[发明专利]变电站电气设备温度预测方法

说明书

本发明涉及一种变电站电气设备温度预测方法，将采集到的电气设备运行参数及环境参数作为输入变量，再利用深度信念网络（Deep Belief Network，DBN）建立预测模型对电气设备温度进行预测。本发明首先采用受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）堆叠的深度信念网络对输入电气设备参数数据进行深层特征提取完成无监督学习过程；然后将DBN最后一层输出的高维特征量作为神经网络的输入，进行常规拟合获得预测结果；最后，将训练好的DBN‑NN模型用于变电站内电气设备温度预测中；通过提出的温度预测方法，可较准确的预测电气设备温度，从而为解决预测估计问题、减少变电站电气设备故障提供了一种新的方法。

技术领域

本发明涉及电气设备温度预测技术领域，具体涉及一种变电站电气设备温度预测方法。

背景技术

变电站是供电系统的枢纽，是电网系统中实现电能分配、电压转换的重要组成部分，它的安全直接关系到整个电网的安全。变电环节是电网中灾害事故高发的环节，其事故多以设备火灾为主。温度能够很好的反映电气设备的运行状态，对电气设备运行状态的提前预判能够为变电站的安全稳定运行提供保障。因此选取设备温度作为监测参数，结合多种参数对设备温度进行联合预测，在危险发生之前介入处理，将极大的减少事故的发生。

在变电站复杂的环境下，数据收集受各种因素的影响，时序数据会产生各种不同类型的噪声。这使得收集到的时序数据具有很大的非线性、非稳定性特点，对其精度预测存在巨大挑战。基于传统浅层学习网络预测方法很难处理在变电站这种复杂环境下输入和输出之间的关系，深度学习模型可以包含更多的隐含层，优化了误差反馈算法，使得模型可以在大数据集中学习更加复杂的逻辑关系、识别数据结构和分布。

发明内容

本发明的目的是提供一种变电站电气设备温度预测方法，采用基于受限玻尔兹曼机的深度信念网络模型，对变电站内运行的电气设备进行温度的预测，为变电站安全稳定运行提供了新的保障。

本发明所采用的技术方案为：

变电站电气设备温度预测方法，其特征在于：

将采集到的电气设备运行参数及环境参数作为输入变量，再利用深度信念网络建立预测模型对电气设备温度进行预测。

具体包括以下步骤：

第1步：数据预处理：

对原始数据集进行预处理，选取训练样本集和待预测的样本集；

第2步：建立电气设备温度预测模型：

底层采用多个RBM堆叠而成的DBN模型，顶层采用神经网络进行最后的温度拟合预测；

第3步：训练模型，获得参数θ的最优值：

确定输入变量后，利用训练样本集进行DBN-NN模型训练；

第4步：预测输出：

将待预测时刻输入数据集合输入到训练好的温度预测模型中，得到各个时刻的设备温度预测值。

第1步具体为：

对于变电站内运行设备的温度预测，采用逐点方式进行预测，数据采集时间间隔可以是30min，1h或2h；

输入数据包括设备参数和外界参数，从而形成设备温度预测模型的输入向量x＝[x₁,x₂,L,x_N]，模型的输出y$为预测点设备温度预测值；

输入向量x与相应实际温度值y构成一个训练样本{x,y}；实际电气设备温度预测过程中，训练样本按照时间序列排序，将训练样本划分为若干组小批量的数据集，依次进行训练。

第2步具体为：