CN112734028A - 一种变压器油中溶解气体浓度预测模型建模方法 - Google Patents
一种变压器油中溶解气体浓度预测模型建模方法 Download PDFInfo
- Publication number
- CN112734028A CN112734028A CN202011588082.8A CN202011588082A CN112734028A CN 112734028 A CN112734028 A CN 112734028A CN 202011588082 A CN202011588082 A CN 202011588082A CN 112734028 A CN112734028 A CN 112734028A
- Authority
- CN
- China
- Prior art keywords
- lstm
- gas
- predicted
- time
- prediction model
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种变压器油中溶解气体浓度预测模型建模方法,选择可能对变压器油中溶解气体预测具有积极影响的重要因素并建立变量环境,设定每一种气体的预测都受到其余所有变量的积极影响,使用长短时记忆网络(LSTM)预测模型分别预测并比较误差,验证假设并提取对待预测气体变量具有积极影响的重要因素,在已筛选出重要因素的基础上,建立融合时间注意力机制的LSTM预测模型,增强重要因素历史时序数据中关键信息的表达,将重要因素对应的时序数据作为融合时间注意力机制的LSTM的输入,预测模型建模完成。本发明方法可以根据已采集的变压器历史运行状态数据,解决基于传统关联性分析方法的变压器油中溶解气体浓度预测方法精度不高的问题。
Description
技术领域
本发明涉及电力变压器运行状态评估及预测领域,具体涉及一种变压器油中溶解气体浓度预测模型建模方法。
背景技术
电力变压器作为电力系统中最关键的设备之一,具有传输和转换电能的作用,保证其安全稳定运行对整个电力网络至关重要。依靠传统定期人工检修方式对变压器设备进行健康检查会耗费大量人力、物力及财力,还可能出现维修过多或维修不及时,导致变压器损坏和寿命折损,因此对变压器未来状态进行预测,并实施全生命周期的精细化管理,正在成为热点。
油中溶解气体分析(Dissolved Gas Analysis,DGA)技术是当前国际上公认的发现变压器初期故障及缺陷的有效手段,通过油色谱在线监测装置采集的油中相关状态指标历史数据,对未来油中溶解气体浓度进行建模预测,可以有效掌握设备状态和发展趋势,对于电力变压器状态预测具有重要的技术价值。
当前的一些关于变压器状态预测研究方法中考虑的变量种类不够全面,对变量间相互影响关系缺乏深入的分析,如灰色关联分析法、相关系数法等方法通过人为确定系数过于主观性,并且没有挖掘时序信息中的依赖关系导致长期预测效率不高。
发明内容
针对目前电力变压器状态评估过程中对油中溶解气体预测精度不高的问题。本发明提供一种变压器油中溶解气体浓度预测模型建模方法,采用本发明的预测模型,可基于已采集的变压器历史运行数据完成预测模型输入变量的筛选和模型训练,实现对变压器油中溶解气体的精准预测,提高了变压器油中溶解气体浓度预测效率和准确性。
本发明采取的技术方案为:
一种变压器油中溶解气体浓度预测模型建模方法,首先,从建立的变量环境中找出溶解气体浓度预测的积极影响因素;然后,采用时间注意力机制增强积极影响因素对应的历史时序中关键信息的表达;最后,通过预测模型得出变压器油中溶解气体未来浓度值。
一种变压器油中溶解气体浓度预测模型建模方法,包括以下步骤:
步骤1、建立变量环境:
包括变压器油中溶解气体、运行状态和运行环境:H2(μL/L)、CH4(μL/L)、C2H6(μL/L)、C2H4(μL/L)、C2H2(μL/L)、CO(μL/L)、CO2(μL/L)、总烃(μL/L)、负荷(MW)、油温(℃)、环境温度(℃),其中,输入到预测模型的是各变量对应的时间序列信息,7种溶解气体为待预测变量;
步骤2、设定待预测气体的积极影响因素:
设任一种待预测气体y的浓度预测受到积极影响因素x1、积极影响因素x2、…、积极影响因素xn-1的影响,其中:n为变量环境内总变量个数。
步骤3、对步骤2设定的待预测气体的积极影响因素进行验证:
步骤3.1:将待预测气体y的历史时序数据输入到LSTM网络,预测该气体的未来浓度值,并计算结果的均方根误差RMSE1;
步骤3.2:将待预测气体y与积极影响因素x1的历史时序数据输入到LSTM网络,预测该气体的未来浓度值,并计算预测结果的均方根误差RMSE2;
步骤3.3:若RMSE1>RMSE2,认为积极影响因素x1对待预测气体y的浓度预测具有积极影响并提取积极影响因素x1对应的时序信息,否则不提取;
步骤3.4:重复步骤3.1~步骤3.3,验证下一个影响因素,直至验证完所有影响因素。
步骤4、在已提取积极影响因素x1对应的时序信息的基础上,构造融合时间注意力机制的LSTM预测模型,对7种变压器油中溶解气体浓度进行预测,将待预测气体y对应的时序信息和步骤3中提取的积极影响因素的时序信息,作为融合时间注意力机制的LSTM预测模型的输入,预测油中溶解气体的未来浓度值,预测模型建模完成。
所述步骤1中,变量环境的样本数据来自中国国家电网公司750kV电力变压器的油中溶解气体、运行状态和运行环境监测数据的历史数据,共计45组监测数据,前40组监测数据用于预测模型的训练,后5组监测数据用于训练完成的预测模型的测试;
对预测模型进行训练,当预测误差小于设定值后,得到训练完成的预测模型。
所述步骤3包括以下步骤:
步骤3.1、建立长短时记忆网络LSTM预测模型:
步骤3.1.1:在t时刻LSTM的输入为xt,在t-1时刻的隐藏层状态为ht-1,ht-1也是上一时刻的输出,选择性遗忘信息由激活函数确定,计算步骤:
ft=σ(Wf·[ht-1,xt]+bf)
其中:ft是遗忘门计算结果,Wf是遗忘门的权重,[ht-1,xt]表示把两个向量连接成一个更长的向量,bf是遗忘门的偏置项,Wfx为当前输入项xt的权重,Wfh为上一时刻隐藏层状态ht-1的权重,σ是sigmoid激活函数。在t时刻的输入xt的维度是dx,隐藏层状态ht-1的维度是dh,单元状态的维度是dc,通常dc=dh,则遗忘门的权重矩阵Wf维度是dc×(dh+dx)。步骤3.1.2:把LSTM关于当前的记忆c′t和长期的记忆ct-1组合在一起,形成了新的单元状态ct,由于遗忘门的控制,它可以有选择的保存历史信息,由于输入门的控制,能够避免当前不重要的内容进入记忆,计算过程如下:
it=σ(Wi·[ht-1,xt]+bi)
c′t=tanh(Wc·[ht-1,xt]+bc)
其中:it是输入门计算结果,c′t是当前时刻输入单元状态,Wi是输入门的权重,Wc是输入单元状态权重,bi是输入门的偏置项,bc是输入单元状态的偏置项,tanh(·)为双曲正切激活函数,表示矩阵按元素相乘规则运算。
步骤3.1.3:LSTM最终的输出结果ht是由输出门状态ot和单元状态ct共同决定:
ot=σ(Wo·[ht-1,xt]+bo)
其中:ot是输出门计算结果,Wo是输出门权重,bo是输出门偏置,tanh(ct)是将单元状态ct映射在-1和1之间。
步骤3.2、验证并提取积极影响因素:
步骤3.2.1:使用待预测气体y对应的历史时序值y1,y2,…,yT,输入到步骤3.1中所建立的LSTM预测模型,得到待预测气体未来浓度值y′T+1,计算预测结果的均方根误差RMSE1,计算方法如下:
y′T+1=FLSTM(y1,y2,…,yT)
其中:FLSTM是LSTM预测模型的简写,yi是气体浓度测量值,y′i是气体浓度预测值,n为预测值个数。
步骤3.2.2:使用待预测气体y的历史时序值y1,y2,…,yT和积极影响因素x1的历史时序值x11,x12,…,x1T,输入到步骤3.1中所建立的LSTM预测模型,得到待预测气体未来浓度值y″T+1,计算预测结果的均方根误差RMSE2,计算方法如下:
y″T+1=FLSTM(y1,y2,…,yT,x11,x12,…,x1T)
其中:FLSTM是LSTM预测模型的简写,yi是气体浓度测量值,y″i是气体浓度预测值,n为预测值个数。
步骤3.2.3:通过比较步骤3.2.1和步骤3.2.2中的预测误差,来判断影响因素x1是否对气体浓度序列y的预测真正具有积极影响,若:
RMSE1>RMSE2
则假设成立,认为x1是y的积极影响因素并提取,否则不提取,重复以上步骤检验下一个影响因素直至全部设定影响因素检验完成。
所述步骤4中,在已提取出积极影响因素对应的时序信息的基础上,建立融合时间注意力机制的LSTM预测模型,该模型首先采用两层LSTM分别实现模型的编码阶段和解码阶段;然后,在编码器和解码器中间增加注意力层,分析编码器的隐藏层状态hk并分配权重得到中间向量ct;其次,由第一个单层前馈网络将ct与目标序列yt融合,结合解码器的前一时刻隐藏层状态dt-1得到下一时刻隐藏层状态dt,循环迭代计算,最终时刻dT;最后,由第二个单层前馈网络将最终时刻cT和dT融合得到目标序列的预测值,预测模型建模完成。
所述步骤4包括以下步骤:
步骤4.1:以待预测气体浓度序列y的所有积极影响因素x1,x2,…,xm在k时刻的测量值组成的向量作为LSTM编码器的输入,并参考上一时刻LSTM编码器隐层状态信息hk-1共同建立时序模型,对k时刻所有积极影响因素的时序信息进行融合,得到LSTM编码器隐层状态输出hk,计算方法如下:
hk=fLSTM(hk-1,xk)
其中:fLSTM是长短期记忆网络模型的简写。
步骤4.2:为了挖掘出影响因素的各时刻时序信息对待预测气体在t时刻预测值yt的影响,以步骤4.1中LSTM编码器输出的隐层状态hk作为时序注意力机制的输入,并参照LSTM解码器前一时刻的隐层状态dt-1和单元状态st-1蕴含的历史时序信息,得到全部影响因素在k时刻的时序信息对LSTM解码器当前迭代时刻t的注意力权重计算方法如下:
步骤4.5:将待预测气体在t时刻实际值yt与中间向量ct经单层前馈网络进行融合,得到LSTM解码器t时刻的输入,计算方法如下:
y′t=w′[yt,ct]+b′
其中:w′和b′是单层前馈网络的权重和偏置参数。
步骤4.6:将y′t输入LSTM解码器中对所有历史时刻信息进行迭代更新t时刻LSTM解码器隐层状态dt,将最终时刻隐层状态dT与注意力机制输出的中间向量cT由单层前馈网络进行融合和维度变换,得到待预测气体在下一时刻的预测值,预测模型建立完成。计算过程如下:
dt=fLSTM(dt-1,y′t)
其中:dt-1表示LSTM解码器在t-1时刻的隐藏层状态,y′t表示t时刻LSTM解码器输入状态,WT和bT分别为单层前馈网络融合时的权重和偏置,Vy和by为进行前馈网络维度变换时的权重和偏置。
一种变压器油中溶解气体浓度预测模型建模方法,通过对变压器运行状态指标和历史数据的分析,
首先,建立一个包含变压器油中溶解气体、运行状态和运行环境的变量环境,变量环境包括H2(μL/L)、CH4(μL/L)、C2H6(μL/L)、C2H4(μL/L)、C2H2(μL/L)、CO(μL/L)、CO2(μL/L)、总烃(μL/L)、负荷(MW)、油温(℃)、环境温度(℃),这些变量对应的样本数据为变压器油色谱在线监测数据;
然后,引用LSTM预测模型,提取出待预测气体变量的积极影响因素,
接着,建立融合时间注意力机制的长短时记忆网络预测模型;
最后,使用已提取的积极影响因素对应的时序数据,来训练并测试该模型。
本发明一种变压器油中溶解气体浓度预测模型建模方法,技术效果如下:
1)可以从模型中假设的可能对变压器油中溶解气体预测具有重要影响的积极影响因素中筛选出真正的影响因素,同时能增强这些重要变量历史时序数据中关键信息的表达,得到一种面向变压器油中溶解气体浓度准确预测的有效方法。
2)该方法首先从建立的变量环境中提取出待预测气体的积极影响因素,增强这些重要因素历史时序关键信息的表达并作为预测模型的输入,提高模型的预测效率和准确性。
3)通过本发明方法,可以根据已采集的变压器历史运行状态数据,解决基于传统关联性分析方法的变压器油中溶解气体浓度预测方法精度不高和主观性强的问题,为电力变压器状态评估和剩余寿命预测提供一定的支持和帮助。
附图说明
图1(a)为本发明方法与传统方法H2浓度预测结果对比图。
图1(b)为本发明方法与传统方法CH4浓度预测结果对比图。
图1(c)为本发明方法与传统方法C2H6浓度预测结果对比图。
图1(d)为本发明方法与传统方法C2H2浓度预测结果对比图。
图1(e)为本发明方法与传统方法C2H4浓度预测结果对比图。
图1(f)为本发明方法与传统方法CO浓度预测结果对比图。
图1(g)为本发明方法与传统方法CO2浓度预测结果对比图。
图2为本发明方法与传统方法预测误差对比图。
图3为本发明预测模型建模方法流程图。
具体实施方式
一种变压器油中溶解气体浓度预测模型建模方法,
步骤1、建立变量环境:包括以下步骤:
变压器油中溶解气体预测是一个多变量、多输入、单输出的时间序列数据分析问题,针对传统预测方法中使用的关联性分析方法对各变量间相互影响分析不全面解释不清楚的问题,分别分析各种气体变量的发生机理,设定出各气体变量在设备日常运行过程中可能受到哪些其他因素的影响。
首先,建立一个变量环境,为筛选重要变量提供分析平台,根据当前变压器油中溶解气体浓度预测研究现状,结合油中溶解气体产生机理,本发明选择了变压器油中溶解气体,以及可能影响这些气体产生的运行状态变量和环境变量,共包括11个原始变量:H2、CH4、C2H6、C2H4、C2H2、CO、CO2、总烃、负荷、油温、环境温度,这些原始变量对应样本数据为中国国家电网公司750kV电力变压器油色谱在线监测数据,2012年1月9日~2012年7月3日共计45组监测数据作为本发明一种变压器油中溶解气体浓度预测模型的训练数据集和测试数据集,样本采样间隔为3天,在已建立了变量环境平台下,方可对环境内各原始变量进行分析和筛选,令待预测气体浓度序列为y,其余变量时序数据为x1,x2,…,x10。
步骤2、假设待预测气体的积极影响因素:
假设变量环境中H2、CH4、C2H6、C2H4、C2H2、CO、CO2这7种油中溶解气体浓度在变压器日常运行过程中相互影响,并受到油中总烃含量、变压器负荷、油温、环境温度影响。即:变量环境中所有原始指标均对7种待预测溶解气体之间具有积极影响,等待进一步对待预测气体变量的积极影响因素进行验证和提取。
步骤3、验证假设,用于对步骤2中的设定进行验证,找出真正对待预测气体具有积极影响的重要因素,包括以下步骤:
步骤3.1:建立长短时记忆网络(LSTM)预测模型;
步骤3.1包括以下步骤:
步骤3.1.1:在t时刻LSTM的输入为xt,在t-1时刻的隐藏层状态为ht-1,ht-1也是上一时刻的输出,选择性遗忘信息由激活函数确定,计算步:
ft=σ(Wf·[ht-1,xt]+bf)
其中ft是遗忘门计算结果,Wf是遗忘门的权重,[ht-1,xt]表示把两个向量连接成一个更长的向量,bf是遗忘门的偏置项,Wfx为当前输入项xt的权重,Wfh为上一时刻隐藏层状态ht-1的权重,σ是sigmoid激活函数。在t时刻的输入xt的维度是dx,隐藏层状态ht-1的维度是dh,单元状态的维度是dc,通常dc=dh,则遗忘门的权重矩阵Wf维度是dc×(dh+dx)。
步骤3.1.2:把LSTM关于当前的记忆c′t和长期的记忆ct-1组合在一起,形成了新的单元状态ct,由于遗忘门的控制,它可以有选择的保存历史信息,由于输入门的控制,它可以避免当前不重要的内容进入记忆,计算过程如下:
it=σ(Wi·[ht-1,xt]+bi)
c′t=tanh(Wc·[ht-1,xt]+bc)
其中:it是输入门计算结果,c′t是当前时刻输入单元状态,Wi是输入门的权重,Wc是输入单元状态权重,bi是输入门的偏置项,bc是输入单元状态的偏置项,tanh(·)为双曲正切激活函数。
步骤3.1.3:LSTM最终的输出结果ht是由输出门状态ot和单元状态ct共同决定:
ot=σ(Wo·[ht-1,xt]+bo)
其中:ot是输出门计算结果,Wo是输出门权重,bo是输出门偏置,tanh(ct)是将单元状态ct映射在-1和1之间。
步骤3.2:验证并提取积极影响因素;
步骤3.2包括以下步骤:
步骤3.2.1:使用待预测气体浓度序列y的历史时序数据y1,y2,…,yT输入到步骤3.1中所建立的LSTM预测模型,得到待预测气体未来浓度值y′T+1,计算预测结果的均方根误差RMSE1,计算方法如下:
y′T+1=FLSTM(y1,y2,…,yT)
其中:FLSTM是LSTM预测模型的简写,yi是气体浓度测量值,y′i是气体浓度预测值,n为预测值个数。
步骤3.2.2:使用待预测气体浓度序列y的历史时序数据y1,y2,…,yT和积极影响因素x1的历史时序数据x11,x12,…,x1T输入到步骤3.1中所建立的LSTM预测模型,得到待预测气体未来浓度值y″T+1,计算预测结果的均方根误差RMSE2,计算方法如下:
y″T+1=FLSTM(y1,y2,…,yT,x11,x12,…,x1T)
其中:FLSTM是LSTM预测模型的简写,yi是气体浓度测量值,y″i是气体浓度预测值,n为预测值个数。
步骤3.2.3:通过比较步骤3.2.1和步骤3.2.2中的预测误差来判断影响因素x1是否对气体浓度序列y的预测真正具有积极影响,若:
RMSE1>RMSE2
则假设成立,认为x1是y的积极影响因素并提取,否则不提取,重复以上步骤检验下一个影响因素直至全部假设影响因素检验完成。
步骤4、在已提取出重要变量的基础上,建立融合时间注意力机制的LSTM预测模型,该模型首先采用两层LSTM分别实现模型的编码阶段和解码阶段。然后在编码器和解码器中间增加注意力层,分析编码器的隐藏层状态hk并分配权重得到中间向量ct。其次,由第一个单层前馈网络将ct与目标序列yt融合,结合解码器的前一时刻隐藏层状态dt-1得到下一时刻隐藏层状态dt,循环迭代计算最终时刻dT。最后由第二个单层前馈网络将最终时刻cT和dT融合得到目标序列的预测值,预测模型建模完成。具体步骤如下:
步骤4.1:以待预测气体浓度序列y的所有积极影响因素x1,x2,…,xm在k时刻的测量值组成的向专作为LSTM编码器的输入,并参考上一时刻LSTM编码器隐层状态信息hk-1共同建立时序模型,对k时刻所有积极影响因素的时序信息进行融合,得到LSTM编码器隐层状态输出hk,计算方法如下:
hk=fLSTM(hk-1,xk)
其中:fLSTM是长短期记忆网络模型的简写。
步骤4.2:为了挖掘出影响因素的各时刻时序信息对待预测气体在t时刻预测值yt的影响,以步骤4.1中LSTM编码器输出的隐层状态hk作为时序注意力机制的输入,并参照LSTM解码器前一时刻的隐层状态dt-1和单元状态st-1蕴含的历史时序信息,得到全部影响因素在k时刻的时序信息对LSTM解码器当前迭代时刻t的注意力权重计算方法如下:
步骤4.3:通过softmax函数对注意力权重进行归一化处理,得到全部影响因素在k时刻的时序信息对t时刻预测值yt的重要程度,计算方法如下:
步骤4.4:将待预测气体在t时刻实际值yt与中间向量ct经单层前馈网络进行融合,得到LSTM解码器t时刻的输入,计算方法如下:
y′t=w′[yt,ct]+b′
其中:w′和b′是单层前馈网络的权重和偏置参数。
步骤4.5:将y′t输入LSTM解码器中对所有历史时刻信息进行迭代更新t时刻LSTM解码器隐层状态dt,将最终时刻隐层状态dT与注意力机制输出的中间向量cT由单层前馈网络进行融合和维度变换,得到待预测气体在下一时刻的预测值,计算过程如下:
dt=fLSTM(dt-1,y′t)
其中:dt-1表示LSTM解码器在t-1时刻的隐藏层状态,y′t表示t时刻LSTM解码器输入状态,WT和bT分别为单层前馈网络融合时的权重和偏置,Vy和by为进行前馈网络维度变换时的权重和偏置。
步骤4功能在于:在已经筛选出重要变量的条件下,现需要将注意力机制引用到LSTM时序建模中,构造融合时间注意力机制的LSTM预测模型,增强历史时序中关键信息的表达,提高预测模型在长期预测中的稳定性和准确性。
步骤5、基于步骤1-4得到的一种变压器油中溶解气体浓度预测模型,用步骤1中油色谱在线监测数据前40组历史数据对预测模型进行训练,当预测误差小于设定值后,得到训练完成的预测模型,后5组数据用于预测模型的测试,然后气体浓度进行预测。该发明中的预测模型能准确的预测出结果并为电力变压器状态评估和寿命预测提供很大的帮助。验证案例:
实验数据采用步骤1中所述中国国家电网公司750kV电力变压器,设备型号为BKD-120000/800,从2012年1月9日~2012年7月3日每隔三天采样一次,采样变量包括:H2(μL/L)、CH4(μL/L)、C2H6(μL/L)、C2H2(μL/L)、C2H4(μL/L)、CO(μL/L)、CO2(μL/L)、总烃(μL/L)、负荷(MW)、油温(℃)、环境温度(℃)。积极影响因素提取结果(以H2为例)如表格1所示。
表1对H2预测具有积极影响的重要因素提取结果
从表格1可得,将H2和CO对应的时序信息、H2和总烃对应的时序信息分别输入LSTM模型对H2浓度的预测误差小于单独输入H2的时序信息时的预测误差,这表明通过本发明方法提取对H2的浓度预测具有积极影响的因素包括CO和总烃,而其余变量对H2的浓度预测没有积极影响作用,与传统预测方法相比,该发明方法将预测模型的输入维度从11维降到3维,降低模型中参数个数,提高模型运算速度和预测效率。
表2为7种待预测气体的重要变量提取结果,第一列为待预测气体变量,Y代表是积极影响因素,N代表不是积极影响因素。
表2待预测气体变量的积极影响因素提取结果
从表2可得,C2H2的积极影响因素最多,包括CH4、C2H6、C2H4、CO2、总烃、油温、负荷、环境温度,C2H4的积极影响因素最少,油温和环境温度是C2H6、C2H2、CO和CO2等多个变量的积极影响因素,这与电力变压器实际运行过程中当油温过高时绝缘油会裂解产生不同成分的气体相符合。
结合以上重要变量提取结果,将待预测气体浓度序列和它的积极影响因素对应的时序信息一起输入到融合时间注意力机制的LSTM,并预测未来气体浓度值,图1(a)~图1(g)为7种油中溶解气体浓度预测结果,红色线段表示原始数据,绿色线段表示没有经过积极影响因素提取的模型预测结果,蓝色线段表示经过积极影响因素提取的模型预测结果。
从图1(a)~图1(g)可得,本发明方法预测结果与真实值的拟合度高于传统预测方法,传统预测方法出现大幅度偏差情况较多,而本发明所提方法与之相比更加稳定,准确性更高。
每一种变压器油中溶解气体浓度预测误差及不同方法的比较结果如图2所示。根据有积极影响因素提取的模型预测结果与无积极影响因素提取的模型预测结果对比情况可得,验证了本发明一种变压器油中溶解气体浓度预测模型建模方法可以准确提取出对待预测气体变量的预测具有积极影响的重要因素,排除冗余因素,减小预测模型输入维度,在传统LSTM预测模型的基础上有效地提高了变压器油中溶解气体浓度预测的准确性。
Claims (7)
1.一种变压器油中溶解气体浓度预测模型建模方法,其特征在于:首先,从建立的变量环境中找出溶解气体浓度预测的积极影响因素;然后,采用时间注意力机制增强积极影响因素对应的历史时序中关键信息的表达;最后,通过预测模型得出变压器油中溶解气体未来浓度值。
2.一种变压器油中溶解气体浓度预测模型建模方法,其特征在于包括以下步骤:
步骤1、建立变量环境:
包括变压器油中溶解气体、运行状态和运行环境:H2(μL/L)、CH4(μL/L)、C2H6(μL/L)、C2H4(μL/L)、C2H2(μL/L)、CO(μL/L)、CO2(μL/L)、总烃(μL/L)、负荷(MW)、油温(℃)、环境温度(℃),其中,输入到预测模型的是各变量对应的时间序列信息;
步骤2、设定待预测气体的积极影响因素:
设任一种待预测气体y的浓度预测受到积极影响因素x1、积极影响因素x2、...、积极影响因素xn-1的影响,其中:n为变量环境内总变量个数;
步骤3、对步骤2设定的待预测气体的积极影响因素进行验证:
步骤3.1:将待预测气体y的历史时序数据输入到LSTM网络,预测该气体的未来浓度值,并计算结果的均方根误差RMSE1;
步骤3.2:将待预测气体y与积极影响因素x1的历史时序数据输入到LSTM网络,预测该气体的未来浓度值,并计算预测结果的均方根误差RMSE2;
步骤3.3:若RMSE1>RMSE2,认为积极影响因素x1对待预测气体y的浓度预测具有积极影响并提取积极影响因素x1对应的时序信息,否则不提取;
步骤3.4:重复步骤3.1~步骤3.3,验证下一个影响因素,直至验证完所有影响因素;
步骤4、在已提取积极影响因素x1对应的时序信息的基础上,构造融合时间注意力机制的LSTM预测模型,对7种变压器油中溶解气体浓度进行预测,将待预测气体y对应的时序信息和步骤3中提取的积极影响因素的时序信息,作为融合时间注意力机制的LSTM预测模型的输入,预测油中溶解气体的未来浓度值,预测模型建模完成。
3.根据权利要求2所述一种变压器油中溶解气体浓度预测模型建模方法,其特征在于:所述步骤1中,变量环境的样本数据来自中国国家电网公司750kV电力变压器的油中溶解气体、运行状态和运行环境监测数据的历史数据,共计45组监测数据,前40组监测数据用于预测模型的训练,后5组监测数据用于训练完成的预测模型的测试;
对预测模型进行训练,当预测误差小于设定值后,得到训练完成的预测模型。
4.根据权利要求2所述一种变压器油中溶解气体浓度预测模型建模方法,其特征在于:所述步骤3包括以下步骤:
步骤3.1、建立长短时记忆网络LSTM预测模型:
步骤3.1.1:在t时刻LSTM的输入为xt,在t-1时刻的隐藏层状态为ht-1,ht-1也是上一时刻的输出,选择性遗忘信息由激活函数确定,计算步骤:
ft=σ(Wf·[ht-1,xt]+bf)
其中:ft是遗忘门计算结果,Wf是遗忘门的权重,[ht-1,xt]表示把两个向量连接成一个更长的向量,bf是遗忘门的偏置项,Wfx为当前输入项xt的权重,Wfh为上一时刻隐藏层状态ht-1的权重,σ是sigmoid激活函数;在t时刻的输入xt的维度是dx,隐藏层状态ht-1的维度是dh,单元状态的维度是dc,通常dc=dh,则遗忘门的权重矩阵Wf维度是dc×(dh+dx);
步骤3.1.2:把LSTM关于当前的记忆c′t和长期的记忆ct-1组合在一起,形成了新的单元状态ct,计算过程如下:
it=σ(Wi·[ht-1,xt]+bi)
c′t=tanh(Wc·[ht-1,xt]+bc)
其中:it是输入门计算结果,c′t是当前时刻输入单元状态,Wi是输入门的权重,Wc是输入单元状态权重,bi是输入门的偏置项,bc是输入单元状态的偏置项,tanh(·)为双曲正切激活函数,表示矩阵按元素相乘规则运算;
步骤3.1.3:LSTM最终的输出结果ht是由输出门状态ot和单元状态ct共同决定:
ot=σ(Wo·[ht-1,xt]+bo)
其中:ot是输出门计算结果,Wo是输出门权重,bo是输出门偏置,tanh(ct)是将单元状态ct映射在-1和1之间;
步骤3.2、验证并提取积极影响因素:
步骤3.2.1:使用待预测气体y对应的历史时序值y1,y2,…,yT,输入到步骤3.1中所建立的LSTM预测模型,得到待预测气体未来浓度值y′T+1,计算预测结果的均方根误差RMSE1,计算方法如下:
y′T+1=FLSTM(y1,y2,…,yT)
其中:FLSTM是LSTM预测模型的简写,yi是气体浓度测量值,y′i是气体浓度预测值,n为预测值个数;
步骤3.2.2:使用待预测气体y的历史时序值y1,y2,…,yT和积极影响因素x1的历史时序值x11,x12,…,x1T,输入到步骤3.1中所建立的LSTM预测模型,得到待预测气体未来浓度值y″T+1,计算预测结果的均方根误差RMSE2,计算方法如下:
y″T+1=FLSTM(y1,y2,…,yT,x11,x12,…,x1T)
其中:FLSTM是LSTM预测模型的简写,yi是气体浓度测量值,y″i是气体浓度预测值,n为预测值个数;
步骤3.2.3:通过比较步骤3.2.1和步骤3.2.2中的预测误差,来判断影响因素x1是否对气体浓度序列y的预测真正具有积极影响,若:
RMSE1>RMSE2
则假设成立,认为x1是y的积极影响因素并提取,否则不提取,重复以上步骤检验下一个影响因素直至全部设定影响因素检验完成。
5.根据权利要求2所述一种变压器油中溶解气体浓度预测模型建模方法,其特征在于:所述步骤4中,在已提取出积极影响因素对应的时序信息的基础上,建立融合时间注意力机制的LSTM预测模型,该模型首先采用两层LSTM分别实现模型的编码阶段和解码阶段;然后,在编码器和解码器中间增加注意力层,分析编码器的隐藏层状态hk并分配权重得到中间向量ct;其次,由第一个单层前馈网络将ct与目标序列yt融合,结合解码器的前一时刻隐藏层状态dt-1得到下一时刻隐藏层状态dt,循环迭代计算,最终时刻dT;最后,由第二个单层前馈网络将最终时刻cT和dT融合得到目标序列的预测值,预测模型建模完成。
6.根据权利要求2或5所述一种变压器油中溶解气体浓度预测模型建模方法,其特征在于:所述步骤4包括以下步骤:
步骤4.1:以待预测气体浓度序列y的所有积极影响因素x1,x2,…,xm在k时刻的测量值组成的向量作为LSTM编码器的输入,并参考上一时刻LSTM编码器隐层状态信息hk-1共同建立时序模型,对k时刻所有积极影响因素的时序信息进行融合,得到LSTM编码器隐层状态输出hk,计算方法如下:
hk=fLSTM(hk-1,xk)
其中:fLSTM是长短期记忆网络模型的简写;
步骤4.2:为了挖掘出影响因素的各时刻时序信息对待预测气体在t时刻预测值yt的影响,以步骤4.1中LSTM编码器输出的隐层状态hk作为时序注意力机制的输入,并参照LSTM解码器前一时刻的隐层状态dt-1和单元状态st-1蕴含的历史时序信息,得到全部影响因素在k时刻的时序信息对LSTM解码器当前迭代时刻t的注意力权重计算方法如下:
步骤4.5:将待预测气体在t时刻实际值yt与中间向量ct经单层前馈网络进行融合,得到LSTM解码器t时刻的输入,计算方法如下:
y′t=w′[yt,ct]+b′
其中:w′和b′是单层前馈网络的权重和偏置参数;
步骤4.6:将y′t输入LSTM解码器中对所有历史时刻信息进行迭代更新t时刻LSTM解码器隐层状态dt,将最终时刻隐层状态dT与注意力机制输出的中间向量cT由单层前馈网络进行融合和维度变换,得到待预测气体在下一时刻的预测值,预测模型建立完成;计算过程如下:
dt=fLSTM(dt-1,y′t)
其中:dt-1表示LSTM解码器在t-1时刻的隐藏层状态,y′t表示t时刻LSTM解码器输入状态,WT和bT分别为单层前馈网络融合时的权重和偏置,Vy和by为进行前馈网络维度变换时的权重和偏置。
7.一种变压器油中溶解气体浓度预测模型建模方法,其特征在于:
首先,建立一个包含变压器油中溶解气体、运行状态和运行环境的变量环境,变量环境包括H2(μL/L)、CH4(μL/L)、C2H6(μL/L)、C2H4(μL/L)、C2H2(μL/L)、CO(μL/L)、CO2(μL/L)、总烃(μL/L)、负荷(MW)、油温(℃)、环境温度(℃),这些变量对应的样本数据为变压器油色谱在线监测数据;
然后,引用LSTM预测模型,提取出待预测气体变量的积极影响因素;
接着,建立融合时间注意力机制的长短时记忆网络预测模型;
最后,使用已提取的积极影响因素对应的时序数据,来训练并测试该模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011588082.8A CN112734028B (zh) | 2020-12-28 | 2020-12-28 | 一种变压器油中溶解气体浓度预测模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011588082.8A CN112734028B (zh) | 2020-12-28 | 2020-12-28 | 一种变压器油中溶解气体浓度预测模型建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734028A true CN112734028A (zh) | 2021-04-30 |
CN112734028B CN112734028B (zh) | 2022-06-03 |
Family
ID=75607059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011588082.8A Active CN112734028B (zh) | 2020-12-28 | 2020-12-28 | 一种变压器油中溶解气体浓度预测模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734028B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
CN113642235A (zh) * | 2021-08-09 | 2021-11-12 | 贵州电网有限责任公司 | 一种基于局部时空特征融合的覆冰预测方法 |
CN113836819A (zh) * | 2021-10-14 | 2021-12-24 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN114354783A (zh) * | 2021-12-17 | 2022-04-15 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于在运数据的特高压油色谱监测装置健康度评估方法 |
CN114490596A (zh) * | 2021-12-08 | 2022-05-13 | 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 |
CN117034755A (zh) * | 2023-08-07 | 2023-11-10 | 兰州理工大学 | 一种融合多头注意力机制的冷轧钢力学性能预测方法 |
CN117079736A (zh) * | 2023-10-17 | 2023-11-17 | 河北金锁安防工程股份有限公司 | 一种用于智能气体传感的气体浓度预测方法及系统 |
CN117634924A (zh) * | 2023-12-07 | 2024-03-01 | 沧州经济开发区武理工京津冀协同产业科技研究院 | 变压器油中溶解气体的预测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN111060652A (zh) * | 2019-11-21 | 2020-04-24 | 西南交通大学 | 基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN112100924A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
-
2020
- 2020-12-28 CN CN202011588082.8A patent/CN112734028B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN111060652A (zh) * | 2019-11-21 | 2020-04-24 | 西南交通大学 | 基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN112100924A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
TIE C: "A new transformer fault diagnosis method based on classified deep auto-encoder network", 《DESTECH TRANSACTION ON COMPUTER SCIENCE AND ENGINEERING》 * |
司马莉萍等: "基于灰关联和模糊支持向量机的变压器油中溶解气体浓度的预测", 《电力系统保护与控制》 * |
崔宇等: "基于双重注意力机制的变压器油中溶解气体预测模型", 《中国电机工程学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592185B (zh) * | 2021-08-05 | 2022-10-14 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
CN113642235A (zh) * | 2021-08-09 | 2021-11-12 | 贵州电网有限责任公司 | 一种基于局部时空特征融合的覆冰预测方法 |
CN113642235B (zh) * | 2021-08-09 | 2023-12-22 | 贵州电网有限责任公司 | 一种基于局部时空特征融合的覆冰预测方法 |
CN113836819B (zh) * | 2021-10-14 | 2024-04-09 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN113836819A (zh) * | 2021-10-14 | 2021-12-24 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN114490596A (zh) * | 2021-12-08 | 2022-05-13 | 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 |
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 |
CN114354783A (zh) * | 2021-12-17 | 2022-04-15 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于在运数据的特高压油色谱监测装置健康度评估方法 |
CN117034755A (zh) * | 2023-08-07 | 2023-11-10 | 兰州理工大学 | 一种融合多头注意力机制的冷轧钢力学性能预测方法 |
CN117034755B (zh) * | 2023-08-07 | 2024-06-18 | 兰州理工大学 | 一种融合多头注意力机制的冷轧钢力学性能预测方法 |
CN117079736B (zh) * | 2023-10-17 | 2024-02-06 | 河北金锁安防工程股份有限公司 | 一种用于智能气体传感的气体浓度预测方法及系统 |
CN117079736A (zh) * | 2023-10-17 | 2023-11-17 | 河北金锁安防工程股份有限公司 | 一种用于智能气体传感的气体浓度预测方法及系统 |
CN117634924A (zh) * | 2023-12-07 | 2024-03-01 | 沧州经济开发区武理工京津冀协同产业科技研究院 | 变压器油中溶解气体的预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112734028B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734028B (zh) | 一种变压器油中溶解气体浓度预测模型建模方法 | |
CN110705692B (zh) | 一种时空注意力网络的非线性动态工业过程产品预测方法 | |
CN107505837A (zh) | 一种半监督神经网络模型及基于该模型的软测量建模方法 | |
CN113011796B (zh) | 一种基于“层次分析-神经网络”的食用油安全预警方法 | |
CN110874616A (zh) | 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 | |
CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN113516310B (zh) | 一种变压器故障预警方法及系统 | |
US20140351187A1 (en) | Method and System for Validating Energy Measurement in a High Pressure Gas Distribution Network | |
CN113943039B (zh) | 一种有机污染地下水原位化学氧化工艺的修复效果预测建模方法 | |
CN114418166A (zh) | 一种变压器油中的溶解气体浓度预测方法、装置及介质 | |
Pan et al. | A meta network pruning framework for remaining useful life prediction of rocket engine bearings with temporal distribution discrepancy | |
Chang et al. | Remaining useful life prediction for complex systems considering varying future operational conditions | |
Lin | An integrated procedure for bayesian reliability inference using MCMC | |
Khalyasmaa et al. | Training samples construction for energy utilities operational assets management | |
Gupta et al. | Application of neural networks for gross error detection | |
CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
Poonnoy et al. | Neural network approach to dissolved gas analysis for fault analysis in power transformers | |
CN112329335B (zh) | 一种变压器油中溶解气体含量的长期预测方法 | |
Bakal et al. | Time Delay Neural Networks for NOx and CO Prediction in Fossil Fuel Plants | |
Niloofar et al. | Data-driven modelling of repairable fault trees from time series data with missing information | |
CN113281229A (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
He et al. | A novel soft sensor model based on stacking ensemble learning framework | |
CN117667495B (zh) | 一种关联规则与深度学习集成的应用系统故障预测方法 | |
Kumari et al. | Abnormal Conditions and their Classification in Photovoltaic Array using Artificial Neural Network | |
Häsä | Using machine learning for instrument fault detection |
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 |