一种基于LSTM神经网络的变压器油温预测方法和系统与流程

本发明涉及变压器油温预测技术，具体涉及一种基于母线负荷状态自适应的预测方法和系统。

背景技术：

1、电力变压器是电网中的关键设备，变压器油温预测是电力系统监测和维护中的关键任务之一，变压器是电力系统的重要组成部分，其正常运行和可靠性与油温密切相关，电力变压器的负载能力和绝缘老化程度均受变压器热特性的影响，准确的变压器油温预测，对检验电力变压器运行状态、判断绝缘老化程度以及预测故障具有重要意义。

2、现有的电力变压器油温的预测方法包括：数值计算法、热路模型法、传统机器学习算法。其中数值计算法，计算结果较为精确但计算量大且费时，不适合电力变压器油温的在线监测；热路模型法在计算油温时，相关的传热参数往往使用经验值(传热参数往往随温度的改变动态变化)，因此热路模型法预测精确度较低；传统的机器学习算法建模，模型无法拟合数据的内在关系，且对于输入特征的选择费时费力。

技术实现思路

1、发明目的：本发明的目的在于提供一种基于lstm神经网络的变压器油温预测方法和系统，提高了变压器油温预测的准确率。

2、技术方案：本发明的一种基于lstm神经网络的变压器油温预测方法，根据变压器环境气象、运行无功功率、运行有功功率及变压器油温的历史数据和预测数据，通过lstm油温预测模型进行变压器油温预测，所述lstm油温预测模型的构建过程包括：

3、获取变压器环境气象、运行无功功率、运行有功功率及变压器油温的历史数据，经过预处理得到变压器的历史数据集；

4、根据得到的变压器的历史数据集分析时序特征、多项式特征、统计特征，所述时序特征为分析变压器油温历史数据的周期性变化规律得到的特征因素；所述多项式特征为分析变压器油温历史数据的非线性变化规律得到的特征因素；所述统计特征为分析变压器油温历史数据的变化趋势得到的特征因素；并根据得到的特征因素集合，计算每个特征因素与油温数据的相关性和特征重要性，根据相关性和特征重要性进行特征筛选，筛选出的特征因素对应的历史数据和预测数据构成变压器油温的预测样本集；

5、将变压器油温的预测样本集划分为测试集和训练集，使用训练集对lstm油温预测模型进行训练，建模训练时将训练集中的特征划分为历史已知特征因素数据集和未来已知特征因素数据集，所述历史已知特征因素数据为预测时刻之前的特征因素数据，所述未来已知特征因素数据为预测时刻之后的特征因素数据，对历史已知特征因素数据和未来已知特征因素数据分别通过lstm神经网络进行依赖信息学习，并将两个lstm神经网络的输出合并，再通过全连接层输出油温数据；使用测试集对lstm油温预测模型进行测试。

6、筛选出的特征因素包括：前一周变压器油温的傅里叶变换系数。

7、所述预处理包括：检测数据中的越限值；检测数据中的突变异常值；检测数据中的连续恒定值；删除检测出来的异常值，通过插值法修复缺失值部分，通过滑动平均法进行平滑。其中检测数据中的连续恒定值，包括：对所有类别数据，分别计算每种类别数据的标准差，如果当前类别数据的标准差接近零值，则丢弃当前类别数据；根据历史数据分析，对所有类别数据设定变化的阙值，如果变化的幅度小于阙值，则标记当前点为恒定值异常数据点；根据历史数据分析，对所有类别数据的连续恒定值的个数设置阙值，对恒定值数据点进行连续个数统计，超过设定值个数的恒定值数据点，标记连续恒定值异常数据点，其他点则取消异常标记。

8、根据相关性和特征重要性进行特征筛选，包括以下步骤：计算每个特征因素数据与油温数据的person相关系数；以特征因素数据为输入，油温数据为输出构建决策树模型，根据决策数模型中的feature importance计算每个特征因素的重要性；根据person相关系数和特征重要性，对特征因素进行排序，根据排序进行特征筛选。

9、使用训练集对lstm油温预测模型进行训练，包括：按比例对训练集进行随机采样，使用采样得到的样本构建验证集，并将其从训练集中删除；训练油温预测模型，采用earlystop的方式在验证集上评估，保存在验证集上表现最好的模型。

10、使用测试集对lstm油温预测模型进行测试，包括以下步骤：将所述的测试集对应数据输入到训练好的lstm油温预测模型中，并按时序进行对齐；将预测结果中时序重复的预测点，进行均值化处理，同一时刻只保留预测的均值；使用mape指标计算模型预测准确率。

11、本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于lstm神经网络的变压器油温预测方法。

12、本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于lstm神经网络的变压器油温预测方法。

13、本发明提供一种变压器油温的时序预测系统，包括：

14、数据获取模块，用于存储变压器环境气象、运行无功功率、运行有功功率及变压器油温的历史数据和预测数据；

15、数据预处理模块，用于对数据进行预处理；

16、时序特征构建模块，用于根据历史数据集分析时序特征、多项式特征、统计特征，所述时序特征为分析变压器油温历史数据的周期性变化规律得到的特征因素；所述多项式特征为分析变压器油温历史数据的非线性变化规律得到的特征因素；所述统计特征为分析变压器油温历史数据的变化趋势得到的特征因素；

17、特征筛选模块，用于根据时序特征构建模块得到的特征因素集合，计算每个特征因素与油温数据的相关性和特征重要性，根据相关性和特征重要性进行特征筛选；

18、数据集划分模块，用于将变压器油温的预测样本集划分为历史已知特征因素数据集和未来已知特征因素数据集，所述历史已知特征因素数据为预测时刻之前的特征因素数据，所述未来已知特征因素数据为预测时刻之后的特征因素数据，所述变压器油温的预测样本集包括筛选出的特征因素对应的历史数据和预测数据；

19、油温预测模块，包括两个lstm神经网络，分别对历史已知特征因素数据和未来已知特征因素数据进行依赖信息学习，并将两个lstm神经网络的输出合并，再通过全连接层输出油温数据。

20、有益效果：相比现有技术，本发明具有以下优点：本发明引入了深度学习中的时序神经网络来预测变压器油温，lstm能够有效地捕获时间序列数据中的长距离依赖性，因为它可以直接建立各个时间步之间的关系，而无需受到序列长度的限制，使得使用时序预测的方法预测变压器油温能够进一步捕捉变压器油温变化的时序规律，提高油温预测的准确性。通过对历史数据分析时序特征、多项式特征、统计特征，能够得到维度更广的特征因素，提高模型学习的效果。通过对模型结构的改进，引入两个lstm模型对历史数据和预测数据同时学习，使得油温预测不再单一的依赖于输入的实时数据，而是通过结合历史值和预测值的学习得到更为精确的预测结果。

技术特征：

1.一种基于lstm神经网络的变压器油温预测方法，其特征在于，根据变压器环境气象、运行无功功率、运行有功功率及变压器油温的历史数据和预测数据，通过lstm油温预测模型进行变压器油温预测，所述lstm油温预测模型的构建过程包括：

2.根据权利要求1所述的基于lstm神经网络的变压器油温预测方法，其特征在于，筛选出的特征因素包括：前一周变压器油温的傅里叶变换系数。

3.根据权利要求1所述的基于lstm神经网络的变压器油温预测方法，其特征在于，所述预处理包括：

4.根据权利要求2所述的基于lstm神经网络的变压器油温预测方法，其特征在于，检测数据中的连续恒定值，包括：

5.根据权利要求1所述的基于lstm神经网络的变压器油温预测方法，其特征在于，根据相关性和特征重要性进行特征筛选，包括以下步骤：

6.根据权利要求1所述的基于lstm神经网络的变压器油温预测方法，其特征在于，使用训练集对lstm油温预测模型进行训练，包括：

7.根据权利要求1所述的基于lstm神经网络的变压器油温预测方法，其特征在于，使用测试集对lstm油温预测模型进行测试，包括以下步骤：

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于lstm神经网络的变压器油温预测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于lstm神经网络的变压器油温预测方法。

10.一种变压器油温的时序预测系统，其特征在于，包括：

技术总结
本发明公开了一种基于LSTM神经网络的变压器油温预测方法和系统，包括：获取变压器环境气象、运行无功和有功功率及变压器油温的历史数据，经预处理得到历史数据集；根据得到的历史数据集构建时序特征、多项式特征和统计特征，得到变压器油温预测样本集；将样本集划分为训练集和测试集，接着进行特征划分提高模型对预测时段的信息捕捉能力；最后根据所述的特征划分和训练集构建LSTM时序预测模型。本发明进一步捕捉变压器油温变化的时序规律，提高了油温预测的准确性，避免因过热，造成变压器损坏，提高了设备可靠性。

技术研发人员：张琪培,王伟,伍林,李昀,陆继翔,旷文腾,谢峰,刘军君,张韬,束蛟,李红,陈天宇
受保护的技术使用者：国电南瑞科技股份有限公司
技术研发日：
技术公布日：2024/4/17