一种变压器油温预测方法、装置、设备及存储介质与流程

1.本发明属于变压器油温预测技术领域，尤其涉及一种变压器油温预测方法、装置、设备及存储介质。


背景技术：

2.变压器油温过高，会产生气泡,气泡会降低绝缘或引发闪络,造成变压器损坏。因此，如何及时预测出变压器油温成为当前亟待解决的技术问题，目前传统的方式主要采用专家评定，专家通过自己的感官或仪器去获取信息，然后通过自己的主观意识和经验判断变压器油温，但是专家评定方法很容易受到受专家个人经验和身体状况等主观因素的影响，使得造成预测不准确问题。


技术实现要素：

3.本发明要解决的技术问题是：提供一种变压器油温预测方法、装置、设备及存储介质解决现有技术中难以准确预测出变压器的未来油温，导致变压器过热损坏的技术问题。
4.本发明的技术方案是：
5.本发明提供一种变压器油温预测方法，所述变压器油温预测方法包括以下步骤：
6.获取目标变压器历史测量的顶层油温、负荷率以及环境温度；
7.对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，得到目标变压器的历史数据集；
8.对所述目标变压器的历史数据集进行时序预测，得到油温预测模型；
9.获取当前变压器的顶层油温、负荷率以及环境温度；
10.将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温。
11.可选地，所述对所述目标变压器的历史数据集进行时序预测，得到油温预测模型，包括：
12.对所述历史数据集进行数据规律性和趋势性分析；
13.根据时间先后顺序，将所述历史数据集中同一统计指标的数据排列成时间序列；
14.将所述时间序列按照线性关系，分为线性时间序列和非线性时间序列；
15.根据线性时间序列和非线性时间序列分别建立线性预测模型和非线性预测模型；
16.将所述线性预测模型和非线性预测模型结合成为油温预测模型。
17.可选地，所述根据线性时间序列和非线性时间序列分别建立线性预测模型和非线性预测模型，包括：
18.根据所述线性时间序列，通过低阶向高阶逐步试探方式，识别模型参数集；
19.对所述模型参数集，通过贝利叶信息以及赤池信息度量结合方式得到最佳初始参数
20.根据线性时间序列和最佳初始参数，建立线性预测模型；
21.根据所述非线性时间序列，通过支持向量机，得到序列残差；
22.根据所述序列残差以及非线性时间序列，建立非线性预测模型。
23.可选地，所述对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，包括：
24.对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充；
25.识别并剔除所述历史测量的顶层油温、负荷率以及环境温度中的异常值，并对所述历史测量的顶层油温、负荷率以及环境温度进行平滑去噪；
26.判断处理后的历史测量的顶层油温、负荷率以及环境温度，是否满足周期性，若不满足周期性，则重复执行上述操作，直至处理后的历史测量的顶层油温、负荷率以及环境温度满足周期性。
27.可选地，所述对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充之前，还包括：
28.将所述目标变压器历史测量的顶层油温、负荷率以及环境温度分解为适应所述油温预测模型的长期趋势数据以及季节趋势数据；
29.对所述长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验；
30.在所述平稳性检验和白噪音检验通过时，执行对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充的步骤。
31.可选地，所述对所述长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验，包括：
32.对所述长期趋势数据以及季节趋势数据分别进行平稳性检验，若检验不通过，则对检验不通过的数据进行差分运算；
33.重复上述操作，直到长期趋势数据以及季节趋势数据通过平稳性检验，则对所述平稳性检验数据进行白噪音检验；
34.若白噪音检验不通过，则剔除掉所述长期趋势数据以及季节趋势数据。
35.可选地，所述将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温之后，还包括：
36.根据预测时间周期，持续获取变压器的顶层油温、负荷率以及环境温度；
37.将获取到的变压器的顶层油温、负荷率以及环境温度输入所述历史数据集，得到新的历史数据集；
38.根据所述新的历史数据集，对所述油温预测模型进行校正。
39.此外，为实现上述目的，本发明还提出一种变压器油温预测装置，所述变压器油温预测装置包括：
40.获取模块，用于获取目标变压器历史测量的顶层油温、负荷率以及环境温度；
41.处理模块，用于对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，得到目标变压器的历史数据集；
42.建模模块，用于对所述目标变压器的历史数据集进行时序预测，得到油温预测模型；
43.所述获取模块，还用于获取当前变压器的顶层油温、负荷率以及环境温度；
44.预测模块，用于将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起
点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温。
45.此外，为实现上述目的，本发明还提出一种变压器油温预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的变压器油温预测程序，所述变压器油温预测程序配置为实现如上文所述的变压器油温预测方法。
46.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有变压器油温预测程序，所述变压器油温预测程序被处理器执行时实现如上文所述的变压器油温预测方法。
47.本发明的有益效果：
48.本发明通过获取目标变压器历史测量的顶层油温、负荷率以及环境温度；对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，得到目标变压器的历史数据集；对所述目标变压器的历史数据集进行时序预测，得到油温预测模型；获取当前变压器的顶层油温、负荷率以及环境温度；将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温。从而根据变压器工作数据，建立时序预测模型，预测出未来的变压器油温，避免出现过热，造成变压器损坏。
附图说明
49.图1是本发明实施例方案涉及的硬件运行环境的变压器油温预测设备结构示意图；
50.图2为本发明变压器油温预测方法第一实施例的流程示意图；
51.图3为本发明变压器油温预测方法第二实施例的流程示意图；
52.图4为本发明变压器油温预测方法第三实施例的流程示意图；
53.图5为本发明变压器油温预测装置第一实施例的功能模块示意图。
具体实施方式
54.参照图1，图1为本发明实施例方案涉及的硬件运行环境的变压器油温预测设备结构示意图。
55.如图1所示，该变压器油温预测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为usb接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
56.本领域技术人员可以理解，图1中示出的结构并不构成对变压器油温预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
57.如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络
通信模块、用户接口模块以及变压器油温预测程序。
58.在图1所示的变压器油温预测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述变压器油温预测设备通过处理器1001调用存储器1005中存储的变压器油温预测程序，并执行本发明实施例提供的变压器油温预测方法。
59.基于上述硬件结构，提出本发明变压器油温预测方法的实施例。
60.参照图2，图2为本发明变压器油温预测方法第一实施例的流程示意图，提出本发明变压器油温预测方法第一实施例。
61.在第一实施例中，所述变压器油温预测方法包括以下步骤：
62.步骤s10：获取目标变压器历史测量的顶层油温、负荷率以及环境温度。
63.理解的是，本实施例的执行主体是为变压器油温预测设备，该变压器油温预测设备具有数据处理、数据通信及程序运行等功能。
64.在具体实现中，变压器油温预测设备发送收集指令到电流传感器、电压传感器、温度传感器，以使电流传感器、电压传感器、温度传感器在接受到了收集指令后开始收集目标变压器的工作电压、工作电流以及工作油温。从而使可以测得顶层油温、负荷率以及环境温度。
65.需要说明的是，此处用到的温度传感采用的是油温色谱检测的方式来测量，其中，所述变压器的负荷率计算方法如式1所示：
[0066][0067]
其中上式m(t)表示输出负荷值，sn表示变压器的额定容量，k为归算后变压器的负载的负载系数值。
[0068]
此处测量的变压器是指的油浸式变压器，油浸式变压器为工矿企业与民用建筑供配电系统中的重要设备之一，可以将10kv或35kv网络电压降至用户使用的230/400v母线电压。此类产品适用于交流50或者60hz，三相最大额定容量2500kva，可在户内外使用，容量在315kva及以下时可安装在杆上，环境温度不高于40℃，不低于-25℃，最高日平均温度30℃。
[0069]
步骤s20：对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，得到目标变压器的历史数据集。
[0070]
应理解的是，所述历史数据集是时序建模中尤为重要的一环，时序预测即是，通过历史数据集来预测未来的油温变化，例如油温，在过去几年中26摄氏度工作环境，顶层油温30摄氏度，负荷率为百分之50时，其油温普遍稳定在50摄氏度的这一规律，即可预测出未来一段时间中25摄氏度工作环境，顶层油温35摄氏度，负荷率为百分之50时的油温变化，正是通过这种对个体变压器的大量测量，通过时序预测模型来预测出油温。
[0071]
在具体实施中，对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充；识别并剔除所述历史测量的顶层油温、负荷率以及环境温度中的异常值，并对所述历史测量的顶层油温、负荷率以及环境温度进行平滑去噪；判断处理后的历史测量的顶层油温、负荷率以及环境温度，是否满足周期性，若不满足周期性，则重复执行上述操作，直至处理后的历史测量的顶层油温、负荷率以及环境温度满足周期性，即可去剔除掉历史参数中的不合适的参数。
[0072]
步骤s30：对所述目标变压器的历史数据集进行时序预测，得到油温预测模型。
[0073]
在具体实施中，对所述历史数据集进行数据规律性和趋势性分析；根据时间先后顺序，将所述历史数据集中同一统计指标的数据排列成时间序列；将所述时间序列按照线性关系，分为线性时间序列和非线性时间序列；根据线性时间序列和非线性时间序列分别建立线性预测模型和非线性预测模型；将所述线性预测模型和非线性预测模型结合成为油温预测模型，剔除掉历史参数中的不合适的参数中，例如：有三组数据，26摄氏度工作环境，顶层油温30摄氏度，负荷率为百分之50时，其油温在50摄氏度；26摄氏度工作环境，顶层油温30摄氏度，负荷率为百分之60时，其油温在55摄氏度；26摄氏度工作环境，顶层油温30摄氏度，负荷率为百分之70时，其油温在60摄氏度。可以把这三种归结为线性预测模型中，又例如，26摄氏度工作环境，顶层油温30摄氏度，负荷率为百分之50时，其油温在50摄氏度；26摄氏度工作环境，顶层油温35摄氏度，负荷率为百分之50时，其油温在60摄氏度；26摄氏度工作环境，顶层油温40摄氏度，负荷率为百分之50时，其油温在90摄氏度，可以把这三种归结为非线性预测模型中。
[0074]
步骤s40：获取目标变压器历史测量的顶层油温、负荷率以及环境温度。
[0075]
步骤s50：将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温。
[0076]
应理解的是，将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温，还包括：根据预测时间周期，获取变压器的顶层油温、负荷率以及环境温度；将获取到的变压器的顶层油温、负荷率以及环境温度输入所述历史数据集，得到新的历史数据集；根据所述新的历史数据集，对所述油温预测模型进行校正。例如，提前设置一个一小时的时间采样周期，在12点时采到了样本：26摄氏度工作环境，顶层油温30摄氏度，负荷率为百分之50；在13点采到样本：6摄氏度工作环境，顶层油温35摄氏度，负荷率为百分之50时，其油温在60摄氏度，则将新采到的样本添加到历史数据集中，并根据新的历史数据集来修正时序预测模型，从而实现不断更新模型，保证预测的准确性。
[0077]
在本实施例中，获取目标变压器历史测量的顶层油温、负荷率以及环境温度；对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，得到目标变压器的历史数据集；对所述目标变压器的历史数据集进行时序预测，得到油温预测模型；获取当前变压器的顶层油温、负荷率以及环境温度；将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温。从而根据变压器工作数据，建立时序预测模型，预测出未来的变压器油温，避免出现过热，造成变压器损坏。
[0078]
参照图3，图3为本发明变压器油温预测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明变压器油温预测方法的第二实施例。
[0079]
在第二实施例中，所述步骤s30，包括：
[0080]
步骤s301：对所述历史数据集进行数据规律性和趋势性分析。
[0081]
需要说明的是，规律性是指，变压器的油温随着其工作环境的变化的而规律性的变化，例如，环境温度每增加5摄氏度，对应的变压器油温也对应增加5摄氏度，就可以得到变压器油温随环境温度变化的规律性，同样的得到了工作环境的增加，变压器油温也随之
增加的趋势性。
[0082]
步骤s302：根据时间先后顺序，将所述历史数据集中同一统计指标的数据排列成时间序列。
[0083]
需要说明的是，历史数据集中同一统计指标是指的其中趋势性和规律性相同的参数集合，例如:1点时，26摄氏度工作环境，负荷率为百分之50时，其油温在50摄氏度；2点时，26摄氏度工作环境，负荷率为百分之60时，其油温在55摄氏度；3点时，26摄氏度工作环境，负荷率为百分之70时，其油温在60摄氏度。这就属于是相同的趋势性和规律性的数据，可是时间顺序不同，则时需要将这些数据按照时间顺序进行排列。
[0084]
步骤s303：将所述时间序列按照线性关系，分为线性时间序列和非线性时间序列。
[0085]
需要说明的是，这里的线性和非线性是指变压器的工作油温和对应的环境温度、顶层油温以及工作油温变化关系。
[0086]
步骤s304：根据线性时间序列和非线性时间序列分别建立线性预测模型和非线性预测模型。
[0087]
在具体实施中，根据所述线性时间序列，通过低阶向高阶逐步试探方式，识别模型参数集；对所述模型参数集，通过贝利叶信息以及赤池信息度量结合方式得到最佳初始参数，根据线性时间序列和最佳初始参数，建立线性预测模型；根据所述非线性时间序列，通过支持向量机方法，得到序列残差；根据所述序列残差以及非线性时间序列，建立非线性预测模型。
[0088]
步骤s305：根据所述序列残差以及非线性时间序列，建立非线性预测模型。
[0089]
应当理解的是，残差中包括非线性关系，虽然线性模型无法捕获非线性信息，但是支持向量机可以捕获此类信息，其中贝利叶信息准则为式2所示：
[0090]
bic＝kln(n)-mln(l)
ꢀꢀꢀꢀ
(式2)
[0091]
其中，k为油温预测模型中参数的个数，n为样本数量，l为似然函数，m为系统自带参数。
[0092]
同样赤池信息准则为式3所示：
[0093]
aic＝2k-2ln(l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式3)
[0094]
其中，k为油温预测模型中参数的个数，l为似然函数，根据式2和式3结合的方式可以找到最佳的线性模型参数，从而可以计算得到预测结果。
[0095]
在本实施例中，对所述历史数据集进行数据规律性和趋势性分析；根据时间先后顺序，将所述历史数据集中同一统计指标的数据排列成时间序列；将所述时间序列按照线性关系，分为线性时间序列和非线性时间序列；根据线性时间序列和非线性时间序列分别建立线性预测模型和非线性预测模型；将所述线性预测模型和非线性预测模型结合成为油温预测模型。从而，可以通过区分非线性数据和线性数据的方式，增加了对未来油温预测的精确度。
[0096]
参照图4，图4为本发明变压器油温预测方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明变压器油温预测方法的第三实施例。
[0097]
在第三实施例中，所述步骤s20，包括：
[0098]
步骤s201：对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充。
[0099]
在具体实施中，在对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进
行填充之前，还会进行对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充；识别并剔除所述历史测量的顶层油温、负荷率以及环境温度中的异常值，并对所述历史测量的顶层油温、负荷率以及环境温度进行平滑去噪；判断处理后的历史测量的顶层油温、负荷率以及环境温度，是否满足周期性，若不满足周期性，则重复执行上述操作，直至处理后的历史测量的顶层油温、负荷率以及环境温度满足周期性。例如：出现过高的环境温度，例如100摄氏度，这种情况属于异常情况，需要剔除掉这一组数据，或者出现26摄氏度工作环境，负荷率为百分之50时，其油温在50摄氏度，然而，5摄氏度工作环境，负荷率为百分之50时，其油温在80摄氏度，这种也属于异常情况，需要剔除掉这组数据。
[0100]
步骤s202：识别并剔除所述历史测量的顶层油温、负荷率以及环境温度中的异常值，并对所述历史测量的顶层油温、负荷率以及环境温度进行平滑去噪。
[0101]
需要说明的是，具体的按序检测过程为，如果对之前数据的平稳性检测不通过，则对所述长期趋势性数据或者季节性数据进行差分运算并再次进行平稳性检验，直到所述长期趋势性数据均通过平稳性检验，则开始进行白噪音检验，并如果白噪音检验不通过，则确定所述温湿度历史数据为无效数据；反之，如果通过了白噪音检验，则认定这组数据在时序上存在相关性。
[0102]
步骤s203：判断处理后的历史测量的顶层油温、负荷率以及环境温度，是否满足周期性，若不满足周期性，则重复执行上述操作，直至处理后的历史测量的顶层油温、负荷率以及环境温度满足周期性。
[0103]
需要说明的是，因为昼夜温差的交替变化和季节变化均满足周期性变化，故而我们测量的顶层油温、负荷率以及环境温度，应当也符合自然规律，满足周期的性的变化情况，如果不满足，则可能为异常情况，需要重复处理过程，直到符合规律。
[0104]
在本实施例中，对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充；识别并剔除所述历史测量的顶层油温、负荷率以及环境温度中的异常值，并对所述历史测量的顶层油温、负荷率以及环境温度进行平滑去噪；判断处理后的历史测量的顶层油温、负荷率以及环境温度，是否满足周期性，若不满足周期性，则重复执行上述操作，直至处理后的历史测量的顶层油温、负荷率以及环境温度满足周期性。进而可以得到合适的历史数据集，增加了油温预测的精确性。
[0105]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有变压器油温预测程序，所述变压器油温预测程序被处理器执行时实现如上文所述的变压器油温预测方法的步骤。
[0106]
由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。
[0107]
参照图5，图5为本发明变压器油温预测装置第一实施例的功能模块示意图。
[0108]
本发明变压器油温预测装置第一实施例中，该变压器油温预测装置包括：
[0109]
获取模块10，用于获取目标变压器历史测量的顶层油温、负荷率以及环境温度
[0110]
处理模块20，对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，得到目标变压器的历史数据集。
[0111]
建模模块30，用于对所述目标变压器的历史数据集进行时序预测，得到油温预测模型。
[0112]
所述获取模块10，还用于获取当前变压器的顶层油温、负荷率以及环境温度。
[0113]
预测模块40，用于将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温。
[0114]
在本实施例中，获取目标变压器历史测量的顶层油温、负荷率以及环境温度；对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，得到目标变压器的历史数据集；对所述目标变压器的历史数据集进行时序预测，得到油温预测模型；获取当前变压器的顶层油温、负荷率以及环境温度；将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温。从而根据变压器工作数据，建立时序预测模型，预测出未来的变压器油温，避免出现过热，造成变压器损坏。
[0115]
在一实施例中，所述处理模块20，还用于对所述历史数据集进行时序预测，得到油温预测模型，包括：
[0116]
对所述历史数据集进行数据规律性和趋势性分析；
[0117]
根据时间先后顺序，将所述历史数据集中同一统计指标的数据排列成时间序列；
[0118]
将所述时间序列按照线性关系，分为线性时间序列和非线性时间序列；
[0119]
根据线性时间序列和非线性时间序列分别建立线性预测模型和非线性预测模型；
[0120]
将所述线性预测模型和非线性预测模型结合成为油温预测模型。
[0121]
在一实施例中，所述处理模块20，还用于对所述目标变压器历史测量的顶层油温、负荷率以及环境温度进行预处理，包括：
[0122]
对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充；
[0123]
识别并剔除所述历史测量的顶层油温、负荷率以及环境温度中的异常值，并对所述历史测量的顶层油温、负荷率以及环境温度进行平滑去噪；
[0124]
判断处理后的历史测量的顶层油温、负荷率以及环境温度，是否满足周期性，若不满足周期性，则重复执行上述操作，直至处理后的历史测量的顶层油温、负荷率以及环境温度满足周期性。
[0125]
在一实施例中，所述处理模块20，还用于对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充之前，还包括：
[0126]
将所述目标变压器历史测量的顶层油温、负荷率以及环境温度分解为适应所述油温预测模型的长期趋势数据以及季节趋势数据；
[0127]
对所述长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验；
[0128]
在所述平稳性检验和白噪音检验通过时，执行对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充的步骤。
[0129]
在一实施例中，所述处理模块20，还用于所述对所述长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验，包括：
[0130]
对所述长期趋势数据以及季节趋势数据分别进行平稳性检验，若检验不通过，则对所述检验不通过的数据进行差分运算；
[0131]
重复上述操作，直到长期趋势数据以及季节趋势数据通过平稳性检验，则对所述平稳性检验数据进行白噪音检验；
[0132]
若白噪音检验，则剔除掉所述长期趋势数据以及季节趋势数据。
[0133]
在一实施例中，所述建模模块30，还用于根据线性时间序列和非线性时间序列分别建立线性预测模型和非线性预测模型，包括：
[0134]
根据所述线性时间序列，通过低阶向高阶逐步试探方式，识别模型参数集；
[0135]
对所述模型参数集，通过贝利叶信息以及赤池信息度量结合方式得到最佳初始参数；
[0136]
根据线性时间序列和最佳初始参数，建立线性预测模型；
[0137]
根据所述非线性时间序列，通过支持向量机方法，得到序列残差；
[0138]
根据所述序列残差以及非线性时间序列，建立非线性预测模型。
[0139]
在一实施例中，所述建模模块30，还用于将所述当前变压器的顶层油温、负荷率以及环境温度，作为时序起点标签输入至所述油温预测模型，通过所述油温预测模型预测目标变压器油温之后，还包括：
[0140]
根据预测时间周期，获取变压器的顶层油温、负荷率以及环境温度；
[0141]
将获取到的变压器的顶层油温、负荷率以及环境温度输入所述历史数据集，得到新的历史数据集；
[0142]
根据所述新的历史数据集，对所述油温预测模型进行校正。
[0143]
本发明所述变压器油温预测装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。