本发明公开了一种基于误差预测修正的变压器顶层油温预测方法和装置，属于变压器在线监测领域，该方法包括：获取预测数据集，预测数据集包括变压器的负载电流和环境温度；以当前时刻变压器的负载电流为输入量，利用Susa热路模型对变压器的顶层油温进行预测，得到Susa热路模型顶层油温预测值；将Susa热路模型顶层油温预测值和预测数据集进行归一化处理；以归一化后的Susa热路模型顶层油温预测值和预测数据集为输入量，利用GA‑KELM模型进行回归预测，得到回归预测误差；对回归预测误差进行反归一化处理；用归一化前的Susa热路模型顶层油温预测值减去反归一化后的回归预测误差，得到变压器修正后的顶层油温预测值。本发明能够准确的预测变压器顶层油温。
基于误差预测修正的变压器顶层油温预测方法和装置
技术领域
[0001] 本发明涉及变压器在线监测领域，特别是指一种基于误差预测修正的变压器顶层油温预测方法和装置。
背景技术
[0002] 电力变压器动态负载能力、绝缘老化速度主要取决于其热特性。顶层油温是衡量变压器热特性的重要指标，也是变压器运行过程中的重要监测量之一，准确可靠地预测顶层油温对合理的指导安排变压器动态负载、预防变压器热故障有着重要意义。
[0003] 目前针对变压器顶层油温的预测方法较多，其中包括两类典型模型，基于传热学的半物理模型(如Susa热路模型等)和基于非线性拟合回归的数学模型。前者存在模型过于简化、参数计算不准确、受环境因素影响大的问题，模型存在系统误差；后者模型存在物理意义不明确的问题，推广性尚待研究。
[0004] Susa热路模型是一种典型的基于传热学中热电类比原理的半物理模型，考虑了油粘度对热阻和油时间常数的影响，具有明确的物理意义，但针对性一般。
发明内容
[0005] 本发明提供一种基于误差预测修正的变压器顶层油温预测方法和装置，本发明能够准确的预测变压器顶层油温。
[0006] 为解决上述技术问题，本发明提供技术方案如下：
[0007] 一方面，提供一种基于误差预测修正的变压器顶层油温预测方法，包括：
[0008] 步骤101：获取预测数据集，所述预测数据集包括当前时刻变压器的负载电流和环境温度，以及当前时刻前几个时刻变压器的负载电流、环境温度和顶层油温；
[0009] 步骤102：以当前时刻变压器的负载电流为输入量，利用Susa热路模型对变压器的顶层油温进行预测，得到Susa热路模型顶层油温预测值
[0010] 步骤103：将所述Susa热路模型顶层油温预测值 和预测数据集进行归一化处理；
[0011] 步骤104：以归一化后的Susa热路模型顶层油温预测值 和预测数据集为输入量，利用GA-KELM模型进行回归预测，得到回归预测误差
[0012] 步骤105：对所述回归预测误差 进行反归一化处理；
[0013] 步骤106：用归一化前的Susa热路模型顶层油温预测值 减去反归一化后的回归预测误差 得到变压器修正后的顶层油温预测值。
[0014] 进一步的，所述GA-KELM模型通过如下方法得到：
[0015] 步骤201：获取所述变压器的训练样本集，所述训练样本集包括多个训练样本，其中，第i个训练样本包括Ti时刻下变压器的负载电流、环境温度和顶层油温，i∈[1,N]，N为训练样本个数；
[0016] 步骤202：对第i个训练样本，以Ti时刻下变压器的负载电流和顶层油温为输入量，利用Susa热路模型对顶层油温进行预测，得到Susa热路模型顶层油温预测值 和Susa热路模型预测误差
[0017] 步骤203：将所述Susa热路模型顶层油温预测值 和Susa热路模型预测误差进行归一化处理；
[0018] 步骤204：建立KELM模型；
[0019] 步骤205：使用每个训练样本的Susa热路模型顶层油温预测值 Susa热路模型预测误差 和训练样本集对所述KELM模型进行训练，得到GA-KELM模型。
[0020] 进一步的，所述步骤102和步骤202中，所述Susa热路模型顶层油温预测值 通过如下公式计算得到：
[0021]
[0022] 其中，K为负载系数，为负载电流与额定电流之比；α为额定负载损耗与空载损耗之比；Δθoil,R为额定负载下，顶层油温相对环境的稳态温升；n为反映变压器散热方式的经验指数；τoil,R为额定顶层油时间常数，为热容与额定负载下热阻的乘积；μpu为油粘度变化因子，为任意温度下的油粘度μ与额定顶层油温下的油粘度μR的之比；
[0023] 所述步骤202中，所述Susa热路模型预测误差 通过如下公式计算得到：
[0024]
[0025] 其中， 为训练样本中Ti时刻变压器的顶层油温。
[0026] 进一步的，所述步骤205包括：
[0027] 步骤2051：将输入向量xi输入KELM模型，其中：
[0028]
[0029] I(i)和θamb(i)分别为第i个训练样本Ti时刻的负载电流和环境温度，I(i-1)、θamb(i-1)和 分别为第i-1个训练样本Ti-1时刻的负载电流、环境温度和顶层油温，I(i-2)、θamb(i-2)和 分别为第i-2个训练样本Ti-2时刻的负载电流、环境温度和顶层油温；
[0030] 步骤2052：得到xi对应的回归预测误差 和输出权重β，其中：
[0031]
[0032] K(xi,xj)为核函数；
[0033] 步骤2053：采用GA对KELM模型的核参数γ和惩罚系数C进行优化，使得 的均方误差MSEΔθ最小，得到GA-KELM模型，其中：
[0034]
[0035] 进一步的，所述步骤201包括：
[0036] 步骤2011：获取Ti时刻下变压器的负载电流、环境温度和顶层油温；
[0037] 步骤2012：剔除明显失效的数据，并用内插值代替失效数据，得到训练样本；
[0038] 步骤2013：将多个训练样本组成训练样本集。
[0039] 另一方面，提供一种基于误差预测修正的变压器顶层油温预测装置，包括：
[0040] 预测数据集获取模块，用于获取预测数据集，所述预测数据集包括当前时刻变压器的负载电流和环境温度，以及当前时刻前几个时刻变压器的负载电流、环境温度和顶层油温；
[0041] 顶层油温预测模块，用于以当前时刻变压器的负载电流为输入量，利用Susa热路模型对变压器的顶层油温进行预测，得到Susa热路模型顶层油温预测值
[0042] 第一归一化模块，用于将所述Susa热路模型顶层油温预测值 和预测数据集进行归一化处理；
[0043] 回归预测模块，用于以归一化后的Susa热路模型顶层油温预测值 和预测数据集为输入量，利用GA-KELM模型进行回归预测，得到回归预测误差
[0044] 反归一化模块，用于对所述回归预测误差 进行反归一化处理；
[0045] 修正模块，用于用归一化前的Susa热路模型顶层油温预测值 减去反归一化后的回归预测误差 得到变压器修正后的顶层油温预测值。
[0046] 进一步的，所述GA-KELM模型通过如下模块得到：
[0047] 训练样本集获取模块，用于获取所述变压器的训练样本集，所述训练样本集包括多个训练样本，其中，第i个训练样本包括Ti时刻下变压器的负载电流、环境温度和顶层油温，i∈[1,N]，N为训练样本个数；
[0048] 顶层油温和误差预测模块，用于对第i个训练样本，以Ti时刻下变压器的负载电流和顶层油温为输入量，利用Susa热路模型对顶层油温进行预测，得到Susa热路模型顶层油温预测值 和Susa热路模型预测误差
[0049] 第二归一化模块，用于将所述Susa热路模型顶层油温预测值 和Susa热路模型预测误差 进行归一化处理；
[0050] KELM模型建立模块，用于建立KELM模型；
[0051] 训练模块，用于使用每个训练样本的Susa热路模型顶层油温预测值 Susa热路模型预测误差 和训练样本集对所述KELM模型进行训练，得到GA-KELM模型。
[0052] 进一步的，所述顶层油温预测模块以及顶层油温和误差预测模块中，所述Susa热路模型顶层油温预测值 通过如下公式计算得到：
[0053]
[0054] 其中，K为负载系数，为负载电流与额定电流之比；α为额定负载损耗与空载损耗之比；Δθoil,R为额定负载下，顶层油温相对环境的稳态温升；n为反映变压器散热方式的经验指数；τoil,R为额定顶层油时间常数，为热容与额定负载下热阻的乘积；μpu为油粘度变化因子，为任意温度下的油粘度μ与额定顶层油温下的油粘度μR的之比；
[0055] 所述顶层油温和误差预测模块中，所述Susa热路模型预测误差 通过如下公式计算得到：
[0056]
[0057] 其中， 为训练样本中Ti时刻变压器的顶层油温。
[0058] 进一步的，所述训练模块包括：
[0059] 输入单元，用于将输入向量xi输入KELM模型，其中：
[0060]
[0061] I(i)和θamb(i)分别为第i个训练样本Ti时刻的负载电流和环境温度，I(i-1)、θamb(i-1)和 分别为第i-1个训练样本Ti-1时刻的负载电流、环境温度和顶层油温，I(i-2)、θamb(i-2)和 分别为第i-2个训练样本Ti-2时刻的负载电流、环境温度和顶层油温；
[0062] 输出单元，用于得到xi对应的回归预测误差 和输出权重β，其中：
[0063]
[0064] K(xi,xj)为核函数；
[0065] 优化单元，用于采用GA对KELM模型的核参数γ和惩罚系数C进行优化，使得 的均方误差MSEΔθ最小，得到GA-KELM模型，其中：
[0066]
[0067] 进一步的，所述训练样本集获取模块包括：
[0068] 数据获取单元，用于获取Ti时刻下变压器的负载电流、环境温度和顶层油温；
[0069] 数据优化单元，用于剔除明显失效的数据，并用内插值代替失效数据，得到训练样本；
[0070] 训练样本集获取单元，用于将多个训练样本组成训练样本集。
[0071] 本发明具有以下有益效果：
[0072] 本发明的基于误差预测修正的变压器顶层油温预测方法，基于顶层油温误差预测修正模型，可获得精度较高的顶层油温预测值，能够可靠地分析顶层油温的动态变化趋势，进而提升了变压器在热特性衡量方面的准确度，有利于更好地指导变压器的负载运行，促进变压器在在线监测装置的推广和在线监测信息的深度应用。
附图说明
[0073] 图1为本发明的基于误差预测修正的变压器顶层油温预测方法流程图；
[0074] 图2为Susa热路模型的示意图；
[0075] 图3为KELM模型示意图；
[0076] 图4为本发明的基于误差预测修正的变压器顶层油温预测方法原理图；
[0077] 图5为变压器实测数据曲线图；
[0078] 图6为Susa热路模型顶层油温预测值和Susa热路模型预测误差曲线图；
[0079] 图7为Susa热路模型顶层油温实际预测误差和KELM拟合预测得到的预测误差对比图；
[0080] 图8为本发明的基于误差预测修正的变压器顶层油温预测装置示意图。
具体实施方式
[0081] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0082] 一方面，本发明提供一种基于误差预测修正的变压器顶层油温预测方法，如图1和图4所示，包括：
[0083] 步骤101：获取预测数据集，预测数据集包括当前时刻变压器的负载电流和环境温度，以及当前时刻前几个时刻变压器的负载电流、环境温度和顶层油温。
[0084] 变压器顶层油温与变压器的负载电流和环境温度密切相关，并且顶层油温也会受到前一段时间(一般取15-30min)变压器的负载电流、环境温度和顶层油温的影响，我们将前一段时间变压器的负载电流、环境温度和顶层油温称为延迟项，要预测变压器的测顶层油温，需要知道变压器的负载电流、环境温度以及延迟项。
[0085] 步骤102：以当前时刻变压器的负载电流为输入量，利用Susa热路模型对当前时刻变压器的顶层油温进行预测，得到Susa热路模型顶层油温预测值
[0086] 知道了变压器的负载电流，就可以利用Susa热路模型预测变压器的顶层油温，得到Susa热路模型顶层油温预测值 Susa热路模型被广泛的应用于变压器顶层油温的预测，但是其模型过于简化、参数计算不准确、受环境因素影响大的问题，模型存在系统误差，Susa热路模型如图2所示。
[0087] 步骤103：将Susa热路模型顶层油温预测值 和预测数据集进行归一化处理。归一化处理能使得数据具有统一的度量，方便计算。
[0088] 步骤104：以归一化后的Susa热路模型顶层油温预测值 和预测数据集为输入量，利用GA-KELM模型(遗传优化的核极限学习机)进行回归预测，得到回归预测误差[0089] 上述得到的Susa热路模型顶层油温预测值 存在一定误差，需要使用GA-KELM模型计算回归预测误差 计算时，以归一化后的 和预测数据集为输入量，得到输出[0090] 步骤105：对回归预测误差 进行反归一化处理。由于得到的 为归一化后的值，需要对其反归一化。
[0091] 步骤106：用归一化前的Susa热路模型顶层油温预测值 减去反归一化后的回归预测误差 得到变压器修正后的顶层油温预测值，即可预测一段时间后变压器的顶层油温，根据顶层油温调节负载大小。
[0092] 本发明的基于误差预测修正的变压器顶层油温预测方法，基于顶层油温误差预测修正模型，可获得精度较高的顶层油温预测值，能够可靠地分析顶层油温的动态变化趋势，进而提升了变压器在热特性衡量方面的准确度，有利于更好地指导变压器的负载运行，促进变压器在在线监测装置的推广和在线监测信息的深度应用。
[0093] 本发明需要用到GA-KELM模型，GA-KELM模型可以通过如下方法训练得到：
[0094] 步骤201：获取变压器的训练样本集，训练样本集包括多个训练样本，其中，第i个训练样本包括Ti时刻下变压器的负载电流、环境温度和顶层油温，i∈[1,N]，N为训练样本个数。
[0095] 在获取训练样本集时，每个一段时间采集变压器的负载电流、环境温度和顶层油温实测数据，以此作为一个训练样本，采集时间间隔优选15min。
[0096] 步骤202：对第i个训练样本，以Ti时刻下变压器的负载电流和顶层油温为输入量，利用Susa热路模型对顶层油温进行预测，得到Susa热路模型顶层油温预测值 和Susa热路模型预测误差
[0097] 本步骤中，得到Susa热路模型顶层油温预测值 的方法与前述步骤102中相同，Susa热路模型预测误差 为顶层油温实测值与预测值 的差值。
[0098] 步骤203：将Susa热路模型顶层油温预测值 和Susa热路模型预测误差 进行归一化处理。同前述，为统一度量，方便计算，需要进行归一化。
[0099] 步骤204：建立KELM模型，KELM模型如图3所示。
[0100] 步骤205：使用每个训练样本的Susa热路模型顶层油温预测值 Susa热路模型预测误差 和训练样本集对KELM模型进行训练，直至达到预定要求，得到GA-KELM模型。
[0101] 步骤201-205是得到GA-KELM模型的方法，与步骤101-106并无严格的先后关系，步骤201-205可以是事先就执行完毕的，即在进行顶层油温预测之前预先得到了GA-KELM模型，也可以在进行顶层油温预测时同时进行训练，通过上述方法得到的GA-KELM模型有较高的精度。
[0102] 进一步的，步骤102和步骤202中，Susa热路模型顶层油温预测值 可以通过如下公式计算得到：
[0103]
[0104] 其中，K为负载系数，为负载电流与额定电流之比；α为额定负载损耗与空载损耗之比；Δθoil,R为额定负载下，顶层油温相对环境的稳态温升；n为反映变压器散热方式的经验指数；τoil,R为额定顶层油时间常数，为热容与额定负载下热阻的乘积；μpu为油粘度变化因子，为任意温度下的油粘度μ与额定顶层油温下的油粘度μR的之比。
[0105] 而且，步骤202中，Susa热路模型预测误差 通过如下公式计算得到：
[0106]
[0107] 其中， 为训练样本中Ti时刻变压器的顶层油温。
[0108] 作为本发明的基于误差预测修正的变压器顶层油温预测方法的一种改进，步骤205包括：
[0109] 步骤2051：将输入向量xi输入KELM模型，其中：
[0110]
[0111] I(i)和θamb(i)分别为第i个训练样本Ti时刻的负载电流和环境温度，I(i-1)、θamb(i-1)和 分别为第i-1个训练样本Ti-1时刻的负载电流、环境温度和顶层油温，I(i-2)、θamb(i-2)和 分别为第i-2个训练样本Ti-2时刻的负载电流、环境温度和顶层油温。
[0112] 步骤2052：得到xi对应的回归预测误差 和输出权重β，其中：
[0113]
[0114] K(xi,xj)为核函数，通常设定为RBF核。
[0115] 步骤2053：采用GA(遗传算法)对KELM模型的核参数γ和惩罚系数C进行优化，得到GA-KELM模型，使得 的均方误差MSEΔθ最小，其中：
[0116]
[0117] 步骤2051-2053给出了对对KELM模型进行训练的一个实施方式，能够进一步提高GA-KELM模型的精度。
[0118] 训练样本集的选取直接决定了的GA-KELM模型的精度，因此，步骤201包括：
[0119] 步骤2011：获取Ti时刻下变压器的负载电流、环境温度和顶层油温。以15min为时间间隔，采集变压器的负载电流、环境温度和顶层油温
[0120] 步骤2012：剔除明显失效的数据(粗大误差等)，并用内插值代替失效数据，得到训练样本。
[0121] 步骤2013：将多个训练样本组成训练样本集。
[0122] 本发明得到的训练样本集能够使得训练得到的GA-KELM模型的精度高。
[0123] 下面以具体示例来说明本发明的有益效果：
[0124] 采用某10kV/400V三相双绕组配电变压器的实测数据进行仿真验证，变压器参数如表1所示。采集变压器2013年11月共7天的负载电流、环境温度和顶层油温，采样时间间隔为15分钟。变压器实测数据如图5所示。
[0125] 表1变压器参数
[0126]
[0127] Susa热路模型的预测值对比曲线及其预测误差曲线如图6所示。
[0128] 采用KELM误差预测模型对Susa热路模型的预测误差进行拟合、预测，然后采用GA对KELM参数[C,γ]进行寻优，求得对应于训练样本的最优参数[C,γ]＝[0.83,0.092]。求得模型最优参数后，首先以前4天的实测数据及Susa热路模型预测误差作为训练样本对KELM进行训练，然后对后3天的Susa热路模型预测误差进行预测，最后以该预测误差修正Susa热路模型的预测值，得到最终预测值。GA-KELM对后3天Susa热路模型预测误差的预测值与实际值对比如图7所示。
[0129] 由图7可以看出，GA-KELM对Susa热路模型误差的预测值与实际误差基本一致，GA-KELM能较好的对Susa热路模型的预测误差进行拟合和预测。预测误差与实际误差之间的最大差值为1.29℃,即误差预测修正模型的最大预测误差为1.29℃。
[0130] 分别采用遗传优化的核极限学习机(GA-KELM)、遗传优化的支持向量机(GA-SVM)、Elman神经网络对本文样本进行直接建模和预测，作为对比方法。各方法的预测精度对比如表2所示，MSE为预测均方误差，emax为最大预测误差的绝对值。
[0131] 表2各方法预测精度对比
[0132]
[0133] 从表2可以看出：GA-KELM模型对应的MSE和emax最小，预测精度最高；Susa热路模型的预测精度低于GA-KELM、GA-SVM和Elman神经网络模型；GA-KELM的预测精度高于GA-SVM和Elman神经网络模型。GA-KELM模型在原理上结合了半物理模型和数学模型的优点，因此取得了更高的预测精度。
[0134] 另一方面，本发明提供一种基于误差预测修正的变压器顶层油温预测装置，如图8所示，包括：
[0135] 预测数据集获取模块11，用于获取预测数据集，预测数据集包括当前时刻变压器的负载电流和环境温度，以及当前时刻前几个时刻变压器的负载电流、环境温度和顶层油温；
[0136] 顶层油温预测模块12，用于以当前时刻变压器的负载电流为输入量，利用Susa热路模型对变压器的顶层油温进行预测，得到Susa热路模型顶层油温预测值
[0137] 第一归一化模块13，用于将Susa热路模型顶层油温预测值 和预测数据集进行归一化处理；
[0138] 回归预测模块14，用于以归一化后的Susa热路模型顶层油温预测值 和预测数据集为输入量，利用GA-KELM模型进行回归预测，得到回归预测误差
[0139] 反归一化模块15，用于对回归预测误差 进行反归一化处理；
[0140] 修正模块16，用于用归一化前的Susa热路模型顶层油温预测值 减去反归一化后的回归预测误差 得到变压器修正后的顶层油温预测值。
[0141] 本发明的基于误差预测修正的变压器顶层油温预测装置，基于顶层油温误差预测修正模型，可获得精度较高的顶层油温预测值，能够可靠地分析顶层油温的动态变化趋势，进而提升了变压器在热特性衡量方面的准确度，有利于更好地指导变压器的负载运行，促进变压器在在线监测装置的推广和在线监测信息的深度应用。
[0142] 本发明需要用到GA-KELM模型，GA-KELM模型可以通过如下模块训练得到：
[0143] 训练样本集获取模块，用于获取变压器的训练样本集，训练样本集包括多个训练样本，其中，第i个训练样本包括Ti时刻下变压器的负载电流、环境温度和顶层油温，i∈[1,N]，N为训练样本个数；
[0144] 顶层油温和误差预测模块，用于对第i个训练样本，以Ti时刻下变压器的负载电流和顶层油温为输入量，利用Susa热路模型对顶层油温进行预测，得到Susa热路模型顶层油温预测值 和Susa热路模型预测误差
[0145] 第二归一化模块，用于将Susa热路模型顶层油温预测值 和Susa热路模型预测误差 进行归一化处理；
[0146] KELM模型建立模块，用于建立KELM模型；
[0147] 训练模块，用于使用每个训练样本的Susa热路模型顶层油温预测值 Susa热路模型预测误差 和训练样本集对KELM模型进行训练，得到GA-KELM模型。
[0148] 通过上述各个模块得到的GA-KELM模型有较高的精度。
[0149] 进一步的，顶层油温预测模块以及顶层油温和误差预测模块中，Susa热路模型顶层油温预测值 通过如下公式计算得到：
[0150]
[0151] 其中，K为负载系数，为负载电流与额定电流之比；α为额定负载损耗与空载损耗之比；Δθoil,R为额定负载下，顶层油温相对环境的稳态温升；n为反映变压器散热方式的经验指数；τoil,R为额定顶层油时间常数，为热容与额定负载下热阻的乘积；μpu为油粘度变化因子，为任意温度下的油粘度μ与额定顶层油温下的油粘度μR的之比；
[0152] 并且，顶层油温和误差预测模块中，Susa热路模型预测误差 通过如下公式计算得到：
[0153]
[0154] 其中， 为训练样本中Ti时刻变压器的顶层油温。
[0155] 作为本发明的基于误差预测修正的变压器顶层油温预测装置的一种改进，训练模块包括：
[0156] 输入单元，用于将输入向量xi输入KELM模型，其中：
[0157]
[0158] I(i)和θamb(i)分别为第i个训练样本Ti时刻的负载电流和环境温度，I(i-1)、θamb(i-1)和 分别为第i-1个训练样本Ti-1时刻的负载电流、环境温度和顶层油温，I(i-2)、θamb(i-2)和 分别为第i-2个训练样本Ti-2时刻的负载电流、环境温度和顶层油温；
[0159] 输出单元，用于得到xi对应的回归预测误差 和输出权重β，其中：
[0160]
[0161] K(xi,xj)为核函数；
[0162] 优化单元，用于采用GA对KELM模型的核参数γ和惩罚系数C进行优化，使得 的均方误差MSEΔθ最小，得到GA-KELM模型，其中：
[0163]
[0164] 上述各个单元给出了对对KELM模型进行训练的一个实施方式，能够进一步提高GA-KELM模型的精度。
[0165] 训练样本集的选取直接决定了的GA-KELM模型的精度，因此，训练样本集获取模块包括：
[0166] 数据获取单元，用于获取Ti时刻下变压器的负载电流、环境温度和顶层油温；
[0167] 数据优化单元，用于剔除明显失效的数据，并用内插值代替失效数据，得到训练样本；
[0168] 训练样本集获取单元，用于将多个训练样本组成训练样本集。
[0169] 本发明得到的训练样本集能够使得训练得到的GA-KELM模型的精度高。
[0170] 以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
