CN108037378B - 基于长短时记忆网络的变压器运行状态预测方法及*** - Google Patents
基于长短时记忆网络的变压器运行状态预测方法及*** Download PDFInfo
- Publication number
- CN108037378B CN108037378B CN201711012217.4A CN201711012217A CN108037378B CN 108037378 B CN108037378 B CN 108037378B CN 201711012217 A CN201711012217 A CN 201711012217A CN 108037378 B CN108037378 B CN 108037378B
- Authority
- CN
- China
- Prior art keywords
- transformer
- historical
- operation state
- time
- long
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000015654 memory Effects 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000007689 inspection Methods 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 13
- 238000006731 degradation reaction Methods 0.000 claims description 13
- 229930195733 hydrocarbon Natural products 0.000 claims description 12
- 150000002430 hydrocarbons Chemical class 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000006866 deterioration Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 36
- 239000003921 oil Substances 0.000 description 36
- 229910002092 carbon dioxide Inorganic materials 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011208 chromatographic data Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于长短时记忆网络的变压器运行状态预测方法，其包括步骤：(1)获取与变压器运行状态相关的历史信息；(2)基于所述历史信息评估所述变压器的历史运行状态；(3)构建基于长短时记忆网络的变压器运行状态预测模型；(4)基于所述历史信息和历史运行状态训练所述变压器运行状态预测模型；(5)基于所述历史信息通过所述变压器运行状态预测模型预测变压器的未来运行状态。此外，本发明还公开了相应的***。本发明能有效预测变压器的未来运行状态；对变压器运行状态进行预测，有助于及时感知变压器潜在威胁，掌握变压器故障发展趋势；对提高设备运行安全可靠性具有重大意义。
Description
技术领域
本发明涉及电力设备监控领域，尤其涉及一种变压器运行状态预测方法及***。
背景技术
在服役过程中，电力变压器遭受热、电及机械等应力长期作用，由完全良好状态逐步劣化直至故障。一旦出现故障，不仅严重损害变压器，也极大地威胁人民正常生产生活。对变压器运行状态进行预测，有助于及时感知变压器潜在威胁，掌握变压器故障发展趋势。
变压器状态全景信息的不断积累，为变压器运行状态评估及预测提供了先决条件。变压器状态全景信息通常包括与变压器运行状态相关的各类信息，例如变压器油中溶解气体浓度、运行巡检信息、技术性能信息等。其中技术性能信息通常包括运行工况、检修记录、运行时间等。
因此，变压器运行状态预测工作切实可行，对提高设备运行安全可靠性具有重大意义。
发明内容
本发明的目的之一是提供一种基于长短时记忆网络的变压器运行状态预测方法，其能有效预测变压器的未来运行状态。
基于上述目的，本发明提供了一种基于长短时记忆网络的变压器运行状态预测方法，其包括步骤：
(1)获取与变压器运行状态相关的历史信息；
(2)基于所述历史信息评估所述变压器的历史运行状态；
(3)构建基于长短时记忆网络的变压器运行状态预测模型；
(4)基于所述历史信息和历史运行状态训练所述变压器运行状态预测模型；
(5)基于所述历史信息通过所述变压器运行状态预测模型预测变压器的未来运行状态。
本发明所述的基于长短时记忆网络的变压器运行状态预测方法中：
所述历史信息和历史运行状态通常是对应时间序列的一组数据。
长短时记忆网络(LSTM，Long Short-Term Memory)是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
本发明所述的基于长短时记忆网络的变压器运行状态预测方法，其以与变压器运行状态相关的历史信息为基础评估所述变压器的历史运行状态，例如以变压器运行状态全景信息为基础，选取DGA(变压器油中溶解气体分析)特征气体含量，同时综合运行巡检信息中关键参量及技术性能信息中运行工况、检修记录、运行时间，综合评估所述变压器的历史运行状态；构建并训练基于长短时记忆网络的变压器运行状态预测模型，充分提取所述历史信息与所述历史运行状态之间蕴含的内在关系，全面反映故障演变与表现特征之间的客观规律，从而有效预测变压器的未来运行状态。
进一步地，本发明所述的基于长短时记忆网络的变压器运行状态预测方法中，所述历史信息包括变压器油中溶解气体浓度、运行巡检信息以及技术性能信息中的至少其中之一。
上述方案中，变压器油中溶解气体浓度对应的历史运行状态评估结果可以通过模糊理论评估得到；运行巡检信息以及技术性能信息对应的历史运行状态评估结果可以通过模糊统计实验评估得到。
更进一步地，上述基于长短时记忆网络的变压器运行状态预测方法中，所述步骤(2)中，针对所述历史信息中的各类参量信息评估得到对应的历史运行状态评估结果，为所述历史信息中的各类参量信息对应的历史运行状态评估结果赋予相应的权重，加权求得历史运行状态的综合模糊评估结果。
上述方案中，可以采用改进层次分析法确定所述权重，其中层次分析法是现有技术，改进之处为利用最优传递矩阵求解相对权重，使其自然满足一致性需求。所述综合模糊评估结果即作为步骤(2)中的历史运行状态。
更进一步地，上述基于长短时记忆网络的变压器运行状态预测方法中，利用模糊理论评估得到变压器油中溶解气体浓度对应的历史运行状态评估结果。
更进一步地，上述基于长短时记忆网络的变压器运行状态预测方法中，以变压器油中溶解气体浓度为输入特征参量，以其对应的相对劣化度为输出目标，建立支持向量机模型去拟合三角形半梯形组合隶属函数与所述历史运行状态的分布关系，从而利用模糊理论评估得到变压器油中溶解气体浓度对应的历史运行状态评估结果。
上述方案是为了求变压器油中溶解气体浓度与所述历史运行状态之间的模糊隶属关系。通常首先分别计算各气体浓度的相对劣化度，再求和求平均，得到气体浓度总的相对劣化度，从而评估得到变压器油中溶解气体浓度对应的历史运行状态评估结果。
更进一步地，上述基于长短时记忆网络的变压器运行状态预测方法中，所述相对劣化度通过下式得到：
式中，lk表示气体k对应的相对劣化度，a为气体k的浓度最优值或
出厂值，b为注意值，x为当前实测数值。
上述方案中，从自然劣化角度，建立变压器油中溶解气体浓度相对劣化度函数，反映基于DGA表征的变压器运行状态由正常向故障模式的转化程度。
更进一步地，上述基于长短时记忆网络的变压器运行状态预测方法中，所述变压器油中溶解气体浓度包括H2、CH4、C2H4、C2H6、C2H2、总烃、CO、CO2浓度的至少其中之一。
更进一步地，上述基于长短时记忆网络的变压器运行状态预测方法中，所述技术性能信息包括运行工况、检修记录、运行时间的至少其中之一。
更进一步地，上述基于长短时记忆网络的变压器运行状态预测方法中，采用改进层次分析法确定所述权重。
进一步地，本发明所述的基于长短时记忆网络的变压器运行状态预测方法中，采用沿时间反向传播算法训练所述变压器运行状态预测模型。
上述方案提取关键参量与历史运行状态之间的特征联系，获取预测模型参数。
进一步地，本发明所述的基于长短时记忆网络的变压器运行状态预测方法中，取最大置信度对应的所述变压器运行状态预测模型的输出作为所预测的变压器的未来运行状态。
本发明的另一目的是提供一种基于长短时记忆网络的变压器运行状态预测***，其能有效预测变压器的未来运行状态。
基于上述目的，本发明提供了一种基于长短时记忆网络的变压器运行状态预测***，其采用上述任一方法对变压器的未来运行状态进行预测。
本发明所述的基于长短时记忆网络的变压器运行状态预测***，由于其采用了本发明所述的方法，同样能实现对变压器的未来运行状态的预测。具体原理前已描述，在此不再赘述。
所述***可以是具有对应本发明方法的软件的计算机。
本发明所述的基于长短时记忆网络的变压器运行状态预测方法，其具有以下优点和有益效果：
1)能有效预测变压器的未来运行状态。
2)对变压器运行状态进行预测，有助于及时感知变压器潜在威胁，掌握变压器故障发展趋势。
3)对提高设备运行安全可靠性具有重大意义。
本发明所述的基于长短时记忆网络的变压器运行状态预测***，其同样具有上述优点和有益效果。
附图说明
图1为本发明所述的基于长短时记忆网络的变压器运行状态预测方法的基本流程示意图。
图2为本发明实施例中的基于长短时记忆网络的变压器运行状态预测***的结构示意图。
图3为本发明实施例中的基于长短时记忆网络的变压器运行状态预测***的部分工作流程示意图。
图4为三角形半梯形组合隶属函数示意图。
具体实施方式
下面结合说明书附图及实施例进一步说明本发明所述的技术方案。
图1示意了本发明所述的基于长短时记忆网络的变压器运行状态预测方法的基本流程。
如图1所示，本发明所述的基于长短时记忆网络的变压器运行状态预测方法包括步骤：
(1)获取与变压器运行状态相关的历史信息。
在某些实施方式下，历史信息包括变压器油中溶解气体浓度、运行巡检信息以及技术性能信息中的至少其中之一。
在某些实施方式下，变压器油中溶解气体浓度包括H2、CH4、C2H4、C2H6、C2H2、总烃、CO、CO2浓度的至少其中之一。
在某些实施方式下，技术性能信息包括运行工况、检修记录、运行时间的至少其中之一。
(2)基于历史信息评估变压器的历史运行状态。
在某些实施方式下，步骤(2)中，针对所述历史信息中的各类参量信息评估得到对应的历史运行状态评估结果，为所述历史信息中的各类参量信息对应的历史运行状态评估结果赋予相应的权重，加权求得历史运行状态的综合模糊评估结果。
在某些实施方式下，利用模糊理论评估得到变压器油中溶解气体浓度对应的历史运行状态评估结果。
在某些实施方式下，以变压器油中溶解气体浓度为输入特征参量，以其对应的相对劣化度为输出目标，建立支持向量机模型去拟合三角形半梯形组合隶属函数与历史运行状态的分布关系，从而利用模糊理论评估得到变压器油中溶解气体浓度对应的历史运行状态评估结果。
在某些实施方式下，相对劣化度通过下式得到：
式中，lk表示气体k对应的相对劣化度，a为气体k的浓度最优值或出厂值，b为注意值，x为当前实测数值。
在某些实施方式下，采用改进层次分析法确定权重。
(3)构建基于长短时记忆网络的变压器运行状态预测模型。
(4)基于历史信息和历史运行状态训练变压器运行状态预测模型。
在某些实施方式下，采用沿时间反向传播算法训练变压器运行状态预测模型。
(5)基于历史信息通过变压器运行状态预测模型预测变压器的未来运行状态。
在某些实施方式下，取最大置信度对应的变压器运行状态预测模型的输出作为所预测的变压器的未来运行状态。
下面通过一个具体实施例进一步说明本发明，该实施例采用上述方法和***预测变压器的未来运行状态。
本发明实施例中所述***是具有对应上述方法的软件的计算机。
图2示意了本发明实施例中的基于长短时记忆网络的变压器运行状态预测***的结构。
如图2所示，本发明实施例中的基于长短时记忆网络的变压器运行状态预测***包括多源输入层、LSTM模型特征提取层以及预测决策依据层，其中：
多源输入层包括长度为n的H2、CH4、C2H4、C2H6、C2H2、总烃、CO、CO2浓度序列输入单元、运行巡检信息隶属度计算单元、运行巡检信息隶属度存储单元、技术性能信息隶属度计算单元、技术性能信息隶属度存储单元。
LSTM模型特征提取层包括n个LSTM单元以及Softmax层，其前向计算方向为A，反向传播方向为B。
预测决策依据层包括变压器运行状态信度区间计算单元和变压器运行状态判断单元。
图3示意了本发明实施例中的基于长短时记忆网络的变压器运行状态预测***的部分工作流程。
参考图3，本发明实施例中的基于长短时记忆网络的变压器运行状态预测***的工作流程包括：
步骤110：通过多源输入层获取与变压器运行状态相关的历史信息。
该步骤中，收集选取作为与变压器运行状态相关的历史信息的样本，包括变压器油中溶解气体浓度、运行巡检信息以及技术性能信息，其中变压器油中溶解气体浓度包括H2、CH4、C2H4、C2H6、C2H2、总烃、CO、CO2浓度，技术性能信息包括运行工况、检修记录、运行时间。将样本划分为训练集和测试集。选取从工程现场搜集整理的206例确认存在异常缺陷/故障的变压器和174例油色谱在线监测装置出现预警/报警后跟踪观察的变压器组成LSTM模型的样本库。变压器运行状态分为正常状态、一般缺陷状态(状态监测量接近或超过注意值)、严重缺陷状态和危急状态。确定对应的状态集为V＝{v1,v2,v3,v4}＝{正常，注意，严重，危急}。
步骤120：通过多源输入层基于历史信息评估变压器的历史运行状态。
该步骤包括：
步骤1201：评估变压器油中溶解气体浓度对应的历史运行状态。
首先进行变压器油中气体浓度相对劣化度f计算：
式中，a为气体浓度的最优值或出厂值，b为注意值，x为当前实测数值。
然后确定变压器油中溶解气体相对劣化度f的隶属函数，基于该隶属函数确定变压器油中溶解气体浓度对应的历史运行状态：
以H2、CH4、C2H4、C2H6、C2H2、总烃、CO、CO2浓度为输入特征参量，以相对劣化度为输出目标，采用支持向量机去拟合三角形半梯形的分布函数：首先分别计算各气体浓度的相对劣化度，再求和求平均，得到气体浓度总的相对劣化度，从而评估得到变压器油中溶解气体浓度对应的历史运行状态评估结果。三角形半梯形组合隶属函数形如图4所示，横坐标为相对劣化度，纵坐标为隶属度，三角形半梯形包括正常A、注意B、严重C以及危急D四部分。
从工程现场搜集整理的206例确认存在异常缺陷/故障的变压器色谱数据组成样本库，其中137例用于训练，69例用于测试。经训练检验，测试样本中64例判断准确，准确率达92.8％。变压器油中溶解气体相对劣化度f对应于v1～v4的隶属度函数
如下：
步骤1202：对运行巡检信息关键参量及技术性能信息中运行工况、检修记录、运行时间等定性参量根据模糊统计实验确定隶属函数，基于该隶属函数确定上述定性参量对应的历史运行状态。
步骤1203：根据改进层次分析法确定油中气体、运行巡检信息及技术性能信息各定性参量对应的历史运行状态评估结果的权重。
步骤1204：依据步骤1203权数分配对步骤1201、步骤1202中的定性参量对应的历史运行状态评估结果加权求得对应于v1-v4的综合模糊评估结果。
步骤130：构建基于长短时记忆(LSTM)网络的变压器运行状态预测模型，包括LSTM模型特征提取层。
步骤140：基于历史信息和历史运行状态训练变压器运行状态预测模型。
该步骤中，将综合模糊评估结果作为LSTM网络数据标签，将运行巡检信息及技术性能信息中运行工况、检修记录、运行时间的隶属度及油色谱监测数据中H2，CH4，C2H4，C2H6，C2H2，总烃，CO，CO2浓度作为LSTM输入，根据沿时间反向传播算法对LSTM网络模型进行训练，提取关键参量与所预测变压器状态之间的特征联系，获取预测模型参数。上述隶属度指：运行巡检信息及技术性能信息中运行工况、检修记录、运行时间等定性参量与运行状态之间的隶属度，通过模糊统计实验计算而来。
步骤150：通过预测决策依据层基于历史信息通过变压器运行状态预测模型预测变压器的未来运行状态。
该步骤中，利用LSTM预测模型参数对测试集中变压器进行运行状态预测，取最大置信度对应的运行状态为所预测变压器的未来运行状态。
预测实例1
为增加学习速度和效果，降低网络在学习时陷入局部极小值的风险，对LSTM中权重矩阵首先通过服从均值为0方差为1的高斯分布随机初始化，再利用奇异值分解得到正交基矩阵作为初始化值[22]。LSTM偏置项和输出层偏置项初始化为0，输出层权重矩阵为服从均值为0方差为1的高斯分布的随机数乘以0.01。预测模型由一层LSTM网络和Softmax网络层组成。其中输入层规模为100，LSTM中隐层神经元个数为128，为防止过拟合，信号损失率设为0.2，输出层规模为4。
以某500kV#2主变为例，该变压器基本情况为2006年7月出厂，2006年11月投运，2008年3月19日和2011年05月26日例行试验，未发现异常。不良工况记录中过载30％运行时长43分钟。2012年3月14日至3月26日的油色谱在线监测数据如表1所示。
表1.某500kV#2主变油色谱在线监测数据(单位：uL/L)
| 时间 | H<sub>2</sub> | CH<sub>4</sub> | C<sub>2</sub>H<sub>4</sub> | C<sub>2</sub>H<sub>6</sub> | C<sub>2</sub>H<sub>2</sub> | 总烃 | CO | CO<sub>2</sub> |
| 3.14 | 32.77 | 10.29 | 4.56 | 1.64 | 0.13 | 16.62 | 176.3 | 693.1 |
| 3.15 | 36.58 | 10.46 | 4.87 | 1.57 | 0.15 | 17.05 | 178.7 | 698.6 |
| 3.16 | 34.89 | 9.98 | 4.33 | 1.71 | 0.15 | 16.17 | 168.5 | 704.8 |
| 3.17 | 33.21 | 10.9 | 4.72 | 1.68 | 0.16 | 17.46 | 174 | 707.9 |
| 3.18 | 35.76 | 10.32 | 4.28 | 1.75 | 0.17 | 16.52 | 185.4 | 697.1 |
| 3.19 | 38.63 | 10.65 | 4.64 | 1.8 | 0.14 | 17.23 | 171.7 | 701.7 |
| 3.20 | 40.52 | 10.44 | 4.39 | 1.95 | 0.18 | 16.96 | 180.5 | 682.3 |
| 3.21 | 37.97 | 10.88 | 4.61 | 1.89 | 0.17 | 17.55 | 183 | 709.3 |
| 3.22 | 34.51 | 10.49 | 5.09 | 1.71 | 0.22 | 17.51 | 185.9 | 715.1 |
| 3.23 | 35.39 | 10.61 | 4.68 | 1.74 | 0.21 | 17.24 | 180 | 724.8 |
| 3.24 | 37.28 | 10.4 | 4.44 | 1.89 | 0.23 | 16.96 | 178.8 | 715.4 |
| 3.25 | 55.07 | 15.05 | 12.71 | 4.4 | 0.48 | 32.64 | 184.3 | 720.6 |
| 3.26 | 70.17 | 18.89 | 17.04 | 6.9 | 0.61 | 43.44 | 185.3 | 717 |
利用2012年3月14日至3月26日数据去预测一周之后即2012年4月2日的该变压器状态。LSTM模型预测的对应于状态v1～v4的信度为[0，0.0191，0.7308，0.2501]。依据最大信度判定原则LSTM预测结果对应于v3严重状态，辨识效果明显。
实际情况为：2012年4月2日油色谱数据中氢气含量达到185.76uL/L，乙炔含量达到2.98uL/L，在线监测***报警。停电检修发现，变压器铁心下铁轭部位硅钢片伸出角变形，在磁场中发生较强的振动，伸出的两个尖端在较强振动状态下发生接触引起放电，导致油中溶解气体含量异常。放电未涉及到固体绝缘，一氧化碳、二氧化碳含量无明显变化。LSTM模型预测结果与实际变压器运行状态相符。
预测实例2
以某220kV#1主变为例，该变压器2000年04月出厂，2000年06月23日投入运行。投运后，该主变运行情况基本良好，总体负载率较高，色谱周期检测，发现该主变2010年迎峰过夏后主变油中总烃数值有较大增长，此后主变油中总烃数值逐年缓慢增长，但未超注意值，除总烃外其余特征气体数据均正常。2013年6月至7月的部分油色谱在线监测数据如表2所示。
表2.某220kV#1主变油色谱在线监测数据(单位：uL/L)
| 时间 | H<sub>2</sub> | CH<sub>4</sub> | C<sub>2</sub>H<sub>4</sub> | C<sub>2</sub>H<sub>6</sub> | C<sub>2</sub>H<sub>2</sub> | 总烃 | CO | CO<sub>2</sub> |
| 6.15 | 2.67 | 58.35 | 22.75 | 23.59 | 0 | 104.69 | 110.2 | 516.3 |
| 6.26 | 2.37 | 66.35 | 23.28 | 25.14 | 0 | 114.76 | 116.4 | 522.6 |
| 7.07 | 2.67 | 78.70 | 20.6 | 22.35 | 0 | 121.64 | 117.0 | 519.8 |
| 7.15 | 2.37 | 86.05 | 20.68 | 22.19 | 0 | 128.93 | 108.1 | 514.7 |
| 7.24 | 2.37 | 99.69 | 20.15 | 21.89 | 0 | 141.73 | 102.4 | 510.8 |
利用2013年6月至7月数据去预测一月之后即2013年8月的该变压器状态。LSTM模型预测的对应于状态v1～v4的信度为[0，0.1835，0.2149，0.6016]。依据最大信度判定原则，模型预测结果对应于v4危急状态。结果显示在不对变压器负荷进行控制的情况下，该变压器在2013年8月将进入危急运行状态。
实际情况为：该站运维人员与调度联系，在运行方式上禁止对该主变满负荷运行，迎峰过夏后停电检修发现，主变下夹件与油箱等电位联接线有较明显过热变色痕迹。在对负荷进行控制的情况下，该主变发生故障后尚未进入危急运行状态。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (11)
1.一种基于长短时记忆网络的变压器运行状态预测方法，其特征在于，包括步骤：
(1)获取与变压器运行状态相关的历史信息；
(2)基于所述历史信息评估所述变压器的历史运行状态；
(3)构建基于长短时记忆网络的变压器运行状态预测模型；
(4)基于所述历史信息和历史运行状态训练所述变压器运行状态预测模型；
(5)基于所述历史信息通过所述变压器运行状态预测模型预测变压器的未来运行状态，其中取最大置信度对应的所述变压器运行状态预测模型的输出作为所预测的变压器的未来运行状态。
2.如权利要求1所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，所述历史信息包括变压器油中溶解气体浓度、运行巡检信息以及技术性能信息中的至少其中之一。
3.如权利要求2所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，所述步骤(2)中，针对所述历史信息中的各类参量信息评估得到对应的历史运行状态评估结果，为所述历史信息中的各类参量信息对应的历史运行状态评估结果赋予相应的权重，加权求得历史运行状态的综合模糊评估结果。
4.如权利要求3所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，利用模糊理论评估得到变压器油中溶解气体浓度对应的历史运行状态评估结果。
5.如权利要求4所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，以变压器油中溶解气体浓度为输入特征参量，以其对应的相对劣化度为输出目标，建立支持向量机模型去拟合三角形半梯形组合隶属函数与所述历史运行状态的分布关系，从而利用模糊理论评估得到变压器油中溶解气体浓度对应的历史运行状态评估结果。
6.如权利要求5所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，所述相对劣化度通过下式得到：
式中，lk表示气体k对应的相对劣化度，a为气体k的浓度最优值或出厂值，b为注意值，x为当前实测数值。
7.如权利要求2所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，所述变压器油中溶解气体浓度包括H2、CH4、C2H4、C2H6、C2H2、总烃、CO、CO2浓度的至少其中之一。
8.如权利要求2所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，所述技术性能信息包括运行工况、检修记录、运行时间的至少其中之一。
9.如权利要求3所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，采用改进层次分析法确定所述权重。
10.如权利要求1所述的基于长短时记忆网络的变压器运行状态预测方法，其特征在于，采用沿时间反向传播算法训练所述变压器运行状态预测模型。
11.一种基于长短时记忆网络的变压器运行状态预测***，其采用如权利要求1-10中任意一项权利要求所述方法对变压器的未来运行状态进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711012217.4A CN108037378B (zh) | 2017-10-26 | 2017-10-26 | 基于长短时记忆网络的变压器运行状态预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711012217.4A CN108037378B (zh) | 2017-10-26 | 2017-10-26 | 基于长短时记忆网络的变压器运行状态预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108037378A CN108037378A (zh) | 2018-05-15 |
| CN108037378B true CN108037378B (zh) | 2020-08-07 |
Family
ID=62093548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711012217.4A Active CN108037378B (zh) | 2017-10-26 | 2017-10-26 | 基于长短时记忆网络的变压器运行状态预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108037378B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108390380B (zh) * | 2018-05-16 | 2021-04-06 | 国网山东省电力公司青岛供电公司 | 一种变压器状态参量趋势预测方法及*** |
| CN109061341A (zh) * | 2018-07-10 | 2018-12-21 | 杭州安脉盛智能技术有限公司 | 基于神经网络的卡尔曼滤波变压器故障预测方法和*** |
| CN109142516B (zh) * | 2018-08-28 | 2020-11-17 | 广东电网有限责任公司 | 一种变压器油状态在线评估方法及装置 |
| CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及*** |
| CN109657872A (zh) * | 2018-12-29 | 2019-04-19 | 云南电网有限责任公司电力科学研究院 | 一种配网变压器运行状态的预测方法 |
| CN109814527B (zh) * | 2019-01-11 | 2020-11-13 | 清华大学 | 基于lstm循环神经网络工业设备故障预测方法及装置 |
| CN110501585B (zh) * | 2019-07-12 | 2021-05-04 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
| CN110569964A (zh) * | 2019-08-20 | 2019-12-13 | 国网江苏省电力有限公司信息通信分公司 | 基于模糊神经元的变电站机房智能电气控制***设计方法 |
| CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
| CN110880062B (zh) * | 2019-10-31 | 2022-07-08 | 广西电网有限责任公司电力科学研究院 | 一种配电设备状态检修时间的确定方法 |
| CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
| CN111126489A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种基于集成学习的输电设备状态评价方法 |
| CN111337768B (zh) * | 2020-03-02 | 2021-01-19 | 武汉大学 | 变压器油中溶解气体的深度并行故障诊断方法及*** |
| CN112147432A (zh) * | 2020-08-25 | 2020-12-29 | 国网上海市电力公司 | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和*** |
| CN112580198A (zh) * | 2020-12-03 | 2021-03-30 | 国网山西省电力公司晋城供电公司 | 一种用于变压器状态评估的改进优化分类方法 |
| CN113011103B (zh) * | 2021-04-06 | 2022-05-03 | 南京机电职业技术学院 | 一种多维信息融合的电力变压器寿命预测模型 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
| CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与*** |
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
| CN105372528A (zh) * | 2015-11-24 | 2016-03-02 | 湖南大学 | 一种电力变压器内部故障的状态检修方法 |
| CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
| CN106502799A (zh) * | 2016-12-30 | 2017-03-15 | 南京大学 | 一种基于长短时记忆网络的主机负载预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6651204B1 (en) * | 2000-06-01 | 2003-11-18 | Advantest Corp. | Modular architecture for memory testing on event based test system |
-
2017
- 2017-10-26 CN CN201711012217.4A patent/CN108037378B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
| CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与*** |
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
| CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
| CN105372528A (zh) * | 2015-11-24 | 2016-03-02 | 湖南大学 | 一种电力变压器内部故障的状态检修方法 |
| CN106502799A (zh) * | 2016-12-30 | 2017-03-15 | 南京大学 | 一种基于长短时记忆网络的主机负载预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种基于LSTM神经网络的短期用电负荷预测方法;张宇航 等;《电力信息与通信技术》;20170930;第15卷(第9期);19-25 * |
| 基于多源信息的变压器状态评价方案研究与应用;张晗 等;《高压电器》;20160216;第52卷(第2期);19-27 * |
| 基于模糊综合评判的电力变压器运行状态评估模型;廖瑞金 等;《电力***自动化》;20080210;第32卷(第3期);70-75 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108037378A (zh) | 2018-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037378B (zh) | 基于长短时记忆网络的变压器运行状态预测方法及*** | |
| CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
| Catterson et al. | Online conditional anomaly detection in multivariate data for transformer monitoring | |
| CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
| CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测*** | |
| Sheng et al. | Reliability of wind turbines | |
| CN112179655A (zh) | 一种基于阈值分级的汽轮发电机故障预警方法 | |
| CN108390380B (zh) | 一种变压器状态参量趋势预测方法及*** | |
| CN112462734B (zh) | 一种工业生产设备故障预测分析方法及模型 | |
| CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
| Reinertsen | Residual life of technical systems; diagnosis, prediction and life extension | |
| CN111339661B (zh) | 一种高压电缆巡检周期自动规划方法 | |
| Shafiee et al. | A multi-criteria decision model to mitigate the operational risks of offshore wind infrastructures | |
| CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN111337417A (zh) | 一种变电站接地网腐蚀状态检测方法 | |
| CN113591396B (zh) | 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 | |
| CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
| Goyal et al. | Prediction enhancement of machine learning using time series modeling in gas turbines | |
| Feng et al. | Getting the most out of historic reliability data | |
| Pedersen et al. | Data Validation for Digitally Enabled Operation & Maintenance of District Heating Systems | |
| Wang et al. | Maintenance decision based on data fusion of aero engines | |
| Shen | Classification of Wind Turbine Blade Performance State Through Statistical Methods | |
| Zhang et al. | Short term trend forecast of on-line monitoring data of dissolved gas in power transformer | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |