[发明专利]一种变电站一次设备多因素温度预测方法

说明书

本发明公开了一种变电站一次设备多因素温度预测方法，包括以下步骤：S1，采集设备表面温度时间序列和各影响因素时间序列；S2，根据MIE计算采集设备表面温度时间序列和各影响因素时间序列的相关性系数；S3，利用历史日与预测日多维关键影响因素间的加权MIE值筛选出相似日样本；S4，建立LSTM预测模型，挖掘关键影响因素与设备表面温度之间的映射关系，计算得到设备表面温度预测区间。计算出设备表面温度与各影响因素间的互信息熵；随后利用历史日与预测日多维影响因素间的加权互信息熵筛选出相似日样本；最后通过LSTM预测模型训练并建立关键影响因素与设备表面温度之间的映射关系，预测得到设备未来温度的上下限值，本发明预测准确度较高。

技术领域

本发明涉及变电设备技术领域，尤其是一种变电站一次设备多因素温度预测方法。

背景技术

变电环节是电网中灾害事故高发的环节，变电设备电流制热型缺陷在所有红外隐患中占比较高，近些年来，因设备温度过高而引发的热故障，造成了变电站电气设备停止运行、附近区域大范围停电甚至是严重的火灾事故。目前，大多数变电站的温度监测方式主要分为实时在线监测和短期温度预测，短期温度预测相对于实时在线监测能够提前掌握设备运行状态，防患于未然，但现有的短期预测大多仅利用设备历史温度数据来预测未来温度走势，没有综合考虑设备温度的影响因素，预测准确度较低，有效性并不高。

在实际生产中，影响设备表面温度的因素相当复杂，需要纳入考量的因素有很多，且不同的设备，其影响因素区别很大，不同设备发热散热能力不同，工作环境和设备构造不同，其预测模型区别很大，因此需要针对不同的设备，建立不同的设备温度预测模型。对于各种影响因素，若直接对所有数据进行泛性学习，不仅增加模型的计算量，难以得出训练结果，而且会导致后续预测结果不准确。现有的设备温度预测方法，较多采用点预测法，其预测结果为确定的预测点值，无法提供预测的不确定性信息。而对设备温度进行区间预测，可以提供未来时刻设备温度的波动范围(上、下限值)，在对设备状态监测以及风险评估方面，运维人员可根据预测概率区间结果做出更为科学的决策。

在中国专利文献上公开的“一种基于LSTM算法的变电设备发热预测方法”，其公开号为CN112765873B，公开了一种基于LSTM算法的变电设备发热预测方法，涉及变电设备监测技术领域，该方法包括获取影响变电设备的热点温度的数据，其中，所述数据包括正常相温度、环境温度、季节和运行电流/功率；将正常相温度、环境温度、季节和运行电流/功率作为预测模型的输入变量，将热点温度作为输出变量，基于历史数据构建数据样本集；将数据样本集进行归一化处理后按照一定比例划分成训练集和测试集；将训练集输入LSTM预测模型中，通过LSTM预测模型对训练集中的数据进行建模；根据热点温度和相对温差判断缺陷性质。该发明利用长短期记忆网络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。但是其采用点预测法，其预测结果为确定的预测点值，无法提供预测的不确定性信息。

发明内容

本发明解决了由于缺乏对设备温度的影响因素进行综合考虑导致的预测准确度较低以及有效性低的问题，提出一种变电站一次设备多因素温度预测方法，在建立基于互信息熵(Mutual Information Entropy，MIE)的相关性衡量指标基础上，计算出设备表面温度与各影响因素间的互信息熵，从而对高维相关数据进行降维处理；随后利用历史日与预测日多维影响因素间的加权互信息熵筛选出相似日样本；最后，通过长短期记忆(Long-short Term Memory，LSTM)预测模型训练并建立关键影响因素与设备表面温度之间的映射关系，预测得到设备未来温度的上下限值，本发明综合考虑设备温度的影响因素，预测准确度较高，提高供电可靠性。

为了实现上述目的，本发明采用以下技术方案：一种变电站一次设备多因素温度预测方法，包括以下步骤：

S1，采集设备表面温度时间序列和各影响因素时间序列；

S2，根据MIE计算采集设备表面温度时间序列和各影响因素时间序列的相关性系数；

S3，利用历史日与预测日多维关键影响因素间的加权MIE值筛选出相似日样本；