1.一种面向时间尺度的配电变压器重过载判断方法,其特征是,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。
2.根据权利要求1所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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。
3.根据权利要求1所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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。
4.根据权利要求3所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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
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}。
5.根据权利要求4所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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*δt
ot=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;
6.根据权利要求3所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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,
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:
7.根据权利要求1所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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;
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。
8.根据权利要求7所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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。
9.根据权利要求1至8任意一项所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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。
10.根据权利要求9所述的一种面向时间尺度的配电变压器重过载判断方法,其特征是,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。