CN115935135A - 一种特高压换流变压器顶层油温预测方法及存储介质 - Google Patents
一种特高压换流变压器顶层油温预测方法及存储介质 Download PDFInfo
- Publication number
- CN115935135A CN115935135A CN202211525552.5A CN202211525552A CN115935135A CN 115935135 A CN115935135 A CN 115935135A CN 202211525552 A CN202211525552 A CN 202211525552A CN 115935135 A CN115935135 A CN 115935135A
- Authority
- CN
- China
- Prior art keywords
- historical data
- oil temperature
- model
- arima
- moving average
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种特高压换流变压器顶层油温预测方法及存储介质,属于变压器检修领域。所述方法包括:获取特高压换流变压器顶层油温的历史数据;对所述历史数据进行单位根检验以使得所述历史数据平稳,并得到差分参数的值;对平稳后的所述历史数据进行处理,以得到关于所述历史数据的回归参数和移动平均参数;根据得到的所述回归参数和移动平均参数建立ARIMA预测模型;通过所述历史数据和ARIMA预测模型得到ARIMA模型的拟合残差;通过所述ARIMA模型拟合残差构建Attention‑BiGRU‑GRU网络模型;将所述ARIMA预测模型加上所述Attention‑BiGRU‑GRU网络模型以得到油温预测模型;将已采集的所述历史数据带入所述油温预测模型以得到未来油温的预测数据。该方法可以精确的预测油温的变化。
Description
技术领域
本发明涉及变压器检修领域,具体地涉及一种特高压换流变压器顶层油温预测方法及存储介质。
背景技术
在经济快速增长,人民生活水平不断提高的情况下,我国电力生产与消耗的地域性不均衡日渐凸显,因此,我国投运了一系列±800kV、±1100kV特高压直流输电工程。
换流变压器是特高压直流输电工程中至关重要的关键设备,其稳定运行对于整个输电***的安全可靠具有重要意义。如果换流变压器出现故障,将会引起换流阀闭锁,电网局部甚至大面积停电,对社会造成不可估量的经济损失。绝缘结构良好是变压器正常运行的根本保障之一,由于特高压换流变压器具有压器容量大、耐受电压水平高、内部电场分布复杂等特点,防止其绝缘结构加速老化尤为重要。油温的变化对变压器绝缘结构老化速度有着明显的影响,故进行换流变压器顶层油温预测工作对其绝缘性能评估及故障预警具有重要的指导作用。
发明内容
本发明实施例的目的是提供一种特高压换流变压器顶层油温预测方法及存储介质,该方法可以精确的预测油温的变化。
为了实现上述目的,一方面,本发明实施例提供一种特高压换流变压器顶层油温预测方法,所述方法包括:
获取特高压换流变压器顶层油温的历史数据;
对所述历史数据进行单位根检验以使得所述历史数据平稳,并得到差分参数的值;
对平稳后的所述历史数据进行处理,以得到关于所述历史数据的回归参数和移动平均参数;
根据得到的所述回归参数和移动平均参数建立ARIMA预测模型;
通过所述历史数据和ARIMA预测模型得到ARIMA模型的拟合残差;
通过所述ARIMA模型拟合残差构建Attention-BiGRU-GRU网络模型;
将所述ARIMA预测模型加上所述Attention-BiGRU-GRU网络模型以得到油温预测模型;
将已采集的所述历史数据带入所述油温预测模型以得到未来油温的预测数据。
可选的,获取特高压换流变压器顶层油温的历史数据包括:
获取初始的所述历史数据;
检查初始的所述历史数据是否存在缺失值;
当所述初始的所述历史数据存在缺失值的情况下,补齐初始的所述历史数据。
可选的,对所述历史数据进行单位根检验以使得所述历史数据平稳,并得到差分参数的值包括:
获取所述历史数据;
对所述历史数据进行单位根检验,并对得到的显著性检验统计量进行判断;
判断所述显著性检验统计量是否大于预设阈值;
在判断所述显著性检验统计量大于所述预设阈值时,对所述历史数据进行差分,并重新返回对所述历史数据进行单位根检验,并对得到的显著新检验统计量进行判断的步骤,直至所述显著性检验统计量小于预设阈值;
当所述显著性检验统计量小于于所述预设阈值时,获取差分的次数;
获取差分后的平稳的所述历史数据。
可选的,所述方法包括:
获取平稳的所述历史数据;
对平稳的所述历史数据进行随机性检验,以判断所述历史的历史数据是否是白噪声数据;
将所述白噪声数据去除,以避免所述历史数据无意义。
可选的,对平稳后的所述历史数据进行处理,以得到关于所述历史数据的回归参数和移动平均参数包括:
获取平稳的所述历史数据;
绘制关于所述历史数据的自相关图和偏自相关图;
根据所述自相关图和偏自相关图获取关于所述历史数据的初始的所述回归参数和移动平均参数;
将初始的所述回归参数和移动平均参数带入到公式(1)和公式(2)中:
AIC=-2ln(L)+2k,公式(1)
BLC=-2ln(L)+kln(n),公式(2)
其中,AIC表示赤池信息准则,BLC表示贝叶斯信息准则,L表示似然函数,k表示参数的数量,n表示样本数量;
获取使所述赤池信息准则和所述贝叶斯信息准则值最小的所述回归参数和移动平均参数,为最终的回归参数和移动平均参数。
可选的,根据得到的所述回归参数和移动平均参数建立ARIMA预测模型包括:
获取所述回归参数和移动平均参数;
根据公式(3)建立所述ARIMA预测模型:
其中,yt和yt-1分别为历史数据的当前时刻值和过去时刻值,et和et-i分别为当前时刻误差和过去时刻误差,ai和bi分别为自回归模型和移动平均模型的系数,p为回归参数,q为移动平均参数。
可选的,通过所述历史数据和ARIMA预测模型得到ARIMA模型的拟合残差包括:
获取所述历史数据;
将所述历史数据中的时间序列带入所述ARIMA预测模型中,以得到预测结果;
将所述历史数据减去所述预测结果以得到拟合残差。
可选的,通过所述ARIMA模型拟合残差构建Attention-BiGRU-GRU网络模型包括:
获取所述拟合残差;
构建初始的所述Attention-BiGRU-GRU网络模型;
将所述拟合残差带入初始的所述Attention-BiGRU-GRU网络模型以训练所述Attention-BiGRU-GRU网络模型;
训练好的所述Attention-BiGRU-GRU网络模型根据公式(4)得到所述拟合残差的预测函数:
其中,ht为GRU单元第t个时间步的输出特征向量,W为GRU单元中的权重,α为随机权重矩阵,softmax为归一化函数,γ为注意力层的预测数值。
可选的,将已采集的所述历史数据带入所述油温预测模型以得到未来油温的预测数据,其特征在于,
将已采集的所述历史数据带入所述ARIMA预测模型中,以得到预测结果;
将已采集的所述历史数据带入所述Attention-BiGRU-GRU网络模型中以得到预测数值;
将所述预测结果加上预测数值以得到所述预测数据。
另一方面,本发明还提供一种存储介质,所述存储介质包含有指令,所述指令用于执行如上述所述的特高压换流变压器顶层油温预测方法。
通过上述技术方案,本发明提供的一种特高压换流变压器顶层油温预测方法及存储介质通过获取特高压换流变压器顶层油温的历史数据,然后对平稳的历史数据进行处理,以得到关于该历史数据的差分参数、回归参数和移动平均参数,根据该得到的差分参数、回归参数和移动平均参数建立ARIMA预测模型,通过该ARIMA预测模型得到ARIMA模型的拟合残差,然后通过该ARIMA模型的拟合残差构建Attention-BiGRU-GRU网络模型,将已采集的历史数据带入到该ARIMA预测模型和Attention-BiGRU-GRU网络模型中,从而可以得到未来油温的预测数据。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的流程图;
图2是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的获取历史数据的流程图;
图3是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的平稳历史数据的流程图;
图4是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的去除白噪声的流程图;
图5是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的获取回归参数和移动平均参数的流程图;
图6是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的建立ARIMA预测模型的流程图;
图7是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的获取ARIMA模型的拟合残差的流程图;
图8是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的构建Attention-BiGRU-GRU网络模型的流程图;
图9是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的获取未来油温的流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
图1是根据本发明的一个实施方式的一种特高压换流变压器顶层油温预测方法的流程图。在本发明中,对特高压换流变压器顶层油温的预测流程可以包括:
在步骤S1中,获取特高压换流变压器顶层油温的历史数据。
在步骤S2中,对历史数据进行单位根检验以使得历史数据平稳,并得到差分参数的值。
在步骤S3中,对平稳后的历史数据进行处理,以得到关于历史数据的回归参数和移动平均参数。
在步骤S4中,根据得到的回归参数和移动平均参数建立ARIMA预测模型。
在步骤S5中,通过历史数据和ARIMA预测模型得到ARIMA模型的拟合残差。
在步骤S6中,通过ARIMA模型拟合残差构建Attention-BiGRU-GRU网络模型。
在步骤S7中,将ARIMA预测模型加上Attention-BiGRU-GRU网络模型以得到油温预测模型。
在步骤S8中,将已采集的历史数据带入油温预测模型以得到未来油温的预测数据。
在本发明中,本发明提出的预测模型可以分为两个模块,第一个模块可以是线性预测部分,第二个模块可以是非线性预测部分,将该线性预测部分加上非线性预测部分可以得到换流变压器顶层油温的预测值。在建立线性预测部分和非线性预测部分时,需要首先获取该特高压换流变压器顶层油温的历史数据,因为该历史数据可能会因为环境因素或者因为变压器的故障而导致该历史数据不平稳,因此可以对该历史数据进行单位根检验并差分得到平稳的历史数据,并且可以得到差分参数的值。在该历史数据平稳后,可以对该历史数据进行处理,以得到关于该历史数据的回归参数和移动平均参数,然后可以通过该差分参数、回归参数和移动平均参数建立ARIMA预测模型。通过该ARIMA预测模型可以得到预测该油温的线性部分值,但是因为油温总会受到外部因素的影响,则该油温的真实数据和ARIMA预测模型得到的预测值不会全部相同,即该历史数据和ARIMA预测模型的预测值不相同。因此可以通过该历史数据和ARIMA预测模型的预测值的差值得到该ARIMA模型的拟合残差,然后可以通过ARIMA模型的拟合残差构建该Attention-BiGRU-GRU网络模型,该Attention-BiGRU-GRU网络模型模型可以是针对该非线性预测部分的,然后将ARIMA预测模型加上Attention-BiGRU-GRU网络模型可以得到该油温预测模型,该油温预测模型可以充分考虑油温预测的线性部分和非线性部分,从而可以通过该油温预测模型预测未来的油温,将已采集的历史数据带入到该油温预测模型中可以得到更加精确的未来油温的预测数据。
在本发明的一个实施方式中,如图2所示,获取历史数据的流程可以包括:
在步骤S9中,获取初始的历史数据。
在步骤S10中,检查初始的历史数据是否存在缺失值。
在步骤S11中,当初始的历史数据存在确实值的情况下,补齐初始的历史数据。
在本发明中,可能会因为记录初始的历史数据的丢失而造成历史数据的不准确,因此在进行后续的步骤时,需要确定历史数据的完整。因此,可以获取初始的历史数据,然后检查初始的历史数据是否存在缺失值,当存在缺失的值时,说明该历史数据不完整,则需要补齐该初始的历史数据,从而得到完整的历史数据。
在本发明的一个实施方式中,如图3所示,平稳历史数据的流程可以包括:
在步骤S12中,获取历史数据。
在步骤S13中,对历史数据进行单位根检验,并对得到的显著性检验统计量进行判断。
在步骤S14中,判断显著性检验统计量是否大于预设阈值。
在步骤S15中,在判断显著性检验统计量大于预设阈值时,对历史数据进行差分,并重新返回对历史数据进行单位根检验,并对得到的显著性检验统计量进行判断的步骤,直至显著性检验统计量小于预设阈值。
在步骤S16中,当显著性检验统计量小于于预设阈值时,获取差分的次数。
在步骤S17中,获取差分后的平稳的历史数据。
在本发明中,如果历史数据不平稳,可能会影响后续的数据的准确性,因此需要平稳历史数据。在获取历史数据后,可以对该历史数据进行单位根检验,并且可以对得到的显著性检验统计量进行判断,判断该显著性检验统计量是否小于阈值。该显著性检验统计量大于预设阈值,则说明该历史数据不平稳,可以对该历史数据进行差分操作,并且可以重新返回步骤S13中,直到该显著性检验统计量小于预测值,即说明该历史数据平稳,然后可以获取差分的次数和平稳的历史数据,以便于后续的操作。
在本发明的一个实施方式中,如图4所示,去除白噪声的流程可以包括:
在步骤S18中,获取平稳的历史数据。
在步骤S19中,对平稳的历史数据进行随机性检验,以判断历史的历史数据是否是白噪声数据。
在步骤S20中,将白噪声数据去除,以避免历史数据无意义。
在本发明中,白噪声是无意义的数据,如果带入到后续的操作中,则会影响数据的准确性。因此可以将白噪声去除,此时可以获取平稳的历史数据,然后对该平稳的历史数据进行随机性检验,以判断该历史数据是否是白噪声数据,如果该历史数据是白噪声数据,可以将其去除,避免该历史数据无意义。
在本发明的一个实施方式中,如图5所示,获取回归参数和移动平均参数的流程可以包括:
在步骤S21中,获取平稳的历史数据。
在步骤S22中,绘制关于历史数据的自相关图和偏自相关图。
在步骤S23中,根据自相关图和偏自相关图获取关于历史数据的初始的回归参数和移动平均参数。
在步骤S24中,将初始的回归参数和移动平均参数带入到公式(1)和公式(2)中。
AIC=-2ln(L)+2k,公式(1)
BLC=-2ln(L)+kln(n),公式(2)
其中,AIC表示赤池信息准则,BLC表示贝叶斯信息准则,L表示似然函数,k表示参数的数量,n表示样本数量。
在步骤S25中,获取使赤池信息准则和贝叶斯信息准则值最小的回归参数和移动平均参数,为最终的回归参数和移动平均参数。
在本发明中,在构建ARIMA预测模型时,需要获取关于历史数据的差分参数、回归参数和移动平均参数。在获取回归参数和移动平均参数时,可以获取平稳的历史数据,然后绘制关于该历史数据的自相关图和偏自相关图。通过该自相关图和偏自相关图可以得到关于该历史数据的初始的归回参数和移动平均参数,因为该初始的回归参数和移动平均参数的数量众多,因此需要选取最佳的一组回归参数和移动平均参数。将所有初始的回归参数和移动平均参数带入到公式(1)和公式(2)中,以得到关于该回归参数和移动平均参数的赤池信息准则和贝叶斯信息准则,然后通过获取该赤池信息准则和贝叶斯信息准则的最小值,从而可以获取与该最小值对应的回归参数和移动平均参数。该回归参数和移动平均参数可以作为后续的参数带入操作。
在本发明的一个实施方式中,如图6所示,建立该ARIMA预测模型的流程可以包括:
在步骤S26中,获取回归参数和移动平均参数。
在步骤S27中,根据公式(3)建立ARIMA预测模型:
其中,yt和yt-1分别为历史数据的当前时刻值和过去时刻值,et和et-i分别为当前时刻误差和过去时刻误差,ai和bi分别为自回归模型和移动平均模型的系数,p为回归参数,q为移动平均参数。
在本发明中,在得到差分参数、回归参数和移动平均参数后可以建立ARIMA预测模型。该模型可以对油温的进行线性预测,从而可以预知油温的大致走向。可以根据该公式(3)建立ARIMA预测模型,从而线性预测油温的变化。
在本发明的一个实施方式中,如图7所示,获取ARIMA模型的拟合残差的流程可以包括:
在步骤S28中,获取历史数据。
在步骤S29中,将历史数据中的时间序列带入ARIMA预测模型中,以得到预测结果。
在步骤S30中,将历史数据减去预测结果以得到拟合残差。
在本发明中,在得到该ARIMA预测模型后,该ARIMA预测模型只能预测油温的线性部分,该油温的非线性部分需要单独的预测。因此,在获取到历史数据后,可以将该历史数据中的时间序列带入到ARIMA预测模型中,从而可以得到关于油温的线性的预测结果。该预测结果与历史数据具有一定的差异,将该历史数据减去该预测结果可以得到拟合残差,根据该拟合残差可以对油温的非线性部分进行预测。
在本发明的一个实施方式中,如图8所示,构建Attention-BiGRU-GRU网络模型的流程可以包括:
在步骤S31中,获取拟合残差。
在步骤S32中,构建初始的Attention-BiGRU-GRU网络模型。
在步骤S33中,将拟合残差带入初始的Attention-BiGRU-GRU网络模型以训练Attention-BiGRU-GRU网络模型。
在步骤S34中,训练好的Attention-BiGRU-GRU网络模型根据公式(4)得到拟合残差的预测函数:
其中,ht为GRU单元第t个时间步的输出特征向量,W为GRU单元中的权重,α为随机权重矩阵,softmax为归一化函数,γ为注意力层的预测数值。
在本发明中,在得到拟合残差后,可以构建初始的Attention-BiGRU-GRU网络模型,然后将该拟合残差带入到该初始的Attention-BiGRU-GRU网络模型中从而可以训练该初始的Attention-BiGRU-GRU网络模型,该初始的Attention-BiGRU-GRU网络模型经过训练后可以建立关于油温的非线性部分的模型,然后通过公式(4)可以得到该拟合残差的预测函数。将历史数据带入到该拟合残差的预测函数中可以得到关于油温的非线性部分的预测值。
在本发明的一个实施方式中,如图9所示,该获取未来有温度的预测数据的流程图可以包括:
在步骤S35中,将已采集的历史数据带入ARIMA预测模型中,以得到预测结果。
在步骤S36中,将已采集的历史数据带入Attention-BiGRU-GRU网络模型中以得到预测数值。
在步骤S37中,将预测结果加上预测数值以得到预测数据。
在本发明中,在得到油温预测模型后,可以将已采集的历史数据带入到油温预测模型中的ARIMA预测模型中,从而可以得到该预测结果,该预测结果是关于该油温的线性部分的预测值。然后可以将已采集的历史数据带入到油温预测模型中的Attention-BiGRU-GRU网络模型中以得到预测数值,该预测数值是关于该油温的非线性部分的预测值。将预测结果加上预测数值可以得到预设数据,该预测数据均考虑到油温的线性部分和非线性部分,因此可以准确的预测未来油温的预测数据。
另一方面,本发明还提供一种存储介质,存储介质可以包含有指令,指令可以用于执行如上述所述的特高压换流变压器顶层油温预测方法。
通过上述技术方案,本发明提供的一种特高压换流变压器顶层油温预测方法及存储介质通过获取特高压换流变压器顶层油温的历史数据,然后对平稳的历史数据进行处理,以得到关于该历史数据的差分参数、回归参数和移动平均参数,根据该得到的差分参数、回归参数和移动平均参数建立ARIMA预测模型,通过该ARIMA预测模型得到ARIMA模型的拟合残差,然后通过该ARIMA模型的拟合残差构建Attention-BiGRU-GRU网络模型,将已采集的历史数据带入到该ARIMA预测模型和Attention-BiGRU-GRU网络模型中,从而可以得到未来油温的预测数据。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种特高压换流变压器顶层油温预测方法,其特征在于,所述方法包括:
获取特高压换流变压器顶层油温的历史数据;
对所述历史数据进行单位根检验以使得所述历史数据平稳,并得到差分参数的值;
对平稳后的所述历史数据进行处理,以得到关于所述历史数据的回归参数和移动平均参数;
根据得到的所述差分参数、回归参数和移动平均参数建立ARIMA预测模型;
通过所述历史数据和ARIMA预测模型得到ARIMA模型的拟合残差;
通过所述ARIMA模型拟合残差构建Attention-BiGRU-GRU网络模型;
将所述ARIMA预测模型加上所述Attention-BiGRU-GRU网络模型以得到油温预测模型;
将已采集的所述历史数据带入所述油温预测模型以得到未来油温的预测数据。
2.根据权利要求1所述的方法,其特征在于,获取特高压换流变压器顶层油温的历史数据包括:
获取初始的所述历史数据;
检查初始的所述历史数据是否存在缺失值;
当初始的所述历史数据存在缺失值的情况下,补齐初始的所述历史数据。
3.根据权利要求1所述的方法,其特征在于,对所述历史数据进行单位根检验以使得所述历史数据平稳,并得到差分参数的值包括:
获取所述历史数据;
对所述历史数据进行单位根检验,并对得到的显著性检验统计量进行判断;
判断所述显著性检验统计量是否大于预设阈值;
在判断所述显著性检验统计量大于所述预设阈值时,对所述历史数据进行差分,并重新返回对所述历史数据进行单位根检验,并对得到的显著新检验统计量进行判断的步骤,直至所述显著性检验统计量小于预设阈值;
当所述显著性检验统计量小于于所述预设阈值时,获取差分的次数;
获取差分后的平稳的所述历史数据。
4.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取平稳的所述历史数据;
对平稳的所述历史数据进行随机性检验,以判断所述历史的历史数据是否是白噪声数据;
将所述白噪声数据去除,以避免所述历史数据无意义。
5.根据权利要求3所述的方法,其特征在于,对平稳后的所述历史数据进行处理,以得到关于所述历史数据的回归参数和移动平均参数包括:
获取平稳的所述历史数据;
绘制关于所述历史数据的自相关图和偏自相关图;
根据所述自相关图和偏自相关图获取关于所述历史数据的初始的所述回归参数和移动平均参数;
将初始的所述回归参数和移动平均参数带入到公式(1)和公式(2)中:
AIC=-2ln(L)+2k,公式(1)
BLC=-2ln(L)+kln(n),公式(2)
其中,AIC表示赤池信息准则,BLC表示贝叶斯信息准则,L表示似然函数,k表示参数的数量,n表示样本数量;
获取使所述赤池信息准则和所述贝叶斯信息准则值最小的所述回归参数和移动平均参数,为最终的回归参数和移动平均参数。
7.根据权利要求6所述的方法,其特征在于,通过所述历史数据和ARIMA预测模型得到ARIMA模型的拟合残差包括:
获取所述历史数据;
将所述历史数据中的时间序列带入所述ARIMA预测模型中,以得到预测结果;
将所述历史数据减去所述预测结果以得到拟合残差。
9.根据权利要求8所述的方法,其特征在于,将已采集的所述历史数据带入所述油温预测模型以得到未来油温的预测数据,其特征在于,
将已采集的所述历史数据带入所述ARIMA预测模型中,以得到预测结果;
将已采集的所述历史数据带入所述Attention-BiGRU-GRU网络模型中以得到预测数值;
将所述预测结果加上预测数值以得到所述预测数据。
10.一种存储介质,其特征在于,所述存储介质包含有指令,所述指令用于执行如权利要求1-9任一项所述的特高压换流变压器顶层油温预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211525552.5A CN115935135A (zh) | 2022-11-30 | 2022-11-30 | 一种特高压换流变压器顶层油温预测方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211525552.5A CN115935135A (zh) | 2022-11-30 | 2022-11-30 | 一种特高压换流变压器顶层油温预测方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115935135A true CN115935135A (zh) | 2023-04-07 |
Family
ID=86650130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211525552.5A Pending CN115935135A (zh) | 2022-11-30 | 2022-11-30 | 一种特高压换流变压器顶层油温预测方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935135A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116448263A (zh) * | 2023-06-16 | 2023-07-18 | 山东德圣源新材料有限公司 | 一种勃姆石生产设备运行状态检测方法 |
-
2022
- 2022-11-30 CN CN202211525552.5A patent/CN115935135A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116448263A (zh) * | 2023-06-16 | 2023-07-18 | 山东德圣源新材料有限公司 | 一种勃姆石生产设备运行状态检测方法 |
CN116448263B (zh) * | 2023-06-16 | 2023-09-05 | 山东德圣源新材料有限公司 | 一种勃姆石生产设备运行状态检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | State evaluation of power transformer based on digital twin | |
KR20090001148A (ko) | 가상 계측 시스템 및 가상 계측 방법 | |
CN115935135A (zh) | 一种特高压换流变压器顶层油温预测方法及存储介质 | |
CN113537415A (zh) | 基于多信息融合的换流站巡检方法、装置和计算机设备 | |
CN117828512B (zh) | 一种用于油浸式变压器的运行风险快速评估预测方法 | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN112415437A (zh) | 基于多元线性回归模型的高压开关柜电缆触头故障检测方法 | |
CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
CN116029699A (zh) | 一种基于数据孪生的电力信息***及运维方法 | |
CN113203918B (zh) | 一种基于老化因子和非等间距gm(1,1)模型的电力电缆剩余寿命预测方法 | |
CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN116466067A (zh) | 一种基于灰色理论的复合绝缘子硅橡胶材料剩余寿命预警方法 | |
CN116956187A (zh) | 用于电源模块的故障预测方法、装置、存储介质及处理器 | |
CN116796285A (zh) | 基于多源信息融合的动力电池热失控超前预警方法及*** | |
CN116071036A (zh) | 一种变压器温度状态评价方法、设备和介质 | |
CN114510469A (zh) | 电力***不良数据辨识方法、装置、设备及介质 | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
Chang et al. | Kalman filter based on SVM innovation update for predicting state-of health of VRLA batteries | |
Baraldi et al. | A procedure for practical prognostics and health monitoring of fully electric vehicles for enhanced safety and reliability | |
CN112162164A (zh) | 一种基于神经网络的电缆寿命预测*** | |
CN114934880B (zh) | 一种海上风电机组的寿命预测方法及装置 | |
CN117970128B (zh) | 一种实时反馈控制的电池综合实验调试方法及*** | |
CN117972620B (zh) | 基于逻辑回归算法的电芯异常预测方法及装置 | |
CN117633717A (zh) | 一种航标灯电池性能预测方法及*** |
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 |