CN111797365B - 一种换流变压器温度异常判断方法及*** - Google Patents
一种换流变压器温度异常判断方法及*** Download PDFInfo
- Publication number
- CN111797365B CN111797365B CN202010518410.0A CN202010518410A CN111797365B CN 111797365 B CN111797365 B CN 111797365B CN 202010518410 A CN202010518410 A CN 202010518410A CN 111797365 B CN111797365 B CN 111797365B
- Authority
- CN
- China
- Prior art keywords
- temperature
- algorithm
- side winding
- current
- converter transformer
- 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
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种换流变压器温度异常判断方法及***,涉及换流变压器技术领域,所述方法通过时间序列ARMAX算法、BP人工神经网络算法、KNN近邻算法训练等同数量组的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型,综合利用各模型建立综合温度模型,输入设定时间内的运行历史数据,获取温度综合计算值,将所述温度综合计算值与当前温度实测值比较获取综合误差,若所述综合误差超过设定综合误差,则发出报警。所述***包括第一处理单元到第四处理单元、评估计算单元和报警单元。
Description
技术领域
本发明涉及换流变压器技术领域,具体涉及一种换流变压器温度异常判断方法及***。
背景技术
通常直流输电工程各换流站的实际运行中,对换流变压器绕组温度和油温都进行实时在线检测,但在温度报警***和各站运行规定中,只是简单的规定了温度上限。以禄高肇直流高坡换流站的运行规定为例,对于换流变运行温度要求如下表所示:
最大温升 | 报警温度 | 跳闸温度 |
上层油温升50K | 油温:75℃ | 油温:85℃ |
绕组温升55K | 线温:110℃ | 线温:120℃ |
绕组热点温升65k |
温度报警***仅对油温和线温的最高温度做出规定,当油温和线温高于报警设定值,即发出报警。该原有策略较为简单,并未考虑环境温度、当前负荷、冷却器投入状态等外部因素,当环境温度较低,或者当前负荷情况较低时,现有的运行策略无法及时发现换流变压器温度异常,使得换流变压器带病运行,当负荷增大时,可能导致大负荷情况下直流闭锁。
发明内容
针对现有技术中的不足,本发明提供一种换流变压器温度异常判断方法及***,其将换流变压器历史运行数据作为基础,利用多种数据分析和机器学***稳运行。
为实现上述目的,本发明的技术方案如下:
一种换流变压器温度异常判断方法,其包括以下步骤:
步骤1:获取设定时间内的换流变压器的运行历史数据;
步骤2:根据运行历史数据,分别通过时间序列ARMAX算法、BP人工神经网络算法、KNN近邻算法训练等同数量组的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型;
步骤3:输入设定时间内的运行历史数据,获取时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型的温度计算值,将所述温度计算值分别与当前温度实测值比较获取误差;
步骤4:通过排序平均的集成学习方法将所述误差按绝对值大小进行排序,以误差中绝对值最小ε1的权值ω1为1,误差中绝对值最大ε0的权值ω0为0,其余子模型的权值ωi按照以下公式计算:
步骤5:根据子模型的权值ωi以及对应的子模型相乘后累加,获得综合温度模型;输入设定时间内的运行历史数据,获取温度综合计算值,将所述温度综合计算值与当前温度实测值比较获取综合误差,若所述综合误差超过设定综合误差,则发出报警。
进一步的,通过时间序列ARMAX算法获取时间序列ARMAX算法子模型的过程如下:
利用如下式的ARMAX算法,分别建立换流变压器的油温、网侧绕组温度、阀侧绕组温度的中间模型;
式中,p为自回归参数个数,q滑动平均参数个数,Xt为变压器温度计算值,xt-1为历史数据中的变压器温度值,at-j为随机白噪声序列,为自回归参数,θj为滑动平均参数,β为解释变量参数,zt为解释变量数据;
输入运行历史数据到中间模型获得自相关函数与偏自相关函数以及自相关函数与偏自相关函数的相关图;
根据自相关函数与偏自相关函数的相关图选出ARMAX算法的自回归参数个数p以及滑动平均参数个数q各两个,选取变压器阀侧绕组电流、网侧绕组电流作为解释变量数据zt;
利用运行历史数据来评价由两个p参数和q参数组成的四个模型,具体地,油温、网侧绕组温度、阀侧绕组温度的各四个模型,分别选取误差最小的一个中间模型作为换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型。
进一步的,通过BP人工神经网络算法获取BP人工神经网络算法子模型的过程如下:
BP人工对神经网络的拓扑结构包括输入层、隐藏层和输出层,其中,输入层设定的神经元包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流、历史油温、历史绕组温度、历史网侧温度、时间因素和季节因素,输出层设定的神经元包括换流变压器的油温、阀侧绕组温度、网侧绕组温度;隐藏层神经元个数由输入层与输出层的神经元总数综合来决定。
利用运行历史数据进行监督学习,分别获得换流变压器的油温、阀侧绕组温度、网侧绕组温度的BP人工神经网络算法子模型。
进一步的,通过KNN近邻算法获取KNN近邻算法子模型的过程如下:
KNN近邻算法的样本空间的参数包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流;
输入运行历史数据并作归一化处理后乘以权值作为训练样本,在样本空间寻找与输入新样本距离最相近的k个训练样本,对k个训练样本进行平均后得到该样本的预测值,该样本的预测值作为KNN近邻算法子模型,k为大于或等于0且小于20的正整数,所述距离为欧几里得距离,样本空间参数的权值通过训练样本训练获得,KNN近邻算法子模型包括换流变压器的油温、网侧绕组温度、阀侧绕组温度的KNN近邻算法子模型。
进一步的,所述设定综合误差为当前温度实测值±10%内;换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型各20个。
一种换流变压器温度异常判断***,其包括
历史数据采集单元,其用于获取设定时间内的换流变压器的运行历史数据;
第一处理单元,其用于根据运行历史数据通过时间序列ARMAX算法训练等同数量组的时间序列ARMAX算法子模型;
第二处理单元,其用于根据运行历史数据通过BP人工神经网络算法训练等同数量组的BP人工神经网络算法子模型;
第三处理单元,其用于根据KNN近邻算法训练等同数量组的KNN近邻算法子模型;
第四处理单元,其用于根据输入的设定时间内的运行历史数据,获取时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型的温度计算值,将所述温度计算值分别与当前温度实测值比较获取误差;通过排序平均的集成学习方法将所述误差按绝对值大小进行排序,以误差中绝对值最小ε1的权值ω1为1,误差中绝对值最大ε0的权值ω0为0,其余子模型的权值ωi按照以下公式计算:
根据子模型的权值ωi以及对应的子模型相乘后累加,获得综合温度模型;
评估计算单元,其用于根据设定时间内的运行历史数据,获取温度综合计算值,将所述温度综合计算值与当前温度实测值比较获取综合误差,
报警单元,其用于当评估计算单元中的综合误差超过设定综合误差时,发出报警信号。
进一步的,在第一处理单元中,通过时间序列ARMAX算法获取时间序列ARMAX算法子模型的过程如下:
利用如下式的ARMAX算法,分别建立换流变压器的油温、网侧绕组温度、阀侧绕组温度的中间模型;
式中,p为自回归参数个数,q滑动平均参数个数,Xt为变压器温度计算值,xt-1为历史数据中的变压器温度值,at-j为随机白噪声序列,为自回归参数,θj为滑动平均参数,β为解释变量参数,zt为解释变量数据;
输入运行历史数据到中间模型获得自相关函数与偏自相关函数以及自相关函数与偏自相关函数的相关图;
根据自相关函数与偏自相关函数的相关图选出ARMAX算法的自回归参数个数p以及滑动平均参数个数q各两个,选取变压器阀侧绕组电流、网侧绕组电流作为解释变量数据zt;
利用运行历史数据来评价由两个p参数和q参数组成的四个模型,具体地,油温、网侧绕组温度、阀侧绕组温度的各四个模型,分别选取误差最小的一个中间模型作为换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型。
进一步的,在第二处理单元中,通过BP人工神经网络算法获取BP人工神经网络算法子模型的过程如下:
BP人工对神经网络的拓扑结构包括输入层、隐藏层和输出层,其中,输入层设定的神经元包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流、历史油温、历史绕组温度、历史网侧温度、时间因素和季节因素,输出层设定的神经元包括换流变压器的油温、阀侧绕组温度、网侧绕组温度;隐藏层神经元个数由输入层与输出层的神经元总数综合来决定。
利用运行历史数据进行监督学习,分别获得换流变压器的油温、阀侧绕组温度、网侧绕组温度的BP人工神经网络算法子模型。
进一步的,在第三处理单元中,通过KNN近邻算法获取KNN近邻算法子模型的过程如下:
KNN近邻算法的样本空间的参数包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流;
输入运行历史数据并作归一化处理后乘以权值作为训练样本,在样本空间寻找与输入新样本距离最相近的k个训练样本,对k个训练样本进行平均后得到该样本的预测值,该样本的预测值作为KNN近邻算法子模型,k为大于或等于0且小于20的正整数,所述距离为欧几里得距离,样本空间参数的权值通过训练样本训练获得,KNN近邻算法子模型包括换流变压器的油温、网侧绕组温度、阀侧绕组温度的KNN近邻算法子模型。
进一步的,所述设定综合误差为当前温度实测值±10%内;换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型各20个。
本发明与现有技术相比,其有益效果在于:
1、选取三种算法混合分析:时间序列ARMAX算法可以重点分析时间对于温度变化的内有规律;BP人工神经网络可以重点分析各因素对于换流变温度的非线性回归规律;KNN近邻算法可以重点寻找历史相似工况。三种算法侧重点各有不同,互为补充,使得运算结果考虑更为全面。
2、为防止单一模型训练过拟合,对每个模型取不同训练数据训练子模型共60个,再采用排序平均的集成算法,既防止了过拟合问题,又可让拟合度更高的模型发挥更大作用。
3、现有换流变压器温度检测仅仅是定了告警温度和跳闸温度两个固定值,若在冬季小负载运行的情况下,该原有策略无法及时发现换流变压器发热异常。本发明结合机器学习、数据分析等算法,在判断时综合考虑了环境温度、网侧绕组电流、阀侧绕组电流、历史测量温度等因素,使得判断更加精准合理。
4、可以比原有策略更早发现换流变压器运行温度异常状态,及时通知运维人员。
5、有效防止换流变压器带病运行,以致大负荷运行时导致直流闭锁的风险。
附图说明
图1为换流变压器温度异常判断方法逻辑示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例:
参见图1,一种换流变压器温度异常判断方法,其包括以下步骤:
步骤1:获取设定时间内的换流变压器的运行历史数据;换流变温度一般每小时记录一次,对每一小时采集到的数据,本发明主要分析判断三个指标是否正常,油温,网侧绕组温度,阀侧绕组温度。
步骤2:根据运行历史数据,分别通过时间序列ARMAX算法、BP人工神经网络算法、KNN近邻算法训练等同数量组的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型;
其中,通过时间序列ARMAX算法获取时间序列ARMAX算法子模型的过程如下:
利用如下式的ARMAX算法,分别建立换流变压器的油温、网侧绕组温度、阀侧绕组温度的中间模型;
式中,p为自回归参数个数,q滑动平均参数个数,Xt为变压器温度计算值,xt-1为历史数据中的变压器温度值,at-j为随机白噪声序列,为自回归参数,θj为滑动平均参数,β为解释变量参数,zt为解释变量数据;
输入运行历史数据到中间模型获得自相关函数与偏自相关函数以及自相关函数与偏自相关函数的相关图;
根据自相关函数与偏自相关函数的相关图选出ARMAX算法的自回归参数个数p以及滑动平均参数个数q各两个,选取变压器阀侧绕组电流、网侧绕组电流作为解释变量数据zt;
利用运行历史数据来评价由两个p参数和q参数组成的四个模型,具体地,油温、网侧绕组温度、阀侧绕组温度的各四个模型,分别选取误差最小的一个中间模型作为换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型。
通过BP人工神经网络算法获取BP人工神经网络算法子模型的过程如下:
BP人工对神经网络的拓扑结构包括输入层、隐藏层和输出层,其中,输入层设定的神经元包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流、历史油温、历史绕组温度、历史网侧温度、时间因素和季节因素,输出层设定的神经元包括换流变压器的油温、阀侧绕组温度、网侧绕组温度;隐藏层神经元个数由输入层与输出层的神经元总数综合来决定。
利用运行历史数据进行监督学习,分别获得换流变压器的油温、阀侧绕组温度、网侧绕组温度的BP人工神经网络算法子模型。
通过KNN近邻算法获取KNN近邻算法子模型的过程如下:
KNN近邻算法的样本空间的参数包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流;
输入运行历史数据并作归一化处理后乘以权值作为训练样本,在样本空间寻找与输入新样本距离最相近的k个训练样本,对k个训练样本进行平均后得到该样本的预测值,该样本的预测值作为KNN近邻算法子模型,k为大于或等于0且小于20的正整数,所述距离为欧几里得距离,样本空间参数的权值通过训练样本训练获得,KNN近邻算法子模型包括换流变压器的油温、网侧绕组温度、阀侧绕组温度的KNN近邻算法子模型。
选取三种算法混合分析:时间序列ARMAX算法可以重点分析时间对于温度变化的内有规律;BP人工神经网络可以重点分析各因素对于换流变温度的非线性回归规律;KNN近邻算法可以重点寻找历史相似工况。三种算法侧重点各有不同,互为补充,使得运算结果考虑更为全面。
步骤3:输入设定时间内的运行历史数据,获取时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型的温度计算值,将所述温度计算值分别与当前温度实测值比较获取误差;
步骤4:通过排序平均的集成学习方法将所述误差按绝对值大小进行排序,以误差中绝对值最小ε1的权值ω1为1,误差中绝对值最大ε0的权值ω0为0,其余子模型的权值ωi按照以下公式计算:
步骤5:根据子模型的权值ωi以及对应的子模型相乘后累加,获得综合温度模型;输入设定时间内的运行历史数据,获取温度综合计算值,将所述温度综合计算值与当前温度实测值比较获取综合误差,若所述综合误差超过设定综合误差,则发出报警。所述设定综合误差为当前温度实测值±10%内;换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型各20个。
具体地,由时间序列ARMAX算法、BP人工神经网络、KNN近邻算法得到共60个子模型,使用排序平均的集成学***均的集成算法,既防止了过拟合问题,又可让拟合度更高的模型发挥更大作用。
选取最近一周的运行数据作为参考,用60个子模型分别运行得出温度计算值,与当前温度实测值进行对比计算误差。通过误差大小进行排序,设定误差最低的模型权值为1,误差最大的模型权值为0,其余模型的权值按照以下公式计算:
得到每一个模型的权值后,对所有模型取加权平均得到最终的综合温度模型。
数值比较:将所需参数输入模型中,计算出当前温度综合计算值,与运行温度实测值进行比较,若误差大于10%,则认为当前换流变压器进入了异常工作状态,发出报警,提醒运维人员加强观测分析原因,若发现故障则可及时进行处理。
同时本发明还提供一种换流变压器温度异常判断***,其包括第一处理单元到第四处理单元、评估计算单元和报警单元,其中,第一处理单元用于根据运行历史数据通过时间序列ARMAX算法训练等同数量组的时间序列ARMAX算法子模型;第二处理单元用于根据运行历史数据通过BP人工神经网络算法训练等同数量组的BP人工神经网络算法子模型;第三处理单元用于根据KNN近邻算法训练等同数量组的KNN近邻算法子模型;第四处理单元用于根据输入的设定时间内的运行历史数据,获取时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型的温度计算值,将所述温度计算值分别与当前温度实测值比较获取误差;通过排序平均的集成学习方法将所述误差按绝对值大小进行排序,以误差中绝对值最小ε1的权值ω1为1,误差中绝对值最大ε0的权值ω0为0,其余子模型的权值ωi按照以下公式计算:
根据子模型的权值ωi以及对应的子模型相乘后累加,获得综合温度模型;评估计算单元用于根据设定时间内的运行历史数据,获取温度综合计算值,将所述温度综合计算值与当前温度实测值比较获取综合误差,报警单元用于当评估计算单元中的综合误差超过设定综合误差时,发出报警信号。
进一步的,在第一处理单元中,通过时间序列ARMAX算法获取时间序列ARMAX算法子模型的过程如下:
利用如下式的ARMAX算法,分别建立换流变压器的油温、网侧绕组温度、阀侧绕组温度的中间模型;
式中,p为自回归参数个数,q滑动平均参数个数,Xt为变压器温度计算值,xt-1为历史数据中的变压器温度值,at-j为随机白噪声序列,为自回归参数,θj为滑动平均参数,β为解释变量参数,zt为解释变量数据;
输入运行历史数据到中间模型获得自相关函数与偏自相关函数以及自相关函数与偏自相关函数的相关图;
根据自相关函数与偏自相关函数的相关图选出ARMAX算法的自回归参数个数p以及滑动平均参数个数q各两个,选取变压器阀侧绕组电流、网侧绕组电流作为解释变量数据zt;
利用运行历史数据来评价由两个p参数和q参数组成的四个模型,具体地,油温、网侧绕组温度、阀侧绕组温度的各四个模型,分别选取误差最小的一个中间模型作为换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型。
进一步的,在第二处理单元中,通过BP人工神经网络算法获取BP人工神经网络算法子模型的过程如下:
BP人工对神经网络的拓扑结构包括输入层、隐藏层和输出层,其中,输入层设定的神经元包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流、历史油温、历史绕组温度、历史网侧温度、时间因素和季节因素,输出层设定的神经元包括换流变压器的油温、阀侧绕组温度、网侧绕组温度;隐藏层神经元个数由输入层与输出层的神经元总数综合来决定。
利用运行历史数据进行监督学习,分别获得换流变压器的油温、阀侧绕组温度、网侧绕组温度的BP人工神经网络算法子模型。
进一步的,在第三处理单元中,通过KNN近邻算法获取KNN近邻算法子模型的过程如下:
KNN近邻算法的样本空间的参数包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流;
输入运行历史数据并作归一化处理后乘以权值作为训练样本,在样本空间寻找与输入新样本距离最相近的k个训练样本,对k个训练样本进行平均后得到该样本的预测值,该样本的预测值作为KNN近邻算法子模型,k为大于或等于0且小于20的正整数,所述距离为欧几里得距离,样本空间参数的权值通过训练样本训练获得,KNN近邻算法子模型包括换流变压器的油温、网侧绕组温度、阀侧绕组温度的KNN近邻算法子模型。
进一步的,所述设定综合误差为当前温度实测值±10%内;换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型各20个。
本发明有益效果在于:现有换流变压器温度检测仅仅是定了告警温度和跳闸温度两个固定值,若在冬季小负载运行的情况下,该原有策略无法及时发现换流变压器发热异常。本发明结合机器学习、数据分析等算法,在判断时综合考虑了环境温度、网侧绕组电流、阀侧绕组电流、历史测量温度等因素,使得判断更加精准合理。可以比原有策略更早发现换流变压器运行温度异常状态,及时通知运维人员;有效防止换流变压器带病运行,以致大负荷运行时导致直流闭锁的风险。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种换流变压器温度异常判断方法,其特征在于,包括以下步骤:
步骤1:获取设定时间内的换流变压器的运行历史数据;
步骤2:根据运行历史数据,分别通过时间序列ARMAX算法、BP人工神经网络算法、KNN近邻算法训练等同数量组的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型;
步骤3:输入设定时间内的运行历史数据,获取时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型的温度计算值,将所述温度计算值分别与当前温度实测值比较获取误差;
步骤4:通过排序平均的集成学习方法将所述误差按绝对值大小进行排序,以误差中绝对值最小ε1的权值ω1为1,误差中绝对值最大ε0的权值ω0为0,其余子模型的权值ωi按照以下公式计算:
步骤5:根据子模型的权值ωi以及对应的子模型相乘后累加,获得综合温度模型;输入设定时间内的运行历史数据,获取温度综合计算值,将所述温度综合计算值与当前温度实测值比较获取综合误差,若所述综合误差超过设定综合误差,则发出报警。
2.根据权利要求1所述的换流变压器温度异常判断方法,其特征在于,通过时间序列ARMAX算法获取时间序列ARMAX算法子模型的过程如下:
利用如下式的ARMAX算法,分别建立换流变压器的油温、网侧绕组温度、阀侧绕组温度的中间模型;
式中,p为自回归参数个数,q滑动平均参数个数,Xt为变压器温度计算值,xt-1为历史数据中的变压器温度值,at-j为随机白噪声序列,为自回归参数,θj为滑动平均参数,β为解释变量参数,zt为解释变量数据;
输入运行历史数据到中间模型获得自相关函数与偏自相关函数以及自相关函数与偏自相关函数的相关图;
根据自相关函数与偏自相关函数的相关图选出ARMAX算法的自回归参数个数p以及滑动平均参数个数q各两个,选取变压器阀侧绕组电流、网侧绕组电流作为解释变量数据zt;
利用运行历史数据来评价由两个p参数和q参数组成的四个模型,具体地,油温、网侧绕组温度、阀侧绕组温度的各四个模型,分别选取误差最小的一个中间模型作为换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型。
3.根据权利要求1所述的换流变压器温度异常判断方法,其特征在于,通过BP人工神经网络算法获取BP人工神经网络算法子模型的过程如下:
BP人工对神经网络的拓扑结构包括输入层、隐藏层和输出层,其中,输入层设定的神经元包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流、历史油温、历史绕组温度、历史网侧温度、时间因素和季节因素,输出层设定的神经元包括换流变压器的油温、阀侧绕组温度、网侧绕组温度;隐藏层神经元个数由输入层与输出层的神经元总数综合来决定;
利用运行历史数据进行监督学习,分别获得换流变压器的油温、阀侧绕组温度、网侧绕组温度的BP人工神经网络算法子模型。
4.根据权利要求1所述的换流变压器温度异常判断方法,其特征在于,通过KNN近邻算法获取KNN近邻算法子模型的过程如下:
KNN近邻算法的样本空间的参数包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流;
输入运行历史数据并作归一化处理后乘以权值作为训练样本,在样本空间寻找与输入新样本距离最相近的k个训练样本,对k个训练样本进行平均后得到该样本的预测值,该样本的预测值作为KNN近邻算法子模型,k为大于或等于0且小于20的正整数,所述距离为欧几里得距离,样本空间的参数的权值通过训练样本训练获得,KNN近邻算法子模型包括换流变压器的油温、网侧绕组温度、阀侧绕组温度的KNN近邻算法子模型。
5.根据权利要求1-4任一所述的换流变压器温度异常判断方法,其特征在于,所述设定综合误差为当前温度实测值±10%内;换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型各20个。
6.一种换流变压器温度异常判断***,其特征在于,包括
历史数据采集单元,其用于获取设定时间内的换流变压器的运行历史数据;
第一处理单元,其用于根据运行历史数据通过时间序列ARMAX算法训练等同数量组的时间序列ARMAX算法子模型;
第二处理单元,其用于根据运行历史数据通过BP人工神经网络算法训练等同数量组的BP人工神经网络算法子模型;
第三处理单元,其用于根据KNN近邻算法训练等同数量组的KNN近邻算法子模型;
第四处理单元,其用于根据输入的设定时间内的运行历史数据,获取时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型的温度计算值,将所述温度计算值分别与当前温度实测值比较获取误差;通过排序平均的集成学习方法将所述误差按绝对值大小进行排序,以误差中绝对值最小ε1的权值ω1为1,误差中绝对值最大ε0的权值ω0为0,其余子模型的权值ωi按照以下公式计算:
根据子模型的权值ωi以及对应的子模型相乘后累加,获得综合温度模型;
评估计算单元,其用于根据设定时间内的运行历史数据,获取温度综合计算值,将所述温度综合计算值与当前温度实测值比较获取综合误差,
报警单元,其用于当评估计算单元中的综合误差超过设定综合误差时,发出报警信号。
7.根据权利要求6所述的换流变压器温度异常判断***,其特征在于,在第一处理单元中,通过时间序列ARMAX算法获取时间序列ARMAX算法子模型的过程如下:
利用如下式的ARMAX算法,分别建立换流变压器的油温、网侧绕组温度、阀侧绕组温度的中间模型;
式中,p为自回归参数个数,q滑动平均参数个数,Xt为变压器温度计算值,xt-1为历史数据中的变压器温度值,at-j为随机白噪声序列,为自回归参数,θj为滑动平均参数,β为解释变量参数,zt为解释变量数据;
输入运行历史数据到中间模型获得自相关函数与偏自相关函数以及自相关函数与偏自相关函数的相关图;
根据自相关函数与偏自相关函数的相关图选出ARMAX算法的自回归参数个数p以及滑动平均参数个数q各两个,选取变压器阀侧绕组电流、网侧绕组电流作为解释变量数据zt;
利用运行历史数据来评价由两个p参数和q参数组成的四个模型,具体地,油温、网侧绕组温度、阀侧绕组温度的各四个模型,分别选取误差最小的一个中间模型作为换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型。
8.根据权利要求6所述的换流变压器温度异常判断***,其特征在于,在第二处理单元中,通过BP人工神经网络算法获取BP人工神经网络算法子模型的过程如下:
BP人工对神经网络的拓扑结构包括输入层、隐藏层和输出层,其中,输入层设定的神经元包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流、历史油温、历史绕组温度、历史网侧温度、时间因素和季节因素,输出层设定的神经元包括换流变压器的油温、阀侧绕组温度、网侧绕组温度;隐藏层神经元个数由输入层与输出层的神经元总数综合来决定;
利用运行历史数据进行监督学习,分别获得换流变压器的油温、阀侧绕组温度、网侧绕组温度的BP人工神经网络算法子模型。
9.根据权利要求6所述的换流变压器温度异常判断***,其特征在于,在第三处理单元中,通过KNN近邻算法获取KNN近邻算法子模型的过程如下:
KNN近邻算法的样本空间的参数包括当前环境温度、当前阀侧绕组电流、当前网侧绕组电流、历史环境温度、历史阀侧绕组电流、历史网侧绕组电流;
输入运行历史数据并作归一化处理后乘以权值作为训练样本,在样本空间寻找与输入新样本距离最相近的k个训练样本,对k个训练样本进行平均后得到该样本的预测值,该样本的预测值作为KNN近邻算法子模型,k为大于或等于0且小于20的正整数,所述距离为欧几里得距离,样本空间参数的权值通过训练样本训练获得,KNN近邻算法子模型包括换流变压器的油温、网侧绕组温度、阀侧绕组温度的KNN近邻算法子模型。
10.根据权利要求6-9任一所述的换流变压器温度异常判断***,其特征在于,所述设定综合误差为当前温度实测值±10%内;换流变压器的油温、网侧绕组温度、阀侧绕组温度的时间序列ARMAX算法子模型、BP人工神经网络算法子模型和KNN近邻算法子模型各20个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518410.0A CN111797365B (zh) | 2020-06-09 | 2020-06-09 | 一种换流变压器温度异常判断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518410.0A CN111797365B (zh) | 2020-06-09 | 2020-06-09 | 一种换流变压器温度异常判断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797365A CN111797365A (zh) | 2020-10-20 |
CN111797365B true CN111797365B (zh) | 2022-11-25 |
Family
ID=72804793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518410.0A Active CN111797365B (zh) | 2020-06-09 | 2020-06-09 | 一种换流变压器温度异常判断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797365B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128111A (zh) * | 2021-04-12 | 2021-07-16 | 中国南方电网有限责任公司超高压输电公司昆明局 | 特高压电路中运行参数的诊断方法及诊断装置 |
CN113758652B (zh) * | 2021-09-03 | 2023-05-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流变压器漏油检测方法、装置、计算机设备和存储介质 |
CN113961023B (zh) * | 2021-10-25 | 2022-06-21 | 福建省力得自动化设备有限公司 | 基于干式变压器的温度控制*** |
CN116108760B (zh) * | 2023-04-12 | 2023-06-27 | 广东电网有限责任公司佛山供电局 | 一种主变热特性监测方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
US10613232B1 (en) * | 2019-03-27 | 2020-04-07 | Beihang University | Ground-based augmentation system capable of predicting tropospheric refractive index with high precision |
-
2020
- 2020-06-09 CN CN202010518410.0A patent/CN111797365B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
US10613232B1 (en) * | 2019-03-27 | 2020-04-07 | Beihang University | Ground-based augmentation system capable of predicting tropospheric refractive index with high precision |
Non-Patent Citations (1)
Title |
---|
海战场多传感器目标识别中神经网络的应用研究;刘楠楠等;《中国电子科学研究院学报》;20200520(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111797365A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797365B (zh) | 一种换流变压器温度异常判断方法及*** | |
CN108551167B (zh) | 一种基于XGBoost算法的电力***暂态稳定判别方法 | |
CN108681633B (zh) | 一种基于状态参数的凝结水泵故障预警方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
CN105760617A (zh) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 | |
CN107728059B (zh) | 一种变桨***状态评估方法 | |
CN110580387B (zh) | 基于熵权法的直流保护***混合威布尔可靠性评价方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN114252103B (zh) | 融合电站运行故障预测方法 | |
CN112990627B (zh) | 电能质量评估方法 | |
CN107238508A (zh) | 一种设备状态诊断方法及装置 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、***和设备 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
CN115616470A (zh) | 电流互感器计量误差状态预测方法、***、设备及介质 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN112084661B (zh) | 一种风电机组变流器水冷***冷却状态评估预警方法 | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
CN113469409A (zh) | 一种基于高斯过程的电能量计量装置状态预测方法及装置 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN104598969A (zh) | 一种基于神经网络的高压电器运行质量评估方法及*** | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 |
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 |