一种基于Adam算法优化的神经网络变压器顶层油温预测

基于国内外现有变压器老化影响因素、绕组热点温度的预测方法及变压器绝缘状态评估的研究基础,以变压器顶层油温为研究对象,利用灰色关联分析法分析变压器监测量与顶层油温的相关性,采用Adam算法优化的人工神经网络对热点温度进行预测。该预测方法速度快、精度高,能在变压器负载状态和散热设备动态变化明显的工作情况下实现顶层油温的高精度预测。

基于LSTM模型的变压器顶层油温预测方法

变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为特征量,提出了一种基于长短时记忆(Long Short Term Memory Network,LSTM)网络算法的变压器顶层油温预测模型。以变电站真实数据做实例仿真分析,训练所提的LSTM预测模型,并选取5个随机样本进行预测;同时,分别搭建BP神经网络(BPNN)和循环神经网络(RNN)预测模型对相同样本做预测,并截取前30时刻预测数据与LSTM模型的预测值做对比。仿真结果表明,基于LSTM的温度预测模型的计算精度最高,误差率控制在5%以内,预测值与实际值变化趋势基本一致。该模型可有效实现变压器顶层油温的预测。

基于T-S模型的电力变压器顶层油温预测研究

为准确估算电力变压器绕组热点温度,对变压器安全运行和寿命评估提供辅助依据,建立了一个基于Takagi-Sugeno(T-S))的变压器顶层油温预测模型。模型的前件参数由模糊C均值聚类算法确定,后件参数由加权最小二乘法离线辨识,并用现场实测数据对模型后件参数进行在线调整。通过对实测数据的仿真实验表明,该模型以简单的模糊规则实现了变压器顶层油温的预测,且模型的预测精度优于IEEE推荐的变压器顶层油温经验模型,从而提高其绕组热点温度计算的精度。

变压器顶层油温预测热模型影响因素分析及其改进

油浸式电力变压器的运行寿命及负载能力与油温密切相关,运行在高温、强辐射地区的变压器容易因为过热而导致早期故障,顶层油温是变压器油温的重要指标。为此,在分析几种典型顶层油温热模型的基础上,考虑变压器所遭受的太阳辐射以及热时间常数随时间变化的影响,引入代表辐射的修正项,同时分析不同滞后时间变量与不同离散方法对热模型的影响,得到了一种改进的顶层油温预测热模型。通过对某750 000kVA/500kV变压器进行实际计算并与现场监测数据比较,同时对比分析考虑各不同因素后的模型的预测精度,发现综合考虑热辐射、滞后时间变量并采用改进欧拉离散方法的热模型预测效果最优,具有平均误差1.21、均方误差1.19的精度。结果表明该改进热模型能较好地预测变压器顶层油温。

基于顶层油温的变压器绕组热点温度计算改进模型

油浸式电力变压器绕组热点温度是影响变压器绝缘寿命的重要参量,与变压器顶层油温密切相关。考虑非线性热阻-变压器断路阻抗、油粘滞度以及绕组损耗随温度的变化,引入粘滞度与损耗关于温度变化的修正因子,提出一种基于顶层油温的变压器绕组热点温度改进模型。模型参数选用Levenberg-Marquardt算法进行估算。对比实验室温升用试验变压器实测数据,该模型在欠负载(90%)、额定负载(100%)以及过负载(110%)下,显示了较好的一致性,特别在动态负载下,能够较好地描述各暂态温度变化情况,为变压器绕组热点温度计算提出了一种新方法。

基于Kalman滤波算法的电力变压器顶层油温预测研究

油浸式电力变压器油温是影响变压器运行寿命和负载能力的重要因素,与变压器顶层油温密切相关。运行在高温、过负荷情况下的变压器容易因为绕组热点温度过高导致早期故障,而顶层油温是变压器热点温度的重要指标。为能精确预测变压器顶层油温,通过分析基于变压器热路模型的顶层油温动态微分方程,构造基于Kalman滤波的顶层油温状态方程和测量方程,建立了顶层油温实时最优估计模型,实时地预测变压器顶层油温。结合现场实测数据对比分析Kalman滤波模型及IEEE导则推荐模型预测结果,结果表明Kalman滤波模型相对IEEE导则推荐模型具备更高的精度,为油浸式变压器顶层油温预测提供一种新的参考。

基于顶层油温升的变压器过负载建模与分析

为了准确求出油浸式变压器过负载运行下的温升变化规律及关键性热参数,提出了一种基于顶层油温升的变压器过负载计算模型。该方法基于流体阻力特性建立全局油路动量模型,针对绕组、油流及散热器间的耦合传热问题,应用能量守恒建立描述场域温度分布的控制方程;同时,建立三维数值模型与实验测试平台对比验证本文所述模型;最后,利用双对数线性回归模型对IEEE导则模型中的非线性热参数油指数进行校正。研究结果表明:应用论文所提变压器温升计算方法可根据其设计参数求出任意过负载运行时的顶层油温升上限及变化规律;论文模型计算结果与CFD软件计算结果基本一致,顶层油温升与底层油温升平均相对误差分别为3.61%和3.28%,与实验测试结果相比,顶层油温升平均相对误差为3.43%,验证了所提模型的准确性与有效性;对过负载下的油指数进行修正,其精度较IEEE参考值提升了2.627%。论文研究可为变压器过负载计算提供参考。

基于变压器顶层油温的动态建模

用电路模型推导出变压器动态温升微分方程,其可以准确预测变压器顶层油温。实验结果证实其误差在3℃以内。

谐波对油浸式变压器顶层油温和绕组热点温度影响的研究

研究了谐波对油浸式变压器顶层油温和绕组热点温度的影响。

基于条件互信息与LSTNet的特高压变压器顶层油温预测方法

顶层油温预测可为特高压变压器绝缘老化评估及故障预警提供重要依据。该文提出一种基于条件互信息(conditional mutual information,CMI)及长期和短期时间序列网络(long-and short-term time-series network,LSTNet)的特高压变压器顶层油温预测方法。基于历史监测数据包括顶层油温、油中溶解气体含量、绕组温度、绕组电流、环境温度等9种参量,采用条件互信息方法,为顶层油温预测选取具有强信息增益的特征量,以降低预测模型输入特征维度;在此基础上,利用LSTNet提取特征量中蕴含的长期周期性规律和短期非线性变化特性,建立基于CMI-LSTNet预测模型,实现特高压变压器多个部位顶层油温预测。算例结果表明,相较于现有典型预测方法,该文方法不仅适应特高压变压器顶层油温变化趋势,且具有较高的预测精度。

基于核极限学习机误差预测修正的变压器顶层油温预测

为准确估算变压器热点温度,给变压器负载能力估计、热故障预防、绝缘寿命预测提供辅助依据,建立了基于核极限学习机误差预测修正的变压器顶层油温预测模型。该模型采用核极限学习机对典型的Susa热路模型顶层油温的预测误差进行建模预测,并以核极限学习机的预测值修正热路模型顶层油温预测结果。为提高核极限学习机的预测精度,采用引力搜索算法对核极限学习机的惩罚系数和核参数进行优化。算例结果表明,所提模型的预测结果与实测值基本一致,预测精度高于未经误差修正的半物理模型——Susa热路模型和典型的非线性拟合回归模型——引力搜索优化的核极限学习机模型,并且采用的引力搜索优化的核极限学习机算法在训练时间上显著优于引力搜索优化的支持向量机和Elman神经网络算法,且预测精度略优于后2种算法。

基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测

为准确估计变压器热状态,提出了一种基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测模型。首先通过Bootstrap采样得到L组训练样本,分别训练L个核极限学习机模型对顶层油温进行拟合回归点预测;然后训练一个核极限学习机模型对顶层油温观测噪声方差进行回归估计;最后根据这L+1个核极限学习机模型的结果估计在某置信水平上的顶层油温的预测区间。算例仿真结果表明,该方法可以较好地考虑变压器顶层油温预测模型的不确定性,得到较为准确可靠的顶层油温预测区间;采用核极限学习机算法的顶层油温区间预测结果的不确定性小于BP神经网络和极限学习机,与采用支持向量机算法区间预测模型相当,但计算速度明显优于支持向量机。相比于传统的顶层油温点预测方法,所提区间预测方法可以为变压器的热状态估计、安全运行等提供更为合理和充分的辅助依据。

基于局部加权周期趋势分解算法和注意力机制的变压器顶层油温多步预测

首先,应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL),将变压器顶层油温分解成趋势、周期和残差分量;然后,使用一维卷积网络和编码器–解码器提取特征,生成特征矩阵;最后,引入注意力机制挖掘特征矩阵中对当前预测结果产生显著影响的信息,并随预测时间更新,最终得到多步预测结果。算例分析表明,与传统预测方法相比,该方法能够有效提取顶层油温数据特征并缓解预测时间增长带来的预测误差累积,具有更高的多步预测精度。

基于粒子群优化的改进加权支持向量回归的变压器顶层油温预测

建立一种粒子群优化的改进加权支持向量回归的变压器顶层油温模型,能够准确的估计变压器顶层油温。该模型根据环境温度、变压器负荷、变压器顶层油温等样本数据建立支持向量回归模型,分析变压器顶层油温与其他各因素之间的联系,根据不同影响因素建立支持向量超平面将变压器顶层油温预测限制在一个合理区间,根据支持向量机的惩罚因子和松弛因子的选择使该区间缩小至与实际变压器顶层油温的误差达到最小,使以变压器顶层油温为预测目标函数的预测模型精度最高。在支持向量回归模型建立时采用粒子群算法对其惩罚因子和松弛因子进行寻优以使支持向量回归模型预测效果达到最优。通过主成分分析方法对核函数进行改进从而优化支持向量回归模型,相比粒子群优化的支持向量机考虑数据特征量的权重,预测结果准确率更高。该模型利用支持向量回归方法不需要大量样本、不涉及概率测度、能够处理多维影响因素等优点,能够应对变压器油温短期预测数据不足或采集的油温相关数据维度较多的情况,给出准确的顶层油温预测结果。

变压器顶层油温短期预测模型研究及应用

油浸式变压器顶层油温是变压器热点温度的重要指标,直接影响变压器运行寿命和负载能力。相对于变压器油温超短期(5 min^1 h)预测值,电网运维和调度人员更关注短期(未来1~3天)预测值。在分析几种典型的变压器顶层油温超短期预测模型的基础上,提出了一种日顶层油温最大值短期预测模型,并给出了最适合的模型构建时间窗口。考虑到冷却器投运及变压器工况异常所造成的影响,对模型进行了相应的修正。实验结果表明,该模型具有较高的预测准确度。基于该模型开发了变压器油温监测预警系统,为江苏电网运维、检修和调度辅助决策提供了重要支撑。

变压器顶层油温预测及其数学模型的参数辨识

介绍了变压器顶层油温测量和预测对变压器状态监测的意义和进展情况。从MIT变压器顶层油温模型出发 ,应用最小二乘法推导出一种新的参数辨识算法 ,现场数据验证了算法的有效性。误差的产生与数据量、噪声情况有关 ,实测信号由于存在由测量引入的白噪声 ,对于充分激励过程的模态 。

基于最佳分段和改进半物理模型的特高压并联电抗器顶层油温预测

为有效评估特高压并联电抗器内部热状态,提出一种基于最佳分段和改进半物理模型的特高压并联电抗器顶层油温预测方法。首先在充分研究特高压并联电抗器顶层油温曲线“正弦”变化趋势的基础上,采用K-means聚类法对顶层油温曲线进行了分段。然后基于分段内距离、分段间距离和分段重叠度,建立了有效性函数,进而实现了顶层油温曲线最佳分段数的选择。最后综合考虑变压器顶层油温半物理预测模型的离散化处理误差和特高压并联电抗器的主要影响因素,提出一种适用于特高压并联电抗器顶层油温预测的改进半物理模型,并利用Elman神经网络实现了华东地区某特高压并联电抗器顶层油温的预测。结果表明所提出方法的平均预测误差为1.00%,预测精度较高,能够满足现场实际应用的精度要求,从而验证了方法的有效性。

基于解耦分析和欧式距离的特高压变压器顶层油温预测方法

针对特高压变压器顶层油温预测精度低的问题,提出一种基于解耦分析和欧式距离的特高压变压器顶层油温预测方法,该方法采用通径分析原理实现各因素变量的解耦分析。首先采用横向分析与纵向分析,计算温度、湿度、风速、气压、降雨量、光照强度、横向日期、纵向时刻以及负荷等9种因素变量的直接通径系数,选择得到特高压变压器顶层油温的主要影响因素变量。然后采用基于直接通径系数加权优化的欧式距离分析气象、时间和负荷3种因素的相关度,利用线性加权原理得到综合相关度。最后在充分研究基于综合相关度选择相似时刻步骤的基础上,利用支持向量机和线性加权法实现特高压变压器顶层油温的预测。算例结果表明:该方法预测特高压主体变顶层油温的平均误差为2.19%,预测特高压调补变顶层油温的平均误差为2.50%,具有较高的预测精度,验证了方法的有效性与可行性。

基于通径分析和相似时刻的特高压变压器顶层油温预测

提出了一种基于通径分析和相似时刻的特高压变压器顶层油温预测方法,该方法通过动态优化相似时刻数量,来获取最优预测效果。首先基于顶层油温大小模糊排序方法量化处理时间因子后,利用通径分析方法计算各影响因素的简单相关系数并分析其与特高压变压器顶层油温的相关性。然后在基于逼近理想解排序(TOPSIS)法和时间“距离远相关性小,距离近相关性大”原则,利用气象因素相关度、时间因子相关度和负荷因子相关度线性加权得到综合因素相关度。最后详细分析了相似时刻选择和顶层油温预测的流程,并将其应用到华东地区某特高压变压器顶层油温预测算例中。结果表明所提方法的平均预测误差为1.90%,平均标准差为0.0133,预测精度高,误差波动小,验证了该方法的有效性与可行性。

基于热路和BP神经网络的变压器顶层油温预测研究

变压器的顶层油温会影响变压器的绝缘性能和运行寿命,精确预测顶层油温对提高变压器的利用率至关重要。针对目前顶层油温预测准确度不高的现状,提出一种提高顶层油温预测精度的组合模型,并以实际算例验证了模型的有效性。首先,利用Susa D热路模型预测顶层油温得到初始值;其次,建立BP神经网络模型预测热路模型的误差;最后,利用预测的误差结果修正热路模型的初始值。实例分析表明,组合模型较Susa D热路模型及单一预测模型预测精度更高。