一种变压器动态温度预测方法和系统与流程

本发明涉及变压器动态温度预测，尤其涉及一种变压器动态温度预测方法和系统。

背景技术：

1、在电网运行过程中，变电站的主变压器的运行维护存在较大痛点。作为变电站的主要设备，主变压器承担了输电过程中的变压任务。在主变压器工作中，铁芯和线圈的发热量较高，因此需要采用较强的冷却措施。

2、然而，现有的技术中通常是将整个铁芯和线圈浸泡在冷却油中，虽可以保证铁芯和线圈在工作中维持正常的温度，却阻碍了在铁芯和线圈上安装温度器，导致难以对铁芯和线圈的温度进行监控。

3、因此，现有的采用cae仿真技术计算铁芯和线圈的温度，但上述方法采用的仿真技术的计算时效性较差，无法满足与物联网平台的实时数据交互。

技术实现思路

1、本发明提供了一种变压器动态温度预测方法和系统，解决了现有的技术阻碍了在铁芯和线圈上安装温度器，导致难以对铁芯和线圈的温度进行监控的技术问题。

2、本发明第一方面提供的一种变压器动态温度预测方法，包括：

3、响应接收到的变压器动态温度预测请求，获取所述变压器动态温度预测请求对应的变压器信息；

4、基于轻量化技术和仿真技术，根据所述变压器信息中的各设备数据构建变压器数字孪生模型；

5、将所述变压器信息对应的历史运行数据输入所述变压器数字孪生模型，输出关注点位的温度；

6、将所述历史运行数据和所述关注点位的温度分别输入多个机器学习模型进行优化，生成多个更新机器学习模型，并选取最优性能指标对应的更新机器学习模型作为黑箱模型；

7、采用所述黑箱模型和预设的稳态预测模型，生成变压器热特性仿真模型；

8、按照预设场景将所述变压器信息对应的实时运行数据输入所述变压器热特性仿真模型对应的黑箱模型或稳态预测模型，输出动态温度分布。

9、可选地，当所述仿真技术为多物理场仿真技术时，所述基于轻量化技术和仿真技术，根据所述变压器信息中的各设备数据构建变压器数字孪生模型的步骤，包括：

10、基于所述多物理场仿真技术，采用所述变压器信息对应的各设备数据构建变压器三维几何模型；

11、导出所述变压器三维几何模型对应的各设备的三维几何数据；

12、按照各型号对应的变压器的三维几何数据，通过联合轻量化技术对应的实例化技术和压缩技术，构建多个轻量化模型；

13、采用所述变压器三维几何模型和全部所述轻量化模型，生成变压器数字孪生模型。

14、可选地，所述将所述变压器信息对应的历史运行数据输入所述变压器数字孪生模型，输出关注点位的温度的步骤，包括：

15、将所述变压器信息对应的历史运行数据输入所述变压器数字孪生模型的电磁场仿真进行仿真计算，输出所述变压器信息对应的各设备的欧姆损耗和涡流损耗；

16、将各所述设备的欧姆损耗和涡流损耗输入所述变压器数字孪生模型的流体场仿真，通过所述电磁场仿真、所述流体仿真和固体传热仿真进行耦合迭代，输出关注点位的温度和热通量的分布。

17、可选地，所述将所述历史运行数据和所述关注点位的温度分别输入多个机器学习模型进行优化，生成多个更新机器学习模型，并选取最优性能指标对应的更新机器学习模型为黑箱模型的步骤，包括：

18、采用所述历史运行数据和所述历史运行数据对应的关注点位的温度，生成训练集和测试集；

19、将所述训练集输入多个机器学习模型进行训练，生成多个更新机器学习模型；

20、将所述测试集的历史运行数据输入各所述更新机器学习模型，生成多个预测温度；

21、依据评估指标标准，计算各所述预测温度值和各个实际观测值之间的评估指标值；

22、判断各所述评估指标值是否小于或等于预设评估阈值；

23、若是，则依据超参数调优方法对所述更新机器学习模型的超参数进行优化，生成优化结果，并将所述优化结果对应的最优性能指标对应的更新机器学习模型确定为黑箱模型；

24、若否，则依据所述超参数调优技术对所述更新机器学习模型进行优化，生成新的更新机器学习模型；

25、跳转执行所述将所述测试集的历史运行数据输入各所述更新机器学习模型，生成多个预测温度的步骤。

26、可选地，当所述评估指标标准为均方根误差标准时，所述依据评估指标标准，计算各所述预测温度值和各个实际观测值之间的评估指标值的步骤，包括：

27、计算各所述预测温度值和各个所述实际观测值之间的第一差值；

28、计算各所述第一差值的平方值；

29、计算全部所述平方值之间的第一和值；

30、计算所述第一和值和所述测试集对应的样本数量之间的第一比值；

31、计算所述第一比值之间的平方根，生成第一评估指标值。

32、可选地，当所述评估指标标准为平均绝对误差标准时，所述依据评估指标标准，计算各所述预测温度值和各个实际观测值之间的评估指标值的步骤，包括：

33、计算各所述预测温度值和各个所述实际观测值之间的第二差值；

34、计算全部所述第二差值之间的第二和值；

35、计算所述第二和值和所述样本数量之间的第二比值，生成第二评估指标值。

36、可选地，还包括：

37、将所述历史运行数据对应的电流或电压输入预设的初始热路等效模型；

38、采用所述电流值或电压值、初始温度值、预设的电阻温度系数，生成终止温度值；

39、计算所述电流值和所述电压值之间的乘值，生成功率值；

40、计算所述功率值和预设的传热表面的面积之间的比值，生成热流密度；

41、计算所述初始温度值和所述终止温度值之间的差值，生成温度差值；

42、计算所述温度差值和所述热流密度之间的比值，生成热阻；

43、采用所述温度差值、所述热流密度和所述热阻，生成所述初始热路等效模型的目标函数；

44、依据预设的误差修正技术对所述初始热路等效模型的目标函数进行修正，生成目标热路等效模型。

45、可选地，还包括：

46、构建初始线性时不变系统；

47、依据降阶模型的要求和需求选取所述初始线性时不变系统的重要模态；

48、保留所述初始线性时不变系统的重要模态并截断所述线性时不变系统的剩余模态，生成降阶模型；

49、采用所述降阶模型和所述目标热路等效模型，生成稳态预测模型。

50、可选地，还包括：

51、通过数据接口将所述轻量化模型与物联网平台进行连接；

52、通过所述物联网平台对所述轻量化模型进行渲染并展示。

53、本发明第二方面提供的一种变压器动态温度预测系统，包括：

54、变压器信息模块，用于响应接收到的变压器动态温度预测请求，获取所述变压器动态温度预测请求对应的变压器信息；

55、变压器数字孪生模型模块，用于基于轻量化技术和仿真技术，根据所述变压器信息中的各设备数据构建变压器数字孪生模型；

56、温度模块，用于将所述变压器信息对应的历史运行数据输入所述变压器数字孪生模型，输出关注点位的温度；

57、黑箱模型模块，用于将所述历史运行数据和所述关注点位的温度分别输入多个机器学习模型进行优化，生成多个更新机器学习模型，并选取最优性能指标对应的更新机器学习模型作为黑箱模型；

58、变压器热特性仿真模型模块，用于采用所述黑箱模型和预设的稳态预测模型，生成变压器热特性仿真模型；

59、动态温度分布模块，用于按照预设场景将所述变压器信息对应的实时运行数据输入所述变压器热特性仿真模型对应的黑箱模型或稳态预测模型，输出动态温度分布。

60、从以上技术方案可以看出，本发明具有以下优点：

61、本发明通过响应接收到的变压器动态温度预测请求，获取变压器动态温度预测请求对应的变压器信息；基于轻量化技术和仿真技术，根据变压器信息中的各设备数据构建变压器数字孪生模型；将变压器信息对应的历史运行数据输入变压器数字孪生模型，输出关注点位的温度；将历史运行数据和关注点位的温度分别输入多个机器学习模型进行优化，生成多个更新机器学习模型，并选取最优性能指标对应的更新机器学习模型为黑箱模型；采用黑箱模型和预设的稳态预测模型，生成变压器热特性仿真模型；按照预设场景将变压器信息对应的实时运行数据输入变压器热特性仿真模型对应的黑箱模型或稳态预测模型，输出动态温度分布。解决了现有的技术阻碍了在铁芯和线圈上安装温度器，导致难以对铁芯和线圈的温度进行监控的技术问题。

62、本发明通过基于轻量化技术和多物理场仿真实时计算技术通过简化和降低模型的复杂性，以提高计算效率，并满足实时计算的要求。需要权衡计算效率和计算精度之间的平衡，确保降阶模型在实时应用中能够提供足够准确的结果。