Nothing Special   »   [go: up one dir, main page]

CN111680712A - 基于日内相似时刻的变压器油温预测方法、装置及系统 - Google Patents

基于日内相似时刻的变压器油温预测方法、装置及系统 Download PDF

Info

Publication number
CN111680712A
CN111680712A CN202010298787.XA CN202010298787A CN111680712A CN 111680712 A CN111680712 A CN 111680712A CN 202010298787 A CN202010298787 A CN 202010298787A CN 111680712 A CN111680712 A CN 111680712A
Authority
CN
China
Prior art keywords
similar
day
oil temperature
transformer
time
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.)
Granted
Application number
CN202010298787.XA
Other languages
English (en)
Other versions
CN111680712B (zh
Inventor
谭风雷
陈昊
陈轩
孙小磊
佘昌佳
焦系泽
李斌
张兆君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202010298787.XA priority Critical patent/CN111680712B/zh
Publication of CN111680712A publication Critical patent/CN111680712A/zh
Application granted granted Critical
Publication of CN111680712B publication Critical patent/CN111680712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于日内相似时刻的变压器油温预测方法、装置及系统，所述方法包括计算出待预测日对应的相似日；基于计算出的相似日，计算出相似时刻；基于所述相似时刻内变压器的油温数据，完成变压器的油温预测。本发明在相似日内进一步选择待预测日各时刻所对应的相似时刻，进而利用相似时刻预测变压器油温，能够有效提高变压器顶层油温的预测精度，为其绝缘状态评估提供理论依据，可及时发现内部潜在隐患，保证了变压器的使用寿命，提高了电网供电可靠性。

Description

基于日内相似时刻的变压器油温预测方法、装置及系统
技术领域
本发明属于变压器技术领域，具体涉及一种基于日内相似时刻的变压器油温预测方法、装置及系统。
背景技术
近年来，随着特高压电网的逐步建设，电网规模不断扩大，而变压器作为电力系统的核心设备，在电网输变电领域中有着广泛的应用。据相关数据统计，全国约有220kV及以上变压器2.6万余台。电力变压器因长期运行在高电压条件下，其内部绝缘故障时有发生，一般无法通过电压、电流等电气信息来判断，只能利用物理信息来判断，例如油中溶解气体组分或油温，但现有的油色谱在线监测装置测量油中溶解气体组分的可靠性不高，经常出现误报，在现场实际应用较少，目前变电站主要还是通过后台监控系统在线监测油温变化来判断变压器内部故障。实际上，变压器内部绝缘故障短期内无法通过实时油温来法判断，经常需借助未来油温变化趋势来判断，若能在故障发生初期，即在故障不影响变压器运行时就能提前发现，并及时采取相关措施，这样不仅能够提高变压器的使用寿命，而且还能减少非计划停电时间，保证电力系统稳定、社会供电可靠，因此提前对变压器油温进行预测就变得十分有意义。
电力变压器油温受到天气状况、社会经济、潮流负荷等多种因素影响，具有一定波动性和随机性，这样就使得油温预测精度难以保证，不利于油温变化趋势的分析，严重影响变压器运行状态的实时监控。为保证电力系统安全稳定运行，变压器油温的准确预测就变得尤为重要。为解决上述问题，亟需研究一种算法简单、预测精度高的变压器油温预测方法。
发明内容
针对上述问题，本发明提出一种基于日内相似时刻的变压器油温预测方法、装置及系统，在相似日内进一步选择待预测日各时刻所对应的相似时刻，进而利用相似时刻预测变压器油温，能够有效提高变压器顶层油温的预测精度，为其绝缘状态评估提供理论依据，可及时发现内部潜在隐患，保证了变压器的使用寿命，提高了电网供电可靠性。
实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
第一方面，本发明提供了一种基于日内相似时刻的变压器油温预测方法，包括：
计算出待预测日对应的相似日；
基于计算出的相似日，计算出相似时刻；
基于所述相似时刻内变压器的油温数据，完成变压器的油温预测。
可选地，所述相似日的计算方法包括：
确定历史样本范围；
基于气象因素对历史样本进行二分类；
基于二分类的结果以及时间因素，计算出待预测日对应的相似日。
可选地，当确定历史样本范围为前N天的历史数据时，所述对历史样本进行二分类，具体包括以下步骤：
将待预测日前第N天和待预测日分别作为最初分类中心CTijk，式中i表示分类数，j表示迭代数，k表示气象影响因素；
根据欧氏距离，计算各历史样本与最初分类中心的距离；
Figure BDA0002453202030000021
式中，Tnk表示待预测日前第n天第k个气象影响因素，kmax表示气象影响因素的数量；
将N个历史样本按最小欧氏距离分配给两个最初分类中心，形成两个新的分类并计算分类中心，所述新的分类中心的表达式为：
Figure BDA0002453202030000022
式中，Nij表示第i种分类经第j次迭代后所包括的样本日数量；
不断进行迭代形成新的分类，直至误差平方和函数值取得最小值，此时对应的分类即为最优分类，则待预测日所在分类称为相似类，而另一分类称为非相似类；所述误差平方和函数的表达式为：
Figure BDA0002453202030000023
可选地，所述基于二分类的结果以及时间因素，计算出待预测日对应的相似日，包括：
当相似类中样本日数量大于等于X天时，则选择距离待预测日最近的X个样本日作为相似日；
当相似类中样本日数量小于X天时，则将相似类中全部样本日都作为相似日。
可选地，所述相似时刻的计算方法包括：
确定出与变压器油温相关的气象因素；
计算出各时刻气象因素与变压器油温的相关度；
基于计算出的相关度，以及设定的相似时刻判别条件，计算出相似时刻。
可选地，各时刻气象因素与变压器油温的相关度的计算公式为：
Rnm＝RRWnm×RRSnm×RRFnm×RRQnm (4)
式中，RRWnm表示第n时刻变压器油温与第m时刻温度因素的相关度中间变量；RRSnm表示第n时刻变压器油温与第m时刻湿度因素的相关度中间变量；RRFnm表示第n时刻变压器油温与第m时刻风速因素的相关度中间变量；RRQnm表示第n时刻变压器油温与第m时刻气压因素的相关度中间变量。
可选地，所述相似时刻判别条件为：
Rnm≥Rnn (5)
式中，Rnm表示第n时刻变压器油温与第m时刻气象因素的相关度，Rnn表示第n时刻变压器油温与第n时刻气象因素的相关度；
当第n时刻变压器油温与第m时刻气象因素的相关度大于等于第n时刻变压器油温与第n时刻气象因素的相关度时，认为第m时刻为第n时刻的相似时刻。
可选地，当待预测日第n时刻的相似时刻为第m时刻，相似时刻数量为Bn时，所述变压器的油温预测方法包括：
选择与第n时刻变压器油温相关度大于或等于设定阈值的气象因素作为主要气象因素变量；
将每个相似日第m时刻对应的主要气象因素变量作为神经网络的输入集，将每个相似日第n时刻的变压器油温作为输出集，合理设置神经网络的神经元层数、单层神经元数量、单层神经元传达函数、训练参数和训练函数后，对神经网络进行训练；
将待预测日第m时刻对应的主要气象因素变量输入至训练好的神经网络，此时神经网络输出值即为待预测日第n时刻变压器油温基于相似时刻m的预测值Pnm；
当第n时刻的相似时刻数量Bn＝1时，待预测日第n时刻变压器油温的预测值Pn＝Pnm；当第n时刻的相似时刻数量Bn＞1时，待预测日第n时刻变压器油温的预测值为基于各相似时刻m的预测值Pnm的线性加权值，其表达式如下：
Figure BDA0002453202030000031
其中，Rnm表示第n时刻变压器油温与第m时刻气象因素的相关度。
第二方面，本发明提供了一种基于日内相似时刻的变压器油温预测装置，包括：
第一计算单元，用于计算出待预测日对应的相似日；
第二计算单元，用于基于计算出的相似日，筛选出相似时刻；
预测单元，用于基于所述相似时刻内变压器的油温数据，完成变压器的油温预测。
第三方面，本发明提供了一种基于日内相似时刻的变压器油温预测系统，包括：存储介质和处理器；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。
本发明的有益效果：
本发明在充分考虑气象和时间因素的基础上，通过在相似日内进一步选择相似时刻，进而利用相似时刻预测变压器油温，提高了预测精度，为变压器绝缘状态评估和最大限度利用变压器容量提供理论依据。同时可及时判断变压器油温是否超过极限温度，为调度运行相关工作的开展提供了依据，保证了系统供电可靠性。
进一步地，本发明在充分考虑气象和时间因素的基础上，基于二分类选择相似日，保证了相似日选择的有效性。
进一步地，本发明基于气象因素与变压器油温的相关性大小选择相似时刻，保证了相似时刻选择的有效性。
附图说明
图1是本发明变压器油温预测方法的算法整体流程图；
图2是本发明变压器油温预测方法的相似日选择流程图；
图3是本发明变压器油温预测方法的相似时刻选择流程图；
图4是本发明变压器油温预测方法的油温预测流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
本发明在充分考虑气象和时间因素的基础上，通过在相似日内进一步选择相似时刻，进而利用相似时刻预测变压器油温，提高了预测精度，为变压器绝缘状态评估和最大限度利用变压器容量提供理论依据。同时可及时判断变压器油温是否超过极限温度，为调度运行相关工作的开展提供了依据，保证了系统供电可靠性。
实施例1
如图1所示，为本发明实施例中的基于日内相似时刻的变压器油温预测方法整体流程图。本发明实施例中的基于日内相似时刻的变压器油温预测方法，包括以下步骤：
(1)计算出待预测日对应的相似日；
在本发明实施例的一种具体实施方式中，如图2所示，所述步骤(1)具体包括以下步骤：
步骤1.1：确定历史样本范围。
考虑到当历史样本选择范围较大时，存在气象因素很相似但时间相关性较低的情况，影响相似日选择的有效性；当历史样本选择范围较小时，难以选择得到气象因素相关度较高的历史样本。在具体应用过程中，结合时间变化趋势，可选择待预测日前30天作为历史样本。
步骤1.2：基于气象因素对历史样本进行二分类。
基于气象因素对历史样本进行二分类，其中选择日最大温度、日平均温度、日最低温度、日最大湿度、日平均湿度、日最低湿度、日平均风速、日平均气压、日降雨量和日光照强度等10类气象因素作为分类因素，将历史样本分为两类，其中待预测日所在类称为相似类，而另外一类称为非相似类。
下面结合一具体实现过程进行详细说明，如图2所示：
(1)根据待预测日选择历史样本范围，将对应的日最大温度、日平均温度等10类气象因素进行归一化处理，设置分类数为2，迭代数为R。
(2)选择待预测日前第30天和待预测日作为最初分类中心CTijk，式中i表示分类数，j表示迭代数，k表示气象影响因素。
(3)根据欧氏距离，计算各历史样本与最初分类中心的距离：
Figure BDA0002453202030000051
式中，Tnk表示待预测日前第n天第k影响因素。
(4)将30个历史样本按最小欧氏距离分配给两个最初分类中心，形成两个新的分类并计算分类中心，所述新的分类中心的表达式为：
Figure BDA0002453202030000052
式中，Nij表示第i种分类经第j次迭代后所包括的样本日数量。
(5)不断进行迭代形成新的分类，直至误差平方和函数值取得最小值，此时对应的分类即为最优分类，则待预测日所在分类称为相似类，而另一分类称为非相似类；所述误差平方和函数的表达式为：
Figure BDA0002453202030000061
步骤1.3：基于二分类的结果以及时间因素，计算出待预测日对应的相似日。
鉴于二分类只考虑了气象因素，下面考虑时间因素，从相似类中从选择相似日，当相似类中样本日数量大于等于X(X可以取10)天时，选择距离待预测日最近的X个样本日作为相似日；当相似类中样本日数量小于X天时，将相似类中全部样本日都作为相似日。
(2)基于计算出的相似日，计算出相似时刻；
在本发明实施例的一种具体实施方式中，如图3所示，所述步骤(2)具体包括以下步骤：
步骤2.1：确定出与变压器油温相关的气象因素；
根据相关性原理，当相关度大于等于0.4时，表示中等以上相关；当相关度小于0.4时，表示弱相关，因此在分析相似时刻时，只研究与变压器油温的相关度大于等于0.4的气象因素。定义RWnm表示第n时刻变压器油温与第m时刻温度因素的相关度，RRWnm表示第n时刻变压器油温与第m时刻温度因素的相关度中间变量，当RWnm≥0.4时，RRWnm＝RWnm，当RWnm<0.4时，RRWnm＝1；RSnm表示第n时刻变压器油温与第m时刻湿度因素的相关度，RRSnm表示第n时刻变压器油温与第m时刻湿度因素的相关度中间变量，当RSnm≥0.4时，RRSnm＝RSnm，当RSnm<0.4时，RRSnm＝1；RFnm表示第n时刻变压器油温与第m时刻风速因素的相关度，RRFnm表示第n时刻变压器油温与第m时刻风速因素的相关度中间变量，当RFnm≥0.4时，RRFnm＝RFnm，当RFnm<0.4时，RRFnm＝1；RQnm表示第n时刻变压器油温与第m时刻气压因素的相关度，RRQnm表示第n时刻变压器油温与第m时刻气压因素的相关度中间变量，当RQnm≥0.4时，RRQnm＝RQnm，当RQnm<0.4时，RRQnm＝1。
步骤2.2：计算出各时刻气象因素与变压器油温的相关度。
根据选择的气象因素，可得某时刻气象因素与变压器油温的相关度：
Rnm＝RRWnm×RRSnm×RRFnm×RRQnm (4)
式中，Rnm表示第n时刻变压器油温与第m时刻气象因素的相关度。
步骤2.3：基于计算出的相关度，以及设定的相似时刻判别条件，计算出相似时刻。
定义当第n时刻变压器油温与第m时刻气象因素的相关度大于等于第n时刻变压器油温与第n时刻气象因素的相关度时，认为第m时刻为第n时刻的相似时刻，具体判别条件是：
Rnm≥Rnn (5)
其中，Rnm表示第n时刻变压器油温与第m时刻气象因素的相关度，Rnn表示第n时刻变压器油温与第n时刻气象因素的相关度。
(3)基于所述相似时刻内变压器的油温数据，完成变压器的油温预测；
在本发明实施例的一种具体实施方式中，所述步骤(3)具体包括：
由于待预测日一般存在多个相似日，而待预测日的每个时刻也对应多个相似时刻，因此采用BP神经网络来预测变压器油温，先定待预测日的相似日数量为A，第n时刻的相似时刻为第m时刻，相似时刻数量为Bn，则如图4所示，具体实现过程如下：
(1)从温度、湿度、风速和气压等气象因素中，选择与第n时刻变压器油温相关度大于等于0.4的因素作为主要气象因素变量。
(2)将每个相似日第m时刻对应的主要气象因素变量作为BP神经网络的输入集，将每个相似日第n时刻的变压器油温作为输出集，合理设置BP神经网络的神经元层数、单层神经元数量、单层神经元传达函数、训练参数和训练函数后，对BP神经网络进行训练。
(3)将待预测日第m时刻对应的主要气象因素变量输入训练好的BP神经网络，此时神经网络输出值即为待预测日第n时刻变压器油温基于相似时刻m的预测值Pnm。
(4)当第n时刻的相似时刻数量Bn＝1时，待预测日第n时刻变压器油温的预测值Pn＝Pnm；当第n时刻的相似时刻数量Bn>1时，待预测日第n时刻变压器油温的预测值为基于各相似时刻m的预测值Pnm的线性加权值，其表达式如下：
Figure BDA0002453202030000071
其中，Rnm表示第n时刻变压器油温与第m时刻气象因素的相关度。
实施例2
基于与实施例1相同的发明构思，本发明实施例中提供了一种基于日内相似时刻的变压器油温预测装置，包括：
第一计算单元，用于计算出待预测日对应的相似日；
第二计算单元，用于基于计算出的相似日，筛选出相似时刻；
预测单元，用于基于所述相似时刻内变压器的油温数据，完成变压器的油温预测。
在本发明实施例的一种具体实施方式中，当确定历史样本范围为前N天的历史数据时，所述对历史样本进行二分类，具体包括以下步骤：
将待预测日前第N天和待预测日分别作为最初分类中心CTijk，式中i表示分类数，j表示迭代数，k表示气象影响因素；
根据欧氏距离，计算各历史样本与最初分类中心的距离；
Figure BDA0002453202030000081
式中，Tnk表示待预测日前第n天第k个气象影响因素，kmax表示气象影响因素的数量；
将N个历史样本按最小欧氏距离分配给两个最初分类中心，形成两个新的分类并计算分类中心，所述新的分类中心的表达式为：
Figure BDA0002453202030000082
式中，Nij表示第i种分类经第j次迭代后所包括的样本日数量；
不断进行迭代形成新的分类，直至误差平方和函数值取得最小值，此时对应的分类即为最优分类，则待预测日所在分类称为相似类，而另一分类称为非相似类；所述误差平方和函数的表达式为：
Figure BDA0002453202030000083
在本发明实施例的一种具体实施方式中，所述基于二分类的结果以及时间因素，计算出待预测日对应的相似日，包括：
当相似类中样本日数量大于等于X天时，则选择距离待预测日最近的X个样本日作为相似日；
当相似类中样本日数量小于X天时，则将相似类中全部样本日都作为相似日。
在本发明实施例的一种具体实施方式中，所述相似时刻的计算方法包括：
确定出与变压器油温相关的气象因素；
计算出各时刻气象因素与变压器油温的相关度；
基于计算出的相关度，以及设定的相似时刻判别条件，计算出相似时刻。
在本发明实施例的一种具体实施方式中，各时刻气象因素与变压器油温的相关度的计算公式为：
Rnm＝RRWnm×RRSnm×RRFnm×RRQnm (4)
式中，RRWnm表示第n时刻变压器油温与第m时刻温度因素的相关度中间变量；RRSnm表示第n时刻变压器油温与第m时刻湿度因素的相关度中间变量；RRFnm表示第n时刻变压器油温与第m时刻风速因素的相关度中间变量；RRQnm表示第n时刻变压器油温与第m时刻气压因素的相关度中间变量。
在本发明实施例的一种具体实施方式中，所述相似时刻判别条件为：
Rnm≥Rnn (5)
式中，Rnm表示第n时刻变压器油温与第m时刻气象因素的相关度，Rnn表示第n时刻变压器油温与第n时刻气象因素的相关度；
当第n时刻变压器油温与第m时刻气象因素的相关度大于等于第n时刻变压器油温与第n时刻气象因素的相关度时，认为第m时刻为第n时刻的相似时刻。
在本发明实施例的一种具体实施方式中，待预测日第n时刻的相似时刻为第m时刻，相似时刻数量为Bn时，所述变压器的油温预测方法包括：
选择与第n时刻变压器油温相关度大于或等于设定阈值的气象因素作为主要气象因素变量；
将每个相似日第m时刻对应的主要气象因素变量作为神经网络的输入集，将每个相似日第n时刻的变压器油温作为输出集，合理设置神经网络的神经元层数、单层神经元数量、单层神经元传达函数、训练参数和训练函数后，对神经网络进行训练；
将待预测日第m时刻对应的主要气象因素变量输入至训练好的神经网络，此时神经网络输出值即为待预测日第n时刻变压器油温基于相似时刻m的预测值Pnm；
当第n时刻的相似时刻数量Bn＝1时，待预测日第n时刻变压器油温的预测值Pn＝Pnm；当第n时刻的相似时刻数量Bn>1时，待预测日第n时刻变压器油温的预测值为基于各相似时刻m的预测值Pnm的线性加权值，其表达式如下：
Figure BDA0002453202030000091
其中，表示第n时刻变压器油温与第m时刻气象因素的相关度。
实施例3
基于与实施例1相同的发明构思，本发明实施例中提供了一种基于日内相似时刻的变压器油温预测系统，包括：存储介质和处理器；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行实施例1中任一项所述方法的步骤。
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、系统、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(系统)、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。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于日内相似时刻的变压器油温预测方法，其特征在于，包括：
计算出待预测日对应的相似日；
基于计算出的相似日，计算出相似时刻；
基于所述相似时刻内变压器的油温数据，完成变压器的油温预测。
2.根据权利要求1所述的一种基于日内相似时刻的变压器油温预测方法，其特征在于，所述相似日的计算方法包括：
确定历史样本范围；
基于气象因素对历史样本进行二分类；
基于二分类的结果以及时间因素，计算出待预测日对应的相似日。
3.根据权利要求2所述的一种基于日内相似时刻的变压器油温预测方法，其特征在于，当确定历史样本范围为前N天的历史数据时，所述对历史样本进行二分类，具体包括以下步骤：
将待预测日前第N天和待预测日分别作为最初分类中心CTijk，式中i表示分类数，j表示迭代数，k表示气象影响因素；
根据欧氏距离，计算各历史样本与最初分类中心的距离；
Figure FDA0002453202020000011
式中，Tnk表示待预测日前第n天第k个气象影响因素，kmax表示气象影响因素的数量；
将N个历史样本按最小欧氏距离分配给两个最初分类中心，形成两个新的分类并计算分类中心，所述新的分类中心的表达式为：
Figure FDA0002453202020000012
式中，Nij表示第i种分类经第j次迭代后所包括的样本日数量；
不断进行迭代形成新的分类，直至误差平方和函数值取得最小值，此时对应的分类即为最优分类，则待预测日所在分类称为相似类，而另一分类称为非相似类；所述误差平方和函数的表达式为：
Figure FDA0002453202020000013
4.根据权利要求3所述的一种基于日内相似时刻的变压器油温预测方法，其特征在于，
所述基于二分类的结果以及时间因素，计算出待预测日对应的相似日，包括：
当相似类中样本日数量大于等于X天时，则选择距离待预测日最近的X个样本日作为相似日；
当相似类中样本日数量小于X天时，则将相似类中全部样本日都作为相似日。
5.根据权利要求1所述的一种基于日内相似时刻的变压器油温预测方法，其特征在于，所述相似时刻的计算方法包括：
确定出与变压器油温相关的气象因素；
计算出各时刻气象因素与变压器油温的相关度；
基于计算出的相关度，以及设定的相似时刻判别条件，计算出相似时刻。
6.根据权利要求5所述的一种基于日内相似时刻的变压器油温预测方法，其特征在于，各时刻气象因素与变压器油温的相关度的计算公式为：
Rnm＝RRWnm×RRSnm×RRFnm×RRQnm (4)
式中，RRWnm表示第n时刻变压器油温与第m时刻温度因素的相关度中间变量；RRSnm表示第n时刻变压器油温与第m时刻湿度因素的相关度中间变量；RRFnm表示第n时刻变压器油温与第m时刻风速因素的相关度中间变量；RRQnm表示第n时刻变压器油温与第m时刻气压因素的相关度中间变量。
7.根据权利要求5所述的一种基于日内相似时刻的变压器油温预测方法，其特征在于，所述相似时刻判别条件为：
Rnm≥Rnn (5)
式中，Rnm表示第n时刻变压器油温与第m时刻气象因素的相关度，Rnn表示第n时刻变压器油温与第n时刻气象因素的相关度；
当第n时刻变压器油温与第m时刻气象因素的相关度大于等于第n时刻变压器油温与第n时刻气象因素的相关度时，认为第m时刻为第n时刻的相似时刻。
8.根据权利要求1所述的一种基于日内相似时刻的变压器油温预测方法，其特征在于，当待预测日第n时刻的相似时刻为第m时刻，相似时刻数量为Bn时，所述变压器的油温预测方法包括：
选择与第n时刻变压器油温相关度大于或等于设定阈值的气象因素作为主要气象因素变量；
将每个相似日第m时刻对应的主要气象因素变量作为神经网络的输入集，将每个相似日第n时刻的变压器油温作为输出集，合理设置神经网络的神经元层数、单层神经元数量、单层神经元传达函数、训练参数和训练函数后，对神经网络进行训练；
将待预测日第m时刻对应的主要气象因素变量输入至训练好的神经网络，此时神经网络输出值即为待预测日第n时刻变压器油温基于相似时刻m的预测值Pnm；
当第n时刻的相似时刻数量Bn＝1时，待预测日第n时刻变压器油温的预测值Pn＝Pnm；
当第n时刻的相似时刻数量Bn＞1时，待预测日第n时刻变压器油温的预测值为基于各相似时刻m的预测值Pnm的线性加权值，其表达式如下：
Figure FDA0002453202020000031
其中，Rnm表示第n时刻变压器油温与第m时刻气象因素的相关度。
9.一种基于日内相似时刻的变压器油温预测装置，其特征在于，包括：
第一计算单元，用于计算出待预测日对应的相似日；
第二计算单元，用于基于计算出的相似日，筛选出相似时刻；
预测单元，用于基于所述相似时刻内变压器的油温数据，完成变压器的油温预测。
10.一种基于日内相似时刻的变压器油温预测系统，其特征在于，包括：存储介质和处理器；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～8中任一项所述方法的步骤。
CN202010298787.XA 2020-04-16 2020-04-16 基于日内相似时刻的变压器油温预测方法、装置及系统 Active CN111680712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010298787.XA CN111680712B (zh) 2020-04-16 2020-04-16 基于日内相似时刻的变压器油温预测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010298787.XA CN111680712B (zh) 2020-04-16 2020-04-16 基于日内相似时刻的变压器油温预测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111680712A true CN111680712A (zh) 2020-09-18
CN111680712B CN111680712B (zh) 2023-06-06

Family

ID=72433318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010298787.XA Active CN111680712B (zh) 2020-04-16 2020-04-16 基于日内相似时刻的变压器油温预测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111680712B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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系统
CN112529306A (zh) * 2020-12-16 2021-03-19 国网江苏省电力有限公司检修分公司 基于油系统油温估计的调相机潜伏性缺陷诊断方法和装置
CN112541634A (zh) * 2020-12-16 2021-03-23 国网江苏省电力有限公司检修分公司 一种顶层油温预测、误报火警判别方法、装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN108564192A (zh) * 2017-12-29 2018-09-21 河海大学 一种基于气象因子权重相似日的短期光伏功率预测方法
CN110148068A (zh) * 2019-05-23 2019-08-20 福州大学 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法
CN110852492A (zh) * 2019-10-25 2020-02-28 东北电力大学 一种基于马氏距离找相似的光伏功率超短期预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
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
CN108564192A (zh) * 2017-12-29 2018-09-21 河海大学 一种基于气象因子权重相似日的短期光伏功率预测方法
CN110148068A (zh) * 2019-05-23 2019-08-20 福州大学 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法
CN110852492A (zh) * 2019-10-25 2020-02-28 东北电力大学 一种基于马氏距离找相似的光伏功率超短期预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
L. RAEISIAN ET AL.: "Prediction of Oil Hotspot Temperature in a Distribution Transformer by CFD Method" *
卢舟鑫 等: "基于多时段综合相似日的光伏发电功率预测", 《电源技术》 *
宋人杰 等: "基于相似日和WNN的光伏发电功率超短期预测模型", 《电测与仪表》 *
程泽 等: "基于相似时刻的光伏出力概率分布估计方法", 《电网技术》 *
陈锦铭 等: "变压器顶层油温短期预测模型研究及应用", 《电气应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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系统
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系统
CN112529306A (zh) * 2020-12-16 2021-03-19 国网江苏省电力有限公司检修分公司 基于油系统油温估计的调相机潜伏性缺陷诊断方法和装置
CN112541634A (zh) * 2020-12-16 2021-03-23 国网江苏省电力有限公司检修分公司 一种顶层油温预测、误报火警判别方法、装置和存储介质
CN112529306B (zh) * 2020-12-16 2023-12-01 国网江苏省电力有限公司检修分公司 基于油系统油温估计的调相机潜伏性缺陷诊断方法和装置
CN112541634B (zh) * 2020-12-16 2024-03-15 国网江苏省电力有限公司检修分公司 一种顶层油温预测、误报火警判别方法、装置和存储介质

Also Published As

Publication number Publication date
CN111680712B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN114066071B (zh) 一种基于能耗的电力参数优化方法、终端设备及存储介质
CN112215442B (zh) 电力系统短期负荷预测方法、系统、设备及介质
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN111680712B (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
Gao et al. How to improve the application potential of deep learning model in HVAC fault diagnosis: Based on pruning and interpretable deep learning method
CN114154716B (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN106529732A (zh) 基于神经网络与随机前沿分析的碳排放效率预测方法
CN112529053A (zh) 一种服务器中时序数据短期预测方法及系统
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN117828413A (zh) 一种基于lstm神经网络的变压器油温预测方法和系统
CN104866679A (zh) 一种开关设备的机械特性预测方法
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及系统
CN114372558A (zh) 基于多模型融合的居民用电负荷预测方法、介质及设备
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN117522066A (zh) 一种基于调峰电源设备组合预测的联合优化方法及系统
CN110942195A (zh) 一种用电负荷预测方法及装置
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
CN116432524A (zh) 一种变压器油温预测方法、装置、设备及存储介质
CN116565850A (zh) 一种基于qr-blstm的风电功率超短期预测方法
CN114358382A (zh) 电力系统等效惯量概率预测方法、装置、产品及存储介质
Lee et al. Application of temperature prediction model based on LSTNet in telecommunication Room
CN118607150B (zh) 一种用于配电网数字孪生空间建模的边缘优化方法及系统
Ma et al. A prediction-based cycle life test optimization method for cross-formula batteries using instance transfer and variable-length-input deep learning model
CN118536410B (zh) 基于大数据驱动建模的能耗优化决策分析方法及系统
CN115409281A (zh) 基于通径分析聚类和混沌抑制的光伏输出功率预测方法

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