基于LSTM算法的变电设备发热预测技术研究

苏 宁，李亚锦，张婉莹，张国新，于大洋，刘英男

（1.海南电网有限责任公司琼海供电局，海南 琼海 571400；2.山东大学电气工程学院，山东 济南 250061）

0 引言

人工智能的红外图像识别技术［1］能够识别红外测温图像中的发热点并计算温差指标，在机器人巡检中能够代替人工发现缺陷［2］。但针对变电设备发热的诊断是在缺陷发生后，单纯依靠温差阈值［3］仅能判断设备的当前状态，无法对其发热趋势进行跟踪预测。环境温度和负载升高，有可能导致设备绝对温度的进一步升高，缺陷由一般发展为严重缺陷，但在迎峰度夏、度冬封网期间，设备不易停电处理。因此需要新的手段对变电设备热点温度、相对温差进行预测，在迎峰度夏之前进行预见性检修。

设备状态并不能单纯依据红外测温指标来评判，还要结合设备的电压等级、厂家型号、运行年限、环境天气等运行因素做出综合评价和判断［4-8］。这种分析需要依赖运维检修人员的经验和专业水平，需要长期积累，并且因人而异，难以实现标准化，难以保证延续性。而且在运维实际中，这些多维度、多来源的数据往往不完整，存在大量错误信息，给缺陷的综合评判带来困难。

当前人工智能的关键技术已应用到设备运维检修中［9-10］，并取得了一定的诊断效果。针对设备状态预测方法包括基于时间序列的回归分析模型［11］、支持向量机［12］、多维度评价［13-14］和深度学习［15-17］等算法。但基于时间序列的回归模型是以线性模型为基础，难以满足变电设备运行状态多维非线性特性。……