[發明專利]一種換流變壓器溫度異常判斷方法及系統

有效

• 申請號: 202010518410.0
• 申請日: 2020-06-09
• 公開（公告）號: CN111797365B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 梁正
• 申請（專利權）人: 中國南方電網有限責任公司超高壓輸電公司檢修試驗中心
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08;G06Q10/00;G01K13/00
• 代理公司: 廣州科粵專利商標代理有限公司 44001
• 代理人: 鄧潮彬;黃培智

1.一種換流變壓器溫度異常判斷方法，其特征在于，包括以下步驟：

步驟1：獲取設定時間內的換流變壓器的運行歷史數據；

步驟2：根據運行歷史數據，分別通過時間序列ARMAX算法、BP人工神經網絡算法、KNN近鄰算法訓練等同數量組的時間序列ARMAX算法子模型、BP人工神經網絡算法子模型和KNN近鄰算法子模型；

步驟3：輸入設定時間內的運行歷史數據，獲取時間序列ARMAX算法子模型、BP人工神經網絡算法子模型和KNN近鄰算法子模型的溫度計算值，將所述溫度計算值分別與當前溫度實測值比較獲取誤差；

步驟4：通過排序平均的集成學習方法將所述誤差按絕對值大小進行排序，以誤差中絕對值最小ε₁的權值ω₁為1，誤差中絕對值最大ε₀的權值ω₀為0，其余子模型的權值ω_i按照以下公式計算：

步驟5：根據子模型的權值ω_i以及對應的子模型相乘后累加，獲得綜合溫度模型；輸入設定時間內的運行歷史數據，獲取溫度綜合計算值，將所述溫度綜合計算值與當前溫度實測值比較獲取綜合誤差，若所述綜合誤差超過設定綜合誤差，則發出報警。

2.根據權利要求1所述的換流變壓器溫度異常判斷方法，其特征在于，通過時間序列ARMAX算法獲取時間序列ARMAX算法子模型的過程如下：

利用如下式的ARMAX算法，分別建立換流變壓器的油溫、網側繞組溫度、閥側繞組溫度的中間模型；

式中，p為自回歸參數個數，q滑動平均參數個數，X_t為變壓器溫度計算值，x_t-1為歷史數據中的變壓器溫度值，a_t-j為隨機白噪聲序列，為自回歸參數，θ_j為滑動平均參數，β為解釋變量參數，z_t為解釋變量數據；

輸入運行歷史數據到中間模型獲得自相關函數與偏自相關函數以及自相關函數與偏自相關函數的相關圖；

根據自相關函數與偏自相關函數的相關圖選出ARMAX算法的自回歸參數個數p以及滑動平均參數個數q各兩個，選取變壓器閥側繞組電流、網側繞組電流作為解釋變量數據z_t；

利用運行歷史數據來評價由兩個p參數和q參數組成的四個模型，具體地，油溫、網側繞組溫度、閥側繞組溫度的各四個模型，分別選取誤差最小的一個中間模型作為換流變壓器的油溫、網側繞組溫度、閥側繞組溫度的時間序列ARMAX算法子模型。

3.根據權利要求1所述的換流變壓器溫度異常判斷方法，其特征在于，通過BP人工神經網絡算法獲取BP人工神經網絡算法子模型的過程如下：

BP人工對神經網絡的拓撲結構包括輸入層、隱藏層和輸出層，其中，輸入層設定的神經元包括當前環境溫度、當前閥側繞組電流、當前網側繞組電流、歷史環境溫度、歷史閥側繞組電流、歷史網側繞組電流、歷史油溫、歷史繞組溫度、歷史網側溫度、時間因素和季節因素，輸出層設定的神經元包括換流變壓器的油溫、閥側繞組溫度、網側繞組溫度；隱藏層神經元個數由輸入層與輸出層的神經元總數綜合來決定；

利用運行歷史數據進行監督學習，分別獲得換流變壓器的油溫、閥側繞組溫度、網側繞組溫度的BP人工神經網絡算法子模型。

4.根據權利要求1所述的換流變壓器溫度異常判斷方法，其特征在于，通過KNN近鄰算法獲取KNN近鄰算法子模型的過程如下：

KNN近鄰算法的樣本空間的參數包括當前環境溫度、當前閥側繞組電流、當前網側繞組電流、歷史環境溫度、歷史閥側繞組電流、歷史網側繞組電流；

輸入運行歷史數據并作歸一化處理后乘以權值作為訓練樣本，在樣本空間尋找與輸入新樣本距離最相近的k個訓練樣本，對k個訓練樣本進行平均后得到該樣本的預測值，該樣本的預測值作為KNN近鄰算法子模型，k為大于或等于0且小于20的正整數，所述距離為歐幾里得距離，樣本空間的參數的權值通過訓練樣本訓練獲得，KNN近鄰算法子模型包括換流變壓器的油溫、網側繞組溫度、閥側繞組溫度的KNN近鄰算法子模型。