基于油温的变压器状态预测方法、装置和计算机设备与流程

1.本技术涉及变压器技术领域，特别是涉及一种基于油温的变压器状态预测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着科技的进步以及国家综合实力的发展，我国电网事业的版图越来越宽广，电力的使用已经投入到各行各业的发展中，对各行各业的正常运行都有着深远的影响。电力变压器是整个电力系统极为重要的设施，在整个电网的正常工作中起到了决定性的作用，电力变压器的瘫痪可能会导致大面积停电，造成无法估量的代价，因此，确保电力变压器的正常运行关乎着民众的正常生活。为保证变压器正常运行，需要通过对变压器中的油温进行检测，从而基于油温的温度确定变压器是否运行正常，目前对变压器的油温进行预测的方式通常是通过大量样本训练出灰色模型后，通过灰色模型进行油温预测。然而，通过灰色模型进行预测，由于训练样本较多，使得训练的复杂度增高，会导致预测的效率下降。
3.因此，目前的基于油温的变压器状态预测方法存在预测效率低的缺陷。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高预测效率的基于油温的变压器状态预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种基于油温的变压器状态预测方法，所述方法包括：
6.获取待预测变压器的负载功率以及真实油温；
7.将所述负载功率输入目标油温预测模型，获取所述目标油温预测模型输出的预测油温；所述目标油温预测模型基于支持向量回归机对样本负载功率和样本油温训练得到；
8.根据所述目标油温预测模型对应的原始油温预测区间和所述预测油温，确定所述预测油温对应的目标油温预测区间；所述原始油温预测区间根据预设置信度和所述目标油温预测模型的模型误差得到；
9.根据所述真实油温与所述目标油温预测区间的比较结果，确定所述待预测变压器的运行状态。
10.在其中一个实施例中，所述方法还包括：
11.获取样本负载功率和所述样本负载功率对应的样本油温；
12.将所述样本负载功率输入待训练油温预测模型，由所述待训练油温预测模型基于支持向量回归机和所述样本负载功率进行预测，并输出测试油温；
13.获取所述测试油温与所述样本负载功率对应的样本油温的匹配度；根据所述待训练油温预测模型的当前模型参数和当前已有的匹配度输入预设适应度函数，基于粒子群算法确定所述预设适应度函数中的粒子在全局最优位置时对应的均方根误差值；
14.若所述均方根误差值大于预设数值，调整所述待训练油温预测模型的模型参数，并返回所述将所述样本负载功率输入待训练油温预测模型，由所述待训练油温预测模型基
于支持向量回归机和所述样本负载功率进行预测，并输出测试油温的步骤；
15.若所述均方根误差值小于或等于预设数值，根据当前模型参数得到目标油温预测模型。
16.在其中一个实施例中，所述获取样本负载功率和所述样本负载功率对应的样本油温，包括：
17.获取原始样本负载功率和所述原始样本负载功率对应的样本油温；
18.将所述原始样本负载功率和所述样本油温分别进行归一化，得到样本负载功率和样本油温。
19.在其中一个实施例中，所述将所述样本负载功率输入待训练油温预测模型，由所述待训练油温预测模型基于支持向量回归机和所述样本负载功率进行预测，并输出测试油温，包括：
20.将所述样本负载功率输入待训练油温预测模型，由所述待训练油温预测模型将所述样本负载功率映射至预设维度空间，在所述预设维度空间中基于映射后的样本负载功率和预设高斯核函数构建拟合函数，基于拉格朗日优化方法确定所述拟合函数的解，作为测试油温并输出。
21.在其中一个实施例中，所述根据所述目标油温预测模型对应的原始油温预测区间和所述预测油温，确定所述预测油温对应的目标油温预测区间，包括：
22.将多个样本负载功率输入所述目标油温预测模型，获取所述目标油温预测模型输出的多个目标测试油温；
23.根据所述样本油温和对应的目标测试油温的误差值，确定所述目标油温预测模型的模型误差，并根据多个模型误差确定模型误差平均值；
24.根据预设置信度和所述模型误差平均值构建原始油温预测区间；
25.根据所述预测油温与所述原始油温预测区间的区间下限的和，得到目标区间下限，并根据所述预测油温与所述原始油温预测区间的区间上限的和，得到目标区间上限；
26.根据所述目标区间下限和所述目标区间上限，得到目标油温预测区间。
27.在其中一个实施例中，所述根据所述真实油温与所述目标油温预测区间的比较结果，确定所述待预测变压器的运行状态，包括：
28.若所述真实油温在所述目标油温预测区间范围内，确定所述待预测变压器的运行状态为正常；
29.若所述真实油温不在所述目标油温预测区间范围内，确定所述待预测变压器的运行状态为异常。
30.第二方面，本技术提供了一种基于油温的变压器状态预测装置，所述装置包括：
31.获取模块，用于获取待预测变压器的负载功率以及真实油温；
32.预测模块，用于将所述负载功率输入目标油温预测模型，获取所述目标油温预测模型输出的预测油温；所述目标油温预测模型基于支持向量回归机对样本负载功率和样本油温训练得到；
33.区间确定模块，用于根据所述目标油温预测模型对应的原始油温预测区间和所述预测油温，确定所述预测油温对应的目标油温预测区间；所述原始油温预测区间根据预设置信度和所述目标油温预测模型的模型误差得到；
34.状态确定模块，用于根据所述真实油温与所述目标油温预测区间的比较结果，确定所述待预测变压器的运行状态。
35.第三方面，本技术提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
36.第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
37.第五方面，本技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
38.上述基于油温的变压器状态预测方法、装置、计算机设备、存储介质和计算机程序产品，通过将待预测变压器的负载功率输入目标油温预测模型，根据目标油温预测模型输出的预测油温以及目标油温预测模型对应的原始油温预测区间，确定预测油温对应的目标油温预测区间，并根据真实油温与目标油温预测区间的比较结果，确定待预测变压器的运行状态。相较于传统的通过灰色模型进行油温预测从而确定变压器状态的方式，本方案通过利用变压器的负载功率预测变压器的预测油温，并基于预测油温确定出预测区间，通过真实油温和预测油温的比较结果确定变压器的运行状态，提高了基于油温预测变压器状态的效率。
附图说明
39.图1为一个实施例中基于油温的变压器状态预测方法的流程示意图；
40.图2为一个实施例中粒子群算法的流程示意图；
41.图3为一个实施例中支持向量机拟合步骤的示意图；
42.图4为另一个实施例中基于油温的变压器状态预测方法的流程示意图；
43.图5为一个实施例中第一置信度下油温序列的示意图；
44.图6为一个实施例中第二置信度下油温序列的示意图；
45.图7为一个实施例中第三置信度下油温序列的示意图；
46.图8为一个实施例中基于油温的变压器状态预测装置的结构框图；
47.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.在一个实施例中，如图1所示，提供了一种基于油温的变压器状态预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现，包括以下步骤：
50.步骤s202，获取待预测变压器的负载功率以及真实油温。
51.其中，待预测变压器可以是进行油温预测的电力设备，终端通过对变压器的油温进行预测，进而终端可以根据油温得到待变压器的绕组的运行状态。终端可以对待预测变压器每时每刻的油温进行记录，得到按照时间顺序排列的油温数据，这些数据可以形成油
温序列，即终端可以将历史记录的油温数据按照时间顺序进行排序得到真实油温序列，从而终端可以从真实油温序列中获取到待预测变压器的真实油温。终端还可以获取上述待预测变压器的负载功率。具体地，终端可以获取上述待预测变压器中三相的负载功率，包括负载实功率、虚功率和相对应的一列油温数据等。其中，实功率是描述用电设备在实际用电过程中单位时间内所消耗的能量，虚功率是电压电流的简称，即：虚功率＝输入电压(v)
×
最大消耗电流(a)。从而终端可以根据待预测变压器的负载功率进行油温预测。
52.步骤s204，将负载功率输入目标油温预测模型，获取目标油温预测模型输出的预测油温；目标油温预测模型基于支持向量回归机对样本负载功率和样本油温训练得到。
53.其中，目标油温预测模型可以基于svr(support vector regression，支持向量回归机)对样本负载功率和样本油温训练得到，目标油温预测模型可以用于预测待预测变压器的预测油温，具体可以是根据待预测变压器的负载功率进行预测。目标油温预测模型预测出的预测油温可以是待预测变压器的正常油温，即变压器在正常运行状态时的油温数据。其中，上述负载功率可以有多个，并且多个负载功率可以按照时间顺序进行记录，终端可以基于目标油温预测模型预测对多个时间点的负载功率进行预测，得到多个时间点的预测油温。其中，终端可以将上述负载功率进行归一化后，输入到目标油温预测模型，并获取目标油温预测模型输出的预测油温。
54.步骤s206，根据目标油温预测模型对应的原始油温预测区间和预测油温，确定预测油温对应的目标油温预测区间；原始油温预测区间根据预设置信度和目标油温预测模型的模型误差得到。
55.其中，原始油温预测区间可以是终端根据预设置信度和目标油温预测模型的模型误差得到的。其中，目标油温预测模型的模型误差可以是终端将样本负载功率输入到训练完成的目标油温预测模型中，得到目标油温预测模型输出的目标测试油温后，将样本油温和对应的目标测试油温进行比较后得到的误差值，由于样本油温可以表示变压器正常运行时的油温值，因此终端可以基于样本油温和目标测试油温的差值确定目标油温预测模型的模型误差。终端可以根据上述原始油温预测区间和预测油温，确定预测油温对应的目标油温预测区间。其中，预测油温可以是目标油温预测模型基于待预测变压器的负载功率预测得到的油温数据，目标油温预测模型可以用于基于变压器的负载功率预测变压器在该负载功率下正常运行时对应的预测油温。从而终端可以基于预测油温和上述原始油温预测区间，确定目标油温预测区间，并基于目标油温预测区间判断变压器运行是否在正常。
56.步骤s208，根据真实油温与目标油温预测区间的比较结果，确定待预测变压器的运行状态。
57.其中，真实油温可以是待预测变压器运行过程中产生的真实油温数据，真实油温可以有多个，并且每个真实油温对应有相应的负载功率。终端基于上述目标油温预测模型，对负载功率进行预测，从而可以得到预测油温。即一个负载功率对应有一个预测油温和一个真实油温。其中，预测油温可以形成目标油温预测区间，终端可以根据每个负载功率的真实油温与目标油温预测区间的比较结果，确定待预测变压器的运行状态。例如，在一个实施例中，根据真实油温与目标油温预测区间的比较结果，确定待预测变压器的运行状态，包括：若真实油温在目标油温预测区间范围内，确定待预测变压器的运行状态为正常；若真实油温不在目标油温预测区间范围内，确定待预测变压器的运行状态为异常。本实施例中，负
载功率可以包括多个时间点的负载功率，对于每个负载功率，终端可以将该负载功率对应的真实油温与该负载功率对应的预测油温形成的目标油温预测区间进行比较，判断真实油温是否在目标油温预测区间范围内。若终端检测到上述真实油温在目标油温预测区间范围内，终端可以确定该负载功率下，待预测变压器的运行状态为正常；若终端检测到上述真实油温不在目标油温预测区间范围内，则终端可以确定该负载功率下，待预测变压器的运行状态为异常。
58.具体地，上述目标油温预测区间可以是一种置信区间，不同预设置信度下具有不同的置信区间，终端可以在给定置信度的前提下，给出预测的变化范围，从而判定油温是否处于正常区间。在训练阶段，终端利用所建立的待训练油温预测模型对测试油温数据进行判断，其中测试油温可以是待训练油温预存模型基于样本负载功率输出的油温数据，终端通过训练待训练油温预测模型时的训练数据集误差确定在不同置信度下的置信区间，利用置信区间将测试集上的预测结果变为预测区间，终端可以观察真实值，即上述样本油温，是否落在预测区间内，若落在预测区间内，则认为预测准确；反之则认为预测失败，基于此可以获得预测数据的准确率。经过准确率不断的优化，终端可以得到训练完成的目标油温预测模型，在实际应用时，当油温的真实值不在目标油温预测区间内时，说明变压器运行状态发生异常，终端可以在系统内有所提醒，提醒工作人员注意变压器中冷却装置以及油位的情况，进行变压器的检查。
59.上述基于油温的变压器状态预测方法中，通过将待预测变压器的负载功率输入目标油温预测模型，根据目标油温预测模型输出的预测油温以及目标油温预测模型对应的原始油温预测区间，确定预测油温对应的目标油温预测区间，并根据真实油温与目标油温预测区间的比较结果，确定待预测变压器的运行状态。相较于传统的通过灰色模型进行油温预测从而确定变压器状态的方式，本方案通过利用变压器的负载功率预测变压器的预测油温，并基于预测油温确定出预测区间，通过真实油温和预测油温的比较结果确定变压器的运行状态，提高了基于油温预测变压器状态的效率。
60.在一个实施例中，还包括：获取样本负载功率和样本负载功率对应的样本油温；将样本负载功率输入待训练油温预测模型，由待训练油温预测模型基于支持向量回归机和样本负载功率进行预测，并输出测试油温；获取测试油温与样本负载功率对应的样本油温的匹配度；根据待训练油温预测模型的当前模型参数和当前已有的匹配度输入预设适应度函数，基于粒子群算法确定预设适应度函数中的粒子在全局最优位置时对应的均方根误差值；若均方根误差值大于预设数值，调整待训练油温预测模型的模型参数，并返回将样本负载功率输入待训练油温预测模型，由待训练油温预测模型基于支持向量回归机和样本负载功率进行预测，并输出测试油温的步骤；若均方根误差值小于或等于预设数值，根据当前模型参数得到目标油温预测模型。
61.本实施例中，终端可以预先对待训练油温预测模型进行训练，得到目标油温预测模型。终端可以首先获取样本负载功率和样本负载功率对应的样本油温。并且终端可以获取待训练油温预测模型，并将样本负载功率输入待训练油温预存模型，由待训练油温预测模型基于支持向量回归机和样本负载功率进行预测，并输出测试油温。终端可以获取测试油温与样本负载功率对应的样本油温的匹配度，并根据待训练油温预测模型的当前模型参数和当前已有的匹配度输入预设适应度函数。其中，上述训练可以有多次训练，每次训练都
可以得到一个匹配度，因此上述匹配度可以有多个，当前已有的匹配度表示截止至当前次训练，目前已经存在的匹配度。预设适应度函数可以是终端基于粒子群算法构建的适应度函数，从而终端可以基于粒子群算法确定预设适应度函数中的粒子在全局最优位置时对应的均方根误差值。终端可以将上述均方根误差值与预设数值比较，若终端检测到均方根误差值大于预设数值，则终端可以调整待训练油温预测模型的模型参数，并返回将样本负载功率输入待训练油温预测模型，由待训练油温预测模型基于支持向量回归机和样本负载功率进行预测，并输出测试油温的步骤，即进行下一次训练0；若均方根误差值小于或等于预设数值，终端可以根据当前模型参数得到目标油温预测模型。其中，上述均方根误差值与预设数值的大小比较，可以是一种寻找最小界限的过程，当上述适应度函数对应的粒子的全局最优位置满足最小界限时，说明均方根误差值最小，此时终端可以确定训练完成。另外，终端还可以在检测到上述训练的迭代次数大于预设迭代阈值时，确定训练完成，并根据当前模型参数得到目标油温预测模型。
62.具体地，终端在利用支持向量回归机进行油温预测后，还可以通过粒子群算法对模型的参数进行寻优，其中，粒子群算法的思想与鸟群觅食的思想比较接近，通过搜索离食物地点最近的鸟附近的区域去快速寻求食物位置。而鸟就相当于粒子群算法中的粒子，每个粒子拥有两个属性，即速度与位置，当前位置为一个候选解，通过速度与附近位置进行位置转换，直到达到设定的迭代次数或者代数之间的差值满足最小界限时，终止循环，将粒子群中的最优个体极值作为目前全局的最优解。粒子群算法的过程可以如图2所示，图2为一个实施例中粒子群算法的流程示意图。粒子群算法的具体流程为：首先，初始化参数，设定种群规模、粒子的速度区间和搜索空间以及最大迭代次数；参数初始化后，定义算法的适应度函数，根据适应度函数计算出各粒子适应值，选出粒子的局部最优解(pbest)和种群全局最优解(gbest)，同时根据预设的更新公式，更新粒子的速度、位置和粒子历史最佳位置和全局最佳位置对应的适应度函数值，终端可以在上述粒子群算法的迭代次数达到预设迭代次数阈值，或全局最优位置满足最小界限时，结束参数优化，得到迭代好的模型参数，其中更新公式如下所示：
[0063][0064]
其中，v
ik
为粒子i在第k次迭代的速度；w为惯性权重因子，当w较大时，更侧重于全局寻优，较小时，侧重于局部寻优，因此终端需要选择适当的w达到全局寻优与局部寻优的平衡；c1与c2为学习因子，通常设定为c1＝c2＝2；p
ik-1
，是粒子i经k-1次迭代后的个体最优解和所有粒子i经k-1次迭代后的历史最优解；rand(0,1)为[0,1]范围内的随机数；为粒子i在第k次迭代的位置。
[0065]
通过本实施例，终端可以基于支持向量回归机和粒子群算法对待训练油温预测模型进行训练，从而得到可以用于进行油温预测的目标油温预测模型，提高了基于油温进行变压器状态检测的效率。
[0066]
在一个实施例中，获取样本负载功率和样本负载功率对应的样本油温，包括：获取原始样本负载功率和原始样本负载功率对应的样本油温；将原始样本负载功率和样本油温分别进行归一化，得到样本负载功率和样本油温。
[0067]
本实施例中，终端在对待训练油温预测模型进行训练时，可以获取样本负载功率和样本油温。其中，终端可以通过对原始数据进行归一化处理得到上述样本负载功率和样本油温。例如，终端可以获取原始样本负载功率和原始样本负载功率对应的样本油温，并将原始样本负载功率和样本油温分别进行归一化，得到样本负载功率和样本油温。具体地，上述原始样本负载功率可以是变压器中的三相的负载功率，终端可以对上述原始样本负载功率和样本油温分别转化为区间[0,1]内的无量纲参数，从而实现数据的归一化处理。
[0068]
通过本实施例，终端可以通过对数据进行归一化得到样本负载功率和样本油温，并进行油温预测模型的训练，提高了基于油温进行变压器状态预测的效率。
[0069]
在一个实施例中，将样本负载功率输入待训练油温预测模型，由待训练油温预测模型基于支持向量回归机和样本负载功率进行预测，并输出测试油温，包括：将样本负载功率输入待训练油温预测模型，由待训练油温预测模型将样本负载功率映射至预设维度空间，在预设维度空间中基于映射后的样本负载功率和预设高斯核函数构建拟合函数，基于拉格朗日优化方法确定拟合函数的解，作为测试油温并输出。
[0070]
本实施例中，终端可以通过支持向量回归机进行油温预测。支持向量回归机可以通过非线性拟合和高维映射的方式实现油温预测。例如，终端可以将上述样本负载功率输入待训练油温预测模型，并由待训练油温预测模型将样本负载功率映射至预设维度空间，该预设维度空间的维度数量可以高于样本负载功率所在的维度，终端可以在预设维度空间中，基于映射后的样本负载功率和预设高斯核函数构建拟合函数，并基于拉格朗日优化算法确定拟合函数的解，作为测试油温输出。其中，支持回归向量机的拟合示意图如图3所示，图3为一个实施例中支持向量机拟合步骤的示意图。传统支持向量机多数用于分类问题，旨在寻找一个分割超平面，将两类数据点进行分隔，支持向量机多数用于分类问题，旨在寻找一个分割超平面，将两类数据点进行分隔，其分割超平面的一般表示为：y(x)＝w
t
x b。其中，w为超平面的法向量，b为超平面的截距，w和b决定了超平面和原点之间的距离。支持向量机的最终优化问题转换为了凸二次规划求解问题，对于线性可分的训练样本集t＝{(x1，y1)，(x2，y2)，
…
，(xi，yi)，
…
，(xm，ym)}；其中，xi为n维特征向量，yi∈{-1,1}，i＝1,2,3,
…
,m。通过最大化最近点之间的距离确定最优超平面，建立模型为：
[0071][0072]
其中，w为超平面的法向量，b为常数项xi为第i个样本的特征向量，yi为xi所属的类。支持向量回归机(svr)也是寻找一个超平面，使样本点尽可能接近该平面，为支持向量机的改进，用来解决数据拟合问题。svr是寻找一个超平面，拟合数据点，使数据点尽可能存在于超平面附近，与支持向量机原理相反的是，svr通过最小化最远点间的距离确定超平面，即最小化ε的值。其传统的目标函数可以表示为：
[0073][0074]
约束条件将拟合的数据点缩小在离超平面距离为ε的范围内，此时由于可能存在离超平面较大的样本点，同时为了提高模型的容错率，终端可以建立一个“间隔带”，也就是松弛变量ξ的引入，当数据点与超平面之间的误差小于松弛变量ξ时，认为拟合准确，不计算损失，这也是该模型与其他回归算法不同的地方，引入松弛变量后，该模型的目标函数则变为：
[0075][0076]
终端通过求解该优化问题，确定w和b的值，确定拟合超平面，其拟合函数为：f(x)＝w
t
x b。终端可以利用拉格朗日优化方法将上述问题转换为其对偶问题，则拉格朗日方程为：
[0077][0078]
其中，α、α
*
、μ和μ
*
是决定间隔边界宽度的超参数。终端可以对拉格朗日方程中各参数求偏导，并令其等于0，则有：数求偏导，并令其等于0，则有：
[0079]
终端可以将上述结果代入拉格朗日函数中，从而可以得到原目标函数的对偶问题：
[0080][0081]
终端可以令上述过程满足kkt条件，则需要要求：
[0082]
从而可以到处模型的w和b值为：
[0083]
由于现实中大部分数据无法直接进行线性拟合，却可以在更高维的空间进行线性拟合，因此为解决非线性拟合问题，终端可以引入核函数的概念，将数据样本映射到更高维的空间，在高维空间中进行线性回归拟合，常用的核函数为多项式核函数、高斯核函数与线性核函数，本发明选用高斯核函数用于之后的实验，高斯核函数公式为：
[0084]
其中，σ为宽度系数。引入高斯核函数后模型目标函数可以表示为：
[0085]
则引入新样本x后，
例如引入新的样本负载功率，新样本的拟合函数为：f(x)＝w
t
φ(x) b。与线性拟合模型求解一样，终端可以利用拉格朗日优化方法进行模型求解，求解出该模型解为：终端可以将该解作为模型训练的输出，即上述测试油温。
[0086]
通过本实施例，终端可以通过支持向量回归机以及高维映射的方式进行油温预测，提高了油温预测的效率。
[0087]
在一个实施例中，根据目标油温预测模型对应的原始油温预测区间和预测油温，确定预测油温对应的目标油温预测区间，包括：将多个样本负载功率输入目标油温预测模型，获取目标油温预测模型输出的多个目标测试油温；根据样本油温和对应的目标测试油温的误差值，确定目标油温预测模型的模型误差，并根据多个模型误差确定模型误差平均值；根据预设置信度和模型误差平均值构建原始油温预测区间；根据预测油温与原始油温预测区间的区间下限的和，得到目标区间下限，并根据预测油温与原始油温预测区间的区间上限的和，得到目标区间上限；根据目标区间下限和目标区间上限，得到目标油温预测区间。
[0088]
本实施例中，终端可以基于原始油温预测区间和预测油温确定目标油温预测区间。终端可以首先获取原始油温预测区间。例如，终端可以将多个上述多个样本负载功率输入目标油温预测模型，目标油温预测模型可以是已经训练完成的模型，终端可以获取目标油温预测模型输出的多个目标测试油温；根据样本油温和对应的目标测试油温的误差值，确定目标油温预测模型的模型误差，并且终端可以根据多个模型误差确定模型误差平均值。终端得到模型误差平均值后，可以根据预设置信度和模型误差平均值构建原始油温预测区间，终端可以获取预测油温与原始油温预测区间的区间下限的和，得到目标区间下限，并获取预测油温与原始油温预测区间的区间上限的和，得到目标区间上限。终端可以根据目标区间下限和目标区间上限，得到目标油温预测区间。其中，由于油温的影响因素众多，而本发明只选用了负载功率作为油温预测的特征值，因此终端引入置信区间的概念，在给定置信度的前提下，给出预测的变化范围，利用训练样本的偏差建立误差的变化范围，提高模型预测的准确度。本发明采用枢轴量法作为误差的区间估计方法。即终端可以采用枢轴量法作为误差的区间估计方法。终端可以令f(xi)为第i个样本的预测值，即上述测试油温，yi为第i个样本的真实值，即上述样本油温，则误差为：xi＝y
i-f(xi)。由于样本有多个，因此模型误差可以由多个，终端可以令模型误差x服从正态分布，则使用统计量：
[0089]
其中，μ为误差序列的数学期望，σ为标准差，t(n-1)表示自由度为n-1的正态分布。
[0090]
则对于给定显著水平α，μ的置信水平为1-α时的置信区间为：
[0091]
对于新样本x，例如新的样本负载功率，其预测区间为：
[0092][0093]
终端得到上述预测区间后，若在训练期间，该预测区间可以用于对待训练油温预测模型的准确率进行计算，每个样本x具有一个预测区间i(x)，终端可以检测其真实值，即样本油温，是否落入该预测区间内。落在预测区间内，则认为预测准确，落在预测区间外，则认为预测错误，最后计算其模型的准确率。
[0094]
令lj为第j个测试样本的判断函数，则有：
[0095]
模型最终的评价指标(准确率)为：其中m为测试样本个数。
[0096]
通过本实施例，终端可以基于模型误差和置信度确定油温预测区间，从而终端可以基于目标油温预测区间与预测油温的比较，判断变压器是否运行正常，提高了基于油温进行变压器状态检测的效率。
[0097]
在一个实施例中，如图4所示，图4为另一个实施例中基于油温的变压器状态预测方法的流程示意图。本实施例中，终端可以获取电力变压器的负载功率数据和油温数据，并对数据进行归一化处理，根据归一化处理后的负载功率形成训练集，并根据训练集基于支持向量回归机方法训练油温预测模型，其中终端可以利用粒子群算法对支持向量回归机进行参数寻优。终端得到训练好的目标油温预测模型后，可以基于负载功率预测出一个待测试油温数据，即上述预测油温，并在给定置信度前提下，确定预测的变化范围，即确定上述目标油温预测区间。终端可以判断上述待测试油温是否在目标油温区间内，是则说明变压器运行正常，否则说明变压器运行异常，需要提醒工作人员进行变压器的检修。
[0098]
另外，还提供一种应用实施例，本实施例使用的数据集包含六个特征，分别为三相的负载实功率、虚功率，还有一列油温数据，首先将数据集特征进行归一化处理，并将数据集中的80％作为训练集，20％作为测试集，通过以上模型的建立，利用训练集训练模型，利用训练好的模型拟合测试集，得到测试集的预测值，可以获得模型拟合的均方误差根。利用所建立的模型对训练数据集进行预测，通过训练数据集误差确定误差的在不同置信度下的置信区间，其中，置信度可以包含第一置信度、第二置信度和第三置信度，分别为95％、90％、85％，利用置信区间将测试集上的预测结果变为预测区间，观察真实值是否落在预测区间内，若落在预测区间内，则认为预测准确；反之则认为预测失败，基于此可以获得预测数据的准确率。
[0099]
终端在模型参数的选择上，可以采用粒子群算法进行参数寻优，同时在寻优过程中，使用五折交叉验证法计算参数的均方误差根，通过最小化均方误差根进行参数寻优，最终其确定的最优模型参数如下表所示：
[0100]
参数cgamma参数值111.697677264094070.0093173780934372
[0101]
其中，上述各个参数均为目标油温预测模型中的参数，即支持向量机的高斯kernel参数c和gamma。gamma为不敏感损失函数的参数，gamma越大，支持向量越少，gamma值越小，支持向量越多，rbf(radial basis function，径向基函数)宽度越大。c为惩罚系数，c过大或过小，泛化能力变差。终端利用确定好的参数确定模型，训练集训练模型后，利用模型预测测试集的结果，实验结果如下，其中，测试集上的均方误差根为：rmse＝7.877375897325667。引入置信度为95％、90％、85％后的结果整理如下表所示：
[0102][0103]
根据上述结果，更加推荐使用90％的置信度作为模型的置信度。
[0104]
具体地，终端可以利用前100个测试数据样本进行绘图，结果如图5、图6和图7所示，图5为一个实施例中第一置信度下油温序列的示意图。图6为一个实施例中第二置信度下油温序列的示意图。图7为一个实施例中第三置信度下油温序列的示意图。其中线条601、701和801分别代表真实值，线条602、702和802分别代表预测值，虚线所围区域为预测区间：图3为95％置信度下的结果；图4为90％置信度下的结果，图5为85％置信度下的结果。通过图中结果，更推荐90％或者85％作为误差置信区间的置信度，当油温的真实值不在预测区间内时，可以在系统内有所提醒，提醒工作人员注意变压器中冷却装置以及油位的情况，进行变压器的检查。
[0105]
通过上述实施例，终端可以通过利用变压器的负载功率预测变压器的预测油温，并基于预测油温确定出预测区间，通过真实油温和预测油温的比较结果确定变压器的运行状态，提高了基于油温预测变压器状态的效率。
[0106]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0107]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的基于油温的变压器状态预测方法的基于油温的变压器状态预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于油温的变压器状态预测装置实施例中的具体限定可以参见上文中对于基于油温的变压器状态预测方法的限定，在此不再赘述。
[0108]
在一个实施例中，如图8所示，提供了一种基于油温的变压器状态预测装置，包括：获取模块500、预测模块502、区间确定模块504和状态确定模块506，其中：
[0109]
获取模块500，用于获取待预测变压器的负载功率以及真实油温。
[0110]
预测模块502，用于将负载功率输入目标油温预测模型，获取目标油温预测模型输出的预测油温；目标油温预测模型基于支持向量回归机对样本负载功率和样本油温训练得到。
[0111]
区间确定模块504，用于根据目标油温预测模型对应的原始油温预测区间和预测油温，确定预测油温对应的目标油温预测区间；原始油温预测区间根据预设置信度和目标油温预测模型的模型误差得到。
[0112]
状态确定模块506，用于根据真实油温与目标油温预测区间的比较结果，确定待预测变压器的运行状态。
[0113]
在一个实施例中，上述装置还包括：训练模块，用于将样本负载功率输入待训练油温预测模型，由待训练油温预测模型基于支持向量回归机和样本负载功率进行预测，并输出测试油温；获取测试油温与样本负载功率对应的样本油温的匹配度；根据待训练油温预测模型的当前模型参数和当前已有的匹配度输入预设适应度函数，基于粒子群算法确定预设适应度函数中的粒子在全局最优位置时对应的均方根误差值；若均方根误差值大于预设数值，调整待训练油温预测模型的模型参数，并返回将样本负载功率输入待训练油温预测模型，由待训练油温预测模型基于支持向量回归机和样本负载功率进行预测，并输出测试油温的步骤；若均方根误差值小于或等于预设数值，根据当前模型参数得到目标油温预测模型。
[0114]
在一个实施例中，上述训练模块，具体用于获取原始样本负载功率和原始样本负载功率对应的样本油温；将原始样本负载功率和样本油温分别进行归一化，得到样本负载功率和样本油温。
[0115]
在一个实施例中，上述训练模块，具体用于将样本负载功率输入待训练油温预测模型，由待训练油温预测模型将样本负载功率映射至预设维度空间，在预设维度空间中基于映射后的样本负载功率和预设高斯核函数构建拟合函数，基于拉格朗日优化方法确定拟合函数的解，作为测试油温并输出。
[0116]
在一个实施例中，上述区间确定模块504，具体用于将多个样本负载功率输入目标油温预测模型，获取目标油温预测模型输出的多个目标测试油温；根据样本油温和对应的目标测试油温的误差值，确定目标油温预测模型的模型误差，并根据多个模型误差确定模型误差平均值；根据预设置信度和模型误差平均值构建原始油温预测区间；根据预测油温与原始油温预测区间的区间下限的和，得到目标区间下限，并根据预测油温与原始油温预测区间的区间上限的和，得到目标区间上限；根据目标区间下限和目标区间上限，得到目标油温预测区间。
[0117]
在一个实施例中，上述状态确定模块506，具体用于若真实油温在目标油温预测区间范围内，确定待预测变压器的运行状态为正常；若真实油温不在目标油温预测区间范围内，确定待预测变压器的运行状态为异常。
[0118]
上述基于油温的变压器状态预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也
可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0119]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于油温的变压器状态预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0120]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0121]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的基于油温的变压器状态预测方法。
[0122]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的基于油温的变压器状态预测方法。
[0123]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的基于油温的变压器状态预测方法。
[0124]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0125]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0126]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0127]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。