[发明专利]基于长短期记忆网络的变压器顶层油温预测方法及系统

说明书

本说明书实施例公开了一种基于长短期记忆网络的变压器顶层油温预测方法及系统。方案包括：采用相关性分析确定影响变压器顶层油温的变量因素；获取所述变量因素对应的历史数据集；采用分层抽样方法对所述历史数据集进行划分，生成训练数据集和测试数据集；利用所述训练数据集对初始化后的LSTM模型进行训练，生成油温预测模型；采用所述油温预测模型对变压器顶层油温进行预测。本方案在循环神经网络的基础上，深入分析数据类型，对模型进行改进，提出了LSTM算法，其构建的LSTM技术框架可为电力变压器油温变化提供关键的技术支持。

技术领域

本申请涉及变压器技术领域，尤其涉及一种基于长短期记忆网络的变压器顶层油温预测方法及系统。

背景技术

在电力系统中，电力变压器是输配电网络中既昂贵又关键的设备，在运行过程中易遭受热性、电性和机械性等多种应力的共同作用，从而导致变压器故障。热特性是变压器安全可靠运行的其中一个重要标志，而衡量变压器热特性的一个重要指标为变压器绕组热点温度。目前许多变电站还是使用的机械指针式压力表，其数据库是通过人工定期读数来建立的，参数的预测和预警也是通过人工数据分析方法来完成。对于变压器油温，目前虽然已经实现了自动采集，但是其预测和预警也是通过人工数据分析方法来完成的。

发明内容

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，本说明书实施例提供的一种基于长短期记忆网络的变压器顶层油温预测方法，包括：

采用相关性分析确定影响变压器顶层油温的变量因素；

获取所述变量因素对应的历史数据集；

采用分层抽样方法对所述历史数据集进行划分，生成训练数据集和测试数据集；

利用所述训练数据集对初始化后的LSTM模型进行训练，生成油温预测模型；

采用所述油温预测模型对变压器顶层油温进行预测。

可选的，所述变量因素包括：环境温度、负载电流、电压、有功功率、无功功率以及前一刻的顶层油温。

可选的，所述方法还包括：

采用所述测试数据集对所述油温预测模型进行测试，并基于评价指标包括分类准确率、F1度量及G-mean对预测效果进行分析。

可选的，所述方法还包括：

对所述历史数据集中的数据进行预处理，所述预处理至少包括归一化处理。

可选的，所述利用所述训练数据集对初始化后的LSTM模型进行训练，具体包括：将LSTM神经网络按时间顺序展开为一个深层前馈神经网络，再进一步根据前馈网络的误差反向传播算法计算相关参数梯度，并对模型进行训练。

可选的，采用随时间反向传播算法对初始化后的LSTM模型进行训练。

可选的，对LSTM模型初始化包括：对LSTM参数解析器和模型参数初试化。

第二方面，本说明书实施例提供的一种基于长短期记忆网络的变压器顶层油温预测系统，包括：

变量因素确定模块，用于采用相关性分析确定影响变压器顶层油温的变量因素；

历史数据获取模块，用于获取所述变量因素对应的历史数据集；

数据集划分模块，用于采用分层抽样方法对所述历史数据集进行划分，生成训练数据集和测试数据集；

预测模型生产模块，用于利用所述训练数据集对初始化后的LSTM模型进行训练，生成油温预测模型；

油温预测模块，用于采用所述油温预测模型对变压器顶层油温进行预测。