[发明专利]一种基于LSTM的换流变油位异常预警方法和系统

说明书

本发明实施例提供了一种基于LSTM的换流变油位异常预警方法和系统，包括：数据库定义步骤，用于定义系统需要的数据模型；样本确定步骤，用于导入历史数据以作为学习的基础样本，并输出油位预测的基础模型；数据采集步骤，用于通过换流站内的通信网络，采集换流变油位、油温、环境温度、换流变功率；预测步骤，用于根据设置好的预测所需的数据条数获取最新的换流变油位数据集；动态学习步骤，用于读取训练周期，并按照设置好的时间间隔，从数据库中获取预定时间的数据作为训练样本，按照基础模型设置好的参数训练，完成后输出模型文件。

技术领域

本发明属于涉及信息技术领域，尤其涉及一种基于LSTM的换流变油位异常预警方法和系统，属于特高压直流输电方面的数据诊断技术，可使用于电力系统变压器、换流变预警等相关领域。

背景技术

换流变本体及分接头开关的油温是换流变重要的监控参量。由于变压器油的热胀冷缩效应，油位会随着变压器油温而变化，变压器箱体外渗漏油会造成油位降低。除渗漏油外，换流变的油位变化主要是油温变化引起的热胀冷缩造成的，而换流变油温主要取决于环境温度和自身负荷的大小，特高压换流变含有较多的油，昼夜温差以及季节温度温差会引起油位的较大变化。

目前换流变油位的异常诊断方法主要有两种方式，一种是越限报警方式，系统设置一个阈值，采集到的数据如果超过阈值，则输出油位异常报警信息，这种方式相对比较单一。另一种方式是采集的数据与设备厂家给的油温、油温曲线进行对比，如果偏离给定的曲线，则输出油位的预警，这种方式没有考虑环境变化和实际功率的影响。这两种方式应用比较广泛。

发明内容

针对现有技术中存在的问题，本公开实施例提出了一种基于LSTM(长短期记忆人工神经网络)深度学习的方法，通过模型训练预测换流变油位，然后判断预测值与实际值的差值是否越限，从而实现换流变油位异常预警的方法。

为了解决上述问题，本公开实施例提出了一种基于LSTM的换流变油位异常预警方法，包括：

数据库定义步骤，用于定义系统需要的数据模型，存储配置信息，存储换流变油位、油温、环境温度、换流变功率、流变油位的预测值、是否异常报警信息；具体包括：对象ID属性，属性名为Obj_Id，属性类型为Int；数据采集时间属性，属性名为Data_Time，属性类型为Int；设备名称属性，属性名为Device_Name，属性类型为String；换流变油位属性，属性名为Oil_level，属性类型为Float；换流变油温属性，属性名为Oil_temp，属性类型为Float；换流变功率属性，属性名为Oil_temp，属性类型为Float；环境温度属性，属性名为temperature，属性类型为Float；油位预测值属性，属性名为Pre_Oil_level，属性类型为Float；是否报警属性，属性名为Is_alarm，属性类型为Int；

样本确定步骤，用于导入历史数据以作为学习的基础样本；将样本按照7:3的比例划分为训练集和测试集，把训练集送入LSTM进行训练，训练次数设置为500，网络学习率设置为0.02，使用ADAM进行权重优化，将各项参数调整到最优、保存，输出油位预测的基础模型；其中所述油位预测的基础模型至少包括以下属性：对象ID属性，属性名为Obj_Id，属性类型为Int；阈值属性，属性名为Diff_Limit，属性类型为Float；学习周期属性，属性名为Learn_cycle，属性类型为Int；

数据采集步骤，用于通过换流站内的通信网络，采集换流变油位、油温、环境温度、换流变功率，采集间隔为2小时；将采集的数据写入数据库，然后调用预测步骤以预测油位；其中所述数据包括：换流变油位、换流变油温、换流变功率、环境温度；

预测步骤，用于根据设置好的预测所需的数据条数获取最新的换流变油位数据集；然后将换流变油位数据集输入到油位预测的基础模型，以预测换流变油位，获取实际值的对象ID属性Obj_Id，将预测值更新到数据表，同时计算实际值和预测值的差值，并与配置表中设定的阈值进行比较，如果超过阈值，将该条记录的Is_alarm字段置为1；