号”可以包括信号，其具有一个或多个特性设置或以这样的方式变化，从而在信号中编码信息。
[0078]设备612可以包括输入设备624，诸如为键盘、鼠标、笔、声音输入设备、触控输入设备、红外摄像机、视频输入设备和/或任意其它输入设备。设备612中也可以包括诸如为一个或多个显不器、扬声器、打印机和和/或任意其它输入设备的输出设备622。输入设备624和输出设备622可以经由有线连接、无线连接或它们的任意组合连接到设备612。在一个实施例中，来自另一个计算设备的输入设备或输出设备可以被用作输入设备624或输出设备622用于计算设备612。
[0079]计算设备612的部件可以由各种互连器件(诸如总线)连接。这样的互连器件可以包括外围部件接口 (PCI)，诸如PCI Express，通用串行总线(USB)、火线(IEEE 1394)、光学总线结构等。在另一个实施例中，计算设备612的部件可以由网络互连。例如，内存618可以包括位于由网络互连的多个不同物理位置中的多个物理存储器单元。
[0080]所属领域技术人员将认识到用来存储计算机可读指令的存储器设备可以跨越网络分布。例如，可经由网络628访问的计算设备630可以存储计算机可读指令来实施本文提供的一个或多个实施例。计算设备612可以访问计算设备630并下载部分或所有的计算机可读指令用于执行。备选地，如果需要的话，计算设备612可以下载若干块计算机可读指令，或者一些指令可在计算设备612中执行并且一些在计算设备630中执行。
[0081]实施例的各个操作被提供在这里。在一个实施例中，描述的一个或多个操作可以组成存储在一个或多个计算机可读介质中的计算机可读指令，其中如果由计算设备执行，将导致计算设备执行描述的操作。一些或所有操作被描述的顺序将不被理解为暗示这些操作为必要的顺序依赖。可替换的顺序将被从本说明中获利的所属领域技术人员理解。此外，应理解不是所有的操作都必然呈现在本文提供的每个实施例中。
[0082]此外，词语“示例性”被本文使用来意指作为示例、实例或说明。本文描述为“示例性”的任何方面或设计并不必然理解为优于其它方面或设计。相反，使用词语示例性旨在以具体的方式呈现理念。如在本申请中使用的，术语“或”旨在意指包括“或”而不是排除“或”。即，除非另有说明，或从上下文中明确得出，“X采用A或B”旨在意指任意自然包括的置换。即，如果X采用A ;X采用B ;或X采用A和B，那么在任意前述的实例下满足“X采用A或B”。此外，被用在本申请和所附的权利要求中的冠词“一”和“一个” 一般可以被解释为意指“一个或多个”，除非特别指出或从上下文中清楚地指向单数形式。另外，A和B等中的至少一个一般意指A或B、或A和B两者。
[0083]另外，尽管本公开已经关于一个或多个实施例被示出和描述，但是对于所属领域技术人员，基于对本说明书和附图的阅读和理解，将能做出等同替换和修改。本公开包括所有这些修改和替换，并且仅被所附权利要求的范围限制。特别关于由上述描述的部件(例如，要素，资源等)执行的各个功能，除非另有指出，被用来描述这样的部件的术语旨在对应于执行描述的部件的特定功能的任意部件(例如，其是功能性等同物)，即使没有结构上等同于执行本公开中图示的示例性实施例的功能的所公开结构。此外，尽管本公开特定的特征可以已经相对于若干实施例中仅一个公开，但是这样的特征可以结合其它实施方式的一个或多个其它特征，如可以对于任意给定的或特定的应用期望或有优势的那样。此外，在一定程度上，术语“包括”、“具备”、“具有”、“带有”或它们的变体被用在或者说明书或者权利要求书中，这样的术语旨在以类似于术语“包括”的方式是包含的。
【主权项】
1.一种用于电力系统的方法，包括: 基于经由机器学习算法开发的变压器的简档来针对期望负荷预测所述电力系统的所述变压器的油温。2.根据权利要求1所述的方法，包括: 预测所述变压器能根据所述预测的油温支持所述期望负荷的时间。3.根据权利要求1所述的方法，包括: 响应于指示所述变压器不能以期望时间支持所述期望负荷的所述预测的油温，识别能由所述变压器以所述期望时间支持的负荷。4.根据权利要求1所述的方法，包括: 将对应于所述变压器的历史数据提供给所述机器学习算法，以开发所述变压器的所述简档。5.根据权利要求1所述的方法，包括: 利用来自所述电力系统的历史数据来训练所述机器学习算法。6.根据权利要求1所述的方法，所述机器学习算法为前馈人工神经网络算法。7.根据权利要求6所述的方法，所述神经网络算法包括两个隐藏层。8.根据权利要求4所述的方法，对应于所述变压器的所述历史数据来源于以下各项中的至少一项: 可操作地耦合到所述变压器的一个或多个传感器；或者 在所述变压器上执行的热运行测试。9.根据权利要求1所述的方法，所述预测包括: 基于所述变压器的当前操作条件来预测针对所述期望负荷的所述变压器的所述油温，所述当前操作条件包括以下各项中的至少一项: 所述变压器的当前负荷； 邻近所述变压器的当前周围空气温度；或者 所述变压器的当前油温。10.根据权利要求1所述的方法，所述简档描述在各种操作条件下所述变压器被预期为如何执行。11.一种用于电力系统的方法，包括: 识别所述电力系统的第一变压器的故障，所述第一变压器支持第一负荷； 识别所述电力系统中能以期望时间支持所述第一负荷的至少一些负荷的第二变压器，包括: 基于所述第二传感器的简档，估计所述第二变压器能以所述期望时间支持的负荷；以及 将所述第一负荷的至少一些负荷转移到所述第二变压器，所述第二变压器的总负荷没有超过所述估计的负荷。12.根据权利要求11所述的方法，所述第二变压器的所述简档经由机器学习算法开发。13.根据权利要求12所述的方法，以下各项中的至少一项: 所述简档描述在各种操作条件下所述第二变压器被预期为如何执行；或 利用对应于所述第二变压器的历史数据作为到所述机器学习算法的输入。14.根据权利要求13所述的方法，所述历史数据来源于以下各项中的至少一项: 可操作地耦合到所述第二变压器的一个或多个传感器；或 在所述第二变压器上执行的热运行测试。15.根据权利要求12所述的方法，包括: 利用来自于所述电力系统的历史数据来训练所述机器学习算法。16.根据权利要求11所述的方法，所述第二变压器的所述简档经由前馈神经网络算法开发。17.根据权利要求11所述的方法，所述估计基于所述第二变压器的当前操作条件，所述当前操作条件包括以下各项中的至少一项: 所述第二变压器的当前负荷； 邻近所述第二变压器的当前周围空气温度；或 所述第二变压器的当前油温。18.一种用于电力系统的系统，包括: 简档生成部件，被配置为使用神经网络算法开发所述电力系统的变压器的简档，所述神经网络算法接收作为输入的对应于所述变压器的历史数据；以及 预测部件，被配置为基于所述变压器的所述简档来预测在期望负荷处的所述变压器的油温。19.根据权利要求18所述的系统，所述预测部件被配置为基于所述变压器的当前操作条件来预测在所述期望负荷处的所述变压器的所述油温。20.根据权利要求18所述的系统，包括训练部件，被配置为基于来自所述电力系统的历史数据来训练所述神经网络算法。
【专利摘要】一个或多个技术和/或系统尤其被提供用于针对期望负荷预测变压器的油温和/或针对期望时间预测变压器能支持的负荷。可以使用电力系统的历史数据来开发机器学习算法。当算法被开发后，对应于该变压器的历史数据可以被输入到该算法中以开发该变压器的简档。使用该简档，可以针对期望负荷估计或预测该变压器的油温。这样，可以在油温达到指定的阈值之前和/或在变压器由于该负荷故障之前，对变压器能否支持期望负荷、和/或变压器能支持期望负荷多久进行预测。
【IPC分类】H01F27/40, G05B13/02
【公开号】CN104919380
【申请号】CN201380070766
【发明人】A·达格尼诺, L·凯姆, 林兰, P·帕特尔
【申请人】Abb技术有限公司
【公开日】2015年9月16日
【申请日】2013年11月19日
【公告号】EP2941674A2, WO2014078830A2, WO2014078830A3