【技术实现步骤摘要】
本专利技术涉及电力设备监测，更具体的说是涉及一种基于aco优化cnn-gru组合神经网络的变压器热点温度预测方法。
技术介绍
1、随着社会经济发展和综合国力提升，电力设备系统的稳定运行直接关系到未来国家的发展和建设。而变压器在整个输电系统和配电系统中扮演着重要角色，其运行状态直接关系到整个电力设备系统的稳定运行。一旦出现变压器运行故障，不仅会威胁到输电系统和配电系统的安全，还会对一些生产、加工等相关企业的效益产生一定的影响，从而给企业带来无法估量的经济损失。其中绕组热点温度过高将会加速绝缘材料的老化，缩短变压器使用寿命。据导则gb/t 1094.7-2008规定，温度每超过6℃，变压器老化速率就会增加一倍，所以对变压器热点温度监测及预测工作落实到位是极为重要的，这对保障整个电力系统设备的安全运行，以及人民生命财产不受威胁具有重要意义。
2、经过不断研究和进步，目前国内外研究学者、专家等提出了很多有关对变压器进行热点温度监测及预测的方法和决策。主要有以下几种：(1)在绕组的线饼中埋覆温度传感器可以直接测得热点温度，该方法简单直接，但在早期由于技术的限制，人们无法确定热点位置，需要在绕组埋覆较多的温度传感器，这样会影响绕组电场分布，增加电磁干扰，降低绕组绝缘效果，影响变压器运行。(2)利用ansys软件对变压器进行温度场仿真，获取热点的具体位置信息，并结合光纤光栅测温技术，虽然能很好地监测热点温度数据，但对于投运的变压器进行拆解和安装会导致维护费用增加及安全性能问题。(3)导则计算法作为常用的经验计算公式，实现简单、应用
3、因此，如何在不影响变压器正常运行的情况下，提高变压器热点温度预测精度，是本领域技术人员亟需解决的问题。
技术实现思路
1、鉴于上述问题，本专利技术提供了一种基于aco优化cnn-gru组合神经网络的变压器热点温度预测方法，以至少解决上述
技术介绍
中提到的部分技术问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于aco优化cnn-gru组合神经网络的变压器热点温度预测方法，其特征在于，包括如下步骤：
4、s1、获取目标变压器的负载率、顶层油温和环境温度；
5、s2、对所述负载率、顶层油温和环境温度进行归一化处理；
6、s3、将归一化处理后的负载率、顶层油温和环境温度输入到基于aco算法优化后的cnn-gru模型中，输出所述目标变压器的热点温度预测值。
7、进一步地，所述cnn-gru模型包括双层一维cnn网络单元和双层门控循环单元；
8、在所述双层一维cnn网络单元中，通过卷积层对归一化处理后的负载率、顶层油温和环境温度进行连续两次的卷积处理后，通过池化层对卷积结果进行池化处理，最后通过全连接层基于池化结果进行特征提取，获得特征向量；对所述特征向量进行反归一化处理，获得目标变压器的热点温度预测值；
9、所述双层门控循环单元对所述特征向量进行学习，通过动量和自适应学习率持续更新每个神经元的权重和偏差，使得cnn-gru模型的损失函数的输出值保持最优。
10、进一步地，其特征在于，所述双层一维cnn网络单元中，第一层网络中卷积核的数量为16，第二层网络中卷积核的数量为32；卷积方式为same卷积；卷积步长为1；
11、进一步地，所述cnn-gru模型的损失函数表示为：
12、
13、其中，floss表示预测模型的损失函数；n表示循环总次数；yt(i)表示第i次循环时变压器热点温度实际值；yp(i)表示第i次循环时变压器热点温度预测值。
14、进一步地，基于aco算法对cnn-gru模型进行优化，具体包括如下步骤：
15、(1)确定cnn-gru模型中的m个待优化的权值以及权值对应的阈值，每个权值和对应的阈值设为n个随机非0值，并组成集合ipi；
16、(2)初始时刻，m只蚂蚁中第k只蚂蚁从集合ipi出发，根据状态转移概率从集合ipi中挑选一个元素j；当从所有集合中挑选完元素后，构成cnn-gru模型的一组权值和阈值；
17、(3)当m只蚂蚁全部完成循环，即可得到m组初始权值和阈值，构建cnn-gru模型并进行训练；记录cnn-gru模型训练时误差最小的一组权值和阈值，比较最小误差和期望误差大小，若大于期望误差，则执行步骤(4)，否则执行步骤(6)；
18、(4)对集合ipi中每个元素的信息素量进行调整，其中1≤i≤m；i表示第i次循环；m表示循环总次数；
19、(5)重复步骤(2)和(3)直到所有蚂蚁收敛于同一条最优路径或者达到最大迭代次数；
20、(6)利用aco算法筛选出的最优cnn-gru模型的初始权值和阈值，构建出基于aco算法优化的cnn-gru模型。
21、进一步地，所述步骤(4)中，调整公式表示为：
22、
23、其中，τj(t+m)表示当蚂蚁遍历完所有循环轮次后的各路径上的信息素量；δτj(ipi)表示每次循环时集合ipi中元素j的信息素增量；η表示信息素的残留率；t表示t时刻；δτjk(ipi)表示第k只蚂蚁在每次循环中留在集合ipi元素j信息素量，公式为：
24、
25、其中，ek表示蚂蚁k挑选的权值和阈值训练cnn-gru模型得到的网络输出和期望输出之间的误差；q表示蚂蚁k释放的总信息素量。
26、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于aco优化cnn-gru组合神经网络的变压器热点温度预测方法，具有如下有益效果：本专利技术通过建立cnn-gru组合神经网络作为热点温度预测模型，结合蚁群算法(aco算法)全局寻优出网络的最佳权值和阈值，消除其易陷入局部最优的缺陷，进一步提高模型预测精度，实现对变压器热点温度的预测。与传统的方法相比，本专利技术能够更科学、合理地对变压器多源信息进行运用，更贴合实际工程运用。
27、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说本文档来自技高网...
【技术保护点】
1.一种基于ACO优化CNN-GRU组合神经网络的变压器热点温度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于ACO优化CNN-GRU组合神经网络的变压器热点温度预测方法，其特征在于，所述CNN-GRU模型包括双层一维CNN网络单元和双层门控循环单元；
3.根据权利要求2所述的一种基于ACO优化CNN-GRU组合神经网络的变压器热点温度预测方法，其特征在于，所述双层一维CNN网络单元中，第一层网络中卷积核的数量为16，第二层网络中卷积核的数量为32；卷积方式为same卷积；卷积步长为1。
4.根据权利要求2所述的一种基于ACO优化CNN-GRU组合神经网络的变压器热点温度预测方法，其特征在于，所述CNN-GRU模型的损失函数表示为：
5.根据权利要求1所述的一种基于ACO优化CNN-GRU组合神经网络的变压器热点温度预测方法，其特征在于，基于ACO算法对CNN-GRU模型进行优化，具体包括如下步骤：
6.根据权利要求5所述的一种基于ACO优化CNN-GRU组合神经网络的变压器热点温度预测方法，其特
...【技术特征摘要】
1.一种基于aco优化cnn-gru组合神经网络的变压器热点温度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于aco优化cnn-gru组合神经网络的变压器热点温度预测方法，其特征在于，所述cnn-gru模型包括双层一维cnn网络单元和双层门控循环单元；
3.根据权利要求2所述的一种基于aco优化cnn-gru组合神经网络的变压器热点温度预测方法，其特征在于，所述双层一维cnn网络单元中，第一层网络中卷积核的数量为16，第二层网络中卷积核的数量为32；卷积方式为sam...
【专利技术属性】
技术研发人员：张安安，苏铭燃，张亮，高苓涛，龚泽民，雷位，粟其伦，张秦川，陈琪，
申请(专利权)人：西南石油大学，
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。