一种变压器油中溶解气体含量的长期预测方法技术

本发明专利技术一种变压器油中溶解气体含量的长期预测方法，利用遗传算法对数据时间窗步、网络隐藏层、训练次数、随机失活参数进行寻优，克服预测模型预测结果精度低的问题；本发明专利技术提出的长短期记忆人工神经网络与遗传算法结合的预测模型相比于传统的预测模型有着更高的长期预测精度，可以更好地追踪油中溶解气体的变化趋势。化趋势。化趋势。

【技术实现步骤摘要】
一种变压器油中溶解气体含量的长期预测方法


[0001]本专利技术属于电力系统监测
，具体涉及一种变压器油中溶解气体含量的长期预测方法。

技术介绍

[0002]电力变压器作为电力系统最为关键的设备之一，其稳定、安全、无故障运行是保证整个电力系统可靠供电的关键因素。
[0003]变压器油中溶解气体主要有H2、CH4、C2H6、C2H2、C2H4、CO、CO2七种气体，气体含量发展过程本身具有波动特征，且受油温、油的气体分压、故障性质及其发展快慢等诸因素的影响而发生变化，变压器油中溶解气体含量序列还会受到负荷和运行时间等原因的影响，所以气体含量数据并不是严格按指数增长规律变化，故变压器油中气体含量序列存在的一定程度的非线性和非平稳特性，将会在较大程度上影响预测效果。对于有缺陷和故障的变压器油中溶解气体浓度数据还具气体数据样本小、信息少的特点，这个特点决定了现行的预测技术并不能准确的预测变压器油中溶解气体浓度。所以，利用适当的方法对于提升预测精度十分必要。
[0004]利用在线油色谱监测装置可形成历史气体监测序列，进而可对相关气体进行预测。通过变压器油中溶解气体预测的含量可知变压器当前状态或某些潜伏性故障及其发展程度，这可作为评估变压器状态的重要依据，对变压器不良发展趋势下定制专属预防性方案具有重要参考意义。
[0005]现有的油色谱预测模型普遍采用数理统计方法对变压器溶解气体数据进行时序分析，如利用灰色模型以指数曲线为基础进行气体数据的时序模拟；利用差分自回归移动平均法对气体含量变化趋势进行建模。但其准确率主要取决于实验数据集的分布特点。差分自回归移动平均法在预测方面由于拟合函数过于单一，导致所建立模型复杂度较低，预测结果难以反映实际情况。
[0006]组合预测模型是针对同一问题采取不同方法进行预测，有两种基本形式：等权组合、不等权组合。一般采用的方法为不等权组合。组合预测的思想主要是为了充分利用各单项预测方法中的关键信息，将各种单项方法的预测优势相综合，从而提高预测的精度，降低由于预测方法单一可能导致的预测精度过低等问题。组合预测模型构建的难点在于难以确定不同方法之间的加权系数。对于现有的组合预测模型，一般采用构建误差最小化的预测模型，求出最优的加权系数。虽取得了较好的预测效果，但仅仅考虑了单项预测方法的信息，并未考虑到不同预测方法之间是否出现重复信息，导致信息冗余的现象的发生。
[0007]人工智能预测利用传感器等器件进行数据采集，通过计算机技术进行数据处理与分析，并构建模型进行预测。常见的人工智能方法有：随机森林、支持向量机和循环神经网络等方法。由于传统人工智能算法在处理时间序列的问题中存在不足，预测值与实际值有着较大的误差，而循环神经网络克服了这一问题，但是有短期记忆的问题，无法处理长序列，并且训练时间过长。长短期记忆人工神经网络是一种特殊的循环神经网络模型，在循环
神经网络中添加记忆模块，被广泛用于时间序列预测问题。对于数据时间窗步、网络隐藏层、训练次数、随机失活参数(Dropout)相关参数仅仅依靠人工经验设置，具有不确定性，导致模型的预测效果降低。

技术实现思路

[0008]本专利技术的目的是提供一种变压器油中溶解气体含量的长期预测方法，对数据时间窗步、网络隐藏层、训练次数、随机失活参数进行寻优，克服预测模型预测结果精度低的问题。
[0009]本专利技术所采用的技术方案是，一种变压器油中溶解气体含量的长期预测方法，具体按照以下步骤实施：
[0010]步骤1、测量变压器油中溶解气体含量作为样本数据，采用最小值-最大值归一化处理，并对归一化后的数据进行分化，分为测试集与训练集；
[0011]步骤2、通过长短期记忆人工神经网络方法建立数学模型；
[0012]步骤3、利用遗传算法寻找数学模型中的最优参数，获得优化长短期记忆人工神经网络模型；
[0013]步骤4、通过训练集对优化长短期记忆人工神经网络模型进行网络训练，并通过测试集进行检测，得到最优长短期记忆人工神经网络模型；
[0014]步骤5、将变压器油中溶解气体含量作为输入数据，输入至最优长短期记忆人工神经网络模型，得到下一阶段变压器油中溶解气体含量的预测值。
[0015]本专利技术的特点还在于：
[0016]步骤1测试集与训练集所占比例为1:4。
[0017]步骤2具体过程为：将变压器油中溶解气体含量的数据参与在长短期记忆人工神经网络链路中，采用细胞状态进行传递；具体为：
[0018]在t时刻，长短期记忆人工神经网络方法建立数学模型即细胞状态计算公式如下：
[0019]i
t
＝σ(W
xi
x
t
+W
hi
h
t-1
+b
i
)
[0020]f
t
＝σ(W
xf
x
t
+W
fh
h
t-1
+b
f
)
[0021]o
t
＝σ(W
ox
x
t
+W
oh
h
t-1
+b
o
)
[0022]c
′
t
＝tanh(W
c
·
h
t-1
+W
f
·
x
t
+b
c
)
[0023]c
t
＝f
t
⊙
c
t-1
+i
t
⊙
c
′
t
[0024]h
t
＝o
t
⊙
tanh(c
t
)
[0025]其中，i
t
代表对于当前的变压器油中溶解气体含量保留到记忆单元状态；o
t
代表控制记忆单元中气体含量状态对当前的输出；f
t
代表上一时刻记忆单元中气体含量状态保留多少到下一时刻的记忆单元中气体含量状态；t代表时刻；i表示气体预测模型的输入门、f表示气体预测模型的遗忘门、o表示气体预测模型的输出门，W
hi
、W
fh
、Who均表示气体预测模型的权重矩阵，h表示隐藏层；W
xi
、W
xf
、W
ox
均表示权重矩阵，x表示输入对应的气体含量；b
i
、b
f
、b
o
均表示偏置项，b为系数；σ表示sigmoid激活函数；C
′
t
表示时刻t的单元状态输入；tanh为双曲正切激活函数；W
c
表示输入层的状态权重矩阵，b
c
表示输入层的状态偏置项，C代表记忆单元状态。
[0026]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器油中溶解气体含量的长期预测方法，其特征在于，具体按照以下步骤实施：步骤1、测量变压器油中溶解气体含量作为样本数据，采用最小值-最大值归一化处理，并对归一化后的数据进行分化，分为测试集与训练集；步骤2、通过长短期记忆人工神经网络方法建立数学模型；步骤3、利用遗传算法寻找数学模型中的最优参数，获得优化长短期记忆人工神经网络模型；步骤4、通过训练集对优化长短期记忆人工神经网络模型进行网络训练，并通过测试集进行检测，得到最优长短期记忆人工神经网络模型；步骤5、将变压器油中溶解气体含量作为输入数据，输入至最优长短期记忆人工神经网络模型，得到下一阶段变压器油中溶解气体含量的预测值。2.根据权利要求1所述一种变压器油中溶解气体含量的长期预测方法，其特征在于，步骤1所述测试集与训练集所占比例为1:4。3.根据权利要求1所述一种变压器油中溶解气体含量的长期预测方法，其特征在于，步骤2具体过程为：将变压器油中溶解气体含量的数据参与在长短期记忆人工神经网络链路中，采用细胞状态进行传递；具体为：在t时刻，长短期记忆人工神经网络方法建立数学模型即细胞状态计算公式如下：i
t
＝σ(W
xi
x
t
+W
hi
h
t-1
+b
i
)f
t
＝σ(W
xf
x
t
+W
fh
h
t-1
+b
f
)o
t
＝σ(W
ox
x
t
+W
oh
h
t-1
+b
o
)c
′
t
＝tanh(W
c
·
h
t-1
+W
f
·
x
t
+b
c
)c
t
＝f
t
⊙
c
t-1
+i
t
⊙
c
′
t
h
t
＝o
t
⊙
tanh(c
t
)其中，i
t
代表对于当前的变压器油中溶解气体含量保留到记忆单元状态；o
t
代表控制记忆单元中气体含量状态对当前的输出；f
t
代表上一时刻记忆单元中气体含量状态保留多少到下一时刻的记忆单元中气体含量状态；t代表时刻；i表示气体预测模型的输入门、f表示气体预测模型的遗忘门、o表示气体预测模型的输出门，W
hi
、W
fh
、Who均表示气体预测模型的权重矩阵，h表示隐藏层；W
xi
、W
xf
、W
ox
均表示权重矩阵，x表示输入对应的气体含量；b
i
、b
f
、b
o
均表示偏置项，b为系数；σ表示sigmoid激活函数；c
′
t
表示时刻t的单元状态输入；tanh为双曲正切激活函数；W
c
表示输入层的状态权重矩阵，b
c
表示输入层的状态偏...

【专利技术属性】
技术研发人员：陈建新，王丽群，王圣元，邓小电，黄南天，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：