基于循环BP模型的变压器状态数据清洗方法.pdf
《基于循环BP模型的变压器状态数据清洗方法.pdf》由会员分享,可在线阅读,更多相关《基于循环BP模型的变压器状态数据清洗方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 38 卷 第 2 期2023 年 4 月Vol.38 No.2Apr.2023电力学报JOURNAL OF ELECTRIC POWER文章编号:1005-6548(2023)02-0101-09 中图分类号:TM406;TP183 文献标识码:B 学科分类号:47040DOI:10.13357/j.dlxb.2023.011开放科学(资源服务)标识码(OSID):基于循环 BP模型的变压器状态数据清洗方法李金阔,王秀平(沈阳工程学院 电力学院,沈阳 110000)摘要:受运行环境、运行状态或采集装置的干扰,变压器在线检测状态数据中存在大量的噪声,会造成短路阻抗的在线计算出现波动,影响变压
2、器容量的检测结果。在综合分析当前数据清洗方法的基础上,提出一种以 BP神经网络为核心的循环清洗方法,对历史数据无监督清洗并同步训练出清洗模型,利用所训练出的清洗模型实现对检测数据的在线清洗。使用沈阳地区某企业配电变压器运行数据进行了仿真试验,搭建循环 BP 模型的清洗框架并训练清洗模型,其数据在无监督清洗后进一步做短路阻抗的拟合计算,以验证所提方法的有效性。结果表明,基于循环 BP模型的变压器容量在线检测方法所计算的短路阻抗结果趋于稳定,计算误差维持在 5%以下,可有效提高短路阻抗在线拟合的精度。总之,循环 BP 模型是一种无监督、智能化的数据清洗方法,可以有效改善噪声数据对检测结果的影响,提
3、高变压器容量检测的精度,更具智能性。关键词:变压器;变压器容量检测;机器学习;数据清洗;BP神经网络Online Detection Method of Transformer Capacity Based on Cyclic BP ModelLI Jinkuo,WANG Xiuping(School of Electric Power,Shenyang Institute of Engineering,Shenyang 110000,China)Abstract:Due to the interference of operating environment,operating state
4、or acquisition device,there is a lot of noise in the on-line detection state data of transformer,which makes the on-line calculation of short-circuit impedance fluctuate and affects the detection results of transformer capacity.Based on the comprehensive analysis of the current data cleaning methods
5、,a circulating cleaning method with BP neural network as the core was proposed.The historical data was cleaned unsupervised and the cleaning model was trained synchronously.The online cleaning of the test data was realized through the trained cleaning model.The simulation experiment is carried out b
6、y using the operation data of the distribution transformer of an enterprise in Shenyang.The cleaning framework of the cyclic BP model is built and the cleaning model is trained.The data is further fitted by the short-circuit impedance after unsupervised cleaning to verify the effectiveness of the pr
7、oposed method.The results show that the short-circuit impedance calculated by the on-line detection method of transformer capacity based on cyclic BP model tends to be stable,and the calculation error is maintained below 5%,which can effectively improve the accuracy of on-line fitting of short-circu
8、it impedance.In short,the cyclic BP model is an unsupervised and intelligent data cleaning method,which can effectively improve the influence of noise data on the detection results,improve the accuracy of transformer capacity detection,and be more intelligent.收稿日期:2023-01-10作者简介:李金阔(1996),男,硕士研究生,研究
9、方向为变压器状态监测与故障诊断,;王秀平(1978),男,副教授,研究方向为新型电机及其控制,。引文格式:李金阔,王秀平.基于循环 BP 模型的变压器状态数据清洗方法 J.电力学报,2023,38(02):101-109.DOI:10.13357/j.dlxb.2023.011.第 38 卷电力学报Key words:transformer;transformer capacity detection;machine learning;data cleaning;BP neural network0 引言 变压器容量是由供电部门根据其位置、负荷综合确定的,其可以使负荷运行于变压器的经济运行区间
10、,从而保障电网的稳定性1。我国的两部制电价规定专变用户的电费是由电度电费和配变容量综合确定的,出现了少量用户为减少电费开支私自增加变压器容量或更换小容量铭牌2,同时还存在一些变压器铭牌丢失、铭牌信息不全的情况。因此,开展变压器容量的在线检测对于维护供电部门的经济效益和保障电网的安全稳定具有重要意义。文献 3 研究了变压器损耗和容量的关系,并确定二者之间存在指数关系。目前变压器容量的检测主要采用计算变压器短路阻抗的方法实现的。文献 4 通过变压器的 T 型等效电路推导出变压器短路阻抗与一二次侧电压电流的关系,进一步推导出利用一二次侧电压电流计算短路阻抗的方法,并对所计算出的短路阻抗按照变压器技术
11、标准确定其容量等级。文献 5 对基于数据拟合法的短路阻抗计算方法进行了深入研究,并设计了短路阻抗的在线计算系统,完善了变压器容量在线检测的方法。文献 6-7 搭建了不同的仿真平台,并基于数据拟合法仿真计算变压器容量的检测精度。上述研究结论表明基于数据拟合法计算的短路阻抗可以应用在变压器容量在线检测领域。但在实际应用中,容量的在线检测需要依托于用户用电采集系统(简称用采系统)中的电气数据在线计算短路阻抗。变压器的运行环境和计量设备的采集误差会干扰变压器电气数据的准确性,运行数据中存在异常数据影响拟合结果,导致短路阻抗的计算出现误差。如何处理异常数据是目前变压器容量在线检测精度的关键。文献 8 提
12、出了一种对电压降相间-时间差分的规则,进一步应用基于密度的聚类及异号剔除原则对变压器运行数据做降噪处理,结果表明该降噪处理对容量的校核是有效的。文献 9 提出应用融合相似用户聚类和奇异值阈值理论的在线数据清洗框架和方法对电力营销大数据做在线清洗。文献 10 提出应用聚类对参数相关性进行简化,利用简化后的数据训练时间循环网络模型,实现对数据的清洗。综上所述,目前的数据清洗方法均需要利用聚类、统计方法,寻找相应的阈值或剔除规则,或利用人工剔除后的历史数据训练检测模型,而实际应用中仍需人工选取参数,不适应目前智能电网的发展。因此本文针对上述现状,提出了一种以 BP神经网络为核心的循环清洗方法,对历史
13、数据进行无监督清洗、同步训练出 BP清洗模型,并将 BP 清洗模型应用于变压器容量在线检测中,以实现对检测数据的在线清洗,提高变压器容量检测的精度。最后使用沈阳地区某企业配电变压器的运行数据做实例仿真分析,搭建循环 BP 模型的清洗框架并训练清洗模型,验证了本文所提方法的有效性。1 变压器容量在线检测原理 按文献 11 中对短路阻抗的推导思路,变压器 T 型等效电路如图 1所示。图 1 中I 1和U 1为一次电流和一次电压,R1和X1为一次绕组的电阻和电抗,I m、Rm和Xm分别为励磁电流、励磁电阻和励磁电抗,I 21、U 21、R21和X21分别为二次电流、二次电压、二次绕组的电阻和电抗在一
14、次侧的折算值,由基尔霍夫电压定律可知:U1-U21=I1()R1+jX1+I21()R21+jX21.(1)令Z1=R1+jX1、Z21=R21+jX21,将I1=Im+I21代入式(1)中可得式(2)。U1-U21=ImZ1+I21()Z1+Z21.(2)式中,Z1+Z21为短路阻抗Zk,将U2=U21/k、I2=kI21代入式(2)中可得:图 1变压器 T型等效电路图Fig.1Transformer T-type equivalent circuit diagram102第 2 期李金阔,等:基于循环 BP模型的变压器状态数据清洗方法U1-kU2=ImZ1+I2kZk.(3)式中,U2、I
15、2为二次侧电压、电流,k为变比。在实际运行中,变压器往往运行在负载率小于 70%的经济运行区,很少出现过负荷运行的情况。从铁芯的磁化曲线12上看,变压器在磁化曲线的线性区域运行,那么对于式(3)中的变量而言,励磁电流Im可视为一个不变量,即ImZ1可以视为一个常数。因此,对于式(3)而言,U1-kU2与I2可以视为一个线性关系,对此线性关系进行求解便可计算出变压器的短路阻抗Zk。由上述分析可知,变压器容量在线检测的本质是围绕着式(3)进行的,即通过多组一二次侧电压电流进行线性拟合,计算直线斜率确定短路阻抗,并参照变压器技术标准寻找对应的容量等级,实现对变压器容量的在线检测。可以看出,短路阻抗计
16、算与其输入的多组一二次侧电压电流数据有着极其密切的关系。然而在实际应用中,变压器的运行环境和计量设备的采集误差会干扰变压器的电气数据的准确性,输入至拟合程序中的电压电流数据中存在部分异常数据,使拟合的结果出现偏差或出现过拟合的现象,导致计算结果出现波动,难以获得准确的短路阻抗值。因此,对于变压器容量的在线检测,需要一种智能的、无监督的数据清洗方法对拟合数据进行清洗,减少异常数据造成容量误判现象。2 基于循环 BP模型的变压器容量在线检测原理 目前应用广泛的数据清洗方法是通过概率、聚类等算法观察数据的离群点,确定异常数据的阈值实现对异常数据的清洗与补充13。此方法为有监督的数据清洗方法,即需要人
17、工对统计、聚类后的结果进行分析,或分析变量与变量之间真实存在的关系,从而确定异常阈值。应用有监督的异常检测方法不适应目前电网智能化发展需求,其更需要的是一种无监督的数据清洗方法。参考目前广泛应用于智能对话机器人、敏感词检测系统等领域中的无监督数据清洗思想,现构建出一个以 BP神经网络为核心的循环清洗方法,使用历史数据训练循环 BP清洗模型,并利用其清洗监测数据中的异常数据,可提高变压器容量检测的精度。2.1BP神经网络模型的搭建原理将变比k代入式(1)中,将折算值转换为实际值,可得:I1=U1-kU2-I2()kR2+jkX2()R1+jX1.(4)式中,R2和X2为按变比折算前的二次绕组电阻
18、和电抗。分析式(4)可以看出,一次电流I1的变化与U1、U2、I2、k、R2、X2、R1和X1有关。这些参数在不发生过负荷运行情况时,同一台变压器的U1、k、R2、X2、R1和X1均属于不变参数。因此,从式(4)的角度上看,一次电流I1与二次电压U2和二次电流I2构成了一个回归关系。可以令输入特征X=U2,I2、令模型输出Y=I1,构建U2,I2I1的 BP神经网络模型,如图 2所示。每个数据样本均按图 2所示的网络结构进行前向计算,令li为第i个隐含层神经元,l1i、l2i和bli分别为第i个隐含层神经元的输入、输出和偏置,本文设置隐含层层数为 5,令O1和O2为输出层的输入和输出,那么每个
19、样本的网络计算误差e见式(5)。图 2BP神经网络结构图Fig.2Structure diagram of BP neural network103第 38 卷电力学报图 3基于 BP网络的循环清洗方法原理图Fig.3Schematic diagram of cyclic cleaning method based on BP networkl1i=U2WUi+I2WIi+blil2i=sigmoid(l1i)O1=i=15l2iWli+boO2=sigmoid(O1)e=12(O2-I1)2.(5)式中,WUi为输入层中U2所对应的神经元与第i个隐含层神经元的连接权值;WIi为输入层中I2所
20、对应的神经元与第i个隐含层神经元的连接权值;Wli为第i个隐含层神经元与输出层神经元的连接权值;bo为输出层神经元的偏置;sigmoid()为激活函数。将e视为输出,以WUi、WIi、Wli、bli和bo视为输入,式(5)的过程可以看为f(WUi,WIi,Wli,bli,bo)e,那么若想求得e的最小值,可以按梯度下降法反向传播更新WUi、WIi、Wli、bli和bo,因此对应权值的更新公式,可得出式(6):W li=Wli-eO2O2O1l2ibo=bo-eO2O2O1W Ui=WUi-eO2O2O1Wlil2il1iU2W Ii=WIi-eO2O2O1Wlil2il1iI2bli=bli-
21、eO2O2O1Wlil2il1i.(6)式中,W Ui、W Ii、W li、bli和bo为对应权值和偏置的更新值,为学习率。从式(6)可以看出,对本文所选的U2、I2和I1而言,所训练出的 BP 网络模型应对应式(4)所代表的行为模式。异常数据将不会满足式(4)的约束,即其是另一种行为模式。那么直接采用包含异常数据的全部数据训练 BP 网络模型,所训练出的模型在全部数据上的准确度不高,e的分布不均匀。若剔除e过大的样本,将剩余样本重新训练出新的 BP 网络模型,按此逻辑重复进行,便可以剔除大部分行为模式发生变化的数据,使e保持在平均e的附近。2.2基于 BP网络的循环清洗方法以 BP 神经网络
22、为核心的循环清洗方法如图 3 所示,其包含两个过程,样本剔除过程(Sample Elimination Process,SEP)和样本召回过程(Sample Recall Process,SRP)。基于 BP 回归模型的数据清洗方法描述如下:1)样本剔除过程。a)直接使用全部原始数据训练 BP 网络模型。在初次循环时,异常数据的存在使模型在原始数据上的准确度很低,故将计算误差大的数据样本剔除。本文提出以误差数量级作为剔除规则,即将大于平均误差104第 2 期李金阔,等:基于循环 BP模型的变压器状态数据清洗方法数量级的数据样本剔除。b)后续循环使用剩余的数据样本继续训练 BP网络模型,按剔除规
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 循环 BP 模型 变压器 状态 数据 清洗 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。