本申请提供了一种电力变压器的油温预测方法、预测装置和监测系统，涉及变压器油温监测，该方法包括：将第一目标数据通过输入通道输入油温预测模型；控制标准化层根据第一目标数据均值和方差进行实例标准化得到第二目标数据；控制集中聚合和统一分配模块通过多通道暂态特征表示层、多通道特征聚合层和通道特征融合层对第二目标数据依次进行处理，得到第四目标数据；控制预测层根据第四目标数据进行预测，得到油温时序数据；控制逆标准化层根据油温时序数据进行逆标准化得到油温预测数据。该方法解决了现有技术中缺乏一种综合时序数据和多通道数据相关性的快速预测模型的问题。
【技术实现步骤摘要】
本专利技术涉及变压器油温监测领域，具体而言，涉及一种电力变压器的油温预测方法、预测装置、计算机可读存储介质和电力变压器监测系统。
技术介绍
1、在电力系统领域，电力变压器作为核心设备，承担着电能传输和分配的关键角色。然而，变压器在运行过程中会受到热性、电性和机械性等多重应力，这些应力可能导致变压器故障，影响电力系统的稳定性和可靠性。特别是变压器油温的异常升高，往往是变压器故障的前兆。因此，对电力变压器油温进行准确预测，对于预防故障、维护系统安全运行具有重要意义。
2、目前，针对电力变压器油温预测的研究主要集中在数学模型法和基于数据驱动的机器学习方法。数学模型法依据ieee和iec等标准，通过建立变压器绕组热点温度与负载的动态模型来进行油温预测。这种方法的局限性在于需要准确的物理参数和假设条件，而这些在实际应用中往往难以完全满足。随着机器学习技术的发展，特别是深度学习技术在时间序列预测领域的应用，基于数据的油温预测方法逐渐展现出其在处理复杂非线性问题方面的优势。
3、在深度学习领域，transformer模型凭借其独特的注意力机制在多个任务中取得了显著成效，但其分布式的注意力分配方式可能会增加模型的复杂度并影响计算效率。此外，现有技术在处理多通道时间序列数据时，往往缺乏对不同通道间相互作用的有效挖掘，这限制了模型对变压器油温变化的准确预测能力，如何有效感知时序数据具备长期周期性趋势与短期非线性变化特点，已成为各类预测模型对变压器油温预测的关键问题。
技术实现思路
<
p>1、本申请的主要目的在于提供一种电力变压器的油温预测方法、预测装置、计算机可读存储介质和电力变压器监测系统，以至少解决现有技术中缺乏一种综合时序数据和多通道数据相关性的快速预测模型的问题。2、为了实现上述目的，根据本申请的一个方面，提供了一种电力变压器的油温预测方法，油温预测模型包括多个输入通道，标准化层、多个集中聚合和统一分配模块、预测层和逆标准化层，每个所述集中聚合和统一分配模块包括多通道暂态特征表示层、多通道特征聚合层和通道特征融合层，各所述集中聚合和统一分配模块之间串联，所述油温预测方法包括：获取多个第一目标数据，将各所述第一目标数据分别通过所述输入通道输入所述油温预测模型，多个所述第一目标数据包括电力变压器的不同参数时序数据，不同参数时序数据表征不同运行参数在第一预设时段内的变化；控制所述标准化层接收各所述输入通道输入的所述第一目标数据，根据所述第一目标数据对应的均值和方差进行实例标准化，得到第二目标数据；控制所述集中聚合和统一分配模块接收所述标准化层输出的所述第二目标数据，通过所述多通道暂态特征表示层对所述第二目标数据进行特征提取，得到第三目标数据，通过所述多通道特征聚合层对所述第三目标数据进行整合，得到全局共性特征，通过所述通道特征融合层对所述全局共性特征和各所述第三目标数据分别进行融合，得到第四目标数据；控制所述预测层接收所述集中聚合和统一分配模块输出的所述第四目标数据，根据所述第四目标数据进行预测，得到油温时序数据，所述油温时序数据表征所述电力变压器在第二预设时段的油温变化，所述第二预设时段的开始时刻为当前时刻；控制所述逆标准化层接收所述预测层输出的所述油温时序数据，根据所述油温时序数据进行逆标准化得到油温预测数据。
3、可选地，根据所述第一目标数据对应的均值和方差进行实例标准化，得到第二目标数据，包括：根据所述第一目标数据计算均值，得到目标均值，根据所述第一目标数据计算方差，得到目标方差：；；其中，为t时刻通道c输入的所述第一目标数据，m为所述第一目标数据的时间步总数，为通道c的所述目标均值，为通道c的所述目标方差；根据所述目标均值和所述目标方差对所述第一目标数据进行实例标准化，得到所述第二目标数据：；其中，为所述第二目标数据，和为预设系数，为随机误差。
4、可选地，通过所述多通道暂态特征表示层对所述第二目标数据进行特征提取，包括：基于线性映射对各所述第二目标数据的数据维度进行改写，得到第三目标数据：；其中，为所述第三目标数据，为基于所述线性映射构建的映射函数，为t时刻所有所述输入通道前l个时间步的历史观测值，，，为第c个通道输入的所述第二目标数据在时间步t的观测值，其中，所述第三目标数据的所述数据维度为d，所述第二目标数据的所述数据维度为l。
5、可选地，所述多通道特征聚合层包括tkan神经网络、随机池化层和信息聚合层，通过所述多通道特征聚合层对所述第三目标数据进行整合，得到全局共性特征，包括：基于kans神经网络和所述随机池化层，基于所述第三目标数据进行特征提取：；；其中，为输入第k个所述集中聚合和统一分配模块的所述第三目标数据，所述为tkan神经网络的函数表达式，a为tkan神经网络的输出，经过tkan神经网络结构之后，所述第三目标数据的数据维度从d变为，为随机池化操作，为所述全局共性特征，包括：；；；；；；；其中，为t时刻输入为的情况下，r层kan层的输出，所述tkan神经网络包括r层kan层，为t时刻所述tkan神经网络的输入，为t时刻第l个kan层第i个节点的输入，第1个kan层的激活函数矩阵，为t时刻遗忘门输出，为t-1时刻第l个kan层第i个节点的隐藏状态，为激活函数，和为遗忘门的权值参数，为遗忘门的偏置参数，和为输入门的权值参数，为输入门的偏置参数，为t时刻遗忘门输出，为t时刻输出门输出，为t时刻细胞状态，为t时刻细胞状态的中间变量，和分别为细胞状态的中间变量更新的权值参数，为细胞状态的中间变量更新的偏置参数，为t时刻隐藏状态，表示矩阵的复合操作与加和操作，包括：；；其中，为对应的概率值，为a中第i个所述输入通道第j个维度的特征向量，为第j个维度随机池化后的所述全局共性特征，。
6、可选地，通过所述通道特征融合层对所述全局共性特征和各所述第三目标数据分别进行融合，得到第四目标数据包括：基于统一分配的方式，将所述全局共性特征分别与各所述输入通道对应所述第三目标数据进行复制操作与拼接操作，得到第五目标数据：；；其中，为输入第k个所述集中聚合和统一分配模块的所述第三目标数据，为输入第k个所述集中聚合和统一分配模块的所述全局共性特征，为所述复制操作，为所述拼接操作，为第k个所述集中聚合和统一分配模块进行所述复制操作的输出，第k个所述集中聚合和统一分配模块进行所述拼接操作的输出的所述第五目标数据；根据各所述第五目标数据与所述第三目标数据进行融合操作：；其中，为第k个所述集中聚合和统一分配模块的输出，且将作为第k+1个所述集中聚合和统一分配模块的输入，对应数据维度为d，为tkan神经网络的函数表达式，用于将所述数据维度从变更为；引入残差连接对融合操作得到的数据进行修正，得到所述第四目标数据：；其中，f为所述第四目标数据，为第n个所述集中聚合和统一分配模块的输出，n为所述集中聚合和统一分配模块的总数。
7、可选地，所述预测层包括双向门控循环网络和全连接层，根据所述第四目标数据进行预测，得到油温时序数据，包括：将所述第四目标数据输入所述双本文档来自技高网
...
【技术保护点】
1.一种电力变压器的油温预测方法，其特征在于，油温预测模型包括多个输入通道，标准化层、多个集中聚合和统一分配模块、预测层和逆标准化层，每个所述集中聚合和统一分配模块包括多通道暂态特征表示层、多通道特征聚合层和通道特征融合层，各所述集中聚合和统一分配模块之间串联，所述油温预测方法包括：
2.根据权利要求1所述的方法，其特征在于，根据所述第一目标数据对应的均值和方差进行实例标准化，得到第二目标数据，包括：
3.根据权利要求1所述的方法，其特征在于，通过所述多通道暂态特征表示层对所述第二目标数据进行特征提取，包括：
4.根据权利要求1所述的方法，其特征在于，所述多通道特征聚合层包括TKAN神经网络、随机池化层和信息聚合层，通过所述多通道特征聚合层对所述第三目标数据进行整合，得到全局共性特征，包括：
5.根据权利要求2所述的方法，其特征在于，通过所述通道特征融合层对所述全局共性特征和各所述第三目标数据分别进行融合，得到第四目标数据包括：
6.根据权利要求5所述的方法，其特征在于，所述预测层包括双向门控循环网络和全连接层，根据所述第四目标数据进行预测，得到油温时序数据，包括：
7.根据权利要求6所述的方法，其特征在于，根据所述油温时序数据进行逆标准化得到油温预测数据包括：
8.一种电力变压器的油温预测装置，其特征在于，油温预测模型包括多个输入通道，标准化层、集中聚合和统一分配模块、预测层和逆标准化层，所述集中聚合和统一分配模块包括多通道暂态特征表示层、多通道特征聚合层和通道特征融合层，所述油温预测装置包括：
9.一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程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。
10.一种电力变压器监测系统，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的方法。
...
【技术特征摘要】
1.一种电力变压器的油温预测方法，其特征在于，油温预测模型包括多个输入通道，标准化层、多个集中聚合和统一分配模块、预测层和逆标准化层，每个所述集中聚合和统一分配模块包括多通道暂态特征表示层、多通道特征聚合层和通道特征融合层，各所述集中聚合和统一分配模块之间串联，所述油温预测方法包括：
2.根据权利要求1所述的方法，其特征在于，根据所述第一目标数据对应的均值和方差进行实例标准化，得到第二目标数据，包括：
3.根据权利要求1所述的方法，其特征在于，通过所述多通道暂态特征表示层对所述第二目标数据进行特征提取，包括：
4.根据权利要求1所述的方法，其特征在于，所述多通道特征聚合层包括tkan神经网络、随机池化层和信息聚合层，通过所述多通道特征聚合层对所述第三目标数据进行整合，得到全局共性特征，包括：
5.根据权利要求2所述的方法，其特征在于，通过所述通道特征融合层对所述全局共性特征和各所述第三目标数据分别进行融合，得到第四目标数据包括：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：何胜红，郑伟钦，唐鹤，钟炜，陈志平，姚积坤，莫靖，徐朋江，金向朝，马欣，王志刚，谭家勇，倪非非，张勇，张哲铭，谭泳岚，吴洁璇，兰天松，王俊波，李国伟，张殷，梁志斌，贺俊良，冯镇生，钟嘉燊，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。