CN116050261A - 油浸式变压器热点温度预测方法、系统、设备和存储介质 - Google Patents
油浸式变压器热点温度预测方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN116050261A CN116050261A CN202211742170.8A CN202211742170A CN116050261A CN 116050261 A CN116050261 A CN 116050261A CN 202211742170 A CN202211742170 A CN 202211742170A CN 116050261 A CN116050261 A CN 116050261A
- Authority
- CN
- China
- Prior art keywords
- oil
- hot spot
- immersed transformer
- temperature
- spot temperature
- 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.)
- Pending
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- 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
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了油浸式变压器热点温度预测方法、系统、设备和存储介质,包括:根据油浸式变压器的多物理场热状态,建立动态仿真模型,并在预设运行工况下,对动态仿真模型进行动态热仿真,得到仿真运行数据;建立热点温度映射模型,将仿真运行数据作为训练数据集对热点温度映射模型进行训练,热点温度映射模型包括门控循环单元和深度神经网络;获取油浸式变压器的实时运行数据,将实时运行数据输入训练好的热点温度映射模型进行温度预测,得到油浸式变压器的绕组热点温度。本发明利用多物理场仿真获得的变压器数据建立智能学习模型,能够获得更准确的变压器热点温度,同时将油箱外壳关键测温区域作为重要参数,提高了热点温度反演的准确性。
Description
技术领域
本发明涉及油浸式变压器技术领域,特别是涉及一种油浸式变压器热点温度预测方法、系统、设备和存储介质。
背景技术
油浸式电力变压器是电网输变电系统中的重要设备,其运行的安全性和可靠性直接影响到电网的安全稳定。对于变压器而言,绕组热点温度是一个重要运行状态指标,可以决定变压器的负载能力,并直接影响变压器的绝缘老化程度,绕组温度的准确测量对准确评估变压器负载能力和使用寿命具有非常重要的意义。
由于变压器内部电场高、电流大、运行条件恶劣复杂,变压器绕组热点温度难以通过安装温度传感器进行直接的测量,而是主要通过间接计算的方法实现评估预测。在已有的评估变压器绕组热点温度的方法中,IEC 60076-7标准导则中的经验热模型是较为常用的一种方法。该模型主要通过对两个微分方程结果求和,同时考虑了油流变化前的热点温度上升和油流变化时对热点温度的影响。在实际在线监测过程中,可以将上述微分方程离散为差分方程进行快速求解,从而实现对热点温度的实时动态评估。
在利用IEC经验热模型来计算绕组热点温度的过程中,需要使用到大量参数,其中一些参数可以通过出厂试验和热运行试验准确获得,而另一些参数比如绕组指数、油指数、热常数这些参数数值则难以准确获取,往往只能根据变压器容量等级和冷却类型查阅IEC导则进行粗略估计,与变压器的实际值往往有偏差。因而,在实际应用中采用IEC经验热模型来计算热点温度的准确性有限。
发明内容
为了解决上述技术问题,本发明提供了一种油浸式变压器热点温度预测方法、系统、设备和存储介质,利用变压器多物理场仿真获得的变压器大量运行状态动态变化的数据建立智能学习模型,能够实现变压器热点温度动态跟踪和在线监测,同时通过变压器的油流线分析选取油箱外壳关键测温区域作为热点温度反演的重要参数,能够提高热点温度反演的准确性。
第一方面,本发明实施例提供了一种油浸式变压器热点温度预测方法,包括:
根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型,并在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据;
建立所述油浸式变压器的热点温度映射模型,将所述仿真运行数据作为训练数据集对所述热点温度映射模型进行训练,所述热点温度映射模型包括门控循环单元和深度神经网络;
获取所述油浸式变压器的实时运行数据,将所述实时运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度,所述实时运行数据包括负载电流、环境温度、顶层油温和油箱两侧壳体顶部平均温度。
进一步地,所述根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型的步骤包括:
根据油浸式变压器的温度场和流体场,建立所述油浸式变压器的动态仿真模型;所述温度场包括铁芯损耗和绕组损耗,所述流体场包括绕组铁芯内部热传导、油对流、空气侧对流、以及热辐射;
其中,所述铁芯损耗由所述油浸式变压器的出厂试验获得;
采用如下公式计算所述绕组损耗:
Pcu=Pd+Pe
式中,Pd和Pe分别表示直流损耗和涡流损耗,Pd_rated和Pe_rated分别表示额定电流下的直流损耗和涡流损耗,M表示负载系数,T`表示绕组热点温度;
采用如下公式计算所述绕组铁芯内部热传导:
式中,Q1表示热流量,Δ表示拉普拉斯算子,T`表示表面间温差,R表示热阻;
采用如下公式计算所述油对流:
式中,t表示时间,ρ表示流体密度,u表示流体流速,p和F分别表示压力和体积力,μ和C分别表示流体动力黏度和比热容,T表示流体温度,k表示导热系数,Q2表示热源,K表示黏性力,▽表示哈密顿算子,Δ表示拉普拉斯算子,I表示单位矩阵;
采用如下公式计算所述空气侧对流:
Q3=Ah(Ts-Ta)
式中,Q3表示空气对流散热量,A表示表面面积,h表示对流换热系数,Ts和Ta分别表示油浸式变压器油箱外表面温度和环境温度;
采用如下公式计算所述热辐射:
式中,Q4表示从箱壁辐射到空气中的热辐射,η表示斯蒂芬-波耳兹曼常数,E表示表面辐射系数。
进一步地,所述在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据的步骤包括:
根据所述油浸式变压器的预设运行工况,设置所述油浸式变压器的仿真负载电流和仿真环境温度;
根据所述仿真负载电流和所述仿真环境温度对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真顶层油温、仿真绕组热点温度和仿真油箱两侧壳体顶部平均温度。
进一步地,所述门控循环单元包括输入层和重置更新层,所述深度神经网络包括组合层、第一隐藏层、第二隐藏层和输出层;
其中,所述输入层、所述组合层、所述第一隐藏层和所述第二隐藏层的神经元节点数均为6,所述重置更新层的时间步数为6,所述输出层的神经元节点数为1。
进一步地,所述获取所述油浸式变压器的实时运行数据,将所述运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度的步骤包括:
获取所述油浸式变压器的历史绕组热点温度和实时运行数据,将所述历史绕组热点温度输入所述输入层,经过所述重置更新层进行门控循环,得到第一输出矩阵;
将所述第一输出矩阵和所述实时运行数据进行拼接,得到第一输入矩阵;
将所述第一输入矩阵输入所述组合层,经过所述第一隐藏层和所述第二隐藏层依次进行线性计算,通过所述输出层输出所述油浸式变压器的绕组热点温度。
进一步地,所述将所述第一输出矩阵和所述实时运行数据进行拼接,得到第一输入矩阵的步骤包括:
使用concat函数将所述第一输入矩阵和所述实时运行数据进行拼接,得到第一输入矩阵;其中,所述实时运行数据包括第一子运行数据和第二子运行数据,所述第一子运行数据为所述油浸式变压器的当前运行数据,所述第二子运行数据为所述油浸式变压器的上一次运行数据;
采用如下公式表示所述第一输入矩阵:
X’=concat(H,F)
式中,H表示第一输出矩阵,F表示实时运行数据。
进一步地,所述第一子运行数据包括第一负载电流、环境温度、第一顶层油温和油箱两侧壳体顶部平均温度,所述第二子运行数据包括第二负载电流和第二顶层油温。
第二方面,本发明实施例提供了一种油浸式变压器热点温度预测系统,包括:
动态仿真模型,用于根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型,并在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据;
热点温度映射模型,用于建立所述油浸式变压器的热点温度映射模型,将所述仿真运行数据作为训练数据集对所述热点温度映射模型进行训练,所述热点温度映射模型包括门控循环单元和深度神经网络;
热点温度预测模块,用于获取所述油浸式变压器的实时运行数据,将所述实时运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度,所述实时运行数据包括负载电流、环境温度、顶层油温和油箱两侧壳体顶部平均温度。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种油浸式变压器热点温度预测方法、系统、设备和存储介质,与现有技术相比,本发明实施例利用变压器多物理场仿真获得的变压器大量运行状态动态变化的数据建立智能学习模型,对变压器热点温度进行动态跟踪和在线监测,实现了在动态条变化的条件下获得更准确的变压器热点温度,同时通过变压器的油流线分析选取油箱外壳关键测温区域,作为热点温度反演的重要参数,进一步提高了热点温度反演的准确性。
附图说明
图1是本发明实施例中油浸式变压器热点温度预测方法的流程示意图;
图2是本发明实施例中变压器油流线轨迹仿真结果示意图;
图3是本发明实施例中热点温度映射模型的结构示意图;
图4是图2中层2的结构示意图;
图5是本发明实施例中建立的动态仿真模型的结构示意图;
图6是本发明实施例中通过动态仿真模型仿真得到的数据示意图;
图7是本发明实施例中油浸式变压器热点温度预测系统的结构示意图;
图8是本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
请参阅图1,本发明第一实施例提出的一种油浸式变压器热点温度预测方法,包括步骤S10~S30:
步骤S10,根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型,并在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据。
在现有的利用IEC经验热模型计算绕组热点温度的过程中,需要用到的绕组指数、油指数、热常数这些参数数值难以准确获取,往往只能根据变压器容量等级和冷却类型查阅IEC导则进行粗略估计,与变压器的实际值往往有偏差。为了解决在实际应用中采用IEC经验热模型来计算热点温度的准确性有限的问题,本发明通过建立油浸式变压器的动态仿真模型来仿真出更为准确的参数数据,以供后续训练模型的使用。
本发明的动态仿真模型是基于油浸式变压器的多物理场热状态来构建的,仿真模型包括绕组、铁芯、油、油箱外壳和散热片等多个部件,其中,油箱和散热片外壳用多层材料构建,内外为油漆层,中间为铁板层,能够在真实模拟实际热传递的同时大大减少划分网格的数量,从而提高计算速度,同时考虑到高低绕组之间的油道撑条,形成散热油道,仿真模型的材料物性参数则根据实际变压器的相关材料的参数进行设定,从而使得热点温度的仿真结果更加符合实际。
本发明的动态仿真模型涉及到的物理场包括温度场和流体场,温度场主要为铁芯损耗和绕组损耗,这两种损耗使变压器内部最主要的热量来源,其中,额定运行下的铁芯损耗可以由变压器出厂试验直接获得,而绕组损耗则受负载电流的影响,绕组损耗Pcu可以通过以下公式进行计算:
Pcu=Pd+Pe
式中,Pd和Pe分别表示直流损耗和涡流损耗,Pd_rated和Pe_rated分别表示额定电流下的直流损耗和涡流损耗,M表示负载系数,T`表示绕组热点温度。
流体场主要考虑变压器的传热过程,可以分为三个阶段,包括绕组和铁芯内部的热传导,油对流,空气侧对流和热辐射,其中,绕组和铁芯内部的热传导遵循基本的传热学定律,即:
式中,Q1表示热流量,Δ表示拉普拉斯算子,T`表示表面间温差,R表示热阻。
油的对流循环是变压器内部热量传递的主要途径,它将绕组和铁芯表面的热量传递至油箱表面,油流动分布特性满足纳维-斯托克斯方程,即:
式中,t表示时间,ρ表示流体密度,u表示流体流速,p和F分别表示压力和体积力,μ和C分别表示流体动力黏度和比热容,T表示流体温度,k表示导热系数,Q2表示热源,K表示黏性力,▽表示哈密顿算子,Δ表示拉普拉斯算子,I表示单位矩阵;
变压器油箱、散热片与外界空气通过对流和热辐射交换热量,其中空气对流散热满足以下方程:
Q3=Ah(Ts-Ta)
式中,Q3表示空气对流散热量,A表示表面面积,h表示对流换热系数,Ts和Ta分别表示油浸式变压器油箱外表面温度和环境温度。
根据辐射定律,从箱壁辐射到空气中的热量则满足以下控制方程:
式中,Q4表示从箱壁辐射到空气中的热辐射,η表示斯蒂芬-波耳兹曼常数,E表示表面辐射系数,其中,η=5.67×10-8W/(m2·K4)。
在建立动态仿真模型之后,通过在有限元仿真中迭代求解上述方程,就可以获得变压器油箱内部的温度分布,从而确定变压器热点位置和温度。
为了使预测的热点温度更加准确,对于参数的选择是非常重要的,为此,本发明对油箱内部流线轨迹进行了仿真分析,其仿真结果如图2所示,基于油流轨迹图可以总结出油箱中变压器油绕组温度升高后主要的流动路径。以油浸自冷ONAN变压器为例,分析结果显示油箱顶部外壳以及散热片顶部连接处温升较高,并且携带了大量绕组温度信息,与热点温度有着较强的相关性。因此,选取外壳两侧顶部温度区域为外壳测温的关键区域,作为热点温度反演的主要参数,能够提高预测结果的准确性,其中该参数可以通过红外测温仪器获得。
在建立了油浸式变压器的动态仿真模型之后,就可以利用该动态仿真模型进行不同运行工况下的动态热仿真,以获得负载变动情况下以及不同环境温度下的绕组热点温度的瞬态变化规律,其具体步骤如下所示:
步骤S101,根据所述油浸式变压器的预设运行工况,设置所述油浸式变压器的仿真负载电流和仿真环境温度;
步骤S102,根据所述仿真负载电流和所述仿真环境温度对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真顶层油温、仿真绕组热点温度和仿真油箱两侧壳体顶部平均温度。
首先,设定变压器负载电流上升和下降的运行条件,一般包括变压器正常运行的主要负载区间,比如0.2倍额定电流至1.0倍额定电流,从而将负载区间划分成多个不同的负载变化区间,从而涵盖变压器的主要运行工况,本发明实施例中将负载区间划分为24个区间,以额定电流的倍数表示,分别为:0.2至0.3、0.3至0.4,0.4至0.5,0.5至0.6,0.6至0.7,0.7至0.8,0.8至0.9,0.9至1.0以及0.2至0.4,0.3至0.5,0.4至0.6,0.5至0.7,0.6至0.8,0.7至0.9,0.8至1.0,0.2至0.5,0.3至0.6,0.4至0.7,0.5至0.8,0.6至0.9,0.7至1.0。需要说明的是,本实施例中给出的仿真数据的设置只是一种优选的方式而非具体限定,具体的仿真数据可以根据实际情况灵活设置。
然后设置动态仿真模型的边界条件即环境温度,从上述的区间中选择一个负载电流的变化区间,并将仿真时间步长设置为1分钟,比如选择负载电流从0.8倍额定电流升至1.0倍额定电流的区间,计算负载电流变化前后的绕组损耗,然后将损耗值代入动态仿真模型,先在负载系数0.8下仿真计算运行5个小时,然后在负载系数1下仿真计算5个小时,记录并保存负载电流、环境温度以及每分钟仿真得到的顶层油温、绕组热点温度、油箱两侧壳体顶部平均温度数值。
下一步将变压器所处的环境温度进行修改,比如本实施例中环境温度可以分别设置为10°、20°、30°和40°,重复上述步骤,直到在所有环境温度下,负载电流上升的24个变化区间和负载电流下降的24个变化区间的全部运行工况的仿真完成,得到了全部工况下的仿真运行数据,即仿真得到的负载电流、环境温度、顶层油温、绕组热点温度和油箱两侧壳体顶部平均温度,这些仿真运行数据将作为后续的模型数据集来使用。
步骤S20,建立所述油浸式变压器的热点温度映射模型,将所述仿真运行数据作为训练数据集对所述热点温度映射模型进行训练,所述热点温度映射模型包括门控循环单元和深度神经网络。
步骤S30,获取所述油浸式变压器的实时运行数据,将所述实时运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度,所述实时运行数据包括负载电流、环境温度、顶层油温和油箱两侧壳体顶部平均温度。
本发明中建立的反映可测参数与热点温度的映射关系的网络模型是由门控循环单元结合深度神经网络构建得到,对于建立好的热点温度映射模型,会使用上述的仿真运行数据作为训练数据集对其进行训练,由于所建模型具有与变压器实体相同的结构、尺寸,并详细考虑了绕组内部的热传导、油对流、空气侧热对流、油箱表面热辐射过程,可以准确计算油箱各位置的温度分布以及热点温度随时间变化曲线。因此,基于仿真计算得到的不同负载变动和不同环境温度条件下变压器温度的暂态变化数据也是准确可靠的,使用这些数据训练的网络模型来估算热点温度具有较高的准确度。下面结合附图3,对热点温度映射模型的结构以及数据处理过程进行说明。
本发明的热点温度映射模型是由门控循环单元和深度神经网络组合而成,其中,门控循环单元包括输入层和重置更新层,即层1和层2,深度神经网络包括组合层、第一隐藏层、第二隐藏层和输出层,即层3、层4、层5和层6。
使用门控循环单元的原因在于解决标准RNN中的梯度消失或爆炸问题并同时保留序列的长期信息,本实施例中门控循环单元的输入数据为油浸式变压器的历史绕组热点温度,由于输入层的神经元节点为6,因此取6个历史绕组热点温度组成输入矩阵X输入到输入层中,然后经过重置更新层中重置门和更新门的门控循环,得到第一输出矩阵H,请参阅图4,重置更新层中的时间步为6,在t步的输出矩阵可以表示为:ht=GRU(ht-1,Xt),t∈[1,6],Xt表示输入矩阵X中第t个时间步的元素,在重置更新层中的具体数据处理过程参考GRU的常规数据处理过程即可,在此不再作过多解释。
深度神经网络的组合层的输入数据除了门控循环单元的输出矩阵之外,还包含了油浸式变压器的其他运行数据,包括本次和上一次的负载电流、本次和上一次的顶层油温、油箱两侧壳体顶部平均温度和环境温度,这些数据都可以通过对变压器进行动态监测获得,其中由于负载电流和顶层油温数据较容易实时获取,使用时可以代入较为准确的测量数值,而油箱两侧壳体顶部平均温度和环境温度数据获取频率不高,实际中更多采用插值处理来获取中间数值,输入误差相对更大,因此对于负载电流和顶层油温采用相邻两次的数据以增加输入权重,而油箱两侧壳体顶部平均温度和环境温度只采用当次数据,即通过输入更准确的数据值,来提高预测结果的准确性。
本实施例中这些运行数据可以用矩阵F来表示,然后使用concat函数将门控循环单元的输出矩阵和运行数据矩阵F组合起来,得到组合层的输入矩阵X`,即X`=concat(H,F),深度神经网络的第一隐藏层和第二隐藏层均为全连接层,其神经元节点均为6,经过线性计算后的输出矩阵分别为H`1和H`2,最后由输出层输出的Yp作为最终反演预测的绕组热点温度,其中深度神经网络对数据的处理过程以及所使用的激活函数和分类器等参考常规DNN网络模型即可,在此也不再一一赘述。本发明结合门控循环单元和深度神经网络建立的热点温度映射模型可以捕捉到时间序列中时间步距离较大的依赖关系,从而提高热点温度动态变化时热点温度预测的准确性。
下面以某内部绕组安装了分布式光纤温度传感器的10kV实验变压器为例,对本发明提供的热点温度预测方法进行实验验证,请参阅图5所示的基于实物变压器建立的多物理场动态仿真模型,以变压器典型运行工况变化为例,将变压器0.5倍额定电流下运行4个小时,接着在负载系数为1.0下运行2个小时,然后在负载系数为0.8下运行2个小时,最后回到0.5倍额定电流下运行4个小时,在各个负载区间内进行大量仿真后,记录保存每分钟的负载电流、环境温度、顶层油温、热点温度、油箱两侧壳体顶部平均温度,一共得到115200组数据,仿真得到的典型数据如图6所示。然后利用这些仿真数据作为数据样本构建和训练基于GRU-DNN网络的热点温度映射模型,并利用该热点温度映射模型绘制油浸式变压器的绕组热点温度曲线,并与实际光纤温度传感器测得的热点温度曲线、以及利用IEC计算得到的热点温度曲线相比较,根据试验数据可以得到,利用本发明提供的热点温度映射模型绘制的热点温度曲线与实际光纤温度传感器测得的热点温度曲线均方根误差为0.55℃,最大误差绝对值为1.9℃,而利用IEC计算得到的热点温度曲线与实际光纤温度传感器测得的热点温度曲线均方根误差为2.88℃,最大误差绝对值为6.4℃。由此可见,本方法可以提高负载动态变化的情况下变压器热点温度在线评估的准确性,为精准评估变压器的动态负载能力提供有效支撑。
本发明实施例提供的油浸式变压器热点温度预测方法,相比传统方法只能根据变压器容量等级和冷却类型查阅IEC导则对参数进行粗略估计,从而与变压器的实际值往往有偏差,本发明利用变压器多物理场仿真获得的变压器大量运行状态动态变化的数据建立智能学习模型,不仅能够实现变压器热点温度动态跟踪和在线监测,并且由于基于仿真计算得到的不同负载变动和不同环境温度条件下变压器温度的暂态变化数据是准确可靠的,因此使用这些数据训练的预测模型对于热点温度的预测结果也具有较高的准确性。
请参阅图7,基于同一发明构思,本发明第二实施例提供的一种油浸式变压器热点温度预测系统,包括:
动态仿真模型10,用于根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型,并在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据;
热点温度映射模型20,用于建立所述油浸式变压器的热点温度映射模型,将所述仿真运行数据作为训练数据集对所述热点温度映射模型进行训练,所述热点温度映射模型包括门控循环单元和深度神经网络;
热点温度预测模块30,用于获取所述油浸式变压器的实时运行数据,将所述实时运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度,所述实时运行数据包括负载电流、环境温度、顶层油温和油箱两侧壳体顶部平均温度。
本发明实施例提出的油浸式变压器热点温度预测系统的技术特征和技术效果与本发明实施例提出的方法相同,在此不予赘述。上述油浸式变压器热点温度预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参阅图8,一个实施例中计算机设备的内部结构图,该计算机设备具体可以是终端或服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现油浸式变压器热点温度预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算设备可以包括比途中所示更多或更少的部件,或者组合某些部件,或者具有同的部件布置。
此外,本发明实施例还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
此外,本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
综上,本发明实施例提供一种油浸式变压器热点温度预测方法、系统、设备和存储介质,其热点温度预测方法通过根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型,并在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据;建立所述油浸式变压器的热点温度映射模型,将所述仿真运行数据作为训练数据集对所述热点温度映射模型进行训练,所述热点温度映射模型包括门控循环单元和深度神经网络;获取所述油浸式变压器的实时运行数据,将所述实时运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度,所述实时运行数据包括负载电流、环境温度、顶层油温和油箱两侧壳体顶部平均温度。本发明利用变压器多物理场仿真获得的变压器大量运行状态动态变化的数据建立智能学习模型,对变压器热点温度进行动态跟踪和在线监测,实现了在动态条变化的条件下获得更准确的变压器热点温度,同时通过变压器的油流线分析选取油箱外壳关键测温区域,作为热点温度反演的重要参数,进一步提高了热点温度反演的准确性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例直接相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。需要说明的是,上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种油浸式变压器热点温度预测方法,其特征在于,包括:
根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型,并在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据;
建立所述油浸式变压器的热点温度映射模型,将所述仿真运行数据作为训练数据集对所述热点温度映射模型进行训练,所述热点温度映射模型包括门控循环单元和深度神经网络;
获取所述油浸式变压器的实时运行数据,将所述实时运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度,所述实时运行数据包括负载电流、环境温度、顶层油温和油箱两侧壳体顶部平均温度。
2.根据权利要求1所述的油浸式变压器热点温度预测方法,其特征在于,所述根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型的步骤包括:
根据油浸式变压器的温度场和流体场,建立所述油浸式变压器的动态仿真模型;所述温度场包括铁芯损耗和绕组损耗,所述流体场包括绕组铁芯内部热传导、油对流、空气侧对流、以及热辐射;
其中,所述铁芯损耗由所述油浸式变压器的出厂试验获得;
采用如下公式计算所述绕组损耗:
Pcu=Pd+Pe
式中,Pd和Pe分别表示直流损耗和涡流损耗,Pd_rated和Pe_rated分别表示额定电流下的直流损耗和涡流损耗,M表示负载系数,T`表示绕组热点温度;
采用如下公式计算所述绕组铁芯内部热传导:
式中,Q1表示热流量,Δ表示拉普拉斯算子,T`表示表面间温差,R表示热阻;
采用如下公式计算所述油对流:
式中,t表示时间,ρ表示流体密度,u表示流体流速,p和F分别表示压力和体积力,μ和C分别表示流体动力黏度和比热容,T表示流体温度,k表示导热系数,Q2表示热源,K表示黏性力,▽表示哈密顿算子,Δ表示拉普拉斯算子,I表示单位矩阵;
采用如下公式计算所述空气侧对流:
Q3=Ah(Ts-Ta)
式中,Q3表示空气对流散热量,A表示表面面积,h表示对流换热系数,Ts和Ta分别表示油浸式变压器油箱外表面温度和环境温度;
采用如下公式计算所述热辐射:
式中,Q4表示从箱壁辐射到空气中的热辐射,η表示斯蒂芬-波耳兹曼常数,E表示表面辐射系数。
3.根据权利要求1所述的油浸式变压器热点温度预测方法,其特征在于,所述在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据的步骤包括:
根据所述油浸式变压器的预设运行工况,设置所述油浸式变压器的仿真负载电流和仿真环境温度;
根据所述仿真负载电流和所述仿真环境温度对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真顶层油温、仿真绕组热点温度和仿真油箱两侧壳体顶部平均温度。
4.根据权利要求1所述的油浸式变压器热点温度预测方法,其特征在于,所述门控循环单元包括输入层和重置更新层,所述深度神经网络包括组合层、第一隐藏层、第二隐藏层和输出层;
其中,所述输入层、所述组合层、所述第一隐藏层和所述第二隐藏层的神经元节点数均为6,所述重置更新层的时间步数为6,所述输出层的神经元节点数为1。
5.根据权利要求4所述的油浸式变压器热点温度预测方法,其特征在于,所述获取所述油浸式变压器的实时运行数据,将所述运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度的步骤包括:
获取所述油浸式变压器的历史绕组热点温度和实时运行数据,将所述历史绕组热点温度输入所述输入层,经过所述重置更新层进行门控循环,得到第一输出矩阵;
将所述第一输出矩阵和所述实时运行数据进行拼接,得到第一输入矩阵;
将所述第一输入矩阵输入所述组合层,经过所述第一隐藏层和所述第二隐藏层依次进行线性计算,通过所述输出层输出所述油浸式变压器的绕组热点温度。
6.根据权利要求5所述的油浸式变压器热点温度预测方法,其特征在于,所述将所述第一输出矩阵和所述实时运行数据进行拼接,得到第一输入矩阵的步骤包括:
使用concat函数将所述第一输入矩阵和所述实时运行数据进行拼接,得到第一输入矩阵;其中,所述实时运行数据包括第一子运行数据和第二子运行数据,所述第一子运行数据为所述油浸式变压器的当前运行数据,所述第二子运行数据为所述油浸式变压器的上一次运行数据;
采用如下公式表示所述第一输入矩阵:
X’=concat(H,F)
式中,H表示第一输出矩阵,F表示实时运行数据。
7.根据权利要求6所述的油浸式变压器热点温度预测方法,其特征在于,所述第一子运行数据包括第一负载电流、环境温度、第一顶层油温和油箱两侧壳体顶部平均温度,所述第二子运行数据包括第二负载电流和第二顶层油温。
8.一种油浸式变压器热点温度预测系统,其特征在于,包括:
动态仿真模型,用于根据油浸式变压器的多物理场热状态,建立所述油浸式变压器的动态仿真模型,并在预设运行工况下,对所述动态仿真模型进行动态热仿真,得到所述油浸式变压器的仿真运行数据;
热点温度映射模型,用于建立所述油浸式变压器的热点温度映射模型,将所述仿真运行数据作为训练数据集对所述热点温度映射模型进行训练,所述热点温度映射模型包括门控循环单元和深度神经网络;
热点温度预测模块,用于获取所述油浸式变压器的实时运行数据,将所述实时运行数据输入训练好的所述热点温度映射模型进行温度预测,得到所述油浸式变压器的绕组热点温度,所述实时运行数据包括负载电流、环境温度、顶层油温和油箱两侧壳体顶部平均温度。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211742170.8A CN116050261A (zh) | 2022-12-29 | 2022-12-29 | 油浸式变压器热点温度预测方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211742170.8A CN116050261A (zh) | 2022-12-29 | 2022-12-29 | 油浸式变压器热点温度预测方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050261A true CN116050261A (zh) | 2023-05-02 |
Family
ID=86123147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211742170.8A Pending CN116050261A (zh) | 2022-12-29 | 2022-12-29 | 油浸式变压器热点温度预测方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050261A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572119A (zh) * | 2023-11-17 | 2024-02-20 | 国网宁夏电力有限公司电力科学研究院 | 一种电网换流变压器局部过热故障定位方法、介质及系统 |
-
2022
- 2022-12-29 CN CN202211742170.8A patent/CN116050261A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572119A (zh) * | 2023-11-17 | 2024-02-20 | 国网宁夏电力有限公司电力科学研究院 | 一种电网换流变压器局部过热故障定位方法、介质及系统 |
CN117572119B (zh) * | 2023-11-17 | 2024-05-24 | 国网宁夏电力有限公司电力科学研究院 | 一种电网换流变压器局部过热故障定位方法、介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083908B (zh) | 基于有限元分析的电缆缆芯温度预测方法 | |
Tang et al. | Equivalent heat circuit based power transformer thermal model | |
Shiravand et al. | Prediction of transformer fault in cooling system using combining advanced thermal model and thermography | |
Amoda et al. | Acceptability of three transformer hottest-spot temperature models | |
CN114722732B (zh) | 基于点云网络的高超声速飞行器燃料箱温度场预测方法 | |
CN116050261A (zh) | 油浸式变压器热点温度预测方法、系统、设备和存储介质 | |
Diaz‐Aguiló et al. | Adaptive soil model for real‐time thermal rating of underground power cables | |
Shadab et al. | Finite-time parameter estimation for an online monitoring of transformer: A system identification perspective | |
CN116933637A (zh) | 电机温度的预测方法、装置和电子设备 | |
Bao et al. | Accuracy analysis and improvement of the state‐queuing model for the thermostatically controlled loads | |
CN116070302A (zh) | 一种电缆绝缘状态的预测方法及装置 | |
Sun et al. | Accelerated degradation process analysis based on the nonlinear Wiener process with covariates and random effects | |
Bagheri et al. | A new approach for top‐oil thermal modelling of power transformers using Unscented Kalman filter considering IEEE C57. 91 standard | |
CN114781201A (zh) | 一种散热器内pcb温度场的计算方法、系统、装置及介质 | |
Allahbakhshi et al. | An improved computational approach for thermal modeling of power transformers | |
Cao et al. | Reducio: Model reduction for data center predictive digital twins via physics-guided machine learning | |
Kim et al. | Three-dimensional numerical modeling of vertical ground heat exchangers: Domain decomposition and state model reduction | |
Czél et al. | Simultaneous identification of temperature-dependent thermal properties via enhanced genetic algorithm | |
CN108226218A (zh) | 一种电子器件的热阻测量方法和系统 | |
CN108089077B (zh) | 应用于变压器热点反演的特征量选取方法及系统 | |
Laneryd et al. | Physics informed neural networks for power transformer dynamic thermal modelling | |
Kaminski et al. | Artificial neural networks application for top oil temperature and loss of life prediction in power transformers | |
CN115828688A (zh) | 一种基于高斯过程回归的数字孪生电缆温度预测方法 | |
CN113204887B (zh) | 一种电力装备的多物理场多参数反演方法 | |
Zhang et al. | Improving IEC thermal model for oil natural air natural transformers using optimised parameters based on dynamic simulation |
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 |