买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：沈阳工程学院

摘要：本发明是一种基于数据驱动的专用变压器私自增容在线监测方法，其特点是，包括：数据降维处理方法；基于DBSCAN聚类的数据清洗方法、一次电流与二次电流的回归关系的电流修正方法以及基于ELM算法的电压修正方法；基于LSTM‑FCM的负载率模型训练方法，利用长短期记忆网络嵌套模糊C均值聚类法训练出对应类别的负载率计算模型。具有科学合理，实用性强，监测结果准确、快速、可靠性高的优点，能够实现智能化，维护电网安全与稳定运行。

主权项：1.一种基于数据驱动的专用变压器私自增容在线监测方法，其特征是，所述方法包括：1数据降维处理方法，变压器的运行数据具有电压、电流和功率若干个特征，即其数据特征具有多个维度，运行数据中存在大量异常数据，其表现为单一特征异常或整体特征异常，需要对运行数据进行清洗，对运行数据进行清洗则需要数据降维处理，降高维度的数据映射至低维的空间中，以使用低维度的数据，保留更多的原始数据特性；2基于DBSCAN聚类的数据清洗方法、一次电流与二次电流的回归关系的电流修正方法以及基于ELM算法的电压修正方法；修正原则为认定一次电流无异常，通过已降维的特征数据利用具有噪声的基于密度的聚类法Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN进行数据清洗所得到最优数据集，利用最优数据集的电流数据拟合一、二次电流关系修正二次电流，进一步的应用极限学习机算法ExtremeLearningMachine,ELM训练一次电流，二次电流到一次电压，二次电压的回归模型对异常电压数据进行修正；3基于LSTM-FCM的负载率模型训练方法，利用长短期记忆Longshort-termmemory,LSTM网络嵌套模糊C均值聚类法FuzzyC-means，FCM训练出对应类别的负载率计算模型；所述步骤1数据降维处理方法，是对变压器包括一次电压U1、二次电压U2、一次电流I1以及二次电流I2采集的四维特征运行数据，由变压器T型等效电路推导线性降维公式进行数据降维处理，降为二维数据，具体为式1：按照变压器T型等值电路，由基尔霍夫定律，得到变压器一二次侧平衡方程为： 式中：为一次绕组的感应电动势；为二次绕组感应电动势；为一次电流；为二次电流；为励磁电流；为一次电压；为二次电压；Z1为一次侧阻抗，即R1+jX1；Z2为二次侧阻抗，即R2+jX2；Z21为二次侧阻抗在一次侧的折算值，即R21+jX21；Zm为励磁阻抗，即Rm+jXm；由变压器一二次侧平衡方程推导出： 其中Z1+Z21为短路阻抗Zk，由式3和4可以得出，短路阻抗Zk应满足下列关系： 式中：k为变压器变比；由变压器的一次电压U1、二次电压U2、一次电流I1以及二次电流I2计算出一个代替短路阻抗的数值，而当变压器的容量变化时变压器的短路阻抗必定会发生变化，而对于变压器异常数据而言，无论是单一数据异常还是整体数据异常都会与式5所得结果对比短路阻抗Zk的数值会发生偏离，因此，将式5所得公式作为特征方程，将变压器四维特征运行数据映射至二维平面观察数据，特征方程为： 式中：x和y为所映射的二维平面的x轴坐标与y轴坐标；式3的计算结果视为该变压器的短路阻抗加上一个与二次电流相关的变量，式4的计算结果视为该变压器的短路阻抗减去一个与一次电流相关的变量，若将式6和式7组成的数据点看做该变压器的一个工作点，那么此工作点将分布在以x＝Zk、y＝Zk为原点的二维平面的第四象限，且随着变压器负荷的逐渐增加，即一二次电流的逐渐增加，计算结果所对应的变压器的工作点将逐渐向x＝Zk、y＝Zk逼近，由此可知，正常数据通过式6和式7映射后会在二维平面上以x＝Zk、y＝Zk原点的第四象限密集分布，异常数据通过式6和式7的计算将偏离此区域或在另一区域密集分布，完成了变压器的数据降维映射；所述步骤2基于DBSCAN聚类的数据清洗方法、一次电流与二次电流的回归关系的电流修正方法以及基于ELM算法的电压修正方法，是将变压器的数据降维映射后的变压器特征二维数据利用DBSCAN-ELM进行数据修正，其中包括基于DBSCAN的数据清洗方法、一次电流与二次电流的回归关系的电流修正方法以及基于ELM的数据修正方法；基于DBSCAN聚类方法能把临近的密度高的区域练成一片形成簇，将已降维后的变压器特征二维数据利用DBSCAN聚类后推出，使变压器正常运行数据、异常运行数据和增容运行数据均是属于不同密度的簇，且正常运行的簇密度为最大，利用DBSCAN聚类方法，将异常运行数据清洗掉，保留正常运行数据作为最优数据集；在最优数据集确定以后，需对被清洗的异常运行数据进行补充，得到变压器全时间段的正常数据样本，首先是进行二次电流的修正，一次电流与二次电流之间的函数关系为： 式中：为一次电流；为二次电流；为励磁电流；k为变压器变比；根据式8的函数关系可拟合出一个关于一次电流和二次电流的函数图像，是一条不过原点的直线，将数据集中的一次电流和二次电流数值代入此函数关系式中，正常运行数据所表示的点在这条直线上，而异常运行数据所表示的点偏离这条直线，将一次电流作为正常值，由式8将数据集中的二次电流进行修正；基于ELM的数据修正方法，是利用DBSCAN聚类方法清洗后保留下来的最优数据集做模型训练集，由式2进一步得出： 式中：为一次电流；为二次电流；k为变压器变比；为一次电压；为二次电压；Z1为一次侧阻抗，即R1+jX1；Z2为二次侧阻抗，即R2+jX2；同一台变压器的k、Z1和Z2均属于不变参数，能够看出U1、U2和I1、I2互成回归，因此基于ELM算法能够训练出由一次电流，二次电流到一次电压，二次电压的回归模型，此回归模型能够将变压器的异常电压数据进行修正，将修正后的数据集汇总到变压器正常运行数据中，即可作为变压器全时间段的正常数据样本；所述步骤3基于LSTM-FCM的负载率模型训练方法，利用长短期记忆Longshort-termmemory，LSTM网络嵌套模糊C均值聚类法FuzzyC-means，FCM训练出对应类别的负载率计算模型包括：基于LSTM的负载率模型构建方法，扩容行为往往带动了多种电气参量综合变化，为提升模型的精度，由变压器的一次电流I1、二次电流I2、一次电流U1和二次电流U2基本特征量进一步推出的不平衡电流Iu、二次侧电压偏离度ΔU2以及一次功角作为补充特征，以一小时粒度级的I1、ΔU2、Iu日数据作为一个时间序列样本，则一个时序样本的表示为： 从求解回归问题的角度出发，以一次视在功率除以变压器报备容量作为变压器负载率的监测值，作为特征，负载率作为问题的解Y，专用变压器扩容和未扩容时的X与Y间的回归关系是不同的，对于专用变压器的扩容监测，能够利用此专用变压器的历史数据搭建未扩容的负载率计算模型，利用所述模型作为监测扩容的工具，当此专用变压器出现扩容行为时，其特征会出现综合变化，导致计算结果出现偏离，实现扩容监测，负载率与特征之间的回归关系为：Y＝W×X+b11式中：W为权值矩阵；b为偏置；LSTM增加了“门”的机制来实现记忆信息的选择性传递，网络的正向传播过程输出一个时刻的网络计算值与细胞记忆并按时间顺序传递至下一时刻，令为t时刻采集点的输入特征；yt-1为t-1时刻的计算值，Oforget、Oinput、Oout为遗忘门、输入门、输出门的输出；ct-1为t-1时刻的细胞状态，则t时刻的yt与ct的计算公式为： 式中：Wf、Wi1、Wi2、Wo为对应支路上xt与隐含层的权值矩阵；WL为隐含层至输出层的权值矩阵；Vf、Vi1、Vi2、Vo为对应支路上yt-1与隐含层的权值矩阵；bf、bi、bo为对应支路上门的偏置；ct为t时刻的细胞状态；sig为sigmid激活函数；tanh为tanh激活函数；×乘代表两个行列数相同的矩阵相同位置元素相乘；按式12输入一个时间序列样本X＝[x1,x2,...,xt]，网络按时间排序依次计算出对应的负载率结果Y＝[y1,y2,...,yt]，由负载率监测值L＝[l1,l2,...,lt]计算出误差E＝[e1,e2,...,et]，LSTM网络的反向传播算法为梯度下降法，由误差et对权值矩阵求偏导，乘学习率α使权值矩阵更新，直至et→0，反向传播公式为： 式中：W'和V'为更新后的权值矩阵；上标T代表矩阵转置；式12和13中变量的关系为： 式中:LSTM代表经LSTM网络的正向计算；采用嵌套FCM聚类对负载率监测值L＝[l1,l2,...,lt]做预处理，将类别一致的负载率监测曲线所对应的时序样本X划分为一个样本集合，按类别集合训练对应的LSTM网络模型，从而使不同样本中同一时刻的lt和lt-1之间的规律一致，减小训练过程中的et；将t＝24的负载率日监测数据Li＝[l1,l2,...,lt]为一个数据样本，n个Li构成向量T＝[L1,L2,...,Ln]T，c为类别数，vk＝[lv1,lv2,...,lvt]表示第k类的聚类中心，U是其相似分类矩阵，那么构造一个目标函数来求其最优值便可以得到聚类结果，目标函数Jb公式为： 式中：dik是欧式距离，即Li与vk之间的距离；m是样本的特征数，即m＝t＝24；b是加权参数，通常取b＝2；μik是样本Li对第k类的隶属度；d.为距离函数；模糊C均值聚类方法的约束条件为： 用拉格朗日乘子法解决有约束条件的求极值问题，构造拉格朗日函数F为： 式中：λ是拉格朗日乘子，代表当约束条件变动时，目标函数极值的变化；分别对μik、νk和λ求偏导，推出隶属度μik和聚类中心νk的计算公式，即

全文数据：

权利要求：

百度查询： 沈阳工程学院 一种基于数据驱动的专用变压器私自增容在线监测方法