CN108664682A - 一种变压器顶层油温的预测方法及其*** - Google Patents
一种变压器顶层油温的预测方法及其*** Download PDFInfo
- Publication number
- CN108664682A CN108664682A CN201711233113.6A CN201711233113A CN108664682A CN 108664682 A CN108664682 A CN 108664682A CN 201711233113 A CN201711233113 A CN 201711233113A CN 108664682 A CN108664682 A CN 108664682A
- Authority
- CN
- China
- Prior art keywords
- history
- day
- transformer
- load
- data
- 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
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Air Conditioning Control Device (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明提供一种变压器顶层油温的预测方法及其***,包括:基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型;基于历史负荷数据,建立带有气象和日期属性的负荷预测模型;基于负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值;基于线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的最高油温。本发明构建的变压器顶层油温预测模型,实现短期油温预警分析,为变压器状态检修和事故预防提供参考。
Description
技术领域
本发明涉及变压器状态监测与故障预警领域,具体涉及一种变压器顶层油温的预测方法及其***。
背景技术
油浸式电力变压器的运行寿命及负载能力与油温密切相关,运行在高温情况下的变压器容易因为过热而导致早期故障。传统方法将热相关参数看作电气相关参数,通过热电对比的方式人工建立变压器顶层油温预测模型:确认了模型的输入参数,并预设模型的函数形式。然而,利用顶层油温人工建立预测模型将无法保证参数的选择以及函数的预设是否合理。
因此,需要提供一种技术方案来弥补现有技术的不足。
发明内容
为准确估算电力变压器绕组热点的温度,对变压器安全运行和寿命评估提供辅助依据,本发明提供了一种变压器顶层油温的预测方法及其***。
一种变压器顶层油温的预测方法包括:基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型;基于历史负荷数据,建立带有气象和日期属性的负荷预测模型;基于负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值;基于线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的最高油温。
基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型之前,包括:将变压器的历史油温数据、历史负荷数据及历史天气数据分别与变压器的设备台账数据进行关联;历史天气数据是以15min为间隔进行采样,按每天取最大值处理获得的历史天气数据包括:历史日的最大气温、平均温度、最大相对湿度、最大风速及最大降雨量。
建立变压器顶层油温的线性回归分析模型,包括:获取选定时间区间内变压器的历史油温数据、历史负荷数据和历史天气数据;历史油温数据包括:历史日前一日油温的最大值,历史负荷数据包括历史日负荷最大值,历史天气数据包括历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量;以历史油温数据、历史负荷数据及历史天气数据为变量,建立线性回归分析模型。
变压器的线性回归分析模型,如下所示:
OT=a×I+b×T+c×H+d×W+e×R+f×YOT+g;
其中,I、T、H、W、R、YOT分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量,a、b、c、d、e、f分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量的系数,g为截距,OT为历史日最高油温。
当变压器为非自冷型变压器且冷却器启动工作时,重新计算回归分析模型中的系数a、b、c、d、e、f、g。
重新计算回归分析模型中的系数a、b、c、d、e、f、g,包括:将历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量输入到已经获得系数值的回归分析模型中,得到历史日主变压器顶层油温的期望值;将冷却器启动工作日的主变油温与所述期望值进行比较,计算所有的差异值,获得差异值概率分布图,以概率平均值为修正量,对历史油温数据作修正处理后,重新计算回归分析模型的系数a、b、c、d、e、f、g。
基于历史负荷数据,建立带有气象和日期属性的负荷预测模型,包括:以15min为间隔进行采样,按每天取最大值处理,获得变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据;基于获得所述变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据,利用支持向量机算法,建立基于气象、历史日日期属性和历史负荷数据的负荷预测模型。
基于负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值,包括:将气象预报信息输入建立的变压器负荷预测模型,得到预测日变压器的负荷预测最大值;将预测日后第i日的气象因素预测值、预测日后第i日的日期属性以及预测日后第i-1日变压器的负荷预测最大值,输入所述负荷预测模型,得到预测日后第i日变压器的负荷预测最大值,其中,i=1、2、3…n;气象预报信息包括:预测日的气象因素预测值、预测日的日期属性以及预测日前一日的负荷最大值。
基于线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的的最高油温,包括:将第i日变压器的最高油温、第i+1日变压器负荷预测值、第i+1日最大气温、第i+1日最大相对湿度、第i+1日最大风速和第i+1日最大降雨值输入所述线性回归模型进行预测,得到第i+1日变压器的顶层油温,其中,i=1、2、3…n。
一种变压器顶层油温的预测***包括:线性回归分析模块,用于基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型;负荷预测建立模块,用于基于所述历史负荷数据,建立带有气象和日期属性的负荷预测模型;未来时长负荷预测模块,用于基于负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值;未来时长最高油温预测模块,用于基于线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的最高油温。
在线性回归分析建立模块之前,还包括:设备台账数据关联模块及采样模块;设备台账数据关联模块,用于将变压器的历史油温数据、历史负荷数据及历史天气数据分别与变压器的设备台账数据进行关联;采样模块,用于历史天气数据是以15min为间隔进行采样,按每天取最大值处理获得的历史天气数据包括:历史日的最大气温、平均温度、最大相对湿度、最大风速及最大降雨量。
线性回归分析模块,还包括:历史数据选择子模块和线性回归建立子模块;历史数据选择子模块,用于获取选定时间区间内变压器的历史油温数据、历史负荷数据和历史天气数据;历史油温数据包括:历史日前一日油温的最大值,历史负荷数据包括历史日负荷最大值,历史天气数据包括历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量;线性回归分析模型建立子模块,用于以历史油温数据、历史负荷数据及历史天气数据为变量,建立线性回归分析模型。
变压器的线性回归分析模型,如下所示:
OT=a×I+b×T+c×H+d×W+e×R+f×YOT+g;
其中,I、T、H、W、R、YOT分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量,a、b、c、d、e、f分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量的系数,g为截距,OT为历史日最高油温。
变压器的线性回归分析模型,还包括:修正子模块,用于当变压器为非自冷型变压器且冷却器启动工作时,重新计算回归分析模型中的系数a、b、c、d、e、f、g。
修正子模块,包括:期望值单元和修正处理单元;期望值单元,用于将历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量输入到已经获得系数值的回归分析模型中,得到历史日主变压器顶层油温的期望值;修正处理单元,用于将冷却器启动工作日的主变油温与期望值进行比较,计算所有的差异值,获得差异值概率分布图,以概率平均值为修正量,对历史油温数据作修正处理后,重新计算回归分析模型的系数a、b、c、d、e、f、g。
负荷预测建立模块,包括:年区间子模块和支持向量机算法子模块;年区间子模块,用于以15min为间隔进行采样,按每天取最大值处理,获得变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据;支持向量机算法子模块,用于基于获得变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据,利用支持向量机算法,建立基于气象、历史日日期属性和历史负荷数据的负荷预测模型。
未来时长负荷预测模块,包括:第一负荷预测最大值子模块和第二负荷预测最大值子模块;将气象预报信息输入建立的变压器负荷预测模型,得到预测日变压器的负荷预测最大值;将预测日后第i日的气象因素预测值、预测日后第i日的日期属性以及预测日后第i-1日变压器的负荷预测最大值,输入负荷预测模型,得到预测日后第i日变压器的负荷预测最大值,其中,i=1、2、3…n;气象预报信息包括:预测日的气象因素预测值、预测日的日期属性以及预测日前一日的负荷最大值。
未来时长最高油温预测模块,进一步用于:将第i日变压器的最高油温、第i+1日变压器负荷预测值、第i+1日最大气温、第i+1日最大相对湿度、第i+1日最大风速和第i+1日最大降雨值输入线性回归模型进行预测,得到第i+1日变压器的顶层油温,其中,i=1、2、3…n。
与最接近的现有技术比,本发明提供的技术方案具有以下有益效果:
1、本发明构建的变压器顶层油温预测模型,实现短期油温预警分析,为变压器状态检修和事故预防提供参考;
2、本发明利用多元线性回归算法构建了变压器顶层油温预测模型,相对人工基于热电对比方式建立起来的模型来说更加客观,另外相对于其他模型来说,线性回归模型更加具备可解释性;
3、本发明利用了更加全面的气象数据来对变压器的顶层油温进行预测,数据维度更加宽泛,使得构建的模型更加全面。
附图说明
图1为本发明的设计流程图;
图2为本发明的结构框图。
具体实施方式
下面结合附图对本发明的实施例作进一步说明:
如图1所示,本发明的预测方法包括:基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型;基于历史负荷数据,建立带有气象和日期属性的负荷预测模型;基于负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值;基于线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的最高油温。
如图2所示,本发明采用多维气象、顶层油温、负荷数据,结合气象预报数据,对变压器未来1至3天的负荷和顶层油温进行预测。具体包括如下步骤:
步骤1:建模数据准备阶段,获取变压器设备台账、历史气象数据、历史油温数据及主变历史负荷数据等;
步骤101:获取待分析油浸式变压器的历史油温数据、历史负荷数据,从气象信息***中获取各市县历史日的最大气温、平均温度、最大相对湿度、最大风速、最大降雨等历史天气数据;
由于主变油温、负荷及气象数据以15min间隔进行采样,全天共有96个数据点,因此对这些数据按每天取最大值处理,获得主变压器的历史日油温最大值、负荷最大值数据以及主变压器所在地的历史日最大气温、最大相对湿度、最大风速和最大降雨等天气数据。
步骤102:根据变压器设备台账数据,以变压器设备的基本信息为关联依据,将主变压器的历史油温数据、历史负荷数据及所在县市的历史日最大气温、平均温度、最大相对湿度、最大风速、最大降雨等天气数据进行关联;
此处关联合并是指以变压器ID、日期、所在地信息为主键进行关联,建立新的关系型数据表,便于后续的数据处理与分析。
步骤2:建模阶段,根据变压器所在县市历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型;
步骤201:选定时间区间为2-3个月,抽取该时间区间内的主变压器历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、最大相对湿度、最大风速和最大降雨值;
此处选定的时间区间为2-3个月,是因为实施例中发现2-3个月的数据最能反映主变压器油温变化的规律,为模型预测的高准确度奠定基础。
步骤202:以历史日油温为变量,以历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、最大相对湿度、最大风速和最大降雨值为变量,建立两者之间的线性回归分析模型;
主变压器线性回归分析模型为:OT=a×I+b×T+c×H+d×W+e×R+f×YOT+g;
其中a、b、c、d、e、f为各个变量的待求系数,g为截距,OT为历史日最大油温。
该线性回归分析模型的训练可以通过Excel、SPSS(IBM公司知名数据分析产品)或MATLAB(MathWorks公司商业数学软件)等工具实现。
以Excel2007为例,将上述选定的历史数据按列分别存入同一个excel工作表中,点击菜单栏中数据->数据分析->回归,选择I、T、H、W、R和YOT为X值输入区域,选择OT为Y值输入区域,训练得到回归分析模型的系数a、b、c、d、e、f、g。
步骤203:模型修正阶段
1)对于非自冷型变压器,除了抽取选定时间区间内的主变压器历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、最大相对湿度、最大风速和最大降雨值,还应从变压器状态评价信息中抽取相关联的变压器冷却器运行数据。由于冷却器的运行工况对主变压器的油温影响显著,因此需要确定冷却器的工作状态。
2)针对冷却器启动工作时的情况,应当对当日的主变顶层油温数据作修正处理,将上述训练数据输入到已经获得系数值的回归分析模型中,得到历史日主变压器顶层油温的期望值,将冷却器启动工作日的主变油温与该期望值进行比较,计算所有的差异值,获得差异值概率分布图,以概率平均值为修正量,对历史日油温值作修正处理后,重新计算回归分析模型的系数a、b、c、d、e、f、g,并以此系数为准,进行预测。
3)对于自冷型变压器,可忽略这一步的模型修正处理,又或是非自冷型变压器,当油温未达到冷却器工作条件时,也可不作修正处理。
步骤3:未来一日变压器的负荷预测阶段,利用历史负荷数据,建立带有气象和日期属性的负荷预测模型,通过负荷预测模型与气象预报信息,实现变压器短期负荷预测;
步骤301:选定历史3-5年的时间区间,抽取该时间区间内主变压器的历史日负荷最大值、历史日日期属性、历史日最大气温、最大相对湿度、最大风速和最大降雨值等气象数据;
对负荷和气象全天96个数据点进行最大值处理,获得主变压器3-5年时间区间内的历史日负荷最大值数据以及主变压器所在各市县历史日的最大气温、最大相对湿度、最大风速、最大降雨等天气数据。
步骤302:利用大数据分析技术,建立基于气象、日期属性和历史负荷数据的主变压器负荷预测模型;
以支持向量机算法为例,利用上述历史3-5年数据,建立主变压器基于气象、日期属性和历史负荷数据的负荷预测模型。模型的输入数据为历史日日期属性(工作日、周末、节假日、特殊日等)、历史日气象因素(最大气温、最大相对湿度、最大风速、最大降雨等)和历史前一日负荷最大值,模型的输出数据为历史日主变负荷最大值,应用支持向量机算法等机器学习算法,在SPSS等数据分析工具中,对模型进行训练,得到主变压器基于气象、日期属性的负荷关联分类模型。
步骤303:根据预测日的气象因素预测值、预测日的日期属性以及预测日前一日的负荷最大值,输入建立的变压器负荷预测模型,得到预测日变压器的负荷预测最大值。
步骤304:根据预测日下一日的气象因素预测值、预测日下一日的日期属性以及步骤303所得预测日负荷最大值,输入建立的变压器负荷预测模型,得到预测日下一日变压器的负荷预测最大值。
步骤305:根据预测日后第二日的气象因素预测值、预测日后第二日的日期属性以及步骤304所得预测日下一日负荷最大值,输入建立的变压器负荷预测模型,得到预测日后第二日变压器的负荷预测最大值。
步骤4:如若需预测明日变压器日最高油温,需将今日变压器日最高油温、明日变压器负荷预测值、明日最大气温、明日最大相对湿度、明日最大风速和明日最大降雨值作为输入,使用步骤2所得的线性回归模型进行预测。
步骤5:步骤4中预测了未来一日变压器的顶层油温,步骤5把方法额外扩展至未来二、三天的油温预测。
步骤501:在此步骤中预测未来第二日变压器日最高油温,需将步骤4所得的明日变压器日最高油温,未来第二日变压器负荷预测值,未来第二日最大气温、未来第二日最大相对湿度、未来第二日最大风速和未来第二日最大降雨值作为输入,使用步骤2所得的线性回归模型进行预测。
步骤502:在此步骤中预测未来第三日变压器日最高油温,需将步骤501所得的未来第二日变压器日最高油温,未来第三日变压器负荷预测值,未来第三日最大气温、未来第三日最大相对湿度、未来第三日最大风速和未来第三日最大降雨值作为输入,使用步骤2所得的线性回归模型进行预测。
基于同一发明构思,本发明还提供了一种变压器顶层油温的预测***,下面进行说明。
本发明提供的***包括:线性回归分析模块,用于基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型;负荷预测建立模块,用于基于所述历史负荷数据,建立带有气象和日期属性的负荷预测模型;未来时长负荷预测模块,用于基于负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值;未来时长最高油温预测模块,用于基于线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的最高油温。
在线性回归分析建立模块之前,还包括:设备台账数据关联模块及采样模块;设备台账数据关联模块,用于将变压器的历史油温数据、历史负荷数据及历史天气数据分别与变压器的设备台账数据进行关联;采样模块,用于历史天气数据是以15min为间隔进行采样,按每天取最大值处理获得的历史天气数据包括:历史日的最大气温、平均温度、最大相对湿度、最大风速及最大降雨量。
线性回归分析模块,还包括:历史数据选择子模块和线性回归建立子模块;历史数据选择子模块,用于获取选定时间区间内变压器的历史油温数据、历史负荷数据和历史天气数据;历史油温数据包括:历史日前一日油温的最大值,历史负荷数据包括历史日负荷最大值,历史天气数据包括历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量;线性回归分析模型建立子模块,用于以历史油温数据、历史负荷数据及历史天气数据为变量,建立线性回归分析模型。
变压器的线性回归分析模型,如下所示:
OT=a×I+b×T+c×H+d×W+e×R+f×YOT+g;
其中,I、T、H、W、R、YOT分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量,a、b、c、d、e、f分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量的系数,g为截距,OT为历史日最高油温。
变压器的线性回归分析模型,还包括:修正子模块,用于当变压器为非自冷型变压器且冷却器启动工作时,重新计算回归分析模型中的系数a、b、c、d、e、f、g。
修正子模块,包括:期望值单元和修正处理单元;期望值单元,用于将历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量输入到已经获得系数值的回归分析模型中,得到历史日主变压器顶层油温的期望值;修正处理单元,用于将冷却器启动工作日的主变油温与期望值进行比较,计算所有的差异值,获得差异值概率分布图,以概率平均值为修正量,对历史油温数据作修正处理后,重新计算回归分析模型的系数a、b、c、d、e、f、g。
负荷预测建立模块,包括:年区间子模块和支持向量机算法子模块;年区间子模块,用于以15min为间隔进行采样,按每天取最大值处理,获得变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据;支持向量机算法子模块,用于基于获得变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据,利用支持向量机算法,建立基于气象、历史日日期属性和历史负荷数据的负荷预测模型。
未来时长负荷预测模块,包括:第一负荷预测最大值子模块和第二负荷预测最大值子模块;将气象预报信息输入建立的变压器负荷预测模型,得到预测日变压器的负荷预测最大值;将预测日后第i日的气象因素预测值、预测日后第i日的日期属性以及预测日后第i-1日变压器的负荷预测最大值,输入负荷预测模型,得到预测日后第i日变压器的负荷预测最大值,其中,i=1、2、3…n;气象预报信息包括:预测日的气象因素预测值、预测日的日期属性以及预测日前一日的负荷最大值。
未来时长最高油温预测模块,进一步用于:将第i日变压器的最高油温、第i+1日变压器负荷预测值、第i+1日最大气温、第i+1日最大相对湿度、第i+1日最大风速和第i+1日最大降雨值输入线性回归模型进行预测,得到第i+1日变压器的顶层油温,其中,i=1、2、3…n。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (18)
1.一种变压器顶层油温的预测方法,其特征在于,包括:
基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型;
基于所述历史负荷数据,建立带有气象和日期属性的负荷预测模型;
基于所述负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值;
基于所述线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的最高油温。
2.根据权利要求1所述的预测方法,其特征在于,所述基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型之前,包括:
将所述变压器的历史油温数据、历史负荷数据及所述历史天气数据分别与变压器的设备台账数据进行关联;
所述历史天气数据是以15min为间隔进行采样,按每天取最大值处理获得的所述历史天气数据包括:历史日的最大气温、平均温度、最大相对湿度、最大风速及最大降雨量。
3.根据权利要求1或2所述的预测方法,其特征在于,所述建立变压器顶层油温的线性回归分析模型,包括:
获取选定时间区间内变压器的历史油温数据、历史负荷数据和所述历史天气数据;
历史油温数据包括:历史日前一日油温的最大值,所述历史负荷数据包括历史日负荷最大值,所述历史天气数据包括历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量;
以所述历史油温数据、历史负荷数据及历史天气数据为变量,建立线性回归分析模型。
4.根据权利要求3所述的预测方法,其特征在于,
所述变压器的线性回归分析模型,如下所示:
OT=a×I+b×T+c×H+d×W+e×R+f×YOT+g;
其中,I、T、H、W、R、YOT分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量,a、b、c、d、e、f分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量的系数,g为截距,OT为历史日最高油温。
5.根据权利要求4所述的预测方法,其特征在于,当所述变压器为非自冷型变压器且冷却器启动工作时,重新计算回归分析模型中的系数a、b、c、d、e、f、g。
6.根据权利要求5所述的预测方法,其特征在于,所述重新计算回归分析模型中的系数a、b、c、d、e、f、g,包括:
将历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量输入到已经获得系数值的回归分析模型中,得到历史日主变压器顶层油温的期望值;
将冷却器启动工作日的主变油温与所述期望值进行比较,计算所有的差异值,获得差异值概率分布图,以概率平均值为修正量,对历史油温数据作修正处理后,重新计算回归分析模型的系数a、b、c、d、e、f、g。
7.根据权利要求1所述的预测方法,其特征在于,所述基于所述历史负荷数据,建立带有气象和日期属性的负荷预测模型,包括:
以15min为间隔进行采样,按每天取最大值处理,获得所述变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据;
基于所述获得所述变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据,利用支持向量机算法,建立基于气象、历史日日期属性和历史负荷数据的负荷预测模型。
8.根据权利要求1所述的预测方法,其特征在于,所述基于所述负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值,包括:
将气象预报信息输入建立的变压器负荷预测模型,得到预测日变压器的负荷预测最大值;
将预测日后第i日的气象因素预测值、预测日后第i日的日期属性以及预测日后第i-1日变压器的负荷预测最大值,输入所述负荷预测模型,得到预测日后第i日变压器的负荷预测最大值,其中,i=1、2、3…n;
所述气象预报信息包括:预测日的气象因素预测值、预测日的日期属性以及预测日前一日的负荷最大值。
9.根据权利要求1所述的预测方法,其特征在于,所述基于所述线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的的最高油温,包括:
将第i日变压器的最高油温、第i+1日变压器负荷预测值、第i+1日最大气温、第i+1日最大相对湿度、第i+1日最大风速和第i+1日最大降雨值输入所述线性回归模型进行预测,得到第i+1日变压器的顶层油温,其中,i=1、2、3…n。
10.一种变压器顶层油温的预测***,其特征在于,包括:
线性回归分析模块,用于基于历史气象数据、历史油温数据及历史负荷数据,建立变压器顶层油温的线性回归分析模型;
负荷预测建立模块,用于基于所述历史负荷数据,建立带有气象和日期属性的负荷预测模型;
未来时长负荷预测模块,用于基于所述负荷预测模型与气象预报信息,确定变压器未来时长内的负荷预测值;
未来时长最高油温预测模块,用于基于所述线性回归分析模型预测和变压器未来时长内的负荷预测值,预测变压器未来时长内的最高油温。
11.根据权利要求10所述的预测***,其特征在于,在所述线性回归分析建立模块之前,还包括:设备台账数据关联模块及采样模块;
所述设备台账数据关联模块,用于将所述变压器的历史油温数据、历史负荷数据及所述历史天气数据分别与变压器的设备台账数据进行关联;
所述采样模块,用于所述历史天气数据是以15min为间隔进行采样,按每天取最大值处理获得的所述历史天气数据包括:历史日的最大气温、平均温度、最大相对湿度、最大风速及最大降雨量。
12.根据权利要求10所述的预测***,其特征在于,所述线性回归分析模块,还包括:历史数据选择子模块和线性回归建立子模块;
所述历史数据选择子模块,用于获取选定时间区间内变压器的历史油温数据、历史负荷数据和所述历史天气数据;
历史油温数据包括:历史日前一日油温的最大值,所述历史负荷数据包括历史日负荷最大值,所述历史天气数据包括历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量;
所述线性回归分析模型建立子模块,用于以所述历史油温数据、历史负荷数据及历史天气数据为变量,建立线性回归分析模型。
13.根据权利要求10所述的预测***,其特征在于,所述变压器的线性回归分析模型,如下所示:
OT=a×I+b×T+c×H+d×W+e×R+f×YOT+g;
其中,I、T、H、W、R、YOT分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量,a、b、c、d、e、f分别为历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量的系数,g为截距,OT为历史日最高油温。
14.根据权利要求13所述的预测***,其特征在于,所述变压器的线性回归分析模型,还包括:修正子模块,
用于当所述变压器为非自冷型变压器且冷却器启动工作时,重新计算回归分析模型中的系数a、b、c、d、e、f、g。
15.根据权利要求14所述的预测***,其特征在于,所述修正子模块,包括:期望值单元和修正处理单元;
所述期望值单元,用于将历史日前一日油温最大值、历史日负荷最大值、历史日最大气温、历史日最大相对湿度、历史日最大风速和历史日最大降雨量输入到已经获得系数值的回归分析模型中,得到历史日主变压器顶层油温的期望值;
所述修正处理单元,用于将冷却器启动工作日的主变油温与所述期望值进行比较,计算所有的差异值,获得差异值概率分布图,以概率平均值为修正量,对历史油温数据作修正处理后,重新计算回归分析模型的系数a、b、c、d、e、f、g。
16.根据权利要求10所述的预测***,其特征在于,所述负荷预测建立模块,包括:年区间子模块和支持向量机算法子模块;
所述年区间子模块,用于以15min为间隔进行采样,按每天取最大值处理,获得所述变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据;
所述支持向量机算法子模块,用于基于所述获得所述变压器3-5年时间区间内的历史日负荷最大值数据和历史日天气数据,利用支持向量机算法,建立基于气象、历史日日期属性和历史负荷数据的负荷预测模型。
17.根据权利要求10所述的预测***,其特征在于,所述未来时长负荷预测模块,包括:第一负荷预测最大值子模块和第二负荷预测最大值子模块;
将气象预报信息输入建立的变压器负荷预测模型,得到预测日变压器的负荷预测最大值;
将预测日后第i日的气象因素预测值、预测日后第i日的日期属性以及预测日后第i-1日变压器的负荷预测最大值,输入所述负荷预测模型,得到预测日后第i日变压器的负荷预测最大值,其中,i=1、2、3…n;
所述气象预报信息包括:预测日的气象因素预测值、预测日的日期属性以及预测日前一日的负荷最大值。
18.根据权利要求10所述的预测***,其特征在于,所述未来时长最高油温预测模块,进一步用于:
将第i日变压器的最高油温、第i+1日变压器负荷预测值、第i+1日最大气温、第i+1日最大相对湿度、第i+1日最大风速和第i+1日最大降雨值输入所述线性回归模型进行预测,得到第i+1日变压器的顶层油温,其中,i=1、2、3…n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711233113.6A CN108664682A (zh) | 2017-11-30 | 2017-11-30 | 一种变压器顶层油温的预测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711233113.6A CN108664682A (zh) | 2017-11-30 | 2017-11-30 | 一种变压器顶层油温的预测方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664682A true CN108664682A (zh) | 2018-10-16 |
Family
ID=63785026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711233113.6A Pending CN108664682A (zh) | 2017-11-30 | 2017-11-30 | 一种变压器顶层油温的预测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664682A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635397A (zh) * | 2018-12-03 | 2019-04-16 | 西南交通大学 | 一种确定自冷型油浸式变压器热驱动力的方法 |
CN110232240A (zh) * | 2019-06-12 | 2019-09-13 | 贵州电网有限责任公司 | 一种改进的变压器顶层油温预测方法 |
CN111313428A (zh) * | 2020-03-18 | 2020-06-19 | 卫爱静 | 一种智能变压器负荷运载控制***、方法、终端及储存介质 |
CN111637926A (zh) * | 2020-06-03 | 2020-09-08 | 广东电网有限责任公司清远供电局 | 一种开关柜监测***和方法 |
CN111707387A (zh) * | 2020-06-24 | 2020-09-25 | 广东韶钢松山股份有限公司 | 精炼炉测温枪提升装置及方法 |
CN111722657A (zh) * | 2019-03-18 | 2020-09-29 | 宁波奥克斯高科技有限公司 | 一种变压器温度控制方法及变压器 |
CN112050851A (zh) * | 2020-07-17 | 2020-12-08 | 上海有间建筑科技有限公司 | 一种智慧工地环境监测*** |
CN112347695A (zh) * | 2020-10-29 | 2021-02-09 | 国网江苏省电力有限公司检修分公司 | 一种变压器顶层油温的预测方法及*** |
WO2022111841A1 (en) * | 2020-11-27 | 2022-06-02 | Hitachi Energy Switzerland Ag | Load forecasting for electrical equipment using machine learning |
CN115238754A (zh) * | 2022-09-21 | 2022-10-25 | 国网江西省电力有限公司电力科学研究院 | 一种基于多元感知的电力变压器短期运行温度预测方法 |
CN115878958A (zh) * | 2022-11-18 | 2023-03-31 | 贵州电网有限责任公司 | 一种变压器油温预测方法、装置、设备及存储介质 |
CN117272701A (zh) * | 2023-11-21 | 2023-12-22 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014078830A2 (en) * | 2012-11-19 | 2014-05-22 | Abb Technology Ag | Profiling transformer of power system |
CN104299057A (zh) * | 2014-10-17 | 2015-01-21 | 国家电网公司 | 基于多因素的油浸式变压器顶层油温预测方法 |
CN106055888A (zh) * | 2016-05-27 | 2016-10-26 | 国网上海市电力公司 | 基于误差预测修正的变压器顶层油温预测方法和装置 |
-
2017
- 2017-11-30 CN CN201711233113.6A patent/CN108664682A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014078830A2 (en) * | 2012-11-19 | 2014-05-22 | Abb Technology Ag | Profiling transformer of power system |
CN104299057A (zh) * | 2014-10-17 | 2015-01-21 | 国家电网公司 | 基于多因素的油浸式变压器顶层油温预测方法 |
CN106055888A (zh) * | 2016-05-27 | 2016-10-26 | 国网上海市电力公司 | 基于误差预测修正的变压器顶层油温预测方法和装置 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635397A (zh) * | 2018-12-03 | 2019-04-16 | 西南交通大学 | 一种确定自冷型油浸式变压器热驱动力的方法 |
CN111722657A (zh) * | 2019-03-18 | 2020-09-29 | 宁波奥克斯高科技有限公司 | 一种变压器温度控制方法及变压器 |
CN111722657B (zh) * | 2019-03-18 | 2022-04-26 | 宁波奥克斯高科技有限公司 | 一种变压器温度控制方法及变压器 |
CN110232240A (zh) * | 2019-06-12 | 2019-09-13 | 贵州电网有限责任公司 | 一种改进的变压器顶层油温预测方法 |
CN110232240B (zh) * | 2019-06-12 | 2020-03-13 | 贵州电网有限责任公司 | 一种改进的变压器顶层油温预测方法 |
CN111313428A (zh) * | 2020-03-18 | 2020-06-19 | 卫爱静 | 一种智能变压器负荷运载控制***、方法、终端及储存介质 |
CN111637926A (zh) * | 2020-06-03 | 2020-09-08 | 广东电网有限责任公司清远供电局 | 一种开关柜监测***和方法 |
CN111707387B (zh) * | 2020-06-24 | 2022-06-10 | 广东韶钢松山股份有限公司 | 精炼炉测温枪提升装置及方法 |
CN111707387A (zh) * | 2020-06-24 | 2020-09-25 | 广东韶钢松山股份有限公司 | 精炼炉测温枪提升装置及方法 |
CN112050851A (zh) * | 2020-07-17 | 2020-12-08 | 上海有间建筑科技有限公司 | 一种智慧工地环境监测*** |
CN112347695A (zh) * | 2020-10-29 | 2021-02-09 | 国网江苏省电力有限公司检修分公司 | 一种变压器顶层油温的预测方法及*** |
CN112347695B (zh) * | 2020-10-29 | 2023-12-01 | 国网江苏省电力有限公司检修分公司 | 一种变压器顶层油温的预测方法及*** |
WO2022111841A1 (en) * | 2020-11-27 | 2022-06-02 | Hitachi Energy Switzerland Ag | Load forecasting for electrical equipment using machine learning |
CN115238754A (zh) * | 2022-09-21 | 2022-10-25 | 国网江西省电力有限公司电力科学研究院 | 一种基于多元感知的电力变压器短期运行温度预测方法 |
CN115878958A (zh) * | 2022-11-18 | 2023-03-31 | 贵州电网有限责任公司 | 一种变压器油温预测方法、装置、设备及存储介质 |
CN115878958B (zh) * | 2022-11-18 | 2023-09-22 | 贵州电网有限责任公司 | 一种变压器油温预测方法、装置、设备及存储介质 |
CN117272701A (zh) * | 2023-11-21 | 2023-12-22 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
CN117272701B (zh) * | 2023-11-21 | 2024-03-08 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664682A (zh) | 一种变压器顶层油温的预测方法及其*** | |
Wu et al. | Probabilistic wind-power forecasting using weather ensemble models | |
US20190228329A1 (en) | Prediction system and prediction method | |
US10846715B2 (en) | Energy operation apparatus, method, and system | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
JP6797780B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力***负荷预测方法 | |
CN110705772A (zh) | 区域电网风力发电功率预测优化方法和装置 | |
CN103473438A (zh) | 风功率预测模型优选及修正方法 | |
Kobbacy et al. | A survey of AI in operations management from 2005 to 2009 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力***负荷准确预测方法 | |
CN110705771A (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
JP2014157457A (ja) | 予測装置および予測方法 | |
CN109523077B (zh) | 一种风电功率预测方法 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和*** | |
CN107895211A (zh) | 一种基于大数据的中长期电力负荷预测方法和*** | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及*** | |
Salgado et al. | A short-term bus load forecasting system | |
JPH08249005A (ja) | エネルギー設備の設備運用方法およびその装置 | |
CN117081088B (zh) | 电网负荷调度控制方法、装置、计算机设备及存储介质 | |
Alberdi et al. | Overhead line ampacity forecasting with a focus on safety | |
CN106022542A (zh) | 一种基于工序负荷特性的企业关口负荷预测方法 | |
JP2021182319A (ja) | 予測装置および予測方法 | |
Kim et al. | Short-term residential load forecasting using 2-step SARIMAX |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |
|
RJ01 | Rejection of invention patent application after publication |