甘景福 賀鵬康 李永剛

摘 要： 為了解決油浸式電力變壓器熱點(diǎn)溫度預(yù)測(cè)方法缺乏對(duì)短期熱點(diǎn)溫度走勢(shì)的預(yù)測(cè)，無法滿足動(dòng)態(tài)增容決策要求的問題，以SFPSZ-180000/220型變壓器為研究對(duì)象，首先，研究對(duì)比發(fā)現(xiàn)變壓器的熱點(diǎn)溫度與負(fù)載率相關(guān)性最大，在此基礎(chǔ)上，建立了基于支持向量回歸的局部地區(qū)負(fù)荷預(yù)測(cè)模型，為變壓器熱點(diǎn)溫度預(yù)測(cè)提供數(shù)據(jù);其次，提出了基于數(shù)據(jù)挖掘算法的變壓器熱點(diǎn)溫度時(shí)序預(yù)測(cè)方法，并在此基礎(chǔ)上分別建立了支持向量回歸、BP神經(jīng)網(wǎng)絡(luò)、決策樹3種數(shù)據(jù)挖掘預(yù)測(cè)模型;最后，對(duì)一般輸入-輸出的建模方法的預(yù)測(cè)結(jié)果與基于時(shí)間延遲方法的預(yù)測(cè)結(jié)果，以及不同時(shí)間延遲下3種數(shù)據(jù)挖掘模型的預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比分析。結(jié)果表明，有外在輸入的支持向量回歸預(yù)測(cè)模型結(jié)果比BP神經(jīng)網(wǎng)絡(luò)和決策樹吻合度更高，并且時(shí)間延時(shí)更小，預(yù)測(cè)結(jié)果精確度更高。有外在輸入的支持向量回歸預(yù)測(cè)模型在很大程度上提高了變壓器熱點(diǎn)溫度預(yù)測(cè)精度，其預(yù)測(cè)結(jié)果可為變壓器的動(dòng)態(tài)增容決策提供有效參考。

關(guān)鍵詞： 電機(jī)學(xué);油浸式電力變壓器;數(shù)據(jù)挖掘;熱點(diǎn)溫度;時(shí)序分析;支持向量回歸

中圖分類號(hào)： TM411? ?文獻(xiàn)標(biāo)識(shí)碼：? A

doi：? 10.7535/hbgykj.2020yx06002

Prediction method on time series of transformer hot-spot

temperature based on data mining algorithm

GAN Jingfu 1， HE Pengkang 2， LI Yonggang 2

（1.Tangshan Power Supply Company， State Grid Jibei Electric Power Company Limited， Tangshan， Hebei 063000， China;? 2.Department? of Electric Power Engineering， North China Electric Power University， Baoding， Hebei 071003， China）

Abstract：

In order to solve the problem that prediction method of hot-spot temperature of oil-immersed power transformer lacks the prediction of short-term hot-spot temperature trends， and can not meet the requirements of dynamic capacity-increase decision-making， the SFPSZ-180000/220 transformer was taken as the research object. Firstly， by comparison，

the hot-spot temperature and the load rate of the transformer showed? the greatest correlation， on this basis，

a? local? area load forecasting model based on support vector regression was established to provide related data for predicting the transformer hot spot temperature. Secondly， the prediction method on time series of transformer hot-spot temperature based on data mining algorithm was proposed， and three data mining prediction models of support vector regression， BP neural network， and decision tree were established. Finally，

the prediction results of

the general input-output modeling method were compared with the prediction? results? based on the time delay method and the prediction results of the three data mining models under different time delays. The results show that the prediction results of the support vector regression model with external input has the better prediction consistency， the smaller time delay and the higher accuracy comparing to that of BP neural network and decision tree. The support vector regression prediction model with external input greatly improves the prediction accuracy of transformer hot-spot temperature， and the? results can provide an effective reference for the dynamic capacity increase decision-making .

Keywords：

electrical machinery; oil-immersed power transformer; data mining; hot-spot temperature; time series analysis;? support vector regression

電力變壓器在運(yùn)行過程中其內(nèi)部溫度環(huán)境復(fù)雜且受影響因素較多，變壓器熱點(diǎn)溫度通常產(chǎn)生在其低壓繞組側(cè)，在一定程度上限制著變壓器的運(yùn)行時(shí)間以及運(yùn)行壽命，它的準(zhǔn)確計(jì)算或預(yù)測(cè)成為影響變壓器動(dòng)態(tài)增容決策的關(guān)鍵性因素。

目前關(guān)于熱點(diǎn)溫度的計(jì)算方法一般可分為兩類：熱路模型法? [1-5] 和負(fù)載導(dǎo)則計(jì)算法? [6-12] 。熱路模型法主要根據(jù)熱傳導(dǎo)理論將變壓器內(nèi)部的熱傳遞過程模擬為電路模型進(jìn)而計(jì)算出變壓器的熱點(diǎn)溫度。在此模型當(dāng)中，設(shè)變壓器熱點(diǎn)溫度隨著其高度的增加而逐漸遞增，并且油溫與其保持相對(duì)平行，建立了電力變壓器的熱點(diǎn)溫度和其頂層油溫模型;SWIFT等? [13-14] 以熱傳遞和熱電類比理論為基礎(chǔ)，搭建了電力變壓器頂層油溫的計(jì)算模型，并且給出了集總熱容與非線性熱阻的基本模型，并以此得出電力變壓器頂層油溫方程? [15] 。SUSA等? [16-18] 在此基礎(chǔ)上考慮了溫度因素對(duì)絕緣油的黏度和變壓器損耗的影響，并且根據(jù)熱電類比法得出變壓器頂層油溫和底層油溫的繞組熱點(diǎn)溫度計(jì)算模型，將模型預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比，其預(yù)測(cè)精度更高。負(fù)載導(dǎo)則計(jì)算法是根據(jù)變壓器的實(shí)測(cè)數(shù)據(jù)（環(huán)境溫度、頂層油溫、負(fù)載系數(shù)）利用國(guó)家標(biāo)準(zhǔn)（GB/T 1094.7—2008）給出的《油浸式電力變壓器負(fù)載導(dǎo)則》直接計(jì)算出變壓器的熱點(diǎn)溫度。

已有文獻(xiàn)中對(duì)于變壓器熱點(diǎn)溫度的預(yù)測(cè)研究大多是在已知負(fù)載系數(shù)的條件下，根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練或者負(fù)載導(dǎo)則計(jì)算出當(dāng)前時(shí)刻的熱點(diǎn)溫度，與實(shí)測(cè)值進(jìn)行對(duì)比，分析預(yù)測(cè)結(jié)果與實(shí)際測(cè)量值之間的誤差率、吻合度? [19] 。這些預(yù)測(cè)方法結(jié)果通常類似于更加精確的計(jì)算結(jié)果，對(duì)于預(yù)測(cè)下一時(shí)刻變壓器的熱點(diǎn)溫度趨勢(shì)變化意義不大，因此，本文提出了基于數(shù)據(jù)挖掘算法下的變壓器熱點(diǎn)溫度時(shí)序預(yù)測(cè)方法。通過對(duì)現(xiàn)場(chǎng)采集的變壓器數(shù)據(jù)進(jìn)行分析，用相關(guān)系數(shù)描述了環(huán)境溫度、負(fù)載系數(shù)、頂層油溫與熱點(diǎn)溫度之間的最大相關(guān)性，提出了對(duì)變壓器負(fù)載系數(shù)預(yù)測(cè)方案，為下一時(shí)刻變壓器熱點(diǎn)溫度趨勢(shì)分析提供了數(shù)據(jù)基礎(chǔ)。最后建立了支持向量回歸（SVR）、BP神經(jīng)網(wǎng)絡(luò)（BPNN）和決策樹（CART）3種數(shù)據(jù)挖掘算法預(yù)測(cè)變壓器熱點(diǎn)溫度的時(shí)間序列模型。在大數(shù)據(jù)挖掘、分析背景之下能夠?yàn)樽儔浩鲃?dòng)態(tài)增容工作提供有預(yù)知性、高效減負(fù)的建議和對(duì)策。

1 數(shù)據(jù)采集與挖掘算法模型

基于上述研究表明，影響熱點(diǎn)溫度的因素有很多，熱點(diǎn)溫度的變化與變壓器的運(yùn)行負(fù)荷、環(huán)境溫度、頂層油溫等因素有關(guān)。而在有相同容量變壓器的情況下，環(huán)境溫度和負(fù)載率是影響熱點(diǎn)溫度的2個(gè)重要因素。因此，通過大數(shù)據(jù)分析，尋找熱點(diǎn)溫度與負(fù)載系數(shù)、環(huán)境溫度之間的關(guān)系，從而為預(yù)測(cè)熱點(diǎn)溫度的變化趨勢(shì)與變壓器的安全運(yùn)行提供重要的數(shù)據(jù)基礎(chǔ)。

1.1 數(shù)據(jù)采集

本文選擇了一臺(tái)SFPSZ-180000/220型變壓器，通過SCADA在線監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)出變壓器的運(yùn)行參數(shù)，選擇整理出這臺(tái)變壓器從2018年1月到12月的環(huán)境溫度、負(fù)載率、頂層油溫等數(shù)據(jù)（采集時(shí)間間隔為5 min/次），用這些數(shù)據(jù)組成待研究的數(shù)據(jù)庫。如圖1所示在變壓器A，B，C三相繞組距離油箱頂部80%左右處各安裝有1個(gè)光纖傳感器，頂層安裝有1個(gè)光纖傳感器，用來實(shí)時(shí)監(jiān)測(cè)變壓器的溫度數(shù)據(jù)? [20] ，取其A，B，C三相測(cè)量結(jié)果最大值，得出變壓器熱點(diǎn)溫度。

1.2 數(shù)據(jù)挖掘

從技術(shù)層面來看，數(shù)據(jù)挖掘分析是在大量的實(shí)際應(yīng)用數(shù)據(jù)庫當(dāng)中提取大量數(shù)據(jù)并獲得具有一定價(jià)值結(jié)構(gòu)的模型或復(fù)雜知識(shí)規(guī)律的過程。數(shù)據(jù)挖掘是一種可視化技術(shù)，可從數(shù)據(jù)庫中挖掘出數(shù)據(jù)潛在的模式，向決策者提供控制策略思路，幫助其做出正確判斷。數(shù)據(jù)挖掘貫穿數(shù)據(jù)的存儲(chǔ)、清洗、轉(zhuǎn)換、挖掘及形成知識(shí)的整個(gè)過程，如圖2所示。

本研究中以一年的實(shí)測(cè)數(shù)據(jù)組成數(shù)據(jù)庫，將數(shù)據(jù)庫當(dāng)中的無用數(shù)據(jù)進(jìn)行清洗與剔除，這些無用數(shù)據(jù)是指監(jiān)測(cè)設(shè)備出現(xiàn)故障時(shí)所監(jiān)測(cè)的不符合變壓器運(yùn)行規(guī)律的數(shù)據(jù)。將剩余數(shù)據(jù)作為待定數(shù)據(jù)集以待挖掘。利用數(shù)據(jù)挖掘算法挖掘出具有研究?jī)r(jià)值的數(shù)據(jù)作為待分析數(shù)據(jù)集。

目前，數(shù)據(jù)挖掘算法主要分為兩類：一類為有監(jiān)督算法，另一類為無監(jiān)督算法。有監(jiān)督算法主要包括支持向量回歸、BP神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林等;無監(jiān)督算法主要包括聚類分析、關(guān)聯(lián)規(guī)則分析。無監(jiān)督算法是一種基于特定規(guī)則的機(jī)器學(xué)習(xí)，其利用一些數(shù)據(jù)評(píng)價(jià)指標(biāo)來判斷數(shù)據(jù)庫中存在的某些規(guī)律，即在已知數(shù)據(jù)庫當(dāng)中尋找特定規(guī)律，并沒有起到預(yù)測(cè)作用。因此，本文選取了有監(jiān)督算法當(dāng)中的支持向量回歸、BP神經(jīng)網(wǎng)絡(luò)和決策樹3種數(shù)據(jù)挖掘算法進(jìn)行變壓器熱點(diǎn)溫度的預(yù)測(cè)。

1.2.1 支持向量回歸

支持向量回歸算法由于其具有良好的測(cè)量精度而被應(yīng)用于電力負(fù)荷預(yù)測(cè)等方面。對(duì)于一個(gè)特定的歷史數(shù)據(jù)集合 {（xi，yi），i=1，2，…，N}，其中 xi是一個(gè)輸入向量，yi是它的類標(biāo)記（輸出值），支持向量回歸算法利用非線性映射φ：xi→φ（xi）將數(shù)據(jù)映射到多維特征空間，特征空間的一般性回歸方程表示為

f（x）=ω T（x）+b。? ? ? ? ? ? （1）

為了計(jì)算回歸方程當(dāng)中的ω和b，并使得預(yù)測(cè)與真實(shí)誤差最小，建立了如下目標(biāo)函數(shù)：

（2）

并服從：

yi-（ωφ（xi）+b）≤ε+ζi，

（ωφ（xi）+b）-yi≤ε+ζi，

ζi≥0，ζ *i≥0，i=1，2，…，N。

此模型以ε-不敏感函數(shù)為支持向量回歸算法的損失函數(shù)，ε- SVR計(jì)算結(jié)果存在稀疏性，結(jié)構(gòu)比較簡(jiǎn)單。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層級(jí)前饋型網(wǎng)絡(luò)，其神經(jīng)元的傳遞是S型函數(shù)，可以實(shí)現(xiàn)從數(shù)據(jù)輸入到結(jié)果輸出的非線性映射，通過調(diào)整權(quán)值和閾值來提高模型的實(shí)際輸出與期望輸出吻合度。對(duì)于隱含層，其表達(dá)式為

（3）

式中：ω ij 為 BP網(wǎng)絡(luò)輸入層和隱含層之間的權(quán)值; f為隱含層的傳遞函數(shù);aj為隱含層第j個(gè)節(jié)點(diǎn)的閾值。其輸出層的表達(dá)式為

（4）

式中：ω′ jk 為 BP網(wǎng)絡(luò)的隱含層與輸出層之間的權(quán)值; bk為第k個(gè)節(jié)點(diǎn)的閾值。

1.2.3 決策樹

決策樹算法通過仿照樹形結(jié)果將大數(shù)據(jù)從樹根節(jié)點(diǎn)依次擴(kuò)散至樹葉節(jié)點(diǎn)，形成各不相同的類型作為制定決策的依據(jù)。其中，決策樹計(jì)算模型是目前使用最廣泛的模型之一，它不僅能處理具有一定邏輯性的數(shù)據(jù)集，還能夠解決大數(shù)據(jù)當(dāng)中的殘缺問題。對(duì)于本文當(dāng)中的回歸問題，定義決策樹各個(gè)分支節(jié)點(diǎn)的計(jì)算規(guī)則為使該節(jié)點(diǎn)的二次方差最小，即：

（5）

式中：y l和 y r分別為決策樹節(jié)點(diǎn)的左分支和右分支; L和R分別代表左分支和右分支的樣本容量; [AKy-]L 和 [AKy-]R 為左分支、右分支輸出平均值。對(duì)于所有數(shù)值，將二次方差最小值設(shè)置為父節(jié)點(diǎn)，并采用遞推的方式建立多個(gè)子節(jié)點(diǎn)，每個(gè)子節(jié)點(diǎn)再次利用方差大小關(guān)系產(chǎn)生父節(jié)點(diǎn)，以此類推，直到模型不再產(chǎn)生新的節(jié)點(diǎn)。

2? 時(shí)間序列預(yù)測(cè)原理及模型性能評(píng)價(jià)指標(biāo)

2.1 時(shí)間序列預(yù)測(cè)原理

在大數(shù)據(jù)挖掘算法當(dāng)中，時(shí)序分析是比較常見的預(yù)測(cè)模型之一，以歷史數(shù)據(jù)為基礎(chǔ)的時(shí)序模型可以觀測(cè)當(dāng)前時(shí)刻被預(yù)測(cè)對(duì)象的運(yùn)行狀態(tài)或預(yù)知未來時(shí)刻的運(yùn)行狀態(tài)。經(jīng)典的線性時(shí)間序列算法已經(jīng)取得了很大成就。但是，實(shí)際應(yīng)用中的模型大多都不是呈線性變化的，傳統(tǒng)的線性預(yù)測(cè)方法無法滿足其預(yù)測(cè)要求。因此，本文將時(shí)間序列與數(shù)據(jù)挖掘相結(jié)合，用于建立非線性系統(tǒng)。非線性時(shí)序算法分為有外在輸入量非線性自回歸、無外在輸入量非線性自回歸以及非線性輸入-輸出3種模型。

1）有外在輸入量非線性自回歸模型

以前 d個(gè)y（t）值和x（t）值為訓(xùn)練對(duì)象，預(yù)測(cè)后一時(shí)刻的y（t）序列：

（6）

2）無外在輸入量非線性自回歸模型

以前d個(gè)y（t）值為訓(xùn)練對(duì)象，預(yù)測(cè)后一時(shí)刻的y（t）序列：

y（t）=f（y（t-1），…，y（t-d））。? ? ? ? （7）

3）非線性輸入-輸出模型

以前d個(gè)x（t）值為訓(xùn)練對(duì)象，預(yù)測(cè)后一時(shí)刻的y（t）序列：

y（t）=f（x（t-1），…，x（t-d））。? （8）

2.2 模型性能評(píng)價(jià)指標(biāo)

在本文中，采用5個(gè)評(píng)價(jià)指標(biāo)來評(píng)價(jià)大數(shù)據(jù)挖掘模型的預(yù)測(cè)值與實(shí)際值之間的對(duì)比結(jié)果。

1）誤差平方和

（9）

2）均方誤差

（10）

3）平均絕對(duì)百分比誤差

（11）

4）均方百分比誤差

（12）

5）判定系數(shù)

（13）

式中： N為測(cè)試樣本容量;Ai與Pi分別為樣本容量中第i個(gè)真實(shí)值和預(yù)測(cè)值，[AKP-]i為預(yù)測(cè)值的平 均值。

3 數(shù)據(jù)挖掘預(yù)測(cè)模型結(jié)果分析

3.1 數(shù)據(jù)描述

本研究收集了河北某地一臺(tái)SFPSZ-180000/220型變壓器的全年負(fù)載率、環(huán)境溫度、熱點(diǎn)溫度的實(shí)測(cè)數(shù)據(jù)，用于驗(yàn)證基于大數(shù)據(jù)挖掘算法的變壓器熱點(diǎn)溫度時(shí)序預(yù)測(cè)方法。安裝在變壓器內(nèi)部以及附近的光纖溫度檢測(cè)裝置每5 min采集一次數(shù)據(jù)樣本并傳回至在線檢測(cè)平臺(tái)，圖3為某個(gè)工作日內(nèi)該變壓器各個(gè)參數(shù)的變化趨勢(shì)，以及對(duì)應(yīng)時(shí)間外界環(huán)境溫度的 數(shù)值。

根據(jù)各個(gè)參數(shù)的變化趨勢(shì)圖可以看出，負(fù)載率的急劇變化會(huì)引起熱點(diǎn)溫度的變化。另外，在負(fù)載率變化幅度較小的情況下，環(huán)境溫度的變化也會(huì)對(duì)熱點(diǎn)溫度的數(shù)值產(chǎn)生很大影響。從圖3的變化趨勢(shì)分析得出，熱點(diǎn)溫度與負(fù)載率的相關(guān)性最大。因此，本文建立了基于支持向量回歸的局部地區(qū)負(fù)荷預(yù)測(cè)模型，用于向預(yù)測(cè)變壓器熱點(diǎn)溫度模型提供外界輸入數(shù)據(jù)。

3.2 變壓器負(fù)載系數(shù)短期預(yù)測(cè)模型

由前文所述，建立了基于負(fù)荷預(yù)測(cè)的支持向量回歸模型，將電力負(fù)荷短期預(yù)測(cè)的結(jié)果歸算為變壓器的負(fù)載率，從而為熱點(diǎn)溫度的預(yù)測(cè)提供數(shù)據(jù)，達(dá)到預(yù)測(cè)下一個(gè)時(shí)刻熱點(diǎn)溫度的目的。

輸入向量 X =[x1，x2，…，x7]為一個(gè)7維向量，包括氣溫、濕度、天氣類型、季節(jié)類型、節(jié)假日、上一時(shí)刻的負(fù)荷值、前一天同一時(shí)刻的負(fù)荷值。

輸出數(shù)據(jù)為當(dāng)前時(shí)刻的負(fù)荷值，為了研究方便，對(duì)負(fù)荷進(jìn)行歸算處理，將負(fù)荷值歸算為變壓器的負(fù)載率：

（14）

式中： y（t）表示輸出負(fù)荷結(jié)果;SN表示變壓器的額定容量;K為歸算后變壓器的負(fù)載系數(shù)值。

電力負(fù)荷短期預(yù)測(cè)流程如圖4所示。

1）從數(shù)據(jù)庫中選取被訓(xùn)練數(shù)據(jù)集，包括歷史負(fù)荷值以及相關(guān)的氣象信息、節(jié)假日信息、季節(jié)信 息等。

2）對(duì)負(fù)荷序列進(jìn)行預(yù)處理，包括缺失數(shù)據(jù)修補(bǔ)以及異常數(shù)據(jù)的剔除和修正。

3）對(duì)數(shù)據(jù)進(jìn)行約束化處理。對(duì)SVR參數(shù)進(jìn)行設(shè)置，根據(jù)訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練。

4）利用得到的負(fù)荷預(yù)測(cè)方程，對(duì)未知時(shí)刻的負(fù)荷進(jìn)行預(yù)測(cè)。

3.3 熱點(diǎn)溫度模型結(jié)果

如圖5所示，搭建了有外在輸入量的數(shù)據(jù)挖掘算法的非線性自回歸模型（NARX）。首先，通過短期負(fù)荷預(yù)測(cè)出變壓器下一時(shí)刻的負(fù)載系數(shù)，使之作為熱點(diǎn)溫度模型的前置輸入，通過前 d個(gè)y（t）值和 x（t） 值來預(yù)測(cè)y（t）序列。然后，以上一時(shí)刻負(fù)載系數(shù)和前一天同一時(shí)刻負(fù)載系數(shù)作為預(yù)測(cè)模型的外在輸入量x（t1），x（t2），通過設(shè)置時(shí)間延遲d，建立了負(fù)載系數(shù)與其本身前d個(gè)值的時(shí)間序列熱點(diǎn)溫度預(yù)測(cè)模型。選取有外在輸入預(yù)測(cè)模型的原因主要是一方面由圖3可以看出，負(fù)載的變化對(duì)于熱點(diǎn)溫度相關(guān)性較大，兩者的線性相關(guān)性較高;另一方面，如果建立非線性的輸入-輸出模型，就認(rèn)定影響熱點(diǎn)溫度的因素只與前d個(gè)值相關(guān)，與其他因素?zé)o關(guān)。其熱點(diǎn)溫度預(yù)測(cè)結(jié)果存在泛化性，實(shí)際運(yùn)用價(jià)值不高。

圖6所示為延遲時(shí)間為15 min時(shí)的3種數(shù)據(jù)挖掘模型預(yù)測(cè)值與實(shí)際值的對(duì)比圖，從比較結(jié)果可以發(fā)現(xiàn)，支持向量回歸（SVR）的擬合效果最高，BP神經(jīng)網(wǎng)絡(luò)（BPNN）和決策樹（CART）次之。

表1為不同延時(shí)下3種數(shù)據(jù)挖掘算法對(duì)變壓器熱點(diǎn)溫度的預(yù)測(cè)性能評(píng)估表。支持向量回歸（SVR）在不同延時(shí)情況下的預(yù)測(cè)性能最好，其誤差平方和、均方誤差、平均絕對(duì)百分比誤差值相對(duì)于其他兩種預(yù)測(cè)方法更低，其預(yù)測(cè)值和實(shí)際值之間的相關(guān)性更大。將延時(shí)時(shí)間增加，3種預(yù)測(cè)模型的預(yù)測(cè)精度也會(huì)隨之降低。

綜上所述，在延時(shí)時(shí)間最低的情況下，3種數(shù)據(jù)挖掘算法的預(yù)測(cè)精度最高，因?yàn)檠訒r(shí)時(shí)間越短，預(yù)測(cè)值與上一時(shí)刻值關(guān)系越密切，其測(cè)量值也與真實(shí)值越接近。對(duì)比發(fā)現(xiàn)，支持向量回歸（SVR）的擬合程度最高，BP神經(jīng)網(wǎng)絡(luò)（BPNN）和決策樹（CART）次之。從預(yù)測(cè)值的吻合度（ R ）來分析時(shí)，支持向量回歸的預(yù)測(cè)值和真實(shí)值之間的吻合程度高于BP神經(jīng)網(wǎng)絡(luò)和決策樹預(yù)測(cè)值精度。

4 結(jié) 語

為了精確預(yù)測(cè)出變壓器下一時(shí)刻熱點(diǎn)溫度的變化趨勢(shì)，采集了一臺(tái)SFPSZ-180000/220型變壓器的全年負(fù)載率、環(huán)境溫度、熱點(diǎn)溫度的監(jiān)測(cè)數(shù)據(jù)作為研究對(duì)象。將3種數(shù)據(jù)挖掘的算法應(yīng)用到變壓器的熱點(diǎn)溫度預(yù)測(cè)中，建立了具有外在輸入量的非線性自回歸模型（NARX），利用實(shí)測(cè)變壓器熱點(diǎn)溫度數(shù)據(jù)作對(duì)比，驗(yàn)證了3種數(shù)據(jù)挖掘模型的熱點(diǎn)溫度預(yù)測(cè)結(jié)果，并且對(duì)3種預(yù)測(cè)模型結(jié)果建立了相關(guān)指標(biāo)評(píng)價(jià)體系。研究結(jié)果表明，在數(shù)據(jù)挖掘算法當(dāng)中，基于時(shí)間序列的預(yù)測(cè)效果比一般的輸入-輸出預(yù)測(cè)效果更好，模型運(yùn)算效率更高，當(dāng)時(shí)間延時(shí)為15 min時(shí)，3種預(yù)測(cè)算法的精度和吻合程度相對(duì)更高，基于支持向量回歸的時(shí)序預(yù)測(cè)模型的精度高于BP神經(jīng)網(wǎng)絡(luò)和決策樹預(yù)測(cè)模型。

該方法改進(jìn)了傳統(tǒng)意義上的熱點(diǎn)溫度測(cè)量方案，提出了通過預(yù)測(cè)短時(shí)間內(nèi)變壓器負(fù)載率的變化來預(yù)測(cè)下一時(shí)刻的熱點(diǎn)溫度的測(cè)量方案，預(yù)測(cè)結(jié)果具有很高的吻合度和良好的經(jīng)濟(jì)效益，該方法可向工作人員提供變壓器下一時(shí)刻的熱點(diǎn)溫度值，工作人員在明晰了熱點(diǎn)溫度的規(guī)律特性后，就能在保證變壓器安全運(yùn)行的前提下，對(duì)變壓器進(jìn)行動(dòng)態(tài)增容，從而可以保證電網(wǎng)在持續(xù)的高用電量情況下健康運(yùn)行，提高變壓器的利用率。

本研究不足之處在于短期負(fù)荷預(yù)測(cè)模型所考慮的影響因素過少，這對(duì)于熱點(diǎn)溫度的預(yù)測(cè)精度有一定的影響，在未來的研究過程中將會(huì)進(jìn)一步細(xì)化短期負(fù)荷預(yù)測(cè)模型的影響因素，使熱點(diǎn)溫度預(yù)測(cè)結(jié)果更加準(zhǔn)確。

參考文獻(xiàn)/References：

[1]? 陳偉根，蘇小平，陳曦，等.變壓器頂層油溫預(yù)測(cè)熱模型影響因素分析及其改進(jìn)[J].高電壓技術(shù)，2011，37（6）：1329-1335.

CHEN Weigen，SU Xiaoping， CHEN Xi， et al. Influence factor analysis and improvement of the thermal model for predicting transformer top oil temperature[J].High Voltage Engineering，2011，37（6）：1329-1335.

[2]? 王永強(qiáng)，張曉霞，歐陽寶龍， 等.基于反傳熱模型的干式變壓器繞組熱點(diǎn)溫度計(jì)算[J].電測(cè)與儀表，2016，53（10）：115-121.

WANG Yongqiang， ZHANG Xiaoxia， OUYANG Baolong，? et al . The calculation of the hot spot temperature of the dry-type transformer winding based on the inversed-heat transfer model[J]. Electrical Measurement & Instrumentation，2016，53（10）：115-121.

[3]? 丁玉琴，張喬根，高萌，等.油浸式配電變壓器分布式熱路模型[J].高電壓技術(shù)，2019，45（3）：968-974.

DING Yuqin， ZHANG Qiaogen， GAO Meng， et al. Distributed thermal circuit model of oil-immersed distribution transformers[J]. High Voltage Engineering， 2019，45（3）：968-974.

[4]? 羅漢武，陳連凱，姜國(guó)義，等.計(jì)及環(huán)境條件的電力變壓器熱路模型及其應(yīng)用[J].高電壓技術(shù)，2018，44（11）：3561-3568.

LUO Hanwu， CHEN Liankai， JIANG Guoyi， et al. Thermal circuit model of the transformer considering environment factors and its application[J]. High Voltage Engineering，2018，44（11）：3561-3568.

[5]? GB/T 1094.7—2008，電力變壓器第7部分： 油浸式電力變壓器負(fù)載導(dǎo)則[S].

[6]? 陳磊.浸油變壓器油溫升計(jì)算方法探討[J].河北工業(yè)科技，2009，26（1）：12-14.

CHEN Lei. Calculation methods on oil temperature rise of oil- immersed power transformers[J].Hebei Journal of Industrial Science and Technology，2009，26（1）：12-14.

[7]? 郭英軍，孫麗華，孫會(huì)琴，等.電力變壓器熱故障的在線診斷技術(shù)[J].河北科技大學(xué)學(xué)報(bào)，2007，28（2）：147-149.

GUO Yingjun， SUN Lihua， SUN Huiqin， et al.An on-line? diagnosis? method of transformer hot fault[J]. Journal of Hebei University of Science and Technology，2007，28（2）：147-149.

[8]? 安義，朱志杰，王華云，等.一種配電變壓器熱評(píng)估方法[J].電測(cè)與儀表，2019，56（4）：48-54.

AN Yi， ZHU Zhijie， WANG Huayun， et al. A thermal evaluation method of distribution transformers[J]. Electrical Measurement & Instrumentation，2019，56（4）：48-54.

[9]? 周利軍，王健，王路伽，等.數(shù)據(jù)驅(qū)動(dòng)下高速鐵路牽引變壓器熱點(diǎn)溫度預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2019，39（18）：5547-5554.

ZHOU Lijun， WANG Jian， WANG Lujia， et al. Data driven prediction for traction transformer hot-spot temperature in high speed railway[J].Proceedings of CSEE，2019，39（18）： 5547-5554.

[10]? 常炳國(guó)，劉君華，吳浩揚(yáng).監(jiān)測(cè)變壓器繞組熱點(diǎn)溫度智能模糊傳感器系統(tǒng)的研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2000，20（8）：14-17.

CHANG Bingguo， LIU Junhua， WU Haoyang.Study on transformer coiling hot-point monitor based on fuzzy neural network[J]. Proceedings of CSEE，2000，20（8）：14-17.

[11]? 陳偉根，滕黎，劉軍，等.基于遺傳優(yōu)化支持向量機(jī)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)模型[J].電工技術(shù)學(xué)報(bào)，2014，29（1）：44-51.

CHEN Weigen， TENG Li， LIU Jun， et al. Transformer winding hot-spot temperature prediction model of support vector machine optimized by genetic algorithm[J]. Transactions of China Electrotechnical Society， 2014，29（1）：44-51.

[12]? 王青于，楊熙，彭宗仁，等.應(yīng)用三維電磁-熱-流耦合場(chǎng)分析法計(jì)算換流變壓器干式套管的溫度場(chǎng)分布[J].中國(guó)電機(jī)工程學(xué)報(bào)，2016，36（22）：6269-6275.

WANG Qingyu， YANG Xi， PENG Zongren， et al. 3D coupled electromagnetic-thermal-fluid method for computation of temperature field of converter transformer RIP bushings[J].Proceedings of? CSEE， 2016，36（22）：6269-6275.

[13]? SWIFT? G， MOLINSKI T， LEHN W. A fundamental? approach? to transformer thermal modeling-part I： Theory and? equivalent? circuit[J]. IEEE Transactions on Power? Delivery ， 2001， 16（2）：171-175.

[14]? SWIFT? G， MOLINSKI T， BRAY R，et al. A fundamental? approach? to transformer thermal modeling-part Ⅱ： Field verification[J]. IEEE Transactions on Power Delivery，2001， 16（2）： 176-180.

[15]? PIERCE L W. An investigation of the thermal performance of an oil filled transformer winding[J].IEEE Transactions on Power Delivery， 1992， 7（3）：1347-1358.

[16]? SUSA D， LEHTONEN M， NORDMAN H. Dynamic thermal modeling of power transformers[J]. IEEE Transactions on Power Delivery， 2005， 20（1）：197-204.

[17]? SUSA D， LEHTONEN M. Dynamic thermal modeling of power transformers： Further development-Part Ⅰ[J].IEEE Transactions on Power Delivery， 2006， 21（4）：1961-1970.

[18]? SUSA D， LEHTONEN M. Dynamic thermal modeling of power transformers： Further development-Part Ⅱ[J]. IEEE Transactions on Power Delivery， 2006，21（4）： 1971-1980.

[19]? 陳 偉根，奚紅娟，蘇小平，等.廣義回歸神經(jīng)網(wǎng)絡(luò)在變壓器繞組熱點(diǎn)溫度預(yù)測(cè)中的應(yīng)用[J].高電壓技術(shù)，2012，38（1）：16-21.

CHEN Weigen， XI Hongjuan， SU Xiaoping， et al. Application of generalized regression neural network to transformer winding hot spot temperature forecasting[J].High Voltage Engineering， 2012，38（1）：16-21.

[20]? 汪進(jìn)鋒，徐曉剛，李鑫， 等.光纖傳感器在預(yù)裝式變電站繞組熱點(diǎn)溫度監(jiān)測(cè)中的應(yīng)用[J].電測(cè)與儀表，2016，53（21）：110-114.

WANG Jinfeng， XU Xiaogang， LI Xin， et al. Application of fiber optic sensor in the winding hot spot temperature monitoring of the prefabricated substation windings[J]. Electrical Measurement & Instrumentation， 2016，53（21）：110-114.