[發明專利]基于長短期記憶網絡的變壓器油中溶解氣體濃度預測方法

在審

• 申請號: 201911145374.1
• 申請日: 2019-11-21
• 公開（公告）號: CN111060652A
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 榮海娜;王健;張葛祥;王興
• 申請（專利權）人: 西南交通大學
• 主分類號: G01N33/00
• 分類號: G01N33/00;G06N3/04;G06N3/08
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

1.基于長短期記憶網絡的變壓器油中溶解氣體濃度預測方法，其特征在于，包括如下步驟：

步驟一：收集變壓器油中溶解氣體濃度歷史實測數據，包括乙烷C₂H₆、氫氣H₂、甲烷CH₄、乙烯C₂H₄、一氧化碳CO、二氧化碳CO₂、總烴，以采集到數據日期為序，建立這7種氣體的氣體濃度序列；

步驟二：利用關聯規則方法挖掘油中溶解氣體間的關聯關系，得到氣體濃度序列間的關聯規則；

步驟三：利用小波分解處理步驟一中的油中溶解氣體濃度序列，獲得油中溶解氣體濃度序列的低頻序列分量和高頻序列分量；

步驟四：利用LSTM對步驟三中的油中溶解氣體序列分量分別進行預測，然后對預測得到的溶解氣體序列分量進行重組，包括

采用沿時間反向傳播算法訓練所述變壓器運行狀態預測模型，根據關聯規則挖掘得到的油中溶解氣體之間的關聯關系，與待預測氣體濃度相關聯的氣體濃度序列加上待預測氣體濃度序列分解后的子序列作為輸入變量，構造n個LSTM預測模型，分別對各層序列的下一時間低頻序列分量和高頻序列分量進行預測，然后將低頻序列分量和高頻序列分量在各時刻的預測值進行小波重構合成，其中小波重構合成公式為n為小波分解層數；

步驟五：采用均方根誤差e_RMSE和平均絕對誤差e_MAE兩個指標計算預測誤差，計算公式為其中，y_i、分別為油中溶解氣體濃度的真實值和預測值，n表示測試數據個數，i表示預測點序列編號。

2.如權利要求1所述的基于長短期記憶網絡的變壓器油中溶解氣體濃度預測方法，其特征在于，在步驟二中，利用關聯規則方法挖掘油中溶解氣體間的關聯關系，得到氣體濃度序列間的關聯規則的具體方法如下：

首先對步驟一中的7種氣體濃度序列進行單獨歸一化處理，得到所有氣體濃度序列歸一化值，全部處于0～1之間，計算公式如下：0≤i≤j，式中，max為乙烷C₂H₆、氫氣H₂、甲烷CH₄、乙烯C₂H₄一氧化碳CO、二氧化碳CO₂、總烴中的一種氣體濃度最大值，min為相應氣的氣體濃度最小值，x_i為相應氣體的氣體濃度序列值，j為采集氣體濃度的樣本數；

對歸一化后的數據采用基于k聚類的劃分方法將數據進行離散化，并將聚類結果符號化，用“A”、“B”、“C”、“D”、……表示，聚類公式為：

式中，x_m為乙烷C₂H₆、氫氣H₂、甲烷CH₄、乙烯C₂H₄一氧化碳CO、二氧化碳CO₂、總烴中的一種氣體濃度序列歸一化的值，μ_i為相應氣體濃度第i簇的均值，采用的是歐氏距離，k為聚類類別數，n為相應氣體濃度的樣本數；

利用Apriori算法找出氣體濃度項集中支持度大于最小支持度的頻繁項集，刪去頻繁項集中置信度小于閾值的規則，得到氣體濃度序列之間的關聯關系。