单纯依靠温差阈值仅能判断设备的当前状态,无法对其发热趋势进行跟踪预测。环境温度和负载升高,有可能导致设备绝对温度的进一步升高,缺陷由一般发展为严重缺陷,因此需新的手段对变电设备热点温度进行预测。为解决上述问题,利用长短期...单纯依靠温差阈值仅能判断设备的当前状态,无法对其发热趋势进行跟踪预测。环境温度和负载升高,有可能导致设备绝对温度的进一步升高,缺陷由一般发展为严重缺陷,因此需新的手段对变电设备热点温度进行预测。为解决上述问题,利用长短期记忆网络(Long Short Term Memory,LSTM)构建变电设备热点温度预测模型,对电网运行历史数据、环境气象历史数据、缺陷和故障历史数据及检测、试验、监测等状态历史数据进行大量样本的训练学习,基于深度神经网络算法拟合多源因素与设备热点温度的关联关系,实现设备热点温度状态发展趋势和缺陷严重程度的动态预测。最后通过变电站设备实际运维检测数据分析验证算法的可行性。展开更多
文摘单纯依靠温差阈值仅能判断设备的当前状态,无法对其发热趋势进行跟踪预测。环境温度和负载升高,有可能导致设备绝对温度的进一步升高,缺陷由一般发展为严重缺陷,因此需新的手段对变电设备热点温度进行预测。为解决上述问题,利用长短期记忆网络(Long Short Term Memory,LSTM)构建变电设备热点温度预测模型,对电网运行历史数据、环境气象历史数据、缺陷和故障历史数据及检测、试验、监测等状态历史数据进行大量样本的训练学习,基于深度神经网络算法拟合多源因素与设备热点温度的关联关系,实现设备热点温度状态发展趋势和缺陷严重程度的动态预测。最后通过变电站设备实际运维检测数据分析验证算法的可行性。