、核心温度和/或邻近变压器的周围周围空气温度可以经由传感器和/或经由现场测试来测量。例如，从电力系统的断路器、电容器、稳压器或其它电气部件中执行的现场测试或获取的传感器测量可以指示其它或不同的属性。
[0026]另一个实施例中，来自电力系统的历史数据还可以包括和/或替代性包括从在电力系统的一个或多个变压器中执行的热运行测试中获取的热运行测试数据。这样的测试通常在被交付使用(put into service，例如，被部署到现场)以开发用于正被测试的特定变压器的签名(signature)之前在相应变压器上执行。例如，热运行测试通常验证变压器额定的功率/电压，确定绕组在正常操作条件下的最大温度，和/或验证在正常操作条件下变压器中的最大油温。例如，从热运行测试中获取的测量还可以尤其关于绕组温度、纵向温度梯度、库珀(cooper)油温梯度等。
[0027]使用来自电力系统的历史数据设计和/或开发的机器学习算法可以是任意一种或多种类型的机器学习算法。例如，在一个实施例中，机器学习算法是神经网络算法，诸如包括一个或多个隐藏层的前馈人工神经网络算法。在优选的实施例中，神经网络算法包括两个隐藏层，尽管在其它实施例中神经网络算法可以包括多于两个的隐藏层或少于两个的隐藏层。在另一个实施例中，机器学习算法可以利用决策树学习方法，关联规则学习方法，和/或其它方法来开发或训练算法，替代地或者结合人工神经网络方法。
[0028]在示例方法100的106，机器学习算法被提供有对应于电力系统的变压器的历史数据以开发该变压器的简档。应该理解尽管对应于该变压器的历史数据可以是用来训练机器学习算法的电力系统的历史数据的一部分。但是机器学习算法通常利用不对应于变压器(例如，替代地对应于另一个或更多的变压器)的至少一些数据来训练。因此，用来训练机器学习算法的数据可以与来自经由机器学习算法开发的变压器的简档的数据不一致。在另一个实施例中，对应于变压器的历史数据可以已经从来自用来训练算法的电力系统的历史数据排除和/或用来开发简档的历史数据的仅仅一部分可能已经用来训练算法。
[0029]该简档通常描述变压器被预期在各种操作条件下怎样运行。更具体地，该简档可以描述变压器内的油温怎样根据变压器的一个或多个操作条件(例如，或根据各种操作条件之间的相互关系)被预期变化和/或当期望负荷被应用到变压器时油温被预期为多少。例如，当第一负荷被应用到变压器时并且当邻近变压器的空气测得第一周围空气温度时，变压器的油可以具有第一温度。当应用到该变压器的负荷变化和/或周围空气温度变化时，变压器中的油可以根据变化的负荷和/或变化的周围空气温度而变化。例如，应该理解可以由简档考虑的其它的操作条件尤其包括溶解的气体浓度、核心温度、绕组时间常数、油时间常数和/或油的体积。
[0030]在106，被提供到机器学习算法的历史数据可以包括与用来训练机器学习算法的历史数据类型相似和/或类型不同的数据。例如，在步骤106被提供到机器学习算法的历史数据可以包括传感器数据，现场测试数据和/或热运行测试数据。
[0031]在一个实施例中，通过举例但不限于，机器学习算法的变量可以包括变压器的周围空气温度和负荷。用于机器学习算法的常数，特别对于变压器，可以包括绕组时间常数、油时间常数和/或油的体积。在这样的示例中，在各个时间内关于变压器的周围空气温度和/或负荷的信息可以经由历史传感器数据而被提供。关于绕组时间常数、油时间常数和/或油的体积的信息可以经由热运行测试数据而被提供。因此，例如，使用历史传感器数据和热运行测试数据，机器学习算法可以开发变压器的简档，其描述变压器怎样被预期来在周围空气温度和期望负荷下操作。在另一个实施例中，变压器的周围空气温度和/或负荷可以获取自历史现场测试数据和/或其它数据。此外，可以理解前述的变量和/或前述的常数仅被作为例子提供，并且算法可以被设计来使用其它特性以开发该简档。
[0032]在示例方法100的108，基于在示例方法100的106开发的变压器的简档来预测对于期望负荷的变压器的油温。即，换句话说，该简档被用来确定对于给定/期望负荷，变压器的油温被期望是多少，和/或根据变压器的负荷怎样改变，变压器的油温会怎样动作(例如，增大或减小)。
[0033]变压器故障的概率或可能性可能与变压器的油温相关。即，当油温达到阈值时，变压器可能变得不稳定和/或可能不再能支持负荷。当油温达到和/或超过阈值时，变压器可能故障和/或变压器故障的机率可能超过指定的容差。这样，通过预测变压器在期望负荷时的油温，可以预测变压器是否能支持(例如，能支持)该负荷而不会故障和/或油温不会超过指定的阈值。如果油温超过指定的阈值(例如，裕量设置在阈值之下以提供安全裕量)，例如，可能不期望来将变压器的负荷增大到期望负荷，因为故障的风险(例如对破坏变压器的潜在性)太大。
[0034]应该理解变压器支持负荷的能力可以为该变压器被预期来支持负荷的时长的函数。例如，短时期超负荷的变压器可能能支持该负荷(例如，由于油温可能逐渐增加)。但是，如果变压器长时间段超负荷，该变压器可能故障。这样，在一个实施例中，在106的预测不仅包括单一的对于期望负荷的油温值，还描述/预测如果期望负荷持续应用到该变压器，则预期油温在一段时间内怎样变化。在另一个实施例中，例如，在108预测的油温可以为对于期望负荷的最大预期油温。
[0035]还应该理解变压器支持负荷的能力可以为当前的操作条件的函数。例如，变压器支持负荷的能力可以为变压器当前的油温的函数。如果当前油温高，可以耗费比当前油温较低时更少的时间达到阈值温度。此外，周围空气温度可能对油温具有影响。例如，当周围空气温度较低时变压器可能能支持较大负荷，因为较低的周围空气温度可以将油冷却。作为另一示例，当周围空气温度较低时，随着变压器的负荷增大，油温增大的速率可能较小，这又是因为来自变压器的至少一些热量可能被传递给周围空气。
[0036]因此，在一个实施例中，可以基于变压器当前操作条件预测对于期望负荷的油温。此外，这样的当前操作条件例如可以包括，变压器当前负荷，邻近变压器的当前周围空气温度，当前溶解气体浓度，当前核心温度，和/或当前油温。而且，当前操作条件可以尤其获取自从传感器测量获得的传感器数据和/或从现场测试测量获得的现场测试数据，现场测试测量比对应于该变压器的历史数据执行地与当前更近。为此，应该理解当前操作条件可以不必反映关于变压器的实时、瞬时信息，而是可以替代地反映数日前、数周前、或数月前获取的测量(例如，但是其比对应于该变压器的历史数据执行地与当前更近)。
[0037]在一个实施例中，在106预测油温可以进一步包括预测变压器能支持期望负荷的时间(例如，时长)和/或预测什么时候变压器不再能支持该期望负荷。即，如之前描述的，变压器的负荷上的变化可能不会对油温有立即的影响。但是，负荷的变化可能导致油温随时间变化直到油温达到最大油温(例如，对于给定的负荷和/或给定的周围空气温度)。因此，能支持期望负荷20分钟的变压器可能不能支持期望负荷30分钟，这是因为变压器的油温可能在20分钟标记和30分钟标记之间攀升到指定阈值以上(例如，预定的温度)。因此，可以做出例如关于变压器能支持期望负荷多久(例如，变压器的给定当前操作条件)的预测。
[0038]在示例方法100的110，针对期望时间(例如，时长)能被变压器支持的负荷可以响应于预测的油温(例如，在108的预测)而被识别，该预测的油温指示针对期望时间变压器不能支持该期望负荷。即，换句话说，当确定针对期望时长该期望负荷不能被支持时，可以确定针对期望时长什么负荷能被支持(例如，变压器的给定当前操作条件)。
[0039]在一个实施例中，计算针对期望时间能被支持的负荷可以为迭代过程，借此针对多个负荷预测油温直到识别针对期望时长能被支持的负荷。在另一个实施例中，非迭代的方法可以被用来估计/识别针对期望时长能被支持的负荷。
[0040]示例方法100和/或示例方法100的部分可以找到关于变压器的维修和/或替换的特定适用性。举例来说，当变压器故障、离线和/或操作在减少的容量(例如，为了维修和/或例行替换)时，可能期望将该变压器的负荷转移到具有过剩容量的一个或多个其它变压器，以减轻电力系统的性能的退化。这样，当变压器被维修或替换时确定一