一种顶层油温预测、误报火警判别方法、装置和存储介质

技术领域

本发明涉及电力变压器技术领域，尤其涉及一种顶层油温预测、误报火警判别方法、装置和存储介质。

背景技术

为满足我国经济的快速发展，有效解决能源区域分配不均衡的问题，高压电网凭借其传输距离远、输电能力强、走廊空间占地小等优点在国内得到大规模的建设。伴随着高压电网建设，高压变压器、互感器、断路器等电力设备大量投入使用，而高压变压器作为电力系统输变电领域的核心设备，主要应用在发电厂和变电站，其设备的健康状态影响着电网的安全稳定运行。

目前，针对变压器顶层油温预测方法已有一定研究，主要包括热路模型、半物理模型及Kalman滤波等，但现有的变压器顶层油温预测方法主要存在影响因素考虑不全面、预测精度有待提高的问题。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种顶层油温预测、误报火警判别方法、装置和存储介质，能够解决现有技术中变压器顶层油温预测影响因素考虑不全面、预测精度有待提高的技术问题。

为解决上述技术问题，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种变压器顶层油温预测方法，包括以下步骤：

基于K-means聚类和顶层油温历史样本，构建电力变压器的顶层油温曲线分段；

基于矩形分段边界建立所述顶层油温曲线分段的分段结果评价函数，并根据所述分段结果评价函数确定电力变压器的顶层油温曲线的最佳分段数；

根据确定的所述最佳分段数，构建基于Elman神经网络的电力变压器的顶层油温预测模型；

根据所述顶层油温预测模型获得电力变压器的顶层油温预测结果。

进一步的，构建电力变压器的顶层油温曲线分段的方法包括如下步骤：

对顶层油温历史样本的顶层油温值和油温变化率分别进行归一化处理；

基于设置的顶层油温分段数的初始值计算获得各时刻距离各分段中心的距离；

根据各时刻距离各分段中心的距离，利用距离最小原理，将各时刻分配给相应的各分段中心；

基于各时刻分配的分段中心结果，计算新的分段中心，并构造电力变压器顶层油温曲线的分段中心评价函数；

根据构建的分段中心评价函数计算获得电力变压器的顶层油温曲线分段。

进一步的，顶层油温值和油温变化率分别进行归一化处理方法如下：

顶层油温值的归一化处理的表达式如下：

式中，T

油温变化率的归一化处理的表达式如下：

式中，F

进一步的，计算获得各时刻与各分段中心之间的距离的方法包括如下步骤：

将顶层油温曲线分段数K初始化设置为2；

计算历史样本的第i天顶层油温曲线上第x时刻与第y时刻之间的欧式距离DT

式中，F

根据两个时刻之间的欧氏距离DT

式中，N表示历史样本数量，DT

进一步的，计算新的分段中心的表达式如下：

式中，N

构造电力变压器顶层油温曲线的分段中心评价函数P

当分段中心评价函数P

进一步的，确定电力变压器的顶层油温曲线的最佳分段数的方法包括如下步骤：

基于矩形分段边界，计算顶层油温曲线的分段内密度、分段间距离以及分段重复度；

根据分段内密度、分段间距离和分段重复度，建立顶层油温曲线的分段结果评价函数；

根据分段结果评价函数确定电力变压器顶层油温曲线的最佳分段数。

进一步的，所述矩形分段边界满足如下条件：

式中，T

进一步的，计算分段内密度FA的公式如下：

式中，FA表示所有分段内密度之和；

计算分段间距离FB的公式如下：

式中，FB表示所有分段间距离之和，T

计算分段重复度FC的公式如下：

式中，FC表示所有分段的分段重复度，N

进一步的，建立顶层油温曲线的分段结果评价函数如下式所示：

式中，FS表示顶层油温曲线的分段结果评价函数；

根据分段结果评价函数FS确定最佳分段数，其中分段结果评价函数FS最小值对应的分段数K即为最佳分段数，当分段结果评价函数最小值对应多个分段数时，取多个分段数中的最小值为最佳分段K。

进一步的，获取顶层油温预测结果的方法包括如下步骤：

基于所述最佳分段数和电力变压器顶层油温的影响因素，构建电力变压器的顶层油温预测模型，所述影响因素包括油温本身、气象因素和负荷情况；

利用经Elman神经网络训练的顶层油温预测模型预测电力变压器的顶层油温。

进一步的，进行Elman神经网络训练的方法包括如下步骤：

确定神经网络的输入和输出变量；

将输入向量和输出向量输入已设置模型参数的Elman神经网络进行训练；

利用训练好的Elman神经网络来预测油温，并判断预测精度是否满足要求：

当预测精度高于预设阈值时，训练结束；

当预测精度低于预设阈值时，重新设置Elman神经网络的模型参数并继续训练。

第二方面，本发明提供了一种基于第一方面中任一项所述变压器顶层油温预测方法的感温电缆误报火警判别方法，基于顶层油温预测结果和预设火警判别条件，进行电力变压器感温电缆的误报火警判别；

其中，所述预设误报火警判别条件设定如下：

顶层油温预测值大于变压器顶层油温最大允许值，

和/或，

顶层油温预测变化率大于变压器顶层油温历史最大变化率。

第三方面，本发明提供了一种装置，包括如下模块：

构建分段模块，用于基于K-means聚类和顶层油温历史样本，构建电力变压器的顶层油温曲线分段；

确定分段模块，用于基于矩形分段边界建立所述顶层油温曲线分段的分段结果评价函数，并根据所述分段结果评价函数确定电力变压器的顶层油温曲线的最佳分段数；

构建模型模块，用于根据确定的所述最佳分段数，构建基于Elman神经网络的电力变压器的顶层油温预测模型；

结果预测模块，用于根据所述顶层油温预测模型获得电力变压器的顶层油温预测结果。

进一步的，所述确定分段模块包括如下单元：

分段计算单元，用于基于矩形分段边界，计算顶层油温曲线的分段内密度、分段间距离以及分段重复度；

分段评价单元，用于根据分段内密度、分段间距离和分段重复度，建立顶层油温曲线的分段结果评价函数；

分段确认单元，用于根据分段结果评价函数确定电力变压器顶层油温曲线的最佳分段数。

进一步的，所述构建模型模块包括如下单元：

模型构建单元，用于基于所述最佳分段数和电力变压器顶层油温的影响因素，构建电力变压器的顶层油温预测模型，所述影响因素包括油温本身、气象因素和负荷情况；

模型预测单元，用于利用经Elman神经网络训练的顶层油温预测模型预测电力变压器的顶层油温。

进一步的，所述装置还包括如下模块：

误报判别模块，用于基于顶层油温预测结果和预设火警判别条件，进行电力变压器感温电缆的误报火警判别；

其中，所述误报判别模块包括如下单元：

误报条件单元，用于设定预设误报火警判别条件：

顶层油温预测值大于变压器顶层油温最大允许值；

和/或，

顶层油温预测变化率大于变压器顶层油温历史最大变化率。

第四方面，本发明提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面或第二方面中任一项所述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

本发明提供的一种顶层油温预测方法、误报火警判别方法、装置和存储介质，通过K-means聚类、分段中心评价函数和Elman神经网络获得了高精度的电力变压器顶层油温预测，以及实现了智能实时误报火警判别；

采用设定矩形边界，以矩形边界作为进行分段中心评价函数的构建基础，可有效减少数据分布不均匀时单个分段的分布范围，减小分段间重复度，提高分段效果。

基于分段内距离、分段间距离和分段重叠度，建立了分段中心评价函数，得到了顶层油温曲线最佳分段数，获得了稳定的分段评价性能。

基于Elman神经网络训练预测电力变压器的顶层油温，考虑顶层油温的主要影响因素，保证了顶层油温的预测精度；

通过获取确保精度的顶层油温，为变压器感温电缆误报火警提供了辅助判别依据，使误报火警判别更加准确和智能化。

附图说明

图1是本发明实施例提供的一种变压器顶层油温预测方法的流程图；

图2是本发明实施例提供的一种分段中心评价函数构建方法的流程图；

图3是本发明实施例提供的一种最佳分段数的确定方法的流程图；

图4是本发明实施例提供的一种顶层油温预测结果方法流程图；

图5是本发明实施例提供的一种Elman神经网络训练方法流程图；

图6是本发明实施例提供的一种矩形分段边界；

图7是本发明实施例提供的一种装置的结构框图；

图8是本发明实施例提供的一种装置的确定分段模块的结构框图；

图9是本发明实施例提供的一种装置的构建模型模块的结构框图；

图10是本发明实施例提供的一种装置的误报判别模块的结构框图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

实施例一

如图1所示，本发明实施例提供了一种变压器顶层油温预测方法，其具体方法步骤描述如下。

步骤1：基于K-means聚类实现电力变压器顶层油温曲线分段。

(1)在进行电力变压器顶层油温曲线分段时，主要考虑顶层油温大小和顶层油温变化率两个因素。

设T

其中，在本实施例中，顶层油温归一化表达式如下：

式中，T

油温变化率的归一化处理的表达式如下：

式中，F

(2)在本实施例中，将顶层油温曲线分段数K初始化设置为2。

(3)定义第i天顶层油温曲线上第x时刻与第y时刻两个时刻间的距离DT

设迭代次数为R，经第r次迭代后历史样本第i天第k个分段中心为第l时刻；其中，初始分段中心可任选k个时刻，r取值1,2,3…R，R为正整数；k取值1,2,3…K，，K为正整数；则各时刻距离各分段中心的距离为：

式中，N表示历史样本数量。

(4)根据各时刻与各分段中心的距离DTT

(5)按照各时刻的分配结果，计算新的分段中心：

式中，N

(6)构造分段中心评价函数P

当第r+1次迭代后分段中心评价函数取值大于等于第r次迭代后分段中心评价函数取值时，此时迭代结束，对应的分类结果即为分段数K的最佳分类。

(7)当顶层油温曲线分段数K小于23时，K＝K+1，回到(3)继续计算；当顶层油温曲线分段数K等于23时，电力变压器顶层油温曲线分段结束。

步骤2：确定电力变压器顶层油温曲线的最佳分段数。

步骤2.1：确定分段边界。

顶层油温曲线分段时，顶层油温和顶层油温变化率两个因素都进行了归一化处理，故分段结果都位于宽度为1的正方形范围内，设顶层油温表示横坐标，顶层油温变化率表示纵坐标，如图6所示。

分析分段结果时，先定义分段边界。在本实施例中，采用矩形分段边界，相对圆形分段边界，矩形分段边界可有效减少数据分布不均匀时单个分段的分布范围，减小分段间重复度，提高分段效果。

在本步骤的分段边界分析过程中，如图6所示，分段中心表示为矩形分段边界内所有时刻顶层油温平均值和顶层油温变化率平均值；分段边界偏中心表示矩形分段边界内到所有时刻距离最小点对应的顶层油温值和顶层油温变化率；分段边界中心则为矩形分段边界中心对应的顶层油温值和顶层油温变化率。

某个分段边界需满足如下条件：

式中，如图6所示，纵坐标表示顶层油温变化率，横坐标表示顶层油温值，经归一化处理后取值范围均为[0,1]，T

将上式进一步具体表达如下：

步骤2.2：计算分段内密度。

基于矩形分段边界，计算分段内密度，即计算每个分段内时刻数与分段面积的比值，具体如下：

式中，FA表示所有分段内密度之和。

步骤2.3：计算分段间距离。

基于矩形分段边界，计算分段间距离，即计算任意两个分段中心的距离，故先确定分段中心，则分段中心应满足如下条件：

式中，T

根据各分段中心应满足的条件，可得任意两个分段中心的距离，进而计算得到所有分段间距离之和，具体表示如下：

式中，FB表示所有分段间距离之和，T

步骤2.4：计算分段重复度。

基于矩形分段边界，计算分段重复度，即计算任意两个分段内共有时刻数。先确定两个分段相互重叠的条件，当某时刻在某两个分段内都满足如下条件时，则认为上述两个分段相互重复，具体判别条件如下：

根据上述判别条件，可得第x个分段与第y个分段的共有时刻数N

式中，FC表示所有分段的分段重复度，N

步骤2.5：计算分段结果评价函数。

根据分段内密度、分段间距离和分段重复度的定义，建立评价函数：

式中，FS表示分段结果的评价函数。

根据分段结果评价函数FS确定最佳分段数，其中分段结果评价函数FS最小值对应的分段数K即为最佳分段数，当分段结果评价函数最小值对应多个分段数时，取多个分段数中的最小值为最佳分段K。

步骤3：基于Elman神经网络实现电力变压器顶层油温预测。

由上述步骤1、步骤2得到最佳分段数后，便可得到了最佳分段结果，即将本实施例中24个时刻分成了最佳分段数K段；又因为每段的油温变化特性不同，故在步骤3中考虑将上述K段分别采用基于Elman神经网络进行电力变压器顶层油温预测，其具体操作如下所述：

(1)确定电力变压器顶层油温的主要影响因素，主要研究油温本身、气象因素和负荷情况三类；其中，气象因素主要研究环境温度和风速，而负荷情况研究电力变压器的电流。

(2)建立电力变压器顶层油温预测模型。

预测顶层油温时，主要考虑因素：前一天该时刻顶层油温、前一时刻顶层油温、该时刻温度、前一天该时刻温度、前一时刻温度、前二天该时刻温度、前二时刻温度、该时刻风速、前一时刻风速、前二时刻风速、前一天该时刻风速、前二天该时刻风速、该时刻电流、前一天该时刻电流、前一时刻电流、前二天该时刻电流、前二时刻电流。

根据上述考虑因素，电力变压器顶层油温预测模型可以表示成：

式中，T

(3)利用训练好的Elman神经网络预测电力变压器的顶层油温。

1)确定神经网络的输入和输出变量，分别采用历史样本中前一天该时刻顶层油温、该时刻温度、前一天该时刻温度、前二天该时刻温度、该时刻风速、前一天该时刻风速、前二天该时刻风速、该时刻电流平方、前一天该时刻电流平方、前二天该时刻电流平方作为Elman神经网络的输入向量，历史样本中该时刻顶层油温作为输出向量。

2)合理设置Elman模型的传递函数、各层神经元数量等参数后，将输入向量和输出向量输入Elman神经网络训练。

3)Elman神经网络训练后，即可利用训练好的Elman神经网络来预测油温，从而验证算法的有效性。

当预测精度高于预设阈值时，算法训练结束，即可用于顶层油温的预测；

当预测精度低于预设阈值时，回到2)重新设置Elman神经网络的相关参数继续训练，直到预测精度满足要求。

步骤4：根据顶层油温预测模型获得电力变压器的顶层油温预测结果。

实施例二：

本发明实施例提供了一种基于实施例一中任一项所述变压器顶层油温预测方法的感温电缆误报火警判别方法，其方法步骤如下：

基于获取的顶层油温预测结果和预设火警判别条件，进行电力变压器感温电缆的误报火警判别。

其中，预设火警判别条件的判定方法如下所述：

(1)设定感温电缆误报火警判别条件。

条件1：当某时刻顶层油温预测值大于变压器顶层油温最大允许值；

条件2：当某时刻顶层油温预测变化率大于变压器顶层油温历史最大变化率。

(2)当上述两个条件都不满足时，则可认为系统发出的火警为误发火警。

实施例三：

如图6所示，本发明实施例提供了一种装置，包括如下模块：

构建分段模块，用于基于K-means聚类和顶层油温历史样本，构建电力变压器的顶层油温曲线分段；

确定分段模块，用于基于矩形分段边界建立所述顶层油温曲线分段的分段结果评价函数，并根据所述分段结果评价函数确定电力变压器的顶层油温曲线的最佳分段数；

构建模型模块，用于根据确定的所述最佳分段数，构建基于Elman神经网络的电力变压器的顶层油温预测模型；

结果预测模块，用于根据所述顶层油温预测模型获得电力变压器的顶层油温预测结果。

具体地，所述构建分段模块包括如下单元：

分段构建单元，用于基于K-means聚类和顶层油温历史样本，构建电力变压器顶层油温曲线的分段中心评价函数，并根据构建的分段中心评价函数计算获得电力变压器的顶层油温曲线分段。

具体地，如图7所示，在本实施例中，所述确定分段模块包括如下单元：

分段计算单元，用于基于矩形分段边界，计算顶层油温曲线的分段内密度、分段间距离以及分段重复度；

分段评价单元，用于根据分段内密度、分段间距离和分段重复度，建立顶层油温曲线的分段结果评价函数；

分段确认单元，用于根据分段结果评价函数确定电力变压器顶层油温曲线的最佳分段数。

具体地，如图8所示，在本实施例中，所述构建模型模块包括如下单元：

模型构建单元，用于基于所述最佳分段数和电力变压器顶层油温的影响因素，构建电力变压器的顶层油温预测模型，所述影响因素包括油温本身、气象因素和负荷情况；

模型预测单元，用于利用经Elman神经网络训练的顶层油温预测模型预测电力变压器的顶层油温。

具体地，如图6所示，在本实施例中，所述装置还包括如下模块：

误报判别模块，用于基于顶层油温预测结果和预设火警判别条件，进行电力变压器感温电缆的误报火警判别。

具体地，如图9所示，在本实施例中，所述误报判别模块包括如下单元：

误报条件单元，用于设定预设误报火警判别条件：

顶层油温预测值大于变压器顶层油温最大允许值；

和/或，

顶层油温预测变化率大于变压器顶层油温历史最大变化率。

实施例四：

本发明实施例还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一或实施例二中所述方法的步骤。

本发明实施例所提供的顶层油温预测方法、误报火警判别方法、装置和存储介质，通过K-means聚类、分段中心评价函数和Elman神经网络获得了高精度的电力变压器顶层油温预测，以及实现了智能实时误报火警判别；

采用设定矩形边界，以矩形边界作为进行分段中心评价函数的构建基础，可有效减少数据分布不均匀时单个分段的分布范围，减小分段间重复度，提高分段效果。

基于分段内距离、分段间距离和分段重叠度，建立了分段中心评价函数，得到了顶层油温曲线最佳分段数，获得了稳定的分段评价性能。

基于Elman神经网络训练预测电力变压器的顶层油温，考虑顶层油温的主要影响因素，保证了顶层油温的预测精度；

通过获取确保精度的顶层油温，为变压器感温电缆误报火警提供了辅助判别依据，使误报火警判别更加准确和智能化。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。