[发明专利]一种基于遗传算法及BP神经网络的变压器油温预测方法

说明书

本发明提出一种基于遗传算法及BP神经网络的变压器油温预测方法，涉及变压器油温预测的技术领域，解决现有变压器油温预测的方法无法兼顾过程繁琐度和预测准确度的问题，本发明基于变压器历史数据，考虑前一时刻的变压器负荷、变压器油温、变压器的环境温度、当前时刻的变压器负荷、当前时刻的变压器油温及当前时刻变压器的环境温度，建立BP神经网络，并利用遗传算法优化BP神经网络模型的权值和阈值参数，拆解了阈值、权值参数同整个神经网络模型结构一起训练的复杂度，加快训练速度，结合遗传算法，省略研究温差和负荷关系的专门过程，但全面考虑了负荷、温差等相关因素，实现变压器油温预测简便的同时，提高变压器油温预测准确度的目的。

技术领域

本发明涉及变压器油温预测的技术领域，更具体地，涉及一种基于遗传算法及BP神经网络的变压器油温预测方法。

背景技术

电力变压器是整个电力系统的核心设备，承担着变电、输电、配电等重要作用，在其长期运行中会遭受高温、暴雨和各种机械应力的影响。从一定程度上讲，电力变压器的负载能力多取决于它的热特性，即能否及时地将变压器内部产生的热量传递到周围环境中。变压器油温是衡量变压器热特性的重要指标，油温长期出于较高值或超过允许值易导致气泡的产生，加速变压器的热老化并造成变压器绕组绝缘性能的劣化。因此，准确的预测变压器油温对于实时监视变压器状态、及时调整系统运行方式以及变压器健康状态的评估都具有重要的现实意义。

目前，通过智能算法结合神经网络训练来预测变压器油温的方法也有存在，但是目前的此类预测方法大多采用首先对负荷等监测量与油温进行相关性分析，再确定输入量的方法进行神经网络的训练，程较为繁琐，数据挖掘的难度大，而温差为上时刻变压器油温与上时刻变压器的环境温度的差值，温差本身就是负荷累计效应的表现，故而具备很强的关联性；2020年6月9日，公开号为CN111259574A的中国专利中公开了一种基于简易温升模型的变压器油温预测方法，只研究温差与负荷之间的关系，输入量为负荷，输入量为温差。预测出温差再结合变压器的环境温度计算出油温，使用的方法为最小二乘法，该方法具有简单方便的作用，但考虑的因素较少，预测的准确度也较低。

发明内容

为解决现有变压器油温预测的方法无法兼顾过程繁琐度和预测准确度的问题，本发明提出了一种基于遗传算法及BP神经网络的变压器油温预测方法，保证简单方便的同时，提高变压器油温预测的准确度。

为了达到上述技术效果，本发明的技术方案如下：

一种基于遗传算法及BP神经网络的变压器油温预测方法，至少包括：

S1.以△T为记录变压器历史数据的时间间隔，获取用于预测变压器油温的变压器历史数据，包括变压器油温、变压器负荷及变压器的环境温度；

S2.以时间t1为当前时刻，以时间t1-△T为前一时刻，利用前一时刻油温和前一时刻变压器的环境温度确定温差；

S3.记录前一时刻的变压器负荷、前一时刻的变压器油温、前一时刻变压器的环境温度；记录当前时刻的变压器负荷、当前时刻的变压器油温及当前时刻变压器的环境温度；

S4.将步骤S3记录的数据划分为训练集数据和测试集数据，并进行归一化处理；

S5.建立BP神经网络模型，并以温差、前一时刻的变压器负荷、前一时刻的变压器油温、前一时刻变压器的环境温度、当前时刻的变压器负荷、当前时刻变压器的环境温度作为BP神经网络模型输入量，以当前时刻的变压器油温作为BP神经网络模型输出量；

S6.利用遗传算法对已建立的BP神经网络模型的权值和阈值进行优化，得到最优的BP神经网络模型的权值和阈值参数；

S7.采用若干组经步骤S4归一化处理后的训练集数据训练BP神经网络模型；

S8.将测试集数据输入至训练好的BP神经网络模型，输出当前时刻变压器预测油温的归一化数值；