基于行为学习增强的电力变压器多变量序列预测方法及系统

摘要: 本发明涉及电力变压器多变量预测,具体涉及一种基于行为学习增强的电力变压器多变量序列预测方法及系统。背景技术:1、电力变压器是输配电系统中的重要电力设备。在变压器...
基于行为学习增强的电力变压器多变量序列预测方法及系统

本发明涉及电力变压器多变量预测,具体涉及一种基于行为学习增强的电力变压器多变量序列预测方法及系统。

背景技术:

1、电力变压器是输配电系统中的重要电力设备。在变压器运行过程中,负荷水平的变化会引起其热状态变化,变压器油温能够反映设备的热运行状态。对未来一段时间的变压器油温进行预测,可以为设备运行状态监测、过温预警以及运行维护提供数据依据。

2、电力变压器的油温变化通常与历史油温及外部电力负荷相关,并具有一定的热惯性、时间连续性和周期性。以电力变压器温度数据为例,其历史运行数据可以包括高负荷层级有用负荷、高负荷层级无用负荷、中负荷层级有用负荷、中负荷层级无用负荷、低负荷层级有用负荷、低负荷层级无用负荷以及变压器油温。上述不同负荷变量共同反映变压器在不同运行条件下的外部负荷状态,油温则用于表征变压器的热状态。

3、现有的电力变压器多变量序列预测方法可以采用线性预测模型、基于自注意力机制的预测模型、周期预测模型或者多尺度预测模型,根据历史负荷和历史油温生成未来油温预测结果。现有方法通常采用均方误差、平均绝对误差等点级预测误差作为模型训练目标,以减小预测油温与真实油温之间的数值偏差。

4、但是,仅采用点级预测误差训练电力变压器多变量序列预测模型,至少存在以下问题。

5、第一,点级预测误差主要约束单个预测时刻的数值偏差,难以保证完整油温预测曲线满足变压器油温变化所具有的时间连续性和热惯性。尤其在长预测区间内,可能产生油温突变、局部异常振荡等不符合变压器热响应规律的预测结果。

6、第二,现有训练目标没有显式评价负荷变化与油温变化之间的动态一致性。预测模型可能得到数值误差较小但与历史负荷状态不匹配的未来油温曲线,例如在负荷变化较小的情况下预测油温发生大幅跳变,或者在负荷持续升高的情况下预测油温出现不合理下降。

7、第三,现有方法通常没有在训练过程中显式引入油温允许范围和油温变化速率等运行约束。当预测时间长度增加时,模型输出可能超出预设油温范围,或者相邻预测时刻之间的温度变化量超过允许变化范围,影响预测结果用于变压器热状态监测和过温预警时的可靠性。

8、第四,现有改进方法主要通过改变油温预测模型的网络结构提高预测精度。当需要适配线性预测网络、基于自注意力机制的预测网络、周期预测网络或多尺度预测网络时,通常需要分别修改模型结构,缺少一种能够在不改变预测骨干网络主体结构的情况下,对不同油温预测模型进行统一增强的训练机制。

9、因此,需要提供一种面向电力变压器多变量预测的技术方案,在利用历史负荷和历史油温进行数值预测的基础上,进一步对候选电力变压器多变量预测序列的油温边界、温升变化和负荷—油温动态一致性进行评价,并将评价结果引入模型训练过程,从而减少不符合变压器运行规律的预测结果,提高多步油温预测和过温预警的可靠性。

技术实现思路

1、为解决现有电力变压器多变量预测模型主要依赖点级预测误差,难以保证预测油温序列满足油温安全边界、温升连续性以及负荷—油温动态一致性的问题,本发明提供一种基于行为学习增强的电力变压器多变量序列预测方法及系统。

2、本发明根据电力变压器的历史外部负荷特征和历史油温生成未来电力变压器多变量预测序列,并通过行为学习网络计算所述未来电力变压器多变量预测序列的运行合理性分值;所述运行合理性分值至少基于油温预测效用项、油温边界惩罚项和负荷—油温动态一致性惩罚项确定。训练过程中,将油温点级预测损失与运行合理性分值组合形成联合训练目标,使油温预测模型在减小数值预测误差的同时,减少不符合电力变压器热运行规律的预测结果。

3、为解决上述技术问题,本发明采用如下技术方案:

4、第一方面,本发明提供了一种基于行为学习增强的电力变压器多变量序列预测方法,包括:

5、获取并预处理电力变压器历史多变量序列作为输入,电力变压器历史多变量序列包括至少一个负荷层级下的外部电力负荷特征以及变压器油温;

6、利用可微基线预测模型生成电力变压器多变量预测序列;

7、构建行为学习网络,用于接收电力变压器历史多变量序列和电力变压器多变量预测序列并输出行为效用分值,行为效用分值基于可学习的效用项、约束惩罚项和一致性惩罚项计算;

8、计算电力变压器多变量预测序列与电力变压器多变量真实序列之间的点级预测损失;

9、基于点级预测损失与行为效用分值的加权组合构造联合损失,训练时最小化该联合损失以同时减小预测误差并最大化电力变压器多变量预测序列的行为效用,端到端联合更新基线模型和行为学习网络的参数;

10、训练完成后利用基线模型进行电力变压器多变量序列预测。

11、在其中一个实施例中,所述电力变压器历史多变量序列中的变量包括:高负荷层级有用负荷、高负荷层级无用负荷、中负荷层级有用负荷、中负荷层级无用负荷、低负荷层级有用负荷、低负荷层级无用负荷以及变压器油温。

12、在其中一个实施例中,所述构建行为学习网络,用于接收电力变压器历史多变量序列和电力变压器多变量预测序列并输出行为效用分值,行为效用分值基于可学习的效用项、约束惩罚项和一致性惩罚项计算,具体包括:

13、构造条件行为效用函数计算行为效用分值:

14、;

15、其中,为电力变压器历史多变量序列,为电力变压器多变量预测序列,为可学习的潜在效用函数,为可学习的不等式约束函数,为可学习的等式约束函数,、、为非负权重系数,为tanh函数、为relu函数、为绝对值函数,为可学习的效用项,为约束惩罚项,为一致性惩罚项。

16、在其中一个实施例中,所述计算电力变压器多变量预测序列与电力变压器多变量真实序列之间的点级预测损失,具体包括:

17、采用均方误差、平均绝对误差、huber损失、分位数损失、概率预测负对数似然损失中的任一种或多种的加权组合作为点级预测损失;

18、当采用均方误差时,点级预测损失为:

19、;

20、其中,为对应的真实未来序列,表示范数。

21、在其中一个实施例中,所述基于点级预测损失与行为效用分值的加权组合构造联合损失,具体包括:

22、联合损失为:

23、;

24、其中,为用于调节数值拟合与行为一致性之间的权重,为点级预测损失,为电力变压器多变量预测序列,为将电力变压器多变量预测序列与电力变压器历史多变量序列输入行为学习网络后输出的行为效用分值。

25、在其中一个实施例中,所述可微基线预测模型,选自线性预测模型、transformer预测模型、多尺度混合模型、周期建模模型、频域建模模型中的任意一种。

26、在其中一个实施例中,所述训练完成后利用基线模型进行电力变压器多变量序列预测,具体包括:

27、在推理阶段,仅保留训练后的基线预测模型以输出电力变压器多变量预测序列。

28、第二方面,本发明提供了一种基于行为学习增强的电力变压器多变量预测系统,用于实现第一方面任意一个实施例的方法,包括:

29、数据处理模块,用于获取并预处理电力变压器历史多变量序列;

30、基线预测模块,利用可微基线预测模型生成电力变压器多变量预测序列;

31、行为学习模块,用于构建行为学习网络并输出历史条件下的行为效用分值;

32、联合训练模块,用于计算点级预测损失、构造联合损失以及执行端到端联合更新参数;

33、预测输出模块,用于在训练完成后输出电力变压器多变量预测序列;

34、模型管理模块,用于配置基线预测模型类型、预测长度、输入长度及联合损失中的权重参数。

35、本发明中的系统与方法相对应,适用于方法的具体技术方案,同样适用于系统。

36、与现有技术相比,本发明的有益技术效果是:

37、(1)提供了预测误差之外的行为结构监督。传统均方误差(mse)或平均绝对误差(mae)主要约束逐点距离,本发明通过行为学习网络进一步评价完整未来序列在给定历史条件下的效用、约束满足程度和变量一致性,从而增强预测输出的整体合理性。

38、(2)具有较强的可插拔性。本发明不要求重构基线预测模型主体结构,只需在训练阶段接入行为学习网络和联合损失,即可适配线性模型、transformer 模型、多尺度模型、周期模型和频域模型等不同预测骨干网络。

39、(3)能够为预测模型提供可学习的输出空间梯度。行为效用项可通过预测序列将梯度传回基线预测模型,帮助模型在单纯点级误差之外学习潜在动态规律和行为约束,减少局部数值拟合导致的整体趋势不合理问题。

40、(4)实验结果显示该方法在多模型、多数据集和多预测长度条件下具有普遍增强效果。具体地,在 etth1、etth2、ettm1、ettm2数据集上,以均方误差(mse)和平均绝对误差(mae)为评价指标,对 sparsetsf、dlinear、informer、autoformer、softs、crossformer、timemosaic、wpmixer、timemixer、cyclenet 等模型进行了对比。行为学习增强后,在多数预测长度和数据集组合上误差下降,具体结果可参考表2和表3。上述结果说明行为学习项可作为传统预测损失的有效补充。

41、(5)具有应用扩展价值。由于行为学习网络输入为历史序列和预测序列,本发明可以迁移至能源、交通、气象、公共卫生、疾病趋势、金融市场和工业设备状态等不同多变量动态系统中;在推理阶段还可将行为效用分值作为预测可信度、异常检测或候选方案筛选依据。