黃夢輝,蔣濤,董建軍,王奎,趙洪山

(1.國網(wǎng)陵川縣供電公司,山西 陵川 048300; 2.國網(wǎng)晉城供電公司,山西 晉城 048000;3.華北電力大學(保定)電力工程系,河北 保定 071000)

0 引 言

電力變壓器套管是變壓器的重要組成部分之一,且箱式變壓器由于所處環(huán)境封閉、散熱性能差而導致變壓器各部件溫度較高,其套管事故率約占變壓器事故率的9.9%[1]。因此,對變壓器套管進行實時在線監(jiān)測和預測其溫度未來變化趨勢實現(xiàn)套管溫度故障預警,與此同時,可以有效防止變壓器過熱等事故發(fā)生,提高變壓器運行的安全性。

目前國內(nèi)外學者對電氣設備各狀態(tài)量的預測方法可以概括為三大類:統(tǒng)計預測法、有限元數(shù)值分析法和人工智能預測法。

統(tǒng)計預測法主要包含灰色預測模型、時間序列預測模型和模糊預測模型等,文獻[2]采用基于灰色模型的方法對變壓器中長期的油溫進行預測,文獻[3]在考慮多影響因素基礎上,建立多變量時間序列的短期負荷預測模型,文獻[4]提出改進的模糊神經(jīng)網(wǎng)絡算法預測變壓器繞組熱點溫度,統(tǒng)計預測法的特點在于其預測結果準確率非常依賴所用數(shù)據(jù)集的分布特點。有限元數(shù)值分析法是通過有限元分析軟件對所研究對象搭建相關物理模型,文獻[5]通過三維電磁-熱-流耦合場對變壓器套管溫度場分布進行分析,文獻[6]通過ANSYS軟件提出一種3D耦合電磁流體熱分析法預測油浸式變壓器的鐵芯溫度,有限元法用于模擬復雜的研究對象物理結構分析其耦合場,該方法操作復雜,計算量大。人工智能預測法是通過計算機對監(jiān)測數(shù)據(jù)進行處理分析再建立預測模型,常見的有隨機森林[7],人工神經(jīng)網(wǎng)絡[8-9],支持向量機[10]等。傳統(tǒng)人工智能預測算法在處理非線性預測問題時精度有限,預測誤差較大,隨著深度學習技術的不斷發(fā)展,循環(huán)神經(jīng)網(wǎng)絡(RNN)具有循環(huán)反饋的網(wǎng)絡結構,在語音識別、股票預測等領域應用廣泛[11-12]。作為RNN變體之一的LSTM神經(jīng)網(wǎng)絡,解決了普通RNN在訓練過程中存在對的梯度爆炸和消失的問題,可以更好的訓練網(wǎng)絡參數(shù),提高預測精度,在多因素影響的溫度預測方面,LSTM通過引入門控機制來控制信息的輸入,有選擇性的加入新的信息和遺忘之前累積的信息,相比于其他算法,LSTM在處理非線性和時滯性的溫度預測問題中有更強的適應性和泛化能力。

文中首先分析箱式變壓器高壓套管的熱流,然后,將LSTM算法應用在箱式變壓器高壓套管溫度預測研究中,能夠較好的解決箱式變壓器高壓套管溫度預測中存在的非線性和時滯問題,最后,結合山西省某小區(qū)箱式變壓器10 kV～380 V高壓套管的在線監(jiān)測平臺,驗證了所提方法的有效性和可行性,對比仿真結果表明,與普通RNN和SVM方法相比,平均誤差分別降低27.4%和36.3%,本文所提方法預測精度更高和泛化能力更強。

1 箱式變壓器高壓套管熱源分析

某小區(qū)箱式變壓器高壓套管內(nèi)部由中心導桿、油、油浸紙芯子、瓷套等組成,其結構如圖 1 所示。套管內(nèi)部各部分會存在溫度差異,通過熱量交換而形成熱流。變壓器套管的熱流傳播特性主要分為三種方式:熱傳導、熱輻射和熱對流[13],內(nèi)部熱流如圖1所示。

圖1 套管內(nèi)部熱流

2 基于LSTM箱式變壓器高壓套管溫度預測模型

2.1 LSTM理論

由于變壓器高壓套管溫度存在非線性、大時滯等特征,而LSTM網(wǎng)絡結構包含許多非線性單元,相對于傳統(tǒng)模型對特征的表達更加細致,適合解決復雜環(huán)境條件下的非線性和時滯性問題[14-15],故文中提出一種基于LSTM箱式變壓器高壓套管溫度預測模型。LSTM網(wǎng)絡的基本單元中包含遺忘門、輸入門和輸出門[16],其基本結構如圖2所示。

圖2 LSTM網(wǎng)絡的基本單元

LSTM網(wǎng)絡遺忘門中遺忘部分由輸入xt、狀態(tài)記憶單元Ct-1和中間輸出ht-1三者共同決定。輸入門中的xt經(jīng)過sigmoid和tanh函數(shù)后確定保留向量。更新后的Ct與ot決定輸出ht,計算公式如式(1)～式(6)所示:

～it=σ(Wixxt+Wihht-1+bi)

(1)

(2)

ft=σ(Wfxxt+Wfhht-1+bf)

(3)

(4)

ot=σ(Woxxt+Wohht-1+bo)

(5)

ht=ot×tanh(Ct)

(6)

2.2 LSTM預測模型輸入輸出的選取

熱量首先通過熱傳導形式傳遞到導體的表面,其次通過熱對流方式傳遞到套管陶瓷的內(nèi)壁,然后內(nèi)壁的熱量再次通過熱傳導方式傳遞到外壁,最終熱量通過熱輻射方式擴散到周圍空氣。通過熱電類比理論[17]和套管溫度表現(xiàn)的歷史溫度相似性[18],得到套管溫度θpor主要與套管載流導體負載電流,電壓,環(huán)境溫度,歷史套管溫度相關。

以變壓器高壓套管導體負載電流、環(huán)境溫度、電壓、前一周同一時刻變壓器高壓套管溫度、前一天同時刻高壓套管溫度為特征值對高壓套管溫度進行溫度預測,即基于LSTM的箱式變壓器高壓套管溫度預測模型的輸入向量xt=(I、U、θamb、θ1、θ2),輸出為ht=θpor。其中,I、U、θamb、θ1、θ2分別表示變壓器高壓套管導體負載電流、電壓、環(huán)境溫度、前一周同一時刻變壓器高壓套管溫度、前一天同時刻變壓器高壓套管溫度。

2.3 基于LSTM箱式變壓器高壓套管溫度預測模型的實現(xiàn)歩驟

基于LSTM的箱式變壓器高壓套管溫度預測方法實現(xiàn)歩驟如下:

Step1:測量和統(tǒng)計現(xiàn)場所建模型輸入指標的歷史數(shù)據(jù),組成多維輸入變量,取負載電流I,電壓U,環(huán)境溫度θamb和前一周同一時刻變壓器高壓套管溫度θ1、前一天同時刻變壓器高壓套管溫度θ2作為模型的輸入,變壓器高壓套管當前時刻溫度θpor作為模型的輸出;

Step2:將樣本數(shù)據(jù)采用最大最小歸一化處理,映射到[0,1]之間,其中歸一化的公式為:

(7)

式中x*為歸一化后的數(shù)據(jù);xmin和xmax分別為樣本數(shù)據(jù)集的最小值和最大值;x為原始樣本數(shù)據(jù);

Step3:將樣本數(shù)據(jù)集劃分為訓練集與測試集;

Step4:根據(jù)輸入變量個數(shù)和輸出變量個數(shù)決定LSTM輸入節(jié)點和輸出節(jié)點的個數(shù),設定合適的隱藏層節(jié)點個數(shù)和學習率,建立LSTM短期電力負荷預測模型;

Step5:通過訓練樣本,對建立的LSTM變壓器高壓套管溫度預測模型進行訓練,獲取使得預測變壓器高壓套管溫度與實際變壓器高壓套管溫度之間最小二乘誤差E最小時的最優(yōu)LSTM預測模型參數(shù)。

(8)

式中n表示訓練集的樣本容量;Xact(i)和Xpred(i)為第i時刻高壓套管溫度的真實值和訓練輸出值;

Step6:獲得最優(yōu)參數(shù)的LSTM變壓器高壓套管溫度預測模型后,對測試集樣本進行預測,獲得待預測的變壓器高壓套管溫度預測值,將預測結果按照第3節(jié)所給的評價指標評估預測的準確性。

基于LSTM變壓器高壓套管溫度預測方法流程圖如圖3所示。

圖3 LSTM變壓器高壓套管溫度預測方法流程圖

3 模型評價標準

為了準確驗證所提基于LSTM的箱式變壓器高壓套管溫度預測模型的預測性能,將平均絕對百分比誤差(yMAPE)、均方根誤差(yRMSE)、預測精度(yFA)和決定系數(shù)R2視為模型的評價指標[19],其中yMAPE與yRMSE數(shù)值越小、yFA數(shù)值越大、R2的值越靠近1,表示模型預測結果越準確,相關指標計算公式如下:

(9)

(10)

(11)

(12)

4 算例分析

算例通過紅外測溫技術采集山西省某小區(qū)10 kV～380 V箱式變壓器高壓套管的現(xiàn)場數(shù)據(jù),構建基于LSTM變壓器高壓套管溫度預測模型,對箱式變壓器高壓套管溫度進行預測,最后將實驗結果與普通RNN和SVM網(wǎng)絡模型預測結果進行對比,分析不同模型的預測精度,驗證本文所提基于LSTM箱式變壓器高壓套管溫度預測模型的可行性與有效性。

4.1 數(shù)據(jù)處理

(1)異常數(shù)據(jù)處理

歷史數(shù)據(jù)因通信錯誤或者數(shù)據(jù)丟失等原因而出現(xiàn)數(shù)據(jù)異常,會對模型的預測精度產(chǎn)生一定影響,本文根據(jù)文獻[20-21]提供的修正法和解析法補充缺失數(shù)據(jù)補充和修復錯誤數(shù)據(jù)。

(2)數(shù)據(jù)標準化

采用式(7)標準化。

(3)訓練集和測試集劃分

樣本數(shù)據(jù)為該小區(qū)箱式變壓器2020年6月1日到2020年7月7日的現(xiàn)場監(jiān)測數(shù)據(jù),采樣頻率為1 h,以2020年6月1日到2020年6月30日的數(shù)據(jù)集作為訓練數(shù)據(jù)集,以2020年7月1日到7月7日的數(shù)據(jù)集作為測試數(shù)據(jù)集。

4.2 LSTM網(wǎng)絡模型參數(shù)選擇

利用訓練集樣本數(shù)據(jù)構建LSTM網(wǎng)絡,結合文獻[22-23]將LSTM模型中學習率設置為0.01、隱藏層節(jié)點個數(shù)可由經(jīng)驗式(13)進一步通過控制變量的方法[24],不斷調(diào)試神經(jīng)元個數(shù)確定節(jié)點個數(shù)的選取,實驗結果如表1所示。

表1 模型參數(shù)實驗結果

最終選取神經(jīng)元的個數(shù)為8。

(13)

式中p和q分別為輸出層和輸入層的節(jié)點數(shù);a為[0,9]之間的常數(shù),本文p、q分別取1和5,故隱藏層節(jié)點m為[2,12]之間的常數(shù)。

LSTM模型的相關參數(shù)選擇如表2所示。

表2 LSTM模型參數(shù)選擇

4.3 結果分析

通過所提方法對箱式變壓器高壓套管溫度進行預測,并將結果與SVM,普通RNN方法預測結果進行對比,得到如圖4所示的LSTM與其他算法預測2020年7月1日到2020年7月7日溫度對比圖、圖5所示的采用LSTM和其他算法預測變壓器高壓套管溫度誤差圖。

圖4 LSTM、RNN和SVM預測2020年7月1日到2020年7月7日溫度對比

圖5 LSTM、RNN和SVM預測2020年7月1日到2020年7月7日套管溫度誤差率

為更清晰,更直觀體現(xiàn)各算法預測變壓器高壓套管溫度和真實溫度的對比情況,以7月1日的預測結果為例,各方法的預測結果對比如圖6所示。

圖6 LSTM、RNN和SVM預測2020年7月1日套管溫度對比

結合圖4～圖6,可以分析出本文所提方法預測得到的變壓器高壓套管溫度預測曲線精度最高,預測誤差小,與實際曲線變化趨勢基本一致,具有更好的泛化能力,驗證了本文所提方法的準確性和可行性。

為了突出LSTM算法在變壓器高壓套管溫度預測精度方面的優(yōu)勢,記錄不同算法(LSTM,普通RNN,SVM)預測變壓器高壓套管溫度的預測結果,定量比較各算法預測結果的評價指標參數(shù),對比結果如表3所示。

表3 不同預測模型評價指標對比

分析可知:相較于普通RNN和SVM預測模型,LSTM預測模型的yMAPE指標分別降低了27.4%和36.3%,yRMSE指標分別降低了25.1%和35.6%,yFA分別提高了0.52%和0.79%,說明LSTM算法可以更好地把握待高壓套管溫度與輸入特征之間的非線性關系;由決定系數(shù)R2的計算結果可知:采用LSTM算法預測結果的決定系數(shù)值為0.963,R2最接近于1,相比其他方法,本文所提方法預測結果更優(yōu)。

5 結束語

為解決因箱式變壓器環(huán)境封閉、散熱性能差而導致變壓器各部件溫度較高,影響設備變壓器安全問題運行的問題,提出了基于LSTM箱式變壓器高壓套管溫度預測模型,利用紅外傳感技術對箱式變壓器高壓套管與環(huán)境進行在線監(jiān)測,研究結果表明,LSTM網(wǎng)絡很好地適用于具有非線性和時滯特性的箱式變壓器高壓套管預測問題中,解決了有限元法復雜,計算量大的問題,相較于其他預測算法,本文構建的模型預測精度高,與實際溫度變化趨勢基本一致,具有很好的泛化能力,可以為變壓器高壓套管溫度的預測提供一種有效途徑。