基于LSTM算法的变电设备发热预测技术研究

苏 宁，李亚锦，张婉莹，张国新，于大洋，刘英男

（1.海南电网有限责任公司琼海供电局，海南 琼海 571400；2.山东大学电气工程学院，山东 济南 250061）

0 引言

人工智能的红外图像识别技术［1］能够识别红外测温图像中的发热点并计算温差指标，在机器人巡检中能够代替人工发现缺陷［2］。但针对变电设备发热的诊断是在缺陷发生后，单纯依靠温差阈值［3］仅能判断设备的当前状态，无法对其发热趋势进行跟踪预测。环境温度和负载升高，有可能导致设备绝对温度的进一步升高，缺陷由一般发展为严重缺陷，但在迎峰度夏、度冬封网期间，设备不易停电处理。因此需要新的手段对变电设备热点温度、相对温差进行预测，在迎峰度夏之前进行预见性检修。

设备状态并不能单纯依据红外测温指标来评判，还要结合设备的电压等级、厂家型号、运行年限、环境天气等运行因素做出综合评价和判断［4-8］。这种分析需要依赖运维检修人员的经验和专业水平，需要长期积累，并且因人而异，难以实现标准化，难以保证延续性。而且在运维实际中，这些多维度、多来源的数据往往不完整，存在大量错误信息，给缺陷的综合评判带来困难。

当前人工智能的关键技术已应用到设备运维检修中［9-10］，并取得了一定的诊断效果。针对设备状态预测方法包括基于时间序列的回归分析模型［11］、支持向量机［12］、多维度评价［13-14］和深度学习［15-17］等算法。但基于时间序列的回归模型是以线性模型为基础，难以满足变电设备运行状态多维非线性特性。支持向量机虽然具有一定的泛化能力，但随着变电设备运行状态特征因素的增多，将影响模型预测精度。而基于深度学习的预测方法使模型具有非线性表达能力，其中长短期记忆网络（Long Short Term Memory，LSTM）［18］可以更好地实现长时间序列的分析与趋势预测。文献［19］利用LSTM 的方法对变压器的运行状态做出了预测，文献［20］验证了LSTM 预测模型在故障时间序列中具有很强的适用性。上述研究为大数据背景下的变电设备运行状态评估提供了思路。

在上述背景下，以变电设备历史运行功率、热点温度、环境温度等检测数据为基础，利用LSTM 算法预测多源因素影响下设备热点温度，实现设备热点温度发展趋势和缺陷严重程度的动态预测，对变电设备运维检修方案的制订提供参考。

1 LSTM算法

采用LSTM 模型建立输入映射到输出的内在关联。LSTM 是一种递归型神经网络，精确控制LSTM记忆单元上一个时间步长到下一个时间步长的步距，解决了梯度消失或者爆炸的问题。LSTM单元结构如图1所示。

图1 LSTM的拓扑结构

图1中，Yt和Qt是输入向量和隐藏层向量，Bt是记忆单元的状态向量，Bt通过Yt和Qt判断是否从上一时间段更新到下一时间段，jt表示输入门，gt表示遗忘门，ut表示输出门。

遗忘门gt的值可以表示为

式中：Wg和cg分别为遗忘门gt的系数和偏移；α是激活函数。式（1）计算出遗忘门gt能够沿着图中的信息流逐点将gt和Bt相乘来控制记忆单元中包含的信息量。

输入门jt的值可以表示为

式中：Wj和cj分别为输入门jt的系数和偏移，由神经网络训练得到。式（2）计算出输入门jt能够沿着图中的信息流逐点将jt和相乘来控制记忆单元中暂时包含的信息量。的计算公式为

式中：Wb和cb分别为～Bt的系数和偏移，由神经网络训练得到。

最终记忆单元在此时刻的状态由式（4）决定。

更新后的新值通过输出门决定当前神经网络的隐藏层，同样，输出门ut的表达式为

式中：Wu和cu分别为输出门ut的系数和偏移，由神经网络训练得到。

隐藏层Qt由输出门ut和Bt逐点相乘得到，即为

综上可知，LSTM 网络可以动态更新网络蕴含值信息，并从当前时刻传递到下一时刻。

2 基于LSTM的热点温度预测流程

算法模型具体应用流程为：

1）模型输入输出变量的选取。根据热点温度影响因素，选取正常相温度、环境温度、季节、运行电流/功率，作为预测模型的输入变量，输出变量为热点温度。基于历史数据构建数据样本集。将数据集数据进行归一化，并按照一定比例划分成训练集和测试集。

2）将训练数据输入LSTM 预测模型中，通过LSTM 对训练集中的数据进行建模，确定LSTM 网络输入的节点数和隐含层神经元个数以及输出结果，由tanh 和sigmoid 函数的输出相乘得到网络的输出热点温度。tanh 和sigmoid 激活函数用于将数值控制在-1至1之间，可表示为：

在每个层级，LSTM 模型训练采用随时间反向传播（Back Propagation Through Time，BPTT）算法提升其对时间序列的学习能力，选取对数似然函数作为损失函数。输入层的神经元个数选取为4 个，输入的时序变量为｛x1，x2，…，xT｝，其中在采样时刻t神经元的输入时间序列为xt［It（1），It（2），It（3），It（4）］。输出变量为热点温度。神经网络选择2 层LSTM，最后连接一个全连接层后通过一个激活函数作为最终的输出。

训练过程中为评估预测值和实际值之间的偏差大小，选取平均绝对误差作为损失函数评价训练效果。以损失函数值最小为目标不断训练优化神经网络参数，直到达到较好效果并保存训练模型。平均绝对误差计算方法为

式中：m为样本数；yt和͂t为t时刻热点温度的实际值和预测值。

3）将t 时刻的正常相温度、环境温度、季节、运行电流状态参数输入步骤2）中的训练模型，得到t+1 时刻热点温度的预测值。

4）根据热点温度和相对温差判断缺陷性质。相对温差计算公式为

式中：T1为预测的热点温度；T2正常相温度；T0为环境温度。T2和T0选取历史同期时的检测数据。

搜集2015年至2020年的多组设备同一部位发热数据进行分析，数据间隔为1 个月。根据检测时间将春夏秋冬四个季节因素分别转换成1、2、3、4 量化的变量。输入的样本数据如表1所示。

表1 数据样本

基于LSTM 算法的预测模型建立在Python3.6 环境以及Keras、Scikit⁃learn、Tensorflow 等函数库。将训练样本集中的状态监测信息作为网络的输入，对网络模型进行离线训练，首先对参数进行初始化，设置学习步长为0.01，输入维度为4，输出层节点个数为1，权重参数矩阵所有元素初始化为（-1，1），将误差限值设置为1×10-2，设置迭代次数为500次，对样本进行离线训练，从而得到热点温度预测模型。热点温度预测模型流程如图2所示。

图2 热点温度预测模型流程

以某800 kV 换流站A、B、C 三相历史数据为例，采用监测和运维数据共计1 745条数据，前1 545项数据作为训练集，后200 项数据作为测试集输入预测模型。选取绕组正常相温度、环境温度、整流侧有功功率为状态变量，预测每一相的绕组温度。

以预测A相绕组温度变化为例，训练数据集的损失值收敛速度很快，如图3 所示，迭代20 次之后损失值便接近预期水平，迭代40 次之后损失值稳定在最低水平0.008 4，满足最低误差要求，所有训练样本误差小于阈值。

图3 A相绕组温度预测损失值

如图4 所示为A 相绕组温度真实值和预测值的情况，可以看出真实值和预测值的波形和走势基本一致，重合程度高，预测值的振幅略小于真实值，尤其当真实值的振动幅度较大时，预测值难以达到真实值的变化速度，当真实值波动较为稳定时，曲线贴合程度较高。总体来看，预测具有较高的准确性。

图4 A相绕组温度真实值和预测值

3 实例分析

将训练模型应用到变电站设备热点温度趋势预测中。2019 年8 月对某220 kV 变电站1 号变压器进行红外测温，图5为红外检测图谱。发现110 kV侧套管B 相柱头存在发热，最高温度为71 ℃，相对温差为69.5%，判断为一般缺陷。10 月进行复测，最高温度为73.6 ℃，相对温差为71.5%，温度虽然有所上升，但仍未达到严重缺陷。随后按照检测周期继续跟踪检测，不同时间的检测数据如表2所示。

图5 检测图谱

分析表2 的检测数据可知，环境温度和负载的降低，导致设备的绝对温度降低，但发热缺陷仍未消失。且随着环境温度和负载的升高，相对温差已达到79.59%，接近严重缺陷指标80%。利用上述训练好的LSTM热点温度预测模型，根据历史同期正常相温度、环境温度、季节、运行电流数据输入模型，两组输入数据如表3 所示。根据预测模型最终得到相应的热点温度，分别为82.3 ℃和94.3 ℃。计算相对温差分别为81.5%、58.6%。根据缺陷严重程度判断标准，90 ℃≤热点温度≤130 ℃或δ≥80%但热点温度未达紧急缺陷温度值，判断1 号主变压器110 kV 侧套管B 相柱头发热属于严重缺陷。

表2 1号主变压器110 kV侧套管B相柱头数据样本

表3 历史同期检测数据

根据LSTM 热点温度预测可知，随着环境温度和负载的升高，缺陷由一般发展为严重缺陷。而在迎峰度夏期间，不易停电处理。通过对变电设备热点温度、相对温差进行预测，在迎峰度夏之前可进行预见性检修。根据运维知识库可知，该部位发热的原因可能是柱头老化、松动，按照检修工艺对柱头连接处进行打磨，涂抹导电膏，更换并紧固螺栓，消除缺陷。

将上述方法应用到其他设备发热预警上，检测和预测数据如表4 所示。110 kV 变电站1 号主变压器35 kV 侧B 相套管接线柱随着季节下降，热点温度未下降，该缺陷已为严重缺陷，需在秋检期间尽快消除，否则在迎峰度冬期间产生安全隐患。

表4 110 kV变电站1号主变压器35 kV侧B相套管接线柱数据

图6 110 kV变电站1号主变压器35 kV侧B相套管接线柱数据

4 结语

在充分考虑变电设备发热受运行工况影响的基础上，利用LSTM 构建变电设备热点温度预测模型，解决无法跟踪预测发热趋势的运维现状。通过热点温度预测模型，可获取在环境温度和负载升高的工况下热点温度状态值，根据缺陷判断导则判定缺陷性质，从而提前消缺。仿真结果表明，建立的温度预测模型可有效的预测热点温度发展趋势，辅助现场人员在迎峰度夏之前进行预见性检修。