[發明專利]基于Elman神經網絡變壓器油色譜特征氣體的預測方法

在審

• 申請號: 202211348918.6
• 申請日: 2022-10-31
• 公開（公告）號: CN115759185A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 李晨;赫志遠;于大海;劉鵬;許志亮;劉新民
• 申請（專利權）人: 國網山東省電力公司青島供電公司
• 主分類號: G06N3/044
• 分類號: G06N3/044;G06N3/08
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 張寧展

一種基于Elman神經網絡的變壓器油色譜特征氣體的預測方法，包括：獲取變壓器油色譜特征氣體歷史數據樣本集并進行歸一化處理；根據樣本數據初始化超參數(隱含層、節點數、學習率)以及權值和神經元偏置；將處理好的樣本數據連同超參數以及權值、神經元偏置一起傳入Elman網絡模型；判斷經Elman網絡模型輸出的結果是否滿足精度要求；若滿足，則進行反歸一化處理輸出預測結果；若不滿足，則利用對比散度算法更新層間權值和各層神經元偏置：將利用對比散度算法更新的權值和神經元偏置傳入Elman網絡模型，直到滿足精度要求。

技術領域

本發明屬于電力設備安全監測領域，具體涉及一種引入對比散度算法的Elman神經網絡變壓器油色譜特征氣體預測方法。

背景技術

在電力電網中，變壓器是輸配電的基礎設備，是保障整個系統安全正常運行的重要設備，廣泛應用于工業、農業、交通、城市社區等領域。近年來，隨著社會面整體用電量逐年增加，各種智能化設備及傳感器的接入，更多特高壓并網運行，導致變壓器投入時長大量增加，運行環境變得更加復雜。

絕緣油是由許多不同分子量的碳氫化合物分子組成的混合物，分子中含有CH3、CH2和CH化學基團并由C-C鍵鍵合在一起。當變壓器內部發生故障時，其初期會分解出各種氣體，溶解于變壓器油中，當故障嚴重時，也可能聚集成游離氣體。各種氣體產生的條件不同，如局部放電，通過離子反應、斷裂主要生成H2，通過積累重新化合成甲烷、乙烯、乙烷、乙炔等氣體，重新化合時分別需要各自的溫度和能量。一般說來，乙烯是在高于甲烷和乙烷的溫度(大約500℃)下生成的，乙炔一般是在800℃～1200℃的溫度下生成的，而且當溫度降低時反應被迅速抑制，作為重新化合的產物而積累。因此，大量的乙炔是在電弧中產生的。在變壓器油與空氣起氧化反應時，伴隨生成CO、CO2，并且CO和CO2能長期積累，成為數量顯著的氣體。這些分解出來的氣體形成氣泡在變壓器油中經對流擴散，不斷的溶解在油中。不同的故障會產生不同的主要特征氣體和次要特征氣體，這些故障氣體的組成和含量與故障類型及嚴重程度有密切關系。分析溶解于油中的氣體，就能盡早發現設備內部存在的潛伏性故障，并可隨時監視故障的發展狀況。變壓器油中溶解氣體分析(dissolved gasanalysis，DGA)方法，通過對絕緣油中H2、CH4、C2H2、C2H4和C2H6等特征氣體在不同運行狀態下的組分占比和產氣速率差異進行分析，從而為變壓器實時運行狀態的評估提供重要的依據，同時具有支持帶電在線檢測的優點，故而在我國變壓器運行狀態監測和故障診斷領域得到了廣泛應用。

根據理論研究和現場經驗，研究人員在早期建立了三比值法、Rogers比值法和大衛三角形法等流程簡單的基礎方法體系，但由于受編碼缺失、閾值絕對和現場勘察等問題的限制，上述方法現已逐漸成為變壓器故障診斷的輔助手段。目前主流的基于油色譜(變壓器油中溶解氣體)分析進行預測診斷變壓器故障的方式仍是三比值法。然而隨著機器學習理論的發展，基于人工智能的故障診斷方法以其對變壓器運行狀態類型較高的分類準確率，成為了學界熱門的研究方向。

Elman網絡是一種典型的局部回歸網絡(global feed forward localrecurrent)，可以看作是一個具有局部記憶單元和局部反饋連接的遞歸神經網絡，具有與多層前向網絡相似的多層結構。它的主要結構是前饋連接，包括輸入層、隱含層、輸出層，其連接權可以進行學習修正；反饋連接由一組“結構”單元構成，用來記憶前一時刻的輸出值，其連接權值是固定的。在這種網絡中，除了普通的隱含層外，還有一個特別的隱含層,稱為關聯層(或聯系單元層)；該層從隱含層接收反饋信號，每一個隱含層節點都有一個與之對應的關聯層節點連接。關聯層的作用是通過聯接記憶將上一個時刻的隱層狀態連同當前時刻的網絡輸入一起作為隱層的輸入，相當于狀態反饋。隱層的傳遞函數仍為某種非線性函數，一般為Sigmoid函數，輸出層為線性函數，關聯層也為線性函數。對比散度算法可以加快梯度計算的收斂速度，快速更新權值和神經元偏置。