一种预防高温降电网变压器损坏的方法及系统与流程

1.本发明涉及计算机技术领域，尤其涉及一种预防高温降电网变压器损坏的方法及系统。


背景技术：

2.我国电力建设快速发展，这为我国经济社会平稳较快发展提供了强大动力，对改善人民生活起到了重要支撑和保障作用，电力变压器是发电厂和变电所的主要设备之一。变压器有温度临界点，超过该温度就会跳闸以自我保护，如果变压器停止运行会造成大面积停电，维修也需要时间，所以变压器的温度关系到整个电网的稳定，但变压器温度过高、散热不及时时长发生，尤其在夏季是用电高峰且室外温度较高，很容易造成变压器温度增高，为了给变压器降温会安排工作人员给变压器浇水降温，但由于温度不是很快就能降下来所以需要消耗较长时间，同时还存在温度反复需要多次降温，存在大量人员消耗。
3.但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术中通过人工给变压器浇水降温，存在大量人工体力消耗，且温度不好控制的技术问题。


技术实现要素：

4.本技术实施例通过提供一种预防高温降电网变压器损坏的方法及系统 ，解决了现有技术中通过人工给变压器浇水降温，存在大量人工体力消耗，且温度不好控制的技术问题。达到了根据实时温度和变压器的输出热量进行综合评定，定制符合变压器工作要求的冷却方案，确保变压器的正常运行，过程中降温液不需要人工操作，节约人力，避免人工操作不及时造成的变压器损失，或者降温液浪费的技术效果。
5.鉴于上述问题，提出了本技术实施例提供一种预防高温降电网变压器损坏的方法及系统 。
6.第一方面，本技术实施例提供了一种预防高温降电网变压器损坏的方法，应用于智能冷却器，所述智能冷却器具有一智能控制阀，所述方法包括：获得预计室外温度；获得计划输出功率；将所述预计室外温度、所述计划输出功率输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述预计室外温度、所述计划输出功率和用来标识预估变压器运行时限的标识信息；获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括预估变压器运行时限；根据所述预计室外温度、所述计划输出功率，获得预估变压器温度；将所述预估变压器运行时限、所述预估变压器温度输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述预估变压器运行时限、所述预估变压器温度和用来标识冷却时长和冷却温度方案的标识信息；获得所述第二训练模型的第二输出结果，其中，所述第二输出结果包括冷却方案信息，其中，所述冷却方案信息
包括冷却时长和冷却温度；根据所述第二输出结果中的冷却方案信息，获得第一冷却指令，所述第一冷却指令用于按照所述冷却方案信息控制所述智能控制阀的大小和时长。
7.优选的，所述方法包括：获得第一变压器输出功率；根据所述第一变压器输出功率，获得第一输出损耗；获得第一变压器运行时长；根据所述第一变压器运行时长，所述第一输出损耗，获得第一变压器损耗量；判断所述第一变压器损耗量是否满足第一预定阈值；当所述第一变压器损耗量超过所述第一预定阈值时，获得第一提醒指令。
8.优选的，所述方法包括：获得第一监测温度，所述第一监测温度为变压器在第一时间的温度；获得第二监测温度，所述第二监测温度为变压器在第二时间的温度，其中，所述第二时间晚于所述第一时间，且，所述第二时间与所述第一时间之间具有预定时间差；根据所述第一监测温度、所述第二监测温度，获得温度变化量；当所述温度变化量超过温度变化阈值时，获得第二冷却指令。
9.优选的，所述当所述温度变化量超过温度变化阈值时，获得第二冷却指令，包括：将所述温度变化量作为第一输入信息；将所述第一输入信息输入第三训练模型中，其中，所述第三训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述第一输入信息和用来标识冷却时长和冷却温度方案的标识信息；获得所述第三训练模型的第三输出结果，其中，所述第三输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度。
10.优选的，所述方法包括：获得预设时间内连续多个所述温度变化量，并将所述温度变化量作为纵坐标；获得所述温度变化量的时间信息，并将所述时间信息的方差作为横坐标；采用逻辑回归模型根据所述横坐标和所述纵坐标获得逻辑回归线，其中，逻辑回归线包括第一位置和第一角度，所述第一位置和所述第一角度位于所述横坐标和所述纵坐标所构建的坐标系中；其中，所述逻辑回归线的一侧表示第一结果，所述逻辑回归线的另一侧表示第二结果，其中，所述第一结果和所述第二结果不同。
11.优选的，所述根据所述冷却方案信息，获得第一冷却指令之后，包括：获得第三监测温度，所述第三监测温度为变压器在第三时间的温度；获得第四监测温度，所述第四监测温度为变压器在第四时间的温度，其中，所述第四时间晚于所述第三时间，且，所述第四时间与所述第三时间之间具有预定时间差；根据所述第三监测温度、所述第四监测温度，获得第一降温信息；判断所述第一降温信息是否满足降温设定要求；当不满足时，获得第一调整指令，所述第一调整指令用于调整所述第一冷却指令中的冷却方案。
12.优选的，所述当不满足时，获得第一调整指令，包括：将所述第一降温信息、所述降温设定要求输入第四训练模型中，其中，所述第四训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述第一降温信息、所述降温设定要求和用来标识冷却时长和冷却温度方案的标识信息；获得所述第四训练模型的第四输出结果，其中，所述第四输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；根据所述第四输出结果、所述第一冷却指令，获得所述第一调整指令。
13.另一方面，本技术还提供了一种预防高温降电网变压器损坏的系统，所述系统包括：第一获得单元，所述第一获得单元用于获得预计室外温度；第二获得单元，所述第二获得单元用于获得计划输出功率；
第一输入单元，所述第一输入单元用于将所述预计室外温度、所述计划输出功率输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述预计室外温度、所述计划输出功率和用来标识预估变压器运行时限的标识信息；第三获得单元，所述第三获得单元用于获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括预估变压器运行时限；第四获得单元，所述第四获得单元用于根据所述预计室外温度、所述计划输出功率，获得预估变压器温度；第二输入单元，所述第二输入单元用于将所述预估变压器运行时限、所述预估变压器温度输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述预估变压器运行时限、所述预估变压器温度和用来标识冷却时长和冷却温度方案的标识信息；第五获得单元，所述第五获得单元用于获得所述第二训练模型的第二输出结果，其中，所述第二输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；第六获得单元，所述第六获得单元用于根据所述第二输出结果中的冷却方案信息，获得第一冷却指令，所述第一冷却指令用于按照所述冷却方案信息控制所述智能控制阀的大小和时长。
14.第三方面，本发明提供了一种预防高温降电网变压器损坏的系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
15.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本技术实施例提供了一种预防高温降电网变压器损坏的方法及系统，应用于智能冷却器，所述智能冷却器具有一智能控制阀，通过获得预计室外温度；获得计划输出功率；将所述预计室外温度、所述计划输出功率输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述预计室外温度、所述计划输出功率和用来标识预估变压器运行时限的标识信息；获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括预估变压器运行时限；根据所述预计室外温度、所述计划输出功率，获得预估变压器温度；将所述预估变压器运行时限、所述预估变压器温度输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述预估变压器运行时限、所述预估变压器温度和用来标识冷却时长和冷却温度方案的标识信息；获得所述第二训练模型的第二输出结果，其中，所述第二输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；根据所述第二输出结果中的冷却方案信息，获得第一冷却指令，所述第一冷却指令用于按照所述冷却方案信息控制所述智能控制阀的大小和时长。达到了根据实时温度和变压器的输出热量进行综合评定，定制符合变压器工作要求的冷却方案，确保变压器的正常运行，过程中降温液不需要人工操作，节约人力，避免人工操作不及时造成的变压器损失，或者降温液浪费的技术效果。从而解决了现有技术中通过人工给变压器浇水降温，存在大量人工体力消耗，且温度不好控制的技术问题。
16.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
17.图1为本技术实施例一种预防高温降电网变压器损坏的方法的流程示意图；图2为本技术实施例一种预防高温降电网变压器损坏的系统的结构示意图；图3为本技术实施例示例性电子设备的结构示意图。
18.附图标记说明：第一获得单元11，第二获得单元12，第一输入单元13，第三获得单元14，第四获得单元15，第二输入单元16，第五获得单元17，第六获得单元18，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
19.本技术实施例通过提供一种预防高温降电网变压器损坏的方法及系统 ，解决了现有技术中通过人工给变压器浇水降温，存在大量人工体力消耗，且温度不好控制的技术问题。达到了根据实时温度和变压器的输出热量进行综合评定，定制符合变压器工作要求的冷却方案，确保变压器的正常运行，过程中降温液不需要人工操作，节约人力，避免人工操作不及时造成的变压器损失，或者降温液浪费的技术效果。
20.下面，将参考附图详细的描述根据本技术的示例实施例。显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
21.申请概述我国电力建设快速发展，这为我国经济社会平稳较快发展提供了强大动力，对改善人民生活起到了重要支撑和保障作用，电力变压器是发电厂和变电所的主要设备之一。变压器有温度临界点，超过该温度就会跳闸以自我保护，如果变压器停止运行会造成大面积停电，维修也需要时间，所以变压器的温度关系到整个电网的稳定，但变压器温度过高、散热不及时时长发生，尤其在夏季是用电高峰且室外温度较高，很容易造成变压器温度增高，现有技术中为了给变压器降温会安排工作人员给变压器浇水降温，但由于温度不是很快就能降下来所以需要消耗较长时间，同时温度反复需要多次降温，存在大量人员消耗，且降温效果不好控制的技术问题。
22.针对上述技术问题，本技术提供的技术方案总体思路如下：获得预计室外温度；获得计划输出功率；将所述预计室外温度、所述计划输出功率输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述预计室外温度、所述计划输出功率和用来标识预估变压器运行时限的标识信息；获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括预估变压器运行时限；根据所述预计室外温度、所述计划输出功率，获得预估变压器温度；将所述预估变压器运行时限、所述预估变压器温度输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述预估变压器运行时限、所述预估变压器温度和用来标识冷却时长和冷却温度方
案的标识信息；获得所述第二训练模型的第二输出结果，其中，所述第二输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；根据所述第二输出结果中的冷却方案信息，获得第一冷却指令，所述第一冷却指令用于按照所述冷却方案信息控制所述智能控制阀的大小和时长。达到了根据实时温度和变压器的输出热量进行综合评定，定制符合变压器工作要求的冷却方案，确保变压器的正常运行，过程中降温液不需要人工操作，节约人力，避免人工操作不及时造成的变压器损失，或者降温液浪费的技术效果。
23.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
24.实施例一图1为本技术实施例一种预防高温降电网变压器损坏的方法的流程示意图，如图1所示，本技术实施例提供了一种预防高温降电网变压器损坏的方法，应用于智能冷却器，所述智能冷却器具有一智能控制阀，所述方法包括：步骤100：获得预计室外温度；步骤200：获得计划输出功率；具体而言，通过大数据可以实时获得室外温度，计划输出功率是按照供电需求和变压器的功率设定的工作输出要求。
25.步骤300：将所述预计室外温度、所述计划输出功率输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述预计室外温度、所述计划输出功率和用来标识预估变压器运行时限的标识信息；步骤400：获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括预估变压器运行时限；具体而言，根据室外温度和计划输出功率进行运行时间估算，由于输出功率对应的也会有热量加上室外温度的两重作用，计算变压器在这种环境下最长能坚持正常运行多久，计算过程可以按照经验值进行计算，也可以按照数据结合运算工作进行，为了提高计算工作时限的准确性，本技术实施例利用了神经网络模型的优势，所述第一训练模型即为网络神经模型，它是将多组预计室外温度、计划输出功率和用来标识预估变压器运行时限的标识信息为训练数据，进行了模型训练，并通过大量数据训练和校正以确保神经网络模型的准确性。这样通过将预计室外温度、计划输出功率输入训练模型中，可以获得与标识预估变压器运行时限相匹配的输出结果。所述第一训练模型即机器学习中的神经网络模型，神经网络(neural networks，nn)是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络（artificial neural networks），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据集的训练，将所述预计室外温度、计划输出功率输入神经网络模型，则输出与预计室外温度、计划输出功率相匹配的预估变压器运行时限。
26.更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括预计室外温度、计划输出功率和用来标识预估变压器运行时限的标识信息，将所述预计室外温度、计划输出功率输入到神经网络模型中，所述神经网络模型输出满足要求的预估变压器运行时限的输出结果，判断所述输出信息与标识了预估变压器运行时限信息的标识信
息是否一致，如一致，进行下一组数据的监督学习；如果所述输出信息与标识预估变压器运行时限信息的标识信息不一致，则所述神经网络模型进行自我修正、调整，直至获得的输出信息与标识匹配预估变压器运行时限信息的标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的预估变压器运行时限信息更加准确，能够为维护变压器的正常运行选择合适的时机进行降温做科学有力的数据支撑。
27.步骤500：根据所述预计室外温度、所述计划输出功率，获得预估变压器温度；具体而言，根据大数据获得预计室外温度和计划输出功率会产生的热量进行综合计算，预估变压器的温度信息，即变压器的升温速度，横坐标为时间，纵坐标为温度信息，会呈现一定的变化规律。
28.步骤600：将所述预估变压器运行时限、所述预估变压器温度输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述预估变压器运行时限、所述预估变压器温度和用来标识冷却时长和冷却温度方案的标识信息；步骤700：获得所述第二训练模型的第二输出结果，其中，所述第二输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；具体而言，根据预估变压器运行时限和预估变压器温度进行分析处理，制定对应的降温方案，所述降温方案包括冷却预计温度和对应的冷却时长和冷却液开度大小，为了提高冷却方案定制的准确性，确保冷却效果的同时还不浪费冷却液，本技术实施例利用了神经网络模型的优势，它是将多组所述预估变电器运行时限、所述预估变电器温度和用来标识冷却时长和冷却温度方案的标识信息作为训练数据，进行了模型训练，并通过大量数据训练和校正以确保神经网络模型的准确性。这样通过将所述预估变压器运行时限、所述预估变压器温度输入训练模型中，可以获得与标识冷却时长和冷却温度方案相匹配的输出结果。所述第二训练模型即机器学习中的神经网络模型，神经网络(neural networks，nn)是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络（artificial neural networks），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据集的训练，将所述预估变压器运行时限、所述预估变压器温度输入神经网络模型，则输出符合要求的冷却时长和冷却温度方案信息。
29.更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述预估变压器运行时限、所述预估变压器温度和用来标识冷却时长和冷却温度方案的标识信息，将所述预估变压器运行时限、所述预估变压器温度输入到神经网络模型中，所述神经网络模型输出满足要求的冷却时长和冷却温度方案信息的输出结果，判断所述输出信息与标识了冷却时长和冷却温度方案信息的标识信息是否一致，如一致，进行下一组数据的监督学习；如果所述输出信息与标识冷却时长和冷却温度方案信息的标识信息不一致，则所述神经网络模型进行自我修正、调整，直至获得的输出信息与标识冷却时长和冷却温度方案信息的标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神
经网络模型的输出信息达到预定的准确率时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的冷却时长和冷却温度方案信息更加准确，能够为制定冷却方案做科学有力的数据支撑。
30.步骤800：根据所述第二输出结果中的冷却方案信息，获得第一冷却指令，所述第一冷却指令用于按照所述冷却方案信息控制所述智能控制阀的大小和时长。
31.具体而言，根据获得的冷却方案进行对应的冷却操作，根据冷却方案中的冷却时长和冷却温度来对应控制智能冷却器的智能控制阀的开度大小和开放时长，以达到冷却温度，其中冷却温度是小于变压器的临界温度值，以确保变压器的正常运行，优选的冷却温度为变压器的最佳工作温度以提高变压器的使用寿命，达到了根据实时温度和变压器的输出热量进行综合评定，定制符合变压器工作要求的冷却方案，确保变压器的正常运行，过程中降温液不需要人工操作，节约人力，避免人工操作不及时造成的变压器损失，或者降温液浪费的技术效果。有效解决了现有技术中通过人工给变压器浇水降温，存在大量人工体力消耗，且温度不好控制的技术问题。
32.进一步而言，本技术实施例还包括：步骤910：获得第一变压器输出功率；步骤920：根据所述第一变压器输出功率，获得第一输出损耗；步骤930：获得第一变压器运行时长；步骤940：根据所述第一变压器运行时长，所述第一输出损耗，获得第一变压器损耗量；步骤950：判断所述第一变压器损耗量是否满足第一预定阈值；步骤960：当所述第一变压器损耗量超过所述第一预定阈值时，获得第一提醒指令。
33.具体而言，为了变压器能够在合理的工作负荷下工作，以维持变压器的正常工作，延长变压器的使用寿命，根据变压器的工作状态进行合理安排，第一变压器输出功率，为变压器的历史工作功率，第一变压器运行时长为变压器的历史工作时长，根据变压器历史工作的时间长度和输出电压的损耗计算，获得第一变压器的损耗情况信息，根据第一变压器损耗量来判断变压器是否存在超负荷运转，若长时间处于高输出的情况下，变压器的损耗情况严重时，则发出提醒信息，可以更换其他设备进行替换，以均衡变压器的使用情况，维持变压器的稳定。
34.进一步而言，本技术实施例还包括：步骤1010：获得第一监测温度，所述第一监测温度为变压器在第一时间的温度；步骤1020：获得第二监测温度，所述第二监测温度为变压器在第二时间的温度，其中，所述第二时间晚于所述第一时间，且，所述第二时间与所述第一时间之间具有预定时间差；步骤1030：根据所述第一监测温度、所述第二监测温度，获得温度变化量；步骤1040：当所述温度变化量超过温度变化阈值时，获得第二冷却指令。
35.具体而言，除了根据大数据获得预测室外温度和预估的变压器热输出进行冷却方案制定，还对变压器进行实时的温度监测，当变压器的升温情况超出了预计温度时，则进行对应的冷却处理，以避免变压器温度升高严重，造成变压器损伤和避免未及时进行降温处
理而影响降温效果。当监测到变压器的升温速度超出了预计的升温速度界限时，则及时进行降温处理。
36.进一步而言，为了提高第二冷却指令的准确性，本技术实施例步骤1040包括：步骤1041：将所述温度变化量作为第一输入信息；步骤1042：将所述第一输入信息输入第三训练模型中，其中，所述第三训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述第一输入信息和用来标识冷却时长和冷却温度方案的标识信息；步骤1043：获得所述第三训练模型的第三输出结果，其中，所述第三输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度。
37.具体而言，为了提高第二冷却指令中的冷却方案定制的准确性，本技术实施例利用了神经网络模型的优势，它是将多组温度变化量和标识了标识冷却时长和冷却温度方案信息的标识信息作为训练数据，进行了模型训练，并通过大量数据训练和校正以确保神经网络模型的准确性。这样通过将所述温度变化量输入训练模型中，可以获得与标识冷却时长和冷却温度方案相匹配的输出结果。所述第三训练模型即机器学习中的神经网络模型，神经网络(neural networks，nn)是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络（artificial neural networks），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据集的训练，将所述温度变化量输入神经网络模型，则输出符合要求的冷却时长和冷却温度方案信息。
38.更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述温度变化量和用来标识冷却时长和冷却温度方案的标识信息，将所述温度变化量输入到神经网络模型中，所述神经网络模型输出满足要求的冷却时长和冷却温度方案信息的输出结果，判断所述输出信息与标识了冷却时长和冷却温度方案信息的标识信息是否一致，如一致，进行下一组数据的监督学习；如果所述输出信息与标识冷却时长和冷却温度方案信息的标识信息不一致，则所述神经网络模型进行自我修正、调整，直至获得的输出信息与标识冷却时长和冷却温度方案信息的标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的冷却时长和冷却温度方案信息更加准确，能够为制定冷却方案做科学有力的数据支撑。
39.进一步而言，本技术实施例还包括：步骤1110：获得预设时间内连续多个所述温度变化量，并将所述温度变化量作为纵坐标；步骤1120：获得所述温度变化量的时间信息，并将所述时间信息的方差作为横坐标；步骤1130：采用逻辑回归模型根据所述横坐标和所述纵坐标获得逻辑回归线，其中，逻辑回归线包括第一位置和第一角度，所述第一位置和所述第一角度位于所述横坐标和所述纵坐标所构建的坐标系中；其中，所述逻辑回归线的一侧表示第一结果，所述逻辑回
归线的另一侧表示第二结果，其中，所述第一结果和所述第二结果不同。
40.具体而言，训练模型构建时可根据所述温度变化量、所述时间信息的方差分别作为横纵坐标，建立坐标系。通过所述坐标系，根据逻辑回归算法，获得逻辑回归线。所述逻辑回归线的一侧代表第一结果，所述第一结果为冷却方案的时间长度的结果；所述逻辑回归线的另一侧为第二结果，所述第二结果为冷却方案中出水量和对应的阀门开度的结果。所述逻辑回归线受第一位置和第一角度控制，可根据所述第一位置和第一角度进行动态调整。所述第一位置和第一角度分别受第一影响参数和第二影响参数控制。通过所述监督学习，本质上为调整逻辑回归线的位置的过程。通过监督学习对所述逻辑回归线的位置不断地修正，进而来获得更加准确的获得冷却方案信息的逻辑回归模型，从而获得更加准确的定制能够将变压器温度控制在合理范围内的降温方案的神经网络模型，进而实现对降温方案的准确定制，符合变压器的温度变化情况，确保降温效果以维护变压器的正常工作。
41.进一步而言，所述根据所述冷却方案信息，获得第一冷却指令之后，本技术实施例包括：步骤1210：获得第三监测温度，所述第三监测温度为变压器在第三时间的温度；步骤1220：获得第四监测温度，所述第四监测温度为变压器在第四时间的温度，其中，所述第四时间晚于所述第三时间，且，所述第四时间与所述第三时间之间具有预定时间差；步骤1230：根据所述第三监测温度、所述第四监测温度，获得第一降温信息；步骤1240：判断所述第一降温信息是否满足降温设定要求；步骤1250：当不满足时，获得第一调整指令，所述第一调整指令用于调整所述第一冷却指令中的冷却方案。
42.进一步而言，步骤1250所述当不满足时，获得第一调整指令，为了提高第一调整指令中调整方案的准确性，本技术实施例包括：步骤1251：将所述第一降温信息、所述降温设定要求输入第四训练模型中，其中，所述第四训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述第一降温信息、所述降温设定要求和用来标识冷却时长和冷却温度方案的标识信息；步骤1252：获得所述第四训练模型的第四输出结果，其中，所述第四输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；步骤1253：根据所述第四输出结果、所述第一冷却指令，获得所述第一调整指令。
43.具体而言，对冷却效果进行实时监测，当冷却效果不能达到预定要求时，则及时调整冷却方案，为了提高调整指令中的冷却方案定制的准确性，本技术实施例利用了神经网络模型的优势，它是将多组第一降温信息、所述降温设定要求和标识了标识冷却时长和冷却温度方案信息的标识信息作为训练数据，进行了模型训练，并通过大量数据训练和校正以确保神经网络模型的准确性。这样通过将所述第一降温信息、所述降温设定要求输入训练模型中，可以获得与标识冷却时长和冷却温度方案相匹配的输出结果。所述第四训练模型即机器学习中的神经网络模型，神经网络(neural networks，nn)是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模
型为基础来描述的。人工神经网络（artificial neural networks），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据集的训练，将所述第一降温信息、所述降温设定要求输入神经网络模型，则输出符合要求的冷却时长和冷却温度方案信息。
44.更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述第一降温信息、所述降温设定要求和用来标识冷却时长和冷却温度方案的标识信息，将所述第一降温信息、所述降温设定要求输入到神经网络模型中，所述神经网络模型输出满足要求的冷却时长和冷却温度方案信息的输出结果，判断所述输出信息与标识了冷却时长和冷却温度方案信息的标识信息是否一致，如一致，进行下一组数据的监督学习；如果所述输出信息与标识冷却时长和冷却温度方案信息的标识信息不一致，则所述神经网络模型进行自我修正、调整，直至获得的输出信息与标识冷却时长和冷却温度方案信息的标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的冷却时长和冷却温度方案信息更加准确，能够为制定冷却方案做科学有力的数据支撑。以确保冷却效果能够达到要求维护变压器的正常运行，冷却方案的定制过程和冷却液的控制过程都不需要人工操作，节约人力，避免人工操作不及时造成的变压器损失，或者降温液浪费的技术效果。有效解决了现有技术中通过人工给变压器浇水降温，存在大量人工体力消耗，且温度不好控制的技术问题。
45.实施例二基于与前述实施例中一种预防高温降电网变压器损坏的方法同样发明构思，本发明还提供了一种预防高温降电网变压器损坏的系统，如图2所示，所述系统包括：第一获得单元11，所述第一获得单元11用于获得预计室外温度；第二获得单元12，所述第二获得单元12用于获得计划输出功率；第一输入单元13，所述第一输入单元13用于将所述预计室外温度、所述计划输出功率输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述预计室外温度、所述计划输出功率和用来标识预估变压器运行时限的标识信息；第三获得单元14，所述第三获得单元14用于获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括预估变压器运行时限；第四获得单元15，所述第四获得单元15用于根据所述预计室外温度、所述计划输出功率，获得预估变压器温度；第二输入单元16，所述第二输入单元16用于将所述预估变压器运行时限、所述预估变压器温度输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述预估变压器运行时限、所述预估变压器温度和用来标识冷却时长和冷却温度方案的标识信息；第五获得单元17，所述第五获得单元17用于获得所述第二训练模型的第二输出结果，其中，所述第二输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；
第六获得单元18，所述第六获得单元18用于根据所述第二输出结果中的冷却方案信息，获得第一冷却指令，所述第一冷却指令用于按照所述冷却方案信息控制所述智能控制阀的大小和时长。
46.进一步的，所述系统还包括：第七获得单元，所述第七获得单元用于获得第一变压器输出功率；第八获得单元，所述第八获得单元用于根据所述第一变压器输出功率，获得第一输出损耗；第九获得单元，所述第九获得单元用于获得第一变压器运行时长；第十获得单元，所述第十获得单元用于根据所述第一变压器运行时长，所述第一输出损耗，获得第一变压器损耗量；第一判断单元，所述第一判断单元用于判断所述第一变压器损耗量是否满足第一预定阈值；第十一获得单元，所述第十一获得单元用于当所述第一变压器损耗量超过所述第一预定阈值时，获得第一提醒指令。
47.进一步的，所述系统还包括：第十二获得单元，所述第十二获得单元用于获得第一监测温度，所述第一监测温度为变压器在第一时间的温度；第十三获得单元，所述第十三获得单元用于获得第二监测温度，所述第二监测温度为变压器在第二时间的温度，其中，所述第二时间晚于所述第一时间，且，所述第二时间与所述第一时间之间具有预定时间差；第十四获得单元，所述第十四获得单元用于根据所述第一监测温度、所述第二监测温度，获得温度变化量；第十五获得单元，所述第十五获得单元用于当所述温度变化量超过温度变化阈值时，获得第二冷却指令。
48.进一步的，所述系统还包括：第一执行单元，所述第一执行单元用于将所述温度变化量作为第一输入信息；第三输入单元，所述第三输入单元用于将所述第一输入信息输入第三训练模型中，其中，所述第三训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述第一输入信息和用来标识冷却时长和冷却温度方案的标识信息；第十六获得单元，所述第十六获得单元用于获得所述第三训练模型的第三输出结果，其中，所述第三输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度。
49.进一步的，所述系统还包括：第二执行单元，所述第二执行单元用于获得预设时间内连续多个所述温度变化量，并将所述温度变化量作为纵坐标；第三执行单元，所述第三执行单元用于获得所述温度变化量的时间信息，并将所述时间信息的方差作为横坐标；第十七获得单元，所述第十七获得单元用于采用逻辑回归模型根据所述横坐标和所述纵坐标获得逻辑回归线，其中，逻辑回归线包括第一位置和第一角度，所述第一位置和
所述第一角度位于所述横坐标和所述纵坐标所构建的坐标系中；其中，所述逻辑回归线的一侧表示第一结果，所述逻辑回归线的另一侧表示第二结果，其中，所述第一结果和所述第二结果不同。
50.进一步的，所述系统还包括：第十八获得单元，所述第十八获得单元用于获得第三监测温度，所述第三监测温度为变压器在第三时间的温度；第十九获得单元，所述第十九获得单元用于获得第四监测温度，所述第四监测温度为变压器在第四时间的温度，其中，所述第四时间晚于所述第三时间，且，所述第四时间与所述第三时间之间具有预定时间差；第二十获得单元，所述第二十获得单元用于根据所述第三监测温度、所述第四监测温度，获得第一降温信息；第二判断单元，所述第二判断单元用于判断所述第一降温信息是否满足降温设定要求；第二十一获得单元，所述第二十一获得单元用于当不满足时，获得第一调整指令，所述第一调整指令用于调整所述第一冷却指令中的冷却方案。
51.进一步的，所述系统还包括：第四输入单元，所述第四输入单元用于将所述第一降温信息、所述降温设定要求输入第四训练模型中，其中，所述第四训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述第一降温信息、所述降温设定要求和用来标识冷却时长和冷却温度方案的标识信息；第二十二获得单元，所述第二十二获得单元用于获得所述第四训练模型的第四输出结果，其中，所述第四输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；第二十三获得单元，所述第二十三获得单元用于根据所述第四输出结果、所述第一冷却指令，获得所述第一调整指令。
52.前述图1实施例一中的一种预防高温降电网变压器损坏的方法的各种变化方式和具体实例同样适用于本实施例的一种预防高温降电网变压器损坏的系统，通过前述对一种预防高温降电网变压器损坏的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种预防高温降电网变压器损坏的系统的实施方法，所以为了说明书的简洁，在此不再详述。
53.示例性电子设备下面参考图3来描述本技术实施例的电子设备。
54.图3图示了根据本技术实施例的电子设备的结构示意图。
55.基于与前述实施例中一种预防高温降电网变压器损坏的方法的发明构思，本发明还提供一种预防高温降电网变压器损坏的系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种预防高温降电网变压器损坏的方法的任一方法的步骤。
56.其中，在图3中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之
类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
57.处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
58.本技术实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：本技术实施例提供了一种预防高温降电网变压器损坏的方法，应用于智能冷却器，所述智能冷却器具有一智能控制阀，通过获得预计室外温度；获得计划输出功率；将所述预计室外温度、所述计划输出功率输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述预计室外温度、所述计划输出功率和用来标识预估变压器运行时限的标识信息；获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括预估变压器运行时限；根据所述预计室外温度、所述计划输出功率，获得预估变压器温度；将所述预估变压器运行时限、所述预估变压器温度输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组的训练数据中的每一组训练数据均包括：所述预估变压器运行时限、所述预估变压器温度和用来标识冷却时长和冷却温度方案的标识信息；获得所述第二训练模型的第二输出结果，其中，所述第二输出结果包括冷却方案信息，其中，所述冷却方案信息包括冷却时长和冷却温度；根据所述第二输出结果中的冷却方案信息，获得第一冷却指令，所述第一冷却指令用于按照所述冷却方案信息控制所述智能控制阀的大小和时长。达到了根据实时温度和变压器的输出热量进行综合评定，定制符合变压器工作要求的冷却方案，确保变压器的正常运行，过程中降温液不需要人工操作，节约人力，避免人工操作不及时造成的变压器损失，或者降温液浪费的技术效果。从而解决了现有技术中通过人工给变压器浇水降温，存在大量人工体力消耗，且温度不好控制的技术问题。
59.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
60.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。
61.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
62.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
63.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。