[发明专利]一种变压器实时热点温度预测方法

权利要求书

1.一种变压器实时热点温度预测方法，其特征在于，包括以下步骤：

S1、获取变压器的负荷电流、环境温度、顶层油温、实时热点温度的历史数据，对历史数据进行预处理生成训练样本集和测试样本集；

S2、建立SVR预测模型；

S3、采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练；

S4、将测试样本输入到S3中训练好的SVR中进行预测，得到变压器实时热点温度预测值；

步骤S1中获取历史数据，且对历史数据进行预处理生成训练样本集和测试样本集的过程为：

变压器的特征参数有：负荷电流、环境温度、顶层油温、实时热点温度，将上述特征参数的历史数据分为训练样本集和测试样本集；

训练样本集Tr_n中每个样本将预测前两个时刻的负荷电流、环境温度、顶层油温的值作为输入，表示为其中m为预测模型输入个数，这里m＝6，将预测时刻对应的实时热点温度作为输出，表示为l的取值由预测模型输出个数决定，这里l＝1；n为样本集中第n个样本；

测试样本集Te_n的选取方式与训练样本集Tr_n的选取方式相同；

步骤S2中建立SVR预测模型的过程为：

SVR通过目标函数最小化来确定回归函数：

f(x_i)-y_i≤ε+ξ_i

s.t.y_i-f(x_i)≤ε+ξ_i

ξ_i,

式中：w为权重矢量，w∈Rⁿ；f(x_i)为SVR预测输出值，y_i为SVR目标输出值；C是惩罚系数；ξ_i、为松弛因子；ε为不敏感损失系数；在所述回归函数中引入拉格朗日乘子，将其转化为以下对偶问题的求解：

且

式中：K(x_i,x_j)为核函数，满足Mercer条件；a_i和a_i^*为拉格朗日乘子；求解上式得到最优回归函数为：

其中，b为截距项，b∈R；

步骤S3采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练的过程为：

S31、参数初始化：

设置算法的种群规模M，粒子维度D，最大迭代次数T_max，SVR模型需优化的参数包括惩罚系数C和核函数参数σ，则生成算法初始种群：

其中，d表示1至D维的第d维，M为种群大小，共M个粒子，粒子维度D＝2，即初始种群表示为：X_i＝[C_i,σ_i]；

S32、设置训练目标函数如下式，即粒子的适应度值函数：

式中：p_t、分别是实际热点温度和预测热点温度；T为训练样本数；

S33、粒子X_i在解空间第t次迭代过程中：

S331、根据下式计算个体的万有引力惯性质量：

式中，fit_i(t)和M_i(t)分别表示第t次迭代时第i个粒子的适应度值函数和惯性质量，best(t)和worst(t)分别表示在第t次迭代时所有个体中最优适应度值和最差适应度值；

S332、根据下式计算每个个体力的总和：

式中，为在第t次迭代时，在第d维上，粒子j对粒子i的引力；F_i^d(t)为在第t次迭代时，在第d维上，个体i所受合力；M_aj和M_pi分别为粒子j的万有引力惯性质量和粒子i的万有引力惯性质量；表示在第t次迭代时，第i个粒子的第d维；表示在第t次迭代时，第j个粒子的第d维；δ为固定值，G(t)为万有引力时间常数，rand为在[0,1]之间的随机数，kbest为一开始适应度值最好的个体的数集；

S333、根据下式计算粒子万有引力加速度：

式中，为在第t次迭代时，在第d维上，粒子i的万有引力加速度；

S334、根据下式计算每个粒子的速度和位置：

式中，为第t次迭代时，第i个粒子第d维的速度；

这里对上式进行改进，改进后如下：

式中，w_max和w_min为权重的最大值和最小值；w(t)表示第t次迭代时，粒子的速度更新权重；

所以更新种群中所有粒子的位置如下式：

S34、在原始引力搜索算法的基础上加入变异机制，使算法在后期迭代时跳出布局最优，具体实现方式如下：

若rand＜P_t，则执行变异机制：

式中，k为[0,1]间的递减向量，N(0,1)为均值为0、方差为1的正态分布；

表示执行变异机制后的粒子种群；

S35、在原始引力搜索算法的基础上加入自然选择的优胜劣汰机制，具体实现方式如下：即选取种群适应度值排名前10％的粒子替换掉适应度值排名后10％的粒子，提高算法收敛速度；

S36、终止条件判断：

达到系统设定最大迭代次数后，算法搜索停止，算法所输出的最优解值即为最优的SVR参数值；否则，t＝t+1，跳入步骤S33进入下一次迭代。