预测变压器的油温的制作方法
【专利说明】预测变压器的油温
[0001]相关申请
[0002]本申请要求于2012年11月19日提交的名称为“电力系统的简档化(profiling)变压器”的美国临时专利申请第61/727，890号的优先权。
技术领域
[0003]本申请涉及电力系统的技术领域，尤其涉及用于预测当期望负荷被应用到电力系统的变压器时，该变压器该如何响应的系统和/或技术。
【背景技术】
[0004]电力系统包括被配置用来供应、传输和/或使用电力的电气部件或电力系统设备。例如，电力网(例如，也称为电气配电电网)包括发电机、输电系统和/或配电系统。发电机或发电站被配置来从燃料(例如，煤、天然气等)或非燃料(例如诸如风、太阳能、核能等)产生电力。输电系统被配置来将电力从发电机携带或传输到负荷。配电系统被配置来将提供的电力馈送到附近的家庭、商业企业和/或其它设施。在其它的电气部件中，这样的电力系统可以包括一个或多个变压器，被配置来将一个电压处(例如用来传输电力的电压)的电力转换或变压到另一个电压处(例如由接收电力的负荷期望的电压)的电力。取决于电力系统的规模和/或应用到该变压器的负荷，购买变压器的成本可以范围从几千美元到超过一百万美元。
【发明内容】
[0005]本
【发明内容】
被提供来以简单形式介绍理念的选择，其将在下面的【具体实施方式】中进一步描述。本
【发明内容】
不旨在识别所要求保护主题的关键因素或基本特征，也不旨在用来限制所要求保护主题的范围。
[0006]根据一个方面，提供了一种用于电力系统的方法。该方法包括基于经由机器学习算法开发的变压器的简档(profile)，针对期望负荷预测电力系统的变压器的油温。
[0007]根据另一个方面，提供了一种用于电力系统的方法。该方法包括识别该电力系统的第一变压器的故障，该第一变压器支持第一负荷。该方法还包括识别该电力系统的第二变压器，该第二变压器针对预定时间可以支持该第一负荷的至少一些。识别该第二变压器包括基于该第二变压器的简档来估计针对预定时间该第二变压器能支持的负荷。该方法还包括将该第一负荷的至少一些转移到该第二变压器，该第二变压器的总负荷没有超过估计的负荷。
[0008]根据又一个方面，提供了一种用于电力系统的系统。该系统包括简档生成部件，其被配置为使用神经网络算法来开发该电力系统的变压器的简档。该神经网络算法接收作为输入的对应于该变压器的历史数据。该系统还包括预测部件，被配置为基于该变压器的简档来预测在期望负荷处的该变压器的油温。
[0009]为了前述和相关目的的完成，下面的描述和附图提出某些示例性方面和实施例。这些是仅指示其中可以采用的一个或多个方面的各种方式中的一些。本公开的其它方面、优点和新颖特征将在结合附图考虑时从以下的详细描述而变得明显。
【附图说明】
[0010]图1为图示用于电力系统的示例性方法的流程图。
[0011]图2为图示用于将负荷从电力系统的第一变压器转移到第二变压器的示例性方法的流程图。
[0012]图3图示用于识别故障变压器的负荷可以被转移到的一个或多个变压器的示例周围。
[0013]图4图示用于电力系统的示例系统的部件框图。
[0014]图5为示例性计算机可读介质的图示，其中可以包括被配置为实现本文提出的一个或多个措施(provis1ns)的处理器可执行指令。
[0015]图6图示示例性计算周围，其中本文提出的一个或多个措施可以被实施。
【具体实施方式】
[0016]现在参考附图描述请求保护的主题，其中贯穿全文相同的附图标记一般用来指示相同的要素。在下列描述中，出于解释的目的，提出许多特定细节以提供对要求保护主题的理解。然而，显然的是，请求保护的主题可以在没有这些特定细节的情况下被实践。在其它实例中，结构和设备可以以框图的形式说明以便有助于描述请求保护的主题。
[0017]电力系统的电力网常常包括一个或多个变压器，被配置来将在一个电压处的电力(例如用来输电的电压)转换到在另一个电压处的电力(例如由接收电力的负荷所期望的电压)。有时，期望将至少一些负荷从电力系统中的第一变压器转移到第二变压器。例如，该第一变压器可能故障和/或可能至少部分断开用于维修和/或测试(例如，使第一变压器离线)。当第一变压器离线时为了维持电力系统的性能，可能期望将第一变压器的负荷转移到一个或多个其它的变压器。然而，将负荷转移到变压器(例如，潜在地使变压器超负荷)可能会增加变压器将故障的风险(例如，进一步减小电力系统的性能)。
[0018]因此，提供系统和/或技术用于确定变压器能支持的负荷(例如，在没有故障和/或在变压器的油温没有达到特定的阈值的情况下)。更特别的，提供系统和/或技术用于预测当期望负荷被应用到变压器时该变压器的油温和/或预测变压器可以支持该期望负荷多久。油温通常对应于(例如，直接相关于)变压器的故障。当变压器的油温达到特定水平时，该变压器通常故障和/或处于故障的高风险。因此通过预测变压器的油温，可以确定该变压器是否能支持期望负荷。此外，例如，可以确定在油温没有达到特定值(例如，邻近变压器可能故障的值)的情况下变压器可以支持理想负荷多久。
[0019]用于预测变压器的油温的一个实施例(例如，用于确定变压器能否支持期望负荷)通过图1中的示例方法100图示。该示例方法100开始于102，并且在104利用来自电力系统的历史数据来训练机器学习算法。即，换句话说，算法被设计或开发，以尝试识别电力系统的历史数据中的模型或趋势。这样，当对应于特定变压器的数据被提供时，可以开发指示变压器被期望将怎样在各种情况下响应的简档。
[0020]短语历史数据在本文中被用来描述在一段时间上已经收集的数据。这样，历史数据可能反映已经在电力系统或其部件中随着时间发生的变化。例如，历史数据可以描述变压器的特性(例如，诸如油温)怎样随着该变压器的操作条件(例如，诸如应用的负荷、邻近变压器的周围空气温度等)的改变而变化。
[0021]尽管电力系统可以包括多个不同类型的电气部件，诸如断路器、变压器、发电机等，但是该历史数据可以仅涉及电力系统的电气部件的子集。举例来说，在一个实施例中，历史数据可以仅关于电力系统的变压器和/或仅关于变压器的特定类(例如，被配置来在第一电压或第一电压范围和第二电压或第二电压范围之间转换电压)O在另一个实施例中，例如，被用来训练机器学习算法的历史数据可以涉及(例如，从中得到)电力系统的多个不同来源或不同类型的电气部件。
[0022]该历史数据可以尤其包括从被可操作地耦合到在历史数据中代表的电气部件的一个或多个传感器中得到的历史传感器数据和/或从在电气部件上执行的一个或多个的现场测试中得到的历史现场测试数据。举例来说，嵌入在电力系统的变压器内的传感器可以周期地或间歇地测量相应变压器的一个或多个属性，以提供相应变压器在获取测量结果的那一刻的性能/健康的快照。经过一段时间，可以获取多个快照来产出历史传感器数据。
[0023]历史现现场测试数据可以表示在某时间长度上执行的多个现现场测试。这样的现现场测试可以测量作为传感器的相同属性和/或可以测量不由传感器测量的一个或多个属性。举例来说，传感器可以被配置来测量少于六种溶解气体(例如，在变压器的油中)并且现场测试可以被配置来测量十种以上的溶解气体(例如，其可以与由传感器测量的溶解气体重叠或可以不重叠)。因此，现场测试可以测量与传感器有关的电气部件的相同或不同的属性/特性。
[0024]历史传感器数据和历史现场测试数据之间的另一种不同可能涉及从其得到数据的测量怎样/何时发生。例如，当变压器或其它电气部件在操作时传感器测量可能发生，而当变压器或其它电气部件没有操作或断开时现场测试测量可以被执行(例如，当传感器或其它电气部件断开时，现场测试测量采用的样本可以被获取)。
[0025]由传感器测量和在历史传感器数据中呈现的属性可以尤其是传感器被可操作地耦合到的电力系统设备的类型的函数。类似地，由现场测试数据测量的和在历史现场数据中呈现的属性可以尤其是现场测试被执行处的电力系统设备类型的函数。举例来说，在变压器中，溶解气体浓度、油温、水油比例