CN115389743A - 一种变压器油中溶解气体含量区间预测方法、介质及系统 - Google Patents
一种变压器油中溶解气体含量区间预测方法、介质及系统 Download PDFInfo
- Publication number
- CN115389743A CN115389743A CN202210720141.5A CN202210720141A CN115389743A CN 115389743 A CN115389743 A CN 115389743A CN 202210720141 A CN202210720141 A CN 202210720141A CN 115389743 A CN115389743 A CN 115389743A
- Authority
- CN
- China
- Prior art keywords
- sequence
- transformer oil
- dissolved gas
- content
- point prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 241000282461 Canis lupus Species 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 50
- 230000008569 process Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 241000282421 Canidae Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000003878 thermal aging Methods 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
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种变压器油中溶解气体含量区间预测方法、介质及系统，包括：采集历史时间的变压器油中溶解气体含量，得到变压器油中溶解气体含量的第一序列；采用自适应噪声完备集合经验模态分解算法对第一序列进行分解，得到多个第二序列；将每一第二序列输入每一第二序列对应的训练后的点预测模型，输出每一第二序列对应的第三序列；将所有第三序列中的相同排序的元素加和，得到历史时间后的预设时间内变压器油中溶解气体含量的点预测结果；将点预测结果采用非参数核密度估计算法，计算得到预设时间内变压器油中溶解气体含量的区间预测结果。本发明引入区间预测，可量化分析油中气体因外界不确定因素产生的变化，有助于提高状态估计准确度。
Description
技术领域
本发明涉及变压器油中溶解气体含量预测技术领域，尤其涉及一种变压器油中溶解气体含量区间预测方法、介质及系统。
背景技术
变压器在运行过程中会由于电老化、热老化、故障等原因产生多种气体溶解在变压器油中，利用油中溶解气体分析技术可以发现变压器的潜在故障风险。目前，许多变压器已通过安装油色谱在线监测装置获取油中溶解气体含量的历史数据，因此，通过预测油中溶解气体的未来变化趋势，有助于预测变压器运行状态、发现潜在故障、合理安排检修。
目前，变压器油中溶解气体预测方法主要分为统计学方法和人工智能预测方法两类。由于变压器油中溶解气体时序数据具有非线性和非平稳性，因此统计学预测模型在预测较长气体含量序列时具有一定的局限性，相较于统计学方法，人工智能算法在时序数据预测方面的具有一定优势。但现有研究多属于点预测算法，由于变压器油中溶解气体的含量可能会受到外界随机性因素的影响，同时受限于油色谱监测的误差，实际监测数据具有一定的不确定性。
发明内容
本发明实施例提供一种变压器油中溶解气体含量区间预测方法、介质及系统，以解决现有技术的点预测算法预测变压器油中溶解气体含量具有不确定性的问题。
第一方面，提供一种变压器油中溶解气体含量区间预测方法，包括：
采集历史时间的变压器油中溶解气体含量，得到变压器油中溶解气体含量的第一序列；
采用自适应噪声完备集合经验模态分解算法对所述第一序列进行分解，得到多个第二序列；
将每一所述第二序列输入每一所述第二序列对应的训练后的点预测模型，输出每一所述第二序列对应的第三序列；
将所有所述第三序列中的相同排序的元素加和，得到所述历史时间后的预设时间内变压器油中溶解气体含量的点预测结果；
将所述点预测结果采用非参数核密度估计算法，计算得到预设时间内变压器油中溶解气体含量的区间预测结果。
第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的变压器油中溶解气体含量区间预测方法。
第三方面，提供一种变压器油中溶解气体含量区间预测系统，包括：如上述第二方面实施例所述的计算机可读存储介质。
这样，本发明实施例，不仅得到气体含量的点预测结果，还引入区间预测，可以生成不同置信度下油中溶解气体含量的预测区间，从而量化分析油中气体因外界不确定因素产生的变化，有助于提高状态估计准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的变压器油中溶解气体含量区间预测方法的流程图；
图2是本发明实施例的自适应噪声完备集合经验模态分解算法的流程图；
图3是本发明实施例的长短期记忆网络点预测模型的神经元结构示意图；
图4是发明实施例的灰狼算法的灰狼等级与位置更新策略示意图；
图5是本发明实施例的灰狼算法优化长短期记忆网络点预测模型的流程图；
图6是本发明一优选实施例采用自适应噪声完备集合经验模态分解算法分解得到的多个第二序列的示意图；
图7是本发明一优选实施例的灰狼算法寻优过程的示意图；
图8是本发明一优选实施例的CO含量点预测结果示意图；
图9是本发明一优选实施例的概率密度函数曲线对比示意图，其中，(a)是不同核函数概率密度函数曲线对比示意图，(b)是不同窗宽度概率密度函数曲线对比示意图；
图10是本发明一优选实施例的CO含量区间预测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种变压器油中溶解气体含量区间预测方法。如图1所示，该方法包括如下的步骤：
步骤S1：采集历史时间的变压器油中溶解气体含量，得到变压器油中溶解气体含量的第一序列。
具体的，可以每隔预设时间采集一次。例如，每隔四小时采集一次。历史时间的跨度可根据实际情况确定。例如，采集30天的变压器油中溶解的CO含量。
步骤S2：采用自适应噪声完备集合经验模态分解算法对第一序列进行分解，得到多个第二序列。
自适应噪声完备集合经验模态分解(CEEMDAN)算法是一种时序信号处理方法，是由经验模态分解(EMD)发展而来，EMD可以将时序数据自适应分解成若干个独立的内涵模态分量(IMF)及一个残差分量，但易产生模态混叠现象。集合经验模态分解(EEMD)通过在分解的过程中多次引入均匀分布的白噪声，以掩盖原始信号本身的噪声，从而有效克服了模态混叠现象；但会引起噪声残留，增大了分量重构的误差。如图2所示，CEEMDAN在EEMD的基础上作了进一步改进，在IMF分解的过程中自适应地添加白噪声，通过最后的余量信号计算出各个IMF分量，能够几乎消除重构误差，相较于EEMD，其具有完备性、快速性等优势。
该步骤具体包括如下的过程：
(1)分K次向第一序列中添加白噪声，得到K组噪声序列。
具体按照下式添加：
xi(t)＝x(t)+ε0δi(t)。
其中，xi(t)表示第i次添加白噪声后得到的噪声序列，x(t)表示第一序列，δi(t)表示第i次添加的白噪声，ε0表示本次添加的白噪声权重系数，表示白噪声与原始信号幅值标准差之比，i＝1，2，……，K。每次添加的白噪声的均值为0。
(2)采用CEEMDAN算法对每组噪声序列进行分解，得到每组噪声序列的多个IMF分量。
(3)计算得到所有噪声序列的第一个IMF分量的均值。
所有噪声序列的第一个IMF分量的均值的算式如下：
其中，I1(t)表示所有噪声序列的第一个IMF分量的均值，I1i(t)表示第i次添加白噪声后得到的噪声序列的第一个IMF分量。
(4)将第一序列去除所有噪声序列的第一个IMF分量的均值，得到第一个余量序列。
具体算式如下：
r1(t)＝x(t)-I1(t)。
其中，r1(t)表示第一个余量序列。
(5)对余量序列重复上述的步骤，得到其他IMF分量，直到余量序列极值小于等于2时，CEEMDAN分解结束。
第j个IMF分量的算式如下：
其中，Ij(t)表示第j个IMF分量，Ej(·)表示EMD分解得到的第j个IMF分量，εj-1表示第j-1次添加的白噪声的权重系数，rj-1(t)表示第j-1个余量序列。
通过上述的过程，当分解结束时，第一序列被分解成m个IMF分量和1个余量，具体如下：
分解得到的m个IMF分量和1个余量即为多个第二序列。
步骤S3：将每一第二序列输入每一第二序列对应的训练后的点预测模型，输出每一第二序列对应的第三序列。
本发明实施例采用的点预测模型为长短期记忆网络(LSTM)点预测模型。长短期记忆网络点预测模型单个神经元结构如图3所示，其在循环神经网络(RNN)的基础上用门控记忆单元取代隐含层，从而实现当前时刻信息对此前信息的影响程度的控制。图3中，xt表示t时刻的输入，ct-1和ct分别表示t-1和t时刻的记忆单元状态，ht-1和ht分别表示t-1和t时刻的神经元输出，门控记忆单元包含遗忘门、输入门和输出门三个门控结构，具体功能如下：
(1)遗忘门：遗忘门读取ht-1和xt，输出ft(ft介于0～1，0表示“完全忘记”，1表示“完全保留”)作为ct-1的权重，控制ct-1的遗忘程度，从而实现ct-1影响ct，具体算式如下：
ft＝σ(Wf·[ht-1,xt]+bf)。
其中，σ(·)表示sigmoid激活函数，Wf和bf分别表示遗忘门的权重矩阵和偏置项。
(2)输入门：输入门读取ht-1和xt，分别通过sigmoid层和tanh层得到权重it和gt，实现ht-1和xt影响ct，具体算式如下：
it＝σ(Wi·[ht-1,xt]+bi)。
gt＝σ(Wg·[ht-1,xt]+bg)。
Wi和bi分别表示sigmoid层的权重矩阵和偏置项，Wg和bg分别表示tanh层的权重矩阵和偏置项。
由上述三式可知，记忆单元的状态ct由ct-1、ht-1和xt共同决定，具体如下：
ct＝ft·ct-1+it·gt。
(3)输出门：输出门通过sigmoid层得到ht-1和xt的权重ot，并通过tanh层获取ct的信息，从而综合ht-1、xt和ct三个参数的信息得到神经元输出，具体算式如下：
ot＝σ(Wo·[ht-1,xt]+bo)。
ht＝ot·tanh(ct)。
其中，Wo和bo分别表示sigmoid层的权重矩阵和偏置项。
本发明实施例构建了基于Adam求解器的LSTM模型，其参数主要包含结构参数和超参数两类，具体如表1所示。
表1 LSTM参数
| 参数 | 取值 |
| 输入特征维数 | 1 |
| 隐含层神经元数目 | n |
| 堆叠层数 | 1 |
| 全连接层数 | 1 |
| 迭代次数 | l |
| 梯度阈值 | 1 |
| 初始学习率 | α |
| 学习率更新周期 | l/2 |
| 学习率更新因子 | 0.2 |
| 求解器 | Adam |
此外，本发明实施例预先训练长短期记忆网络点预测模型。每次训练长短期记忆网络点预测模型时，采用灰狼算法(GWO)优化长短期记忆网络点预测模型的隐含层神经元数目n和初始学习率α，即由GWO算法首先选择一对隐含层神经元数目n和初始学习率α的取值，然后输入到LSTM模型进行训练，得到预测结果，如果预测结果没有达到要求，则返回由GWO算法再次选择另一对隐含层神经元数目n和初始学习率α的取值，输入到LSTM模型进行训练，得到预测结果。如此重复，经过多次循环，当输出的预测的结果满足要求时，可得到对应的一对最优的隐含层神经元数目n和初始学习率α的取值，作为训练后的LSTM模型的参数。
灰狼算法是一种模拟灰狼群体狩猎行为的群智能优化算法，具有结构简单、收敛速度快、搜索效率高等特点。GWO将灰狼种群划分为α，β，δ，ω四个等级，遵循图4所示的种群等级制度，分别对应最优解、次优解、第三优解、其他解四个等级。其中α，β，δ三只灰狼负责引导ω灰狼向猎物(全局最优解)位置前进，其优化过程分为以下两个步骤：
(1)识别猎物(寻找最优解)步骤：
该步骤的具体算法如下：
D＝|C？Xp(t) X(t)|
X(t+1)＝Xp(t)-A·D
A＝2ar1-a
C＝2r2
其中，D表示猎物与灰狼之间的距离，X表示灰狼的位置，Xp表示猎物的位置，t表示迭代次数，A、C均表示系数向量，a表示收敛因子，a＝2(1-m/M)，m表示GWO当前迭代次数，M表示迭代次数上限。随着迭代次数增加从2下降至0，r1、r2是介于0～1之间的随机向量。
(2)捕捉猎物(确定最优解)步骤：
在灰狼识别猎物后，α狼会引导整个狼群包围猎物，α，β，δ狼的位置逐渐向猎物位置靠近，从而确定最优解，位置更新策略如图4所示，数学模型如下：
式中，Dα、Dβ和Dδ表示个体X与α，β，δ的距离，C1、C2、C3和A1、A2、A3与前述的C和A含义相同，Xα、Xβ、Xδ分别表示α，β，δ狼的位置，X(t+1)表示个体X下一时刻的位置，X1、X2、X3是计算过程中的中间变量。
由于LSTM在训练过程中通过不断更新网络参数实现误差函数的最小，因此其初始参数的设置对训练结果有很大影响，通常依靠经验法对各参数进行设置和调整，具有很强的不确定性，且很难确定模型的最优参数。LSTM的隐含层神经元数目n和初始学习率α对时序数据的预测结果影响显著，因此本文利用GWO优化LSTM的n和α两个关键参数，整体算法流程图如图5所示。训练时，将训练样本分为训练集和测试集。训练集和测试集的样本的比例可以是4:1。
步骤S4：将所有第三序列中的相同排序的元素加和，得到历史时间后的预设时间内变压器油中溶解气体含量的点预测结果。
例如，一共生成两个第三序列，一个第三序列中的元素依次为a1、a2、a3、…、aN，另一第三序列中的元素依次为b1、b2、b3、…、bN，则叠加后的点预测结果为：a1+b1、a2+b2、a3+b3、…、aN+bN。
一般的历史时间的跨度与可预测的预设时间成对应关系。例如，本发明实施例，历史时间的跨度和预设时间的比例关系为5:1，即采用30天的历史时间的样本，可以预测未来6天内的结果。
步骤S5：将点预测结果采用非参数核密度估计算法，计算得到预设时间内变压器油中溶解气体含量的区间预测结果。
具体的，非参数核密度估计算法的概率密度的算式如下：
其中，
表示概率密度，p＝{p1,p2,…,pN}，表示点预测结果相对于真实结果的误差值，pi表示第i个点预测误差样本点，h表示窗宽度(h>0)，N表示点预测结果样本点总数，k(p,h)表示核函数，点预测结果相对于真实结果的误差值p和窗宽度h均为核函数的自变量。
通过上述步骤可实现本发明实施例提出的变压器油中溶解气体含量区间预测方法，生成不同置信度下的预测区间，从而量化分析变压器油中气体因外界不确定因素产生的变化，有助于提高状态估计准确度。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述实施例所述的变压器油中溶解气体含量区间预测方法。
本发明实施例还公开了一种变压器油中溶解气体含量区间预测系统，包括：如上述实施例所述的计算机可读存储介质。
下面以一具体应用例对本发明实施例的技术方案做进一步说明。
应用例
首先，利用CEEMDAN对变压器油中溶解气体的第一序列进行分解，得到各第一序列的第二序列。以CO气体为例，经CEEMDAN分解生成的第二序列如图6所示。
其次，对各第二序列构建LSTM预测模型，并利用GWO对LSTM的隐含层神经元数目n和初始学习率α进行优化，GWO的参数如表2所示。
表2 GWO参数设置
以一第二序列LSTM预测模型参数的优化为例，GWO寻优过程如图7所示，图中横坐标为隐含层神经元数目寻优范围，纵坐标为初始学习率寻优范围，以每次迭代结果的均方根误差作为适应度。图7中，散点表示20只ω灰狼在20次迭代过程中的分布，三条轨迹表示α，β，δ三只狼的捕猎轨迹。由图可知，在迭代过程中，ω灰狼会首先较大范围的覆盖取值空间，随后逐步聚集到最优解坐标，随着迭代过程灰狼的位置逐步更新，α，β，δ三只狼最终聚集在(114.428，0.038)处，表示该坐标处适应度最高，因此该LSTM点预测模型的隐含层神经元数目取114，初始学习率取0.038。针对所有气体第二序列的LSTM预测模型均进行上述优化，得到各第二序列的点预测模型。
利用各第二序列通过点预测模型预测得到第三序列，并对第三序列重新叠加形成气体序列预测结果，以CO气体为例，点预测结果如图8所示。
选取均方根误差yRMSE和预测精度yRA两个指标对点预测结果进行评价，计算公式如下：
其中，xreal表示气体含量的实际监测值序列，xreal(i)表示第i个样本点，xpred表示气体含量的点预测结果序列，xpred(i)表示第i个样本点，n表示气体含量序列的样本长度。
均方根误差yRMSE越小、预测精度yRA越接近1，表示模型预测效果越好，计算可得本发明实施例所提方法点预测结果的均方根误差为4.275，预测精度为0.990。从均方根误差来看，本发明实施例所提方法的预测结果与实际值偏差很小，平均仅偏离约1.3％，预测精度达到了99.0％。
当基于油中溶解气体进行变压器状态评估时，如果仅使用点预测结果，则点预测的不确定性误差会完全传导到状态评估结果，影响状态评估的准确性。为刻画油色谱气体含量预测的不确定性，本发明在点预测结果的基础上，采用非参数核密度估计方法生成不同置信度下的气体含量预测区间。核密度估计过程中，窗宽度h和核函数k的选择对概率密度的估计结果具有直接影响。针对窗宽度h，本文采用MISE准则选择窗宽度h的最优值，并选取表3所示的核函数k进行对比，其中I(·)为示性函数，当|p|≤1时，I(|p|≤1)＝1，否则I(|p|≤1)＝0。
表3 不同核函数表达式
图9展示了不同核函数和不同窗宽度下概率密度函数(PDF)，对比频率直方图可知当核函数采用高斯核函数、窗宽度为0.7533时适应性最好，因此窗宽度取0.7533，核函数选取高斯核函数。
选定最优窗宽度及核函数后，利用KDE生成气体含量的预测区间，以CO为例，其预测区间如图10所示。
为评估区间预测结果，选取区间覆盖率PICP和区间平均宽度PINAW两个指标对区间预测结果进行评价，计算方法如下式所示：
其中，n表示数据长度，εi表示布尔变量，当实际值位于预测区间内时，εi为1，否则为0；R＝xreal-max-xreal-min表示真实值的最大值与最小值之差，ΔP表示预测区间宽度。
区间覆盖率PICP越大表明区间对实际值的覆盖效果越好，区间平均宽度PINAW越小则表明区间越窄，不同置信度下的预测区间评价指标结果如表4所示。
表4 不同置信区间的评价
| 置信区间 | P<sub>ICP</sub> | P<sub>INAW</sub> |
| 98.000 | 0.958 | 0.046 |
| 90.000 | 0.917 | 0.028 |
| 80.000 | 0.792 | 0.021 |
| 70.000 | 0.667 | 0.017 |
| 60.000 | 0.583 | 0.013 |
由图10和表4可知，本发明所提方法可以可靠地刻画变压器油中气体含量变化趋势和置信区间。一般来说，如果想提高区间的覆盖率，必然会导致区间宽度的增加，因此在应用油中溶解气体的区间预测结果进行状态评估时，可以综合考虑两个指标，根据实际情况选取某个置信度下的区间预测结果，力求在区间较窄的同时达到较高的覆盖率。由表4可知，90％置信度下的预测区间覆盖率超过90％，同时区间宽度小于3％，可以较好的描述点预测的不确定性，从而为后续的变压器状态评估提供更为完整和准确的数据依据。
综上，本发明实施例，不仅得到气体含量的点预测结果，还引入区间预测，可以生成不同置信度下油中溶解气体含量的预测区间，从而量化分析油中气体因外界不确定因素产生的变化，有助于提高状态估计准确度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种变压器油中溶解气体含量区间预测方法，其特征在于，包括：
采集历史时间的变压器油中溶解气体含量，得到变压器油中溶解气体含量的第一序列；
采用自适应噪声完备集合经验模态分解算法对所述第一序列进行分解，得到多个第二序列；
将每一所述第二序列输入每一所述第二序列对应的训练后的点预测模型，输出每一所述第二序列对应的第三序列；
将所有所述第三序列中的相同排序的元素加和，得到所述历史时间后的预设时间内变压器油中溶解气体含量的点预测结果；
将所述点预测结果采用非参数核密度估计算法，计算得到预设时间内变压器油中溶解气体含量的区间预测结果。
2.根据权利要求1所述的方法，其特征在于：所述点预测模型为长短期记忆网络点预测模型。
3.根据权利要求2所述的方法，其特征在于：每次训练所述长短期记忆网络点预测模型时，采用灰狼算法优化所述长短期记忆网络点预测模型的隐含层神经元数目和初始学习率。
4.根据权利要求1所述的方法，其特征在于，所述非参数核密度估计算法的概率密度的算式如下：
其中，
表示概率密度，p表示点预测结果相对于真实结果的误差值，pi表示第i个点预测结果，h表示窗宽度，h>0，N表示点预测结果总数，k(p,h)表示核函数。
5.根据权利要求1所述的方法，其特征在于：所述非参数核密度估计算法的核函数为高斯核函数。
6.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～5中任一项所述的变压器油中溶解气体含量区间预测方法。
7.一种变压器油中溶解气体含量区间预测系统，其特征在于，包括：如权利要求6所述的计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210720141.5A CN115389743A (zh) | 2022-06-23 | 2022-06-23 | 一种变压器油中溶解气体含量区间预测方法、介质及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210720141.5A CN115389743A (zh) | 2022-06-23 | 2022-06-23 | 一种变压器油中溶解气体含量区间预测方法、介质及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115389743A true CN115389743A (zh) | 2022-11-25 |
Family
ID=84117579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210720141.5A Pending CN115389743A (zh) | 2022-06-23 | 2022-06-23 | 一种变压器油中溶解气体含量区间预测方法、介质及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115389743A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2022
- 2022-06-23 CN CN202210720141.5A patent/CN115389743A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Durrant | winGamma: A non-linear data analysis and modelling tool with applications to flood prediction | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| Bučar et al. | A neural network approach to describing the scatter of S–N curves | |
| CN114219139B (zh) | 基于注意力机制的dwt-lstm电力负荷预测方法 | |
| CN114547974A (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
| CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
| CN111931983A (zh) | 一种降水量预测方法及系统 | |
| CN112311488A (zh) | 基于小波分解的频谱感知方法 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
| CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
| CN113762471A (zh) | 一种基于注意力机制与贝叶斯优化的相空间重构参数估计方法 | |
| CN115389743A (zh) | 一种变压器油中溶解气体含量区间预测方法、介质及系统 | |
| CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| Robati et al. | Inflation rate modeling: adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO) | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
| CN113380340B (zh) | 飞灰浓度预测模型的训练方法、装置、计算机设备 | |
| CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
| CN114239990A (zh) | 一种基于时间序列分解和lstm的时间序列数据预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN117390836A (zh) | 一种基于bemd的gru区间系统惯量评估与预测方法 | |
| CN115660167A (zh) | 基于麻雀搜索算法和分解误差校正的短期空气质量预测方法 |
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 |