各影响因素时间序列表示为：

X_i＝{x_i1,x_i2,…,x_in}^T(i＝1,2,…,5)

其中，x_in代表各影响因素数据，X₁、X₂、X₃、X₄和X₅分别代表风速、气压、湿度、环境温度和电流强度时间序列；设备表面温度时间序列表示为：

Y＝[y₁,y₂,…,y_n]

其中，y_n代表设备表面温度数据；

S22，根据MIE计算出各影响因素与设备表面温度的MIE相关系数，具体如下：

I_XY＝[I_WP，I_AP，I_HP，I_TP，I_CP]

其中，I_XY指的是总MIE相关系数，I_WP、I_AP、I_HP、I_TP和I_CP分别表示设备表面温度与风速影响因素、气压影响因素、湿度影响因素、环境温度影响因素和电流强度影响因素的MIE相关系数；

S23，筛选出各MIE相关系数中最大的三个关键影响因素，分别为环境温度、电流强度和风速。

3.根据权利要求1或2所述的一种变电站一次设备多因素温度预测方法，其特征在于，所述MIE的计算公式为：

其中，I_AB为关于向量A和B的MIE相关系数，I(A；B)表征了A和B共享的信息，用来衡量两个变量中一个对另一个不确定性减少的程度，H(A)表示向量A的自信息熵，H(B)表示向量B的自信息熵。

4.根据权利要求1或2所述的一种变电站一次设备多因素温度预测方法，其特征在于，所述步骤S3包括以下步骤：

S31，定义历史日代表向量S＝[S_W，S_T，S_C]，式中，S_W，S_T和S_C分别代表历史日风速、环境温度和电流强度时间序列；预测日代表向量M＝[M_W，M_T，M_C]，式中，M_W，M_T和M_C分别代表预测日风速、环境温度和电流强度时间序列；

S32，计算历史日与预测日各关键影响因素数据的MIE相关系数：

S33，将计算得到的I_WP，I_TP和I_CP作为历史日与预测日各影响因素之间相似度的权重因子，计算得到历史日与预测日关键影响因素的加权MIE之和

W_total＝ω_WP+ω_TP+ω_CP

其中，ω_WP、ω_TP和ω_CP分别代表风速、环境温度和电流强度相对于设备表面温度的权重因子；W_total为关键影响因素的权重因子之和；W_W、W_T和W_C分别为风速、环境温度和电流强度占权重因子之和的百分比数。

5.根据权利要求4所述的一种变电站一次设备多因素温度预测方法，其特征在于，所述步骤S4包括以下步骤：

S41，由LSTM预测模型输出结果，将预测输出平均值

作为估计真实回归值，同时求出模型方差σ²(X)，具体为：

其中，h_k(X)为经过LSTM预测模型的预测输出值；

S42，计算出设备表面温度的区间预测值，

其中，α表示置信度，z_α表示标准高斯函数中置信度为α所对应的临界值。

6.根据权利要求1所述的一种变电站一次设备多因素温度预测方法，其特征在于，所述步骤S1中各影响因素的采集时间和采集得到的时序数据个数均相等。

Images