面向云邊協同的配電變壓器運行狀態評估及態勢預測

摘要：隨著電力物聯網建設的高速推進，在配電物聯網“云管邊端”建設體系指導下，文章提出一種配電變壓器運行狀態評估與趨勢預測通用技術架構。該架構將分別部署在云中心與邊緣節點處，在云邊協同機制支持下分析處理海量電力數據，完成對大規模配電變壓器集群的運行管理。具體流程包括提取配電變壓器基礎狀態、即時狀態、累積狀態等多維特征，構建評估指標體系，通過動態評估模型實現對配電變壓器運行狀態的實時畫像描述；根據特征數據流的時序性和變化趨勢，借助長短期記憶循環神經網絡提取數據規律，結合支持向量回歸模型進行預測，獲得未來時段的特征數據流，并以此輸入動態評估模型，實現配電變壓器未來運行態勢預測。最后，通過實例論證了該技術架構的適用性和先進性。

關鍵詞：數據驅動；云邊協同；運行狀態實時畫像；長短期記憶人工神經網絡；支持向量回歸；態勢預測

中圖分類號：TM421文獻標志碼：A文章編號：1000-582X（2023）05-050-12

Operation state assessment and situation prediction of distribution transformer for cloud edge collaboration

ZHANGBo1 ， LIU Haitao1 ， PENGGang2 ， FAN Min2 ， JIAShitao2 ， SUNYong3 （1. China Electric Power Research Institute， Beijing 100192， P. R . China;2. College of Automation，Chongqing University， Chongqing 400044， P. R . China;3. State Grid Shandong Electric Power Research Institute， Jinan 250000， P. R . China）

Abstract： The construction of the Power Internet of Things has been under rapid progress . With the guidance of the “cloud-pipe-edge-terminal” constructionsystem ，thispaperpresentsageneraltechnicalframeworkfor operationstate evaluation and trend prediction of distribution transformer. The framework is deployed in cloud center and edge nodes， and use the cloud edge collaboration mechanism to analyze and process massive power datasoastocompletetheoperationmanagementof large-scaledistributiontransformercluster. Thespecific process includes extracting multi-dimensional characteristics of distribution transformer， such as basic state， real- time state and cumulative state， constructing evaluation index system ， and realizing real-time portrait description of distribution transformer operationstate throughdynamicevaluation model. According to the timeorder andchange trend of the characteristic data stream ， Long Short-Term Memory network （LSTM） is used for extracting the regulations of characteristic data， andSupport Vector Regression model （SVR） for its prediction . Then， the futurecharacteristicdataflowisobtainedandinputintothedynamicevaluationmodeltorealizethefuture operation trend prediction of the distribution transformer. Finally， examples are given to illustrate the advanced nature and applicability of the technology framework .

Keywords： datadriven; cloudedgecollaboration; realtimeportraitofoperationstate; LSTM ; SVR ; trend prediction

配電變壓器作為配電網的核心設備，對其進行有效的運行狀態評估與預測，對于建設堅強配電網、保障電力系統的安全平穩運行具有重要意義。變壓器運行狀態評估方法的主要建模思路[1?7]是構建評估指標體系，確定指標權重值；建立指標評估規則，對各指標的評估情況進行加權綜合，得到配電變壓器的最終評估結果。

在已有的變壓器運行狀態評估研究方法中，文獻[8?11]大多利用變壓器絕緣油相關的特性作為評估指標，該類方法僅適用于油浸式變壓器，并且評估周期較長；文獻[12?14]主要以變壓器運行工況和歷史記錄的相關特性作為評估指標，可用于干式和油浸式變壓器，該類方法存在評估數據獲取困難、指標計算復雜等不足，并且引入非數值型的定性指標，增加了評估的不確定性；文獻[15]和文獻[16]研究鐵芯和繞組相關電氣試驗指標的計算函數，試圖用這些指標表征變壓器狀態，該類方法基于特定的條件和理想的假設，在實際環境中難以復現。綜上所述，已有的研究方法在通用性上還存在欠缺。

隨著電網在線監測技術的廣泛應用，電力設備的實時監控數據增多，以數據為驅動的人工智能方法漸漸應用于電力指標和電力設備狀態的預測。文獻[17?18]分析了電力負荷數據的變化規律及影響其變化的特征量，采用人工神經網絡建立電力負荷的短期預測模型。文獻[19]和文獻[20]分別采用概率圖和機器學習模型對變壓器絕緣油中的溶解氣體的產生及發展規律進行分析，進而對變壓器的狀態進行預測，但該類方法僅限用于油浸式變壓器，且受現場監測條件限制，大部分變壓器不易獲取絕緣油中溶解氣體相關數據。目前，電力設備狀態預測的方法研究還處于探索初期，未來電力設備的實時監控數據逐漸完備，如何挖掘并利用數據價值是建立電力設備狀態評估與預測模型的關鍵。

低壓配電網下的配電變壓器數量不斷增加，配用電環節產生的數據逐漸呈現出海量、數據復雜、處理邏輯復雜、存儲周期長、計算頻度高的大數據特征[21?22]。在配電物聯網技術下，采用“云管邊端”架構，云中心負責數據深度挖掘和高級業務的處理，邊緣計算終端負責數據采集和就地處理，滿足業務的實時要求，云邊協同機制為電力大數據的深入分析提供了有效的解決方案[23?24]。筆者借鑒已有方法中變壓器評估模型和電力指標預測的思想，從數據驅動的角度提出一種配電變壓器運行狀態評估與預測的通用技術架構，在云邊協同機制支持下部署在云端與邊端，能夠快速分析海量的電力數據，完成對大規模配電變壓器集群的運行管理。該技術構架是對配電變壓器健康管理模式的有益探討，使配電變壓器運行管理更加靈活、高效，具有較好的適用性。

1 動態評估及趨勢預測技術架構

隨著電力物聯網的發展，電力設備的監控數據增多，對電力設備狀態的評估更為實時、高效、準確。筆者從數據驅動的角度，提出一種配電變壓器運行狀態評估與趨勢預測的技術架構（見圖1）。在配電物聯網“云管邊端”的建設體系下，該構架由云邊協同機制支持進行部署，可以對大規模配電變壓器集群的運行狀態并行評估和預測，對干式和油浸式配電變壓器均適用。具體表現為將數據采集和特征提取功能部署在邊緣融合終端上，將運行狀態評估與預測模型部署在云中心，形成數據協同、業務協同、計算資源協同的運行策略和內在邏輯，云邊協同的機制能夠提高數據處理能力，使大規模配電變壓器集群的運行狀態評估與預測滿足實時響應，從而實現配電變壓器精準運維管理。

筆者從配電變壓器的電壓、電流等監測數據中提取多維特征，包括配電變壓器運行的基礎狀態、即時狀態、累積狀態等，以此構建配電變壓器運行狀態的評價指標體系，建立動態評估模型，實現配電變壓器運行狀態的實時畫像描述，從而及時掌握配電變壓器運行狀態的變化規律。相比變壓器的電氣試驗和油氣試驗指標，文中所提取的多維特征易計算、實時性更強，計算時間尺度可動態調整，滿足配電設備狀態評估實際工作的動態需求。描述配電變壓器運行狀態動態變化的多維特征具有一定的時序性和變化規律，利用人工智能模型對其建模預測，結合動態評估方法，能夠對配電變壓器未來的運行狀態進行畫像描述，提前感知運行狀態的劣化趨勢，有助于開展配電變壓器預測性維護工作。采用滑動窗口機制對特征進行預測，可以靈活控制預測時間尺度，滿足實際工作的動態需求。

2 配電變壓器運行狀態評估

2.1 指標體系

筆者參考國家電網公司導則文件[25]，并對某供電區域的配電變壓器（包括正常運行和故障）的歷史運行數據進行詳細分析，從配電變壓器的電壓、電流數據中提取能夠反映變壓器運行狀態且容易計算的狀態信息作為主要評估指標，構建一套配電變壓器運行狀態評估指標體系，包含目標層、準則層和指標層，如表1所示。將數據采集、特征提取和歷史數據存儲等業務部署在邊緣智能融合終端上，分擔云中心算力的承載壓力，加快數據處理速度。

評估指標設計為實時型、統計型和基礎型3種類型，實時型指標可以表征配電變壓器當前的運行狀況，統計型指標可以反映配電變壓器歷史累積運轉狀況，基礎型指標是配電變壓器本身的固有特性。以上評估指標均可用于干式和油浸式配電變壓器的運行狀態評估，并且統計型指標可以根據工作實際需要動態設置統計時間尺度。

文中實時型和基礎型指標的計算方法參考了國家電網公司導則文件[25]。為了及時反映配電變壓器異常運行的累積效應，提出了重載累計/持續時間、過載累計/持續時間、三相不平衡累計/持續時間和電壓偏差累計/持續時間等8個統計型指標，其計算方法具體設置如下：

1）重載累計時間Lzz

式中：?i為第i時刻配電變壓器的負載率；ki 為第i時刻配電變壓器重載狀態；t為對歷史數據的統計時間尺度，文中統計時間尺度為24 h。

2）重載持續時間Czz

式中：?為當前時刻配電變壓器的負載率；Czz -1為配電變壓器上一時刻的重載持續時間。

3）過載累計時間Lgz

式中，m i 為第i時刻配電變壓器過載狀態。

4）過載持續時間Cgz

式中：?為當前時刻配電變壓器的負載率；Cgz -1為配電變壓器上一時刻的過載持續時間。

5）三相不平衡累計時間Lbph

式中：ωi為第i時刻配電變壓器的三相不平衡度；qi 為第i時刻配電變壓器三相不平衡狀態。

6）三相不平衡持續時間Cbph

式中：ω為當前時刻配電變壓器的三相不平衡度；Cbph -1為配電變壓器上一時刻的三相不平衡持續時間。

7）電壓偏差累計時間Lpc

式中：θi為第i時刻配電變壓器的電壓偏差；pi 為第i時刻配電變壓器電壓偏差狀態。8）電壓偏差持續時間Cpc

式中：θ為當前時刻配電變壓器的電壓偏差；Cpc -1為配電變壓器上一時刻的電壓偏差持續時間。

2.2 指標權重

文中選用層次分析（analytic hierarchy process，AHP ）和德爾菲法（Delphi）的綜合模型計算指標權重值。 AHP 是為了將復雜問題進行分解而形成的一種方法，它通過對復雜問題進行分析，將總問題分解成很多子問題，再將子問題分解成更小的問題，從而建立起層次分明的指標體系來描述復雜的問題。Delphi 也稱專家打分法，是一種能夠充分利用群體專家的知識和經驗的評估方法。由于 AHP 主觀性太強，因此引入 Delphi，使指標權重更客觀。

AHP-Delphi 法計算指標權重的流程為：讓多個專家為指標的兩兩判斷矩陣賦值，求取兩兩判斷矩陣的平均判斷矩陣；計算平均判斷矩陣離散度，檢驗專家意見一致性，若專家意見不一致，返回第一步重新賦值計算，若一致，將平均判斷矩陣作為 AHP 的輸入矩陣；計算輸入矩陣的最大特征值λmax以及對應的特征向量α，利用λmax檢驗輸入矩陣的一致性，若檢驗不通過，返回第一步重新賦值計算，若通過，將α歸一化后的數值作為指標權重值。

2.3 實時動態評估

周期性的試驗指標和工況記錄常用于配電變壓器的狀態評估，對這些信息的融合需要引入復雜的模糊理論，導致評估效率較低，實時性不強。文中所提取的指標均為數值型，因此對各個指標建立分段評估規則，分段區間以及相應的指標得分由專家的知識和經驗得到。對指標數據流進行實時評估和加權綜合，得到配電變壓器運行狀態實時動態畫像。配電變壓器運行狀態實時動態評估流程如圖2所示。指標和配電變壓器的評估結果均采用百分制，分數越低表示指標和配電變壓器的狀態越差，配電變壓器發生故障的概率越高。根據評估結果得分，將配電變壓器的運行狀態分為“優”“良”“中”“差”4種狀態，運行狀態與評估分值對應的關系如表2所示。“優”狀態表示評估指標數值較小，均在正常范圍內；“良”狀態表示

指標數值有增大的趨勢，但還處于正常范圍內；“中”狀態表示指標數值持續增大，并且超過正常范圍；“差”狀態表示指標數值明顯增大，遠超出正常范圍。

3 配電變壓器運行狀態趨勢預測

3.1 指標預測

3.1.1 長短期記憶神經網絡

長短期記憶神經網絡（long short-term memory，LSTM ）作為一種高效的循環神經網絡結構[26]，在各個領域得到了廣泛的應用。在處理長期依賴關系時，LSTM 主要是為了克服標準循環神經網絡梯度消失的問題而設計。神經元是人工神經網絡中最基本的結構，LSTM 的神經單元模型如圖3所示，LSTM 將輸入門、輸出門和遺忘門添加到神經元中，這樣的結構可以有效地緩解梯度消失的問題。將多個 LSTM 神經單元進行連接與排列，形成能夠提取數據序列時間特征的循環網絡結構。

3.1.2支持向量機

支持向量機（support vector machine，SVM ）是一種二分類算法，其核心思想是基于間隔最大化的規則尋找一個超平面，將數據樣本進行分割。在分類任務中，SVM 將問題轉化為一個凸二次規劃來求解。支持向量回歸（support vector regression，SVR ）是基于 SVM 實現的回歸模型，其基本原理是將原始數據樣本投射到高維的特征空間，再通過線性回歸在高維空間中尋求最優的回歸超平面，從而實現數據分析和預測的目的[27]。SVR 本質是 SVM，所以將 SVM 實現的分類和回歸模型統稱為 SVM 。SVM 能夠有效解決高維特征的回歸問題，并且泛化能力強。

以二分類任務為例，給定訓練數據集 T={（x 1 ，y 1） ， （x2 ，y2） ， … ， （ xN ，yN ）}，其中 xi ∈n，yi∈{+1， -1}，i =1，2， … ，N，xi 為第i個特征向量，yi為類標記。尋找一個超平面對上述數據進行劃分，并且使超平面兩側的空白區域最大化，超平面記作（w .xi ）+ b =0。根據以上定義，SVM 模型求解最大分割超平面問題可以表示為以下約束最優化問題：

式（13）和式（14）是含有不等式約束的凸二次規劃問題，可以使用拉格朗日乘子得到其對偶問題，便于計算優化。除此之外，在 SVM 的對偶問題求解中，引入核函數和軟間隔最大化，可以較好地解決非線性回歸問題。

3.1.3LSTM -SVM 預測模型

實時型指標具有時序數據的特征，其預測任務是一個多維非線性回歸問題，文中結合 LSTM 模型和 SVM 模型各自的優點，采用 LSTM -SVM 模型對實時型指標進行預測。文中設計的 LSTM -SVM 模型具有3層 LSTM 網絡結構和2層全連接神經網絡結構，最后連接 SVM 模型，具體模型結構如圖4所示。LSTM 網絡對輸入的實時型指標數據進行時序規律特征提取，全連接神經網絡進一步提取實時型指標數據的非線性特征，其中引入 Dropout 層緩解特征過擬合的問題；SVM 模型對深度神經網絡提取的多維特征進行回歸學習，預測實時型指標的數值。

同時，考慮到預測的動態性，文中利用實時型指標當前時刻以及過去23個時刻的數值預測未來下一時刻的數值，采用滑動窗口機制可滾動預測未來多個時刻的數值?；瑒哟翱陬A測示意如圖5所示。

3.2 運行狀態趨勢預測

結合上述指標預測和配電變壓器運行狀態動態評估模型，對配電變壓器運行狀態進行預測，配電變壓器運行狀態預測流程如圖6所示。

4 算例分析

4.1 運行狀態評估實例

在云邊協同機制下，利用文中方法對某供電區域內的46臺（34臺干式，12臺油浸式）配電變壓器進行實時動態評估。邊緣融合終端完成底層數據采集、特征提取等工作，并將特征數據流上傳至云中心，云中心調用評估模型實現對配電變壓器運行狀態的實時評估，同時對數據進行存儲，便于多維度地配電數據分析。從干式和油浸式配電變壓器中各選取1種型號展示評估結果，配電變壓器1天24小時運行狀態的實時畫像如圖7所示。

以圖7（a）為例，從圖中可以看出配電變壓器運行狀態的動態性變化，這是由指標的實時變化引起。文中指標數據的計算頻率為一小時一次，可以改變指標數據的計算頻率，實現配電變壓器動態性評估。將實時評估結果與變壓器實際運行情況進行對比，方法能夠準確反映指標的變化情況和變壓器的運行狀態，并且通過對配電變壓器歷史的運行狀態畫像進行規律分析，可以掌握變壓器運行狀態的變化模式和劣化原因，從而制定及時、精準的維修策略。

4.2 實時型指標預測實例

文中選取配電變壓器2017年1月至7月的4944例實時型指標數據作為訓練集，選取2017年8月的744例數據作為測試集。采用 LSTM 、SVM 、LSTM -SVM 3種模型對實時型指標進行預測實驗對比，在訓練預測模型時，需要對數據進行標準化處理，以提高模型的預測精度。3種模型對測試集中某天數據樣本的預測結果如圖8所示。

對比圖8中3種模型的預測結果，LSTM 、SVM 、LSTM -SVM 均可擬合負載率和電壓偏差的變化趨勢，但 LSTM -SVM 更為精確；三相不平衡度的變化規律不明顯，LSTM 和 SVM 對其預測效果較差，但 LSTM -SVM 能夠提取三相不平衡度的變化規律特征并準確擬合其變化趨勢。利用某供電區域內的46臺配電變壓器進行上述模型驗證，各個模型的平均絕對誤差如表3所示。平均絕對誤差體現模型的性能，其值越小，模型預測精度越高。表3中，LSTM -SVM 模型對負載率、三相不平衡度、電壓偏差3個實時型指標預測的平均絕對誤差最小，進一步證明了文中提出的 LSTM -SVM 模型對實時型指標預測的有效性。

4.3 運行狀態預測實例

在云邊協同機制下，利用文中提出的研究方法對某供電區域內的46臺（34臺干式，12臺油浸式）配電變壓器進行運行態勢預測。云中心利用歷史特征數據以及邊緣終端上傳的實時特征數據，實現對特征數據的預測，并將未來時刻的特征數據輸入到運行狀態評估模型中，完成對配電變壓器運行狀態的預測。同樣從干式和油浸式配電變壓器中各選取1種型號展示預測結果，配電變壓器未來運行狀態的實時畫像如圖9所示。

從圖中可以看出，預測的運行狀態畫像與實際評估基本擬合，某些時刻存在分數偏差，但這些時刻的預測狀態趨勢與實際評估狀態趨勢是一致的，驗證了預測模型的精確性。從未來運行狀態畫像中不僅可以提前感知風險狀態，還能夠分析運行狀態的變化趨勢。在圖9中，2臺配電變壓器的運行狀態在未來24 h 都未出現風險狀態，但觀察到油浸式配電變壓器的運行狀態在未來5～7 h 出現短暫的劣化趨勢后恢復良好狀態，19～24 h 出現持續劣化的趨勢。根據上述趨勢預測，可以為配電變壓器故障概率推斷提供科學依據，有助于開展有效的預測性維護，從而為降低運維成本、提高配電設備可靠性提供保障。

5 結束語

在電力物聯網逐步發展的背景下，以數據為驅動的電力分析技術是必然發展趨勢。筆者從配電變壓器電壓、電流數據中動態提取能夠反映變壓器運行狀態的多維信息，將其作為捕捉配電變壓器運行狀況動態變化的關鍵特征，提出一種配電變壓器運行狀態動態評估與預測的通用技術架構，相比以往的變壓器狀態評估方法，能夠對配電變壓器的運行狀態進行實時畫像描述，提前感知運行狀態的劣化趨勢。該架構在云邊協同機制支持下進行部署，形成數據協同、業務協同、計算資源協同的運行策略和內在邏輯，與數據直接上傳至云端處理的過程相比，加快了數據中間結果計算、暫存的速度，顯著提高了配電變壓器運行狀態評估與預測業務場景的效率，更加符合實際工程應用，為大規模配電變壓器集群的運行管理提供一種新思路。最后通過實驗驗證了該架構的可行性與適用性，具有推廣應用價值。但是，文中提出的滑動窗口預測機制存在誤差累計問題，限制了預測時間尺度的延長，下一步將重點改善機器學習模型參數，提高預測精度。

參考文獻

[1]皮杰 ， 宋佳翰 ， 張先捷 ， 等.基于故障本征證據和特征指標的換流變壓器狀態評估[J].電力自動化設備 ， 2020， 40（6）：128-134.

PiJ，SongJH ，ZhangXJ，etal. Conditionassessmentof convertertransformerbasedonintrinsicfaultevidencesand characteristic indicators[J]. Electric Power Automation Equipment， 2020， 40（6）：128-134.（in Chinese）

[2] 楊歡紅 ， 丁宇濤 ， 周敬嵩 ， 等.基于最優權重和區間灰數動態灰靶的變壓器狀態評估[J].電力系統保護與控制 ， 2019， 47（7）：66-74.

Yang H H ， Ding Y T， Zhou J S ， et al. A condition assessment method of transformers based on optimal weight and dynamic grey target with interval grey number[J]. Power System Protection and Control， 2019， 47（7）：66-74.（in Chinese）

[3] 彭道剛 ， 陳躍偉 ， 范俊輝 ， 等.基于層次分析法和粗糙集的變壓器狀態評估研究[J].高壓電器 ， 2019， 55（7）：150-157.

Peng D G ， Chen Y W， Fan J H ， et al. Research on assessment of transformer state using analytic hierarchy process and rough set theory[J]. High Voltage Apparatus， 2019， 55（7）：150-157.（in Chinese）

[4] Zhang X ， Li J L ， Liu G Z ， et al. Transformers condition evaluation based on Bayesian classifier[J]. IOP ConferenceSeries：Materials Science and Engineering， 2018， 452：042031.

[5] 謝成 ， 曹張潔 ， 溫典 ， 等.基于實時運行數據挖掘的配電變壓器狀態評估[J].浙江電力 ， 2017， 36（8）：1-6.

XieC ，CaoZJ，WenD ，etal. Stateevaluationof distributiontransformersbasedonreal-timeoperationdatamining[J]. Zhejiang Electric Power， 2017， 36（8）：1-6.（in Chinese）

[6] 宋人杰 ， 劉瑞英 ， 王林.灰色定權聚類和變權模式在變壓器狀態評估中的應用研究[J].電工電能新技術 ， 2017， 36（3）：75-80.

Song R J， Liu R Y， Wang L . Application of grey fixed weight clustering and variable weight model in transformer condition evaluation[J]. Advanced Technology of Electrical Engineering and Energy， 2017， 36（3）：75-80.（in Chinese）

[7] Jasni J， Azmi A ，Azis N ， et al. Assessment of transformer health index using different model[J]. Pertanika Journal of Scienceand Technology， 2017， 25（1）：143-150.

[8] 章亮 ， 楊俊杰.基于多維正態云模型的電力變壓器狀態評估[J].電測與儀表 ， 2020， 57（4）：129-135.

ZhangL ， YangJJ . Stateassessmentof powertransformersbasedonmulti-dimensionalnormalcloudmodel[J]. Electrical Measurement amp; Instrumentation， 2020， 57（4）：129-135.（in Chinese）

[9] 譚貴生 ， 曹生現 ， 趙波 ， 等.基于關聯規則與變權重系數的變壓器狀態綜合評估方法[J].電力系統保護與控制 ， 2020， 48（1）：88-95.

TanGS ，CaoSX ，ZhaoB ，etal. Anassessmentof powertransformersbasedonassociationrulesandvariableweight coefficients[J]. Power System Protection and Control， 2020， 48（1）：88-95.（in Chinese）

[10]吳廣寧 ， 夏國強 ， 粟茂 ， 等.基于頻域介電譜和補償因子的油紙絕緣水分含量和老化程度評估方法[J].高電壓技術 ， 2019，45（3）：691-700.

Wu G N ， Xia G Q ， Su M ， et al. Evaluation method for moisture content and aging degree of transformer oil-paper insulation basedonfrequencydielectricspectroscopyandcompensationfactor[J]. HighVoltageEngineering， 2019， 45（3）：691-700.（in Chinese）

[11] Okabe S ， Kaneko S ， Kohtoh M ， et al. Analysis results for insulating oil components in field transformers[J]. IEEE Transactionson Dielectrics and Electrical Insulation， 2010， 17（1）：302-311.

[12]楊志淳 ，靖曉平 ，樂健 ，等.基于 MI-PSO -BP 算法的配電設備狀態實時評估方法[J].電力自動化設備 ，2019，39（12）：108-113.

YangZC ，JingXP，LeJ，etal. Real-timeconditionassessmentmethodbasedonMI-PSO -BPalgorithmfordistribution equipment[J]. Electric Power Automation Equipment，2019，39（12）：108-113.（in Chinese）

[13]徐巖 ，陳昕.基于合作博弈和云模型的變壓器狀態評估方法[J].電力自動化設備 ，2015，35（3）：88-93.

Xu Y，ChenX . Transformerstatusassessment basedoncooperativegameandcloudmodel[J]. ElectricPower Automation Equipment， 2015， 35（3）：88-93.（in Chinese）

[14]阮羚 ， 謝齊家 ， 高勝友 ， 等.人工神經網絡和信息融合技術在變壓器狀態評估中的應用[J].高電壓技術 ， 2014， 40（3）：822-828.

RuanL ，XieQJ，GaoSY，etal. Applicationofartificialneuralnetworkandinformationfusiontechnologyinpower transformer condition assessment[J]. High Voltage Engineering， 2014， 40（3）：822-828.（in Chinese）

[15]劉興平.配電變壓器健康狀態在線監測與評估方法研究[D].重慶：重慶大學 ， 2013.

Liu X P. Study on on-line monitoring and assessment for health status of distribution transformers[D]. Chongqing： Chongqing University， 2013.（in Chinese）

[16]陳一鳴 ， 梁軍 ， 張靜偉 ， 等.基于改進參數辨識的三繞組變壓器繞組狀態在線監測方法[J].高電壓技術 ， 2019， 45（5）：1567-1575.

Chen Y M ， Liang J， Zhang J W， et al. Method of online status monitoring for windings of three-winding transformer based on improved parameter identification[J]. High Voltage Engineering， 2019， 45（5）：1567-1575.（in Chinese）

[17]陸繼翔 ， 張琪培 ， 楊志宏 ， 等.基于 CNN -LSTM 混合神經網絡模型的短期負荷預測方法[J].電力系統自動化 ， 2019， 43（8）：131-137.

Lu J X ， Zhang Q P， Yang Z H ， et al. Short-term load forecasting method based on CNN -LSTM hybrid neural network model[J]. Automation of Electric Power Systems， 2019， 43（8）：131-137.（in Chinese）

[18] Jin X B ， Wang H X ， Wang X Y， et al. Deep-learning prediction model with serial two-level decomposition based on Bayesianoptimization[J]. Complexity， 2020：1-14.

[19]周湶 ， 孫超 ， 安文斗 ， 等.基于云推理及加權隱式半 Markov 模型的變壓器故障預測[J].高電壓技術 ， 2015， 41（7）：2268-2275.

Zhou Q ， Sun C ， An W D ， et al. Transformer failure prediction based on cloud reasoning and weighted implicit semi-Markov model[J]. High Voltage Engineering， 2015， 41（7）：2268-2275.（in Chinese）

[20]代杰杰 ， 宋輝 ， 盛戈皞 ， 等.采用 LSTM 網絡的電力變壓器運行狀態預測方法研究[J].高電壓技術 ， 2018， 44（4）：1099-1106.

Dai J J， Song H ， Sheng G H ， et al. Prediction method for power transformer running state based on LSTM network[J]. High Voltage Engineering， 2018， 44（4）：1099-1106.（in Chinese）

[21] Al Ridhawi I， OtoumS ，Aloqaily M ， et al. Providing secure and reliable communication for next generation networks in smartcities[J]. Sustainable Cities and Society， 2020， 56：102080.

[22] Zhao J H ， Li Q P， Gong Y， et al. Computation offloading and resource allocation for cloud assisted mobile edge computing invehicular networks[J]. IEEE Transactions on Vehicular Technology， 2019， 68（8）：7944-7956.

[23] Song F， Zhu M Q ， Zhou Y T， et al. Smart collaborative tracking for ubiquitous power IoT in edge-cloud interplay domain[J].IEEE Internet of Things Journal， 2020， 7（7）：6046-6055.

[24]羅浩 ， 陸文龍 ， 薛晨.基于內存共享機制的容器間快速通信方法[J].華中科技大學學報（自然科學版）， 2016， 44（11）：103-106， 122.

Luo H ， Lu W L ， Xue C . Fast communication method between containers based on memory sharing mechanism[J]. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2016， 44（11）：103-106， 122.（in Chinese）

[25]國家能源局.中華人民共和國電力行業標準： DL/T 2106—2020配網設備狀態評價導則[S].北京：中國電力出版社.

National Energy Bureau of the People's Republic of China . DL/T 2106—2020 Electricity amp; Power Standard of the People's Republic of China： Guide for state evaluation of distribution network equipment [S]. Beijing： China Electric Power Press .（in Chinese）

[26] HochreiterS ，Schmidhuber J . Long short-term memory[J]. Neural Computation， 1997， 9（8）：1735-1780.

[27] Tan Z F， De G ， Li M L ， et al. Combined electricity-heat-cooling-gas load forecasting model for integrated energy system basedon multi-task learning and least square support vector machine[J]. Journal of Cleaner Production， 2020， 248：119252.

（編輯詹燕平）