CN112100924A - 一种基于极限学习机模型的气体浓度的预测方法及装置 - Google Patents
一种基于极限学习机模型的气体浓度的预测方法及装置 Download PDFInfo
- Publication number
- CN112100924A CN112100924A CN202010979433.1A CN202010979433A CN112100924A CN 112100924 A CN112100924 A CN 112100924A CN 202010979433 A CN202010979433 A CN 202010979433A CN 112100924 A CN112100924 A CN 112100924A
- Authority
- CN
- China
- Prior art keywords
- concentration
- historical
- layer
- component
- concentration component
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请提供了一种基于极限学习机模型的气体浓度的预测方法及装置,本申请提供的方法针对任意一种气体,获取多个历史时刻对应的多个历史浓度;对多个历史浓度分别利用集合经验模态分解方法进行多次分解,得到每个历史浓度对应的多层历史浓度分量;对每个历史浓度对应的任意一层的历史浓度分量进行归一化处理,得到任意一层的归一化后的历史浓度分量;将属于同一层的归一化后的历史浓度分量输入气体浓度预测模型中,得到多个预测浓度分量;气体浓度预测模型基于极限学习机模型建立;根据属于同一预测时刻的预测浓度分量,确定预测时刻对应的预测浓度。本申请提供的方法避免了不同气体之间的相互影响,提高了预测精度。
Description
技术领域
本申请涉及电力技术领域,特别涉及一种基于极限学习机模型的气体浓度的预测方法及装置。
背景技术
变压器是电力系统中最为核心的设备,变压器的工作状态决定着配电网的工作状态。因此监测变压器的工作状态,是运维人员的一项重要工作。
变压器工作过程中会有少量的气体溶解入变压器的绝缘油中,而绝缘油中溶解的气体浓度可以体现变压器的工作状态。运维人员根据目前绝缘油中溶解的气体浓度,可以预测未来一段时间内气体的浓度,进而监测变压器的工作状态。由于绝缘油中溶解的气体元素相同或类似,因此在预测特定种类的气体浓度时,往往会受到其他种类气体浓度的影响。目前所采用的预测方法无法排除不同种气体之间的相互影响,导致无法准确预测特定种类的气体浓度。
基于此,目前亟需一种基于极限学习机模型的气体浓度的预测方法,用于解决现有技术中预测绝缘油中气体浓度的过程中,无法排除不同气体之间的相互影响,导致无法准确预测特定种类的气体浓度的问题。
发明内容
本申请提供了一种基于极限学习机模型的气体浓度的预测方法,可用于解决在现有技术中预测绝缘油中气体浓度的过程中,无法排除不同气体之间的相互影响,导致无法准确预测特定种类的气体浓度的问题。
第一方面,本申请提供了一种基于极限学习机模型的气体浓度的预测方法,所述方法包括:
针对任意一种绝缘油中的气体,获取多个历史时刻对应的多个历史浓度;
对所述多个历史浓度分别利用集合经验模态分解方法进行多次分解,得到每个历史浓度对应的多层历史浓度分量;所述历史浓度进行一次分解,得到一层历史浓度分量;任意一层历史浓度分量包括每个历史浓度对应分解出来的历史浓度分量;
对每个历史浓度对应的任意一层的历史浓度分量进行归一化处理,得到任意一层的归一化后的历史浓度分量;
将所有历史浓度中属于同一层的归一化后的历史浓度分量输入气体浓度预测模型中,得到属于同一层的多个预测时刻分别对应的多个预测浓度分量;所述气体浓度预设模型包括归一化后的历史浓度分量和预测浓度分量之间的对应关系;所述气体浓度预测模型基于极限学习机模型建立;
对所述预测浓度分量进行反归一化处理,得到反归一化后的预测浓度分量;
根据属于同一预测时刻的多个反归一化后的预测浓度分量,确定所述预测时刻对应的预测浓度。
结合第一方面,在第一方面的一种可实现方式中,对所述多个历史浓度分别利用集合经验模态分解方法进行多次分解,得到每个历史浓度对应的多层历史浓度分量,包括:
对所述历史浓度按预设分解条件进行分解,得到第一层历史浓度分量和第一层剩余浓度分量;
判断所述第一层剩余浓度分量是否满足所述预设分解条件,如果所述第一层剩余浓度分量不满足所述预设分解条件,则将所述第一层剩余浓度分量确定为第二层历史浓度分量。
结合第一方面,在第一方面的一种可实现方式中,还包括:
如果所述第一层剩余浓度分量满足所述预设分解条件,则对所述第一层剩余浓度分量进行分解,得到所述第二层历史浓度分量和第二层剩余浓度分量,返回判断所述第二层剩余浓度分量是否满足所述预设分解条件的步骤,直至第二层剩余浓度分量不满足所述预设分解条件,将所述第二层剩余浓度分量确定为第三层历史浓度分量。
结合第一方面,在第一方面的一种可实现方式中,在对所述多个历史浓度分别利用集合经验模态分解方法进行多次分解,得到每个历史浓度对应的多层历史浓度分量之前,还包括:
将预先设定数值的白噪声引入所述多个历史浓度中;所述白噪声用于降低所述多个历史浓度中的噪声。
结合第一方面,在第一方面的一种可实现方式中,所述预测模型采用以下方法训练:
针对任意一种绝缘油中的气体,获取所述气体的P个时刻的P个样本浓度;
对所述多个样本浓度分别进行多次分解,得到每个样本浓度对应的多层样本浓度分量;所述多个样本浓度进行一次分解,得到一层样本浓度分量;任意一层样本浓度分量包括每个样本浓度对应分解出来的样本浓度分量;
对每个样本浓度对应的任意一层的样本浓度分量进行归一化处理,得到任意一层的归一化后的样本浓度分量;
将N个属于同一层的归一化后的样本浓度作为输入,将M个属于同一层的归一化后的样本浓度作为输出,训练得到所述气体浓度预测模型;P=M+N,且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻,早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻。
第二方面,本申请提供了一种基于极限学习机模型的气体浓度的预测装置,所述装置包括:
获取模块,用于针对任意一种绝缘油中的气体,获取多个历史时刻对应的多个历史浓度;
分解模块,用于利用集合经验模态分解方法对所述多个历史浓度分别进行多次分解,得到每个历史浓度对应的多层历史浓度分量;所述历史浓度进行一次分解,得到一层历史浓度分量;任意一层历史浓度分量包括每个历史浓度对应分解出来的历史浓度分量;
归一化模块,用于对每个历史浓度对应的任意一层的历史浓度分量进行归一化处理,得到任意一层的归一化后的历史浓度分量;
预测模块,用于将所有历史浓度中属于同一层的归一化后的历史浓度分量输入气体浓度预测模型中,得到属于同一层的多个预测时刻分别对应的多个预测浓度分量;所述气体浓度预设模型包括归一化后的历史浓度分量和预测浓度分量之间的对应关系;所述气体浓度预测模型基于极限学习机模型建立;
反归一化模块,用于对所述预测浓度分量进行反归一化处理,得到反归一化后的预测浓度分量;
确定模块,用于根据属于同一预测时刻的多个反归一化后的预测浓度分量,确定所述预测时刻对应的预测浓度。
结合第二方面,在第二方面的一种可实现方式中,所述分解模块,具体用于:
对所述历史浓度按预设分解条件进行分解,得到第一层历史浓度分量和第一层剩余浓度分量;
判断所述第一层剩余浓度分量是否满足所述预设分解条件,如果所述第一层剩余浓度分量不满足所述预设分解条件,则将所述第一层剩余浓度分量确定为第二层历史浓度分量。
结合第二方面,在第二方面的一种可实现方式中,所述分解模块还用于:
如果所述第一层剩余浓度分量满足所述预设分解条件,则对所述第一层剩余浓度分量进行分解,得到所述第二层历史浓度分量和第二层剩余浓度分量,返回判断所述第二层剩余浓度分量是否满足所述预设分解条件的步骤,直至第二层剩余浓度分量不满足所述预设分解条件,将所述第二层剩余浓度分量确定为第三层历史浓度分量。
结合第二方面,在第二方面的一种可实现方式中,所述装置还包括处理模块,
所述处理模块用于将预先设定数值的白噪声引入所述多个历史浓度中;所述白噪声用于降低所述多个历史浓度中的噪声。
结合第二方面,在第二方面的一种可实现方式中,所述预测模型采用以下方法训练:
针对任意一种绝缘油中的气体,获取所述气体的P个时刻的P个样本浓度;
对所述多个样本浓度分别进行多次分解,得到每个样本浓度对应的多层样本浓度分量;所述多个样本浓度进行一次分解,得到一层样本浓度分量;任意一层样本浓度分量包括每个样本浓度对应分解出来的样本浓度分量;
对每个样本浓度对应的任意一层的样本浓度分量进行归一化处理,得到任意一层的归一化后的样本浓度分量;
将N个属于同一层的归一化后的样本浓度作为输入,将M个属于同一层的归一化后的样本浓度作为输出,训练得到所述气体浓度预测模型;P=M+N,且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻,早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻。
本申请提供的方法将所有历史浓度利用集合经验模态分解方法进行多次分解,得到多层历史浓度分量,并对每层历史浓度分量进行气体预测模型的建立,将其他气体对所需预测的气体的浓度影响,分散在多层历史浓度分量中,避免了不同气体之间的相互影响,提高了特定种类的气体浓度预测的精准性。
附图说明
图1为本申请实施例提供的一种基于极限学习机模型的气体浓度的预测方法的流程示意图;
图2为本申请实施例提供的一种对历史浓度进行集合经验模态分解的流程示意图;
图3为本申请实施例提供的一种历史浓度分解的结果示意图;
图4为本申请实施例提供的预测时间段内氢气气体的预测浓度示意图;
图5为本申请实施例提供的一种基于极限学习机模型的气体浓度的预测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
运维人员为了监测变压器的工作状态,需要定时监测变压器的绝缘油中溶解的气体浓度,并根据气体浓度判断变压器的工作状态。
基于此,本申请实施例提供了一种基于极限学习机模型的气体浓度的预测方法,可以根据气体的多个历史浓度,确定下个时间段气体浓度,使得运维人根据预测的气体浓度,采取下一步的措施。
如图1所示,为本申请实施例提供的一种基于极限学习机模型的气体浓度的预测方法的流程示意图。本申请实施例提供的方法主要包括以下步骤:
步骤101,针对任意一种绝缘油中的气体,获取多个历史时刻分别对应的多个历史浓度。
步骤102,对多个历史浓度分别利用集合经验模态分解方法进行多次分解,得到每个历史浓度对应的多层历史浓度分量。
步骤103,对每个历史浓度对应的任意一层的历史浓度分量进行归一化处理,得到任意一层的归一化后的历史浓度分量。
步骤104,将所有历史浓度中属于同一层的归一化后的历史浓度分量输入气体浓度预测模型中,得到属于同一层的多个预测时刻分别对应的多个预测浓度分量。
步骤105,对预测浓度分量进行反归一化处理,得到反归一化后的预测浓度分量。
步骤106,根据属于同一预测时刻的多个反归一化后的预测浓度分量,确定预测时刻对应的预测浓度。
本申请实施例提供的方法将所有历史浓度利用集合经验模态分解方法进行多次分解,得到多层历史浓度分量,并对每层历史浓度分量进行气体预测模型的建立,将其他气体对所需预测的气体的浓度影响,分散在多层历史浓度分量中,避免了不同气体之间的相互影响,提高了特定种类的气体浓度预测的精准性。
下面,结合本申请实施例具体阐述上述流程。
步骤101中,本申请实施例所需要预测气体包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳以及二氧化碳这七种气体。这七种气体的任意一种气体都采用相同的方式进行气体浓度的预测。
运维人员为了监测气体浓度,每当到了监测周期,就会提取气体浓度。本申请实施例需要获取多个历史浓度。
步骤102中,历史浓度进行一次分解,得到一层历史浓度分量。任意一层历史浓度分量包括每个历史浓度对应分解出来的历史浓度分量。
具体的,首先,将预先设定数值的白噪声引入多个历史浓度中。白噪声用于降低多个历史浓度中的噪声。
本申请实施例采用利用集合经验模态分解方法对多个历史浓度进行分解。因为在实际分解过程中,往往因为噪声的干扰,从而导致难以分解出良好的历史浓度分量,从而出现模态混叠现象。为了有效抵制模态混叠的现象,利用集合经验模态分解的方法,即每进行一次分解,都在历史浓度中引入均匀分布的白噪声,这样可以掩盖历史浓度中的噪声,改善历史浓度在异常波动处的极值点分布不均匀的问题。
具体的,引入的白噪声的均值为零。这样的方法并不会过度干扰历史浓度,而引入的白噪声在经过多次求取平均值的过程中相互抵消,这使得分解结果相加后与历史浓度的偏差很小。
然后,对历史浓度按预设分解条件进行分解,得到第一层历史浓度分量和第一层剩余浓度分量。
判断第一层剩余浓度分量是否满足预设分解条件,如果第一层剩余浓度分量不满足预设分解条件,则将第一层剩余浓度分量确定为第二层历史浓度分量。
如果第一层剩余浓度分量满足预设分解条件,则对第一层剩余浓度分量进行分解,得到第二层历史浓度分量和第二层剩余浓度分量,返回判断第二层剩余浓度分量是否满足预设分解条件的步骤,直至第二层剩余浓度分量不满足预设分解条件,将第二层剩余浓度分量确定为第三层历史浓度分量。
需要说明的是,本申请实施例中的第一层、第二层、第三层是为了方便描述所引入的概念,实际分解过程中,一个历史浓度可以分解为多层历史浓度分量,并不限制于两层历史浓度分量或者三层历史浓度分量。
本申请实施例中对历史浓度进行分解,可以采用多种方式,一种可行的方式为利用经验模态分解的方法对历史浓度进行分解。
如图2所示,为本申请实施例提供的一种对历史浓度进行集合经验模态分解的流程示意图。根据图2可获知,主要的分解过程包括以下流程:
步骤201,确定所有历史浓度的局部极大值点和局部极小值点。
步骤202,采用三次样条曲线拟合所有的局部极大值点,构造出上包络线;并用相同的方法拟合所有的局部极小值点,构造出下包络线。
步骤203,根据上包络线以及下包络线,确定平均值。
平均值采用以下方式确定:
公式(1)中,c(t)为平均值,a(t)为上包络线,b(t)为下包络线,t为历史浓度对应的历史时刻。
步骤204,用历史浓度减去平均值,得到差值。
差值采用以下方式确定:
d(t)=y(t)-c(t) 公式(2)
公式(2)中,d(t)为差值,y(t)为历史浓度,c(t)为平均值。
步骤205,判断差值是否满足经验模态的分解条件。如果差值不满足经验模态的分解条件,则执行步骤206,否则,执行步骤207。
步骤206,将差值作为历史浓度,并执行步骤201。
具体的,在利用经验模态分解时,预设分解条件即为经验模态的分解条件。
步骤207,对历史浓度进行分解,得到第一层历史浓度分量和第一层剩余浓度分量。
具体的,差值即为第一层历史浓度分量,第一层剩余浓度分量为历史浓度减去第一层历史浓度分量的结果。
步骤208,判断第一层剩余浓度分量是否满足预设的终止条件,如果第一层剩余浓度分量满足预设分解条件,则执行步骤209,否则执行步骤210。
其中,预设的终止条件为第一层剩余浓度分量为单调函数或常量。
步骤209,将第一层剩余浓度分量作为历史浓度,并执行步骤201。
步骤210,将第一层剩余浓度分量确定为第二层历史浓度分量。
如图3所示,为本申请实施例提供的一种历史浓度分解的结果示意图。图3中一个IMF表示一个历史浓度分量,序号依次从1至5排列,RES为剩余浓度分量,也为最后一层历史浓度分量。
步骤103中,采用以下方式对历史浓度分量进行归一化处理:
公式(3)中,y*为任意一层的归一化后的历史浓度分量,y为任意一层的历史浓度分量,ymin为任意一层历史浓度分量中的最小历史浓度分量,ymax为任意一层历史浓度分量中的最大历史浓度分量。
步骤104中,气体浓度预设模型包括归一化后的历史浓度分量和预测浓度分量之间的对应关系。气体浓度预测模型通过模型训练已确定,本申请实施例提供的一种气体浓度预测模型基于极限学习机模型建立。
气体浓度预测模型通过以下方式确定:
首先,针对任意一种绝缘油中的气体,获取气体的P个时刻的P个样本浓度。
然后,对多个样本浓度分别进行多次分解,得到每个样本浓度对应的多层样本浓度分量。多个样本浓度进行一次分解,得到一层样本浓度分量。任意一层样本浓度分量包括每个样本浓度对应分解出来的样本浓度分量。
需要说明的是,对样本浓度进行分解的方法与对历史浓度进行分解的方法一致,此处不再进行赘述。
再然后,对每个样本浓度对应的任意一层的样本浓度分量进行归一化处理,得到任意一层的归一化后的样本浓度分量。
最后,将N个属于同一层的归一化后的样本浓度作为输入,将M个属于同一层的归一化后的样本浓度作为输出,训练得到气体浓度预测模型。P=M+N,且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻,早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻。
需要说明的是,为了保证气体浓度预测模型的精准性,N与M在数量上的比值大致为9:1。
本申请实施例在保证预测浓度的平均相对百分误差最小、根均方误差最小以及预测精度最高的前提下,选择极限学习机模型的最优参数。
根据步骤104,可得到多个预测浓度分量,其中每个预测浓度分量对应为预测浓度的一部分。
步骤105至步骤106可以获取多个预测时刻对应的预测浓度。如表1所示,为归一化后的预测浓度分量与预测时刻的对应关系。其中,第一层反归一化后的预测浓度分量A1、第一层反归一化后的预测浓度分量A2以及第一层反归一化后的预测浓度分量A3同属一层反归一化后的预测浓度分量;它们是根据同一个气体浓度预测模型确定的。在同一个预测时刻包括不同层的反归一化后的预测浓度分量,例如在预测时刻1包括第一层反归一化后的预测浓度分量A1、第二层反归一化后的预测浓度分量B1以及第三层反归一化后的预测浓度分量C1,因此预测时刻1的预测浓度分量为第一层反归一化后的预测浓度分量A1,加上第二层反归一化后的预测浓度分量B1,加上第三层反归一化后的预测浓度分量C1。具体可以参考表1示出的内容,此处不再一一赘述。
表1:归一化后的预测浓度分量与预测时刻的对应关系
下面,通过一个例子来验证本申请实施例提供的方法的优越性。以某110kV变压器油色谱在线监测装置2019年10月12日至2020年2月8日获取的历史浓度为例,其中监测周期为1天,共120组历史浓度。其中90组作为历史浓度,例外30组作为预测浓度。用本申请实施例提供的方法进行气体浓度预测,获取30组预测浓度,并将30组预测浓度与真实浓度进行比较。本申请实施例中,所有溶解气体浓度的单位为μL/L。
如表2所示,为氢气的预测浓度与氢气的真实值的对比。其中,编号为1时刻氢气的真时浓度为12.68μL/L,氢气的预测浓度为12.69μL/L,两者的相对百分误差为0.08%。具体可以参考表2示出的内容,此处不再一一赘述。
由表2可以看到,氢气的预测浓度与氢气的真实浓度的平均相对百分误差很小,同时氢气的预测浓度与氢气的真实值的根均方误差也很小。
表2:氢气的预测浓度与氢气的真实浓度的对比
为了更直观得看出本申请实施例的预测结果,图4示例性地示出了本申请实施例提供的预测时间段内氢气气体的预测浓度示意图。如图4所示,横坐标表示预测时刻,纵坐标表示氢气气体的预测浓度以及氢气气体的真实浓度,氢气气体的预测浓度所对应的曲线与氢气气体的真实浓度所对应的曲线,重合度较高,证实本申请实施例所提供的方法预测浓度的精度较高。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图5示例性示出了本申请实施例提供的一种基于极限学习机模型的气体浓度的预测装置的结构示意图。如图5所示,该装置具有实现一种基于极限学习机模型的气体浓度的预测方法,功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以包括:获取模块501、分解模块502、归一化模块503、预测模块504、反归一化模块505、确定模块506以及处理模块507。
获取模块501,用于针对任意一种绝缘油中的气体,获取多个历史时刻对应的多个历史浓度。
分解模块502,用于利用集合经验模态分解方法对多个历史浓度分别进行多次分解,得到每个历史浓度对应的多层历史浓度分量;历史浓度进行一次分解,得到一层历史浓度分量;任意一层历史浓度分量包括每个历史浓度对应分解出来的历史浓度分量。
归一化模块503,用于对每个历史浓度对应的任意一层的历史浓度分量进行归一化处理,得到任意一层的归一化后的历史浓度分量。
预测模块504,用于将所有历史浓度中属于同一层的归一化后的历史浓度分量输入气体浓度预测模型中,得到属于同一层的多个预测时刻分别对应的多个预测浓度分量;气体浓度预设模型包括归一化后的历史浓度分量和预测浓度分量之间的对应关系;气体浓度预测模型基于极限学习机模型建立。
反归一化模块505,用于对预测浓度分量进行反归一化处理,得到反归一化后的预测浓度分量。
确定模块506,用于根据属于同一预测时刻的多个反归一化后的预测浓度分量,确定预测时刻对应的预测浓度。
可选的,分解模块502,具体用于:
对历史浓度按预设分解条件进行分解,得到第一层历史浓度分量和第一层剩余浓度分量。
判断第一层剩余浓度分量是否满足预设分解条件,如果第一层剩余浓度分量不满足预设分解条件,则将第一层剩余浓度分量确定为第二层历史浓度分量。
可选的,分解模块502还用于:
如果第一层剩余浓度分量满足预设分解条件,则对第一层剩余浓度分量进行分解,得到第二层历史浓度分量和第二层剩余浓度分量,返回判断第二层剩余浓度分量是否满足预设分解条件的步骤,直至第二层剩余浓度分量不满足预设分解条件,将第二层剩余浓度分量确定为第三层历史浓度分量。
可选的,装置还包括处理模块507,
处理模块507用于将预先设定数值的白噪声引入多个历史浓度中;白噪声用于降低多个历史浓度中的噪声。
可选的,预测模型采用以下方法训练:
针对任意一种绝缘油中的气体,获取气体的P个时刻的P个样本浓度。
对多个样本浓度分别进行多次分解,得到每个样本浓度对应的多层样本浓度分量;多个样本浓度进行一次分解,得到一层样本浓度分量;任意一层样本浓度分量包括每个样本浓度对应分解出来的样本浓度分量。
对每个样本浓度对应的任意一层的样本浓度分量进行归一化处理,得到任意一层的归一化后的样本浓度分量。
将N个属于同一层的归一化后的样本浓度作为输入,将M个属于同一层的归一化后的样本浓度作为输出,训练得到气体浓度预测模型;P=M+N,且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻,早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻。
本申请提供的方法将所有历史浓度利用集合经验模态分解方法进行多次分解,得到多层历史浓度分量,并对每层历史浓度分量进行气体预测模型的建立,将其他气体对所需预测的气体的浓度影响,分散在多层历史浓度分量中,避免了不同气体之间的相互影响,提高了特定种类的气体浓度预测的精准性。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于极限学习机模型的气体浓度的预测方法,其特征在于,所述方法包括:
针对任意一种绝缘油中的气体,获取多个历史时刻对应的多个历史浓度;
对所述多个历史浓度分别利用集合经验模态分解方法进行多次分解,得到每个历史浓度对应的多层历史浓度分量;所述历史浓度进行一次分解,得到一层历史浓度分量;任意一层历史浓度分量包括每个历史浓度对应分解出来的历史浓度分量;
对每个历史浓度对应的任意一层的历史浓度分量进行归一化处理,得到任意一层的归一化后的历史浓度分量;
将所有历史浓度中属于同一层的归一化后的历史浓度分量输入气体浓度预测模型中,得到属于同一层的多个预测时刻分别对应的多个预测浓度分量;所述气体浓度预设模型包括归一化后的历史浓度分量和预测浓度分量之间的对应关系;所述气体浓度预测模型基于极限学习机模型建立;
对所述预测浓度分量进行反归一化处理,得到反归一化后的预测浓度分量;
根据属于同一预测时刻的多个反归一化后的预测浓度分量,确定所述预测时刻对应的预测浓度。
2.根据权利要求1所述的方法,其特征在于,对所述多个历史浓度分别利用集合经验模态分解方法进行多次分解,得到每个历史浓度对应的多层历史浓度分量,包括:
对所述历史浓度按预设分解条件进行分解,得到第一层历史浓度分量和第一层剩余浓度分量;
判断所述第一层剩余浓度分量是否满足所述预设分解条件,如果所述第一层剩余浓度分量不满足所述预设分解条件,则将所述第一层剩余浓度分量确定为第二层历史浓度分量。
3.根据权利要求2所述的方法,其特征在于,还包括:
如果所述第一层剩余浓度分量满足所述预设分解条件,则对所述第一层剩余浓度分量进行分解,得到所述第二层历史浓度分量和第二层剩余浓度分量,返回判断所述第二层剩余浓度分量是否满足所述预设分解条件的步骤,直至第二层剩余浓度分量不满足所述预设分解条件,将所述第二层剩余浓度分量确定为第三层历史浓度分量。
4.根据权利要求2所述的方法,其特征在于,在对所述多个历史浓度分别利用集合经验模态分解方法进行多次分解,得到每个历史浓度对应的多层历史浓度分量之前,还包括:
将预先设定数值的白噪声引入所述多个历史浓度中;所述白噪声用于降低所述多个历史浓度中的噪声。
5.根据权利要求1所述的方法,其特征在于,所述预测模型采用以下方法训练:
针对任意一种绝缘油中的气体,获取所述气体的P个时刻的P个样本浓度;
对所述多个样本浓度分别进行多次分解,得到每个样本浓度对应的多层样本浓度分量;所述多个样本浓度进行一次分解,得到一层样本浓度分量;任意一层样本浓度分量包括每个样本浓度对应分解出来的样本浓度分量;
对每个样本浓度对应的任意一层的样本浓度分量进行归一化处理,得到任意一层的归一化后的样本浓度分量;
将N个属于同一层的归一化后的样本浓度作为输入,将M个属于同一层的归一化后的样本浓度作为输出,训练得到所述气体浓度预测模型;P=M+N,且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻,早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻。
6.一种基于极限学习机模型的气体浓度的预测装置,其特征在于,所述装置包括:
获取模块,用于针对任意一种绝缘油中的气体,获取多个历史时刻对应的多个历史浓度;
分解模块,用于利用集合经验模态分解方法对所述多个历史浓度分别进行多次分解,得到每个历史浓度对应的多层历史浓度分量;所述历史浓度进行一次分解,得到一层历史浓度分量;任意一层历史浓度分量包括每个历史浓度对应分解出来的历史浓度分量;
归一化模块,用于对每个历史浓度对应的任意一层的历史浓度分量进行归一化处理,得到任意一层的归一化后的历史浓度分量;
预测模块,用于将所有历史浓度中属于同一层的归一化后的历史浓度分量输入气体浓度预测模型中,得到属于同一层的多个预测时刻分别对应的多个预测浓度分量;所述气体浓度预设模型包括归一化后的历史浓度分量和预测浓度分量之间的对应关系;所述气体浓度预测模型基于极限学习机模型建立;
反归一化模块,用于对所述预测浓度分量进行反归一化处理,得到反归一化后的预测浓度分量;
确定模块,用于根据属于同一预测时刻的多个反归一化后的预测浓度分量,确定所述预测时刻对应的预测浓度。
7.根据权利要求6所述的装置,其特征在于,所述分解模块,具体用于:
对所述历史浓度按预设分解条件进行分解,得到第一层历史浓度分量和第一层剩余浓度分量;
判断所述第一层剩余浓度分量是否满足所述预设分解条件,如果所述第一层剩余浓度分量不满足所述预设分解条件,则将所述第一层剩余浓度分量确定为第二层历史浓度分量。
8.根据权利要求7所述的装置,其特征在于,所述分解模块还用于:
如果所述第一层剩余浓度分量满足所述预设分解条件,则对所述第一层剩余浓度分量进行分解,得到所述第二层历史浓度分量和第二层剩余浓度分量,返回判断所述第二层剩余浓度分量是否满足所述预设分解条件的步骤,直至第二层剩余浓度分量不满足所述预设分解条件,将所述第二层剩余浓度分量确定为第三层历史浓度分量。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括处理模块,
所述处理模块用于将预先设定数值的白噪声引入所述多个历史浓度中;所述白噪声用于降低所述多个历史浓度中的噪声。
10.根据权利要求6所述的装置,其特征在于,所述预测模型采用以下方法训练:
针对任意一种绝缘油中的气体,获取所述气体的P个时刻的P个样本浓度;
对所述多个样本浓度分别进行多次分解,得到每个样本浓度对应的多层样本浓度分量;所述多个样本浓度进行一次分解,得到一层样本浓度分量;任意一层样本浓度分量包括每个样本浓度对应分解出来的样本浓度分量;
对每个样本浓度对应的任意一层的样本浓度分量进行归一化处理,得到任意一层的归一化后的样本浓度分量;
将N个属于同一层的归一化后的样本浓度作为输入,将M个属于同一层的归一化后的样本浓度作为输出,训练得到所述气体浓度预测模型;P=M+N,且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻,早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010979433.1A CN112100924B (zh) | 2020-09-17 | 2020-09-17 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010979433.1A CN112100924B (zh) | 2020-09-17 | 2020-09-17 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100924A true CN112100924A (zh) | 2020-12-18 |
CN112100924B CN112100924B (zh) | 2022-06-07 |
Family
ID=73759926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010979433.1A Active CN112100924B (zh) | 2020-09-17 | 2020-09-17 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100924B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734028A (zh) * | 2020-12-28 | 2021-04-30 | 三峡大学 | 一种变压器油中溶解气体浓度预测模型建模方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2447717A1 (en) * | 2010-10-27 | 2012-05-02 | Lonza Biologics plc. | Rapid method for targeted cell (line) selection |
CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
CN108897975A (zh) * | 2018-08-03 | 2018-11-27 | 新疆工程学院 | 基于深度信念网络的煤层气测井含气量预测方法 |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN110598170A (zh) * | 2019-08-06 | 2019-12-20 | 天津大学 | 一种基于feemd分解时间序列的数据预测方法 |
CN111079343A (zh) * | 2019-12-04 | 2020-04-28 | 浙江大学 | 一种基于宽度学习的风电机组有效风速估计方法 |
CN111125908A (zh) * | 2019-12-24 | 2020-05-08 | 重庆科技学院 | 基于极限学习机的面包生产建模及决策参数优化方法 |
CN111553117A (zh) * | 2020-04-22 | 2020-08-18 | 东华大学 | 基于遗传算法的堆叠式集成学习的聚酯特性粘度控制方法 |
-
2020
- 2020-09-17 CN CN202010979433.1A patent/CN112100924B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2447717A1 (en) * | 2010-10-27 | 2012-05-02 | Lonza Biologics plc. | Rapid method for targeted cell (line) selection |
CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN108897975A (zh) * | 2018-08-03 | 2018-11-27 | 新疆工程学院 | 基于深度信念网络的煤层气测井含气量预测方法 |
CN110598170A (zh) * | 2019-08-06 | 2019-12-20 | 天津大学 | 一种基于feemd分解时间序列的数据预测方法 |
CN111079343A (zh) * | 2019-12-04 | 2020-04-28 | 浙江大学 | 一种基于宽度学习的风电机组有效风速估计方法 |
CN111125908A (zh) * | 2019-12-24 | 2020-05-08 | 重庆科技学院 | 基于极限学习机的面包生产建模及决策参数优化方法 |
CN111553117A (zh) * | 2020-04-22 | 2020-08-18 | 东华大学 | 基于遗传算法的堆叠式集成学习的聚酯特性粘度控制方法 |
Non-Patent Citations (3)
Title |
---|
JAMIL AMANOLLAHI: ""PM2.5 concentration forecasting using ANFIS,EEMD-GRNN,MLP and MLR models:a case study of Tehran,Iran"", 《AIR QUALITY ATMOSPHERE & HEALTH》 * |
MICROSTRONG: ""主成分分析(PCA)原理详解"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/37777074》 * |
罗宏远: ""基于二层分解技术和改进极限学习机模型的PM2.5浓度预测研究"", 《系统工程理论与实践》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734028A (zh) * | 2020-12-28 | 2021-04-30 | 三峡大学 | 一种变压器油中溶解气体浓度预测模型建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112100924B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113741362B (zh) | 液化天然气接收站操作优化方法、系统、介质及计算设备 | |
CN111080072A (zh) | 配电变压器健康指数评估方法、装置及系统 | |
CN112100924B (zh) | 一种基于极限学习机模型的气体浓度的预测方法及装置 | |
CN108334954A (zh) | 逻辑回归模型的构建方法、装置、存储介质及终端 | |
CN107544457A (zh) | 基于可靠性分析的炼化装置运行周期专家决策系统及方法 | |
CN110895495A (zh) | 人因失误分析方法、系统、计算机设备及存储介质 | |
CN112101439B (zh) | 基于分布式贝叶斯网络的高速线材质量缺陷诊断与溯源方法 | |
CN111985707A (zh) | 一种绝缘油中气体浓度的预测方法及装置 | |
CN109214625A (zh) | 一种油罐失效评估方法及装置 | |
CN112070307B (zh) | 一种区域内能源负荷量的预测方法及装置 | |
CN112598223B (zh) | 核电状态导向法事故规程完备性检验方法、系统、电子设备及存储介质 | |
Yang et al. | A study on overall line efficiency (OLE) centered production line maintenance prioritization considering equipment operational reliability | |
CN117035155A (zh) | 一种水质预测方法 | |
Klocke et al. | Integrative technology and inspection planning—a case study in medical industry | |
CN112668249B (zh) | 电网一次设备大修技改方案在线构建方法及系统 | |
Haindl et al. | Quality characteristics of a software platform for human-ai teaming in smart manufacturing | |
CN114757407A (zh) | 一种lng接收站能耗优化大数据分析方法及系统 | |
He et al. | A survey on software reliability demonstration | |
CN115511238A (zh) | 基于运行状况评估的石油化工装置检修决策方法及系统 | |
CN114023477A (zh) | 一种核电厂计算机化规程系统和控制系统 | |
CN112733450A (zh) | 一种电力网络中节点故障的分析方法及装置 | |
CN112487669A (zh) | 一种核电厂控制逻辑设计验证的系统及方法 | |
Tureková et al. | Assessment of human factor in production engineering | |
CN112132340A (zh) | 一种基于改进粒子群的气体浓度的预测方法及装置 | |
CN104764455A (zh) | 一种导航电子地图数据处理方法及装置 |
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 |