专变私下扩容行为不仅侵犯了电力企业的利益,还会影响电网的安全运行。目前专变扩容监测的方法由于需要人为选取多组一二次侧电压电流做数据拟合,不能达到可监督和智能化的要求。该文以数据驱动的方式开展专变扩容监测研究,分析了当变...专变私下扩容行为不仅侵犯了电力企业的利益,还会影响电网的安全运行。目前专变扩容监测的方法由于需要人为选取多组一二次侧电压电流做数据拟合,不能达到可监督和智能化的要求。该文以数据驱动的方式开展专变扩容监测研究,分析了当变压器负载不变时扩容行为引起多种电气参量的综合变化,并确定以一次电流、二次电压偏离度、功率因数、三相不平衡电流作为特征训练负载率计算模型,将负载率计算值与监测值的误差作为判断扩容的依据。进一步提出基于长短期记忆(long short term memory,LSTM)网络嵌套模糊C均值(fuzzy-C-mean,FCM)聚类的扩容监测方法,应用真实用电采集系统数据进行算例分析,结果表明基于LSTM-FCM聚类的负载率计算模型,负载率计算误差在5%以内,单次计算的时间在0.05s左右,可以达到监测专变扩容的目的。展开更多
变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为...变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为特征量,提出了一种基于长短时记忆(Long Short Term Memory Network,LSTM)网络算法的变压器顶层油温预测模型。以变电站真实数据做实例仿真分析,训练所提的LSTM预测模型,并选取5个随机样本进行预测;同时,分别搭建BP神经网络(BPNN)和循环神经网络(RNN)预测模型对相同样本做预测,并截取前30时刻预测数据与LSTM模型的预测值做对比。仿真结果表明,基于LSTM的温度预测模型的计算精度最高,误差率控制在5%以内,预测值与实际值变化趋势基本一致。该模型可有效实现变压器顶层油温的预测。展开更多
文摘专变私下扩容行为不仅侵犯了电力企业的利益,还会影响电网的安全运行。目前专变扩容监测的方法由于需要人为选取多组一二次侧电压电流做数据拟合,不能达到可监督和智能化的要求。该文以数据驱动的方式开展专变扩容监测研究,分析了当变压器负载不变时扩容行为引起多种电气参量的综合变化,并确定以一次电流、二次电压偏离度、功率因数、三相不平衡电流作为特征训练负载率计算模型,将负载率计算值与监测值的误差作为判断扩容的依据。进一步提出基于长短期记忆(long short term memory,LSTM)网络嵌套模糊C均值(fuzzy-C-mean,FCM)聚类的扩容监测方法,应用真实用电采集系统数据进行算例分析,结果表明基于LSTM-FCM聚类的负载率计算模型,负载率计算误差在5%以内,单次计算的时间在0.05s左右,可以达到监测专变扩容的目的。
文摘变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为特征量,提出了一种基于长短时记忆(Long Short Term Memory Network,LSTM)网络算法的变压器顶层油温预测模型。以变电站真实数据做实例仿真分析,训练所提的LSTM预测模型,并选取5个随机样本进行预测;同时,分别搭建BP神经网络(BPNN)和循环神经网络(RNN)预测模型对相同样本做预测,并截取前30时刻预测数据与LSTM模型的预测值做对比。仿真结果表明,基于LSTM的温度预测模型的计算精度最高,误差率控制在5%以内,预测值与实际值变化趋势基本一致。该模型可有效实现变压器顶层油温的预测。
