[發明專利]一種基于預測數據的變壓器預警評估方法及裝置

有效

• 申請號: 201611221973.3
• 申請日: 2016-12-27
• 公開（公告）號: CN108241901B
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 沈敏軒;周勝軍;談萌;劉穎英;安哲;王同勛;范瑞祥;鄧才波;熊俊杰;曹蓓
• 申請（專利權）人: 全球能源互聯網研究院;國網江西省電力科學研究院;國家電網公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種基于預測數據的變壓器預警評估方法，其特征在于，包括：

基于獲取的訓練樣本數據，建立氣體濃度的預測模型；

根據所述預測模型獲得的預測數據，建立模糊相似矩陣，得到預警閾值；

根據所述預警閾值和國標限值確定警告范圍，實現預警報告或不報告；

所述預測模型包括：模糊支持向量機預測模型；

按照下述方式建立所述模糊支持向量機預測模型：

對不同特征氣體含量的訓練樣本進行歸一化處理；

根據訓練樣本中數據的采樣時間，計算所述訓練樣本的模糊隸屬度；

根據歸一化值和模糊隸屬度，建立模糊訓練樣本；

采用高斯徑向基函數作為核函數，獲得所述模糊支持向量機預測模型；

所述預測模型包括：灰色預測模型；

按照下述方式建立所述灰色預測模型包括：

對特征氣體含量的指標數據列進行級比計算，確定指標數據列；

對所述指標數據列進行一次累加計算；

利用累加結果，建立一階線性微分方程，確定待辨識參數；

基于所述待辨識參數，建立離散時間響應函數；

根據所述離散時間響應函數獲得的指標預測值，建立灰色預測模型；

所述預測模型包括：線性回歸模型；

按照下述方式建立線性回歸預測模型：

利用訓練樣本的監測時間，建立一元線性回歸模型；

根據所述一元線性回歸模型，確定所述線性回歸預測模型；

利用不同預測模型獲得的預測值權重，建立優選組合預測模型；

根據所述預測模型獲得的預測數據，建立模糊相似矩陣，得到預警閾值包括：

用所述優選組合預測模型獲得的預測數據建立模糊相似矩陣R＝(r_ij)_m×n，其中模糊矩陣元素r_ij按下式計算：

r_ij＝1-c×d(x_i,x_j)

式中，d(x_i,x_j)為x_i與x_j間的距離，距離系數c使得所有r_ij∈[0,1](i,j＝1,2,...,n)；

根據不同的置信水平λ∈[0,1]，劃分矩陣元素r_ij得到動態聚類結果；

根據所述動態聚類結果將預警對象分為k類，第k類預警對象的個數設為N_k,其中預警對象n＝∑N_k，則按下式計算第j個指標中第k類的預警閾值u_jk：

式中，x_ij為第i個預警對象的第j個指標值，m為預警對象指標數量；

1)建立所述模糊支持向量機預測模型包括：

1-1)對原始數據簡化，分別組織不同特征氣體含量預測的訓練樣本，并對樣本按照式(1)進行歸一化處理：

式中，X(i)為樣本某一列中待歸一的值，X(i)_min和X(i)_max為原始數據列中的極小值和極大值，X(i)’為對應的歸一化后的值；

1-2)根據數據的采樣時間，計算各樣本的模糊隸屬度u_i

對于具有n個數據樣本點以及每個樣本點的模糊隸屬度為u_i的訓練樣本集合時間序列樣本集S＝{(x₁,y₁,u₁,t₁),(x₂,y₂,u₂,t₂),…(x_n,y_n,u_n,t_n)},其中x_i∈R^N,y_i∈R,0＜u_i≤1,i＝1,...,n，x_i為輸入量，y_i為目標值，R^N為輸入量x_i的集合,R為輸入量y_i的集合,t₁≤t₂≤...≤t_n為各訓練點采樣時刻，模糊隸屬度u_i是時間序列t_i的函數，即u_i＝f(t_i)(1≤i≤n)，δ為采樣時刻t₁的模糊隸屬度，并且滿足如下條件：

采用二次函數來近似逼近模糊隸屬度函數，利用邊界條件可得:

1-3)確定核函數及回歸模型；

2)建立所述灰色預測模型包括：

假設不同時間段內的某種特征氣體含量監測數據可以用數據序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))表示，x⁽⁰⁾為原始樣本數據，是時間k的函數,k＝1…n為樣本數，表示不同的時間對象；按照如下步驟建立GM(1，1)預測模型；

2-1)對特征氣體含量指標數據列x⁽⁰⁾進行數據之間的級比計算，進行灰色預測模型適用性的判斷分析，最終確定出一個適合做灰色預測的數據列；

2-2)數據變換處理，經過對特征氣體含量指標數據的檢驗后，得到一個參考數據序列x⁽⁰⁾，對x⁽⁰⁾進行一次累加后生成新數列x⁽¹⁾如下：

x⁽¹⁾(1)＝x⁽¹⁾(0)

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))＝(x⁽¹⁾(1),x⁽¹⁾(1)+x⁽⁰⁾(2),...,x⁽¹⁾(n-1)+x⁽⁰⁾(n)) (9)

2-3)建立一階線性微分方程，求解待辨識參數：

其中，α是待辨識參數，μ是待辨識內生變量；利用最小二乘法，求解待辨識參數和內生變量

定義待辨識向量為：根據最小二乘法求得

式中：利用MATLAB求出參數和的值；

2-4)將步驟2-3)得出的待辨識參數值代入原來的微分方程，可以得到灰色預測的離散時間響應函數：

然后對一次累加序列進行回推，可以求出不同時間對象的變壓器油中溶解氣體濃度指標預測值：

2-5)誤差分析

變壓器特征氣體在下一時刻預測濃度的誤差采用絕對誤差和相對誤差來進行分析：

絕對誤差：

相對誤差：

3)建立所述線性回歸預測模型包括：

3-1)根據獲得的變壓器油中溶解氣體濃度的n對數據(x_i,y_i)(i-1,2,...,n)，x_i表示特征氣體指標的監測時間，y_i表示特征氣體指標監測值；建立的一元線性回歸模型：

y_i＝a+bx_i+ε (15)

上式中，ε表示隨機誤差，服從正態分布(0,σ²)；a和b為回歸模型系數，σ²為方差；

3-2)應用最小二乘法估計未知參數a和b，得到估計值和則式為y_i關于x_i的線性回歸預測模型；根據下列方程組：

可以計算出和的值，即

將求得的和的值帶入式中，可得出y_i關于x_i的線性回歸方程，即可得到各特征氣體在下一時刻的濃度值；

3-3)最后對預測結果進行相對誤差和絕對誤差分析；

變壓器特征氣體在下一時刻預測濃度的誤差采用絕對誤差和相對誤差來進行分析：

絕對誤差：

相對誤差：