[发明专利]一种确定变压器动态热点系数的方法

摘要

本发明公开了一种确定变压器动态热点系数的方法，包括以下步骤：获取变压器内部温度、环境温度、负载电流数据，基于遗传编程建立热点温升与绕组平均温度梯度动态预测模型；结合两个预测模型和热点系数计算公式，实现对动态热点系数的确定。本发明的有益效果在于，结合变压器运行中在线监测的环境温度及负载电流，可实时确定热点系数的动态变化值；所确定的动态热点系数可动态地反映绕组顶部附加损耗的变化以及绕组顶部局部液体流动均匀性。

主权项

1.一种确定变压器动态热点系数的方法，其特征在于，包括以下步骤：第一步、结合热点温升预测模型、绕组平均温度梯度预测模型和变电所监测的变压器负载电流、环境温度，计算动态热点温升及绕组平均温度梯度；第二步、依据热点系数计算公式，确定变压器动态热点系数：式中，H为热点系数，Δθhs为热点温升，g为绕组平均温度梯度，t表示时间变量；所述热点温升预测模型的建立步骤如下：(1)、测得一台装设光纤测温设备的变压器的热点温度、顶层油温、环境温度、负载电流数据；(2)、根据第(1)步得到的实测数据，由下式计算出热点温升数据；Δθhs(k)＝θhs(k)‑θtop(k)式中，Δθhs为热点温升，θhs为热点温度，θtop是顶层油温，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；(3)、设定热点温升预测模型的基本框架如下：式中，Δθhs为热点温升，Ipu为负载系数，θamb为环境温度；(4)、计算(2)中得到的热点温升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，进一步将热点温升微分值、热点温升、负载系数及环境温度数据划分为训练集和预测集；(5)、采用遗传编程算法对训练集数据进行驱动建模，建立显式的热点温升预测模型，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升微分值，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，而交叉概率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)步至第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升预测模型；(6)、将预测集中负载系数、环境温度输入热点升预测模型，预测变压器热点温升，并利用下式计算预测模型得到的热点温升预测值和预测集中的热点温升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升预测模型；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(5)步至第(6)步，直到选定预测精度达标的热点温升预测模型；式中，n为数据点数，f_i为通过预测模型得到的热点温升预测值，y_i为预测集中的热点温升实测值，为预测集中热点温升的平均值；所述绕组平均温度梯度预测模型的建立步骤如下：(1)、获得建立热点温升预测模型所用变压器的顶层油温、底层油温、绕组平均温度、环境温度、负载电流数据；(2)、根据第(1)步得到的实测数据，由下式计算出绕组平均温度梯度数据；式中，g为绕组平均温度梯度，θtop是顶层油温，θbot是底层油温，θwind是绕组平均温度，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；(3)、设定绕组平均温度梯度预测模型的基本框架如下：式中，Ipu为负载系数，θamb为环境温度，g为绕组平均温度梯度，t表示时间变量；(4)、按照建立热点温升预测模型相同的方法，即建立热点温升预测模型的步骤(4)、(5)和(6)，建立绕组平均温度梯度预测模型。