CN111562358B - 基于联合模型的变压器油中气体含量预测方法及系统 - Google Patents
基于联合模型的变压器油中气体含量预测方法及系统 Download PDFInfo
- Publication number
- CN111562358B CN111562358B CN202010372630.7A CN202010372630A CN111562358B CN 111562358 B CN111562358 B CN 111562358B CN 202010372630 A CN202010372630 A CN 202010372630A CN 111562358 B CN111562358 B CN 111562358B
- Authority
- CN
- China
- Prior art keywords
- value
- prediction
- component
- time sequence
- emd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 239000007789 gas Substances 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 4
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 3
- 239000005977 Ethylene Substances 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/22—Yield analysis or yield optimisation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F27/00—Details of transformers or inductances, in general
- H01F27/08—Cooling; Ventilating
- H01F27/10—Liquid cooling
- H01F27/12—Oil cooling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Food Science & Technology (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
Abstract
本发明公开了一种基于联合模型的变压器油中气体含量预测方法及系统,属于变压器故障预测领域,该方法包括:确定与故障相关的待预测气体类型和时间序列,针对油中溶解气体浓度序列的非平稳性特征,分别采用经验模态分解和局部均值分解对原始序列进行处理;针对各子序列分量分别进行归一化,划分训练样本与测试样本;针对各子序列分量分别构建DBN预测模型进行训练,并叠加重构建立DBN模型对故障的多维数据进行特征提取及分类,通过计算误差指标评价该预测模型的预测性能。本发明将油中溶解气体浓度时间序列分解为更强平稳性和规律性的分量,再利用深度置信网络对多层网络特征提取的优势,达到对变压器进行状态预测便于及时识别故障的目的。
Description
技术领域
本发明属于变压器故障预测领域,更具体地,涉及一种基于联合模型的变压器油中气体含量预测方法及系统。
背景技术
电力设备安全运行是电网安全稳定运行的基础,尤其是作为电力系统的关键枢纽设备,电力变压器的安全稳定运行事关社会正常运作的电力供应。目前针对电力变压器的故障诊断主要分为离线监测和在线监测,油中溶解气体分析是变压器重要的在线测量手段,油中溶解气体浓度的预测可以为电力变压器故障诊断和预警提供重要的预测依据,目前仍然是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的浓度发展趋势进行准确预测,对于电力变压器故障预警具有重要的技术价值。
传统预测方法主要受限于序列本身的数据分布规律,受限于特定的预测序列,在其他应用场景中则存在较大的局限性。随着人工智能技术的不断发展,越来越多的智能预测方法利用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。由于传统的人工智能方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。
目前也存在将多种单一方法进行加权组合的预测方法,但组合模型的权重基于专家经验确定,过于主观,或者出现权重为负值的情况。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于联合模型的变压器油中气体含量预测方法及系统,将电力变压器油中溶解气体浓度时间序列分解为更强平稳性和规律性的分量,再利用深度置信网络对多层网络特征提取的优势,达到对变压器进行状态预测便于及时识别故障的目的,由此解决现有单一诊断方法存在的局限性,以及组合模型依靠专家经验来确定权重而存在的过于主观,或者出现权重为负值的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于联合模型的变压器油中气体含量预测方法,包括:
(1)获取与故障相关的待预测气体的原始浓度时间序列;
(2)将所述原始浓度时间序列进行EMD分解,得到若干个IMF分量和1个剩余分量;将所述原始浓度时间序列进行LMD分解,得到若干个PF分量和1个残余分量;
(3)对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量,分别利用深度置信网络得到下一时刻的单一分量浓度预测结果;
(4)将各所述IMF分量及所述剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值,将各所述PF分量及所述残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值;
(5)分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测,得到所述原始浓度时间序列后续多时刻的浓度预测值。
优选地,在步骤(2)中,所述将所述原始浓度时间序列进行EMD分解,得到若干个IMF分量和1个剩余分量,包括:
(a)获取所述原始浓度时间序列中所有极大值点和极小值点,获取所有极大值点的上包络线及所有极小值点的下包络线,并获取所述上包络线与所述下包络线的包络线均值;
(b)获取所述原始浓度时间序列与所述包络线均值的差值;
(c)判断所述差值是否满足IMF约束条件,若不满足,则将所述差值作为新的输入时间序列,并执行步骤(a)和步骤(b),直至最终得到的目标差值满足所述约束条件,将所述目标差值作为第一个IMF分量,并将所述目标差值从所述原始浓度时间序列中分离出去,得到剩余分量;
(d)将所述剩余分量作为新的原始浓度时间序列,重复执行步骤(a)~步骤(c),得到其余IMF分量与一个最终的目标剩余分量。
优选地,在步骤(2)中,所述将所述原始浓度时间序列进行LMD分解,得到若干个PF分量和1个残余分量,包括:
(i)获取所述原始浓度时间序列的所有局部极值点,依次求出相邻局部极值点的平均值,由各所述平均值得到局部均值函数;
(ii)依次求出相邻局部极值点的包络估计值,并依次对相邻的2个包络估计值进行平滑,得到包络估计函数;
(iii)从所述原始浓度时间序列中分离出所述局部均值函数得到差值函数;
(iv)用所述差值函数除以所述包络估计函数得到相除值函数,将所述相除值函数作为新的输入时间序列,重复执行步骤(i)~步骤(iii),直至最终得到的目标相除值函数为1个纯调频信号;
(v)对迭代过程中得到的所有包络估计函数求乘积,得到包络信号;
(vi)将所述纯调频信号和所述包络信号相乘,得到所述原始浓度时间序列的第1个PF分量:
(vii)将第1个PF分量从所述原始浓度时间序列中分离出来得到残余分量,将所述残余分量作为新的原始浓度时间序列,重复执行步骤(i)~步骤(vii),直至最终得到的目标残余分量为单调函数,得到其余PF分量与一个最终的目标残余分量。
优选地,在步骤(3)之前,所述方法还包括:
对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量,归一化到[0,1]范围内。
优选地,步骤(5)包括:
(5.1)采用训练好的深度置信网络分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测,将EMD同一时刻下的多步预测结果进行线性叠加重构得到EMD-DBN的多步预测值,将LMD同一时刻下的多步预测结果进行线性叠加重构得到LMD-DBN的多步预测值;
(5.2)获取所述EMD-DBN的多步预测值与所述LMD-DBN的多步预测值的均值作为所述原始浓度时间序列后续多时刻的浓度预测值
优选地,所述方法还包括:
采用均方根误差以及误差标准差对预测结果进行评价。
优选地,所述与故障相关的待预测气体包括:氢气、甲烷、乙烷、乙烯或乙炔。
按照本发明的另一方面,提供了一种基于联合模型的变压器油中气体含量预测系统,包括:
数据获取模块,用于获取与故障相关的待预测气体的原始浓度时间序列;
子序列分解模块,用于将所述原始浓度时间序列进行EMD分解,得到若干个IMF分量和1个剩余分量;将所述原始浓度时间序列进行LMD分解,得到若干个PF分量和1个残余分量;
单一分量预测模块,用于对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量,分别利用深度置信网络得到下一时刻的浓度预测结果;
叠加重构模块,用于将各所述IMF分量及所述剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值,将各所述PF分量及所述残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值;
预测结果确定模块,用于分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测,得到所述原始浓度时间序列后续多时刻的浓度预测值。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令被处理器执行时实现如上述任一所述的基于联合模型的变压器油中气体含量预测方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、针对变压器油中溶解气体浓度的时间序列存在的非线性和非平稳特性,本发明通过运用经验模态分解方法(Empirical Mode Decomposition,EMD)和局部均值分解方法(Local Mean Decomposition,LMD),将不同尺度/趋势分量从油中溶解气体浓度序列中逐级分解出来,形成一系列具有不同时间尺度的子序列分量,相较于原始序列具备更强的平稳性和规律性,有助于提高预测精度。
2、由于运算机理不同,LMD的迭代次数比EMD少,在一定程度上可抑制端点效应,另一方面也解决了欠包络和过包络问题;而EMD具有自适应分解性的优点,计算量相对较小,因此将LMD和EMD结合起来对原始时间序列进行分解,减少预测误差。
3、利用深度学习中的深度置信网络(Deep Belief Networks,DBN)对EMD和LMD分解之后的分量进行训练。因此本发明提出的预测方法基于机器学习技术,能更好的利用已有的数据库发挥最大的预测性能。本发明可实现对变压器进行状态监测及时识别故障发生。
附图说明
图1是本发明实施例提供的一种方法流程示意图;
图2是本发明实施例提供的一种DBN训练过程流程示意图;
图3是本发明实施例提供的一种系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明考虑到变压器油中溶解气体含量的变化过程具有波动特征,受油温、油的气体分压、故障性质及发展快慢等因素的影响,气体浓度的时间序列存在一定的非线性和非平稳特性,提出了一种基于联合模型的变压器油中气体含量预测方法,运用预处理方法对原始序列进行分解,增强油色谱在线监测序列的平稳性和规律性,并对各子序列分量进行单独建模,通过叠加重构其预测结果,获得满足精度要求的组合预测结果。
如图1所示是本发明实施例提供的一种基于EMD-LMD-DBN联合模型的变压器油中气体含量预测方法的流程示意图,包含以下步骤:
(1)确定待预测气体类型和浓度的时间序列;
根据GB/T7252-2001《变压器油中溶解气体分析和判断导则》,可以通过分析油中7种气体(H2、C2H2、C2H4、C2H6、CH4、CO和CO2)的含量来判断并分析故障。考虑到变压器在正常运行的自然老化过程中会缓慢产生CO和CO2,当故障涉及到固体绝缘时会引起其明显增长,而且与变压器的结构特点、运行温度、负载情况、运行历史等因素有综合的联系,含量的变化规律不明显。因此,在本发明实施例中,研究过热和放电故障时,不考虑固体绝缘材料的故障,选取氢气、甲烷、乙烷、乙烯、乙炔5种故障特征气体作为特征变量。
(2)将原始气体浓度时间序列进行EMD分解,得到若干个IMF分量和1个剩余分量;
EMD分解的本质是把原始气体浓度时间序列x(t)分解为不同特征尺度上波动的叠加,对于原始气体浓度时间序列x(t)的EMD分解具体步骤如下:
(2.1)识别原始气体浓度时间序列x(t)中所有极大值点和极小值点,采用三次样条插值法分别拟合极大值点的上包络线xup(t)与极小值点的下包络线xlow(t),并计算上下包络线的均值m(t):
m(t)=[xup(t)+xlow(t)]/2
(2.2)计算原始气体浓度时间序列x(t)与包络线均值m(t)的差值,记为h(t):
h(t)=x(t)-m(t)
(2.3)判断h(t)是否满足IMF约束条件-平均曲线趋近于0,若不满足,则将其作为新的输入序列,重复执行(21)和(22),直到满足约束条件为止;若满足,则h(t)为第一个IMF分量,记为c1(t)=h(t),并从原始气体浓度时间序列x(t)中分离出c1(t),得到剩余分量r1(t):
r1(t)=x(t)-c1(t)
(2.4)将剩余分量r1(t)视为新的原始气体浓度时间序列,重复上述平稳化处理步骤(2.1)~步骤(2.3),可得到其余IMF分量与一个剩余分量,直至rn(t)仅含有一个极值点或变成单调函数为止,此时剩下的就是残余项rn。最终EMD的最终结果可表示为:
其中,ci(t)表示第i个固有模态函数分量;rn代表原始气体浓度时间序列趋势项的剩余分量。
(3)将原始气体浓度时间序列进行LMD分解,得到若干个PF分量和1个残余分量;
LMD分解的本质是把原始气体浓度时间序列x(t)分解为纯调频信号和包络信号,两者相乘并迭代至分离出一系列PF分量。对于原始气体浓度时间序列x(t)的EMD分解具体步骤如下:
(3.1)找出原始气体浓度时间序列x(t)的所有局部极值点ni,依次求出相邻极值点的平均值mi,并用滑动平均法对所有平均值进行平滑得到局部均值函数m11(t);
(3.2)依次求出相邻极值点的包络估计值ai,并用滑动平均法依次对相邻的2个包络估计值进行平滑,得到包络估计函数a11(t);
(3.3)从原始气体浓度时间序列x(t)中分离出局部均值函数m11(t)的差值函数h11(t):
h11(t)=x(t)-m11(t)
(3.4)对h11(t)进行解调,用h11(t)除以包络估计函数a11(t)得到s11(t),将s11(t)作为新的输入时间序列,迭代执行(3.1)~(3.3),直到最终得到的s1n(t)为1个纯调频信号,即s1n(t)的包络估计函数a1n(t)=1;
(3.6)将纯调频信号s1n(t)和包络信号a1(t)相乘,得到原始气体浓度时间序列x(t)的第1个PF分量:
PF1(t)=a1(t)s1n(t)
其瞬时幅值就是包络信号a1(t),瞬时频率f1(t)可由纯调频信号s1n(t)求出:
(3.7)将第1个PF分量PF1(t)从原始气体浓度时间序列x(t)中分离出来,得到1个新的信号u1(t),将u1(t)作为新的原始浓度时间序列重复上述过程3.1-3.7k次,直到uk(t)为单调函数为止;
LMD的最终结果可表示为:
(4)针对各子序列分量分别构建DBN预测模型进行预测;
模型的原理是利用已知时间序列来预测下个时间点的气体含量,输入为前m时点的气体含量,输出为下一时点的气体含量,即对于t时点气体含量X(t)为:
X(t)=f(X(t-1),X(t-2),...,X(t-m))
设y(1),y(2),…,y(n)为原始气体浓度时间序列x(t)经EMD或LMD分解后的某一分量序列,其DBN输入输出结构如下:
将各子序列分量的单步预测结果进行叠加重构,并运用训练好的预测模型进行多步延伸预测,具体步骤为:
(4.1)为了提高后续深度学习模型的数据处理效率,对每个IMF分量和PF分量进行预处理,将数据归一化到[0,1]范围内:
其中,x'和x分别为子序列分量归一化后和前的数值;xmax和xmin分别为子序列分量数据中的最大值和最小值;
(4.2)采用上述输入输出结构,对归一化后的每个分量分别进行DBN建模,得到每个分量下一时刻的预测结果,分别将EMD和LMD同一时刻下每个分量的预测结果进行线性叠加重构得到该时刻油中溶解气体浓度的单步预测值;
DBN的训练过程包括预训练和调优两个部分,预训练实质上是采用逐层无监督特征优化算法,对各层神经元的偏置值和层与层之间的连接权值进行参数初始化。在参数初始化后,需进行参数更新,不断迭代循环,直到重构误差满足要求。每个RBM有一个可视层v和一个隐含层h,同一层的各个单元之间无连接,不同层之间实现全连接。若v层可见单元数为n,h层隐单元数为m,则一个RBM的能量可以定义为:
式中,vi表示第i个可见单元的状态;hj表示第j个隐单元的状态;RBM的参数是θ={wij,ai,bj},wij表示可见单元i与隐单元j之间的连接权重,ai表示可见单元i的偏置,bj表示隐单元j的偏置。基于该能量函数,可以得到(v,h)的联合概率分布为
式中,Z(θ)=∑v,he-E(v,h|θ)为归一化因子,即配分函数。
学习RBM的任务就是求出参数θ={w,a,b}的值,从而拟合训练数据。具体操作可选用极大似然法,似然函数为L(θ|v)=Πvp(v),将其转化成对数形式再进一步求导,最终可以通过对比散度(Contrastive Divergence,CD)算法迭代求解。
预训练之后的调优过程是一个有监督的学习过程,有监督意味着学习标签数据的过程中,不断反向修正模型的参数,使模型的训练效果达到最优。具体操作室是利用BP算法依次反向微调每个RBM的参数,得到完整的DBN训练模型。整个DBN训练流程见图2,图中以2个隐含层为例。
(4.3)运用训练好的DBN模型分别对叠加重构得到的EMD的单步预测值与叠加重构得到的LMD单步预测值进行多步延伸预测,分别将EMD和LMD同一时刻下的多步预测结果进行线性叠加重构得到该时刻油中溶解气体浓度的EMD-DBN和LMD-DBN的多步预测值;
在本发明实施例中,多步延伸预测指把叠加重构得到的各单步预测的时间节点的值加入到历史时间序列中再次预测。
(4.4)求EMD-DBN多步预测值和LMD-DBN多步预测值的均值,将均值作为变压器油中溶解气体后续时刻的预测值。
(5)采用均方根误差(RMSE)以及误差标准差SD对预测结果进行评价:
如图3所示,在本发明的另一实施例中,还提供了一种基于联合模型的变压器油中气体含量预测系统,包括:
数据获取模块201,用于获取与故障相关的待预测气体的原始浓度时间序列;
子序列分解模块202,用于将原始浓度时间序列进行EMD分解,得到若干个IMF分量和1个剩余分量;将原始浓度时间序列进行LMD分解,得到若干个PF分量和1个残余分量;
单一分量预测模块203,用于对于每个IMF分量、剩余分量、每个PF分量及残余分量,分别由深度置信网络得到下一时刻的浓度预测结果;
叠加重构模块204,用于将各IMF分量及剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值,将各PF分量及残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值;
预测结果确定模块205,用于分别对EMD的单步预测值及LMD的单步预测值进行多步延伸预测,得到原始浓度时间序列后续多时刻的浓度预测值。
其中,各模块的具体实施方式可以参考上述方法实施例的描述,本发明实施例将不再复述。
在本发明的另一实施例中,还提供了一种计算机可读存储介质,其上存储有程序指令,该程序指令被处理器执行时实现如上述的基于联合模型的变压器油中气体含量预测方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的处理方法。此外,当通用计算机访问用于实现在此示出的处理的代码时,代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于联合模型的变压器油中气体含量预测方法,其特征在于,包括:
(1)获取与故障相关的待预测气体的原始浓度时间序列;
(2)将所述原始浓度时间序列进行EMD分解,得到若干个IMF分量和1个剩余分量;将所述原始浓度时间序列进行LMD分解,得到若干个PF分量和1个残余分量;
(3)对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量,分别利用深度置信网络得到下一时刻的浓度预测结果;
(4)将各所述IMF分量及所述剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值,将各所述PF分量及所述残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值;
(5)分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测得到EMD的多步预测值和LMD的多步预测值,基于所述EMD的多步预测值和所述LMD的多步预测值得到所述原始浓度时间序列后续多时刻的浓度预测值。
2.根据权利要求1所述的方法,其特征在于,在步骤(2)中,所述将所述原始浓度时间序列进行EMD分解,得到若干个IMF分量和1个剩余分量,包括:
(a)获取所述原始浓度时间序列中所有极大值点和极小值点,获取所有极大值点的上包络线及所有极小值点的下包络线,并获取所述上包络线与所述下包络线的包络线均值;
(b)获取所述原始浓度时间序列与所述包络线均值的差值;
(c)判断所述差值是否满足IMF约束条件,若不满足,则将所述差值作为新的输入时间序列,并执行步骤(a)和步骤(b),直至最终得到的目标差值满足所述约束条件,将所述目标差值作为第一个IMF分量,并将所述目标差值从所述原始浓度时间序列中分离出去,得到剩余分量;
(d)将所述剩余分量作为新的原始浓度时间序列,重复执行步骤(a)~步骤(c),得到其余IMF分量与一个最终的目标剩余分量。
3.根据权利要求1所述的方法,其特征在于,在步骤(2)中,所述将所述原始浓度时间序列进行LMD分解,得到若干个PF分量和1个残余分量,包括:
(i)获取所述原始浓度时间序列的所有局部极值点,依次求出相邻局部极值点的平均值,由各所述平均值得到局部均值函数;
(ii)依次求出相邻局部极值点的包络估计值,并依次对相邻的2个包络估计值进行平滑,得到包络估计函数;
(iii)从所述原始浓度时间序列中分离出所述局部均值函数得到差值函数;
(iv)用所述差值函数除以所述包络估计函数得到相除值函数,将所述相除值函数作为新的输入时间序列,重复执行步骤(i)~步骤(iii),直至最终得到的目标相除值函数为1个纯调频信号;
(v)对迭代过程中得到的所有包络估计函数求乘积,得到包络信号;
(vi)将所述纯调频信号和所述包络信号相乘,得到所述原始浓度时间序列的第1个PF分量:
(vii)将第1个PF分量从所述原始浓度时间序列中分离出来得到残余分量,将所述残余分量作为新的原始浓度时间序列;
(viii)重复执行步骤(i)~步骤(vii),直至最终得到的目标残余分量为单调函数,得到其余PF分量与一个最终的目标残余分量。
4.根据权利要求2或3所述的方法,其特征在于,在步骤(3)之前,所述方法还包括:
对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量,归一化到[0,1]范围内。
5.根据权利要求4所述的方法,其特征在于,步骤(5)包括:
(5.1)采用训练好的深度置信网络分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测,将EMD同一时刻下的多步预测结果进行线性叠加重构得到EMD-DBN的多步预测值,将LMD同一时刻下的多步预测结果进行线性叠加重构得到LMD-DBN的多步预测值;
(5.2)获取所述EMD-DBN的多步预测值与所述LMD-DBN的多步预测值的均值作为所述原始浓度时间序列后续多时刻的浓度预测值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用均方根误差以及误差标准差对预测结果进行评价。
7.根据权利要求1所述的方法,其特征在于,所述与故障相关的待预测气体包括:氢气、甲烷、乙烷、乙烯或乙炔。
8.一种基于联合模型的变压器油中气体含量预测系统,其特征在于,包括:
数据获取模块,用于获取与故障相关的待预测气体的原始浓度时间序列;
子序列分解模块,用于将所述原始浓度时间序列进行EMD分解,得到若干个IMF分量和1个剩余分量;将所述原始浓度时间序列进行LMD分解,得到若干个PF分量和1个残余分量;
单一分量预测模块,用于对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量,分别利用深度置信网络得到下一时刻的浓度预测结果;
叠加重构模块,用于将各所述IMF分量及所述剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值,将各所述PF分量及所述残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值;
预测结果确定模块,用于分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测得到EMD的多步预测值和LMD的多步预测值,基于所述EMD的多步预测值和所述LMD的多步预测值得到所述原始浓度时间序列后续多时刻的浓度预测值。
9.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至7任一所述的基于联合模型的变压器油中气体含量预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372630.7A CN111562358B (zh) | 2020-05-06 | 2020-05-06 | 基于联合模型的变压器油中气体含量预测方法及系统 |
US17/160,412 US11914936B2 (en) | 2020-05-06 | 2021-01-28 | Method and system for predicting gas content in transformer oil based on joint model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372630.7A CN111562358B (zh) | 2020-05-06 | 2020-05-06 | 基于联合模型的变压器油中气体含量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111562358A CN111562358A (zh) | 2020-08-21 |
CN111562358B true CN111562358B (zh) | 2021-03-16 |
Family
ID=72074460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010372630.7A Active CN111562358B (zh) | 2020-05-06 | 2020-05-06 | 基于联合模型的变压器油中气体含量预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11914936B2 (zh) |
CN (1) | CN111562358B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220019937A1 (en) * | 2020-07-20 | 2022-01-20 | OnePredict Co., Ltd | Apparatus and method for predicting transformer state in consideration of whether oil filtering is performed |
CN114239196B (zh) * | 2021-11-24 | 2024-09-17 | 浙江中控技术股份有限公司 | 炼厂加热炉中烟气so2浓度的预测和预警方法 |
CN114490596B (zh) * | 2021-12-08 | 2024-05-10 | 大唐水电科学技术研究院有限公司 | 一种基于机器学习与神经网络的变压器油色谱数据清洗的方法 |
CN113948159B (zh) * | 2021-12-21 | 2022-03-04 | 云智慧(北京)科技有限公司 | 一种变压器的故障检测方法、装置及设备 |
CN114444295B (zh) * | 2022-01-21 | 2023-04-25 | 南京天洑软件有限公司 | 一种基于组合时序预测的NOx废气浓度预测方法 |
CN114580709B (zh) * | 2022-01-28 | 2024-04-16 | 西安电子科技大学 | 基于Transformer的多模态自相关补偿的时序预测方法 |
CN114817847B (zh) * | 2022-06-30 | 2023-02-07 | 广州兆和电力技术有限公司 | 一种基于多层前馈神经网络的储能电站智能监测方法 |
CN115326397B (zh) * | 2022-07-28 | 2023-10-27 | 沈阳顺义科技有限公司 | 建立曲轴轴承磨损程度预测模型及预测方法和相关装置 |
CN115514439A (zh) * | 2022-09-26 | 2022-12-23 | 华工未来科技(江苏)有限公司 | 一种信道空口利用率预测方法、系统、电子设备及介质 |
CN115656437B (zh) * | 2022-10-26 | 2024-06-11 | 东北大学 | 一种基于信号多特征数据的易制毒气体浓度软测量方法 |
CN115828736B (zh) * | 2022-11-10 | 2024-08-30 | 大连海事大学 | 一种基于eemd-pe-lstm的短时船舶交通流量预测方法 |
CN115876957A (zh) * | 2022-12-02 | 2023-03-31 | 国网福建省电力有限公司 | 检测变压器油中溶解气体在线监测装置的系统平台及方法 |
CN116297880A (zh) * | 2023-02-16 | 2023-06-23 | 国网河南省电力公司电力科学研究院 | 变压器油监测设备可靠性评估模型的构建方法、使用方法 |
CN116204794B (zh) * | 2023-05-04 | 2023-09-12 | 国网江西省电力有限公司电力科学研究院 | 一种考虑多维数据的变压器油中溶解气体预测方法及系统 |
CN116702063A (zh) * | 2023-05-06 | 2023-09-05 | 中国长江电力股份有限公司 | 一种基于EMD-gcForest模型的变压器油中溶解气体浓度预测方法 |
CN117408299A (zh) * | 2023-09-08 | 2024-01-16 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于深度学习的变压器油中溶解气体浓度预测方法 |
CN117271990B (zh) * | 2023-09-11 | 2024-09-03 | 北京科技大学 | 一种基于油色谱数据的特高压变压器状态评估方法 |
CN116955940B (zh) * | 2023-09-21 | 2023-11-21 | 宏朗环保科技(北京)有限公司 | 一种有害气体浓度监测数据优化处理方法 |
CN117009750B (zh) * | 2023-09-28 | 2024-01-02 | 北京宝隆泓瑞科技有限公司 | 一种用于机器学习的甲烷浓度数据补全方法、装置 |
CN117216489B (zh) * | 2023-11-07 | 2024-01-26 | 山东正为新材料科技有限公司 | 一种基于互联网的防水涂料质检分析方法及系统 |
CN117269701B (zh) * | 2023-11-21 | 2024-02-02 | 川力电气有限公司 | 基于人工智能的高压开关柜局部放电定位方法 |
CN117422345B (zh) * | 2023-12-18 | 2024-03-12 | 泰安金冠宏食品科技有限公司 | 一种油渣分离质量评估方法及系统 |
CN117930760B (zh) * | 2023-12-19 | 2024-09-13 | 天瑞信科(河南)数字科技有限公司 | 基于ai技术的水泥生产线自动调控方法、系统及存储介质 |
CN117870993B (zh) * | 2024-03-12 | 2024-05-24 | 中建安装集团有限公司 | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 |
CN117892066B (zh) * | 2024-03-14 | 2024-05-28 | 杭州银湖电气设备有限公司 | 一种磁控电抗器振动噪声数据处理方法 |
CN118191487B (zh) * | 2024-05-16 | 2024-07-23 | 山东泰开电力电子有限公司 | 一种消弧线圈状态快速检测方法及系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201983784U (zh) * | 2010-12-07 | 2011-09-21 | 西安金和光学科技有限公司 | 光纤型地基沉降监测装置 |
US20120317058A1 (en) * | 2011-06-13 | 2012-12-13 | Abhulimen Kingsley E | Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's |
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN104897403B (zh) * | 2015-06-24 | 2017-05-17 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN106055888B (zh) * | 2016-05-27 | 2018-09-14 | 国网上海市电力公司 | 基于误差预测修正的变压器顶层油温预测方法和装置 |
CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
CN108663501A (zh) * | 2017-11-29 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器油中溶解气体浓度预测方法和系统 |
CN109255477B (zh) * | 2018-08-24 | 2022-07-01 | 国电联合动力技术有限公司 | 一种基于深度极限学习机的风速预测方法及其系统和机组 |
CN109654384B (zh) * | 2019-01-29 | 2024-04-02 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
CN110297141A (zh) * | 2019-07-01 | 2019-10-01 | 武汉大学 | 基于多层评估模型的故障定位方法及系统 |
CN110501585B (zh) * | 2019-07-12 | 2021-05-04 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
CN110472540B (zh) * | 2019-08-01 | 2020-12-29 | 北京邮电大学 | 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 |
-
2020
- 2020-05-06 CN CN202010372630.7A patent/CN111562358B/zh active Active
-
2021
- 2021-01-28 US US17/160,412 patent/US11914936B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20210350050A1 (en) | 2021-11-11 |
US11914936B2 (en) | 2024-02-27 |
CN111562358A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562358B (zh) | 基于联合模型的变压器油中气体含量预测方法及系统 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN106933778A (zh) | 一种基于爬坡事件特征识别的风电功率组合预测方法 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
CN116624343B (zh) | 一种风电机组塔筒异常振动监测及健康度评价方法及系统 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
CN110766215B (zh) | 基于特征自适应选择和wdnn的风电爬坡事件预测方法 | |
CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
CN115271225A (zh) | 一种基于小波降噪和神经网络的风力-风功率建模方法 | |
CN110852522A (zh) | 一种短期电力负荷预测方法及系统 | |
CN104834816A (zh) | 一种短期风速预测方法 | |
CN117743829A (zh) | 一种基于深度学习的短期电力负荷量预测方法 | |
CN117350897A (zh) | 一种考虑空气湿度的转换功率预测的方法和系统 | |
CN117312902A (zh) | 一种基于小波变化和卷积神经网络的电网电能质量在线状态估计方法 | |
CN117148034A (zh) | 基于经验小波变换及图注意力网络的配电网故障选线方法 | |
CN115936303A (zh) | 基于机器学习模型进行暂态电压安全分析方法 | |
CN112070160B (zh) | 风电功率爬坡事件的多层协同实时分类预警方法 | |
CN113878613B (zh) | 一种基于wlctd与oma-vmd的工业机器人谐波减速器早期故障检测方法 | |
You et al. | An Improved Long Short-Term Memory Neural Network Wind Power Forecast Algorithm Based on TEMD Noise Reduction | |
CN118228897B (zh) | 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法 | |
CN116702063A (zh) | 一种基于EMD-gcForest模型的变压器油中溶解气体浓度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |