基于LSTM的箱式变压器高压套管温度预测

黄梦辉,蒋涛,董建军,王奎,赵洪山

(1.国网陵川县供电公司,山西 陵川 048300; 2.国网晋城供电公司,山西 晋城 048000;3.华北电力大学(保定)电力工程系,河北 保定 071000)

0 引 言

电力变压器套管是变压器的重要组成部分之一,且箱式变压器由于所处环境封闭、散热性能差而导致变压器各部件温度较高,其套管事故率约占变压器事故率的9.9%[1]。因此,对变压器套管进行实时在线监测和预测其温度未来变化趋势实现套管温度故障预警,与此同时,可以有效防止变压器过热等事故发生,提高变压器运行的安全性。

目前国内外学者对电气设备各状态量的预测方法可以概括为三大类:统计预测法、有限元数值分析法和人工智能预测法。

统计预测法主要包含灰色预测模型、时间序列预测模型和模糊预测模型等,文献[2]采用基于灰色模型的方法对变压器中长期的油温进行预测,文献[3]在考虑多影响因素基础上,建立多变量时间序列的短期负荷预测模型,文献[4]提出改进的模糊神经网络算法预测变压器绕组热点温度,统计预测法的特点在于其预测结果准确率非常依赖所用数据集的分布特点。有限元数值分析法是通过有限元分析软件对所研究对象搭建相关物理模型,文献[5]通过三维电磁-热-流耦合场对变压器套管温度场分布进行分析,文献[6]通过ANSYS软件提出一种3D耦合电磁流体热分析法预测油浸式变压器的铁芯温度,有限元法用于模拟复杂的研究对象物理结构分析其耦合场,该方法操作复杂,计算量大。人工智能预测法是通过计算机对监测数据进行处理分析再建立预测模型,常见的有随机森林[7],人工神经网络[8-9],支持向量机[10]等。传统人工智能预测算法在处理非线性预测问题时精度有限,预测误差较大,随着深度学习技术的不断发展,循环神经网络(RNN)具有循环反馈的网络结构,在语音识别、股票预测等领域应用广泛[11-12]。作为RNN变体之一的LSTM神经网络,解决了普通RNN在训练过程中存在对的梯度爆炸和消失的问题,可以更好的训练网络参数,提高预测精度,在多因素影响的温度预测方面,LSTM通过引入门控机制来控制信息的输入,有选择性的加入新的信息和遗忘之前累积的信息,相比于其他算法,LSTM在处理非线性和时滞性的温度预测问题中有更强的适应性和泛化能力。

文中首先分析箱式变压器高压套管的热流,然后,将LSTM算法应用在箱式变压器高压套管温度预测研究中,能够较好的解决箱式变压器高压套管温度预测中存在的非线性和时滞问题,最后,结合山西省某小区箱式变压器10 kV～380 V高压套管的在线监测平台,验证了所提方法的有效性和可行性,对比仿真结果表明,与普通RNN和SVM方法相比,平均误差分别降低27.4%和36.3%,本文所提方法预测精度更高和泛化能力更强。

1 箱式变压器高压套管热源分析

某小区箱式变压器高压套管内部由中心导杆、油、油浸纸芯子、瓷套等组成,其结构如图 1 所示。套管内部各部分会存在温度差异,通过热量交换而形成热流。变压器套管的热流传播特性主要分为三种方式:热传导、热辐射和热对流[13],内部热流如图1所示。

图1 套管内部热流

2 基于LSTM箱式变压器高压套管温度预测模型

2.1 LSTM理论

由于变压器高压套管温度存在非线性、大时滞等特征,而LSTM网络结构包含许多非线性单元,相对于传统模型对特征的表达更加细致,适合解决复杂环境条件下的非线性和时滞性问题[14-15],故文中提出一种基于LSTM箱式变压器高压套管温度预测模型。LSTM网络的基本单元中包含遗忘门、输入门和输出门[16],其基本结构如图2所示。

图2 LSTM网络的基本单元

LSTM网络遗忘门中遗忘部分由输入xt、状态记忆单元Ct-1和中间输出ht-1三者共同决定。输入门中的xt经过sigmoid和tanh函数后确定保留向量。更新后的Ct与ot决定输出ht,计算公式如式(1)～式(6)所示:

～it=σ(Wixxt+Wihht-1+bi)

(1)

(2)

ft=σ(Wfxxt+Wfhht-1+bf)

(3)

(4)

ot=σ(Woxxt+Wohht-1+bo)

(5)

ht=ot×tanh(Ct)

(6)

2.2 LSTM预测模型输入输出的选取

热量首先通过热传导形式传递到导体的表面,其次通过热对流方式传递到套管陶瓷的内壁,然后内壁的热量再次通过热传导方式传递到外壁,最终热量通过热辐射方式扩散到周围空气。通过热电类比理论[17]和套管温度表现的历史温度相似性[18],得到套管温度θpor主要与套管载流导体负载电流,电压,环境温度,历史套管温度相关。

以变压器高压套管导体负载电流、环境温度、电压、前一周同一时刻变压器高压套管温度、前一天同时刻高压套管温度为特征值对高压套管温度进行温度预测,即基于LSTM的箱式变压器高压套管温度预测模型的输入向量xt=(I、U、θamb、θ1、θ2),输出为ht=θpor。其中,I、U、θamb、θ1、θ2分别表示变压器高压套管导体负载电流、电压、环境温度、前一周同一时刻变压器高压套管温度、前一天同时刻变压器高压套管温度。

2.3 基于LSTM箱式变压器高压套管温度预测模型的实现歩骤

基于LSTM的箱式变压器高压套管温度预测方法实现歩骤如下:

Step1:测量和统计现场所建模型输入指标的历史数据,组成多维输入变量,取负载电流I,电压U,环境温度θamb和前一周同一时刻变压器高压套管温度θ1、前一天同时刻变压器高压套管温度θ2作为模型的输入,变压器高压套管当前时刻温度θpor作为模型的输出;

Step2:将样本数据采用最大最小归一化处理,映射到[0,1]之间,其中归一化的公式为:

(7)

式中x*为归一化后的数据;xmin和xmax分别为样本数据集的最小值和最大值;x为原始样本数据;

Step3:将样本数据集划分为训练集与测试集;

Step4:根据输入变量个数和输出变量个数决定LSTM输入节点和输出节点的个数,设定合适的隐藏层节点个数和学习率,建立LSTM短期电力负荷预测模型;

Step5:通过训练样本,对建立的LSTM变压器高压套管温度预测模型进行训练,获取使得预测变压器高压套管温度与实际变压器高压套管温度之间最小二乘误差E最小时的最优LSTM预测模型参数。

(8)

式中n表示训练集的样本容量;Xact(i)和Xpred(i)为第i时刻高压套管温度的真实值和训练输出值;

Step6:获得最优参数的LSTM变压器高压套管温度预测模型后,对测试集样本进行预测,获得待预测的变压器高压套管温度预测值,将预测结果按照第3节所给的评价指标评估预测的准确性。

基于LSTM变压器高压套管温度预测方法流程图如图3所示。

图3 LSTM变压器高压套管温度预测方法流程图

3 模型评价标准

为了准确验证所提基于LSTM的箱式变压器高压套管温度预测模型的预测性能,将平均绝对百分比误差(yMAPE)、均方根误差(yRMSE)、预测精度(yFA)和决定系数R2视为模型的评价指标[19],其中yMAPE与yRMSE数值越小、yFA数值越大、R2的值越靠近1,表示模型预测结果越准确,相关指标计算公式如下:

(9)

(10)

(11)

(12)

4 算例分析

算例通过红外测温技术采集山西省某小区10 kV～380 V箱式变压器高压套管的现场数据,构建基于LSTM变压器高压套管温度预测模型,对箱式变压器高压套管温度进行预测,最后将实验结果与普通RNN和SVM网络模型预测结果进行对比,分析不同模型的预测精度,验证本文所提基于LSTM箱式变压器高压套管温度预测模型的可行性与有效性。

4.1 数据处理

(1)异常数据处理

历史数据因通信错误或者数据丢失等原因而出现数据异常,会对模型的预测精度产生一定影响,本文根据文献[20-21]提供的修正法和解析法补充缺失数据补充和修复错误数据。

(2)数据标准化

采用式(7)标准化。

(3)训练集和测试集划分

样本数据为该小区箱式变压器2020年6月1日到2020年7月7日的现场监测数据,采样频率为1 h,以2020年6月1日到2020年6月30日的数据集作为训练数据集,以2020年7月1日到7月7日的数据集作为测试数据集。

4.2 LSTM网络模型参数选择

利用训练集样本数据构建LSTM网络,结合文献[22-23]将LSTM模型中学习率设置为0.01、隐藏层节点个数可由经验式(13)进一步通过控制变量的方法[24],不断调试神经元个数确定节点个数的选取,实验结果如表1所示。

表1 模型参数实验结果

最终选取神经元的个数为8。

(13)

式中p和q分别为输出层和输入层的节点数;a为[0,9]之间的常数,本文p、q分别取1和5,故隐藏层节点m为[2,12]之间的常数。

LSTM模型的相关参数选择如表2所示。

表2 LSTM模型参数选择

4.3 结果分析

通过所提方法对箱式变压器高压套管温度进行预测,并将结果与SVM,普通RNN方法预测结果进行对比,得到如图4所示的LSTM与其他算法预测2020年7月1日到2020年7月7日温度对比图、图5所示的采用LSTM和其他算法预测变压器高压套管温度误差图。

图4 LSTM、RNN和SVM预测2020年7月1日到2020年7月7日温度对比

图5 LSTM、RNN和SVM预测2020年7月1日到2020年7月7日套管温度误差率

为更清晰,更直观体现各算法预测变压器高压套管温度和真实温度的对比情况,以7月1日的预测结果为例,各方法的预测结果对比如图6所示。

图6 LSTM、RNN和SVM预测2020年7月1日套管温度对比

结合图4～图6,可以分析出本文所提方法预测得到的变压器高压套管温度预测曲线精度最高,预测误差小,与实际曲线变化趋势基本一致,具有更好的泛化能力,验证了本文所提方法的准确性和可行性。

为了突出LSTM算法在变压器高压套管温度预测精度方面的优势,记录不同算法(LSTM,普通RNN,SVM)预测变压器高压套管温度的预测结果,定量比较各算法预测结果的评价指标参数,对比结果如表3所示。

表3 不同预测模型评价指标对比

分析可知:相较于普通RNN和SVM预测模型,LSTM预测模型的yMAPE指标分别降低了27.4%和36.3%,yRMSE指标分别降低了25.1%和35.6%,yFA分别提高了0.52%和0.79%,说明LSTM算法可以更好地把握待高压套管温度与输入特征之间的非线性关系;由决定系数R2的计算结果可知:采用LSTM算法预测结果的决定系数值为0.963,R2最接近于1,相比其他方法,本文所提方法预测结果更优。

5 结束语

为解决因箱式变压器环境封闭、散热性能差而导致变压器各部件温度较高,影响设备变压器安全问题运行的问题,提出了基于LSTM箱式变压器高压套管温度预测模型,利用红外传感技术对箱式变压器高压套管与环境进行在线监测,研究结果表明,LSTM网络很好地适用于具有非线性和时滞特性的箱式变压器高压套管预测问题中,解决了有限元法复杂,计算量大的问题,相较于其他预测算法,本文构建的模型预测精度高,与实际温度变化趋势基本一致,具有很好的泛化能力,可以为变压器高压套管温度的预测提供一种有效途径。