基于数据与机理的变压器状态预测方法、系统及可读介质

本发明涉及变压器状态预测，具体为一种基于数据与机理的变压器状态预测方法、系统及可读介质。

背景技术：

1、当前，变压器在输电系统中扮演着越来越重要的角色，但由于变压器造价极其昂贵，很难直接在其中进行相关试验。因此，对变压器状态的准确预测可以对其日常维护与监视提供可靠性支持，并且保证变压器的正常运行。

2、在构造变压器状态预测模型中，单纯的数据驱动方法存在着过于依赖样本，对于训练集数据质量要求很高，泛化能力不足和输出结果是否安全等问题。

技术实现思路

1、本发明所要解决的技术问题在于：解决现有的变压器状态预测模型中，单纯的数据驱动方法存在着过于依赖样本的问题。

2、为解决上述技术问题，本发明提供如下技术方案：

3、一种基于数据与机理的变压器状态预测方法，包括：

4、s10，根据变压器实际几何参数，构建变压器三维模型；

5、s20，根据变压器三维模型，计算变压器损耗和变压器散热；根据所述损耗和散热进行多物理场耦合仿真，并结合变压器实际运行数据，获取变压器电磁-热耦合机理模型；

6、s30，对变压器电磁-热耦合机理模型进行有限元分析，获取变压器内部温度分布的仿真数据；

7、s40，应用长短记忆-多层感知神经网络，并通过变压器内部温度分布的仿真数据和变压器实际运行数据进行训练，获取最佳长短记忆-多层感知神经网络；

8、s50，输入时间，月、日、小时、分钟，变压器对应的环境温度，以及变压器一次侧三相电流，给最佳长短记忆-多层感知神经网络，输出热点温度，以预估变压器状态。

9、优点：物理方法构建变压器机理模型并通过仿真获取仿真数据，将仿真数据与实际运行数据相结合，避免单纯过于依赖样本；利用这些数据训练长短记忆-多层感知神经网络。该方法可以计算变压器内部传感器无法测量的热点温度分布，并且该方法具有比单一神经网络更高的精度和比基于仿真方法更快的计算速度。

10、在本发明的一实施例中，变压器损耗包括铁芯损耗和绕组损耗；其中，铁芯损耗通过以下公式获取：

11、p0＝pn+pe+pst；

12、式中，p0为铁芯损耗，pn为磁滞损耗，pe为涡流损耗，pst为铁心附加损耗；

13、绕组损耗通过以下公式获取：

14、pk＝pdc+pw+ph+pz；

15、式中，pk为绕组损耗，pdc为直流电阻损耗，pw为导线内涡流损耗，ph为导线间循环电流损耗，pz为杂散损耗。

16、在本发明的一实施例中，变压器散热方式包括热传导、热对流和热辐射；其中，

17、热传导通过以下公式获取：

18、

19、式中，φ1为流过指定截面的热量，λ为材料导热系数，a为截面面积，t为垂直于截面的温度，l为截面的法向距离；

20、热对流通过以下公式获取：

21、φ2＝hfa(ts-t0)；

22、式中，φ2为固体表面与周围流体由于温差而发生的热交换，hf为对流换热系数，ts为固体表面温度，t0为变压器油的温度；

23、热辐射通过以下公式获取：

24、φ3＝εδat4；

25、式中，φ3为以电磁辐射的形式从高温物体传递能量，ε为物体表面的辐射率，δ为斯蒂芬-玻尔兹曼常数，t为高温物体的温度。

26、在本发明的一实施例中，获取变压器电磁-热耦合机理模型包括以下步骤：

27、s21，将变压器三维模型导入多物理场耦合环境中，以及导入变压器实际运行数据，对变压器三维模型进行网格划分，并根据实际环境设置边界条件；

28、s22，将变压器损耗和散热进行分析计算，并导入多物理场耦合环境中，通过调整其中的各种损耗和散热参数以准确计算出变压器内部温度值，并通过与实际运行数据的对比调整参数，直至精度满足要求，获取变压器电磁-热耦合机理模型。

29、在本发明的一实施例中，获取变压器内部温度分布的仿真数据包括：

30、通过变压器实际运行数据中采集的变压器电流带入变压器电磁-热耦合机理模型中，获取初始温度场；获取下一时刻的电流值，并求解下一次的温度分布；将前一时刻计算的温度场作为初始条件，将更新后的电流值带入，继续计算新的温度场；

31、通过变压器电磁-热耦合机理模型的迭代，求出不同时刻的温度场，记录每次的温度数据并输出这些数据作为变压器内部温度分布的仿真数据。

32、在本发明的一实施例中，长短记忆-多层感知神经网络包括长短记忆网络和多层感知神经网络；训练时，将变压器实际运行数据输入至长短记忆网络中，长短记忆网络输出变压器三相绕组温度；再将变压器三相绕组温度和仿真数据结合作为输入，输入至多层感知神经网络中进行训练，最后输出热点温度预估变压器状态。

33、在本发明的一实施例中，变压器实际运行数据为：d＝[mi,di,hi,fi,tamb,ia,ib,ic]；式中，mi、di、hi和fi分别为不同月份、日期、小时、分钟的时间数据，tamb为环境温度，ia、ib和ic分别为变压器一次侧三相电流。

34、本发明还提供一种根据上述所述的基于数据与机理的变压器状态预测方法的系统，包括：

35、初始模型模块，用于根据变压器实际几何参数，构建变压器三维模型；

36、机理模型模块，用于根据变压器三维模型，计算变压器损耗和变压器散热；根据所述损耗和散热进行多物理场耦合，并结合变压器实际运行数据，获取变压器电磁-热耦合机理模型；

37、仿真模块，用于对变压器电磁-热耦合机理模型进行有限元分析，获取变压器内部温度分布的仿真数据；

38、最佳模型模块，用于应用长短记忆-多层感知神经网络，并通过变压器内部温度分布的仿真数据和变压器实际运行数据进行训练，获取最佳长短记忆-多层感知神经网络；

39、预测模块，用于输入时间，月、日、小时、分钟，变压器对应的环境温度，以及变压器一次侧三相电流，给最佳长短记忆-多层感知神经网络，输出热点温度，以预估变压器状态。

40、在本发明的一实施例中，获取变压器内部温度分布的仿真数据包括：

41、通过变压器实际运行数据中采集的变压器电流带入变压器电磁-热耦合机理模型中，获取初始温度场；获取下一时刻的电流值，并求解下一次的温度分布；将前一时刻计算的温度场作为初始条件，将更新后的电流值带入，继续计算新的温度场；

42、通过变压器电磁-热耦合机理模型的迭代，求出不同时刻的温度场，记录每次的温度数据并输出这些数据作为变压器内部温度分布的仿真数据。

43、本发明还提供一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时，处理器执行上述所述的基于数据与机理的变压器状态预测方法。

44、与现有技术相比，本发明的有益效果是：构建变压器机理模型并通过仿真获取数据，将仿真数据与实际运行数据相结合，对长短记忆-多层感知神经网络进行训练，避免过于依赖历史数据样本。

45、长短记忆-多层感知神经网络中，长短记忆网络负责计算三相绕组的温度，计算结果输入多层感知神经网络，用于计算变压器热点温度。对于多层感知神经网络而言，其输入和输出都是温度数据，因此输入和输出之间的相关性很高，从而有效解决了温度滞后于电流的问题。因此对于模型的泛化性，即其对于不同电压等级的变压器的适用性，本方法的泛化性总体上可以认为：针对不同电压等级的变压器，只需更改变压器机理模型构建过程中的具体变压器物理模型的构建，所获得的仿真数据的不同不会影响短记忆-多层感知神经网络的计算结果。

46、对于输出结果的安全性，是由所构建的变压器电磁-热耦合机理模型所保证的，在所构建的变压机理模型中，对于变压器的热点温度计算是通过具体的热力学公式，其保证了计算结果的正确性，而对于机理模型的验证，保证了计算结果的准确性。因此，本方法的输出安全性得以保证。

47、本发明可以计算变压器内部传感器无法测量的热点温度分布，并且该方法具有比单一神经网络更高的精度和比基于仿真方法更快的计算速度。