[發明專利]一種變壓器油中溶解氣體含量的長期預測方法

在審

• 申請號: 202011139435.6
• 申請日: 2020-10-22
• 公開（公告）號: CN112329335A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 陳建新;王麗群;王圣元;鄧小電;黃南天
• 申請（專利權）人: 杭州電力設備制造有限公司;東北電力大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N3/12;G06F111/10;G06F113/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 韓玙

本發明一種變壓器油中溶解氣體含量的長期預測方法，利用遺傳算法對數據時間窗步、網絡隱藏層、訓練次數、隨機失活參數進行尋優，克服預測模型預測結果精度低的問題；本發明提出的長短期記憶人工神經網絡與遺傳算法結合的預測模型相比于傳統的預測模型有著更高的長期預測精度，可以更好地追蹤油中溶解氣體的變化趨勢。

技術領域

本發明屬于電力系統監測技術領域，具體涉及一種變壓器油中溶解氣體含量的長期預測方法。

背景技術

電力變壓器作為電力系統最為關鍵的設備之一，其穩定、安全、無故障運行是保證整個電力系統可靠供電的關鍵因素。

變壓器油中溶解氣體主要有H₂、CH₄、C₂H₆、C₂H₂、C₂H₄、CO、CO₂七種氣體，氣體含量發展過程本身具有波動特征，且受油溫、油的氣體分壓、故障性質及其發展快慢等諸因素的影響而發生變化，變壓器油中溶解氣體含量序列還會受到負荷和運行時間等原因的影響，所以氣體含量數據并不是嚴格按指數增長規律變化，故變壓器油中氣體含量序列存在的一定程度的非線性和非平穩特性，將會在較大程度上影響預測效果。對于有缺陷和故障的變壓器油中溶解氣體濃度數據還具氣體數據樣本小、信息少的特點，這個特點決定了現行的預測技術并不能準確的預測變壓器油中溶解氣體濃度。所以，利用適當的方法對于提升預測精度十分必要。

利用在線油色譜監測裝置可形成歷史氣體監測序列，進而可對相關氣體進行預測。通過變壓器油中溶解氣體預測的含量可知變壓器當前狀態或某些潛伏性故障及其發展程度，這可作為評估變壓器狀態的重要依據，對變壓器不良發展趨勢下定制專屬預防性方案具有重要參考意義。

現有的油色譜預測模型普遍采用數理統計方法對變壓器溶解氣體數據進行時序分析，如利用灰色模型以指數曲線為基礎進行氣體數據的時序模擬；利用差分自回歸移動平均法對氣體含量變化趨勢進行建模。但其準確率主要取決于實驗數據集的分布特點。差分自回歸移動平均法在預測方面由于擬合函數過于單一，導致所建立模型復雜度較低，預測結果難以反映實際情況。

組合預測模型是針對同一問題采取不同方法進行預測，有兩種基本形式：等權組合、不等權組合。一般采用的方法為不等權組合。組合預測的思想主要是為了充分利用各單項預測方法中的關鍵信息，將各種單項方法的預測優勢相綜合，從而提高預測的精度，降低由于預測方法單一可能導致的預測精度過低等問題。組合預測模型構建的難點在于難以確定不同方法之間的加權系數。對于現有的組合預測模型，一般采用構建誤差最小化的預測模型，求出最優的加權系數。雖取得了較好的預測效果，但僅僅考慮了單項預測方法的信息，并未考慮到不同預測方法之間是否出現重復信息，導致信息冗余的現象的發生。

人工智能預測利用傳感器等器件進行數據采集，通過計算機技術進行數據處理與分析，并構建模型進行預測。常見的人工智能方法有：隨機森林、支持向量機和循環神經網絡等方法。由于傳統人工智能算法在處理時間序列的問題中存在不足，預測值與實際值有著較大的誤差，而循環神經網絡克服了這一問題，但是有短期記憶的問題，無法處理長序列，并且訓練時間過長。長短期記憶人工神經網絡是一種特殊的循環神經網絡模型，在循環神經網絡中添加記憶模塊，被廣泛用于時間序列預測問題。對于數據時間窗步、網絡隱藏層、訓練次數、隨機失活參數(Dropout)相關參數僅僅依靠人工經驗設置，具有不確定性，導致模型的預測效果降低。

發明內容

本發明的目的是提供一種變壓器油中溶解氣體含量的長期預測方法，對數據時間窗步、網絡隱藏層、訓練次數、隨機失活參數進行尋優，克服預測模型預測結果精度低的問題。

本發明所采用的技術方案是，一種變壓器油中溶解氣體含量的長期預測方法，具體按照以下步驟實施：