1.本发明属于变压器热点温度值计算领域，特别涉及一种基于数值计算与线性回归模型预测变压器热点温度的方法。
背景技术：2.配电变压器在运行过程中，内部温度分布不均匀，若局部温度异常，将加速其热老化，并影响变压器油纸绝缘的劣化程度。变压器绕组过热时，短期过热的处理措施为减少负荷，长期过热需要安装额外的变压器。需要根据预测的负荷、环境温度和冷却方式预测变压器的温度，温度的准确预测可以充分利用现有设备的容量，推迟新变压器的安装，从而为电力行业节省资金。此外，温度预测可用于确定变压器在不同负载、环境和冷却模式条件下可接受的最大负载，评估其过负载能力。实时、准确计算变压器的温升特性及热点温度有利于保障配电变压器安全稳定运行。
3.现有技术中有人提出了以神经网络模型为基础进行预测变压器温度的方法，例如中国专利文献cn 113705082a记载了一种基于改进bp神经网络的变压器热点温度预测方法，其以改进bp神经网络模型为基础，实时采集变压器运行状态下的负载电流、顶层油温、环境温度和热点温度,并根据负载电流计算负载率，提出了变压器热点温度预测方法。但是该方法不能直接根据变压器现有几何结构、物性参数、所处环境温度以及负载系数计算出此时的热点温度大小。不能挑选出更加优化的材料应用在变压器上，从而提高变压器过载能力和使用寿命的目的。也不能为最佳的设计材料变压器的设计提供数据支持。使用存在缺陷，需要改进。
技术实现要素：4.鉴于背景技术所存在的技术问题，本发明所提供的基于数值计算与线性回归模型预测变压器热点温度的方法，通过仿真计算收集了不同运行条件下变压器的温度分布数据，并基于此提出了一个布谷鸟搜索算法优化的神经网络用于预测不同运行状况下变压器绕组的热点温度，提高求解变压器温度场分布的准确性与实用性。
5.为了解决上述技术问题，本发明采取了如下技术方案来实现：
6.一种基于数值计算与线性回归模型预测变压器热点温度的方法，包括以下步骤：
7.s1、确定变压器设计对象：确定变压器的铁心、变压器油、绕制绕组铜线的材料类型；
8.s2、建立三维模型：按变压器实际结构细化绕组分布，分区域划分网格，采用单向耦合法提高迭代效率，构建三维电磁-温度-流体多物理场耦合模型；
9.s3、验证三维模型的合理性与准确性；
10.s4、求解配电变压器空载损耗大小以及额定负载下的温升分布；
11.s5、通过改变负载系数与环境温度得出变压器各结构的温升分布与绕组热点温度大小，构建热点预测模型的数据库；
12.s6、以神经网络为算法基础，使用布谷鸟搜索算法对神经网络的缺陷进行优化；所述的神经网络的缺陷为对初始参数的依赖强；
13.s7、构建用于预测配电变压器热点温度的布谷鸟-神经网络模型，并得出多种运行状态下的热点温度数据值；
14.s8、对预测结果进行分析。
15.相较于传统神经网络，所提模型在真实绕组热点温度数据集上具有更高的准确率，本工作可为配电变压器的热特性研究提供新思路。
16.优选地，在步骤s2中，建立三维模型的步骤为：
17.s2.1、确定建立三维模型的依据：均依据实际变压器设备的几何结构分布与尺寸大小构建；
18.s2.2、由于变压器可近似为对称结构，为提高计算效率，模型中取变压器中间相绕组的1/4作对称模型；
19.s2.3、采用分区域网格划分方式，将不同的区域和边界划分为不同的网格形状；
20.s2.4、基于comsol multiphysics软件中的电磁场模型求解铁心和绕组损耗，将结果逐网格耦合为传热场的热源，构建三维电磁-温度-流体多物理耦合模型；
21.s2.5、精确模拟变压器对流换热过程，并实现变压器部件温升计算和绕组热点温度值的计算。
22.优选地，步骤s2.3中，确定建模时网格划分的方法是：构建模型网格时，将仿真模型划分为互不重叠的网格，构建网格时采用结构化网格。由于流固交界面处的温度梯度是由交界面与相邻一层网格点的温度差分得到，故此处网格划分精细度较高。
23.优选地，步骤3中，验证变压器仿真模型的合理性与准确性方法是：
24.s3.1、在短路温升试验中首先对试验变压器施加额定总损耗，测定顶层油的实时温度以及计算出变压器内部全部油的平均温度；
25.s3.2、温升试验测试过程中不应出现间断，顶层油温测试结束后立即降低绕组中电流值，并在高低压绕组的测温点处安装温度传感器；
26.s3.3、在计算变压器热点温度值以及评估其冷却介质的降温效果时，需考虑顶层油温和油均温参数的影响，在温升试验中，测定上述参量的温升数值。
27.优选地，步骤4中，求解的微分形式如下：
[0028][0029][0030][0031][0032][0033]
其中，d为电位移，单位为c/m2；b为磁感应强度，单位为t；ρ为电荷密度，单位为c/m3；e为电场强度，单位为v/m；h为磁场强度，单位为a/m；j为电流密度，单位为a/m2；l为一次
绕组的磁路长，单位为m；
[0034]
流体的能量守恒方程如下所示：
[0035][0036]
其中，c
p
为定压比热容，单位为j/(kg
·
℃)；λ为热传导系数，单位为w/(m
·
k)； s
t
为总热源，单位为w，其大小为变压器空载损耗与负载损耗之和。
[0037]
优选地，步骤s5中，计算配电变压器内部温升分布与绕组热点温度大小的方法时，在仿真中通过改变负载参数与环境温度，得到不同负载系数下变压器的温升分布曲线，并整理为回归计算所需数据集。
[0038]
优选地，步骤s6中，以神经网络为基础，构建配电变压器绕组热点温度的预测模型，基于布谷鸟算法对神经网络进行优化，将神经网络作为目标函数(适应度函数)，通过智能算法对网络的权值和阈值开展寻优，确定模型中的参数设置，以获得最优的权值和偏差。
[0039]
优选地，布谷鸟搜索算法的寻优公式为：
[0040]
布谷鸟巢穴位置更新公式如：
[0041][0042]
其中，x
ti
表示第i个鸟巢在第t代的鸟巢位置；为点对点乘法；α》0为步长控制量，根据具体情况取值，常取为1；leuy(λ)为随机搜索路径：
[0043]
levy～u＝t-λ
(1＜λ≤3)；
[0044]
鸟巢位置服从均匀分布的随机数r∈[0，1]，位置更新后，对比r与巢主鸟新巢换旧巢概率pa；如果r《pa，则保留并输出最优鸟巢位置数据，否则随机选取x
it+1
，并继续开展计算。
[0045]
优选地，步骤s7中，布谷鸟算法优化神经网络的过程分为三个部分：确定神经网络结构，通过布谷鸟算法获得最佳权值和偏差，基于神经网络预测热点温度值；在温升预测模型中，目标函数为计算预测值与真实值的误差。
[0046]
优选地，步骤s8的分析过程为：通过平均相对误差、均方根误差来作为性能特征值对数据进行误差分析，评估该改进模型的有效性，误差分析公式为：
[0047][0048][0049][0050][0051]
其中，rmse为均方根误差；r2为线性回归拟合系数；mse为均方误差；mae为平均绝对误差；n为样本数量；t
t
实际热点温度大小，单位为℃；t
t*
为模型计算的预测值，单位为℃。
[0052]
本专利可达到以下有益效果：
[0053]
利用comsol multiphysics仿真模拟软件求解配电变压器不同负载系数和环境温度下的内部温升分布与热点温度大小，并构建了包含变压器油温分布、负载状况、环境温度、热点温度的数据集。在此基础上，利用布谷鸟搜索算法优化神经网络，确定神经网络的结构，优化初始权值矩阵，设定参数使得预测配电变压器的热点温度大小的误差值最小，可获得神经网络模型的一组最优参数。对比传统智能算法模型，结果表明所提方法显著改善了算法模型收敛速度及热点温度预测准确度，由此实现了对该变压器的热特性及其负载能力的分析，有助于高效准确评估变压器的运行状态，推动变压器行业的高速发展。
附图说明
[0054]
下面结合附图和实施例对本发明作进一步说明：
[0055]
图1是本发明试验配电变压器的示意图；
[0056]
图2是本发明三维仿真几何模型与网格图；
[0057]
图3是本发明变压器温升分布图；
[0058]
图4是本发明温升试验原理图；
[0059]
图5是本发明神经网络拓扑图；
[0060]
图6是本神经网络模型测试结果对比图图一；
[0061]
图7是本神经网络模型测试结果对比图图二；
[0062]
图8是本神经网络模型测试结果对比图图三；
[0063]
图9是本发明布谷鸟-神经网络模型的流程图；
[0064]
图10是本发明优化后模型的适应度曲线。
具体实施方式
[0065]
如图1-10所示，一种基于数值计算与线性回归模型预测变压器热点温度的方法，包括以下步骤：
[0066]
s1、确定变压器设计对象：确定变压器的铁心、变压器油、绕制绕组铜线的材料类型；
[0067]
s2、建立三维模型：按变压器实际结构细化绕组分布，分区域划分网格，采用单向耦合法提高迭代效率，构建三维电磁-温度-流体多物理场耦合模型；具体为：
[0068]
s2.1、确定建立三维模型的依据：均依据实际变压器设备的几何结构分布与尺寸大小构建；
[0069]
s2.2、由于变压器可近似为对称结构，为提高计算效率，模型中取变压器中间相绕组的1/4作对称模型；
[0070]
s2.3、采用分区域网格划分方式，将不同的区域和边界划分为不同的网格形状；
[0071]
确定建模时网格划分的方法是：构建模型网格时，将仿真模型划分为互不重叠的网格，构建网格时采用结构化网格。由于流固交界面处的温度梯度是由交界面与相邻一层网格点的温度差分得到，故此处网格划分精细度较高。
[0072]
s2.4、基于comsol multiphysics软件中的电磁场模型求解铁心和绕组损耗，将结果逐网格耦合为传热场的热源，构建三维电磁-温度-流体多物理耦合模型；
[0073]
s2.5、精确模拟变压器对流换热过程，并实现变压器部件温升计算和绕组热点温度值的计算。
[0074]
s3、验证三维模型的合理性与准确性；具体为：
[0075]
s3.1、在短路温升试验中首先对试验变压器施加额定总损耗，测定顶层油的实时温度以及计算出变压器内部全部油的平均温度；
[0076]
s3.2、温升试验测试过程中不应出现间断，顶层油温测试结束后立即降低绕组中电流值，并在高低压绕组的测温点处安装温度传感器；
[0077]
s3.3、在计算变压器热点温度值以及评估其冷却介质的降温效果时，需考虑顶层油温和油均温参数的影响，在温升试验中，测定上述参量的温升数值。
[0078]
s4、求解配电变压器空载损耗大小以及额定负载下的温升分布；
[0079]
求解的微分形式如下：
[0080][0081][0082][0083][0084][0085]
其中，d为电位移，单位为c/m2；b为磁感应强度，单位为t；ρ为电荷密度，单位为c/m3；e为电场强度，单位为v/m；h为磁场强度，单位为a/m；j为电流密度，单位为a/m2；l为一次绕组的磁路长，单位为m；
[0086]
流体的能量守恒方程如下所示：
[0087][0088]
其中，c
p
为定压比热容，单位为j/(kg
·
℃)；λ为热传导系数，单位为w/(m
·
k)； s
t
为总热源，单位为w，其大小为变压器空载损耗与负载损耗之和。
[0089]
s5、通过改变负载系数与环境温度得出变压器各结构的温升分布与绕组热点温度大小，构建热点预测模型的数据库；
[0090]
计算配电变压器内部温升分布与绕组热点温度大小的方法时，在仿真中通过改变负载参数与环境温度，得到不同负载系数下变压器的温升分布曲线，并整理为回归计算所需数据集。
[0091]
s6、以神经网络为算法基础，使用布谷鸟搜索算法对神经网络的缺陷进行优化；所述的神经网络的缺陷为对初始参数的依赖强；具体为：
[0092]
以神经网络为基础，构建配电变压器绕组热点温度的预测模型，基于布谷鸟算法对神经网络进行优化，将神经网络作为目标函数(适应度函数)，通过智能算法对网络的权值和阈值开展寻优，确定模型中的参数设置，以获得最优的权值和偏差。
[0093]
布谷鸟搜索算法的寻优公式为：
[0094]
布谷鸟巢穴位置更新公式如：
[0095][0096]
其中，x
ti
表示第i个鸟巢在第t代的鸟巢位置；为点对点乘法；α》0为步长控制量，根据具体情况取值，常取为1；leuy(λ)为随机搜索路径：
[0097]
levy～u＝t-λ
(1＜λ≤3)；
[0098]
鸟巢位置服从均匀分布的随机数r∈[0，1]，位置更新后，对比r与巢主鸟新巢换旧巢概率pa；如果r《pa，则保留并输出最优鸟巢位置数据，否则随机选取x
it+1
，并继续开展计算。
[0099]
s7、构建用于预测配电变压器热点温度的布谷鸟-神经网络模型，并得出多种运行状态下的热点温度数据值；具体为：
[0100]
布谷鸟算法优化神经网络的过程分为三个部分：确定神经网络结构，通过布谷鸟算法获得最佳权值和偏差，基于神经网络预测热点温度值；在温升预测模型中，目标函数为计算预测值与真实值的误差。
[0101]
s8、对预测结果进行分析。具体为：
[0102]
通过平均相对误差、均方根误差来作为性能特征值对数据进行误差分析，评估该改进模型的有效性，误差分析公式为：
[0103][0104][0105][0106][0107]
其中，rmse为均方根误差；r2为线性回归拟合系数；mse为均方误差；mae为平均绝对误差；n为样本数量；t
t
实际热点温度大小，单位为℃；t
t*
为模型计算的预测值，单位为℃。
[0108]
相较于传统神经网络，所提模型在真实绕组热点温度数据集上具有更高的准确率，本工作可为配电变压器的热特性研究提供新思路。下面以实施例的形式来说明本发明的操作方法：
[0109]
实施例1：
[0110]
如图1中，试验变压器的高低压绕组为铜导线绕制而成的饼式绕组。为提高过负载承受能力，匝绝缘采用的耐热等级为h级，其他结构绝缘材料采用不同耐热等级材料。选取此配电变压器开展研究。
[0111]
具体实施时，构建试验变压器三维模型时进行结构优化，根据变压器的实际结构将绕组细化为饼状结构，同时考虑了变压器水平油道内油流的轴向分布特性，以及油流沿圆周方向的温度分布，几何模型见图2。仿真模型基于有限元法进行数值计算时，计算精度
与占用单元网格的质量与数量成正比，优质网格使得几何模型结构具有高还原度。仿真模型需减少计算量时，均衡时间与精度，得到同时满足计算精度与迭代时间的结果，寻求一种经济的有限元计算模型。因此，构建模型网格时，将仿真模型划分为互不重叠的网格，构建网格时采用结构化网格。由于流固交界面处的温度梯度是由交界面与相邻一层网格点的温度差分得到，故此处网格划分精细度较高，划分后几何模型的网格见图2。
[0112]
然后可以在origin软件对变压器中存在材料的物性参数进行拟合，将其拟合为数学函数，如表1所示。
[0113]
表1材料物性参数
[0114][0115][0116]
变压器温升试验得到空载损耗和负载损耗，在进行热源加载时，为了计算方便，取平均损耗密度均匀施加在各发热体中，变压器各发热部位的生热率见表2。
[0117]
表2配电变压器的损耗及生热率
[0118][0119]
变压器运行过程是非理想状态，各结构件会产生损耗转化为热量散发到周围介质中，引起内部温度上升。配电变压器内部温升分布见图3。当轴向高度增加，铁心与绕组的温度随之升高但不均匀。变压器内部温度由于在铁耗、铜耗等损耗的持续发热而逐渐升高，最终达到热平衡状态。油道内变压器油受热后温度升高，油密度减小而造成的浮力差，导致绝缘油沿油道向上流动，变压器内部油流出口温度将高于入口温度。由于变压器下端部散热效果优于上端部，故上端温度高于下端温度。当变压器稳定运行时，热点温度位于低压绕组上部约9/10处。
[0120]
更具体地，在仿真中通过改变负载参数，得到不同负载系数下变压器的温升分布曲线，对非晶合金植物绝缘油配电变压器进行过负荷能力评估，自然油循环冷却方式下变压器的热点温度结果如表3所示。
[0121]
表3自然油循环冷却方式下变压器的热点温度大小
[0122][0123][0124]
随后，采用短路试验法进行温升试验，验证变压器多物理场耦合仿真模型的合理性与准确性，以实际测试数据作为标准，与仿真结果进行对比。试验接线如图4所示。通过变压器温升试验得到的温度分布结果并与仿真结果对比，仿真结果与试验数据的温度分布趋势基本一致，对于变压器的温升预测较准确。
[0125]
为了建立具有普适性的变压器绕组热点温度预测模型，必须构建包含变压器各种不同运行状态下的特征数据集。外部环境能显著影响变压器与外部空间的热交换，改变换热效率从而影响变压器的绕组热点温度，所以环境温度被选为特征变量。此外，变压器的负载情况会影响铁心及线圈的发热，直接影响热源的辐射和传导过程，所以负载的过负荷倍数亦被选取用于构建数据库。将数据随机分割成训练集与测试集两部分，其中样本总数的80％为用于训练热点预测模型的训练集，20％为用于验证模型可行性的测试集。部分训练数据集的样本如表4所示。
[0126]
表4训练样本数据集
[0127][0128]
基于神经网络模型，以过负荷系数、实时环境温度等作为输入因素，输出热点温度，构建配电变压器的热点预测模型。神经网络拓扑图见图5，训练过程见以下步骤：
[0129]
(1)网络初始化：初始化输入层、隐含层、输出层神经元之间的连接权值ω
ij
和ω
jk
，初始化隐含层i、输出层k的阈值。
[0130]
(2)计算隐含层hj的输出：
[0131][0132]
式中，f为隐层的激活函数；xi是神经元的输入变量；aj是隐藏层的阈值或偏移值。本文选取的函数为sigmoid函数：
[0133][0134]
(3)计算输出层的结果ok：
[0135][0136]
式中，bk为输出层的阈值或偏移值。
[0137]
(4)误差计算，根据网络预测输出ok和期望输出yk，网络预测误差ek：
[0138]ek
＝y
k-ok；
[0139]
(5)权重更新，根据网络预测误差ek更新网络连接权值ω
ij
和ω
jk
：
[0140][0141]
其中，η为学习速率；xi为输入值。
[0142]
(6)阈值更新：根据网络预测误差ek更新网络节点阈值aj和bk。
[0143][0144]
(7)确定算法的迭代是否已经结束或者达到要求误差范围之内。达到后，模型训练完成，若未达到，返回步骤(2)。
[0145]
神经网络模型训练结果与理想对比见图6-8所示。预测值的拟合效果好，且训练速度快、计算效率高。但神经网络模型在实际应用中也存在弊端，初始权值和阈值是随机生成的导致算法不稳定；且采用梯度下降法存在局限性，包括训练时间过长，局部搜索能力较弱等问题。由于布谷鸟搜索算法具有优越的寻优能力，针对上述问题，本文基于布谷鸟搜索算法优化神经网络，克服盲目选择初始值导致算法的不稳定性，同时提高了预测结果的可靠性。优化方法见图9所示。
[0146]
为减小迭代次数、保证训练结果的实用性。训练热点温度时设定模型的隐含层数为5，确认检查值为6。学习率选取为0.01，若迭代次数达到1000或误差率低于10e-5，迭代将停止。表5为布谷鸟搜索算法算法优化神经网络模型后初始权值阈值的选择结果。wh为输入层到隐藏层的权值矩阵，bh为隐藏层的阈值。wo为隐藏层到输出层的权值矩阵，bo为输出层的阈值。根据已确定模型结构，通过训练集的数据来训练模型，不断迭代训练，获得普适性强、泛化性强的模型。
[0147]
表5基于布谷鸟搜索算法优化神经网络的初始权值与阈值大小
[0148][0149]
表6模型改进前后的训练结果对比
[0150][0151]
基于布谷鸟搜索算法优化的神经网络模型与传统神经网络模型的寻优迭代结果分析，对比分析改进前后布谷鸟算法对神经网络模型对于热点温度预测结果，见表6 所示。可知，改进后模型的误差特征值明显减小、准确率得到提高，样本迭代效率提升，运行时间显著缩短，在热点温度大小预测方向具有较大优势。图10为优化模型的适应度曲线，其终止代数为50，说明此模型迭代50次即可收敛，表明优化后模型的收敛速度得到提升。
[0152]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
技术特征：1.一种基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于包括以下步骤：s1、确定变压器设计对象：确定变压器的铁心、变压器油、绕制绕组铜线的材料类型；s2、建立三维模型：按变压器实际结构细化绕组分布，分区域划分网格，采用单向耦合法提高迭代效率，构建三维电磁-温度-流体多物理场耦合模型；s3、验证三维模型的合理性与准确性；s4、求解配电变压器空载损耗大小以及额定负载下的温升分布；s5、通过改变负载系数与环境温度得出变压器各结构的温升分布与绕组热点温度大小，构建热点预测模型的数据库；s6、以神经网络为算法基础，使用布谷鸟搜索算法对神经网络的缺陷进行优化；所述的神经网络的缺陷为对初始参数的依赖强；s7、构建用于预测配电变压器热点温度的布谷鸟-神经网络模型，并得出多种运行状态下的热点温度数据值；s8、对预测结果进行分析。2.根据权利要求1所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：在步骤s2中，建立三维模型的步骤为：s2.1、确定建立三维模型的依据：均依据实际变压器设备的几何结构分布与尺寸大小构建；s2.2、为提高计算效率，三维模型中取变压器中间相绕组的1/4作对称模型；s2.3、采用分区域网格划分方式，将不同的区域和边界划分为不同的网格形状；s2.4、基于comsol multiphysics软件中的电磁场模型求解铁心和绕组损耗，将结果逐网格耦合为传热场的热源，构建三维电磁-温度-流体多物理耦合模型；s2.5、精确模拟变压器对流换热过程，并实现变压器部件温升计算和绕组热点温度值的计算。3.根据权利要求2所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：步骤s2.3中，确定建模时网格划分的方法是：构建模型网格时，将仿真模型划分为互不重叠的网格，构建网格时采用结构化网格。4.根据权利要求1所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：步骤3中，验证变压器仿真模型的合理性与准确性方法是：s3.1、在短路温升试验中首先对试验变压器施加额定总损耗，测定顶层油的实时温度以及计算出变压器内部全部油的平均温度；s3.2、温升试验测试过程中不应出现间断，顶层油温测试结束后立即降低绕组中电流值，并在高低压绕组的测温点处安装温度传感器；s3.3、在计算变压器热点温度值以及评估其冷却介质的降温效果时，需考虑顶层油温和油均温参数的影响，在温升试验中，测定上述参量的温升数值。5.根据权利要求1所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：步骤4中，求解的微分形式如下：
其中，d为电位移，单位为c/m2；b为磁感应强度，单位为t；ρ为电荷密度，单位为c/m3；e为电场强度，单位为v/m；h为磁场强度，单位为a/m；j为电流密度，单位为a/m2；l为一次绕组的磁路长，单位为m；流体的能量守恒方程如下所示：其中，c
p
为定压比热容，单位为j/(kg
·
℃)；λ为热传导系数，单位为w/(m
·
k)；s
t
为总热源，单位为w，其大小为变压器空载损耗与负载损耗之和。6.根据权利要求1所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：步骤s5中，计算配电变压器内部温升分布与绕组热点温度大小的方法时，在仿真中通过改变负载参数与环境温度，得到不同负载系数下变压器的温升分布曲线，并整理为回归计算所需数据集。7.根据权利要求1所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：步骤s6中，以神经网络为基础，构建配电变压器绕组热点温度的预测模型，基于布谷鸟算法对神经网络进行优化，将神经网络作为目标函数，通过智能算法对网络的权值和阈值开展寻优，确定模型中的参数设置，以获得最优的权值和偏差。8.根据权利要求1所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：布谷鸟搜索算法的寻优公式为：布谷鸟巢穴位置更新公式如：其中，x
ti
表示第i个鸟巢在第t代的鸟巢位置；为点对点乘法；α>0为步长控制量，根据具体情况取值，常取为1；leuy(λ)为随机搜索路径：levy～u＝t-λ
(1＜λ≤3)；鸟巢位置服从均匀分布的随机数r∈[0，1]，位置更新后，对比r与巢主鸟新巢换旧巢概率pa；如果r<pa，则保留并输出最优鸟巢位置数据，否则随机选取x
it+1
，并继续开展计算。9.根据权利要求1所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：步骤s7中，布谷鸟算法优化神经网络的过程分为三个部分：确定神经网络结构，通过布谷鸟算法获得最佳权值和偏差，基于神经网络预测热点温度值；在温升预测模型中，目标函数为计算预测值与真实值的误差。10.根据权利要求1所述的基于数值计算与线性回归模型预测变压器热点温度的方法，其特征在于：步骤s8的分析过程为：通过平均相对误差、均方根误差来作为性能特征值对数据进行误差分析，评估该改进模型的有效性，误差分析公式为：
其中，rmse为均方根误差；r2为线性回归拟合系数；mse为均方误差；mae为平均绝对误差；n为样本数量；t
t
实际热点温度大小，单位为℃；t
t*
为模型计算的预测值，单位为℃。
技术总结一种基于数值计算与线性回归模型预测变压器热点温度的方法，步骤为：确定变压器设计对象；构建三维电磁-温度-流体多耦合场仿真模型；获得不同负荷系数和环境温度下变压器各测温点温度与热点温度大小；建立预测模型训练与验证时所用数据库；基于神经网络构建配电变压器绕组热点温度的预测模型；选取布谷鸟搜索算法优化神经网络模型的初始权值和阈值。建立基于布谷鸟搜索算法优化神经网络模型预测热点温度的方法，得到不同运行环境下配电变压器热点温度的数值大小。本发明有利于评估该变压器的运行状态，为后续配电变压器的使用运行提供参考数据。对于确保配电变压器安全运行、提升农村电力保障水平具有实际工程意义。农村电力保障水平具有实际工程意义。农村电力保障水平具有实际工程意义。
技术研发人员：郑含博 胡钧浩 郭婧 敬佳兴 李一航
受保护的技术使用者：广西大学
技术研发日：2022.07.25
技术公布日：2022/11/1
