漏磁变压器的磁场预测方法、装置、介质和设备与流程

1.本发明涉及物理场仿真技术领域，尤其是涉及一种漏磁变压器的磁场预测方法、装置、介质和设备。


背景技术：

2.变压器是电力系统中至关重要的电力设备之一，对电力系统的稳定运行起着至关重要的作用。为了实现变压器的状态监测，我们需要通过研究变压器内部电、磁、热、力、流体等物理场的分布变化特性，以及各物理场间的相互关联、相互耦合和相互影响规律来寻求一种可行的方法。
3.目前，有限元分析(finite element analysis，fea)是计算变压器内部物理场的主要方法之一。然而，使用fea进行建模和仿真的计算量极大，根据模型和应用场景的复杂性，其计算时间可能需要几个小时到几天，难以满足一些实时性要求较高的场景的需求。此外，由于大部分状态检测数据是非结构化的，无法进行高效的处理和深度挖掘，因此需要采用另外的数据处理方法来提高数据的处理效率和准确性，从而确保电力系统的安全和可靠运行。


技术实现要素：

4.基于此，有必要提供漏磁变压器的磁场预测方法、装置、介质和设备，以解决难以快速且准确地预测漏磁变压器磁场的问题。
5.一种漏磁变压器的磁场预测方法，所述方法包括：
6.获取变压器模型的漏磁增压数据，基于预设的网格疏密程度将所述漏磁增压数据剖分为网格数据集，并获取所述网格数据集所对应的变压器基本参数；
7.将所述网格数据集划分为训练数据集和测试数据集；
8.对所述网格数据集进行主成分分析，将降维得到的分析结果作为测试数据集所对应的变压器基本参数的标签，并将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训练；
9.将所述测试数据集所对应的变压器基本参数输入训练后的磁场预测模型，并获取输出的初步预测向量，对所述初步预测向量进行反主成分分析，以得到预测后所述变压器模型的目标预测磁场。
10.在其中一个实施例中，所述基于预设的网格疏密程度将所述漏磁增压数据剖分为网格数据集之后，包括；
11.基于磁场强度大小对应的时间区间将所述网格数据集划分为谷值数据集和非谷值数据集。
12.在其中一个实施例中，若所述磁场预测模型为处理时间序列数据的循环神经网络模型，则预设所述变压器基本参数为采样时间；若所述磁场预测模型为非处理时间序列数据的循环神经网络模型，则预设所述变压器基本参数包括采样时间及变压器电压。
13.在其中一个实施例中，所述对所述网格数据集进行主成分分析，包括：
14.将所述网格数据集转换为原始矩阵；其中，所述原始矩阵中每一行/列的元素为所述变压器模型每个时间点在所有坐标点上的磁场值；
15.对所述原始矩阵进行标准化处理，并计算标准化处理后原始矩阵的协方差矩阵；
16.对所述协方差矩阵进行特征值分解，并根据特征值的大小选择前d个主成分；
17.将所述原始矩阵投影到所述d个主成分上，以得到投影后降维的分析结果。
18.在其中一个实施例中，所述对所述初步预测向量进行反主成分分析，以得到预测后所述变压器模型的目标预测磁场，包括：
19.从所述初步预测向量中减去所述原始矩阵的平均值，并乘以主成分向量矩阵的转置，并加回所述所述原始矩阵的平均值，以得到预测后所述变压器模型的目标预测磁场；其中，所述主成分向量矩阵为所述d个主成分构成的矩阵。
20.在其中一个实施例中，所述将所述网格数据集划分为训练数据集和测试数据集，包括：
21.将所述网格数据集划分为z折；其中，每一折网格测试数据集内的所述测试数据集为条，所述训练数据集为条，d为所述网格数据集内数据的总条数,且每一折网格测试数据集内的测试数据集不同；
22.每一折测试数据集对应一折携带标签的多个变压器基本参数，所述将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训练，包括：
23.将每一折携带标签的多个变压器基本参数输入所述磁场预测模型，并获取输出的训练预测向量，基于所述标签和所述训练预测向量计算当前的损失值，并基于所述损失值迭代调整所述磁场预测模型的超参数，以得到每一折的最优超参数组合；
24.在获取的z折最优超参数组合中，将损失值最小所对应的最优超参数组合作为所述磁场预测模型的目标超参数组合。
25.在其中一个实施例中，所述方法，包括：
26.z折交叉计算所述目标预测磁场与通过有限元分析方法预测得到的基准预测磁场之间的平均绝对百分比误差，以评估所述目标预测磁场的预测准确性。
27.一种漏磁变压器的磁场预测装置，所述装置包括：
28.数据集获取模块，用于获取变压器模型的漏磁增压数据，基于预设的网格疏密程度将所述漏磁增压数据剖分为网格数据集，并获取所述网格数据集所对应的变压器基本参数；将所述网格数据集划分为训练数据集和测试数据集；
29.训练模块，用于对所述网格数据集进行主成分分析，将降维得到的分析结果作为测试数据集所对应的变压器基本参数的标签，并将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训练；
30.预测模块，用于将所述测试数据集所对应的变压器基本参数输入训练后的磁场预测模型，并获取输出的初步预测向量，对所述初步预测向量进行反主成分分析，以得到预测后所述变压器模型的目标预测磁场。
31.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述漏磁变压器的磁场预测方法的步骤。
32.一种漏磁变压器的磁场预测设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述漏磁变压器的磁场预测方法的步骤。
33.本发明提供了漏磁变压器的磁场预测方法、装置、介质和设备，首先进行神经网络的训练，包括获取变压器模型的漏磁增压数据，基于预设的网格疏密程度将所述漏磁增压数据剖分为网格数据集，并获取所述网格数据集所对应的变压器基本参数；将所述网格数据集划分为训练数据集和测试数据集；对所述网格数据集进行主成分分析，将降维得到的分析结果作为测试数据集所对应的变压器基本参数的标签，并将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训练。接着基于训练后的神经网络进行漏磁变压器的磁场预测，包括将所述测试数据集所对应的变压器基本参数输入训练后的磁场预测模型，并获取输出的初步预测向量，对所述初步预测向量进行反主成分分析，以得到预测后所述变压器模型的目标预测磁场。由于预测速度较慢的神经网络只需要先进行局部的预测，因此并不会花费太多预测时间，而后由主成分分析逆变换快速进行进一步快速的预测，这样可同时保证预测结果的准确性。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.其中：
36.图1为漏磁变压器的磁场预测方法的流程示意图；
37.图2为磁场预测模型的训练流程示意图；
38.图3为坐标点磁场强度随时间变化的示意图；
39.图4为磁场预测模型的预测流程示意图；
40.图5为lstm模型的结构示意图；
41.图6为不同时序长度下lstm模型的损失函数变化曲线示意图；
42.图7为漏磁变压器的磁场预测装置的结构示意图；
43.图8为漏磁变压器的磁场预测设备的结构框图。
具体实施方式
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包
括对于这些过程、方法、产品或设备固有的其他步骤或单元。
46.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
47.如图1所示，图1为一个实施例中漏磁变压器的磁场预测方法的流程示意图，本实施例中漏磁变压器的磁场预测方法提供的步骤包括：
48.s101,获取变压器模型的漏磁增压数据，基于预设的网格疏密程度将漏磁增压数据剖分为网格数据集，并获取网格数据集所对应的变压器基本参数。
49.具体的来说，可以在有限元分析软件中仿真所要分析的漏磁增压数据，例如该有限元分析软件可以是comsol，创建得到变压器模型，再施加交流磁场，仿真检测物体表面漏磁场的变化情况，得到如图2所示的有限元仿真模型(即漏磁增压数据)。
50.接着基于预设的网格疏密程度对漏磁增压数据进行剖分，基于网格疏密程度的差异，可以得到网格稀疏数据集或网格密集数据集，也即对应图2中的物理场分布部分的内容。
51.示例性的，若网格稀疏数据集的额定电压为50v，电压变化范围为1.00倍额定电压至1.50倍额定电压，变化步长为2.5v；仿真时间的范围为0s-0.05s，变化步长为0.0005s。通过变化电压和仿真时间，共可仿真得到1078条网格稀疏数据，其中每条网格稀疏数据由1035个磁场坐标点的三维坐标信息和磁通密度组成。
52.与之相对应的，若网格密集数据集为额定电压为50v，电压变化范围为1.00倍额定电压至1.60倍额定电压，变化步长为2.5v；仿真时间为0.04s-0.07s，变化步长为0.0025s，通过变化电压和仿真时间，共可仿真得到169条网格密集数据，其中每条网格密集数据由4226个磁场坐标点的三维坐标信息和磁通密度组成。
53.进一步的，网格数据集中每个坐标点的磁通密度是随电压增量和时间的变化的，如图3所示，坐标点磁场强度随时间的变化呈近似余弦函数的非线性分布的。经过多次实验发现直接使用整个数据集进行数据处理及训练时的预测结果并不理想，具体表现为使用0s、0.02s、0.04s几个磁场强度较小的波谷数据进行磁场预测的效果较差，但其他时间的数据进行磁场预测的效果较好。因此本发明还在0～0.05s的时间范围内，基于磁场强度大小对应的时间区间将网格数据集划分为谷值数据集和非谷值数据集，从而进行区分性的训练及预测。
54.示例性的，在网格稀疏数据集中，以0.0015为区间边界值，其中非谷值数据集范围为：[0.0015～0.0185]，[0.0215～0.0385]，[0.0415～0.05]，共946条数据；谷值数据集范围为：[0～0.0015]，[0.0185～0.0215]，[0.0385～0.0415]，共132条数据。在网格密集数据集中，同样以0.0015为区间边界值，划分得到非谷值数据集共91条数据，谷值数据集共78条数据。
[0055]
接着获取网格数据集所对应的变压器基本参数，若磁场预测模型为处理时间序列数据的循环神经网络模型，例如lstm，则预设变压器基本参数为采样时间；若磁场预测模型为非处理时间序列数据的循环神经网络模型，例如dnn、cnn、xgboost，则预设变压器基本参数包括采样时间及变压器电压。
[0056]
s102,将网格数据集划分为训练数据集和测试数据集。
[0057]
其中，训练数据集是指被用来训练磁场预测模型的数据集合。模型在训练过程中使用训练数据集进行参数优化和模型拟合，目的是使得模型能够在训练数据集上表现良好。而测试数据集则是为了评估模型性能和泛化能力而准备的数据集合。
[0058]
在一个具体已实施例中，通过如下的方式对网格数据集进行划分：将网格数据集划分为z折；其中，每一折网格测试数据集内的测试数据集为条，训练数据集为条，d为网格数据集内数据的总条数,且每一折网格测试数据集内的测试数据集不同。
[0059]
示例性的，对于网格稀疏数据集所有的1078条数据，非谷值数据集中d＝946条数据，谷值数据集中d＝132条数据，设定z＝10。对于网格密集数据集所有的169条数据，非谷值数据集中d＝91条数据，谷值数据集中d＝78条数据。因为数据较少，为了防止过拟合，设定z＝5。因为无法精确划分出测试数据集和训练数据集，可将每一折的数据条数划分为不同，同时用m表示训练数据集的条数，用n表示测试数据集的条数。
[0060]
s103,对网格数据集进行主成分分析，将降维得到的分析结果作为测试数据集所对应的变压器基本参数的标签，并将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训练。
[0061]
如图2所示，本发明通过对网格数据集进行主成分分析，得到p个维度的分析结果，该p个维度的分析结果保留了大部分的原始特征。
[0062]
在一个具体实施例中，主成分分析的具体步骤包括：
[0063]
首先将网格数据集转换为原始矩阵，包括把每个时间点对应的磁场值转化为行向量，然后将训练集每一个时间点的数据按行拼接。因此，原始矩阵中每一行/列的元素为变压器模型每个时间点在所有坐标点上的磁场值。
[0064]
进一步的，对原始矩阵进行标准化处理，并计算标准化处理后原始矩阵的协方差矩阵；也就是将各个维度的数据归一化为均值为0、标准差为1的分布，这样可以消除不同变量之间的量纲影响，接着，可以计算该数据集的协方差矩阵，来衡量不同变量之间的相关性。协方差矩阵是一个方阵，对角线上的元素表示每个变量的方差，非对角线上的元素表示不同变量之间的协方差。协方差矩阵可以通过公式cov(x,y)＝e[(x-e(x))(y-e(y))]来计算，其中e表示期望。
[0065]
进一步的，对协方差矩阵进行特征值分解，并根据特征值的大小选择前d个主成分；其中，对于一个方阵a，若存在向量v和标量λ，使得av＝λv，则称v是a的一个特征向量，λ是其对应的特征值；通过特征值分解，得到一系列特征向量和对应的特征值。特征值表示了这些特征向量所代表的各个主成分重要程度的大小。我们需要根据特征值的大小选择前d个主成分(特征向量)，d的选取需要考虑保留原始数据信息的程度。
[0066]
最后，将原始矩阵投影到d个主成分上，以得到投影后降维的分析结果，也即p个维度。由于主成分已经按照重要性进行排序，因此投影到前d个主成分上可以保留原始数据的大部分信息，同时实现降维处理。
[0067]
总的来说，在网格稀疏数据集中，非谷值数据集保留前200维，即令p＝200。谷值数据集保留前118维，即令p＝118。在网格密集数据集中。非谷值数据集保留前72维，即令p＝72。谷值数据集保留前62维，即令p＝62。这p个维度的分析结果至少保留了99.99％的原始
特征。
[0068]
再将经过主成分分析后的分析结果归一化处理到[0，1]范围内作为采样点数据的标签并用于磁场预测模型的迭代训练，在网格稀疏数据集的非谷值数据集中，磁场预测模型可基于变压器基本参数预测200个坐标点的三维坐标信息和磁通密度。在网格稀疏数据集的谷值数据集中，磁场预测模型可基于变压器基本参数预测118个坐标点的三维坐标信息和磁通密度。在网格密集数据集的非谷值数据集中，磁场预测模型可基于变压器基本参数预测72个坐标点的三维坐标信息和磁通密度。在网格密集数据集的谷值数据集中，磁场预测模型可基于变压器基本参数预测62个坐标点的三维坐标信息和磁通密度。
[0069]
可选的，该磁场预测模型为dnn模型，包括：依次连接的一个输入层、至少二个隐含层及一个输出层。训练中隐含层中均使用relu作为激活函数，输出层之后用sigmoid作为激活函数，损失函数设置为mse损失函数。
[0070]
由于，网格数据集已经被划分为z折，因此其中的每一折测试数据集对应一折携带标签的多个采样点数据，相应的，磁场预测模型可进行z轮迭代训练，包括：
[0071]
将每一折携带标签的多个采样点数据输入磁场预测模型，并获取输出的训练预测向量，基于标签和训练预测向量计算当前的损失值，并基于损失值迭代调整磁场预测模型的超参数，以得到每一折的最优超参数组合；在获取的z折最优超参数组合中，将损失值最小所对应的最优超参数组合作为磁场预测模型的目标超参数组合。最终得到的最优超参数组合如表1及表2所示，表1指示网格稀疏数据集的最优超参数组合，表2指示网格密集数据集的最优超参数组合。其中，hidden-layers指示隐藏层，是一种用于对输入数据进行多层非线性变换的层次结构；lrs指示学习率，是指在每一次迭代中，梯度下降算法更新模型参数的步长大小；bs指示批次大小，是指在训练过程中每一次迭代所使用的样本数量。
[0072]
表1：
[0073][0074][0075]
表2：
[0076][0077]
s104,将测试数据集所对应的变压器基本参数输入训练后的磁场预测模型，并获
取输出的初步预测向量，对初步预测向量进行反主成分分析，以得到预测后变压器模型的目标预测磁场。
[0078]
由s103可知，训练后的磁场预测模型具备初步的预测能力。如图4所示，对于网格稀疏数据集来说，若将其中的n*k维的测试数据集输入到训练后的磁场预测模型中，就能预测得到n*p维的初步预测向量，但该初步预测向量相较于目标预测磁场仍具有一定的特征损失，本发明进一步通过主成分分析逆变换进行预测。
[0079]
在一个具体实施例中，主成分分析逆变换的具体步骤包括：从初步预测向量中减去原始矩阵的平均值，并乘以主成分向量矩阵的转置，并加回原始矩阵的平均值，以得到预测后变压器模型的目标预测磁场；其中，主成分向量矩阵为d个主成分构成的矩阵。
[0080]
该主成分分析逆变换可以得到和原始数据相同维度的数据，然后用特定的评价指标对测试数据集实验结果进行评估。
[0081]
在一个具体实施例中，通过如下方式进行评估：
[0082]
z折交叉计算目标预测磁场与通过有限元分析方法预测得到的基准预测磁场之间的平均绝对百分比误差，以评估目标预测磁场的预测准确性。示例性的，以cnn模型为例，可得到表3所示的交叉验证结果：
[0083]
表3：
[0084][0085]
上表中，mape(％)用于衡量方法的精度，它是平均绝对百分比误差。mse(t2)是用来衡量预测器或者估计量的质量的均方误差，它是预测值与实际值差值平方的平均数。mae(t)是预测值与实际值之间差值绝对值的平均值，它用来评估预测器的精度和误差大小。
[0086]
当然，本发明中的磁场预测模型不仅限于cnn模型，也可以选用其他的模型，例如使用xgboost模型，最终可得到表4所示的交叉验证结果：
[0087]
表4：
[0088][0089]
同样的，本发明中的磁场预测模还可以选用处理时间序列数据的循环神经网络模型，例如lsmt模型，该模型对应的变压器基本参数为仅采样时间，同时不做谷值数据集与非
谷值数据集的区分，而做输入数据序列长度的区分。
[0090]
在该lstm模型中，我们每次选取时间序列对应的n个电压特征作为模型的输入，将第n 1个时间点的变压器磁场值作为输出。利用网格密集数据集训练lstm模型，结合主成分分析得到的标签，数据集的输入输出维度如表5。
[0091]
表5：
[0092][0093]
如图5所示，lstm模型选用三层隐含层，每个隐含层中神经元个数都为64。学习率的设置依据optuna框架学习得到的最优超参数组合，分别设置为9.70
×
10-5
，2.85
×
10-6
，1.99
×
10-7
，3.02
×
10-8
，每四分之一个训练轮次调整一次，批处理大小设置为16，隐含层中均使用relu函数作为激活函数，损失函数设置为mse损失函数。
[0094]
图6为时序长度为10、20、30时的损失函数变化曲线，其中横轴为训练次数，纵轴为了显示损失函数的数量级变化设置为损失值的对数值，即ln(loss)，由损失函数变化曲线图可以看出训练模型均已收敛。
[0095]
设置超参数组合并训练完lstm模型后，对长度分别为10、20、30的时间序列进行测试，可得到表6所示的交叉验证结果。
[0096]
表6：
[0097][0098]
上述漏磁变压器的磁场预测方法，首先进行神经网络的训练，包括获取变压器模型的漏磁增压数据，基于预设的网格疏密程度将漏磁增压数据剖分为网格数据集，并获取网格数据集所对应的变压器基本参数；将网格数据集划分为训练数据集和测试数据集；对网格数据集进行主成分分析，将降维得到的分析结果作为测试数据集所对应的变压器基本参数的标签，并将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训练。接
着基于训练后的神经网络进行漏磁变压器的磁场预测，包括将测试数据集所对应的变压器基本参数输入训练后的磁场预测模型，并获取输出的初步预测向量，对初步预测向量进行反主成分分析，以得到预测后变压器模型的目标预测磁场。由于预测速度较慢的神经网络只需要先进行局部的预测，因此并不会花费太多预测时间，而后由主成分分析逆变换快速进行进一步快速的预测，这样可同时保证预测结果的准确性。
[0099]
在一个实施例中，如图7所示，提出了一种漏磁变压器的磁场预测装置，该装置包括：
[0100]
数据集获取模块，用于获取变压器模型的漏磁增压数据，基于预设的网格疏密程度将漏磁增压数据剖分为网格数据集，并获取网格数据集所对应的变压器基本参数；将网格数据集划分为训练数据集和测试数据集；
[0101]
训练模块，用于对网格数据集进行主成分分析，将降维得到的分析结果作为测试数据集所对应的变压器基本参数的标签，并将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训练；
[0102]
预测模块，用于将测试数据集所对应的变压器基本参数输入训练后的磁场预测模型，并获取输出的初步预测向量，对初步预测向量进行反主成分分析，以得到预测后变压器模型的目标预测磁场。
[0103]
图8示出了一个实施例中漏磁变压器的磁场预测设备的内部结构图。如图8所示，该漏磁变压器的磁场预测设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该漏磁变压器的磁场预测设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现漏磁变压器的磁场预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行漏磁变压器的磁场预测方法。本领域技术人员可以理解，图8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漏磁变压器的磁场预测设备的限定，具体的漏磁变压器的磁场预测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。
[0104]
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：获取变压器模型的漏磁增压数据，基于预设的网格疏密程度将漏磁增压数据剖分为网格数据集，并获取网格数据集所对应的变压器基本参数；将网格数据集划分为训练数据集和测试数据集；对网格数据集进行主成分分析，将降维得到的分析结果作为测试数据集所对应的变压器基本参数的标签，并将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训练；将测试数据集所对应的变压器基本参数输入训练后的磁场预测模型，并获取输出的初步预测向量，对初步预测向量进行反主成分分析，以得到预测后变压器模型的目标预测磁场。
[0105]
一种漏磁变压器的磁场预测设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：获取变压器模型的漏磁增压数据，基于预设的网格疏密程度将漏磁增压数据剖分为网格数据集，并获取网格数据集所对应的变压器基本参数；将网格数据集划分为训练数据集和测试数据集；对网格数据集进行主成分分析，将降维得到的分析结果作为测试数据集所对应的变压器基本参数的标签，并将携带标签的多个变压器基本参数输入磁场预测模型中进行迭代训
练；将测试数据集所对应的变压器基本参数输入训练后的磁场预测模型，并获取输出的初步预测向量，对初步预测向量进行反主成分分析，以得到预测后变压器模型的目标预测磁场。
[0106]
需要说明的是，上述漏磁变压器的磁场预测方法、装置、设备及计算机可读存储介质属于一个总的发明构思，漏磁变压器的磁场预测方法、装置、设备及计算机可读存储介质实施例中的内容可相互适用。
[0107]
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，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0108]
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。
[0109]
以上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，本技术专利的保护范围应以所附权利要求为准。