(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110615550.4 (22)申请日 2021.06.02 (65)同一申请的已公布的文献号 申请公布号 CN 113393102 A (43)申请公布日 2021.09.14 (73)专利权人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 范敏　彭港　贾世韬　孟鑫余　 夏嘉璐　 (51)Int.Cl. G06Q 10/06(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01)(56)对比文件 CN 107918 830 A,2018.04.17 CN 111582571 A,2020.08.25 CN 10949 2866 A,2019.0 3.19 CN 110222897 A,2019.09.10 CN 111831895 A,2020.10.27 CN 111753093 A,2020.10.09 CN 111144638 A,2020.0 5.12 US 2018101313 A1,2018.04.12 审查员 张昕 (54)发明名称 一种基于数据驱动 的配电变压器运行状态 趋势预测方法 (57)摘要 本发明公开一种基于数据驱动的配电变压 器运行状态趋势预测方法， 主要步骤为： 1)构建 一套配电变压器运行状态评估指标体系； 2)利用 层次分析 ‑德尔菲算 法(AHP‑Delphi)计算指标权 重值； 3)建立配电变压器运行状态实时评估模 型； 4)利用LSTM ‑SVM算法建立指标预测模型； 5) 将指标预测值输入步骤3配电变压器运行状态实 时评估模型中， 得到配电变压器运行状态的预测 结果。 本发明具有较好的通用性和应用性， 适用 于油浸式配电变压器和干式配电变压器， 能够及 时反映配电变压器未来运行状态的变化趋势， 预 测结果能在满足准确性要求的前提下为配电运 维管理人员提供辅助决策支撑 。 权利要求书2页 说明书4页 附图3页 CN 113393102 B 2022.08.12 CN 113393102 B 1.一种基于数据驱动的配电变压器运行状态趋势预测方法， 其特征在于， 主要包括以 下步骤： 1)从配电变压器低压侧三相电压、 电流数据中提取特征， 结合配电变压器 固有特性， 构 建一套配电变压器运行状态评估指标体系， 具体包含负载率 f1、 三相不平衡度f2、 电压偏差 f3、 重载累计时间f4、 重载持续时间f5、 过载累计时间f6、 过载持续时间f7、 三相不平衡累计时 间f8、 三相不平衡持续时间f9、 电压偏差累计时间f10、 电压偏差持续时间f11、 配电变压器家 族缺陷系 数f12和配电变压器寿命系 数f13指标； 其中， 指标f1、 指标f2、 指标f3为配电变压器 的即时状态特征， 指标f4、 指标f5、 指标f6、 指标f7、 指标f8、 指标f9、 指标f10、 指标f11为配电变 压器的累积状态特 征， 指标f12和指标f13为配电变压器的固有属性特 征； 将评估指标体系划分为三个层次， 依次向下分别为目标层、 准则层和指标层； 目标层为 配电变压器运行状态评估指标体系； 准则层为 实时型、 统计型和基础型指标， 其中实时型指 标包含配电变压器的即时状态特征， 统计型指标包含配电变压器的累积状态特征， 基础型 指标包含配电变压器的固有属性特征； 指标层为指标 f1、 指标f2、 指标f3、 指标f4、 指标f5、 指 标f6、 指标f7、 指标f8、 指标f9、 指标f10、 指标f11、 指标f12和指标f13； 统计型指标可由实时型指 标算出； 2)利用层次分析 ‑德尔菲算法AHP ‑Delphi计算准则层中实时型和统计型指标的权重 值、 指标层中指标f1、 指标f2、 指标f3、 指标f4、 指标f5、 指标f6、 指标f7、 指标f8、 指标f9、 指标f10 和指标f11的权重值； 指标权重值的计算 步骤如下： 2.1)让多个专家为指标的两两判断矩阵赋值， 利用Delphi法计算指标的两两判断矩阵 的平均判断矩阵； 2.2)计算平均判断矩阵的离散度， 检验专家意见一致性， 若专家意见一致， 将平均判断 矩阵作为AHP算法的输入矩阵， 若不 一致， 返回步骤2.1； 2.3)计算输入矩阵的最大特征值λmax以及对应 的特征向量α， 利用AHP算法检验输入矩 阵的一致性， 若通过检验， 将α 归一化后的数值结果作为指标权重值， 若检验不通过， 返回步 骤2.1； 3)建立配电变压器运行状态实时评估 模型； 建立配电变压器运行状态实时评估 模型的主 要步骤如下： 3.1)获取指标层中各指标的数据； 3.2)对指标层中指标f1、 指标f2、 指标f3、 指标f4、 指标f5、 指标f6、 指标f7、 指标f8、 指标 f9、 指标f10和指标f11建立分段评分规则， 评估结果采用百分制； 3.3)将上述指标的评估结果在指标层次上进行加权综合； 3.4)将指标层次上的加权综合评估结果进一步在准则层次上进行加权综合， 得到配电 变压器运行状态的初步评估结果； 3.5)将配电变压器运行状态的初步评估结果乘以指标f12的计算结果， 再乘以指标f13的 计算结果， 得到配电变压器运行状态的最终评估结果； 3.6)利用配电变压器运行状态实时评估模型对配电变压器进行连续评估， 得到配电变 压器运行状态实时动态 画像图； 4)利用LSTM ‑SVM算法建立指标f1、 指标f2和指标f3的预测模型；权　利　要　求　书 1/2 页 2 CN 113393102 B 2建立指标f1、 指标f2、 和指标f3预测模型的主 要步骤如下： 4.1)获取指标f1、 指标f2和指标f3时间尺度为d1的历史数据， 构建时序特征和标签， 主要 步骤如下： 4.1.1)以滑动窗口方式构建时序特 征和标签， 滑动窗口大小为d2， 滑动窗口步长为d3； 4.1.2)将滑动窗口内前d2‑1个时刻的数据作为时序特征， 并归一化处理， 将滑动窗口内 d2时刻的数据作为标签； 4.1.3)将时序特 征数据和标签数据划分为训练样本集和 测试样本集； 4.2)利用长短期记忆神经网络LSTM提取上述指标历史数据的变化规律特征， 设置LSTM 神经网络的输入数据格式， 输入数据格式为三维数组， 包括数据样本个数n_samples、 时间 展开步数n_ steps和每个时间步输入的特征个数n_features； 设置LSTM神经网络参数， 包括 网络层数n_layers和 神经单元的循环核个数n_kernels； 4.3)将指标f1、 指标f2和指标f3历史数据的变化规律特征输入到支 持向量回归SVM模型 中， 设置SVM模型参数， 包括核函数kernel_function和惩罚系数C； 利用SVM模型对指标f1、 指标f2和指标f3未来时刻的指标值进行 预测； 4.4)将训练样本集输入到LSTM ‑SVM预测模型中， 完成LSTM ‑SVM预测模型的训练； 4.5)将测试样本集输入到训练后的LSTM ‑SVM预测模型中， 输出指标f1、 指标f2和指标f3 的预测值， 计算指标f1、 指标f2和指标f3的预测值与真实标签之间的均方误差mse； 判断mse ≤阈值 ε是否成立， 若成立， 则保留LSTM ‑SVM预测模型的参数， 若不成立， 则返回步骤4.2； 5)将指标f1、 指标f2和指标f3前d2‑2个时刻的历史数据以及当前时刻的实时数据输入到 LSTM‑SVM预测模型中， 得到指标的预测结果； 6)根据指标f1的预测值， 计算出指标f4、 指标f5、 指标f6和指标f7的预测值； 根据指标f2 的预测值， 计算出指标f8和指标f9的预测值； 根据指标f3的预测值， 计算出指标f10和f11的预 测值； 7)将指标f1、 指标f2、 指标f3、 指标f4、 指标f5、 指标f6、 指标f7、 指标f8、 指标f9、 指标f10和 指标f11的预测值输入步骤3配电变压器 运行状态实时评估模型中， 进行连续评估， 得到配电 变压器运行状态趋势的预测结果。权　利　要　求　书 2/2 页 3 CN 113393102 B 3