CN110967471A - 一种变压器油中溶解气体浓度预测方法 - Google Patents

Abstract

本发明属于电网设备状态监测技术领域，具体讲涉及一种变压器油中溶解气体浓度预测方法。首先为降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响，采用VMD自适应地将原始变压器油中溶解气体浓度时间序列分解为多个不同带宽的模式分量，然后对各个模式分量建立蝙蝠算法优化神经网络的预测模型，提高预测模型的稳定性和泛化能力；再输入测试数据到预测模型；最后叠加全部模式分量的预测值得到真实的变压器油中溶解气体浓度预测结果。该方法能获得相比单一预测方法更高精度的短期变压器油中溶解气体浓度预测结果。

Description

一种变压器油中溶解气体浓度预测方法

技术领域

本发明属于电网设备状态监测技术领域，具体讲涉及一种变压器油中溶解气体浓度预测方法。

背景技术

电力变压器是电力系统的重要枢纽设备，其安全可靠运行是保证正常电力供应的重要基础。变压器在运行使用过程中，由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中，油中气体的各种成分含量及不同组分间的比例关系与变压器运行状况密切相关。油中溶解气体分析(dissolved gas analysis，DGA)技术是目前国际公认的发现电力变压器缺陷及潜伏性故障的有效方法。通过油色谱在线监测装置按固定采样周期获取油中气体组分含量值，形成油色谱在线监测时间序列，利用历史监测序列对油中溶解气体浓度发展趋势进行预测，可为变压器状态评估提供重要依据，具有重要现实意义。目前，对于油中溶解气体浓度预测问题的研究主要可归纳为以下两类：统计预测方法和智能预测方法。统计预测方法主要包括时间序列模型、灰色模型等，其预测精度主要受限于序列本身的数据分布规律。时间序列模型和灰色模型分别在处理线性序列和指数序列时具有良好的预测效果，在其他应用场景中则存在较大的局限性。智能预测方法通过结合人工智能技术对大量历史数据进行分析训练，获得能够反映时间序列发展趋势的预测模型，其典型代表为支持向量机、人工神经网络等。由于传统的人工智能算法无法有效捕捉序列数据的时序关联性，因此其对于油色谱在线监测序列的预测精度有限，因此，上述缺陷是亟需解决的问题。

发明内容

本发明提供一种变压器油中溶解气体浓度预测方法，该方法可有效降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响，提高变压器油中溶解气体浓度预测精度。

本发明的技术方案为：

一种变压器油中溶解气体浓度预测方法，包括以下步骤：

S1、利用VMD(Variational mode decomposition，即变分模态分解)对变压器油中溶解气体浓度时间序列进行分解，得到多个不同带宽的模式分量；

S2、对每个模式分量构建各自的训练数据集和测试数据集；

S3、对每个模式分量分别建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型；

S4、将训练数据集中多个模式分量的训练样本逐一输入蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型进行训练，得到各自对应的变压器油中溶解气体浓度预测子模型；

S5、将测试数据集中多个模式分量的测试样本逐一输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测，得到每个变压器油中溶解气体浓度子模型的预测输出值；

S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理，得到最终的变压器油中溶解气体浓度预测结果。

进一步，步骤S1中利用VMD对原始变压器油中溶解气体浓度时间序列进行分解的过程为：

VMD是将实值信号分解成不同模式分量u_k的信号处理过程，其在产生主信号时具有特定的稀疏特性；假设每个模式k具有一个在分解过程中确定的中心频率ω_k，因此每个模式k的稀疏特性是其在频谱域中的带宽，获得带宽后，再用VMD进行分解。

进一步，为了获得模式带宽，包括以下步骤：

S11、对每个模式分量u_k应用希尔伯特变换以获得单侧频谱；

S12、将上述的单侧频谱变换到基带，通过使用指数调谐到相应估计的中心频率；

S13、通过解调信号的H¹高斯平滑度，即梯度L的平方来估计带宽，因此，通过解决以下优化问题来实现分解处理：

式中：

表示偏微分，u_k(t)表示时域下的模式分量，f(t)是待分解的主信号；{u_k}＝{u₁,L,u_k}和{ω_k}＝{ω₁,L,ω_k}分别表示所有模式分量u_k的集合及其中心频率；δ(t)是狄拉克分布；*表示卷积；为解决约束，采用惩罚项和拉格朗日乘数λ将上式变为如下无约束优化问题：

式中：α为平衡参数；λ为拉格朗日乘子，使用乘子交替方向法来求解原始最小化问题，由此可得：

式中：

和

分别为f(ω)、

和

的傅里叶变换；n为迭代次数；f(ω)表示频域下的待分解的主信号，

和

分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值，

表示频域下迭代n+1次时第k个模式分量，

为当前模态函数功率谱的重心。

进一步，获得带宽后，利用VMD分解的过程如下：

S14、对

进行初始化，迭代次数n置1；其中

表示模式中心频率，

表示所有模式分量的集合，

拉格朗日乘数值；

S15、对全部模式分量u_k依公式(3)和(4)进行更新得到

和

S16、对拉格朗日乘子进行更新：

式中τ为更新参数；

S17、判断是否满足下式的收敛条件：

若满足，分解过程结束；否则，迭代次数n加1，转公式(2)。

进一步，步骤S2中构建各自的训练数据集过程为：

模式分量u_k的训练数据集Tr_n包含输入数据X_n和输出数据Y_n，输入数据

其中m为预测模型输入个数，输出数据

l的取值由预测模型输出个数决定。

进一步，输入数据和输出数据是对模式分量u_k的时间序列进行连续采集而得到。

进一步，模式分量u_k的测试数据集Te_n的构建方式与训练数据集Tr_n的构建方式相同。

进一步，步骤S3中建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型的过程为：

S31、神经网络包括一个输入层、一个隐含层和一个输出层，输入层神经元个数等于预测模型输入个数m，输出层神经元个数等于预测模型输出个数l，隐含层神经元个数

a为1～10中的自然数；

神经网络需要优化的变量个数为：

num＝m×s+s+s×l+l (7)

S32、蝙蝠算法优化神经网络过程如下：

随机生成一组解作为初始值来拟合蝙蝠算法优化神经网络模型：

其中i＝1,2,...M；IW为输出层到隐含层权值，有m×s个；Ib为隐含层阈值，有s个；LW为隐含层到输出层权值，有s×l个；Lb为输出层阈值，有l个；M为种群大小，共M个虚拟蝙蝠；

上述的虚拟蝙蝠探索目标空间，在目标空间的t次迭代中，由f_i、V_i ^t和

分别描述每一个虚拟蝙蝠的频率、速度和位置，在t+1次迭代中，虚拟蝙蝠的速度和位置更新方式如下：

f_i＝f_min+(f_max-f_min)×β (9)

式中，β∈[0,1]是服从均匀分布的随机变量，X_best为种群全局最优位置；

计算每个样本的适应度值：

式中：X^t、

分别是变压器油中溶解气体浓度实际值和变压器油中溶解气体浓度预测输出值；N为训练样本数；

S33、确定一个解后，随机产生一个0到1的随机数，若随机数大于脉冲发射频率r_i，使用随机游走产生一个新解：

X_new＝X_old+σε_t×A^t (13)

式中，X_old为旧解，即为新解X_new之前的一个解，σ是用来控制步长的缩放因子，ε_t服从高斯正态分布N[0,1]，A^t是当前时步内所有蝙蝠的平均响度，且A⁰＝1，A^min＝0；

S34、随机游走产生一个新解后，随机产生一个0到1的随机数，若随机数小于当前时步内所有蝙蝠i发出的声波响度

且新解的适应度值小于旧解的适应度值，即Fit(X_new)<Fit(X_old)，则接受新解，并更新

和rⁱ：

ρ和γ是[0.9,0.98]间常数，对于任意的0<ρ<1，γ>0有：

r_i ^t→r_i ⁰,t→∞。

进一步，隐含层神经元激活函数使用sigmoid函数，sigmoid函数计算公式为：

进一步，输出层神经元激活函数使用线性函数，线性函数计算公式为：

f(x)＝w*x+b (17)

其中，w表示隐含层神经元单元到输出层神经元单元的联接权值系数，b表示输出层神经元的阈值。

本发明的有益效果为：

本发明的变压器油中溶解气体浓度预测方法，首先为降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响，采用VMD自适应地将原始变压器油中溶解气体浓度时间序列分解为多个不同带宽的模式分量，然后对各个模式分量建立蝙蝠算法优化神经网络的预测模型，提高预测模型的稳定性和泛化能力；最后叠加全部模式分量的预测值得到真实的变压器油中溶解气体浓度预测结果。该方法能获得相比单一预测方法更高精度的短期变压器油中溶解气体浓度预测结果。

附图说明

图1是本发明的流程示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

实施例1：

如图1所示，一种变压器油中溶解气体浓度预测方法，包括以下步骤：

S1、利用VMD对变压器油中溶解气体浓度时间序列进行分解，得到多个不同带宽的模式分量；

S2、对每个模式分量构建各自的训练数据集和测试数据集；

S3、对每个模式分量分别建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型；

S4、将训练数据集中多个模式分量的训练样本逐一输入蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型进行训练，得到各自对应的变压器油中溶解气体浓度预测子模型；

S5、将测试数据集中多个模式分量的测试样本逐一输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测，得到每个变压器油中溶解气体浓度子模型的预测输出值；

S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理，得到最终的变压器油中溶解气体浓度预测结果。

在本实施例中，步骤S1中利用VMD对原始变压器油中溶解气体浓度时间序列进行分解的过程为：

VMD是将实值信号分解成不同模式分量u_k的信号处理过程，其在产生主信号时具有特定的稀疏特性；假设每个模式k具有一个在分解过程中确定的中心频率ω_k，因此每个模式k的稀疏特性是其在频谱域中的带宽，获得带宽后，再用VMD进行分解。

为了获得模式带宽，包括以下步骤：

S11、对每个模式分量u_k应用希尔伯特变换以获得单侧频谱；

S12、将上述的单侧频谱变换到基带，通过使用指数调谐到相应估计的中心频率；

S13、通过解调信号的H¹高斯平滑度，即梯度L的平方来估计带宽，因此，通过解决以下优化问题来实现分解处理：

式中：

表示偏微分，u_k(t)表示时域下的模式分量，f(t)是待分解的主信号；{u_k}＝{u₁,L,u_k}和{ω_k}＝{ω₁,L,ω_k}分别表示所有模式分量u_k的集合及其中心频率；δ(t)是狄拉克分布；*表示卷积；为解决约束，采用惩罚项和拉格朗日乘数λ将上式变为如下无约束优化问题：

式中：α为平衡参数；λ为拉格朗日乘子，使用乘子交替方向法来求解原始最小化问题，由此可得：

式中：

和

分别为f(ω)、

和

的傅里叶变换；n为迭代次数；f(ω)表示频域下的待分解的主信号，

和

分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值，

表示频域下迭代n+1次时第k个模式分量，

为当前模态函数功率谱的重心。

获得带宽后，利用VMD分解的过程如下：

S14、对

进行初始化，迭代次数n置1；其中

表示模式中心频率，

表示所有模式分量的集合，

拉格朗日乘数值；

S15、对全部模式分量u_k依公式(3)和(4)进行更新得到

和

S16、对拉格朗日乘子进行更新：

式中τ为更新参数；

S17、判断是否满足下式的收敛条件：

若满足，分解过程结束；否则，迭代次数n加1，转公式(2)。

在本实施例中，步骤S2中构建各自的训练数据集过程为：

模式分量u_k的训练数据集Tr_n包含输入数据X_n和输出数据Y_n，输入数据和输出数据是对模式分量u_k的时间序列进行连续采集而得到，输入数据

其中m为预测模型输入个数，输出数据

l的取值由预测模型输出个数决定，模式分量u_k的测试数据集Te_n的构建方式与训练数据集Tr_n的构建方式相同。

在本实施例中，步骤S3中建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型的过程为：

S31、神经网络包括一个输入层、一个隐含层和一个输出层，输入层神经元个数等于预测模型输入个数m，输出层神经元个数等于预测模型输出个数l，隐含层神经元个数

a为1～10中的自然数；

神经网络需要优化的变量个数为：

num＝m×s+s+s×l+l (7)

S32、蝙蝠算法优化神经网络过程如下：

随机生成一组解作为初始值来拟合蝙蝠算法优化神经网络模型：

其中i＝1,2,...,M；IW为输出层到隐含层权值，有m×s个；Ib为隐含层阈值，有s个；LW为隐含层到输出层权值，有s×l个；Lb为输出层阈值，有l个；M为种群大小，共M个虚拟蝙蝠；

上述的虚拟蝙蝠探索目标空间，在目标空间的t次迭代中，由f_i、V_i ^t和

分别描述每一个虚拟蝙蝠的频率、速度和位置，在t+1次迭代中，虚拟蝙蝠的速度和位置更新方式如下：

f_i＝f_min+(f_max-f_min)×β (9)

式中，β∈[0,1]是服从均匀分布的随机变量，X_best为种群全局最优位置；

计算每个样本的适应度值：

式中：X^t、

分别是变压器油中溶解气体浓度实际值和变压器油中溶解气体浓度预测输出值；N为训练样本数；

S33、确定一个解后，随机产生一个0到1的随机数，若随机数大于脉冲发射频率r_i，使用随机游走产生一个新解：

X_new＝X_old+σε_t×A^t (13)

式中，X_old为旧解，即为新解X_new之前的一个解，σ是用来控制步长的缩放因子，ε_t服从高斯正态分布N[0,1]，A^t是当前时步内所有蝙蝠的平均响度，且A⁰＝1，A^min＝0；

S34、随机游走产生一个新解后，随机产生一个0到1的随机数，若随机数小于当前时步内所有蝙蝠i发出的声波响度

且新解的适应度值小于旧解的适应度值，即Fit(X_new)<Fit(X_old)，则接受新解，并更新

和rⁱ：

ρ和γ是[0.9,0.98]间常数，对于任意的0<ρ<1，γ>0有：

r_i ^t→r_i ⁰,t→∞。

在本实施例中，隐含层神经元激活函数使用sigmoid函数，sigmoid函数计算公式为：

在本实施例中，输出层神经元激活函数使用线性函数，线性函数计算公式为：

f(x)＝w*x+b (17)

其中，w表示隐含层神经元单元到输出层神经元单元的联接权值系数，b表示输出层神经元的阈值。

本发明首先为降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响，采用VMD自适应地将原始变压器油中溶解气体浓度时间序列分解为多个不同带宽的模式分量，然后对各个模式分量建立蝙蝠算法优化神经网络的预测模型，提高预测模型的稳定性和泛化能力；最后叠加全部模式分量的预测值得到真实的变压器油中溶解气体浓度预测结果。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种变压器油中溶解气体浓度预测方法，其特征在于，包括以下步骤：

S1、利用VMD对变压器油中溶解气体浓度时间序列进行分解，得到多个不同带宽的模式分量；

S2、对每个模式分量构建各自的训练数据集和测试数据集；

S3、对每个模式分量分别建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型；

S4、将训练数据集中多个模式分量的训练样本逐一输入蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型进行训练，得到各自对应的变压器油中溶解气体浓度预测子模型；

S5、将测试数据集中多个模式分量的测试样本逐一输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测，得到每个变压器油中溶解气体浓度子模型的预测输出值；

S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理，得到最终的变压器油中溶解气体浓度预测结果。

2.根据权利要求1所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S1中利用VMD对原始变压器油中溶解气体浓度时间序列进行分解的过程为：

VMD是将实值信号分解成不同模式分量u_k的信号处理过程，其在产生主信号时具有特定的稀疏特性；假设每个模式k具有一个在分解过程中确定的中心频率ω_k，因此每个模式k的稀疏特性是其在频谱域中的带宽，获得带宽后，再用VMD进行分解。

3.根据权利要求2所述的一种变压器油中溶解气体浓度预测方法，其特征在于，为了获得模式带宽，包括以下步骤：

S11、对每个模式分量u_k应用希尔伯特变换以获得单侧频谱；

S12、将上述的单侧频谱变换到基带，通过使用指数调谐到相应估计的中心频率；

S13、通过解调信号的H¹高斯平滑度，即梯度L的平方来估计带宽，因此，通过解决以下优化问题来实现分解处理：

式中：

表示偏微分，u_k(t)表示时域下的模式分量，f(t)是待分解的主信号；{u_k}＝{u₁,L,u_k}和{ω_k}＝{ω₁,L,ω_k}分别表示所有模式分量u_k的集合及其中心频率；δ(t)是狄拉克分布；*表示卷积；为解决约束，采用惩罚项和拉格朗日乘数λ将上式变为如下无约束优化问题：

式中：α为平衡参数；λ为拉格朗日乘子，使用乘子交替方向法来求解原始最小化问题，由此得：

式中：

和

分别为f(ω)、

λ_i ⁿ(ω)和

的傅里叶变换；n为迭代次数；f(ω)表示频域下的待分解的主信号，

和

分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值，

表示频域下迭代n+1次时第k个模式分量，

为当前模态函数功率谱的重心。

4.根据权利要求3所述的一种变压器油中溶解气体浓度预测方法，其特征在于，获得带宽后，利用VMD分解的过程如下：

S14、对

进行初始化，迭代次数n置1；其中

表示模式中心频率，

表示所有模式分量的集合，

拉格朗日乘数值；

S15、对全部模式分量u_k依公式(3)和(4)进行更新得到

和

S16、对拉格朗日乘子进行更新：

式中τ为更新参数；

S17、判断是否满足下式的收敛条件：

若满足，分解过程结束；否则，迭代次数n加1，转公式(2)。

5.根据权利要求4所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S2中构建各自的训练数据集过程为：

模式分量u_k的训练数据集Tr_n包含输入数据X_n和输出数据Y_n，输入数据

其中m为预测模型输入个数，输出数据

l的取值由预测模型输出个数决定。

6.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，输入数据和输出数据是对模式分量u_k的时间序列进行连续采集而得到。

7.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，模式分量u_k的测试数据集Te_n的构建方式与训练数据集Tr_n的构建方式相同。

8.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S3中建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型的过程为：

S31、神经网络包括一个输入层、一个隐含层和一个输出层，输入层神经元个数等于预测模型输入个数m，输出层神经元个数等于预测模型输出个数l，隐含层神经元个数

a为1～10中的自然数；

神经网络需要优化的变量个数为：

num＝m×s+s+s×l+l (7)

S32、蝙蝠算法优化神经网络过程如下：

随机生成一组解作为初始值来拟合蝙蝠算法优化神经网络模型：

其中i＝1,2,...,M；IW为输出层到隐含层权值，有m×s个；Ib为隐含层阈值，有s个；LW为隐含层到输出层权值，有s×l个；Lb为输出层阈值，有l个；M为种群大小，共M个虚拟蝙蝠；

上述的虚拟蝙蝠探索目标空间，在目标空间的t次迭代中，由f_i、V_i ^t和

分别描述每一个虚拟蝙蝠的频率、速度和位置，在t+1次迭代中，虚拟蝙蝠的速度和位置更新方式如下：

f_i＝f_min+(f_max-f_min)×β (9)

式中，β∈[0,1]是服从均匀分布的随机变量，X_best为种群全局最优位置；

计算每个样本的适应度值：

式中：X^t、

分别是变压器油中溶解气体浓度实际值和变压器油中溶解气体浓度预测输出值；N为训练样本数；

S33、确定一个解后，随机产生一个0到1的随机数，若随机数大于脉冲发射频率r_i，使用随机游走产生一个新解：

X_new＝X_old+σε_t×A^t (13)

式中，X_old为旧解，即为新解X_new之前的一个解，σ是用来控制步长的缩放因子，ε_t服从高斯正态分布N[0,1]，A^t是当前时步内所有蝙蝠的平均响度，且A⁰＝1，A^min＝0；

S34、随机游走产生一个新解后，随机产生一个0到1的随机数，若随机数小于当前时步内所有蝙蝠i发出的声波响度

且新解的适应度值小于旧解的适应度值，即Fit(X_new)<Fit(X_old)，则接受新解，并更新

和rⁱ：

r_i ^t+1＝r_i ⁰[1-exp(-γt)] (15)

ρ和γ是[0.9,0.98]间常数，对于任意的0<ρ<1，γ>0有：

r_i ^t→r_i ⁰,t→∞。

9.根据权利要求8所述的一种变压器油中溶解气体浓度预测方法，其特征在于，隐含层神经元激活函数使用sigmoid函数，sigmoid函数计算公式为：

10.根据权利要求8所述的一种变压器油中溶解气体浓度预测方法，其特征在于，输出层神经元激活函数使用线性函数，线性函数计算公式为：

f(x)＝w*x+b (17)

其中，w表示隐含层神经元单元到输出层神经元单元的联接权值系数，b表示输出层神经元的阈值。

Images