基于LSTM的箱式變壓器高壓套管溫度預(yù)測(cè)

黃夢(mèng)輝,蔣濤,董建軍,王奎,趙洪山

(1.國(guó)網(wǎng)陵川縣供電公司,山西 陵川 048300; 2.國(guó)網(wǎng)晉城供電公司,山西 晉城 048000;3.華北電力大學(xué)(保定)電力工程系,河北 保定 071000)

0 引 言

電力變壓器套管是變壓器的重要組成部分之一,且箱式變壓器由于所處環(huán)境封閉、散熱性能差而導(dǎo)致變壓器各部件溫度較高,其套管事故率約占變壓器事故率的9.9%[1]。因此,對(duì)變壓器套管進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)和預(yù)測(cè)其溫度未來(lái)變化趨勢(shì)實(shí)現(xiàn)套管溫度故障預(yù)警,與此同時(shí),可以有效防止變壓器過熱等事故發(fā)生,提高變壓器運(yùn)行的安全性。

目前國(guó)內(nèi)外學(xué)者對(duì)電氣設(shè)備各狀態(tài)量的預(yù)測(cè)方法可以概括為三大類:統(tǒng)計(jì)預(yù)測(cè)法、有限元數(shù)值分析法和人工智能預(yù)測(cè)法。

統(tǒng)計(jì)預(yù)測(cè)法主要包含灰色預(yù)測(cè)模型、時(shí)間序列預(yù)測(cè)模型和模糊預(yù)測(cè)模型等,文獻(xiàn)[2]采用基于灰色模型的方法對(duì)變壓器中長(zhǎng)期的油溫進(jìn)行預(yù)測(cè),文獻(xiàn)[3]在考慮多影響因素基礎(chǔ)上,建立多變量時(shí)間序列的短期負(fù)荷預(yù)測(cè)模型,文獻(xiàn)[4]提出改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)變壓器繞組熱點(diǎn)溫度,統(tǒng)計(jì)預(yù)測(cè)法的特點(diǎn)在于其預(yù)測(cè)結(jié)果準(zhǔn)確率非常依賴所用數(shù)據(jù)集的分布特點(diǎn)。有限元數(shù)值分析法是通過有限元分析軟件對(duì)所研究對(duì)象搭建相關(guān)物理模型,文獻(xiàn)[5]通過三維電磁-熱-流耦合場(chǎng)對(duì)變壓器套管溫度場(chǎng)分布進(jìn)行分析,文獻(xiàn)[6]通過ANSYS軟件提出一種3D耦合電磁流體熱分析法預(yù)測(cè)油浸式變壓器的鐵芯溫度,有限元法用于模擬復(fù)雜的研究對(duì)象物理結(jié)構(gòu)分析其耦合場(chǎng),該方法操作復(fù)雜,計(jì)算量大。人工智能預(yù)測(cè)法是通過計(jì)算機(jī)對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理分析再建立預(yù)測(cè)模型,常見的有隨機(jī)森林[7],人工神經(jīng)網(wǎng)絡(luò)[8-9],支持向量機(jī)[10]等。傳統(tǒng)人工智能預(yù)測(cè)算法在處理非線性預(yù)測(cè)問題時(shí)精度有限,預(yù)測(cè)誤差較大,隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)具有循環(huán)反饋的網(wǎng)絡(luò)結(jié)構(gòu),在語(yǔ)音識(shí)別、股票預(yù)測(cè)等領(lǐng)域應(yīng)用廣泛[11-12]。作為RNN變體之一的LSTM神經(jīng)網(wǎng)絡(luò),解決了普通RNN在訓(xùn)練過程中存在對(duì)的梯度爆炸和消失的問題,可以更好的訓(xùn)練網(wǎng)絡(luò)參數(shù),提高預(yù)測(cè)精度,在多因素影響的溫度預(yù)測(cè)方面,LSTM通過引入門控機(jī)制來(lái)控制信息的輸入,有選擇性的加入新的信息和遺忘之前累積的信息,相比于其他算法,LSTM在處理非線性和時(shí)滯性的溫度預(yù)測(cè)問題中有更強(qiáng)的適應(yīng)性和泛化能力。

文中首先分析箱式變壓器高壓套管的熱流,然后,將LSTM算法應(yīng)用在箱式變壓器高壓套管溫度預(yù)測(cè)研究中,能夠較好的解決箱式變壓器高壓套管溫度預(yù)測(cè)中存在的非線性和時(shí)滯問題,最后,結(jié)合山西省某小區(qū)箱式變壓器10 kV～380 V高壓套管的在線監(jiān)測(cè)平臺(tái),驗(yàn)證了所提方法的有效性和可行性,對(duì)比仿真結(jié)果表明,與普通RNN和SVM方法相比,平均誤差分別降低27.4%和36.3%,本文所提方法預(yù)測(cè)精度更高和泛化能力更強(qiáng)。

1 箱式變壓器高壓套管熱源分析

某小區(qū)箱式變壓器高壓套管內(nèi)部由中心導(dǎo)桿、油、油浸紙芯子、瓷套等組成,其結(jié)構(gòu)如圖 1 所示。套管內(nèi)部各部分會(huì)存在溫度差異,通過熱量交換而形成熱流。變壓器套管的熱流傳播特性主要分為三種方式:熱傳導(dǎo)、熱輻射和熱對(duì)流[13],內(nèi)部熱流如圖1所示。

圖1 套管內(nèi)部熱流

2 基于LSTM箱式變壓器高壓套管溫度預(yù)測(cè)模型

2.1 LSTM理論

由于變壓器高壓套管溫度存在非線性、大時(shí)滯等特征,而LSTM網(wǎng)絡(luò)結(jié)構(gòu)包含許多非線性單元,相對(duì)于傳統(tǒng)模型對(duì)特征的表達(dá)更加細(xì)致,適合解決復(fù)雜環(huán)境條件下的非線性和時(shí)滯性問題[14-15],故文中提出一種基于LSTM箱式變壓器高壓套管溫度預(yù)測(cè)模型。LSTM網(wǎng)絡(luò)的基本單元中包含遺忘門、輸入門和輸出門[16],其基本結(jié)構(gòu)如圖2所示。

圖2 LSTM網(wǎng)絡(luò)的基本單元

LSTM網(wǎng)絡(luò)遺忘門中遺忘部分由輸入xt、狀態(tài)記憶單元Ct-1和中間輸出ht-1三者共同決定。輸入門中的xt經(jīng)過sigmoid和tanh函數(shù)后確定保留向量。更新后的Ct與ot決定輸出ht,計(jì)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預(yù)測(cè)模型輸入輸出的選取

熱量首先通過熱傳導(dǎo)形式傳遞到導(dǎo)體的表面,其次通過熱對(duì)流方式傳遞到套管陶瓷的內(nèi)壁,然后內(nèi)壁的熱量再次通過熱傳導(dǎo)方式傳遞到外壁,最終熱量通過熱輻射方式擴(kuò)散到周圍空氣。通過熱電類比理論[17]和套管溫度表現(xiàn)的歷史溫度相似性[18],得到套管溫度θpor主要與套管載流導(dǎo)體負(fù)載電流,電壓,環(huán)境溫度,歷史套管溫度相關(guān)。

以變壓器高壓套管導(dǎo)體負(fù)載電流、環(huán)境溫度、電壓、前一周同一時(shí)刻變壓器高壓套管溫度、前一天同時(shí)刻高壓套管溫度為特征值對(duì)高壓套管溫度進(jìn)行溫度預(yù)測(cè),即基于LSTM的箱式變壓器高壓套管溫度預(yù)測(cè)模型的輸入向量xt=(I、U、θamb、θ1、θ2),輸出為ht=θpor。其中,I、U、θamb、θ1、θ2分別表示變壓器高壓套管導(dǎo)體負(fù)載電流、電壓、環(huán)境溫度、前一周同一時(shí)刻變壓器高壓套管溫度、前一天同時(shí)刻變壓器高壓套管溫度。

2.3 基于LSTM箱式變壓器高壓套管溫度預(yù)測(cè)模型的實(shí)現(xiàn)歩驟

基于LSTM的箱式變壓器高壓套管溫度預(yù)測(cè)方法實(shí)現(xiàn)歩驟如下:

Step1:測(cè)量和統(tǒng)計(jì)現(xiàn)場(chǎng)所建模型輸入指標(biāo)的歷史數(shù)據(jù),組成多維輸入變量,取負(fù)載電流I,電壓U,環(huán)境溫度θamb和前一周同一時(shí)刻變壓器高壓套管溫度θ1、前一天同時(shí)刻變壓器高壓套管溫度θ2作為模型的輸入,變壓器高壓套管當(dāng)前時(shí)刻溫度θpor作為模型的輸出;

Step2:將樣本數(shù)據(jù)采用最大最小歸一化處理,映射到[0,1]之間,其中歸一化的公式為:

(7)

式中x*為歸一化后的數(shù)據(jù);xmin和xmax分別為樣本數(shù)據(jù)集的最小值和最大值;x為原始樣本數(shù)據(jù);

Step3:將樣本數(shù)據(jù)集劃分為訓(xùn)練集與測(cè)試集;

Step4:根據(jù)輸入變量個(gè)數(shù)和輸出變量個(gè)數(shù)決定LSTM輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)的個(gè)數(shù),設(shè)定合適的隱藏層節(jié)點(diǎn)個(gè)數(shù)和學(xué)習(xí)率,建立LSTM短期電力負(fù)荷預(yù)測(cè)模型;

Step5:通過訓(xùn)練樣本,對(duì)建立的LSTM變壓器高壓套管溫度預(yù)測(cè)模型進(jìn)行訓(xùn)練,獲取使得預(yù)測(cè)變壓器高壓套管溫度與實(shí)際變壓器高壓套管溫度之間最小二乘誤差E最小時(shí)的最優(yōu)LSTM預(yù)測(cè)模型參數(shù)。

(8)

式中n表示訓(xùn)練集的樣本容量;Xact(i)和Xpred(i)為第i時(shí)刻高壓套管溫度的真實(shí)值和訓(xùn)練輸出值;

Step6:獲得最優(yōu)參數(shù)的LSTM變壓器高壓套管溫度預(yù)測(cè)模型后,對(duì)測(cè)試集樣本進(jìn)行預(yù)測(cè),獲得待預(yù)測(cè)的變壓器高壓套管溫度預(yù)測(cè)值,將預(yù)測(cè)結(jié)果按照第3節(jié)所給的評(píng)價(jià)指標(biāo)評(píng)估預(yù)測(cè)的準(zhǔn)確性。

基于LSTM變壓器高壓套管溫度預(yù)測(cè)方法流程圖如圖3所示。

圖3 LSTM變壓器高壓套管溫度預(yù)測(cè)方法流程圖

3 模型評(píng)價(jià)標(biāo)準(zhǔn)

為了準(zhǔn)確驗(yàn)證所提基于LSTM的箱式變壓器高壓套管溫度預(yù)測(cè)模型的預(yù)測(cè)性能,將平均絕對(duì)百分比誤差(yMAPE)、均方根誤差(yRMSE)、預(yù)測(cè)精度(yFA)和決定系數(shù)R2視為模型的評(píng)價(jià)指標(biāo)[19],其中yMAPE與yRMSE數(shù)值越小、yFA數(shù)值越大、R2的值越靠近1,表示模型預(yù)測(cè)結(jié)果越準(zhǔn)確,相關(guān)指標(biāo)計(jì)算公式如下:

(9)

(10)

(11)

(12)

4 算例分析

算例通過紅外測(cè)溫技術(shù)采集山西省某小區(qū)10 kV～380 V箱式變壓器高壓套管的現(xiàn)場(chǎng)數(shù)據(jù),構(gòu)建基于LSTM變壓器高壓套管溫度預(yù)測(cè)模型,對(duì)箱式變壓器高壓套管溫度進(jìn)行預(yù)測(cè),最后將實(shí)驗(yàn)結(jié)果與普通RNN和SVM網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,分析不同模型的預(yù)測(cè)精度,驗(yàn)證本文所提基于LSTM箱式變壓器高壓套管溫度預(yù)測(cè)模型的可行性與有效性。

4.1 數(shù)據(jù)處理

(1)異常數(shù)據(jù)處理

歷史數(shù)據(jù)因通信錯(cuò)誤或者數(shù)據(jù)丟失等原因而出現(xiàn)數(shù)據(jù)異常,會(huì)對(duì)模型的預(yù)測(cè)精度產(chǎn)生一定影響,本文根據(jù)文獻(xiàn)[20-21]提供的修正法和解析法補(bǔ)充缺失數(shù)據(jù)補(bǔ)充和修復(fù)錯(cuò)誤數(shù)據(jù)。

(2)數(shù)據(jù)標(biāo)準(zhǔn)化

采用式(7)標(biāo)準(zhǔn)化。

(3)訓(xùn)練集和測(cè)試集劃分

樣本數(shù)據(jù)為該小區(qū)箱式變壓器2020年6月1日到2020年7月7日的現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù),采樣頻率為1 h,以2020年6月1日到2020年6月30日的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集,以2020年7月1日到7月7日的數(shù)據(jù)集作為測(cè)試數(shù)據(jù)集。

4.2 LSTM網(wǎng)絡(luò)模型參數(shù)選擇

利用訓(xùn)練集樣本數(shù)據(jù)構(gòu)建LSTM網(wǎng)絡(luò),結(jié)合文獻(xiàn)[22-23]將LSTM模型中學(xué)習(xí)率設(shè)置為0.01、隱藏層節(jié)點(diǎn)個(gè)數(shù)可由經(jīng)驗(yàn)式(13)進(jìn)一步通過控制變量的方法[24],不斷調(diào)試神經(jīng)元個(gè)數(shù)確定節(jié)點(diǎn)個(gè)數(shù)的選取,實(shí)驗(yàn)結(jié)果如表1所示。

表1 模型參數(shù)實(shí)驗(yàn)結(jié)果

最終選取神經(jīng)元的個(gè)數(shù)為8。

(13)

式中p和q分別為輸出層和輸入層的節(jié)點(diǎn)數(shù);a為[0,9]之間的常數(shù),本文p、q分別取1和5,故隱藏層節(jié)點(diǎn)m為[2,12]之間的常數(shù)。

LSTM模型的相關(guān)參數(shù)選擇如表2所示。

表2 LSTM模型參數(shù)選擇

4.3 結(jié)果分析

通過所提方法對(duì)箱式變壓器高壓套管溫度進(jìn)行預(yù)測(cè),并將結(jié)果與SVM,普通RNN方法預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,得到如圖4所示的LSTM與其他算法預(yù)測(cè)2020年7月1日到2020年7月7日溫度對(duì)比圖、圖5所示的采用LSTM和其他算法預(yù)測(cè)變壓器高壓套管溫度誤差圖。

圖4 LSTM、RNN和SVM預(yù)測(cè)2020年7月1日到2020年7月7日溫度對(duì)比

圖5 LSTM、RNN和SVM預(yù)測(cè)2020年7月1日到2020年7月7日套管溫度誤差率

為更清晰,更直觀體現(xiàn)各算法預(yù)測(cè)變壓器高壓套管溫度和真實(shí)溫度的對(duì)比情況,以7月1日的預(yù)測(cè)結(jié)果為例,各方法的預(yù)測(cè)結(jié)果對(duì)比如圖6所示。

圖6 LSTM、RNN和SVM預(yù)測(cè)2020年7月1日套管溫度對(duì)比

結(jié)合圖4～圖6,可以分析出本文所提方法預(yù)測(cè)得到的變壓器高壓套管溫度預(yù)測(cè)曲線精度最高,預(yù)測(cè)誤差小,與實(shí)際曲線變化趨勢(shì)基本一致,具有更好的泛化能力,驗(yàn)證了本文所提方法的準(zhǔn)確性和可行性。

為了突出LSTM算法在變壓器高壓套管溫度預(yù)測(cè)精度方面的優(yōu)勢(shì),記錄不同算法(LSTM,普通RNN,SVM)預(yù)測(cè)變壓器高壓套管溫度的預(yù)測(cè)結(jié)果,定量比較各算法預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)參數(shù),對(duì)比結(jié)果如表3所示。

表3 不同預(yù)測(cè)模型評(píng)價(jià)指標(biāo)對(duì)比

分析可知:相較于普通RNN和SVM預(yù)測(cè)模型,LSTM預(yù)測(cè)模型的yMAPE指標(biāo)分別降低了27.4%和36.3%,yRMSE指標(biāo)分別降低了25.1%和35.6%,yFA分別提高了0.52%和0.79%,說(shuō)明LSTM算法可以更好地把握待高壓套管溫度與輸入特征之間的非線性關(guān)系;由決定系數(shù)R2的計(jì)算結(jié)果可知:采用LSTM算法預(yù)測(cè)結(jié)果的決定系數(shù)值為0.963,R2最接近于1,相比其他方法,本文所提方法預(yù)測(cè)結(jié)果更優(yōu)。

5 結(jié)束語(yǔ)

為解決因箱式變壓器環(huán)境封閉、散熱性能差而導(dǎo)致變壓器各部件溫度較高,影響設(shè)備變壓器安全問題運(yùn)行的問題,提出了基于LSTM箱式變壓器高壓套管溫度預(yù)測(cè)模型,利用紅外傳感技術(shù)對(duì)箱式變壓器高壓套管與環(huán)境進(jìn)行在線監(jiān)測(cè),研究結(jié)果表明,LSTM網(wǎng)絡(luò)很好地適用于具有非線性和時(shí)滯特性的箱式變壓器高壓套管預(yù)測(cè)問題中,解決了有限元法復(fù)雜,計(jì)算量大的問題,相較于其他預(yù)測(cè)算法,本文構(gòu)建的模型預(yù)測(cè)精度高,與實(shí)際溫度變化趨勢(shì)基本一致,具有很好的泛化能力,可以為變壓器高壓套管溫度的預(yù)測(cè)提供一種有效途徑。