一种基于多元感知的电力变压器短期运行温度预测方法与流程

1.本发明属于电力变压器监测技术领域，具体涉及一种基于多元感知的电力变压器短期运行温度预测方法。


背景技术：

2.电力变压器是电力系统的核心和枢纽设备，其运行状态直接影响着电力系统的安全稳定。电力变压器运行温度主要包括油面温度和绕组温度，电力变压器运行温度的变化可以一定程度反应变压器内部过热和绝缘破损故障。因此，对电力变压器历史运行温度变化和状态感知数据进行收集，并进行运行温度短期预测，对电网和电力变压器自身运行安全都具有重要意义。
3.申请号为202111415692.2的中国发明专利“一种配电变压器顶层油温短期预测方法及预测系统”通过获取配电变压器顶层油温的历史数据，并将其处理为时间序列数据后应用issa算法对短期油温进行预测。申请号为201811464867.7的中国发明专利“一种对比光纤测温的变压器热点温升预测方法”通过获取一台装设光纤测温设备的油浸式变压器实测的热点温度、顶层油温、环境温度、负载电流数据，建立显式热点温升模型并预测变压器热点温升。
4.现有技术主要基于电力变压器历史温度对变压器温升进行预测，然而电力变压器运行温度受众多因素影响，且当电力变压器存在内部故障时会出现包括温升、振动、噪声等多维度的异常状态变化，现有技术未对电力变压器状态数据进行有效利用和分析，无法针对电力变压器异常状态时的运行温度进行有效预测。


技术实现要素：

5.为了解决上述技术问题，本发明提供了一种基于多元感知的电力变压器短期运行温度预测方法。
6.本发明采用的技术方案是：一种基于多元感知的电力变压器短期运行温度预测方法，步骤如下：步骤一、获取电力变压器的历史状态感知数据，使用小波变换对状态感知数据进行预处理，去除状态感知数据中的噪声信号；步骤二、基于状态感知数据进行特征筛选；首先人工选出影响变压器油面和热点温度的特征因素；然后使用决策树进一步筛选出特征因素，去除冗余数据，构造用于热点温度暂态曲线预测的原始特征数据集；步骤三、构建针对未来短期负荷电流的多元线性回归预测模型，基于历史负荷电流、节假日变量、气温变量对未来短期负荷电流进行预测；同时调用电力调度系统的短期负荷预测曲线，综合多元线性回归预测模型和电力调度系统的预测值，确定负荷电流的最终预测值；步骤四、根据原始特征数据集，考虑变压器运行温度变化的空间分布和时延特性，
构造基于多特征尺度融合的时间卷积网络预测模型，对空间油温、绕组温度进行预测。
7.进一步优选，步骤一中，电力变压器的状态感知数据包括油面温度、三相绕组温度、负荷电流、偏磁电流、三相电流不平衡度、环境温度、环境风力、散热器温差偏移、冷却功率、振动、油色谱数据。
8.进一步优选，步骤一中，根据小波多分辨率分析，选取symlet小波作为小波基底，对每一维历史数据进行5层小波分解，将得到的小波分解系数进行阈值量化，阈值选择采取极值阈值估计法，并利用软阈值去噪法处理小波分解系数，最后结合第5层低频系数和经过阈值量化处理的各层高频系数，进行小波逆变换重构，得到去噪后的状态感知数据。
9.进一步优选，步骤二中，利用cart决策树进行最优特征因素选择：步骤s1：状态感知数据样本集中每一个样本包括预先人工选出的每个特征量的数据以及对应的实测温度值；根据样本数据计算每个特征的基尼系数，选择基尼系数最小的特征及其对应的取值作为最优特征和最优切分点，将样本集划分为两个子集；步骤s2：重复步骤s1，递归构建二叉决策树，步骤s3：根据最终生成的决策树计算每个特征的重要性指标，剔除相关性低的特征，完成特征因素筛选，构造不同结构件的热点温度暂态曲线预测原始特征数据集。
10.进一步优选，步骤三中，确定负荷电流的最终预测值的过程如下：其中，t为时间，if(t)、i
fa
(t)、i
fb
(t)分别为负荷电流的最终预测值、多元线性回归模型的预测值、电力调度系统的预测值，p为多元线性回归模型的精度惩罚系数，q为电力调度系统的精度惩罚系数，且有：其中，i
p
(c)、i
pa
(c)、i
pb
(c)分别为负荷电流的历史真实值、多元线性回归模型的历史预测值、电力调度系统的历史预测值，c为时间变量，n为预测时间内采样点数量。
11.进一步优选，步骤三中，选取历史负荷电流、节假日变量、气温变量、时间变量为特征量x，针对未来短期负荷电流的多元线性回归预测模型如下：其中β为回归系数向量，ξ是为随机误差项，二者是学习得到的模型参数，x1为历史负荷电流，x2∈{0,1}为节假日变量， x3为气温变量，x4为时间变量，β0表示特征量的回归系
数，β1表示历史负荷电流的回归系数，β2表示节假日变量的回归系数，β3表示气温变量的回归系数，β4表示时间变量的回归系数，令平方误差作为模型误差，表示为：其中，j(β)为模型误差，m为训练时输入的样本个数，i为样本序号，h
β
(x(i))为预测负荷电流，x(i)表示样本集中序号为i的特征量，y(i)表示样本集中序号为i的实测电流值，利用梯度下降法训练缩小模型误差，模型参数更新表达式为：其中，为第j个更新回归系数，βj为第j个回归系数，α为更新步长。
12.进一步优选，所述基于多特征尺度融合的时间卷积网络预测模型包括依次设置的特征数据集重构模块、特征提取模块、特征融合模块、多层感知机mlp预测模块。
13.进一步优选，所述特征提取模块采用残差膨胀因果卷积单元，残差膨胀因果卷积单元由两个前向传播模块通过残差连接组成，每个前向传播模块依次由膨胀因果卷积层、权值归一化层、校正线性单元层以及随机失活层连接构成。
14.进一步优选，所述基于多特征尺度融合的时间卷积网络预测模型构建过程如下：步骤4.1：构建特征数据集重构模块：将当前时间原始特征数据集数据与历史原始特征数据集数据拼接形成不同时间尺度的重构特征数据集，其特征维度描述如下：其中d
new
是重构特征数据集的维数，d
in
是输入的原始特征数据集维数，d
out
是模型输出数据维数，ω是时延参数；步骤4.2：构建特征提取模块，采用残差膨胀因果卷积单元根据重构特征数据集提取时空特征向量，每个空间分区对应的重构特征数据集分别输入一个残差膨胀因果卷积单元，得到相应的时空特征向量；步骤4.3：构建特征融合模块，将每个残差膨胀因果卷积单元输出的时空特征向量进行加权融合；步骤4.4：将融合后的数据输入到一个用于预测的多层感知机mlp预测模块，最终输出预测的温度分布数据。
15.进一步优选，步骤4.3中，每个残差膨胀因果卷积单元的权重采用自适应机制自动调节，使用一维残差膨胀因果卷积单元得到初始权重，并选择softmax函数作为其激活函数。
16.本发明的技术效果：使用决策树进一步筛选出特征因素构造了用于热点温度暂态曲线预测的原始特征数据集；构建了针对未来短期负荷电流的多元线性回归预测模型，并综合比较多元线性回归预测模型和电力调度系统的预测值，确定负荷电流的最终预测值；最后构造基于多特征尺度融合的时间卷积网络预测模型进行预测，可以对多维度的电力变
压器状态数据进行有效利用和分析，对电力变压器异常状态时的运行温度进行有效预测。
附图说明
17.图1是基于多元感知的电力变压器短期运行温度预测方法流程图。
18.图2是基于多特征尺度融合的时间卷积网络预测模型示意图。
19.图3为原始特征数据集重构过程示意图。
20.图4为残差膨胀因果卷积单元示意图。
具体实施方式
21.下面结合附图和实施例进一步详细阐明本发明。
22.参照图1，一种基于多元感知的电力变压器短期运行温度预测方法，步骤如下：步骤一、获取电力变压器的历史状态感知数据，使用小波变换对状态感知数据进行预处理，去除状态感知数据中的噪声信号。
23.步骤二、基于状态感知数据进行特征筛选；首先人工选出可能影响变压器油面和热点温度的特征因素，例如油面温度、三相绕组温度、负荷电流、偏磁电流等；然后使用决策树进一步筛选出影响程度较高的特征因素，去除冗余数据，构造用于热点温度暂态曲线预测的原始特征数据集。
24.步骤三、构建针对未来短期负荷电流的多元线性回归预测模型，基于历史负荷电流、节假日变量、气温变量对未来短期负荷电流进行预测；同时调用电力调度系统的短期负荷预测曲线，综合多元线性回归预测模型和电力调度系统的预测值，确定负荷电流的最终预测值：其中，t为时间，if(t)、i
fa
(t)、i
fb
(t)分别为负荷电流的最终预测值、多元线性回归模型的预测值、电力调度系统的预测值，p为多元线性回归模型的精度惩罚系数，q为电力调度系统的精度惩罚系数，且有：其中，i
p
(c)、i
pa
(c)、i
pb
(c)分别为负荷电流的历史真实值、多元线性回归模型的历史预测值、电力调度系统的历史预测值，c为时间变量，n为预测时间内采样点数量。
25.步骤四、根据原始特征数据集，考虑变压器运行温度变化的空间分布和时延特性，构造基于多特征尺度融合的时间卷积网络预测模型，对空间油温、绕组温度进行预测。
26.本实施例步骤一中，电力变压器的状态感知数据包括油面温度、三相绕组温度、负
荷电流、偏磁电流、三相电流不平衡度、环境温度、环境风力、散热器温差偏移、冷却功率、振动、油色谱等历史数据；根据小波多分辨率分析，选取symlet小波作为小波基底，对每一维历史数据进行5层小波分解，将得到的小波分解系数进行阈值量化，阈值选择采取极值阈值估计法，并利用软阈值去噪法处理小波分解系数，最后结合第5层低频系数和经过阈值量化处理的各层高频系数，进行小波逆变换重构，得到去噪后的状态感知数据。
27.本实施例步骤二中，利用cart决策树进行最优特征因素选择：步骤s1：状态感知数据样本集中每一个样本包括预先人工选出的每个特征量的数据以及对应的实测温度值；根据样本数据计算每个特征的基尼系数，选择基尼系数最小的特征及其对应的取值作为最优特征和最优切分点，将样本集划分为两个子集；步骤s2：重复步骤s1，递归构建二叉决策树，步骤s3：根据最终生成的决策树计算每个特征的重要性指标，剔除相关性低的特征，完成特征因素筛选，构造不同结构件的热点温度暂态曲线预测原始特征数据集。
28.本实施例步骤三中，由于负荷电流大小是影响变压器运行温度的直接因素，由于负荷电流的不确定性，须根据历史负荷电流影响因素和变化规律，对流经变压器绕组未来短期负荷电流进行预测。选取历史负荷电流、节假日变量、气温变量、时间变量为特征量x，针对未来短期负荷电流的多元线性回归预测模型如下：其中β为回归系数向量，ξ是为随机误差项，二者是学习得到的模型参数，x1为历史负荷电流，x2∈{0,1}为节假日变量（x2=0表示非节假日），x3为气温变量，考虑气温越热或越冷用电量均会升高，令，其中为真实气温度数，x4为时间变量，以每十分钟做一次采样周期。β0表示特征量的回归系数，β1表示历史负荷电流的回归系数，β2表示节假日变量的回归系数，β3表示气温变量的回归系数，β4表示时间变量的回归系数，令平方误差作为模型误差，表示为：其中，j(β)为模型误差，m为训练时输入的样本个数，i为样本序号，h
β
(x(i))为预测负荷电流，x(i)表示样本集中序号为i的特征量，y(i)表示样本集中序号为i的实测电流值，利用梯度下降法训练缩小模型误差，模型参数更新表达式为：其中，为第j个更新回归系数，βj为第j个回归系数，α为更新步长。直至模型误差
不再下降，训练结束。预测时只需输入特征量x，即可得到预测负荷电流。同时为了提高负荷电流预测的准确性，调用电力调度系统的短期负荷预测曲线，实时跟踪电力调度系统的短期负荷预测曲线和多元线性回归预测模型这两种负荷电流预测方法的预测精度，并根据动态计算两种预测方式在上一个预测周期内的精度惩罚系数，确定最终的预测电流值，动态提高预测方法精度。
29.本实施例步骤四中，考虑电力变压器体积庞大的空间分布特征，设置六组空间分区，分别为顶层油温、底层油温、油纸温度、高压绕组温度、中压绕组温度、低压绕组温度，即电力变压器温度分布数据维数以及基于多特征尺度融合的时间卷积网络预测模型输出数据维数为5。
30.参照图2，基于多特征尺度融合的时间卷积网络预测模型构建过程如下：步骤4.1：构建特征数据集重构模块，考虑电力变压器不同部位的温度变化具有不同的时间延迟特性，针对每个空间分区应用不同的时延参数，将当前时间原始特征数据集数据与历史原始特征数据集数据拼接形成不同时间尺度的重构特征数据集，如图3所示，其特征维度描述如下：其中d
new
是重构特征数据集的维数，d
in
是输入的原始特征数据集维数，d
out
是模型输出数据维数，ω是时延参数。若时延参数为2，则重构特征数据集包括当前时刻和前两个时刻的原始特征数据、以及前两个时刻的输出数据。
31.步骤4.2：构建特征提取模块，采用残差膨胀因果卷积单元rdccu（如图4），根据重构特征数据集提取时空特征向量，rdccu由两个前向传播模块通过残差连接组成，每个前向传播模块依次由膨胀因果卷积层（dilated causal conv）、权值归一化层（weightnorm）、校正线性单元层（relu）以及随机失活层（dropout）连接构成。膨胀因果卷积层是提取特征的核心结构，是因果卷积和膨胀卷积的组合，其输出仅与上层的当前和过去神经元进行卷积，可以很好地提取历史信息。权值归一化层将权值向量在欧氏范数和方向上做解耦处理，加速网络训练速度。随机失活层通过抑制部分神经元，防止训练过拟合。校正线性单元层（relu）是一种常用的激活函数，使得神经网络能够进行非线性映射。每个空间分区对应的重构特征数据集分别输入一个rdccu单元，得到相应的时空特征向量；步骤4.3：构建特征融合模块，将每个rdccu单元输出的时空特征向量进行加权融合，每个残差膨胀因果卷积单元的权重采用自适应机制自动调节，使用一维残差膨胀因果卷积单元得到初始权重，并选择softmax函数作为其激活函数。
32.步骤4.4：将融合后的数据输入到一个用于预测的多层感知机mlp预测模块，最终输出预测的温度分布数据。模型训练包括特征提取模块、特征融合模块以及多层感知机mlp预测模块的训练。采用adam优化算法自动更新网络参数，直到预测准确度趋于稳定时停止训练。