一种多参数综合分析的变压器过载能力评估方法
【技术领域】
[0001] 本发明涉及变压器过载能力评估技术领域，尤其涉及一种多参数综合分析的变压 器过载能力评估方法。
【背景技术】
[0002] 随着电力系统的发展和电能需求的增加，变压器在实际运行中不可避免地出现过 载运行状态，而变压器的安全运行是电网稳定、可靠的基础，因此研究变压器过载能力具有 重要意义。
[0003] 目前国内外在变压器过载能力方面的研究与应用主要体现在以下两个方面。
[0004] 一是，GB/T1094. 7-2008和IEEEC57. 91-1995标准中给出了顶层油温以及热点温 度计算公式，以及交替温度计算模型、等效热电炉模型和利用油道温度计算热点温度的模 型计算变压器在几种情况（尤其是过载情况）下的温度变化情况。但两个标准的计算公式 中含有大量变压器本体参数，例如过载比率、油指数、绕组指数等，这些参数对于不同类的 变压器都存在差异，而且这些数据不容易采集得到，这样会导致温度值计算存在较大误差， 过载能力评价不准确。
[0005] 二是，国内高校大都研究基于标准的改进温度模型，如神经网络预测顶层油温、遗 传优化的支持向量机模型预测热点温度等；各省电力公司大都评估变压器的过载风险及负 荷裕度等，并制定相关应对措施投入到实际运行中。这些研究仅针对变压器某几个特征来 评价过载能力，如顶层油温、负荷、绕组温度等，对变压器过载能力影响的各个因素研究不 够全面，这样就不能很好地评价变压器的过载能力，有可能会出现不可挽回的失误，甚至会 破坏电力系统的稳定性，影响社会用电。
[0006] 在神经网络的现有技术中，BP神经网络是目前应用最为广泛和成功的神经网络 之一，在人工智能、辅助决策等领域获得广泛的成功。目前神经网络在变压器过载能力评 估中鲜有应用，如文南犬〈〈Predictionoftop-oiltemperaturefortransformersusing neuralnetworks》和《Neuraldiagnosticsystemfortransformerthermaloverload protection》采用神经网络预测变压器油的热点温度与顶层油温，有较好的效果。但是BP 神经网络在训练过程中误差趋于平坦将会导致收敛速度缓慢，迭代次数的增加。另外，若误 差存在极小值，容易致使误差局部收敛于极小值，无法收敛于理想中的较小误差值。
【发明内容】
[0007] 本发明的目的就是为了解决上述问题，提供一种多参数综合分析的变压器过载能 力评估方法，利用自适应调节学习速率对BP神经网络进行改进，修正其输出误差和权值更 新公式，提高了学习速率和模型精度。
[0008] -种多参数综合分析的变压器过载能力评估方法，包括以下步骤：
[0009] 步骤一，建立变压器过载能力预测的改进的BP神经网络模型，确立包括冷却器状 态的输入层参量和包括预测过载时间的输出层参量；
[0010] 步骤二，确立改进的BP神经网络模型的隐藏层节点数，并利用自适应调节学习速 率修正改进的BP神经网络的输出误差和权值更新公式；
[0011] 步骤三，输出输出层所要预测的参量值。对变压器在特定情况下的过载时间以及 过载之后的顶层油温值进行预测。
[0012] 所述输入层参量还包括初始顶层油温、初始热点温度、过载倍数、环境温度及变压 器参数。
[0013] 所述变压器参数包括变压器的油时间常数、绕组时间常数以及温度限定值。
[0014] 所述冷却器状态采用风扇的状态。
[0015] 所述输出层参量还包括预测顶层油温。
[0016] 所述步骤二中，设定隐藏层节点数的方法为，选取三层向前神经网络隐层节点数 公式为：
[0018] 其中，队为隐层节点数；1为输入层数目；~3为输出层数目；α为调节常数，且α =1 ~10〇
[0019] 所述步骤二中，通过调整学习速率改善误差函数情况，进而加快学习速率；设定误 差平方和变化的参考水平ξ，ξ=0.01~0.05,当更新后的误差平方和Ε(η+1)与上一次的 误差平方和Ε(η)满足：
.，则η=ρη，ρ为系数且〇〈ρ〈1，η为学习速率， 且η>〇,并且，权值保持为更新前的值；
[0021]若Ε(η+1)-Ε(η)< 0,贝1J η = υ η，υ为系数且υ >1。
[0022] (1)初始顶层油温
[0023] 顶层油温作为反映变压器过载运行状态时温度情况的重要指标，在计算中须予以 考虑。
[0024] (2)初始热点温度
[0025] 热点温度是主要限制变压器过负荷能力的因素，由于变压器的热点温度不易获 取，众多算法中也是对热点温度的预测。因而，过载前的热点温度也是主要的输入参考数 据。
[0026] (3)过载倍数
[0027] 变压器过载倍数越高，内部温度上升越快，过载持续时间越短。过载倍数小于1 时，变压器可以持续运行。因而过载倍数也是变压器过载的重要参数。
[0028] (4)风扇状态
[0029] 风冷过程中，变压器风扇正常运行与否也与温度变化有着重要的关系。因此，神经 网络的构建也考虑了风扇的运行状态。风扇的位置不同可能导致风扇的散热效果不同。但 为了简化运算，本专利中假设所有风扇的散热能力相同，与位置无关。
[0030] (5)环境温度
[0031] 环境温度即气温情况与变压器内部温度情况有着重要关系。冬天气温低，额定运 行状态下的变压器顶层油温和热点温度便会比夏天正常额定运行状态下的温度低。
[0032] (6)变压器参数
[0033] 变压器的油时间常数，绕组时间常数，以及温度限定值对过载能力也有一定的影 响作用。不同的变压器的参数不尽相同。为了提高计算结果准确性，针对特定的变压器进 行单独分析，故而加入了这些参数。
[0034] 改进的BP神经网络模型输出层参量为
[0035] (1)预测的过载时间
[0036] 过载时间的长短决定了变压器热点温度的升高量。并且，本模型的主要目的在于 求解在给定的过载时间之后，变压器的热点温度。因此，过载时间也是主要的输入量。
[0037] (2)预测的顶层油温
[0038] 预测顶层油温的输出作为模型预测温度的辅助，判断变压器热点温度的输出是否 合理。本发明的有益效果：
[0039] 发明将变压器冷却器状态考虑到过载能力计算模型中，这样可以最大程度上避免 变压器的冷却器如风扇等出现由于经常运作发生的故障问题，如果冷却器发生故障对变压 器的正常运行乃至电网的稳定运行都会有影响。
[0040] 预测变压器的过载时间和过载后的顶层油温。过载时间主要反映出变压器在对应 状态和要求下的过载能力，因而是主要的输出结果。这个过载时间相较于变压器可以过载 的时间可能稍短。样本选择的数据是变压器安全过载之前和之后的运行数据，因此神经网 络输出的过载时间更加可靠，更加接近于实际运行时采用的过载时间。
[0041] 利用自适应调节学习速率对BP神经网络进行改进，修正其输出误差和权值更新 公式，提高了学习