一种基于变压器油中溶解气体浓度的变压器状态预测方法技术

本发明专利技术属于电力设备监控技术领域，针对现有的变压器状态预测方法准确度不高的问题，公开了一种基于变压器油中溶解气体浓度的变压器状态预测方法，首先基于长短期记忆网络模型构建变压器油中溶解气体浓度预测模型，实现变压器油中溶解气体浓度预测，为后续变压器的故障诊断、状态预测提供依据；然后利用网格搜索算法确定SVM模型的最优参数，提高支持向量机分类性能；最后基于优化后的支持向量机构建变压器状态预测模型，将变压器油中溶解气体浓度作为变压器状态预测模型的输入，输出变压器状态类型预测结果，实现精准、高效的变压器状态智能预测，有利于及时、准确地做出响应，避免变压器故障导致电力供应的中断，进而对电网造成极大的损失。极大的损失。极大的损失。

【技术实现步骤摘要】
一种基于变压器油中溶解气体浓度的变压器状态预测方法


[0001]本专利技术涉及电力设备监控
，具体涉及一种基于变压器油中溶解气体浓度的变压器状态预测方法。

技术介绍

[0002]电力变压器作为输电线路系统中最重要的设施之一，其稳定运行至关重要。任何类型的变压器故障都可能导致电力供应的中断，进而对电网造成极大的损失。考虑到变压器故障通常发生在运行期间，因此，依据变压器内部特性进行及时有效的故障诊断，就能够在第一时间实施针对性的应对措施，从而大大减少潜在故障风险。同电气参数一样，变压器所含绝缘油中溶解气体的含量也能够提供变压器运行状态的有效信息，但不同之处在于其基本不受变压器内电磁环境变化的影响。因此，变压器油中溶解气体分析(dissolvedgasanalysis，DGA)常被用于变压器的运行状态监测。
[0003]油中溶解气体分析(DGA)是目前国际上公认的及时准确发现变压器故障缺陷的方法，通过在线油色谱监测装置提取出油中各溶解气体的含量值，形成历史检测数据序列，进而对溶解气体浓度变化趋势进行预测，可为变压器的故障诊断和状态评估技术提供重要的依据。
[0004]长短期记忆网络模型(LSTM)通过制定门结构使得时序信息能够在时间上传递得更久，从而实现记忆功能，解决了传统的人工智能预测算法在处理长时间序列问题方面存在的不足。支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的学习方法，通过结构风险最小化原理提高泛化能力，较好地解决了现有智能方法应用中小样本、非线性、高维数和局部极小点等实际问题，可以对故障状态以及正常状态进行很好的分类。现有的变压器状态预测方法准确度不高，因此，有必要考虑将长短期记忆网络模型与支持向量机结合，对变压器油中溶解气体浓度进行预测，进而预测变压器状态，提高变压器状态预测准确度，以及时、准确地做出预防措施，避免变压器故障导致电力供应的中断，进而对电网造成极大的损失。

技术实现思路

[0005]本专利技术主要是为了解决现有的变压器状态预测方法准确度不高的问题，提供了一种基于变压器油中溶解气体浓度的变压器状态预测方法，基于长短期记忆网络模型构建变压器油中溶解气体浓度预测模型，实现变压器油中溶解气体浓度预测；基于网格搜索算法优化后的支持向量机构建变压器状态预测模型，将变压器油中溶解气体浓度作为变压器状态预测模型的输入，输出变压器状态类型预测结果，实现精准、高效的变压器状态智能预测，有利于及时、准确地做出响应，避免变压器故障导致电力供应的中断，进而对电网造成极大的损失。
[0006]为了实现上述目的，本专利技术采用以下技术方案。
[0007]一种基于变压器油中溶解气体浓度的变压器状态预测方法，包括以下步骤：
步骤S1：获取气体特征参量在历史时间维度的样本数据，并对样本数据进行归一化处理，随机划分为训练集和测试集；步骤S2：构建长短期记忆网络模型，使用训练集数据对所述长短期记忆网络模型进行训练，获得变压器油中溶解气体浓度预测模型；步骤S3：利用所述变压器油中溶解气体浓度预测模型，选择所述气体特征参量之一的浓度作为输出变量，选择其他气体特征参量的浓度以及变压器油温和负荷作为输入变量；步骤S4：基于支持向量机构建变压器状态预测模型，选择变压器油中溶解气体浓度作为所述变压器状态预测模型的输入变量，变压器状态预测模型输出预测的变压器状态类型；本专利技术基于长短期记忆网络模型构建变压器油中溶解气体浓度预测模型，实现变压器油中溶解气体浓度预测；基于网格搜索算法优化后的支持向量机构建变压器状态预测模型，将变压器油中溶解气体浓度作为变压器状态预测模型的输入，输出变压器状态类型预测结果，实现精准、高效的变压器状态智能预测，有利于及时、准确地做出响应，避免变压器故障导致电力供应的中断，进而对电网造成极大的损失，有效保障电力系统安全稳定运行。
[0008]作为优选，步骤S1中，所述样本数据包括气体特征参量在变压器油中的浓度及其应的变压器油温和负荷。本专利技术综合考虑变压器特征气体的产气原理，以及变压器油温、负荷对特征气体的影响，利用大数据分析算法，探索变压器油中溶解特征气体之间的相互关联关系以及特征气体与变压器设备负荷、顶层油温之间的关联关系，挖掘出与待预测目标气体相关性较大的因素作为输入变量，准确预测将来油溶气体浓度的变化，有效识别变压器设备的潜伏性故障，实现对设备的超前控制。
[0009]作为优选，步骤S1中，所述气体特征参量包括氢气、甲烷、乙炔、乙烯、乙烷、一氧化碳及二氧化碳。参照行业标准，本专利技术选取七种气体作为特征气体。
[0010]作为优选，步骤S1中，所述归一化处理的公式为：其中，表示归一化后的数据，x
*
表示原始输入数据，和分别表示原始输入数据中的最大值和最小值。
[0011]作为优选，步骤S2的具体过程，包括以下步骤：步骤S21：设置初始网络参数，所述初始网络参数包括网络层数、神经元数和学习率；步骤S22：根据所述网络参数设置所述长短期记忆网络模型；步骤S23：将训练集数据输入所述长短期记忆网络模型，反复迭代训练长短期记忆网络模型；步骤S24：将测试集数据输入训练好的长短期记忆网络模型，验证训练好的长短期记忆网络模型的性能，若性能验证通过，则将训练好的长短期记忆网络模型作为变压器油中溶解气体浓度预测模；本专利技术基于长短期记忆网络模型构建变压器油中溶解气体浓度预测模型，实现高精度的变压器油中溶解气体浓度预测，为后续变压器的故障诊断、状态预测提供依据。
[0012]作为优选，步骤S4中所述基于支持向量机构建变压器状态预测模型的具体过程，包括以下步骤：步骤A1：采用网格搜索算法优化支持向量机，确定最优惩罚因子和高斯核参数；步骤A2：基于最优惩罚因子和高斯核参数，构建支持向量机模型；步骤A3：训练支持向量机模型，获得变压器状态预测模型；针对多类型的变压器状态，本专利技术以二叉树为基础，对7类变压器状态，建立6(k
–
1)个SVM分类器，k为变压器状态类型总数；采用网格寻优算法对参数(即惩罚因子和高斯核参数)进行选择；利用公开的数据集对SVM模型进行训练；最后利用训练好的模型(即变压器状态预测模型)对预测出来的油中溶解气体浓度进行诊断，从而达到变压器状态预测的目的。支持向量机作为智能诊断方法，采用的核函数和结构风险最小化原则使其在解决小样本分类问题上具有独特的优势，解决了传统诊断方法存在的不足，响应速度快，有效降低传统方法带来的误差影响，为电力系统的安全稳定运行提供了保障。
[0013]作为优选，所述步骤A1的具体过程，包括以下步骤：步骤A11：依据经验确定搜索空间和搜索步长；步骤A12：根据搜索空间和搜索步长，顺着参数的不同方向生成网格，网格节点为参数组；步骤A13：评估每个节点的分类准确度，确定最高分类准确度的节点；步骤A14：选取最高分类准确度的节点对应的惩罚因子和高斯核参数作为最优惩罚因子和高斯核参数；支持向量机惩罚因子和高斯核参数的选择是提高支持向量机分类的关键。网格搜索算法(grid search，GS)是目前使用最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变压器油中溶解气体浓度的变压器状态预测方法，其特征在于，包括以下步骤：步骤S1：获取气体特征参量在历史时间维度的样本数据，并对样本数据进行归一化处理，随机划分为训练集和测试集；步骤S2：构建长短期记忆网络模型，使用训练集数据对所述长短期记忆网络模型进行训练，获得变压器油中溶解气体浓度预测模型；步骤S3：利用所述变压器油中溶解气体浓度预测模型，选择所述气体特征参量之一的浓度作为输出变量，选择其他气体特征参量的浓度以及变压器油温和负荷作为输入变量；步骤S4：基于支持向量机构建变压器状态预测模型，选择变压器油中溶解气体浓度作为所述变压器状态预测模型的输入变量，变压器状态预测模型输出预测的变压器状态类型。2.根据权利要求1所述的一种基于变压器油中溶解气体浓度的变压器状态预测方法，其特征在于，步骤S1中，所述样本数据包括气体特征参量在变压器油中的浓度及其应的变压器油温和负荷。3.根据权利要求1或2所述的一种基于变压器油中溶解气体浓度的变压器状态预测方法，其特征在于，步骤S1中，所述气体特征参量包括氢气、甲烷、乙炔、乙烯、乙烷、一氧化碳及二氧化碳。4.根据权利要求1或2所述的一种基于变压器油中溶解气体浓度的变压器状态预测方法，其特征在于，步骤S1中，所述归一化处理的公式为：其中，表示归一化后的数据，x
*
表示原始输入数据，和分别表示原始输入数据中的最大值和最小值。5.根据权利要求1所述的一种基于变压器油中溶解气体浓度的变压器状态预测方法，其特征在于，步骤S2的具体过程，包括以下步骤：步骤S21：设...

【专利技术属性】
技术研发人员：朱凯元，邹剑锋，宿波，周刚，韩筱慧，盛鹏飞，李锐锋，穆国平，汤晓石，王洪一，朱成亮，刘剑清，陈永根，王伟嘉，
申请(专利权)人：国网浙江省电力有限公司嘉兴供电公司，
类型：发明
国别省市：