基于深度学习的配电变压器剩余寿命预测方法与流程

本发明涉及电力设备状态评估与健康管理，具体为基于深度学习的配电变压器剩余寿命预测方法。

背景技术：

1、配电变压器作为电力系统电能转换与分配的关键设备，其可靠运行直接影响供电质量与运维效率。随着算力中心等高密度数据中心的快速发展，数据中心内部大量部署的服务器等非线性电子负载导致配电系统产生严重的高次谐波污染。同时，为满足业务连续性要求，数据中心变压器长期处于持续高负载率运行状态，热量累积导致绝缘材料老化速度加快。在数据中心严苛的供电可靠性要求下，传统的定期检修已无法满足运维需求，对配电变压器进行剩余寿命预测具有重要的工程意义。

2、现有的变压器剩余寿命预测方法多采用数据驱动的深度学习模型，通过采集电气、状态、环境等参数进行特征融合与趋势预测。然而，现有技术在应对数据中心非线性负载与持续高应力工况时，暴露出明显的局限性。首先，传统深度学习模型缺乏物理边界约束，在面对高次谐波引发的高频脉冲式超载数据时容易产生模型发散，导致预测结果偏离客观物理退化规律。其次，现有技术通常仅依赖变压器本体侧的传感器数据进行事后状态评估，未有效提取高次谐波畸变率及由其引发的电磁-热耦合损耗特征。此外，在数据中心复杂的电磁与高频噪声环境下，现有的特征处理方法往往采用统一降维或插值平滑，导致高频谐波峰值损伤特征被截断或淹没，无法实现高频瞬态电磁特征与低频宏观热力学特征的无损对齐。

3、综上所述，如何提高配电变压器剩余寿命预测模型对非线性负载与持续高应力工况的适应性，是本领域亟待解决的技术问题。

4、为此，提出基于深度学习的配电变压器剩余寿命预测方法。

技术实现思路

1、本发明的目的在于提供基于深度学习的配电变压器剩余寿命预测方法。本发明通过获取运行电流信号并提取高次谐波频带特征，计算谐波畸变率与瞬态脉冲能量积分，经频变损耗解耦计算电磁损耗量化值；采集微气候环境参数，基于理查德森数判定流场，解算动态对流热阻抗；将电磁损耗量化值与动态对流热阻抗输入双节点散热约束热平衡模型，解算温度状态量；将温度状态量输入带有阿伦尼乌斯动态分数阶微积分算子的循环神经网络，计算绝缘介质退化状态量；结合稀疏离线化验数据利用粒子滤波算法递归校准，并通过威布尔分布确定剩余寿命预测结果。本发明提升了复杂工况下剩余寿命预测的准确性与可靠性。

2、为实现上述目的，本发明提供如下技术方案：

3、基于深度学习的配电变压器剩余寿命预测方法，包括：

4、获取配电变压器的运行电流信号并提取高次谐波频带特征，计算谐波畸变率与瞬态脉冲能量积分，得到电磁损耗量化值；

5、同步采集配电变压器的本体温度及所处机房的微气候环境参数，建立等效热路模型解算配电变压器本体至机房环境的动态对流热阻抗；

6、将电磁损耗量化值、动态对流热阻抗与本体温度共同输入散热约束热平衡模型，通过计算电磁产热量与对流环境散热量之间的能量耗散平衡关系，得到温度状态量；

7、将温度状态量的历史序列输入带有分数阶微积分算子的循环神经网络，并采用固定时间窗滑动积分方式对分数阶微积分算子的历史状态进行截断，利用分数阶导数更新网络隐状态，计算得到绝缘介质退化状态量；

8、获取包含绝缘介质化验结果的稀疏离线观测数据，以绝缘介质退化状态量作为状态转移过程的先验值，结合稀疏离线观测数据，利用粒子滤波算法进行递归校准，输出校准后的绝缘老化程度并确定配电变压器的剩余寿命预测结果。

9、优选的，获取配电变压器的运行电流信号并提取高次谐波频带特征，计算谐波畸变率与瞬态脉冲能量积分，得到电磁损耗量化值，包括：采用多分辨率时频分解算法对所述运行电流信号进行多尺度分解，分离出三次谐波频带、五次谐波频带及七次谐波频带；提取各频带内的有效电流幅值，并计算各频带的有效电流幅值平方和与基波电流幅值平方之间的比值，并对该比值进行开方运算，得到谐波畸变率；在设定的积分时间窗口内，对运行电流信号各采样点的瞬时电流变化率的绝对值进行离散累积求和运算，得到瞬态脉冲能量积分；将谐波畸变率与瞬态脉冲能量积分输入预设的损耗映射矩阵，通过矩阵相乘运算输出电磁损耗量化值。

10、优选的，同步采集配电变压器的本体温度及所处机房的微气候环境参数，建立等效热路模型解算配电变压器本体至机房环境的动态对流热阻抗，包括：采集机房内精密空调的送风温度、回风温度及吹向配电变压器表面的气流流速作为微气候环境参数；利用普朗特数、雷诺数与努塞尔数构建空气对流传热系数关联矩阵；将气流流速输入所述关联矩阵，提取对应的对流传热系数；计算对流传热系数与所述配电变压器有效散热表面积乘积的倒数，作为动态对流热阻抗。

11、优选的，散热约束热平衡模型为包含绕组热节点与绝缘油热节点的双节点热路模型，将电磁损耗量化值、动态对流热阻抗与所述本体温度共同输入散热约束热平衡模型，得到温度状态量，包括：获取配电变压器的绕组等效热容量参数、绝缘油等效热容量参数及两者间的内部热阻参数；以电磁损耗量化值作为绕组热节点的热源功率输入，结合内部热阻参数与绝缘油温度，计算由绕组向绝缘油传导的内部热传导速率；结合动态对流热阻抗、内部热传导速率及本体温度，分别计算绕组热节点与绝缘油热节点的净热量累积速率。

12、优选的，得到温度状态量，包括：根据净热量累积速率及对应的等效热容量参数进行时间域状态更新，分别解算出绕组热点温度与绝缘油推演温度；将绕组热点温度作为温度状态量输出，并根据绝缘油推演温度与本体温度的比对结果触发模型参数的在线校正。

13、优选的，带有分数阶微积分算子的循环神经网络为门控循环单元网络，所述固定时间窗滑动积分方式包括：设置固定的历史采样点数量作为截断窗长；更新网络隐状态时，仅保留向前追溯至截断窗长范围内的历史温度状态量，并舍弃超出所述截断窗长范围的历史数据；对保留的历史温度状态量，按离散化分数阶微积分算子递推规则分配衰减权重并进行加权求和，得到记忆驱动项。

14、优选的，利用分数阶导数更新网络隐状态，计算得到绝缘介质退化状态量，包括：将当前时间步的所述温度状态量输入门控循环单元网络的更新门与重置门；利用重置门调节上一时间步隐状态的信息传递比例，结合当前时间步的温度状态量生成候选隐状态；将记忆驱动项映射为与更新门输出向量同维度的向量并与其相加，完成记忆驱动项的融合；利用融合后的更新门输出对上一时间步的隐状态与候选隐状态进行凸组合插值，生成当前时间步的最新隐状态；将最新隐状态映射至连续数值区间，得到绝缘介质退化状态量。

15、优选的，所述稀疏离线观测数据为按预设时间间隔人工离线化验获取的变压器油中溶解气体浓度值及油中微水含量值，结合稀疏离线观测数据，利用粒子滤波算法进行递归校准，输出校准后的绝缘老化程度，包括：将绝缘介质退化状态量输入预设的状态转移矩阵，生成先验粒子集合；根据获取的气体浓度值及微水含量值构建似然函数；将先验粒子映射至气体浓度及微水含量预测值，并通过似然函数计算各先验粒子的观测权重。

16、优选的，输出校准后的绝缘老化程度，包括：根据粒子权重的有效样本量判定是否触发重采样，当有效样本量低于预设阈值时对粒子进行筛选与复制重采样运算，得到后验粒子集合；若所述后验粒子集合经过重采样运算，则对其粒子数值进行算术平均运算，得到校准后的绝缘老化程度；若所述后验粒子集合未经过重采样运算，则对其粒子数值以归一化观测权重进行加权求和运算，得到校准后的绝缘老化程度。

17、优选的，确定配电变压器的剩余寿命预测结果，包括：将所述校准后的绝缘老化程度输入预先建立的威布尔分布风险函数层，构建动态衰减失效率函数，并计算对应失效概率密度曲线的数学期望值，作为所述配电变压器的剩余寿命预测结果。

18、与现有技术相比，本发明的有益效果为：

19、1.本发明通过对运行电流信号进行多分辨率时频分解，分离并提取高次谐波频带的特征参数，结合谐波畸变率与瞬态脉冲能量积分来映射电磁损耗量化值。该处理方式以谐波畸变率表征稳态谐波污染程度、以瞬态脉冲能量积分保留高频暂态冲击的峰值损伤特征，二者联合映射为电磁损耗量化值，为后续物理模型提供表征非线性负载电磁疲劳累积状态的热源输入。

20、2.本发明同步采集机房的微气候环境参数并解算动态对流热阻抗，将其与电磁损耗量化值共同输入散热约束热平衡模型；通过计算系统输入的热源功率值与向环境空间耗散的热流率值之间的能量平衡关系，将电气发热与环境散热进行物理层面的统一耦合，使推导出的温度状态量在物理上对应于绕组热点温度，符合开放系统下的热动力学演化关系。

21、3.本发明在利用带有分数阶微积分算子的神经网络刻画绝缘介质退化过程时，采用固定时间窗滑动积分方式截断历史状态，将理论上需无限历史积分的分数阶算子限定为有限步计算，在保留必要退化记忆的同时控制计算消耗。同时，以网络生成的退化状态量为先验值，结合定期的变压器油化验等稀疏离线观测数据，利用粒子滤波算法进行递归校准，形成高频推演与低频真实观测相融合的闭环修正机制，使输出的剩余寿命期望值能够在每次化验观测后向实测数据收敛。