[发明专利]变压器绕组热点温度预测方法及终端设备

权利要求书

1.一种变压器绕组热点温度预测方法，其特征在于，包括：

采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；

根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；

采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；

根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测；

所述根据粒子群算法和所述样本数据训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数包括：

确定人工网络模型的输入向量和输出向量，并对所述样本数据进行预处理；

确定人工神经网络的结构参数和激励函数；

根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数。

2.如权利要求1所述的变压器绕组热点温度预测方法，其特征在于，所述根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型的具体流程包括：

对所有粒子进行初始化处理，设置各个粒子的初始位置和初始速度；

根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数；

对于每个粒子，将粒子的适应值和粒子所经历过的最优位置进行比较；若粒子的适应值优于粒子所经历过的最优位置，则将粒子的适应值作为粒子当前的最优位置，并将粒子的适应度与种群所经历过的最优位置进行比较；若粒子的适应度优于种群所经历过的最优位置，则将粒子的适应值作为种群当前的最优位置；

调整各个粒子的位置向量和速度向量；

将新粒子加入到种群中，计算新粒子的适应度函数；

判断终止条件是否成立，若终止条件不成立，则跳转执行根据所述适应度函数计算各个粒子的适应值和各个粒子的目标函数的步骤；若终止条件成立，则终止迭代。

3.如权利要求1所述的变压器绕组热点温度预测方法，其特征在于，所述适应度函数为：

其中，n是样本数据的样本个数；y^d_j,i是第i个样本的第j个网络输出节点的理想输出值；y_j,i是第i个样本的第j个网络输出节点的实际输出值；c是网络输出神经元的个数。

4.如权利要求1至3任一项所述的变压器绕组热点温度预测方法，其特征在于，所述粒子群算法的行为参数包括位置向量、速度向量、学习因子和种群数量；其中，所述位置向量的范围为-1至1，所述速度向量的范围为-5至5，所述学习因子中c1＝2.8，c2＝1.3，所述种群数量的范围为20至50。

5.一种变压器绕组热点温度预测装置，其特征在于，包括：

第一采集模块，用于采集变压器绕组热点的温度数据，将采集到的温度数据作为样本数据；

训练模块，用于根据粒子群算法和所述样本数据训练人工神经网络模型，得到所述人工神经网络模型的最优模型参数，将基于所述最优模型参数的人工神经网络模型作为预测模型；

第二采集模块，用于采集变压器的运行参数和结构参数；所述运行参数包括上层油温、绕组温度、环境温度和运行负荷数据，所述结构参数包括绕组布置形式、绕组容量、冷却方式和绕组绝缘材质；

预测模块，用于根据所述运行参数、所述结构参数和所述预测模型，对变压器进行绕组热点温度预测；

所述训练模块包括：

预处理单元，用于确定人工网络模型的输入向量和输出向量，并对所述样本数据进行预处理；

确定单元，用于确定人工神经网络的结构参数和激励函数；

训练单元，用于根据粒子群算法、预处理后的样本数据和适应度函数训练所述人工神经网络模型，得到所述人工神经网络模型的最优模型参数。