一种变压器状态预测方法、系统及计算机可读存储介质与流程

本发明涉及变压器状态预测，具体为一种变压器状态预测方法、系统及计算机可读存储介质。

背景技术：

1、目前，众多的变压器状态感知与预测模型，大多都是基于深度学习。而大多的深度学习都以数据驱动，模型复杂度高、参数多，其黑箱性质，使得变压器的运维人员难以理解模型做出决策的依据，进而无法判断决策是否合理。

技术实现思路

1、本发明所要解决的技术问题在于：解决基于深度学习的变压器状态感知与预测模型，都以数据驱动，模型复杂度高、参数多，其黑箱性质，使得变压器的运维人员难以理解模型做出决策的依据，进而无法判断决策是否合理的问题。

2、为解决上述技术问题，本发明提供如下技术方案：

3、一种变压器状态预测方法，包括：

4、s100，获取变压器运行状态样本；

5、s200，将变压器运行状态样本作为输入，构建基于极限学习机的稀疏自编码模型；

6、s300，通过稀疏自编码模型，获取隐层抽象特征及对应的差分特征，并应用隐层抽象特征和差分特征重构变压器运行状态样本；

7、s400，对重构的变压器运行状态样本进行采样后，再次代入稀疏自编码模型中，获取新样本；并获取新样本到采样重构的变压器运行状态样本中的特征距离；设定一个根据特征距离形成的可解释样本特征集；应用可解释样本特征集获取可解释线性回归模型；

8、s500，构建可解释线性回归模型的加权平方损失函数，获取最优变压器可解释数据驱动模型；

9、s600，应用最优变压器可解释数据驱动模型预测变压器状态。

10、优点：本发明基于深度学习算法，通过隐层稀疏分析方法建立一个具有可解释性的变压器数据驱动模型，使得变压器的运行状态和性能变化更易于理解和解释为变压器的运行提供更好的监测和控制手段，从而保障电网运行的安全稳定。

11、在本发明的一实施例中，构建基于极限学习机的稀疏自编码模型，包括以下步骤：

12、s210，输入极限学习机的输入层神经元数目d，隐层神经元数目l，输出层神经元数目k；

13、s220，利用式(1)表示单隐层神经网络第i个变压器运行状态样本对应的第k个输出神经元的输出fk(xi)，k＝1,…,k；

14、

15、式中，βk＝[βk1,…,βkl,…,βkl]t表示连接l个隐层神经元和第k个输出神经元的输出权重列向量，βkl表示第l个隐层神经元和第k个输出神经元之间的输出权重向量，h(xi)＝[h1(xi),…,hl,…,hl(xi)]t表示输入变压器运行状态特征xi的隐层神经元特征，l＝1,…,l；

16、其中，hl(xi)＝σ(xiwl+bl)；式中，σ(·)表示隐层的激活函数，wl表示第l个隐层神经元的权值，bl表示第l个隐层神经元的偏置；

17、s230，结合隐层神经元特征输出，构建基于transformed-l1范数和范数的稀疏自编码模型；

18、s240，利用优化目标函数优化稀疏自编码模型。

19、在本发明的一实施例中，步骤s230中，获取稀疏自编码模型，包括以下步骤：

20、s231，结合隐层神经元的权值，设置范数和范数；

21、

22、式中，p(w)表示范数，∥w∥2,1表示范数，w＝[wi1,wi2,…,wil]t表示第i个变压器运行状态样本的l个隐层神经元的权值矩阵，a>0表示控制函数形状的参数；

23、s232，利用公式(8)构建稀疏自编码模型目标函数；

24、

25、式中，lmse(·)表示损失函数，b＝[bi1,bi2,…,bil]t表示第i个样本的l个隐层神经元的偏置矩阵，μ1>0以及μ2>0均为稀疏正则化项的超参数，表示第i个变压器运行状态样本的k维输出；n个变压器运行状态输入特征样本；

26、s233，利用式(9)表示权值矩阵w的迭代递推公式，并利用近端梯度下降算法更新，求解稀疏自编码模型的参数；

27、

28、其中，r表示当前迭代的次数，η为近端下降的步长，表示梯度下降符号。

29、在本发明的一实施例中，步骤s240中，利用优化目标函数优化稀疏自编码模型，包括以下步骤：

30、s241，利用公式(10)构建优化目标函数；

31、

32、式中，是通过步骤s233迭代更新获得的参数，x＝[x1,x2,…,xn]t为n个变压器运行状态输入特征样本，为重构后的变压器运行状态输入特征样本，i为一列全为1的向量，∥·∥f表示f-范数，∥·∥1表示范数，λ>0表示正则化参数，表示“定义”；σ(·)为激活函数；

33、s242，利用凸松弛求解式(10)，得到βk。

34、在本发明的一实施例中，步骤s300中，获取隐层抽象特征及对应的差分特征，包括：

35、s311，利用式(11)、(12)对隐藏层进行分解，获取隐层级抽象特征集及对应的差分特征；

36、

37、式中，表示第m-1个分解层对应的βk，βk表示连接l个隐层神经元和第k个输出神经元的输出权重列向量，表示的广义违逆，hm表示第m个分解层对应的隐层级抽象特征集，表示重构后的第m-1个分解层对应的隐层级抽象特征集，e(m-1)表示第m-1个分解层的重构误差，dm表示第m个分解对应的差分特征，m＝1,2,…,m，m表示分解层数；

38、s312，构建基于稀疏自编码模型的模块化差分学习的变压器数据驱动模型；利用公式(13)和公式(14)表示隐层级抽象特征集及对应的差分特征集，利用式(15)表示变压器运行状态输入特征样本x的差分特征dx；

39、{hm,m＝1,2,…,m}， (13)；

40、{dm,m＝1,2,…,m}， (14)；

41、

42、在本发明的一实施例中，步骤s300中，重构变压器运行状态样本，包括：利用最后一个分解层的特征输出hm以及相对应的差分特征集式{dm,m＝1,2,…,m}重构变压器运行状态输入特征样本x；

43、

44、其中，为变压器运行状态输入特征样本x的有效逼近，为最后一个分解层的特征输出hm的重构，为的重构。

45、在本发明的一实施例中，应用以下逻辑，对步骤s300中的变压器数据驱动模型进行优化：

46、s321，输入极限学习机的输入层神经元数目d，隐层神经元数目l，输出层神经元数目k，n个变压器运行状态输入特征样本输入特征x，超参数μ1，μ2，λ，隐层神经元的权值矩阵w，隐层神经元的偏置矩阵b，连接l个隐层神经元和第k个输出神经元的输出权重列向量βk；

47、s322，通过式(9)更新隐层神经元的权值矩阵w；

48、

49、其中，r表示当前迭代的次数，η为近端下降的步长，表示梯度下降符号；lmse(·)表示损失函数，xi为第i个变压器运行状态样本，表示第i个变压器运行状态样本的k维输出；

50、s323，通过式(12)获得隐层输出矩阵h，去除随机性；

51、s324，通过式(10)优化计算输出权重列向量βk；

52、s325，通过式(11)计算隐层级差分特征dm；

53、s326，通过式(13)、(14)分别输出抽象特征集hm、差分特征集dx；

54、s327，通过式(16)输出重构的变压器运行状态输入特征样本

55、其中，式(10)为：

56、

57、式中，jelm-sae稀疏自编码模型的优化目标函数，是稀疏自编码模型的迭代更新获得的参数，x＝[x1,x2,…,xn]t为n个变压器运行状态输入特征样本，为重构后的变压器运行状态输入特征样本，i为一列全为1的向量，||·||f表示f-范数，||·||1表示范数，λ>0表示正则化参数，表示“定义”；σ(·)为激活函数；βk表示连接l个隐层神经元和第k个输出神经元的输出权重列向量；b＝[bi1,bi2,…,bil]t表示第i个样本的l个隐层神经元的偏置矩阵。

58、在本发明的一实施例中，步骤s400中，获取可解释线性回归模型，包括：

59、s410，利用公式(17)在重构的变压器运行状态输入特征进行采样；

60、

61、其中，zid为zi＝[zi1,zi2,…,zid]t中的第id个特征，ai是通过标准正态分布生成的一个随机数，σid为第id个特征在中的标准差，重复式(17)n次，生程n个新样本z＝[z1,z2,…,zn]t；

62、s420，将生成的n个新样本z输入到公式(1)中，利用公式(18)表示新的训练输出样本矩阵

63、

64、式中，βk＝[βk1,…,βkl,…,βkl]t表示连接l个隐层神经元和第k个输出神经元的输出权重列向量，βkl表示第l个隐层神经元和第k个输出神经元之间的输出权重向量，h(zi)＝[h1(zi),…,hl,…,hl(zi)]t表示新样本特征zi的隐层神经元特征，l＝1,…,l；

65、s430，利用公式(19)计算新样本z到重构的变压器运行状态输入特征样本的距离；

66、

67、其中，表示新样本z到重构的变压器运行状态输入特征样本的距离函数，∈表示超参数；

68、s440，设定一个根据式(19)得到可解释样本特征集为z′＝[z1,z2,…,zn′]t，n′≤n，利用式(20)构建用来可解释线性回归模型g(z′)；

69、g(z′)＝wg·z′＝w0+w1·z1+…+wn′·zn′，(20)；

70、式中，线性回归模型g(z′)的系数wg＝(w0,w1,…,wn′)。

71、在本发明的一实施例中，步骤s500中，利用公式(21)构建可解释线性回归模型的加权平方损失函数以获取最优变压器可解释数据驱动模型；

72、

73、式中，f(z)为新样本z特征的隐层神经网络的输出。

74、本发明还提供一种上述所述的变压器状态预测方法的系统，包括：

75、样本模块，用于获取变压器运行状态样本；

76、稀疏模型模块，用于将变压器运行状态样本作为输入，构建基于极限学习机的稀疏自编码模型；

77、重构样本模块，用于通过稀疏自编码模型，获取隐层抽象特征及对应的差分特征，并应用隐层抽象特征和差分特征重构变压器运行状态样本；

78、可解释线性回归模块，用于对重构的变压器运行状态样本进行采样后，再次代入稀疏自编码模型中，获取新样本；并获取新样本到采样重构的变压器运行状态样本中的特征距离；设定一个根据特征距离形成的可解释样本特征集；应用可解释样本特征集获取可解释线性回归模型；

79、可解释数据驱动模块，用于构建可解释线性回归模型的加权平方损失函数，获取最优变压器可解释数据驱动模型；

80、预测模块，用于应用最优变压器数据驱动模型预测变压器状态。

81、本发明还提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时，处理器执行上述所述的变压器状态预测方法。

82、与现有技术相比，本发明的有益效果是：通过构建的基于极限学习机的稀疏自编码模型，降低模型的复杂度和参数多的问题。构建基于稀疏自编码模型的模块化差分学习的变压器数据驱动模型，在极限学习机中融入稀疏性的显式表达和隐藏表达，其目的是期望在保证精度的前提下，加速模型的运算效率，提升模型的可解释性，以及去除相关参数的冗余性等，采用的稀疏深度差分网络框引入差分特征的概念，以替代通常将抽象特征作为输入的有效表达这一经典的特征学习模式，通过对变压器多维特征量的逐模块差分学习，重构变压器运行状态样本，使得网络整体或端到端上的可解释性分析演变为更为容易的局部化分析。并通过局部可解释性方法研究了变压器数据驱动模型的可解释性，避免黑箱性质，使得变压器的运行状态和性能变化更易于理解和解释，给出变压器的运维人员做出决策的依据，为变压器的运行提供更好的监测和控制手段，从而保障电网运行的安全稳定。