【技术实现步骤摘要】
本专利技术涉及电力设备监控，尤其涉及一种变压器油中溶解气体浓度预测方法。
技术介绍
1、电力变压器作为电力系统中最为核心的设备，起着分配、传输电能的重要作用，是电网公司的重要资产，其安全稳定运行是保障电网可靠性供电的前提。变压器正常运行情况下，由于内部绝缘固体的老化会产生少量气体溶解于绝缘油中，主要有氢气()、甲烷()、乙烷()、乙烯()、乙炔()、一氧化碳(co)、二氧化碳()等气体。
2、油中溶解气体分析(dissolved gas analysis，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。
3、由于传统的bp神经网络容易陷入局部极小值、训练过程依赖于初始化、训练速度慢等缺点，不能准确的预测变压器中溶解气体的浓度。
技术实现思路
1、有鉴于此，有必要提供一种变压器油中溶解气体浓度预测方法，用以实现提高变压器油中溶解气体浓度预测的精准度的目的。
2、为了实现上述目的，本专利技术提供一种变压器油中溶解气体浓度预测方法，包括：
3、采集变压器油中溶解气体中的任意一种气体浓度作为特征参量；
4、获取所述特征参量在历史时间维度变压器油中的色谱样本数据，对所述样本数据进行归一化处理，并将所述样本数据划分为训练集和测试集；
5、构建bp神经网络
6、使用所述训练集基于遗传算法对所述bp神经网络模型进行网络训练得到训练后的bp神经网络模型，并使用所述测试集对所述训练后的bp神经网络模型进行检测得到优化后的bp神经网络模型；
7、将目标变压器油中的溶解气体中的任意一种气体浓度输入到所述优化后的bp神经网络模型中得到下一阶段所述目标变压器油中的溶解气体的气体浓度。
8、在一些可能的实现方式中，所述对所述样本数据进行归一化处理，包括：
9、基于转化函数将所述样本数据映射到[0,1]之间，所述转化函数为：
10、
11、式中，为所述样本数据的最小值，为所述样本数据的最大值，为转化前的样本数据，为归一化后的样本数据。
12、在一些可能的实现方式中，所述并将所述样本数据划分为训练集和测试集，包括：
13、所述测试集和所述训练集所占比例为19:1。
14、在一些可能的实现方式中，所述bp神经网络模型的输入层包括10个神经元，所述bp神经网络模型的隐藏层包括5个神经元，所述bp神经网络模型的输出层包括1个神经元。
15、在一些可能的实现方式中，所述使用所述训练集基于遗传算法对所述bp神经网络模型进行网络训练得到训练后的bp神经网络模型，包括：
16、使用所述训练集基于遗传算法对所述bp神经网络模型进行网络训练确定所述bp神经网络模型的权值和阈值参数，得到训练后的bp神经网络模型。
17、在一些可能的实现方式中，所述bp神经网络模型的权值和阈值参数，包括：
18、所述bp神经网络模型隐藏层的权值和阈值参数，所述bp神经网络模型输出层的权值和阈值参数。
19、在一些可能的实现方式中，所述使用所述训练集基于遗传算法对所述bp神经网络模型进行网络训练确定所述bp神经网络模型的连接权值和阈值，包括：
20、步骤一：将bp神经网络模型的初始权值和初始阈值作为种群并初始化，并对种群中的个体进行编码，设置最大迭代次数和个体适应度函数；
21、步骤二：计算所述个体适应度函数；
22、步骤三：对所述种群进行选择操作、交叉操作及变异操作；
23、步骤四：判断是否达到最大迭代次数，若是，输出个体适应度函数值最优的个体，解码后得到最优的bp神经网络模型权值和阈值；否则，返回步骤二。
24、在一些可能的实现方式中，所述的个体适应度函数为所述bp神经网络模型预测输出值与期望输出值的误差绝对值函数，所述bp神经网络模型实际输出值与期望输出值的误差绝对值函数越小，个体适应度函数值越优良。
25、在一些可能的实现方式中，所述并使用所述测试集对所述训练后的bp神经网络模型进行检测得到优化后的bp神经网络模型，包括：
26、将所述测试集输入到所述训练后的bp神经网络模型中，得到预测值；
27、对所述预测值进行反归一化处理得到预测结果，结合实验评价指标对所述预测结果进行评价。
28、在一些可能的实现方式中，所述结合实验评价指标对所述预测结果进行评价，包括：
29、使用平均相对误差和根均方误差对所述预测结果进行评价。
30、采用上述实施例的有益效果是：本专利技术提供的一种变压器油中溶解气体浓度预测方法，采集变压器油中溶解气体的历史数据作为样本数据，构建bp神经网络模型，然后使用样本数据基于遗传算法对bp神经网络模型进行优化得到优化后的bp神经网络模型，最后优化得到优化后的bp神经网络模型预测气体下一阶段的气体浓度。本专利技术提供基于遗传算法对bp神经网络模型中的参数进行优化，提高了bp神经网络模型对溶解气体浓度预测的精度。
本文档来自技高网...【技术保护点】
1.一种变压器油中溶解气体浓度预测方法，其特征在于，包括：
2.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述对所述样本数据进行归一化处理，包括：
3.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述并将所述样本数据划分为训练集和测试集，包括：
4.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述BP神经网络模型的输入层包括10个神经元，所述BP神经网络模型的隐藏层包括5个神经元，所述BP神经网络模型的输出层包括1个神经元。
5.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型，包括：
6.根据权利要求5所述的变压器油中溶解气体浓度预测方法，其特征在于，所述BP神经网络模型的权值和阈值参数，包括：
7.根据权利要求5所述的变压器油中溶解气体浓度预测方法，其特征在于，所述使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练确定所述BP神
8.根据权利要求7所述的变压器油中溶解气体浓度预测方法，其特征在于，所述的个体适应度函数为所述BP神经网络模型预测输出值与期望输出值的误差绝对值函数，所述BP神经网络模型实际输出值与期望输出值的误差绝对值函数越小，个体适应度函数值越优良。
9.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型，包括：
10.根据权利要求9所述的变压器油中溶解气体浓度预测方法，其特征在于，结合实验评价指标对所述预测结果进行评价，包括：
...【技术特征摘要】
1.一种变压器油中溶解气体浓度预测方法，其特征在于，包括：
2.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述对所述样本数据进行归一化处理，包括：
3.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述并将所述样本数据划分为训练集和测试集，包括：
4.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述bp神经网络模型的输入层包括10个神经元，所述bp神经网络模型的隐藏层包括5个神经元，所述bp神经网络模型的输出层包括1个神经元。
5.根据权利要求1所述的变压器油中溶解气体浓度预测方法，其特征在于，所述使用所述训练集基于遗传算法对所述bp神经网络模型进行网络训练得到训练后的bp神经网络模型，包括：
6.根据权利要求5所述的变压器油中溶解气体浓度预测方法，其特征在于，所述...
【专利技术属性】
技术研发人员：付耸，丁国平，朱明月，杨宇龙，陈曦，王进，
申请(专利权)人：沧州经济开发区武理工京津冀协同产业科技研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。