用于变压器温度预测的基于物理场数据增强的深度网络

• 作者: 钟振鑫 董玉玺 张作刚 黄晓波 马志学 王曹 广东电网有限责任公司惠州供电局
• 来源期刊: 高压电器
• 关键词: 变压器温度 深度学习 物理场模型 数据增强 CAT-LSTM
• 年，卷（期）: 2024,（8）
• 所属期刊栏目: 变压器技术
• 页码范围: 108-114
• 页数: 7页
• 语种: 中文
• DOI: 10.13296/j.1001-1609.hva.2023.08.013

摘要

深度网络是预测变压器温度以进行火灾预防的常用方法，但标准训练数据的不足将限制预测模型的有效性。文中提出了一种用于变压器温度预测的基于物理场数据增强的深度网络。首先分析了铁心损耗原理，建立了损耗计算模型。然后探讨了变压器内部的热传递机理，并建立了热传递机制模型。将损耗计算模型和热传递机制模型相结合构建出物理场模型。通过对不同参数下变压器温度变化过程进行模拟，收集得到的数据可以用于增强深度网络的训练数据。最后，使用增强后的数据训练深度网络CAT-LSTM以进行温度预测。实验结果表明，该深度网络具有较高的预测精度。