一种电力变压器顶层油温区间预测方法及系统与流程

本发明涉及一种电力变压器顶层油温区间预测方法及系统。
背景技术：
：油浸式电力变压器油纸绝缘系统的安全和老化速率主要受到其内部温升的影响，顶层油温是描述变压器内部温升状态的重要热变量之一。在变压器负载运行过程中，必须保证其不超过限定值。根据变压器的负载曲线和环境温度条件，对未来时刻的顶层油温进行准确可靠地预测，一方面可以在保证变压器在安全可靠的前提下，充分利用其负载能力，另一方面可以对于防止变压器出现过热故障有着重要意义。目前针对变压器顶层油温的预测方法均为点预测方法，即给出某一时刻的具体预测值，只将总体误差水平作为预测精度的性能指标，没有考虑预测模型本身存在的不确定性和预测误差的正负特性。技术实现要素：本发明为了解决上述问题，提出了一种电力变压器顶层油温区间预测方法及系统，本发明基于核极限学习机和Bootstrap方法相结合，能够给出在某置信水平上的清晰可靠的变压器顶层油温预测区间。为了实现上述目的，本发明采用如下技术方案：一种电力变压器顶层油温区间预测方法，包括以下步骤：(1)采集电力变压器的负载电流、环境温度和顶层油温，形成原始实测数据集；(2)利用Bootstrap方法对原始实测数据集进行多次有放回地随机采样，形成多组随机数据集；(3)对随机数据集进行归一化处理，并将每一组随机数据集作为一个核极限学习机模型的训练集，并对核极限学习机进行训练；(4)利用每一个训练好的核极限学习机模型分别对原始实测数据集进行预测，形成多个预测输出，求解其平均值与方差；(5)根据预测输出，形成新的核极限学习机模型，对顶层油温观测噪声方差进行逼近；(6)获取验证核极限学习机模型的输入数据，形成验证集，对验证集进行归一化处理，以每一个训练好的核极限学习机模型对验证集进行预测，求解其平均值与方差；(7)利用新的核极限学习机模型对验证集顶层油温观测噪声方差进行预测，计算在设定的置信水平上的预测区间，并对预测结果进行反归一化处理。所述步骤(1)中，所述原始实测数据集包括若干数据对，每个数据对包括输入数据和目标数据，输入数据为当前时刻变压器的负载电流和环境温度，以及前两个采样时刻变压器的负载电流、环境温度和顶层油温所组成的向量；目标数据为当前时刻的变压器顶层油温实测值。所述步骤(2)中，采用Bootstrap方法对原始数据集进行L次的有放回地随机采样，每次采集样本数为N，与原始数据集样本数据对的数目相同，最终得到L组数据集。所述步骤(3)中，核极限学习机模型的训练方法具体如下：训练样本为D＝{(xn,yn),n＝1,2…N}，输入数据xn和目标数据yn，按照下式求出核极限学习机模型隐藏层和输出层的连接权重β：β=(I/C+ΩELM)-1y1...yNΩELMi,j=K(xi,xj)]]>其中，I为对角矩阵，C为惩罚系数，y输出目标向量，y＝[y1,y2,…,yn]T,n＝1,2…N，K(xi,xj)为核函数，设定为RBF核：K(xi,xj)＝exp(-γ||xi,xj||2)其中，γ>0，为核参数，||xi-xj||为欧式范数。所述步骤(5)中，构造新的训练集Dnew＝{(xn,r2(xn)),n＝1,2…N}，其中残差r2(xn)如下式所示：r2(xn)=max((y^n-yn)2-σboot2(xn),0)y^n=Σl=1Lfl(xn)qbn/Σl=1Lqbn,n=1,2,...,N]]>其中，当第n个数据点{xn,yn}在Bootstrap采样得到的第l个训练集Dl中时，qbn＝0；反之，qbn＝1，第L+1个核极限学习机模型的预测输出为g(x)，为对顶层油温观测噪声方差σ2ε(x)的估计。所述步骤(6)中的验证集为当前时刻变压器的负载电流和环境温度，以及前两个采样时刻变压器的负载电流、环境温度和顶层油温所组成的向量。所述步骤(6)中，验证集数据，数据格式与原始实测数据集数据相同。所述步骤(7)中，计算模型在(1-α)％置信水平上的预测区间上下限值，具体方法为：y^boot(x)±tdf1-α2σboot2(x)+g(x)]]>式中为自由度df的t分布函数的分位数，自由度df取值为L。一种电力变压器顶层油温区间预测系统，包括：原始实测数据集获取模块，采集电力变压器的负载电流、环境温度和顶层油温，形成原始实测数据集；Bootstrap方法子训练集生成模块，利用Bootstrap方法对原始实测数据集进行多次有放回地随机采样，形成多组随机数据集，将每一组随机数据集作为一个核极限学习机模型进行训练；顶层油温预测模块，利用每一个训练好的核极限学习机模型分别对原始实测数据集进行预测，形成多个预测输出，求解其平均值与方差；噪声方差训练集生成模块，以每一个训练好的核极限学习机模型对验证集进行预测，根据预测结果计算得到残差值，生成新的核极限学习机模型训练集，用于对顶层油温观测噪声方差的预测；验证集数据获取模块，获取验证核极限学习机模型的输入数据，形成验证集；归一化模块，对原始实测数据集、验证集进行归一化处理；预测区间计算模块，根据顶层油温核极限学习机模型的预测值，计算其平均值和方差，并采用噪声方差核极限学习机模型预测噪声方差，最终计算得到预测区间的上下限值；反归一化模块，对所述预测区间的上下限值进行反归一化处理。本发明的有益效果为：本发明的基于核极限学习机和Bootstrap方法的电力变压器顶层油温区间方法，可获得较为可靠和清晰的顶层油温预测区间，能够给出在某置信水平上变压器顶层油温的上下限值，相比于只给出某一确切顶层油温预测值的传统方法，能提供更为可靠的信息，有利于更好地指导变压器的负载运行，促进变压器在线监测信息的深度应用。附图说明图1为本发明的基于核极限学习机和Bootstrap方法的电力变压器顶层油温区间方法流程图；图2为KELM模型示意图；图3为本发明的基于核极限学习机和Bootstrap方法的电力变压器顶层油温区间预测方法原理图；图4为变压器实测数据曲线图；图5为本发明方法顶层油温预测区间值和顶层油温实测曲线图；图6为本发明的本发明的基于核极限学习机和Bootstrap方法的电力变压器顶层油温区间预测装置示意图。具体实施方式：下面结合附图与实施例对本发明作进一步说明。一种基于核极限学习机和Bootstrap方法的电力变压器顶层油温区间预测方法和装置，属于变压器在线监测领域，该方法包括：获取原始训练集数据，通过Bootstrap方法生成子训练集；采用子训练集数据训练多个核极限学习机顶层油温预测模型；以多个核极限学习模型对原始训练集进行预测，根据预测结果生成噪声预测核极限学习机的训练样本，并训练噪声预测核极限学习机；采用多个核极限学习机顶层油温预测模型对验证集进行预测，并采用噪声预测核极限学习机预测顶层油温的观测噪声方差；根据多个核极限学习对顶层油温预测结果的方差和预测得到的观测噪声方差，计算得到顶层油温的预测区间。具体的，本发明提供一种基于核极限学习机和Bootstrap方法的电力变压器顶层油温区间预测，如图1和图3所示，包括：步骤101：获取原始实测数据集D＝{(xn,yn),n＝1,2…N}，所述原始实测数据集包括若干数据对，每个数据对包括输入数据xn和目标数据yn。输入数据为当前时刻变压器的负载电流和环境温度，以及前两个采样时刻变压器的负载电流、环境温度和顶层油温所组成的向量；目标数据为当前时刻的变压器顶层油温实测值。步骤102：采用Bootstrap方法对原始数据集进行L次(L＝20～50，典型地取L＝30)有放回地随机采样，每次采集样本数为N，与原始数据集样本数据对的数目相同，最终得到L组数据集，如图3中D1～DL；步骤103：将步骤102所获得L组数据集进行归一化处理；步骤104：以归一化后的L组数据集分别训练L个核极限学习机(KELM)模型；步骤105：采用训练好的L个KELM模型对原始数据集进行预测，对于每个时刻得到L个预测输出，求解每个时刻的L个输出的平均值和方差；步骤106：通过步骤105的预测结果，构造一组训练集，训练一个KELM模型(第L+1个KELM模型)，用于对顶层油温观测噪声方差进行逼近；步骤107：获取验证集数据，数据格式与训练集数据相同，并对验证集数据进行归一化处理；步骤108：以L个KELM模型对验证集进行预测，计算L个模型的输出平均值和方差，以第L+1个KELM模型对验证集顶层油温观测噪声方差进行预测。步骤109：根据步骤108的预测结果，计算在在(1-α)％置信水平上的预测区间，并对预测结果进行反归一化处理。进一步的，所述步骤101中，每个数据对中，输入数据如下式：xn＝[I(k),I(k-1),I(k-2),θamb(k),θamb(k-1),θamb(k-2),θoil(k-1),θoil(k-2)]其中，圆括号内k、k-1、k-2分别表示当前时刻，前一个采样时刻和前两个采样时刻。I为负载电流，θamb为环境温度，θoil为实测顶层油温。目标数据yn为当前时刻的顶层油温实测值。考虑到变压器顶层油温与变压器的负载电流和环境温度密切相关，并且顶层油温也会受到前一段时间(一般取15-30min)变压器的负载电流、环境温度和顶层油温的影响，因此模型输入的前后两个采样时间间隔优选15min。所述步骤103和109中，归一化处理和反归一化处理的计算公式分别如下所示：s'＝(s-smin)/(smax-s)s＝(smaxs'-smin)/(s'-1)其中，s和s’分别为各变量归一化前、后的值，smin和smax分别为各变量的极小、极大值。所述步骤104和108中，KELM模型的训练方法具体如下：训练样本为D＝{(xn,yn),n＝1,2…N}，按照下式求出KELM隐藏层和输出层的连接权重β：β=(I/C+ΩELM)-1y1...yNΩELMi,j=K(xi,xj)]]>其中，I为对角矩阵，C为惩罚系数，y输出目标向量，y＝[y1,y2,…,yn]T,n＝1,2…N。K(xi,xj)为核函数，设定为RBF核：K(xi,xj)＝exp(-γ||xi,xj||2)其中，γ>0，为核参数，||xi-xj||为欧式范数。训练好的核极限学习机模型的预测输出公式为：y^=f(x)=[K(x,x1),...,K(x,xN)]β]]>核极限学习的拓扑结构如图2所示，采用核极限学习机具有较好的非线性拟合回归能力，因此用其对顶层油温进行预测是合理的。所述步骤105中，每个时刻的L个KELM模型预测输出的平均值和方差σ2boot(x)如下：y^boot(x)=1LΣl=1Lfl(x)σboot2(x)=1L-1Σl=1L(fl(x)-y^boot(x))2]]>其中，将作为对真实值μ(x)的估计，将σ2boot(x)作为对模型自身所造成预测值方差σ2f(x)的估计。假设存在一组数据D＝{(xn,yn),n＝1,2…N}，其中目标值y和输入向量x存在非线性映射关系μ(x),目标值受到噪声的影响：y＝μ(x)+ε(x)ε(x)为目标值观测噪声，一般服从0均值正态分布。以一个KELM模型对上述时间序列进行拟合回归预测，预测输出为则预测误差为：y-f(x)＝μ(x)-f(x)+ε(x)该误差包含模型的系统误差μ(x)-f(x)(真实值与预测值之差)和数据观测噪声误差ε(x)两部分，一般情况下可认为二者相互独立，对应于预测误差y-f(x)的方差为：σy2(x)=σf2(x)+σϵ2(x)]]>将σ2boot(x)作为对模型自身方差σ2f(x)的估计。所述步骤106中，构造新的训练集Dnew＝{(xn,r2(xn)),n＝1,2…N}，其中残差r2(xn)如下式所示：r2(xn)=max((y^n-yn)2-σboot2(xn),0)y^n=Σl=1Lfl(xn)qbn/Σl=1Lqbn,n=1,2,...,N]]>其中，当第n个数据点{xn,yn}在Bootstrap采样得到的第l个训练集Dl中时，qbn＝0；反之，qbn＝1。第L+1个KELM模型的预测输出为g(x)，为对顶层油温观测噪声方差σ2ε(x)的估计。所述步骤109中，通过下式计算模型在(1-α)％置信水平上的预测区间上下限值：y^boot(x)±tdf1-α2σboot2(x)+g(x)]]>式中为自由度df的t分布函数的分位数，自由度df取值为L。采用覆盖率(PIcoverageprobability,PICP)和平均预测区间宽度(MeanPIWidth,MPIW)来作为预测区间的评价指标，分别用于衡量预测区间的可靠性和清晰度，计算公式如下：PICP=1NtestΣi=1NtestciMPIW=1NtestΣi=1Ntest(Ui-Li)]]>其中，Ntest为验证样本个数；ci为布尔量，若预测目标值在预测区间内ci＝1，反之，ci＝0；Ui和Li分别表示预测区间的上下界。本发明的基于核极限学习机和Bootstrap方法的电力变压器顶层油温区间方法，可获得较为可靠和清晰的顶层油温预测区间，能够给出在某置信水平上变压器顶层油温的上下限值，相比于只给出某一确切顶层油温预测值的传统方法，能提供更为可靠的信息，有利于更好地指导变压器的负载运行，促进变压器在线监测信息的深度应用。步骤101-106是Bootstrap-KELM顶层油温区间预测模型的建立过程，其是基于实测数据并将实测数据作为训练集得到的，是在进行顶层油温预测之前必须执行完成的。若在进行顶层油温预测之前，模型的建立和训练过程就已事先执行完毕，则可以从步骤107开始执行。通过上述方法，可以得到覆盖率较高，预测区间平均宽度较窄的预测区间结果。下面以具体示例来说明本发明的有益效果：采用某10kV/400V三相双绕组配电变压器的实测数据进行仿真验证，采集变压器2013年11月共7天的负载电流、环境温度和顶层油温，采样时间间隔为15分钟。变压器实测数据如图4所示。生成样本输入数据，将前4天的数据作为原始训练集，后3天的数据作为验证集，对原始训练集数据进行L＝30次随机有放回采样，共得到L＝30个子训练集。选取KELM模型RBF核参数γ＝1，惩罚系数C＝0.5，通过子训练集数据对L个KELM进行训练。通过训练好的L个KELM模型对原始训练集进行预测，根据预测结果生成第L+1个KELM模型的训练集并对其进行训练。以L个KELM对验证集进行预测，以第L+1个KELM模型对观测方差进行预测，根据预测结果，生成95％、90％、80％置信水平下的预测区间，预测区间与实测顶层油温曲线如图5所示。分别采用极限学习机(ELM)、BP神经网络、支持向量机(SVM)作为KELM算法的对比算法，建立Bootstrap区间预测模型，各方法的预测区间指标对比如表1所示。表1各方法预测区间指标对比从表1可以看出：在95％置信水平上，各算法的覆盖率均达到了100％，KELM和SVM算法的平均预测区间宽度相近，优于BP神经网络和SVM算法；在90％和80％置信度水平上，BP神经网络及ELM的覆盖率和平均预测区间宽度指标均明显不如KELM和SVM；从算法训练复杂度上，KELM仅需要一步解析即可，而SVM则采用求解凸优化的方法，因此KELM在算法复杂度上比SVM具有优势。另一方面，本发明提供一种基于误差预测修正的变压器顶层油温预测装置，如图6所示，包括：原始训练数据集获取模块11，用于获取原始训练数据集，所述原始实测数据集包括若干数据对，每个数据对包括输入数据和目标数据，输入数据为当前时刻变压器的负载电流和环境温度，以及前两个采样时刻变压器的负载电流、环境温度和顶层油温所组成的向量，目标数据为当前时刻的变压器顶层油温实测值；Bootstrap方法子训练集生成模块12，用于生成L个子训练集，分别用于训练L个KELM模型。采取有放回地随机采样，每次采集样本数为N，与原始数据集样本数据对的数目相同。验证集(预测集)数据获取模块13，用于获取验证集KELM模型的输入数据，从而获得预测值。所述验证集数据为当前时刻变压器的负载电流和环境温度，以及前两个采样时刻变压器的负载电流、环境温度和顶层油温所组成的向量。归一化模块14，用于将所述原始训练集、子训练集、验证集数据归一化；顶层油温KELM预测模块15，包含L个KELM模型，分别采用L个子训练集训练得到，用于预测顶层油温值fl(x)。噪声方差训练集生成模块16，采用L个KELM模型对原始训练集进行预测，根据预测结果计算得到残差值，生成第L+1个KELM模型的训练集，用于对顶层油温观测噪声方差的预测。噪声方差KELM预测模块17，采用噪声方差训练集生成模块的训练集进行训练，对对顶层油温观测噪声方差的预测。预测区间计算模块18，根据L个顶层油温KELM模型的预测值，计算其平均值和方差，并采用噪声方差KELM预测模块预测噪声方差，最终计算得到预测区间的上下限值。反归一化模块19，用于对所述预测区间的上下限值进行反归一化处理。上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。当前第1页1 2 3