CN116432524A - 一种变压器油温预测方法、装置、设备及存储介质 - Google Patents

一种变压器油温预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116432524A
CN116432524A CN202310297274.0A CN202310297274A CN116432524A CN 116432524 A CN116432524 A CN 116432524A CN 202310297274 A CN202310297274 A CN 202310297274A CN 116432524 A CN116432524 A CN 116432524A
Authority
CN
China
Prior art keywords
oil temperature
transformer
temperature
data
model
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
Application number
CN202310297274.0A
Other languages
English (en)
Inventor
申淑梅
白秀春
周伟
徐宋达
董敏
万前宏
吴智衍
翁海涛
黄晓波
郑源
钟建锋
蔡约瑟
刘檑
曹高辉
曹效海
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.)
State Grid Zhejiang Electric Power Co Ltd Ruian Power Supply Co
Original Assignee
State Grid Zhejiang Electric Power Co Ltd Ruian Power Supply 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 State Grid Zhejiang Electric Power Co Ltd Ruian Power Supply Co filed Critical State Grid Zhejiang Electric Power Co Ltd Ruian Power Supply Co
Priority to CN202310297274.0A priority Critical patent/CN116432524A/zh
Publication of CN116432524A publication Critical patent/CN116432524A/zh
Pending legal-status Critical Current

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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种变压器油温预测方法、装置、设备及存储介质，结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。能够及时、准确实现变压器油温预测，能够确保变压器稳定运行。

Description

一种变压器油温预测方法、装置、设备及存储介质
技术领域
本发明涉及电力系统技术领域，尤其涉及一种变压器油温预测方法、装置、设备及存储介质。
背景技术
随着经济复苏，用电负荷只增不减，给变压器运行带来不小的考验，变压器的油温是变压器稳定运行的一个重要因素，变压器油温过高直接影响其运行寿命和负载能力，提前感知变压器温升并及时采取相应的降温措施，是保证变压器稳定运行的重要措施。
现有技术通过监测变压器内部油温，以变压器实际温度作为参考依据，超过阈值温度时，再通过导出重载变压器的部分负荷的防守进行干预，降低变压器负载。但是变压器达到阈值温度时，已是变压器高温运行状态的最终表现，即变压器过负载运行或内部缺陷运行已经积累到了一定程度，干预措施存在滞后性，干预的有效性收到较大影响。现有技术的油温监测方式忽略了变压器温升的过程，油温监测数据存在滞后性，导致变压器降温措施不及时。
发明内容
针对上述缺陷，本发明提供一种变压器油温预测方法、装置、设备及存储介质，能够及时、准确实现变压器油温预测，能够确保变压器稳定运行。
本发明实施例提供一种变压器油温预测方法，所述方法包括：
结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；
采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；
根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。
优选地，所述影响因子确定过程具体包括：
收集系统内各个变电站的运行数据、变压器内部结构数据、网架结构数据、历史负荷曲线数据、温度类型数据和湿度类型数据形成原始数据，并对原始数据进行分类，将所述原始数据分为运行因素、环境因素和特性因素；
对所述原始数据进行清洗，将异常数据清除；
通过小波算法将收集的数据优化整理，快速筛出坏数据，保留良数据；
生成导致变压器油温升高的影响矩阵，找出影响因素特征值和特征向量，并确定影响变压器油温上升的相关系数最高的预设数量的所述影响因子。
作为一种优选方案，所述影响因子包括：温度、湿度、损耗、绕组、铁芯、负荷变化、冷却方式和变压器当前油温。
优选地，所述结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型，具体包括：
对变压器内部复杂发热过程和散热过程进行分析，将内部产热损耗进行分类，并确定热量的流通方向和流通路线，明确变压器油温上升的热量来源，模拟出变压器的油温一阶模型；
在所述油温一阶模型中引入所述影响因子，建立所述油温半物理模型；
所述油温一阶模型具体为：
Figure BDA0004143674320000021
所述油温半物理模型具体为：
Figure BDA0004143674320000022
其中，
Figure BDA0004143674320000023
表示任意t时刻的顶层油温对环境的温升，/>
Figure BDA0004143674320000024
表示顶层油温的末态温升，τoil表示主变油的热时间常数，θtop,k-1表示前一时刻的变压器油温变化量，θamb,k-1表示前一时刻的温度变化量，θhum,k-1表示前一时刻的湿度变化量，θl,k-1表示前一时刻的负荷变化量，Il表示变压器损耗的变化量，It表示铁芯，Ir表示绕组结构，K1、K20、K21、K22、K30、K31、K32、K4分别为影响因子的加权权重。
作为一种优选方案，所述贝叶斯网络结构模型具体为：
log(P(G|D))＝log(P(D|G))+log(P(G))；
其中，
Figure BDA0004143674320000031
n表示样本中变量的个数，变量Xi的取值状态有ri个，qi表示若干个父节点pa(Xi)的状态组合的数量，mij、aijk和aij是超参数，Γ()是Gamma函数，变量Xi＝k是父节点pa(Xi)＝j的情况有mijk种，G是网络结构，D是样本数据。
优选地，所述方法还包括：
根据预测出的油温，输出对应的油温预测曲线；
根据所述油温预测曲线控制所述变压器配置的降温装置工作。
作为上述方案的改进，所述根据油温预测曲线控制所述变压器配置的降温装置工作，具体包括：
计算所述油温预测曲线中每一时刻的温升速度；
根据当前的温升速度和当前的温度，从预设的等级数据库中匹配对应的降温等级；
根据匹配的降温等级控制所述降温装置中的喷淋设备运行；
所述等级数据库中包含每一温度、每一温升速度与降温等级的对应关系；
所述降温等级包括喷头数量和流速大小。
本发明实施例还提供一种变压器油温预测装置，所述装置包括：
模型构建模块，用于结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；
训练模块，用于采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；
预测模块，用于根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。
优选地，所述模型构建模块确定影响因子的过程具体包括：
收集系统内各个变电站的运行数据、变压器内部结构数据、网架结构数据、历史负荷曲线数据、温度类型数据和湿度类型数据形成原始数据，并对原始数据进行分类，将所述原始数据分为运行因素、环境因素和特性因素；
对所述原始数据进行清洗，将异常数据清除；
通过小波算法将收集的数据优化整理，快速筛出坏数据，保留良数据；
生成导致变压器油温升高的影响矩阵，找出影响因素特征值和特征向量，并确定影响变压器油温上升的相关系数最高的预设数量的所述影响因子。
作为一种优选方案，所述影响因子包括：温度、湿度、损耗、绕组、铁芯、负荷变化、冷却方式和变压器当前油温。
优选地，所述模型构建模块具体用于：
对变压器内部复杂发热过程和散热过程进行分析，将内部产热损耗进行分类，并确定热量的流通方向和流通路线，明确变压器油温上升的热量来源，模拟出变压器的油温一阶模型；
在所述油温一阶模型中引入所述影响因子，建立所述油温半物理模型；
所述油温一阶模型具体为：
Figure BDA0004143674320000041
所述油温半物理模型具体为：
Figure BDA0004143674320000042
其中，
Figure BDA0004143674320000051
表示任意t时刻的顶层油温对环境的温升，/>
Figure BDA0004143674320000052
表示顶层油温的末态温升，τoil表示主变油的热时间常数，θtop,k-1表示前一时刻的变压器油温变化量，θamb,k-1表示前一时刻的温度变化量，θhum,k-1表示前一时刻的湿度变化量，θl,k-1表示前一时刻的负荷变化量，Il表示变压器损耗的变化量，It表示铁芯，Ir表示绕组结构，K1、K20、K21、K22、K30、K31、K32、K4分别为影响因子的加权权重。
作为一种优选方案，所述贝叶斯网络结构模型具体为：
log(P(G|D))＝log(P(D|G))+log(P(G))；
其中，
Figure BDA0004143674320000053
n表示样本中变量的个数，变量Xi的取值状态有ri个，qi表示若干个父节点pa(Xi)的状态组合的数量，mij、aijk和aij是超参数，Γ()是Gamma函数，变量Xi＝k是父节点pa(Xi)＝j的情况有mijk种，G是网络结构，D是样本数据。
优选地，所述方法还包括控制模块，用于：
根据预测出的油温，输出对应的油温预测曲线；
根据所述油温预测曲线控制所述变压器配置的降温装置工作。
作为上述方案的改进，所述控制模块具体用于：
计算所述油温预测曲线中每一时刻的温升速度；
根据当前的温升速度和当前的温度，从预设的等级数据库中匹配对应的降温等级；
根据匹配的降温等级控制所述降温装置中的喷淋设备运行；
所述等级数据库中包含每一温度、每一温升速度与降温等级的对应关系；
所述降温等级包括喷头数量和流速大小。
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的变压器油温预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例中任意一项所述的变压器油温预测方法。
本发明提供的一种变压器油温预测方法、装置、设备及存储介质，结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。能够及时、准确实现变压器油温预测，能够确保变压器稳定运行。
附图说明
图1是本发明实施例提供一种变压器油温预测方法的流程示意图；
图2是本发明实施例提供的影响因子确认方法的流程示意图；
图3是本发明实施例提供的油温预测过程的流程示意图；
图4是本发明实施例提供的油温的监测曲线与预测曲线对比图；
图5是本发明实施例提供的控制策略计划示意图；
图6是本发明实施例提供的一种变压器油温预测装置的结构示意图；
图7是本发明实施例提供的一种终端设备的结构示意图。
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作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。
参见图1，是本发明实施例提供一种变压器油温预测方法的流程示意图，所述方法包括步骤S1～S3：
S1，结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；
S2，采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；
S3，根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。
在本实施例具体实施时，考虑变压器所处环境、温度、湿度、负荷变化对其造成的影响，引入外部影响因子，对油浸式变压器内部复杂的发热、散热过程的分析，确定包含影响因子的油温半物理模型；
该模型计算值、半物理模型的计算值和实测值进行对比，验证考虑环境、温度、湿度因素的油温模型具有更高的精度；
考虑影响变压器顶层油温的影响因子，通过结构学习建立所选特征量为节点的贝叶斯网络结构模型，得到影响因子与变压器顶层油温的相关系数。通过参数学习获取学习网络中节点的条件概率，得到影响因子的加权权重，建立贝叶斯网络油温预测模型；
根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温；
通过变压器油温温升基础模型，分析变压器顶部油温的影响因子，构建贝叶斯网络算法来预测变压器的温升曲线，能够及时、准确的实现油温预测，从而根据预测出的温升曲线针对性地去调整不同变电站在每个时间段的降温策略，有效控制变压器油温。
在本发明提供的又一实施例中，所述影响因子确定过程具体包括：
收集系统内各个变电站的运行数据、变压器内部结构数据、网架结构数据、历史负荷曲线数据、温度类型数据和湿度类型数据形成原始数据，并对原始数据进行分类，将所述原始数据分为运行因素、环境因素和特性因素；
对所述原始数据进行清洗，将异常数据清除；
通过小波算法将收集的数据优化整理，快速筛出坏数据，保留良数据；
生成导致变压器油温升高的影响矩阵，找出影响因素特征值和特征向量，并确定影响变压器油温上升的相关系数最高的预设数量的所述影响因子。
在本实施例具体实施时，在变压器在运行中，内部的对流换热过程极为复杂，而且所处的环境条件也并非是一成不变的，因此，影响变压器顶层油温的因素很多，数据收集系统内各个变电站的运行数据、变压器内部结构、网架结构、历史负荷曲线、温度、湿度类型等形成原始数据来源。
将原始数据分为三大类：运行因素、环境因素、特性因素，其中影响因素分类表如表1所示。
表1变压器顶部油温的影响因素
运行因素 环境因素 特性因素
电压等级 温度变化 绕组
有功功率 湿度变化 铁芯
无功功率 风速大小 冷却方式
负载变化 热辐射 变压器油
损耗
参见图2，是本发明实施例提供的影响因子确认方法的流程示意图；
对收集的数据进行筛除并处理原始数据，对所述原始数据进行清洗，将数据缺失、数据冗余、常识性错误等异常数据清除；
通过小波算法将收集的数据优化整理，快速筛出坏数据，保留良数据，生成导致变压器油温升高的相关系数矩阵R，求R的特征值和特征向量，找出影响因素特征值和特征向量；
确定主成分，确定影响变压器油温上升的相关系数最高的预设数量的所述影响因子。
在众多特征参量中，选取与油温关系密切的参量作为研究对象，能够简化模型结构、降低复杂度，便于准确计算变压器顶层油温。
在本发明提供的又一实施例中，所述影响因子包括：温度、湿度、损耗、绕组、铁芯、负荷变化、冷却方式和变压器当前油温。
在本实施例具体实施时，通过分析影响变压器油温上升的主要相关系数，最终形成以温度、湿度、损耗、绕组、铁芯、负荷变化、冷却方式、变压器油温等8个维度的主要影响因子。
综合考虑环境因素、运行因素及特性因素的影响因子的变压器油温预测方法更加符合实际情况，能够更加准确的预测油温。
在本发明提供的又一实施例中，所述步骤S2具体包括：
对变压器内部复杂发热过程和散热过程进行分析，将内部产热损耗进行分类，并确定热量的流通方向和流通路线，明确变压器油温上升的热量来源，模拟出变压器的油温一阶模型；
在所述油温一阶模型中引入所述影响因子，建立所述油温半物理模型；
所述油温一阶模型具体为：
Figure BDA0004143674320000091
所述油温半物理模型具体为：
Figure BDA0004143674320000092
其中，θtop,表示前一时刻的变压器油温变化量，θamb,表示前一时刻的温度变化量，θhum,表示前一时刻的湿度变化量，θl,表示前一时刻的负荷变化量，Il表示变压器损耗的变化量，It表示铁芯，Ir表示绕组结构，1、K20、K21、K22、K30、K31、K32、K4分别为影响因子的加权权重；
Figure BDA0004143674320000093
表示任意t时刻的顶层油温对环境的温升，/>
Figure BDA0004143674320000094
表示顶层油温的末态温升，τoil表示主变油的热时间常数。
在本实施例具体实施时，在油浸式电力变压器中，变压器油的作用非同小可，具有绝缘和散热的功能。当用电设备增多时，变压器负载增加，负载电流升高，随之而来，变压器内部损耗也增加，最终反映到变压器油温升高上。油温如何升高或降低，这不仅与变压器系统的热时间常数有关，还与变压器的热容量和散热器效率有关。油温温升作为随时间变化的函数，可通过末态温升关于初态温升的油温一阶模型为
Figure BDA0004143674320000101
油温一阶模型中
Figure BDA0004143674320000102
表示任意t时刻的顶层油温对环境的温升，/>
Figure BDA0004143674320000103
表示顶层油温的末态温升，τoil表示主变油的热时间常数。
在上述油温一阶模型中，变压器存在的复杂环境仅仅用环境温度做了替代，把温升值加上环境温度作为了变压器的顶层油温，所以，顶层油温升模型没有体现出环境温度的动态变化。为提高变压器顶层油温的计算准确性，将环境温度以变量的形式引入到油温一阶模型得到：
Figure BDA0004143674320000104
利用后向欧拉公式离散变压器顶层油温可得：
Figure BDA0004143674320000105
其中，θtip,表示顶层油温最终状态的温度，θtop,表示顶层油温的起始状态的温度；Δt是离散数据的采样间隔，即采样周期；k是离散数据的序号。
与变压器油温有关的环境温度、负载电流都不会突然变化，而且油温也不会瞬间变化，具有一定的滞后性，所以使用上述模型计算顶层油温时，需要考虑之前某时刻的变压器负荷、环境温度、湿度等八个维度的影响因素的加权，权衡计算精度和计算量后，体现时间滞后的多维度影响因素的变压器顶层油温半物理模型为
Figure BDA0004143674320000106
其中，θtop,表示前一时刻的变压器油温变化量，θamb,表示前一时刻的温度变化量，θhum,k-1表示前一时刻的湿度变化量，θl,k-1表示前一时刻的负荷变化量，Il表示变压器损耗的变化量，It表示铁芯，Ir表示绕组结构，K1、K20、K21、K22、K30、K31、K32、K4分别为影响因子的加权权重。
通过对油浸式变压器内部复杂的发热、散热过程的分析，将内部产热损耗进行分类，并确定热量的流通方向和流通路线，明确变压器油温上升的热量来源。在此基础上，演绎出绕组、铁芯、变压器油的升、降温特性方程。再考虑变压器所处环境、温度、湿度、负荷变化对其造成的影响，引入影响因子，建立油温半物理模型。将该模型计算值、半物理模型的计算值和实测值进行对比，验证考虑环境、温度、湿度因素的油温模型具有更高的精度。
在本发明提供的又一实施例中，所述贝叶斯网络结构模型具体为：
log(P(G|D))＝log(P(D|G))+log(P(G))；
其中，
Figure BDA0004143674320000111
n表示样本中变量的个数，变量Xi的取值状态有ri个，qi表示若干个父节点pa(Xi)的状态组合的数量，mij、aijk和aij是超参数，Γ()是Gamma函数，变量Xi＝k是父节点pa(Xi)＝j的情况有mijk种，G是网络结构，D是样本数据。
在本实施例具体实施时，采用的贝叶斯网络是一种概率网络，是因果信息的表示方法，用于表示连续概率的图形。
贝叶斯网络可用(G,θ)表示，其中G是网络结构，描述变量间的因果关系，θ是变量的概率分布，表示变量之间的数值关系。当贝叶斯网络中所有节点的概率分布已知时，用P(xi|xπi)表示，xπi是节点Xi的父节点Xπi的状态值就能求解全部节点变量的联合概率分布：
Figure BDA0004143674320000112
贝叶斯网络称为先验贝叶斯网络，先验贝叶斯网络通过学习样本数据得到的网络称为后验贝叶斯网络，此过程即为贝叶斯网络学习过程，基于贝叶斯统计的评分函数就是基于最大后验概率，在样本数据D已知的情况下，后验概率最大的网络结构就是最优结构。在结构搜索中，搜索到结构G的概率为P(G|D)；
Figure BDA0004143674320000121
选择最优网络结构，因为概率P是非负数，使P(G|D)取最大值，得到贝叶斯网络结构模型函数式：
log(P(G|D))＝log(P(D|G))+log(P(G))；
其中，
Figure BDA0004143674320000122
n表示样本中变量的个数，变量Xi的取值状态有ri个，qi表示若干个父节点pa(Xi)的状态组合的数量，mij、aijk和aij是超参数，Γ是Gamma函数，变量Xi＝k是父节点pa(Xi)＝j的情况有mijk种。
在贝叶斯网络结构模型确定以后，利用条件概率计算变量的条件概率，得到变量之间的相关系数rxy的计算公式为：
Figure BDA0004143674320000123
考虑影响变压器顶层油温的影响因子，通过结构学习建立所选特征量为节点的贝叶斯网络结构模型，得到影响因子与变压器顶层油温的相关系数。通过参数学习获取学习网络中节点的条件概率，得到影响因子的权重比例，建立贝叶斯网络油温预测模型，实现对变压器顶层油温的超前预测；
所述贝叶斯网络油温预测模型具体为：
Figure BDA0004143674320000124
根据贝叶斯网络油温预测模型计算油温，参见图3，是本发明实施例提供的油温预测过程的流程示意图；读入测试集数据，进行数据预处理，进行结构学习、参数学习，确定贝叶斯网络；若贝叶斯网络构建失败，则重新读入测试集数据，进行数据预处理，进行结构学习、参数学习，直到成功构建贝叶斯网络；若贝叶斯网络构建成功，则选择推理引擎，输入推理证据，求解后验概率，进行准确性评估，准确性评估失败后，返回重新读入测试集数据，进行数据预处理，进行结构学习、参数学习、确定贝叶斯网络，选择推理引擎，输入推理证据，求解后验概率，再次进行准确性评估；直到准确性评估符合要求，输出预测结果。
借助于Matlab软件中的贝叶斯网络工具箱，来构建变压器顶层油温预测模型，贝叶斯网络一般用于处理离散型变量问题，因此需要将样本数据进行离散化处理。在构造变压器顶层油温预测模型时，使用到的变压器顶部油温数据的取值范围为[40℃，80℃]。对变压器顶层油温数据进行处理时，以1℃为单位，将其离散为40个状态，分别用数字1～40表示，即每个数字代表一个跨度为1℃的油温状态。同理，将其余特征参量均做此处理，以划分不同的状态区间并赋予它们不同的状态取值。当与顶层油温有关的8个特征参量的状态均已知时，便可预测出顶层油温处于何种状态的概率最高，将概率最高的状态所代表区间的中间值作为油温预测值，最终实现变压器顶层油温的预测。
获取某地区的24个变电站，48个变压器作为预测样本，运用贝叶斯网络油温模型，完成变压器顶部油温预测，将48个变压器的预测结果，并与其站内实测数据作对比，整体相关性较好，相对误差小于15％，预测准确率符合标准，综合考虑环境因素、运行因素及特性因素的变压器油温预测方法更加符合实际情况，本申请提出的基于贝叶斯网络的预测方法具有较高的准确性。
参见图4，是本发明实施例提供的油温的监测曲线与预测曲线对比图；图中在24小时内，监测值的顶层油温和预测值的顶层油温差距小于5％。
在本发明提供的又一实施例中，所述方法还包括：
根据预测出的油温，输出对应的油温预测曲线；
根据所述油温预测曲线控制所述变压器配置的降温装置工作。
在本实施例具体实施时，贝叶斯网络油温预测模型预测油温后，根据油温变化，输出油温预测曲线。
根据预测出的温升曲线针对性地去调整不同变电站在每个时间段的降温策略，有效控制变压器油温，降低高温运行条件对变压器内部绝缘件的损耗，确保变压器稳定运行。
在本发明提供的又一实施例中，所述根据油温预测曲线控制所述变压器配置的降温装置工作，具体包括：
计算所述油温预测曲线中每一时刻的温升速度；
根据当前的温升速度和当前的温度，从预设的等级数据库中匹配对应的降温等级；
根据匹配的降温等级控制所述降温装置中的喷淋设备运行；
所述等级数据库中包含每一温度、每一温升速度与降温等级的对应关系；
所述降温等级包括喷头数量和流速大小。
在本实施例具体实施时，基于贝叶斯网络的变压器油温预测模型，得出变压器油温的预测曲线，并针对不同变电站油温预测曲线实施差异化降温策略；根据油温预测曲线变化，可以直观看出变电站主变负载率情况，便于辅助调度制定负荷调整决策；另一方面，针对极端高温天气下，主变负荷难以调整时，对预测温升较大的变压器都加装降温装置，做到在全面防控的同时，提高运检人员的工作效率。
装降温装置的变电站，实施降温方式的智能化设置，降温装置由可编程逻辑控制器(PLC)、上位PC机、固态继电器及喷淋设备组成。设定五种策略，参见表2，是具体降温等级的控制策略；
表2变压器降温装置的降温等级
控制等级 一 二 三 四 五
喷头数量 0 6 12 12 18
流速大小 0 1 1 2 2
控制策略自动跟随变压器的预测温升曲线，实时调整降温装置的开放时间、开放个数、流速大小；根据温升曲线与实施对应的控制策略。
表3是等级数据库的匹配关系，等级数据库中每一温度、每一温升速度与降温等级对应；
表3等级数据库
Figure BDA0004143674320000151
据匹配的降温等级控制所述降温装置中的喷淋设备运行，使变压器有相对稳定的运行条件，实现降温装置对变压器油温变化的自动感知，推进电网辅助设备的智能化工作，替代人工现场操作，节省人力的同时，减少因人为操作不当造成的装置故障。
具体实施时，参见图4所示油温曲线，当日10时开始变压器油温逐渐升高，下午17时左右到达峰值，高温一直持续到晚上20时，降温装置根据未来24h变压器油温预测曲线，设置了次日降温计划，参见图5所示，是本发明实施例提供的控制策略计划示意图。
通过PLC、固态继电器对各层降温装置喷淋设备及水泵进行控制。例如夜间油温较低、无明显温升时，退出所有喷淋设备；但油温较低、存在一定温升时，交替投入各层6个的喷淋设备；白天负荷刚有上行趋势时，交替投入各层12个的喷淋设备，根据温升情况，进行流速大小控制；中午至晚上的高峰期间，完全投入所有喷淋设备。
通过这样的策略来降低降温装置中电机、水管的损耗，并最大化降温效率，使得变压器运行状况整体趋于平稳。降温装置自动感知油温曲线变化调整降温方式的方法，有效控制了运行成本，并提高了设备运行效率。
本申请基于贝叶斯网络的变压器油温预测模型中进行学习训练，得出了各个变电站变压器油温的预测曲线。根据预测得出的油温变化曲线，对主变降温装置的降温策略作出调整，主要针对不同变电站的油温预测曲线实施差异化降温策略，做到在全面防控的同时，实现了降温装置对变压器油温变化的自动感知，推进了电网辅助设备的智能化工作，替代了人工现场操作，节省人力的同时，减少因人为操作不当造成的装置故障。通过有效的降温策略可以保证主变的安全运行，在一定程度上减少装置的使用损耗，有效避免了变压器因长期高温运行导致的漏油、绝缘老化等问题，保证了迎峰度夏期间电网供电可靠性
本方发明实施例还提供一种变压器油温预测装置，参见图6，是本发明实施例提供的一种变压器油温预测装置的结构示意图，所述装置包括：
指令解析模块，用于对获取的调度指令票进行解析，提取所述调度指令票中的设备状态信息；
数字化模块，用于根据预先获取的间隔模型配置表将所述设备状态信息转化为编码表示的数字指令状态；
状态判定模块，用于将所述数字指令状态与预存的间隔状态模型中当前状态二维数组进行对比，得到相应设备的分合闸状态；
操作票生成模块，用于根据对应的分合闸状态匹配预建的变电站主接线模型中图元操作属性，组合成相应的操作任务，生成操作票。
需要说明的是，本发明实施例提供的所述变压器油温预测装置能够执行上述实施例中任意实施例所述的变压器油温预测方法，对变压器油温预测装置的具体功能在此不作赘述。
参见图7，是本发明实施例提供的一种终端设备的结构示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如变压器油温预测程序。所述处理器执行所述计算机程序时实现上述各个变压器油温预测方法实施例中的步骤，例如图1所示的步骤S1～S3。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述计算机程序可以被分割成各个模块，各模块具体功能再次不作赘述。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种变压器油温预测方法，其特征在于，所述方法包括：
结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；
采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；
根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。
2.如权利要求1所述的变压器油温预测方法，其特征在于，所述影响因子确定过程具体包括：
收集系统内各个变电站的运行数据、变压器内部结构数据、网架结构数据、历史负荷曲线数据、温度类型数据和湿度类型数据形成原始数据，并对原始数据进行分类，将所述原始数据分为运行因素、环境因素和特性因素；
对所述原始数据进行清洗，将异常数据清除；
通过小波算法将收集的数据优化整理，快速筛出坏数据，保留良数据；
生成导致变压器油温升高的影响矩阵，找出影响因素特征值和特征向量，并确定影响变压器油温上升的相关系数最高的预设数量的所述影响因子。
3.如权利要求1所述的变压器油温预测方法，其特征在于，所述影响因子包括：温度、湿度、损耗、绕组、铁芯、负荷变化、冷却方式和变压器当前油温。
4.如权利要求1所述的变压器油温预测方法，其特征在于，所述结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型，具体包括：
对变压器内部复杂发热过程和散热过程进行分析，将内部产热损耗进行分类，并确定热量的流通方向和流通路线，明确变压器油温上升的热量来源，模拟出变压器的油温一阶模型；
在所述油温一阶模型中引入所述影响因子，建立所述油温半物理模型；
所述油温一阶模型具体为：
Figure FDA0004143674310000021
所述油温半物理模型具体为：
Figure FDA0004143674310000022
其中，
Figure FDA0004143674310000023
表示任意t时刻的顶层油温对环境的温升，/>
Figure FDA0004143674310000024
表示顶层油温的末态温升，τoil表示主变油的热时间常数，θtop,k-1表示前一时刻的变压器油温变化量，θamb,k-1表示前一时刻的温度变化量，θhum,k-1表示前一时刻的湿度变化量，θl,k-1表示前一时刻的负荷变化量，Il表示变压器损耗的变化量，It表示铁芯，Ir表示绕组结构，K1、K20、K21、K22、K30、K31、K32、K4分别为影响因子的加权权重。
5.如权利要求1所述的变压器油温预测方法，其特征在于，所述贝叶斯网络结构模型具体为：
log(P(G|D))＝log(P(D|G))+log(P(G))；
其中，
Figure FDA0004143674310000025
n表示样本中变量的个数，变量Xi的取值状态有ri个，qi表示若干个父节点pa(Xi)的状态组合的数量，mij、aijk和aij是超参数，Γ()是Gamma函数，变量Xi＝k是父节点pa(Xi)＝j的情况有mijk种，G是网络结构，D是样本数据。
6.如权利要求1所述的变压器油温预测方法，其特征在于，所述方法还包括：
根据预测出的油温，输出对应的油温预测曲线；
根据所述油温预测曲线控制所述变压器配置的降温装置工作。
7.如权利要求6所述的变压器油温预测方法，其特征在于，所述根据油温预测曲线控制所述变压器配置的降温装置工作，具体包括：
计算所述油温预测曲线中每一时刻的温升速度；
根据当前的温升速度和当前的温度，从预设的等级数据库中匹配对应的降温等级；
根据匹配的降温等级控制所述降温装置中的喷淋设备运行；
所述等级数据库中包含每一温度、每一温升速度与降温等级的对应关系；
所述降温等级包括喷头数量和流速大小。
8.一种变压器油温预测装置，其特征在于，所述装置包括：
模型构建模块，用于结合预先确定的影响因子，对变压器内部进行发热和散热分析，建立包含影响因子的油温半物理模型；
训练模块，用于采集的训练数据，并采用预先构建的贝叶斯网络结构模型进行参数学习，获取学习网络中节点的条件概率，确定所述油温半物理模型中影响因子的加权权重，得到贝叶斯网络油温预测模型；
预测模块，用于根据实时采集的影响因子的特征参量，采用所述贝叶斯网络油温预测模型预测油温。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的变压器油温预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的变压器油温预测方法。
CN202310297274.0A 2023-03-23 2023-03-23 一种变压器油温预测方法、装置、设备及存储介质 Pending CN116432524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310297274.0A CN116432524A (zh) 2023-03-23 2023-03-23 一种变压器油温预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310297274.0A CN116432524A (zh) 2023-03-23 2023-03-23 一种变压器油温预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116432524A true CN116432524A (zh) 2023-07-14

Family

ID=87093586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310297274.0A Pending CN116432524A (zh) 2023-03-23 2023-03-23 一种变压器油温预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116432524A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117992860A (zh) * 2024-04-03 2024-05-07 华侨大学 油浸式电力变压器缺陷预警与辨识方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117992860A (zh) * 2024-04-03 2024-05-07 华侨大学 油浸式电力变压器缺陷预警与辨识方法及装置

Similar Documents

Publication Publication Date Title
Chou et al. Hybrid machine learning system to forecast electricity consumption of smart grid-based air conditioners
CN108120521B (zh) 变压器绕组热点温度预测方法及终端设备
CN113868953B (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN117828413A (zh) 一种基于lstm神经网络的变压器油温预测方法和系统
CN118228887B (zh) 一种虚拟电厂的能源协调优化控制方法及系统
CN116432524A (zh) 一种变压器油温预测方法、装置、设备及存储介质
CN111179108A (zh) 用电能耗的预测方法和装置
CN113742993A (zh) 干式变压器寿命损失预测方法、装置、设备及存储介质
CN111680712A (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN110084403B (zh) 架空导线载流量的多时段联合概率密度预测方法及系统
CN118442676A (zh) 冷站温度控制方法、装置、电子设备及可读存储介质
CN116384843B (zh) 数字能源氮气站的能效评估模型训练方法及其监测方法
CN108123436B (zh) 基于主成分分析和多元回归算法的电压越限预测模型
CN111060755A (zh) 一种电磁干扰诊断方法和装置
CN116613732A (zh) 一种基于shap值选择策略的多元负荷预测方法及系统
CN118607150B (zh) 一种用于配电网数字孪生空间建模的边缘优化方法及系统
Mortensen et al. A Neural Weibull Proportional Hazard Model for Reliability Prediction of Underground Power Cables Considering Common Data Deficiencies
CN117610314B (zh) 光伏组件建模方法、装置、设备及存储介质
CN116528270B (zh) 一种基站节能潜力评估方法、装置、设备及存储介质
CN118195082B (zh) 一种基于ai分析和云平台的智慧能源运行优化方法
CN118101720B (zh) 基于边缘云的新能源数据采集控制方法及系统
CN117540330B (zh) 基于自学习功能的配电柜系统
CN114650190B (zh) 数据中心网络的节能方法、系统、终端设备及存储介质
CN117235519B (zh) 能源数据处理方法、装置及存储介质
CN118313960A (zh) 一种基于分布式感知和聚类分析的用电数据预测方法

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