一种基于多维信息的变压器顶层油温异常监测方法技术

本发明专利技术公开了一种基于多维信息的变压器顶层油温异常监测方法，包括如下步骤：步骤A、初始化CS算法，建立鸟巢位置的适应度评价模型，并初始化适应度值；步骤B、计算全局最优解和各鸟巢位置的局部最优解；步骤C、根据辨识后的参数分别构建Susa热路计算模型和SVR回归补偿模型；步骤D、基于Susa热路计算模型，得到初步的顶层油温预测值；步骤E、基于SVR回归补偿模型，得到顶层油温的最终预测值；步骤F、采用ARIMA方法对滑动平均后的残差进行短期趋势预测。该方案充分考虑变压器所处的环境条件，并对温升模型中的关键参数进行辨识和修正，对顶层油温的残差进行趋势预测，提高变压器顶层油温的监测精度。

【技术实现步骤摘要】
一种基于多维信息的变压器顶层油温异常监测方法
本专利技术涉及电力设备检测领域，具体的，涉及一种基于多维信息的变压器顶层油温异常监测方法。
技术介绍
油浸式变压器作为电力系统的重要组成器件，其内部过热将导致变压器发生绝缘性能下降等诸多问题。绕组过热是导致变压器内部过热的重要原因，但绕组热点温度的直接测量存在较大难度，因此通过顶层油温度的变化表征绕组热点温度的变化。目前对顶层油温升计算模型主要根据IEEEC57.91和IEC60076-7的温升计算公式，一方面简化了环境因素，未能充分考虑变压器自身所处环境条件，另一方面计算模型中的参数数值大多根据经验推荐得到，没有考虑变压器实际的运行情况。中国专利，公告号：CN109060176B，公告日：2019年7月12日，提出了一种油浸式变压器顶层油温监测方法，包括以下步骤：步骤1，获取已知的油浸式变压器相关结构及物性参数。步骤2，求解待定未知量，包括，绕组区域油流体积流量、散热器油流体积流量、散热器流通面积、散热器有效散热面积、温差指数、环境温度。步骤3，列出顶层油温升计算模型，利用双对数线性回归模型对油指数n进行回归估计。步骤4，将步骤2所计算的顶层油温升数据与负载系数代入步骤3所确定的回归模型，求出油指数n。步骤5，计算顶层油温。这种缺顶层油温监测方法的缺点在于：1、顶层温升计算模型中涉及多个关键的参数，该方法只修正了油指数n的偏差，在某些场景下可能无法满足油温预测精度的要求。2、该方法未考虑变压器所处环境条件的差异对顶层油温升的影响。中国专利，公告号：CN110232240B，公告日：2020年3月13日，本专利技术公开了一种改进的变压器顶层油温预测方法，该方法为：从数据库服务器中读入变压器顶层油温的相关影响因素数据进行归一化处理作为神经网络的输入数据；将顶层油温划分为三种状态，采用Apriori算法分析变压器顶层油温相关影响因素与变压器油温状态的相关项，得到置信度；通过置信度获取BP神经网络输入层与隐藏层之间的初始权值以及隐藏层与输出层之间的初始权值；计算并生成权值矩阵，将关联规则确定的权值作为初始权值，赋给神经网络；通过关联规则改进的神经网络对训练数据集进行训练获得预测模型。由于考虑输入因子主要包括变压器的油温值，变压器负荷有功功率值以及环境温度值，通过输出与预期的值进行比较，反向调整各个节点的权值，进而缩小误差，但训练出有效的模型需要大量的训练集，且对于计算机的性能要求高。
技术实现思路
本专利技术的目的是解决现有技术在对变压器顶层油温升进行计算时，未能充分考虑变压器所处的环境条件，对顶层油温升计算模型中的关键参数值未进行修正；未融合热路物理模型和数据回归模型的参数进行辨识寻优，导致顶层油温计算结果的精确度不足，无法准确表征绕组热点温度的变化的缺点；提出了一种基于多维信息的变压器顶层油温异常监测方法，充分考虑变压器所处的环境条件，并对温升模型中的关键参数进行辨识和修正，对顶层油温的残差进行趋势预测，提高变压器顶层油温的监测精度。为实现上述技术目的，本专利技术提供的一种技术方案是，一种基于多维信息的变压器顶层油温异常监测方法，包括如下步骤：步骤A、初始化CS算法，建立鸟巢位置的适应度评价模型，并初始化适应度值；步骤B、迭代更新鸟巢的位置，计算全局最优解和各鸟巢位置的局部最优解，迭代完成后，全局最优解即为各参数辨识优化后的结果；步骤C、根据辨识后的参数分别构建Susa热路计算模型和SVR回归补偿模型；步骤D、基于Susa热路计算模型，对负载、环境温度进行计算，得到初步的顶层油温预测值；步骤E、基于SVR回归补偿模型，选取顶层油温初步预测值、电压、一次侧电流、环境温度、湿度、风速等进行回归补偿计算，得到顶层油温的最终预测值；步骤F、根据顶层油温的实测值和最终预测值得到残差，采用ARIMA方法对滑动平均后的残差进行短期趋势预测；分析残差是否存在上升趋势或超过设定阈值等异常。、本方案中，基于Susa热路模型和支持向量机(SVR)建立多维参数的变压器顶层油温预测模型；选择布谷鸟搜索算法(CS)同时对热路物理模型和数据回归模型进行参数辨识优化；融合一次侧电流、电压以及相应的环境温度、湿度、风速等多维信息，对热路物理模型的初步预测结果进行回归补偿；基于ARIMA方法对顶层油温的残差进行趋势预测，实现顶层油温的异常监测。进一步的，所述步骤A中，初始化CS算法，建立鸟巢位置的适应度评价模型，并初始化适应度值，包括取下步骤：步骤A1、选择Susa热路计算模型中的n，R，Tor，τor和SVR超参数C，gamma作为辨识优化的对象，确定各对象的优化范围，并随机初始化K个鸟巢的位置{n，R，Tor，τor，C，gamma}；第k个鸟巢的初始化位置可以表示为：xk＝{randn()*(vi,max-vi,min)+vi,min，...}其中，n表示考虑油流循环状态的非线性指数；R表示额定电流下，负载损耗与空载损耗之比；Tor表示额定负载下顶层油温相对环境的稳态温升；τor表示额定顶层油时间常数；randn()表示满足高斯分布的随机函数，vi,max和vi,min分别表示待辨识优化对象的最大值和最小值；步骤A2、初始化发现概率Pα和最大迭代次数T，选择R2-Score作为适应度函数；步骤A3、根据鸟巢位置中的参数n，R，Tor，τor构建Susa热路计算模型，根据鸟巢位置中的参数C，gamma构建SVR回归补偿模型；步骤A4、根据K-Fold交叉验证的方法，将训练数据随机的分为M组子数据集；步骤A5、取M份数据中的1组子数据集为验证集，其它(M-1)组子数据集为训练集；步骤A6、基于训练集对顶层油温预测模型进行训练；步骤A7、基于验证集得到顶层油温预测结果，并根据R2-Score得到相应的适应度值；步骤A8、每一组子数据集分别作一次验证集，重复步骤A4～A7，最终取M次适应度值的均值作为鸟巢位置的适应度值；步骤A9、重复步骤A3～A8，得到每一个鸟巢位置的适应度值，取其中的最优适应度值对应的鸟巢位置作为全局最优解。本方案中，本专利技术通过CS算法，能够同时实现对Susa热路模型中重要参数n，R，Tor，τor的辨识修正和SVR超参数C，gamma的寻优选择，提高模型的预测精度和泛化能力，并有效减少模型的训练时间；根据Susa热路计算模型得到顶层油温初步预测结果，基于多维信息和SVR对油温初步预测结果进行回归补偿，最终得到顶层油温实测值与预测值的残差，并根据残差进行异常检测和短期趋势分析，能够充分考虑顶层油温变化的影响因素，从而有效监测顶层油温的变化，达到表征绕组热点温度的变化，防止变压器出现过热故障的目的。进一步的，所述步骤A2中R2-Score用于衡量预测值和真实值y的拟合程度，其值越接近于1表示预测效果越好，R2-Score可以表示为：根据权利要求2所述的一种基于多维信息的变压器顶层油温异常监测方法，其特征在于：所述步骤本文档来自技高网...

【技术保护点】
1.一种基于多维信息的变压器顶层油温异常监测方法，其特征在于：包括如下步骤：/n步骤A、初始化CS算法，建立鸟巢位置的适应度评价模型，并初始化适应度值；/n步骤B、迭代更新鸟巢的位置，计算全局最优解和各鸟巢位置的局部最优解，迭代完成后，全局最优解即为各参数辨识优化后的结果；/n步骤C、根据辨识后的参数分别构建Susa热路计算模型和SVR回归补偿模型；/n步骤D、基于Susa热路计算模型，对负载、环境温度进行计算，得到初步的顶层油温预测值；/n步骤E、基于SVR回归补偿模型，选取顶层油温初步预测值、电压、一次侧电流、环境温度进行回归补偿计算，得到顶层油温的最终预测值；/n步骤F、根据顶层油温的实测值和最终预测值得到残差，采用ARIMA方法对滑动平均后的残差进行短期趋势预测。/n

【技术特征摘要】
1.一种基于多维信息的变压器顶层油温异常监测方法，其特征在于：包括如下步骤：
步骤A、初始化CS算法，建立鸟巢位置的适应度评价模型，并初始化适应度值；
步骤B、迭代更新鸟巢的位置，计算全局最优解和各鸟巢位置的局部最优解，迭代完成后，全局最优解即为各参数辨识优化后的结果；
步骤C、根据辨识后的参数分别构建Susa热路计算模型和SVR回归补偿模型；
步骤D、基于Susa热路计算模型，对负载、环境温度进行计算，得到初步的顶层油温预测值；
步骤E、基于SVR回归补偿模型，选取顶层油温初步预测值、电压、一次侧电流、环境温度进行回归补偿计算，得到顶层油温的最终预测值；
步骤F、根据顶层油温的实测值和最终预测值得到残差，采用ARIMA方法对滑动平均后的残差进行短期趋势预测。


2.根据权利要求1所述的一种基于多维信息的变压器顶层油温异常监测方法，其特征在于：所述步骤A中，初始化CS算法，建立鸟巢位置的适应度评价模型，并初始化适应度值，包括取下步骤：
步骤A1、选择Susa热路计算模型中的n，R，Tor，τor和SVR超参数C，gamma作为辨识优化的对象，确定各对象的优化范围，并随机初始化K个鸟巢的位置{n，R，Tor，τor，C，gamma}；第k个鸟巢的初始化位置可以表示为：
xk＝{randn()*(vi,max-vi,min)+vi,min，...}
其中，n表示考虑油流循环状态的非线性指数；R表示额定电流下，负载损耗与空载损耗之比；Tor表示额定负载下顶层油温相对环境的稳态温升；τor表示额定顶层油时间常数；randn()表示满足高斯分布的随机函数，vi,max和vi,min分别表示待辨识优化对象的最大值和最小值；
步骤A2、初始化发现概率Pα和最大迭代次数T，选择R2-Score作为适应度函数；
步骤A3、根据鸟巢位置中的参数n，R，Tor，τor构建Susa热路计算模型，根据鸟巢位置中的参数C，gamma构建SVR回归补偿模型；
步骤A4、根据K-Fold交叉验证的方法，将训练数据随机的分为M组子数据集；
步骤A5、取M份数据中的1组子数据集为验证集，其它(M-1)组子数据集为训练集；
步骤A6、基于训练集对顶层油温预测模型进行训练；
步骤A7、基于验证集得到顶层油温预测结果，并根据R2-Score得到相应的适应度值；
步骤A8、每一组子数据集分别作一次验证集，重复步骤A4～A7，最终取M次适应度值的均值作为鸟巢位置的适应度值；
步骤A9、重复步骤A3～A8，得到每一个鸟巢位置的适应度值，取其中的最优适应度值对应的鸟巢位置作为全局最优解。


3.根据权利要求2所述的一种基于多维信息的变压器顶层油温异常监测方法，其特征在于：所述步骤A2中R2-Score用于衡量预测值和真实值y的拟合程度，其值越接近于1表示预测效果越好，R2-Score可以表示为：



根据权利要求2所述的一种基于多维信息的变压器顶层油温异常监测方法，其特征在于：所述步骤A3中，Susa热路计算模型为：



其中，K为负载系数；θoil为辨识修正n，R，Tor，τor后计算得到的顶层油温；θamb为环境温度；μpu为油粘度变化因子，其中m为绝缘油参数。

【专利技术属性】
技术研发人员：杨皓杰，杨雨，李倩，孙丰诚，
申请(专利权)人：杭州安脉盛智能技术有限公司，
类型：发明
国别省市：浙江;33