一种配网变压器运行状态的预测方法与流程

本申请涉及配电网变压器监测技术领域，尤其涉及一种配网变压器运行状态的预测方法。

背景技术：

配网变压器在电能输送中起着调节电压等级和分配电能的作用，其运行环境始终有热、电及机械等应力的影响，随着服役期限的延长，变压器会由完全良好状态逐步劣化直至故障。对变压器运行期间状态进行监测，有助于及时感知变压器潜在威胁，掌握变压器故障发展趋势。

目前，对配网变压器运行状态的监测与维修工作中，只是对配网变压器中的状态指标参量设定报警值。具体的，当其中一个或多个状态指标参量超过了其对应的报警值，并且长时间保持越限，操作人员根据上述情况计划安排配网变压器的维修。

在上述配网变压器运行状态的检测工作中，只能当配网变压器中某一指标参量超出报警值后，才能对其进行维修，并无法对配网变压器的运行状态进行预测，从而无法针对变压器的运行状态对其进行维护。

技术实现要素：

本申请提供了一种配网变压器运行状态的预测方法，以解决现有技术中无法预测配网变压器运行状态的技术问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

本申请实施例公开了一种配网变压器运行状态的预测方法，所述方法包括：

采集油色谱中特征气体含量并进行归一化，得到训练样本；

采集所述特征气体含量对应变压器的状态指标数据，划分变压器状态，所述变压器状态包括正常、注意、严重及危急；

通过劣化函数求得变压器状态指标的相对劣化度，加权求得综合劣化度；

通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系，得到所述特征气体含量相对应变压器4种状态的隶属度；

将所述隶属度作为网络训练数据集标签，构建变压器运行状态预测模型；

向所述变压器运行状态预测模型输入油色谱中特征气体含量，取输出值中最大置信值对应的变压器状态为预测状态。

可选地，在上述配网变压器运行状态的预测方法中，所述采集油色谱中特征气体含量并进行归一化，得到训练样本，包括：

采集油色谱中特征气体含量，所述特征气体包括：h2、ch4、c2h4、c2h6、c2h2、总烃、co以及co2；

通过离差标准化方法对所述特征气体含量数据进行归一化，归一化公式表示为：

式中，x为特征气体含量，为归一化后的特征气体含量，xmin为样本数据最小值，xmax为样本数据最大值。

可选地，在上述配网变压器运行状态的预测方法中，所述劣化函数表示为：

lk＝g(a,b,x)

式中，lk为特征气体含量中参数k的相对劣化度，g为劣化函数，a为最优值或出厂值，b为注意值，x为当前实测数值。

可选地，在上述配网变压器运行状态的预测方法中，所述变压器状态指标包括绝缘特性试验和变压器油试验指标，

当所述变压器状态指标为极大型指标时，所述劣化函数表示为：

当所述变压器状态指标为极小型指标时，所述劣化函数表示为：

可选地，在上述配网变压器运行状态的预测方法中，所述分布函数中以特征气体含量为输入特征量，以特征气体含量的相对劣化度为输出量，构建变压器状态指标对应于4种变压器状态的映射关系，得到所述特征气体含量相对应变压器4种状态的隶属度。

可选地，在上述配网变压器运行状态的预测方法中，通过误差反向传播方法中沿时间反向传播法提取所述变压器运行状态预测模型特征。

可选地，在上述配网变压器运行状态的预测方法中，通过层次分析法加权求得综合劣化度。

与现有技术相比，本申请的有益效果为：

本申请提供了一种配网变压器运行状态的预测方法，所述方法包括：采集油色谱中特征气体含量并进行归一化，得到训练样本；采集所述特征气体含量对应变压器的状态指标数据，划分变压器状态，所述变压器状态包括正常、注意、严重及危急；通过劣化函数求得变压器状态指标的相对劣化度，加权求得综合劣化度；通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系，得到所述特征气体含量相对应变压器4种状态的隶属度；将所述隶属度作为网络训练数据集标签，构建变压器运行状态预测模型；向所述变压器运行状态预测模型输入油色谱中特征气体含量，取输出值中最大置信值对应的变压器状态为预测状态。本申请通过深度学习、多参数融合分析及时捕捉设备的故障信息，追溯配网变压器故障发展过程，实现故障模式智能诊断，提升配网变压器设备评价与异常诊断的准确性。深度挖掘配网变压器全景状态信息与运行状态及故障趋势的潜在联系，利用深度网络结构实现状态智能预测，提升变压器设备评价与状态预测的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种配网变压器运行状态的预测方法的流程示意图；

图2为本发明实施例提供的三角形梯形隶属函数分布图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

参见图1，为本发明实施例提供的一种配网变压器运行状态的预测方法的流程示意图。结合图1可得，本申请中的配网变压器运行状态的预测方法包括以下步骤：

步骤s101：采集油色谱中特征气体含量并进行归一化，得到训练样本；

本申请以配网变压器监测数据作为数据基础，将油色谱中特征气体含量数据归一化后得到特征变量，作为训练样本数据。采集油色谱中特征气体含量，所述特征气体包括：h2、ch4、c2h4、c2h6、c2h2、总烃、co以及co2。采用离差标准化方法对所述特征气体含量数据进行归一化，处理降低特征气体含含量数据分散性对变压器运行状态预测模型的影响，归一化公式表示为：

式中，x为特征气体含量，为归一化后的特征气体含量，xmin为样本数据最小值，xmax为样本数据最大值。

步骤s102：采集所述特征气体含量对应变压器的状态指标数据，划分变压器状态，所述变压器状态包括正常、注意、严重及危急；

配网变压器的状态划分为4种，包括：v1正常、v2注意、v3严重和v4危急。变压器的状态指标包括：油中溶解气体、吸收比及泄漏电流等绝缘特性试验和变压器油试验标准中指标参数，变压器状态、检修策略及变压器状态指标值的对应关系如表1所示。

表1：

步骤s103：通过劣化函数求得变压器状态指标的相对劣化度，加权求得综合劣化度；

对变压器状态指标值，使用相对劣化度来表征变压器当前状态与故障状态相比的劣化程度，相对劣化度反映了变压器状态由正常向故障模式的转化程度，用[0，1]之间的数值表示，数值越小，状态越优，0表示变压器处于良好的正常状态，1表示变压器处于危急故障状态。相对劣化度的求解过程如下：

设变压器状态指标值中参数k的最优值或出厂值为a，注意值为b，当前实测数值为x，则参数k的相对劣化度表示为：

lk＝g(a,b,x)

式中，lk为特征气体含量中参数k的相对劣化度，g为劣化函数。

从自然劣化角度建立变压器状态指标值的劣化函数。当所述变压器状态指标为极大型指标时，如绝缘特性试验中的吸收比，数据越大，状态越优。当所述变压器状态指标为极小型指标时，如绝缘特性试验中的油中溶解气体，数据越小，状态越优。因此，劣化函数的表达式不同，具体如下：

当所述变压器状态指标为极大型指标时，所述劣化函数表示为：

当所述变压器状态指标为极小型指标时，所述劣化函数表示为：

步骤s104：通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系，得到所述特征气体含量相对应变压器4种状态的隶属度；

参见图2，为本发明实施例提供的三角形梯形隶属函数分布图。由图2所示，所述分布函数中以特征气体含量为输入特征量，以特征气体含量的相对劣化度为输出量，构建变压器状态指标对应于4种变压器状态的映射关系，得到所述特征气体含量相对应变压器4种状态的隶属度。

以油中溶解气体含量指标为例，利用样本数据拟合三角形梯形隶属函数分布图，即油中溶解气体含量相对劣化度f对应于v1～v4的隶属度函数，图2中配网变压器4种状态划分，v1正常、v2注意、v3严重和v4危急的函数表达式分别如下：

同样地，对所有变压器状态指标值，计算出隶属度，通过层次分析法加权求得变压器4种状态的综合隶属度。

步骤s105：将所述隶属度作为网络训练数据集标签，构建变压器运行状态预测模型；

构建并训练变压器运行状态预测模型，具体为：为降低长短时记忆网络在学习时陷入局部极小值的风险，本申请中权重矩阵首先通过服从均值为0，方差为1的高斯分布随机初始化。网络偏置项和输出层偏置项初始化为0，输出层权重矩阵为服从均值为0方差为1的高斯分布的随机数乘以0.01系数，变压器运行状态预测模型由一层长短时记忆网络和softmax网络层组成。长短时记忆网络输入层规模为100，隐层神经元个数为128，为防止过拟合信号损失率设为0.2，对应变压器的4种运行状态将输出层规模为4，通过误差反向传播方法中沿时间反向传播法提取所述变压器运行状态预测模型特征。

步骤s106：向所述变压器运行状态预测模型输入油色谱中特征气体含量，取输出值中最大置信值对应的变压器状态为预测状态。

以状态性能数据中油色谱监测h2、ch4、c2h4、c2h6、c2h2、总烃、co及co2的含量以及其对应的隶属度输入所述变压器运行状态预测模型，取输出结果中最大置信值对应的状态作为预测状态。

本申请以某一配网变压器为例，以油色谱监测h2、ch4、c2h4、c2h6、c2h2、总烃、co及co2的含量以及其对应的隶属度为输入，将下一时刻所要预测的状态信度区间为输出。各属性值通过非线性变换同时结合长短时记忆网络时序联系，由softmax分类器输出下一时刻变压器4种状态隶属度，取最大隶属度对应的变压器状态作为变压器预测值。

配网变压器运行状态预测的步骤为：(1)收集选取样本，将样本划分为训练集和测试集；(2)将训练样本中油色谱监测数据中h2、ch4、c2h4、c2h6、c2h2、总烃、co及co2的含量输入；(3)利用三角形和半梯形组合的隶属度函数描述各变压器状态指标值对应于不同变压器状态的分布函数，将各变压器状态指标值隶属度函数输出值分配加权求值得到对应变压器4种状态的综合隶属度计算结果；(4)将上述计算结果作为网络训练数据集标签，构建变压器运行状态预测模型；(5)根据沿时间反向传播方法对变压器运行状态预测模型进行训练，提取输入量与变压器状态之间的特征联系，获取模型参数；(6)利用变压器运行状态预测模型参数对测试集中变压器进行状态预测。

综上，本申请中配网变压器运行状态的预测方法中，首先采集油色谱中特征气体含量并进行归一化，得到训练样本，再采集所述特征气体含量对应变压器的状态指标数据，划分变压器状态，所述变压器状态包括正常、注意、严重及危急，然后，通过劣化函数求得变压器状态指标的相对劣化度，加权求得综合劣化度，并通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系，得到所述特征气体含量相对应变压器4种状态的隶属度，最后将所述隶属度作为网络训练数据集标签，构建变压器运行状态预测模型，向所述变压器运行状态预测模型输入油色谱中特征气体含量，取输出值中最大置信值对应的变压器状态为预测状态。本申请通过深度学习、多参数融合分析及时捕捉设备的故障信息，追溯配网变压器故障发展过程，实现故障模式智能诊断，提升配网变压器设备评价与异常诊断的准确性。深度挖掘配网变压器全景状态信息与运行状态及故障趋势的潜在联系，利用深度网络结构实现状态智能预测，提升变压器设备评价与状态预测的准确性。

由于以上实施方式均是在其他方式之上引用结合进行说明，不同实施例之间均具有相同的部分，本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。

需要说明的是，在本说明书中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种电路结构、物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的电路结构、物品或者设备中还存在另外的相同要素。

本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。

以上所述的本申请实施方式并不构成对本申请保护范围的限定。