[发明专利]一种确定自冷型油浸式变压器热驱动力的方法

权利要求书

1.一种确定自冷型油浸式变压器热驱动力的方法，其特征在于，包括如下步骤：

第一步、获取自冷型油浸式变压器的油流密度ρ_oil、油流膨胀系数β_oil、冷热芯高位差Δh；

第二步、利用热驱动力Δp_d计算模型计算自冷型油浸式变压器闭合回路内的油流热驱动力，模型如下：

Δp_d＝ρ_oilgβ_oilΔhΔθ

式中，g为重力加速度，Δθ为顶层油温与底层油温的油温差；

所述油温差Δθ通过监测变压器运行中负载电流和环境温度，结合油温差预测模型计算得到；

所述油温差预测模型的获得方式包括如下步骤：

(1)获取一台装设光纤测温设备的油浸式变压器实测的顶层油温、底层油温、环境温度、负载电流数据，进一步将顶层油温减去底层油温得到油温差数据；

(2)设定油浸式变压器油温差预测模型的基本框架如下：

式中，I_pu为负载系数，θ_amb表示环境温度，t表示时间变量；

(3)计算(1)中获取的油温差数据在时间上的微分值并将负载电流比上额定电流得到负载系数I_pu(k)，所获取的环境温度数据θ_amb(k)不变，其中k表示离散时间变量，即所得数据为采样得到的一组离散值，进一步将油温差微分值、油温差、负载系数及环境温度数据划分为训练集和预测集；

(4)采用遗传编程算法对训练集数据进行驱动建模，建立显式的油温差预测模型，具体如下：

1)初始化种群：设置遗传编程算法运行控制参数，由算法随机生成具有Z个函数个体的初代种群；

所述算法控制参数包括种群的函数个体数目Z、训练代数G、满足遗传编程终止规则所设阈值γ、函数个体的最大节点数N_m、适应度函数权系数α₁和α₂、交叉概率P_c及变异概率P_m的初始值、函数集、叶节点；

2)基于训练集数据通过适应度函数计算函数个体适应度大小，适应度值越小，函数个体越优；

所述用于计算函数个体适应度大小的适应度函数设置如下：

式中，J_g,_i为第g代种群中第i个函数个体的计算值，R(k)为训练集中的油温差微分值，M为训练集大小，即训练集的数据组数，N为函数个体的节点数，ε_max为当前函数个体计算的最大平均绝对误差，α₁和α₂为适应度函数权系数；

3)选择：由轮盘赌法选择出用于进行遗传操作的函数个体；

4)对选出的函数个体执行遗传操作，生成下代种群；

所述遗传操作包括函数个体的交叉及变异，其中交叉概率P_c、变异概率P_m将随着进化迭代不断地自适应变化，函数个体适应度越小，其被分配的交叉、变异概率越大；

5)重复执行以上第2)至第4)步，直到满足算法终止规则为止；

所述的算法终止规则，具体为：

①相邻两代最大适应度值的差值达到预先设定的阈值γ，即：

|F_max(J_g,i+1)-F_max(J_g,i)|≤γ

式中F_max(J_g,i+1)和F_max(J_g,i)分别为相邻两代的最大适应度值；

②进化到预先确定的训练代数G；

满足以上其中一条规则即终止遗传编程算法的建模运行过程；

6)将遗传编程算法最后一代中适应度值最小的函数个体作为油温差预测模型；

(5)将预测集中负载系数、环境温度输入油温差预测模型，得到油温差的预测值，并利用下式计算油温差预测值与预测集中油温差实测值的平均绝对误差MAE、平均相对误差MRE及拟合优度R²，验证模型预测精度及准确性；

式中，n为数据点数，f_i为通过预测模型得到的油温差预测值，y_i为预测集中的油温差实测值，为预测集中油温差的平均值；

(6)若(5)中预测集验证的模型的预测精度达标，则选定该模型作为最终的油温差预测模型；若其预测精度不达标，则重复(4)、(5)，直到选定预测精度达标的最终油温差预测模型；

所述预测精度达标与否的判定标准具体设定为：若平均绝对误差MAE小于2℃，平均相对误差MRE小于1.20％且拟合优度R²大于0.9，则预测精度达标，否则视为预测精度不达标。