[发明专利]基于长短时记忆网络的变压器运行状态预测方法及系统

说明书

本发明公开了一种基于长短时记忆网络的变压器运行状态预测方法，其包括步骤：(1)获取与变压器运行状态相关的历史信息；(2)基于所述历史信息评估所述变压器的历史运行状态；(3)构建基于长短时记忆网络的变压器运行状态预测模型；(4)基于所述历史信息和历史运行状态训练所述变压器运行状态预测模型；(5)基于所述历史信息通过所述变压器运行状态预测模型预测变压器的未来运行状态。此外，本发明还公开了相应的系统。本发明能有效预测变压器的未来运行状态；对变压器运行状态进行预测，有助于及时感知变压器潜在威胁，掌握变压器故障发展趋势；对提高设备运行安全可靠性具有重大意义。

技术领域

本发明涉及电力设备监控领域，尤其涉及一种变压器运行状态预测方法及系统。

背景技术

在服役过程中，电力变压器遭受热、电及机械等应力长期作用，由完全良好状态逐步劣化直至故障。一旦出现故障，不仅严重损害变压器，也极大地威胁人民正常生产生活。对变压器运行状态进行预测，有助于及时感知变压器潜在威胁，掌握变压器故障发展趋势。

变压器状态全景信息的不断积累，为变压器运行状态评估及预测提供了先决条件。变压器状态全景信息通常包括与变压器运行状态相关的各类信息，例如变压器油中溶解气体浓度、运行巡检信息、技术性能信息等。其中技术性能信息通常包括运行工况、检修记录、运行时间等。

因此，变压器运行状态预测工作切实可行，对提高设备运行安全可靠性具有重大意义。

发明内容

本发明的目的之一是提供一种基于长短时记忆网络的变压器运行状态预测方法，其能有效预测变压器的未来运行状态。

基于上述目的，本发明提供了一种基于长短时记忆网络的变压器运行状态预测方法，其包括步骤：

(1)获取与变压器运行状态相关的历史信息；

(2)基于所述历史信息评估所述变压器的历史运行状态；

(3)构建基于长短时记忆网络的变压器运行状态预测模型；

(4)基于所述历史信息和历史运行状态训练所述变压器运行状态预测模型；

(5)基于所述历史信息通过所述变压器运行状态预测模型预测变压器的未来运行状态。

本发明所述的基于长短时记忆网络的变压器运行状态预测方法中：

所述历史信息和历史运行状态通常是对应时间序列的一组数据。

长短时记忆网络(LSTM，Long Short-Term Memory)是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。

本发明所述的基于长短时记忆网络的变压器运行状态预测方法，其以与变压器运行状态相关的历史信息为基础评估所述变压器的历史运行状态，例如以变压器运行状态全景信息为基础，选取DGA(变压器油中溶解气体分析)特征气体含量，同时综合运行巡检信息中关键参量及技术性能信息中运行工况、检修记录、运行时间，综合评估所述变压器的历史运行状态；构建并训练基于长短时记忆网络的变压器运行状态预测模型，充分提取所述历史信息与所述历史运行状态之间蕴含的内在关系，全面反映故障演变与表现特征之间的客观规律，从而有效预测变压器的未来运行状态。

进一步地，本发明所述的基于长短时记忆网络的变压器运行状态预测方法中，所述历史信息包括变压器油中溶解气体浓度、运行巡检信息以及技术性能信息中的至少其中之一。

上述方案中，变压器油中溶解气体浓度对应的历史运行状态评估结果可以通过模糊理论评估得到；运行巡检信息以及技术性能信息对应的历史运行状态评估结果可以通过模糊统计实验评估得到。