技术领域
[0001] 本发明涉及变压器实时热点温度预测领域，尤其涉及一种变压器实时热点温度预测方法。
相关背景技术
[0002] 电力变压器热点温度是反映变压器健康状况的重要数据，变压器在过高的热点温度下运行，将严重影响变压器寿命和运行安全性。现有的变压器热点温度研究方法主要包括基于变压器测温系统的热点温度实时监测，基于经验公式法、热路模型法和数值模拟法的热点温度计算及基于智能学习算法的变压器热点温度预测三大类。目前较为常用的变压器热点温度预测方法主要包括神经网络、支持向量机、模糊神经系统及Kalman滤波算法等方法。支持向量机是基于统计理论的先进智能监督学习分类方法，通过寻求结构化风险最小来提高学习机泛化能力，将经验风险和置信区间最小化，其在解决小样本的高维非线性函数拟合问题时具有优势，但有文献指出选择合适的模型参数和核参数对支持向量机模型的学习和泛化能力尤为重要，会对预测模型的准确性产生直接的影响。在支持向量机的参数寻优研究中，已有学者提出了遗传算法、粒子群算法和引力搜索算法等方法，有效解决了支持向量机参数选择难的问题，可有效提高支持向量机的预测性能。虽然有文献研究表明引力搜索算法的优化性能与其他智能算法相比有较大的提高，但在大多数情况下，引力搜索算法也只能收敛到某区域最优值，存在局部化最优问题。因此，本发明提出一种基于改进引力搜索算法优化支持向量机的变压器实时热点温度预测方法。
具体实施方式
[0075] 附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
[0076] 实施例1：
[0077] 如图1所示，一种变压器实时热点温度预测方法，包括以下步骤：
[0078] S1、获取变压器的负荷电流、环境温度、顶层油温、实时热点温度的历史数据，对历史数据进行预处理生成训练样本集和测试样本集；
[0079] S2、建立SVR预测模型；
[0080] S3、采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练；
[0081] S4、将测试样本输入到S3中训练好的SVR中进行预测，得到变压器实时热点温度预测值。
[0082] 在本实施例中，步骤S1中获取历史数据，且对历史数据进行预处理生成训练样本集和测试样本集的过程为：
[0083] 变压器的特征参数有：负荷电流、环境温度、顶层油温、实时热点温度，将上述特征参数的历史数据分为训练样本集和测试样本集；
[0084] 训练样本集Trn中每个样本将预测前两个时刻的负荷电流、环境温度、顶层油温的值作为输入，表示为 其中m为预测模型输入个数，这里m＝6，将预测时刻对应的实时热点温度作为输出，表示为 l的取值由预测模型输出个数决定，这里l＝1；n为样本集中第n个样本；
[0085] 测试样本集Ten的选取方式与训练样本集Trn的选取方式相同。
[0086] 在本实施例中，步骤S2中建立SVR预测模型的过程为：
[0087] SVR通过目标函数最小化来确定回归函数：
[0088] min
[0089] f(xi)-yi≤ε+ξi
[0090] s.t. yi-f(xi)≤ε+ξi
[0091] i＝1,2,Λ,n
[0092] 式中：w为权重矢量，w∈Rn；f(xi)为SVR预测输出值，yi为SVR目标输出值；C是惩罚系数；ξi、 为松弛因子；ε为不敏感损失系数。
[0093] 在上述的回归函数中引入拉格朗日乘子，将其转化为以下对偶问题的求解：
[0094] min
[0095] s.t. 且
[0096] 式中：K(xi,xj)为核函数，满足Mercer条件；ai和 为拉格朗日乘子；求解上式得到最优回归函数为：
[0097]
[0098] 其中，b为截距项，b∈R。
[0099] 在本实施例中，步骤S3采用改进引力搜索算法对SVR的参数进行优化，并输入训练样本进行训练的过程为：
[0100] S31、参数初始化:
[0101] 设置算法的种群规模M，粒子维度D，最大迭代次数Tmax，SVR模型需优化的参数包括惩罚系数C和核函数参数σ，则生成算法初始种群：
[0102] i＝1,2,...,M
[0103] 其中，d表示1至D维的第d维，M为种群大小，共M个粒子，粒子维度D＝2，即初始种群也可表示为：Xi＝[Ci,σi]；
[0104] S32、设置训练目标函数如下式，即粒子的适应度值函数：
[0105]
[0106] 式中：pt、 分别是实际热点温度和预测热点温度；T为训练样本数；
[0107] S33、粒子Xi在解空间第t次迭代过程中：
[0108] S331、根据下式计算个体的万有引力惯性质量：
[0109]
[0110] i＝1,2,...,N
[0111] 式中，fiti(t)和Mi(t)分别表示第t次迭代时第i个粒子的适应度值函数和惯性质量，best(t)和worst(t)分别表示在第t次迭代时所有个体中最优适应度值和最差适应度值；
[0112] S332、根据下式计算每个个体力的总和：
[0113]
[0114]
[0115] 式中， 为在第t次迭代时，在第d维上，粒子j对粒子i的引力；Fid(t)为在第t次迭代时，在第d维上，个体i所受合力；Maj和Mpi分别为粒子j的万有引力惯性质量和粒子i的万有引力惯性质量； 表示在第t次迭代时，第i个粒子的第d维； 表示在第t次迭代时，第j个粒子的第d维；δ为固定值，G(t)为万有引力时间常数，rand为在[0,1]之间的随机数，kbest为一开始适应度值最好的个体的数集；
[0116] S333、根据下式计算粒子万有引力加速度：
[0117]
[0118] 式中， 为在第t次迭代时，在第d维上，粒子i的万有引力加速度；
[0119] S334、根据下式计算每个粒子的速度和位置：
[0120]
[0121] 式中， 为第t次迭代时，第i个粒子第d维的速度；
[0122] 这里对上式进行改进，改进后如下：
[0123]
[0124]
[0125] 式中，wmax和wmin为权重的最大值和最小值；w(t)表示第t次迭代时，粒子的速度更新权重；
[0126] 所以更新种群中所有粒子的位置如下式：
[0127]
[0128] S34、在原始引力搜索算法的基础上加入变异机制，使算法在后期迭代时跳出布局最优，具体实现方式如下：
[0129] 若rand
[0130]
[0131]
[0132] 式中，k为[0,1]间的递减向量，N(0,1)为均值为0、方差为1的正态分布； 表示执行变异机制后的粒子种群；
[0133] S35、在原始引力搜索算法的基础上加入自然选择的优胜劣汰机制，具体实现方式如下：即选取种群适应度值排名前10％的粒子替换掉适应度值排名后10％的粒子，提高算法收敛速度；
[0134] S36、终止条件判断：
[0135] 达到系统设定最大迭代次数后，算法搜索停止，算法所输出的最优解值即为最优的SVR参数值；否则，t＝t+1，跳入步骤S33进入下一次迭代。
[0136] 在本实施例中，核函数K(xi,xj)采用径向基核函数：
[0137] K(x,xi)＝exp(-||x-xi||2/2σ2)
[0138] 式中，σ为核函数参数。
[0139] 在本实施例中，步骤S1中变压器的负荷电流的历史数据从操作人员在以往的变压器中监测得到的负荷电流数据记录中提取。
[0140] 在本实施例中，步骤S1中变压器的环境温度的历史数据从操作人员在以往的变压器中监测得到的环境温度数据记录中提取。
[0141] 在本实施例中，步骤S1中变压器的顶层油温的历史数据从操作人员在以往的变压器中监测得到的顶层油温数据记录中提取。
[0142] 在本实施例中，步骤S1中变压器的实时热点温度的历史数据从操作人员在以往的变压器中监测得到的实时热点温度数据记录中提取。
[0143] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
