[发明专利]一种变压器群平均寿命损失的监测方法

摘要

本发明公开了一种变压器群平均寿命损失的监测方法，包括以下步骤：获取变压器实测的热点温度、环境温度、负载电流数据；基于遗传编程建立显式的热点温度预测模型；结合所建热点预测模型及相对老化率模型计算变压器相对老化率；由相对老化率和寿命损失模型计算得出变压器平均寿命损失；根据变电所实时监测的环境温度、负载电流，实时监测同一线路或同一区域下同等容量型号变压器群的平均寿命损失。本发明的有益效果在于，仅需变电所实时监测的环境温度及负载电流，即可实现变压器平均寿命损失的在线监测；根据同一线路或同一区域中同等容量型号变压器的相似热特性及负荷特性，可实现该类变压器群平均寿命损失的批量监测。

主权项

1.一种变压器群平均寿命损失的监测方法，其特征在于，包括以下步骤：第一步、依据实测的变压器负载电流、环境温度，结合热点温度预测模型，计算热点温度；第二步、根据相对老化率模型计算变压器相对老化率，如下：式中，V为相对老化率，θhs为热点温度；第三步、根据变压器相对老化率和寿命损失模型，计算变压器平均寿命损失，如下：式中，L为平均寿命损失，t1为测量的起始时间，t2为测量的终止时间，T为寿命损失的时间段，T＝t2‑t1；第四步、依据变电所监测变压器群中每台变压器的负载电流、环境温度，结合第一步到第三步，计算每台变压器的平均寿命损失，进而实现变压器群平均寿命损失的监测；第一步中所述热点温度预测模型的获取方法如下：(1)、获取一台装设光纤测温设备的变压器的热点温度、环境温度、负载电流数据；(2)、设定热点温度预测模型的基本框架如下：式中，θhs为热点温度；Ipu为负载系数，θamb为环境温度，t表示时间变量；(3)、计算(1)中所获取的热点温度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，进一步将热点温度微分值、热点温度、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，建立显式的热点温度预测模型，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；所述遗传编程算法运行控制参数包括：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Nm、适应度函数权系数α1和α2、交叉概率Pc及变异概率Pm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，其中适应度函数设置如下：式中，Jg,i为第g代种群中第i个函数个体的计算值，R(k)为训练集中的热点温度微分值，M为训练集大小，即训练集的数据组数，N1为函数个体的节点数，εmax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，其中遗传操作包括函数个体的交叉及变异，对于交叉概率Pc、变异概率Pm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，其中终止规则具体设置为：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：|Fmax(Jg,i+1)‑Fmax(Jg,i)|＜γ式中Fmax(Jg,i+1)和Fmax(Jg,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热点温度预测模型；(5)、将预测集中负载系数、环境温度输入热点温度预测模型，预测变压器热点温度，并利用下式计算预测模型得到的热点温度预测值和预测集中的热点温度值二者的平均绝对误差MAE、平均相对误差MRE及拟合优度R2，若模型预测的平均绝对误差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，且选定该模型作为最终热点温度预测模型；否则视为预测精度不达标，改变遗传编程算法运行控制参数的取值，重复第(4)步至第(5)步，直到选定预测精度达标的热点温度预测模型；式中，n为数据点数，f_i为通过预测模型得到的热点温度预测值，y_i为预测集中的热点温度的实测值，为预测集中热点温度的平均值；第四步所述变压器群平均寿命损失的监测是指对变压器群中每一台变压器分别进行平均寿命损失的监测，其中的变压器群是指同一线路或同一区域下，同种容量型号的多台变压器。