一种面向时间尺度的配电变压器重过载判断方法与流程

本发明涉及一种面向时间尺度的配电变压器重过载判断方法，属于电力大数据
技术领域：
。
背景技术：
：随着电力需求的不断增长，配电网中配电变压器重过载时有发生。重过载的发生会加速设备内部元件的异常损耗，降低设备的使用寿命，甚至导致配电变压器直接烧毁、故障停电等风险。按照电力行业的技术标准，配电变压器的重载标准：配变负载率>＝80％且<100％，且持续2小时；过载标准：配变负载率>＝100％，且持续2小时。当某个区域的配电变压器存在重过载现象后，为保障安全可靠供电，通常来讲会通过选择更大容量的变压器进行更换，避免后期再次产生重过载现象从而威胁电网安全。然而目前重过载定义仅仅是一个基本定义，在配变运行过程中无论是持续时间还是出现频率都会有很大差异，比如配变负载率在80％以上重载时有连续2小时的，也有连续10小时的，也有多次间断性出现多次2小时的现象；同理过载情况也存在负载率刚刚超过100％持续两小时的，也有远远超过100％且持续两小时，或超过100％持续5小时甚至10小时以上的。如果将评估周期以年为单位，很多配变还会表征出季节性重过载(如夏季高温时重过载、如南方炒茶季、或春节特殊用电时间段重过载)，也有很多配变会表征出工作日重过载或节假日重过载等特征。故如果按照最基本的配变重过载定义从而简单的更换大容量变压器，将是十分不科学也十分不经济的决策方式。因此，应该根据配电变压器历史运行数据，通过数据分析与归类的方式，针对不同变压器重过载情况进行更为细致的特征“画像”，针对不同重过载特征的配变，更有针对性的采用运行方式调整、三相不平衡调整、选用短时抗高过载变压器、选用非晶合金变压器、选用干式变或油变、选用有载调容变等不同的运行或改造策略，提高配变选型与运行方式的科学性与经济性。技术实现要素：针对以上方法存在的不足，本发明提出了一种面向时间尺度的配电变压器重过载判断方法，其能够研究关于配电变压器的重过载的典型特征，形成重过载多种“画像”。该研究内容的主要目的是为了从时间尺度上，进行批量、快速地发现重过载发生规律，有助于为配电变压器改造、更换等相关业务提供辅助决策建议。。本发明解决其技术问题采取的技术方案是：本发明实施例提供的一种面向时间尺度的配电变压器重过载判断方法，包括以下步骤：步骤1：采样配电变压器原始负载运行数据并将其离散化为24点的时序数据；步骤2：对时序数据进行基于lstm-bp网络的特征提取；步骤3：使用模糊c均值聚类算法对提取的特征进行聚类得到多个簇，每个簇代表某种特定重过载在时间尺度上的特征规律；步骤4：据根据各配电变压器的重过载时间特征对配电变压器重过载情况进行判断。作为本实施例一种可能的实现方式，在步骤1中，时序数据的时序间隔为1小时、15分钟、5分钟或1分钟。作为本实施例一种可能的实现方式，在步骤1中，设时序数据的时序间隔为1小时，将配电变压器原始负载运行数据变换为0-23点的离散数据，其中每个小时中重过载状态记为1，非重过载状态记为0，故某变压器一天的负荷数据记为一个24维的[0,1]时序数据；时序数据记为x＝{x1,x2,…,xi,…,xn}其中xi＝{xi0,xi1,...xit,…,xi23}，n为配电变压器数量；变换方法为：其中，i为配电变压器的序号，t＝0,1,…23。作为本实施例一种可能的实现方式，所述步骤2的过程为：首先将时序数据集x输入到自编码网络中，设置输出维度为k，得到编码结果集，每个样本维度降到k维；然后将编码结果输入到解码网络中，还原为解码后的时序数据利用x和之间的均方差反向传导更新编码和解码网络的参数，直到迭代次数大于停止迭代设定值；当模型训练好后，重新输入所有样本到编码网络，得到重过载时序数据特征，记为y＝{y1,y2,...,yi,...,yn}，其中yi＝{yi1,yi2,...,yik}。作为本实施例一种可能的实现方式，所述自编码网络的编码过程为：设一条输入样本为x＝{x0,x1,…,xt,…x23}到lstm神经网络进行编码，其中lstm神经元状态值ct与输出值ht更新步骤如下：ft＝σ(wf*[ht-1,xt]+bf)it＝σ(wi*[ht-1,xt]+bi)δt＝tanh(wc*[ht-1,xt]+bc)ct＝ft*ct-1+it*δtot＝σ(wo*[ht-1,xt]+bo)ht＝ot*tanh(ct)其中σ代表sigmoid激活函数；ht-1为上一个单元的输出值；wf,wi,wo,wc分别代表合适的权重矩阵；bf,bi,bo,bc分别代表合适的阈值向量；取序列的最后一个神经元的输出作输入序列的编码结果y＝h23＝{y1,y2,…,yj,…,yk}；所述解码网络的解码过程为：输入样本为y＝{y1,y2,…,yj,…,yk}，那么输入层：…第l层隐藏层：…输出层：其中，l的数值范围为2-4层，sl为第l层隐藏层神经元的个数；为第l层隐藏层第i个神经元；f(·)为神经元的激活函数；为从l-1层第j个神经元与l层第i个神经元之间的连接权重；为第l层第i个神经元的偏置；为隐藏层最后一层第j个神经元与输出层第i个神经元之间的连接权重；为第输出层第i个神经元的偏置。作为本实施例一种可能的实现方式，在步骤3中，将y特征集使用模糊c均值算法进行聚类，挖掘配电变压器的典型规律；对于聚类算法中的聚类数c是由聚类评价chi指标决定的，chi指标考虑不同类之间的分散性b和同类之间的紧凑型w，即：其中，表示所有对象的均值向量，ck表示第k个类簇的中心，wk,j表示第i个对象对第k个类簇的隶属关系，k为类簇数，n为所有对象数；特征集y＝{y1,y2,l,yj,l,yn}，把这些数据划分成c类，那么对应c个类的类中心为c，每个样本j属于第i类的隶属度为uij，定义目标函数及其约束条件如下所示：其中uij代表样本j属于第i类的隶属度，yj代表第j个样本，ci代表第i类中心，m代表隶属度因子；使用拉格朗日乘数法将约束条件放到目标函数中，求目标函数的极值，最后化简得到：作为本实施例一种可能的实现方式，对提取的特征进行聚类的过程包括以下步骤：(1)设定聚类数的范围，cmin和cmax，依次带入模糊c均值算法中进行聚类：1)确定分类个数cmin<＝c<＝cmax，指定隶属因子m；2)随机初始化一个隶属度u＝{uij,i为类别数,j为样本数}，且3)根据隶属度u计算类中心c,其中c＝{c1,...,i,i为类别数}；4)如果满足停止条件，结束循环，取各样本隶属度uij最大的作为该样本聚类结果，并计算chi指标。其中停止条件为iter_k指迭代次数，或者迭代次数大于iter。5)根据类中心c计算隶属度u，回到步骤3)；(2)取chi指标最大的聚类结果。作为本实施例一种可能的实现方式，在步骤4中，根据数据集y得到c种面向时间尺度的重过载特征，统计配电变压器在几种典型的重过载特征发生次数，从而描述该设备历史重过载发生规律。作为本实施例一种可能的实现方式，所述的一种面向时间尺度的配电变压器重过载判断方法还包括根据重过载的特征规律进行配电变压器建设优化建议。作为本实施例一种可能的实现方式，所述配电变压器建设优化过程为：1)判断年平均发生次数是否小于α次，若小于则无需处理，α为正整数；2)若年平均发生次数大于α次，则需要进行配变的建设优化。本发明实施例的技术方案可以具有的有益效果如下：本发明实施例的技术方案的一种面向时间尺度的配电变压器重过载判断方法，包括以下步骤：步骤1：采样配电变压器原始负载运行数据并将其离散化为24点的时序数据；步骤2：对时序数据进行基于lstm-bp网络的特征提取；步骤3：使用模糊c均值聚类算法对提取的特征进行聚类得到多个簇，每个簇代表某种特定重过载在时间尺度上的特征规律；步骤4：据根据各配电变压器的重过载时间特征对配电变压器重过载情况进行判断。本发明根据配电变压器历史运行数据，通过数据分析与归类的方式，针对不同变压器重过载情况进行更为细致的特征“画像”，针对不同重过载特征的配变，更有针对性的采用运行方式调整、三相不平衡调整、选用短时抗高过载变压器、选用非晶合金变压器、选用干式变或油变、选用有载调容变等不同的运行或改造策略，提高了配变选型与运行方式的科学性与经济性。本发明利用lstm-bp神经网络对时序数据进行特征提取，对多台配电变压器每次发生重过载进行特征分类，构建多种重过载“画像”，利用无监督学习的算法挖掘出几类典型规律，实现配网重要设备面向时间尺度的重过载特征分类。从时间尺度上，进行批量、快速地发现重过载发生规律，同时结合分别类规律提出相应的建设优化建议，减少了配电变压器重过载发生，为配电变压器改造、更换等相关业务提供了辅助决策建议。附图说明：图1是根据一示例性实施例示出的一种面向时间尺度的配电变压器重过载判断方法的流程图；图2是一配变a2018年3月20日重过载的时序图；图3是chi指标示意图；图4是一数据集y聚类中心效果图。具体实施方式下面结合附图与实施例对本发明做进一步说明：为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。图1是根据一示例性实施例示出的一种面向时间尺度的配电变压器重过载判断方法的流程图。如图1所述，本发明实施例提供的一种面向时间尺度的配电变压器重过载判断方法，包括以下步骤：步骤1：采样配电变压器原始负载运行数据并将其离散化为24点的时序数据；步骤2：对时序数据进行基于lstm-bp网络的特征提取；步骤3：使用模糊c均值聚类算法对提取的特征进行聚类得到多个簇，每个簇代表某种特定重过载在时间尺度上的特征规律；步骤4：据根据各配电变压器的重过载时间特征对配电变压器重过载情况进行判断。本发明的主要目的是通过对配电变压器历史运行数据中重过载特征进行精细化分类，进而根据不同重过载特征针对性的提出差异化的改造或更换策略。首先采样配电变压器原始负载运行数据并将其离散化为24点的时序数据，时序间隔可以为1小时、15min、5min、1min等多种不同时序间隔，也就对应着24、96、288、1440等多维度样本数据，这里按1小时为离散间隔，将重过载记录数据变换为0-23点的离散数据，其中每个小时状态如果为重过载状态记为1，为非重过载状态记为0，故某变压器一天的负荷数据记为一个24维的[0,1]时序数据；为减少数据冗余、降低数据维度，进一步对时序数据进行基于lstm-bp网络的特征提取，实现了以低维度的特征代替原始的高纬度数据，有助于提高后面聚类效果与聚类速度；进而，使用模糊c均值聚类算法对提取的特征进行聚类得到多个簇，每个簇代表某种特定重过载在时间尺度上的特征规律；最后，据此将各配电变压器的重过载时间特征提出相应的建设优化建议。作为本实施例一种可能的实现方式，在步骤1中，时序数据的时序间隔为1小时、15分钟、5分钟或1分钟。作为本实施例一种可能的实现方式，在步骤1中，为了防止非重过载时段对重过载特征分类效果的影响，将研究的所有设备从1-n，每次发生重过载时段变换为24时点的0-1数据，即时序数据的时序间隔为1小时，将配电变压器原始负载运行数据变换为0-23点的离散数据，如果每个小时中重过载状态记为1，非重过载状态记为0，故某变压器一天的负荷数据记为一个24维的[0,1]时序数据；时序数据记为x＝{x1,x2,...,xi,…,xn}其中xi＝{xi0,xi1,…xit,…,xi23}，n为配电变压器数量；变换方法为：其中，i为配电变压器的序号，t＝0,1,…23。作为本实施例一种可能的实现方式，所述步骤2的过程为：首先将时序数据集x输入到自编码网络中，设置输出维度为k，得到编码结果集，每个样本维度降到k维；这里需要指出的是，降维的维度选择是与输入维度有关的，保证以最合适的低纬度能够描述原始高纬度数据。然后将编码结果输入到解码网络中，还原为解码后的时序数据利用x和之间的均方差反向传导更新编码和解码网络的参数，直到迭代次数大于停止迭代设定值；当模型训练好后，重新输入所有样本到编码网络，得到重过载时序数据特征，记为y＝{y1,y2,…,yi,…,yn}，其中yi＝{yi1,yi2,…,yik}。在自编码算法中为保留序列的时序性与快速性，编码部分使用lstm(longshorttermmemory)神经网络，解码部分使用bp(backpropagation)神经网络。作为本实施例一种可能的实现方式，所述自编码网络的编码过程为：设一条输入样本为x＝{x0,x1,…,xt,…x23}到lstm神经网络进行编码，其中lstm神经元状态值ct与输出值ht更新步骤如下：ft＝σ(wf*[ht-1,xt]+bf)it＝σ(wi*[ht-1,xt]+bi)δt＝tanh(wc*[ht-1,xt]+bc)ct＝ft*ct-1+it*δtot＝σ(wo*[ht-1,xt]+bo)ht＝ot*tanh(ct)其中σ代表sigmoid激活函数；ht-1为上一个单元的输出值；wf,wi,wo,wc分别代表合适的权重矩阵；bf,bi,bo,bc分别代表合适的阈值向量；取序列的最后一个神经元的输出作输入序列的编码结果y＝h23＝{y1,y2,…,yj,…,yk}；所述解码网络的解码过程为：输入样本为y＝{y1,y2,…,yj,…,yk}，那么输入层：…第l层隐藏层：…输出层：其中，l的数值范围一般取2-4层，sl为第l层隐藏层神经元的个数；为第l层隐藏层第i个神经元；f(·)为神经元的激活函数；为从l-1层第j个神经元与l层第i个神经元之间的连接权重；为第l层第i个神经元的偏置；为隐藏层最后一层第j个神经元与输出层第i个神经元之间的连接权重；为第输出层第i个神经元的偏置。涉及自编码算法中编码部分为lstm(longshorttermmemory)神经网络，解码部分为bp(backpropagation)神经网络，编码结果为提取的特征。其中bp神经网络是一种按误差反向传播训练的神经网络。它的步骤包括信号的前向传播和误差的反向传播两个过程。向前传播时，输入信号通过隐含层非线性变换，产生输出信号。误差反向传播是指，如果前向传播的输出与实际输出不相符时，将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元的权值和阈值。经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。在传统的神经网络模型中，模型不会关注上一时刻的处理会有什么信息可以用于下一时刻。lstm神经网络是一种循环神经网络，它可以传递当前时刻处理的信息给下一时刻使用，所以它具有记忆功能。同时，lstm神经网络中的神经元被放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入lstm的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。作为本实施例一种可能的实现方式，在步骤3中，将y特征集使用模糊c均值算法进行聚类，挖掘配电变压器的典型规律；对于聚类算法中的聚类数c是由聚类评价chi指标决定的，其目的是将相似的样本聚为一类，不同类别分开。对于聚类算法中的聚类数c是由聚类评价chi指标决定的，chi指标考虑不同类之间的分散性b和同类之间的紧凑型w，即：其中，表示所有对象的均值向量，ck表示第k个类簇的中心，wk,j表示第i个对象对第k个类簇的隶属关系，k为类簇数，n为所有对象数；其中，当不同类越分散，则上式中分子越大；当像同类越紧凑，则上式中分母越小；所以chi指标越大，代表聚类效果越好。特征集y＝{y1,y2,l,yj,l,yn}，把这些数据划分成c类，那么对应c个类的类中心为c，每个样本j属于第i类的隶属度为uij，定义目标函数及其约束条件如下所示：其中uij代表样本j属于第i类的隶属度，yj代表第j个样本，ci代表第i类中心，m代表隶属度因子；使用拉格朗日乘数法将约束条件放到目标函数中，求目标函数的极值，最后化简得到：作为本实施例一种可能的实现方式，对提取的特征进行聚类的过程包括以下步骤：(1)设定聚类数的范围，cmin和cmax，依次带入模糊c均值算法中进行聚类：1)确定分类个数cmin<＝c<＝cmax，指定隶属因子m；2)随机初始化一个隶属度u＝{uij,i为类别数,j为样本数}，且3)根据隶属度u计算类中心c,其中c＝{c1,...,i,i为类别数}；4)如果满足停止条件，结束循环，取各样本隶属度uij最大的作为该样本聚类结果，并计算chi指标。其中停止条件为iter_k指迭代次数，或者迭代次数大于iter。5)根据类中心c计算隶属度u，回到步骤3)；(2)取chi指标最大的聚类结果。作为本实施例一种可能的实现方式，在步骤4中，根据数据集y得到c种面向时间尺度的重过载特征，统计配电变压器在几种典型的重过载特征发生次数，从而描述该设备历史重过载发生规律。根据步骤3聚类结果，以各类的聚类中心代表该类的重过载发生规律。数据集y得到c种面向时间尺度的重过载特征。统计配电变压器在这几种典型的重过载特征发生次数，从而可以描述该设备历史重过载发生规律，这为改善设备重过载现象提供辅助意见。作为本实施例一种可能的实现方式，所述的一种面向时间尺度的配电变压器重过载判断方法还包括根据重过载的特征规律进行配电变压器建设优化建议。作为本实施例一种可能的实现方式，根据重过载的特征规律，并结合实际经验，进行配电变压器建设优化建议。所述配电变压器建设优化过程为：1)判断年平均发生次数是否小于α次，若小于则无需处理，α为正整数；2)若年平均发生次数大于α次，则需要进行配变的建设优化。若根据前文方法得出改配变重过载高发时段比较集中，那么就便于统一处理。判断依据为(β种类型的重过载发生次总和)/(总发生次数)是否大于γ，且β<配变重过载类型总数。这个计算的意思是发生最多的β个类别是否占所有类别的γ(百分比)。如果是，则表明重过载高发时段规律比较集中，建议更换为调容变压器，在重过载高发时段进行变压器容量切换。若不是，建议进行变压器的扩容。其中更换为调容变压的步骤如下所示：1)容量选择：最大用电负荷应小于调容变高档位容量；在低档位运行时，最大用电负荷应小于低档位容量。2)高档位与低档位每天切换的平均频率不能过大且变压器运行容量为50％～70％段时的效率较高，所以在重过载非高发时段切换到变压器的低档位。下面结合具体实施案例，并结合图1-图4对本发明进一步说明。选取配电网中的配电变压器重过载数据进行实验。数据为某市某区的2018年1月到2018年9月，所有配变重过载发生记录，共计2211条数据，其中去掉重复数据与不合理数据，最后剩余1527条数据。涉及发生重过载的配变总共包括185台。其记录表的表结构如下所示：列名备注设备编码设备的唯一编码号配变名称配电变压器名称日期重过载发生日期重过载重载为1；过载为2开始时间重过载开始时间结束时间重过载结束时间配变容量配点变压器的容量……step1、数据变换。将每个配变每次发生重过载的时段记为1，其他时段记为0。得到重过载时序数据集x＝{x1,x2,…,xi,...,xn}。这里需说明的是，若一天发生多次重过载，就生成多条时序数据。如重过载记录数据为：…配变名称重过载开始时间结束时间……a22018/3/2010:002018/3/2013:00…则变换为下表所示。效果图如图2所示。…配变名称0…91011121314……a0…011100…step2、特征提取。重过载时序数据集x输入到lstm-bp自编码网络中，设置输出维度即提取特征的维度为k＝4，得到编码结果集为重过载时序数据特征记为y＝{y1,y2,...,yi,…,yn}，其中yi＝{yi1,yi2,…,yi4}。step3、重过载规律聚类。y特征集使用模糊c均值聚类算法用来挖掘配电变压器的典型规律。具体步骤如下：(1)设定聚类数的范围，cmin＝2和cmax＝10，依次带入模糊c均值算法中进行聚类:(下面以c＝7时举例，表达出具体计算过程)1)确定分类个数c＝7,2<＝c<＝10，指定隶属因子m＝2，其中隶属度因子是一个经验值，可以根据每个地区运行人员经验进行配置和设置；2)输入数据为中长期重过载时序数据在step2提取的特征，随机初始化一个隶属度u＝{uij,i＝1,…，7,j为y数据集样本数ny}，且其中u为一个ny*7大小的矩阵，每个元素代表当前样本到各聚类中心的隶属度。3)根据u计算c,其中c＝{ci,i＝1,…,7}；利用u中的uij计算得到c，得到7个聚类中心；4)如果或者迭代次数大于10000，结束循环，取各样本隶属度uij最大的作为该样本聚类结果，若未达到停止条件执行5)；5)根据c计算u，回到步骤3)。(2)取chi指标最大的聚类结果。如图3所示为多次迭代实验的chi曲线图，横轴代表聚类数，纵轴代表chi指标结果。按照chi指标越大，代表聚类效果越好，所以本实验选择c＝7。聚类算法结束后，得到7个聚类中心，聚类中心维度为4，带入到lstm-bp模型中进行解码，得到24维的数据。如图4所示为聚类中心曲线，横坐标为时刻数，纵坐标代表是否发生重过载。从图4中可以发现，本专利找出了研究数据中每次发生重过载的几种典型时长、时段规律。选择纵坐标接近于1的时段，作为高发时段，其具体秒速如下所示。类别时长时段类别1221点-22点类别2513点-17点类别3412点-15点类别4311点-13点类别5912点-20点类别631点-3点类别7320点-22点step4、根据step3聚类结果，以各类的聚类中心代表该类的重过载发生规律，得到3种面向时间尺度的重过载特征规律。统计各设备在这几种典型的重过载特征发生次数，从而可以描述该设备历史重过载发生规律。对于本数据集设置α＝3，β＝3，γ＝0.8。对于配变a，如下表所示为各类别的发生次数。类别类别1类别2类别3类别4类别5类别6类别7次数0118212023配变a在统计时间内，发生重过载次数为57次，大于设定值α＝3，所以需要进行建设优化。根据表格所示，(3种类型的重过载发生次总和)/(总发生次数)＝(23+12+8)/(57)小于0.8，则规律不集中，建议进行变压器的扩容。配变a的设备类型为s9-200/10，建议更换容量大于200kva的配电变压器。对于配变b，如下表所示为各类别的发生次数。类别类别1类别2类别3类别4类别5类别6类别7次数00317000配变b在统计时间内，发生重过载次数为20次，大于设定值α＝3，所以需要进行建设优化。根据表格所示，(3种类型的重过载发生次总和)/(总发生次数)＝(17+3+0)/(20)大于0.8，则规律集中，建议替换为调容变压器。变压器b的型号属于s9-315/10,建议选择高档位高于315kva的调容变压器。在类别3和类别4时期建议变压器调至到高档位，其他时期调至为低档位。以上所述只是本发明的优选实施方式，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视作为本发明的保护范围。当前第1页12