[發(fā)明專利]基于長短期記憶網(wǎng)絡(luò)的變壓器油中溶解氣體濃度預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201911145374.1
• 申請日: 2019-11-21
• 公開（公告）號: CN111060652A
• 公開（公告）日: 2020-04-24
• 發(fā)明（設(shè)計）人: 榮海娜;王健;張葛祥;王興
• 申請（專利權(quán)）人: 西南交通大學(xué)
• 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(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

本發(fā)明公開了基于長短期記憶網(wǎng)絡(luò)的變壓器油中溶解氣體濃度預(yù)測方法，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(shí)測數(shù)據(jù)；步驟二：利用關(guān)聯(lián)規(guī)則方法挖掘油中溶解氣體間的關(guān)聯(lián)關(guān)系，得到氣體濃度序列間的關(guān)聯(lián)規(guī)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(jìn)行預(yù)測，然后對預(yù)測得到的溶解氣體序列分量進(jìn)行重組；采用均方根誤差e_RMSE和平均絕對誤差e_MAE兩個指標(biāo)計算預(yù)測誤差。本發(fā)明方法能更好地追蹤油中溶解氣體的濃度變化趨勢，具有更高的預(yù)測精度。

技術(shù)領(lǐng)域

本發(fā)明屬于變壓器氣體濃度預(yù)測領(lǐng)域，特別是基于長短期記憶網(wǎng)絡(luò)的變壓器油中溶解氣體濃度預(yù)測方法。

背景技術(shù)

電力變壓器是電力系統(tǒng)中升降電壓和分配電能的重要設(shè)備，它的正常運(yùn)行關(guān)系到整個電網(wǎng)的安全穩(wěn)定。變壓器在運(yùn)行使用過程中，由于老化、電、熱故障等原因會產(chǎn)生少量氣體溶解于絕緣油中，油中氣體的各種成分體積分?jǐn)?shù)及不同組分間的比例關(guān)系與變壓器運(yùn)行狀況密切相關(guān)。變壓器油中溶解氣體分析是目前應(yīng)用最廣泛的診斷變壓器早期潛伏性故障的重要方法。通過對歷史監(jiān)測序列分析，從而對油中溶解氣體濃度的發(fā)展趨勢進(jìn)行準(zhǔn)確預(yù)測，能夠提前掌握變壓器的運(yùn)行狀況，能夠?yàn)樽儔浩鳡顟B(tài)評估和狀態(tài)檢修提供依據(jù)。

國內(nèi)外學(xué)者對油中溶解氣體濃度預(yù)測進(jìn)行了大量研究，提出的方法主要可歸納為統(tǒng)計預(yù)測方法和機(jī)器學(xué)習(xí)方法兩種。統(tǒng)計預(yù)測方法主要包括時間序列模型、灰色模型，其預(yù)測精度受限于序列本身的分布規(guī)律，可應(yīng)用場景存在較大的局限性。傳統(tǒng)的機(jī)器學(xué)習(xí)方法有支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等，通過對大量歷史數(shù)據(jù)進(jìn)行分析訓(xùn)練，得到能反映時間序列發(fā)展趨勢的預(yù)測模型。但是傳統(tǒng)的機(jī)器學(xué)習(xí)方法僅通過歷史數(shù)據(jù)進(jìn)行預(yù)測，忽略了油中溶解氣體濃度之間的關(guān)聯(lián)關(guān)系，其預(yù)測的精確度有待提升。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明提出了基于長短期記憶網(wǎng)絡(luò)的變壓器油中溶解氣體濃度預(yù)測方法。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案如下：

基于長短期記憶網(wǎng)絡(luò)的變壓器油中溶解氣體濃度預(yù)測方法，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(shí)測數(shù)據(jù)，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(shù)據(jù)日期為序，建立這7種氣體的氣體濃度序列；

步驟二：利用關(guān)聯(lián)規(guī)則方法挖掘油中溶解氣體間的關(guān)聯(lián)關(guān)系，得到氣體濃度序列間的關(guān)聯(lián)規(guī)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(jìn)行預(yù)測，然后對預(yù)測得到的溶解氣體序列分量進(jìn)行重組，包括

采用沿時間反向傳播算法訓(xùn)練所述變壓器運(yùn)行狀態(tài)預(yù)測模型，根據(jù)關(guān)聯(lián)規(guī)則挖掘得到的油中溶解氣體之間的關(guān)聯(lián)關(guān)系，與待預(yù)測氣體濃度相關(guān)聯(lián)的氣體濃度序列加上待預(yù)測氣體濃度序列分解后的子序列作為輸入變量，構(gòu)造n個LSTM預(yù)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(jìn)行預(yù)測，然后將低頻序列分量和高頻序列分量在各時刻的預(yù)測值進(jìn)行小波重構(gòu)合成，其中小波重構(gòu)合成公式為n為小波分解層數(shù)；

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(biāo)計算預(yù)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(shí)值和預(yù)測值，n表示測試數(shù)據(jù)個數(shù)，i表示預(yù)測點(diǎn)序列編號。