[发明专利]基于模糊信息粒化的变压器绕组热点温度波动范围预测方法

说明书

本发明公开了一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法，包括根据模糊信息粒化品质确定粒化时窗的个数，运用模糊信息粒化技术提取原始数据的有效信息；基于有效信息构建小波神经网络预测模型，并通过和声搜索算法对小波神经网络的结构参数进行优化；使用结构与参数调整后的模型对变压器绕组热点温度波动范围进行预测。本发明的预测准确率较高，对变压器的运行与维护具有一定的指导意义。

技术领域

本发明涉及一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法。

背景技术

电力变压器是十分重要的输变电设备，一直以来都是重点监测与保护的对象。丧失应有的绝缘能力是大部分变压器寿命终结的主要原因，而变压器绕组热点温度又是影响其绝缘能力的重要因素之一。绕组热点温度定义为变压器绕组最热区域达到的温度，已被证实是影响变压器负载能力和可用寿命的关键因素。当变压器绕组热点温度超过允许值时会导致变压器绝缘的损坏。因此深入的研究变压器的热点温度，提前发现变压器绕组热点温度的异常，对指导变压器的运行与维护具有十分重要的意义。

国内外专家学者就变压器绕组热点温度的预测展开了大量的研究。现有方法中有的提出了基于T-S模糊模型的变压器顶层温度预测方法，模型较好的完成了顶层温度的跟踪，并与递推神经网络、IEEE导则进行了对比，但顶层温度并非真正的热点温度，因此模型具有一定的局限性。有的文献考虑了环境温度、顶层油温、底层油温、上死角温度、下死角温度5个影响因素，基于广义回归神经网络建立了变压器绕组热点温度的预测模型。有的文献考虑了负载变换与顶层油温，基于卡尔曼滤波算法建立了变压器绕组热点温度实时估计模型。有的文献基于最小二乘支持向量机构建了变压器顶层温度预测模型。有的文献将负载电流、环境温度、顶层油温、底层油温、上死角温度、下死角温度考虑在内，构建了遗传优化支持向量机的热点温度预测模型。

上述研究均较好的实现了对于变压器绕组温度的跟踪，然而这些模型提前预知变压器绕组热点温度异常的能力相对较差。

发明内容

本发明为了解决上述问题，提出了一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法，针对变压器绕组热点温度时序预测和波动范围预测研究相对不完善的现状，基于模糊信息粒化与和声搜索算法(Harmony Search，HS)优化小波神经网络(Wavelet neural network，WNN)的变压器绕组热点温度波动范围组合预测模型，本发明能够较好的预知变压器绕组热点温度异常的能力。

为了实现上述目的，本发明采用如下技术方案：

一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法，包括:

根据模糊信息粒化品质确定粒化时窗的个数，运用模糊信息粒化技术提取原始数据的有效信息；

基于有效信息构建小波神经网络预测模型，并通过和声搜索算法对小波神经网络的结构参数进行优化；

使用结构与参数调整后的模型对变压器绕组热点温度波动范围进行预测。

更为详细的，包括:

更新历史数据，对历史数据样本数据进行模糊信息粒化，得到平均值、下界和上界，计算模糊信息粒化品质因数，选取最优粒化结果；

筛选粒化后的历史数据，运用训练集样本初步建立多种不同结构的小波神经网络预测模型，通过该模型判断输入层节点数与隐藏层节点数，并定时更新；

确定了输入层、隐藏层与输出层即确定了需要优化的结构参数，对优化对象进行编码，定义适应度值函数，通过和声搜索对小波神经网络的结构参数进行筛选；

利用筛选后的小波神经网络分别对平均值、下界和上界进行预测，得到变压器绕组热点温度波动范围；

采用均方误差、平均绝对误差和相关系数三个指标对模型预测性能进行评估。