CN115759185A - 基于Elman神经网络变压器油色谱特征气体的预测方法 - Google Patents
基于Elman神经网络变压器油色谱特征气体的预测方法 Download PDFInfo
- Publication number
- CN115759185A CN115759185A CN202211348918.6A CN202211348918A CN115759185A CN 115759185 A CN115759185 A CN 115759185A CN 202211348918 A CN202211348918 A CN 202211348918A CN 115759185 A CN115759185 A CN 115759185A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- characteristic gas
- elman neural
- transformer oil
- 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
Images
Classifications
-
- 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
- Housings And Mounting Of Transformers (AREA)
Abstract
一种基于Elman神经网络的变压器油色谱特征气体的预测方法,包括:获取变压器油色谱特征气体历史数据样本集并进行归一化处理;根据样本数据初始化超参数(隐含层、节点数、学习率)以及权值和神经元偏置;将处理好的样本数据连同超参数以及权值、神经元偏置一起传入Elman网络模型;判断经Elman网络模型输出的结果是否满足精度要求;若满足,则进行反归一化处理输出预测结果;若不满足,则利用对比散度算法更新层间权值和各层神经元偏置:将利用对比散度算法更新的权值和神经元偏置传入Elman网络模型,直到满足精度要求。
Description
技术领域
本发明属于电力设备安全监测领域,具体涉及一种引入对比散度算法的Elman神经网络变压器油色谱特征气体预测方法。
背景技术
在电力电网中,变压器是输配电的基础设备,是保障整个系统安全正常运行的重要设备,广泛应用于工业、农业、交通、城市社区等领域。近年来,随着社会面整体用电量逐年增加,各种智能化设备及传感器的接入,更多特高压并网运行,导致变压器投入时长大量增加,运行环境变得更加复杂。
绝缘油是由许多不同分子量的碳氢化合物分子组成的混合物,分子中含有CH3、CH2和CH化学基团并由C-C键键合在一起。当变压器内部发生故障时,其初期会分解出各种气体,溶解于变压器油中,当故障严重时,也可能聚集成游离气体。各种气体产生的条件不同,如局部放电,通过离子反应、断裂主要生成H2,通过积累重新化合成甲烷、乙烯、乙烷、乙炔等气体,重新化合时分别需要各自的温度和能量。一般说来,乙烯是在高于甲烷和乙烷的温度(大约500℃)下生成的,乙炔一般是在800℃~1200℃的温度下生成的,而且当温度降低时反应被迅速抑制,作为重新化合的产物而积累。因此,大量的乙炔是在电弧中产生的。在变压器油与空气起氧化反应时,伴随生成CO、CO2,并且CO和CO2能长期积累,成为数量显著的气体。这些分解出来的气体形成气泡在变压器油中经对流扩散,不断的溶解在油中。不同的故障会产生不同的主要特征气体和次要特征气体,这些故障气体的组成和含量与故障类型及严重程度有密切关系。分析溶解于油中的气体,就能尽早发现设备内部存在的潜伏性故障,并可随时监视故障的发展状况。变压器油中溶解气体分析(dissolved gasanalysis,DGA)方法,通过对绝缘油中H2、CH4、C2H2、C2H4和C2H6等特征气体在不同运行状态下的组分占比和产气速率差异进行分析,从而为变压器实时运行状态的评估提供重要的依据,同时具有支持带电在线检测的优点,故而在我国变压器运行状态监测和故障诊断领域得到了广泛应用。
根据理论研究和现场经验,研究人员在早期建立了三比值法、Rogers比值法和大卫三角形法等流程简单的基础方法体系,但由于受编码缺失、阈值绝对和现场勘察等问题的限制,上述方法现已逐渐成为变压器故障诊断的辅助手段。目前主流的基于油色谱(变压器油中溶解气体)分析进行预测诊断变压器故障的方式仍是三比值法。然而随着机器学习理论的发展,基于人工智能的故障诊断方法以其对变压器运行状态类型较高的分类准确率,成为了学界热门的研究方向。
Elman网络是一种典型的局部回归网络(global feed forward localrecurrent),可以看作是一个具有局部记忆单元和局部反馈连接的递归神经网络,具有与多层前向网络相似的多层结构。它的主要结构是前馈连接,包括输入层、隐含层、输出层,其连接权可以进行学习修正;反馈连接由一组“结构”单元构成,用来记忆前一时刻的输出值,其连接权值是固定的。在这种网络中,除了普通的隐含层外,还有一个特别的隐含层,称为关联层(或联系单元层);该层从隐含层接收反馈信号,每一个隐含层节点都有一个与之对应的关联层节点连接。关联层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。隐层的传递函数仍为某种非线性函数,一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。对比散度算法可以加快梯度计算的收敛速度,快速更新权值和神经元偏置。
本发明将对比散度算法引入到Elman神经网络,以此来更新权值和神经元偏置,通过历史油色谱数据来预测下一组油色谱中各特征气体含量值。所提预测模型以变压器油色谱特征气体含量数据作为输入,以预测结果作为输出,随着时间推移,样本数据量逐渐增大,预测的准确率也随之提高。为工作人员提前知道变压器油色谱特征气体含量的变化提供了一个可行且可靠的方法,方便工作人员据此采取下一步行动。
发明内容
为了预测出变压器油色谱下一组特征气体含量数值,本发明提供了一种引入对比散度算法的Elman神经网络变压器油色谱特征气体预测方法。本发明利用引入对比散度算法的Elman神经网络对变压器油色谱特征气体数据进行迭代训练,改善现有技术中数据处理繁杂,需要现场支援不仅工作量大且准确率低等问题,自动更新油色谱历史数据和自动输出预测结果,同时在网络预测模型对权值的更新时引入对比散度对其进行学习更新,有效的提高了下一组变压器油色谱特征气体含量的准确度,提高了工作人员对变压器故障的预判能力,也提高了变电设备的智能化水平。
为达到上述目的,本发明采用以下技术方案:
一种基于Elman神经网络的变压器油色谱特征气体的预测方法,步骤如下:
步骤(1):获取变压器油色谱特征气体历史数据样本集并进行归一化处理;
步骤(2):根据样本数据初始化超参数(隐含层、节点数、学习率)以及权值和神经元偏置;
步骤(3):将处理好的样本数据连同超参数以及权值、神经元偏置一起传入Elman网络模型;
步骤(4):判断经Elman网络模型输出的结果是否满足精度要求;若满足,则进行反归一化处理输出预测结果;若不满足,则利用对比散度算法更新层间权值和各层神经元偏置:
步骤(5):将利用对比散度算法更新的权值和神经元偏置传入Elman网络模型;
步骤(6):循环执行步骤(5)和步骤(6),直到满足精度要求。
进一步的,所述步骤(1)中包含如下步骤:
步骤(1.1):随着变压器设备的持续运行,油色谱数据将会自更新写入并逐渐增多,越加丰富的样本数据可以大大提高预测的准确率。
步骤(1.2):样本数据包含H2、CH4、C2H2、C2H4、C2H6和CO2六种油色谱特征气体,后续可根据需求增减特征气体类型。
步骤(1.3):检查数据样本的完整性,如果数据有缺失,则取样本数据同种特征气体的所有数值的中位数进行填充。
步骤(1.4):将样本数据进行归一化处理,加快训练速度。
进一步的,所述步骤(2)中参数的设置,设置学习率为0.02,节点数为6,输入神经元个数为某种特征气体所有含量值的个数,然后根据样本计算并初始化权值和神经元偏置。
进一步的,所述步骤(3)中的Elman网络模型,其是一种典型的动态神经网络,有输入层、隐含层、承接层和输出层四层结构。其输入层、隐含层和输出层的连接类似于前馈网络;其输入层的单元只传输信号,输出层的单元具有线性加权的功能;其承接层又称为上下文层或状态层,用于记忆隐层的前一个时间步长输出,可以看作是一步时间延迟算子。
进一步的所述步骤(3)中的Elman网络模型,其隐含层激活函数为Sigmoid函数。
进一步的,所述步骤(4)(5)中的对比散度算法,它是最大似然法的近似算法,它可以加快梯度计算的收敛速度,同时每次更新的权值和神经元偏置将传入Elman网络模型,直到满足精度要求,停止迭代。
本发明所提供的技术法案可产生如下的有益效果:
运用在智能电网预测诊断领域,利用引入对比散度算法的Elman神经网络构建深度学习网络预测模型,通过收集并自更新变压器油色谱特征气体含量数据,将其为模型输入来预测即将产生的下一组特征气体含量数值。相较于传统的神经网络模型,本模型可以根据实际情况增减特征气体的类型,减少数据处理时大量繁杂的工作量,而且避免了传统BP神经网络收敛速度慢的问题,能更加快速而且准确的得到预测结果,为电站工作人员对变压器运行状态提供了可靠的依据,保障了整个电网的安全稳定。
附图说明
图1是本发明一种基于Elman神经网络的变压器油色谱特征气体的预测方法的流程图。
图2是残差学习块结构图。
具体实施方式
下面结合附图对本发明的实施过程进行详细的描述,但不应以此限制本发明的保护范围。
一种基于Elman神经网络的变压器油色谱特征气体的预测方法,步骤说明如下:
步骤1:收集并整理变压器油色谱特征气体历史数据作为训练样本。样本包含5000组数据,每组数据包含H2、CH4、C2H2、C2H4、C2H6和CO2六种特征气体,数据组成如下:
H2 | CH4 | C2H2 | C2H4 | C2H6 | CO<sub>2</sub> |
22.50 | 1.90 | 0.00 | 1.00 | 2.34 | 7.20 |
21.70 | 1.80 | 0.00 | 0.94 | 2.23 | 6.93 |
21.28 | 1.86 | 0.00 | 0.90 | 2.26 | 7.08 |
将样本数据进行归一化处理。归一化公式为:
其中xi为样本数据,yi为归一化后结果。将数据随机打乱顺序,拆分数据,前4500组为训练数据,后500组为预测数据。
需要说明的是,本发明所使用的样本数据并不是固定的,在后续的运行过程中,通过服务器远程获取变压器油色谱特征气体的含量数据进行预测,而采集到的数据将不断地写入到样本中,实现样本数据的自更新,保证了样本数据的丰富性,同时也使得预测的准确率逐步的提高。
步骤2:搭建Elman神经网络模型,将处理好的数据样本传入神经网络。本模型中根据数据结构生成Elman神经网络模型的参数,特征气体种类数作为输入层的输入节点,节点数为6,每种特征气体的数据量作为输入层的神经元神经元数为5000,其隐含层的的神经元个数为其中S为隐含层神经元个数,R为步骤(2)中输入神经元个数,N为节点数,ω为可调节系数,取值范围(1,6)。其隐含层激活函数为Sigmoid函数。设置精度为95%,判断经Elman神经网络模型预测得到的精度是否满足要求。Elman神经网络的非线性状态空间表达式为:
y(k)=g(w3x(k))
x(k)=f(w1xc(k)+w2(u(k-1)))
xc(k)=x(k-1)
其中,y为m维输出节点向量,x为n维隐含层节点单元向量,u为r维输入向量,xc为n维反馈状态向量,w3为隐含层到输出层链接权值,w2为输入层到隐含层的连接权值,w1为承接层到隐含层的连接权值,g()为输出神经元的传递函数,是隐含层输出的线性组合,f()为隐含层神经元的传递函数,即Sigmoid函数。
步骤3:当步骤(2)中的精度满足要求时,进行反归一化处理并输出预测结果;不满足精度要求时,对其利用对比散度算法进行权值和神经元偏置更新。本此处采取的对比散度算法公式为:
其中,f(x;θ)为算法模型,θ为模型参数,x1是MCMC的第1步转换,x0是输入训练集,α是Gradient Descent的步长。
步骤4:将更新好的权值和神经元偏置传入Elman神经网络模型,跳转执行步骤(2)直至满足精度要求,输出预测结果完成预测。
经过神经网络训练,本发明的预测准确率可以达到95%以上,而且随着样本数据的增加,准确率也将会变得更高。
本发明在Elman神经网络进行权值和神经元偏置更新时引入对比散度算法并应用在变压器油色谱预测诊断领域。相较于传统的方法,本发明可以加快计算速度,快速得出预测结果,有效的节约人力和时间成本,同时又能保证较高的准确率,提高电站的智能化程度,保障电站的平稳安全运行。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于Elman神经网络的变压器油色谱特征气体的预测方法,其特征在于,包括如下步骤:
步骤1:获取变压器油色谱特征气体的历史数据,作为训练样本进行归一化处理;
步骤2:搭建Elman神经网络模型:
根据训练初始化超参数,包括隐含层、节点数、学习率,并将超参数、权值和神经元偏置,一起传入Elman神经网络模型;
步骤3:判断经Elman网络模型输出的结果是否满足精度要求:
若满足,则进行反归一化处理输出预测结果;
若不满足,则利用对比散度算法更新层间权值和各层神经元偏置:
步骤4:将利用对比散度算法更新的权值和神经元偏置传入Elman经网络模型模型;
步骤5:循环执行步骤(4)和步骤(5),直到满足精度要求。
2.根据权利要求1所述的基于Elman神经网络的变压器油色谱特征气体的预测方法,其特征在于,所述的油色谱特征气体历史数据,随着时间推进,随着变压器设备的运行,新采集的数据将会自更新写入,丰富的样本数据可以大大提高预测的准确率。
3.根据权利要求1所述的基于Elman神经网络的变压器油色谱特征气体的预测方法,其特征在于,所述的油色谱特征气体历史样本数据包含H2、CH4、C2H2、C2H4、C2H6和CO2六种油色谱特征气体;同时检查数据,如果数据有缺失,则取样本数据同种特征气体的所有数值的中位数进行填充。
5.根据权利要求1所述的基于Elman神经网络的变压器油色谱特征气体的预测方法,其特征在于,所述的Elman神经网络模型,包括输入层、隐含层、承接层和输出层四层结构,其非线性状态空间表达式为:
y(k)=g(w3x(k))
x(k)=f(w1xc(k)+w2(u(k-1)))
xc(k)=x(k-1)
其中,y为m维输出节点向量,x为n维隐含层节点单元向量,u为r维输入向量,xc为n维反馈状态向量,w3为隐含层到输出层链接权值,w2为输入层到隐含层的连接权值,w1为承接层到隐含层的连接权值,g()为输出神经元的传递函数,是隐含层输出的线性组合,f()为隐含层神经元的传递函数,即Sigmoid函数,判断经Elman神经网络模型预测得到的精度是否满足要求。
7.根据权利要求5所述的基于Elman神经网络的变压器油色谱特征气体的预测方法,其特征在于,当输出满足精度要求时,进行反归一化处理并输出预测结果;不满足精度要求时,对其利用对比散度算法进行权值和神经元偏置更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211348918.6A CN115759185A (zh) | 2022-10-31 | 2022-10-31 | 基于Elman神经网络变压器油色谱特征气体的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211348918.6A CN115759185A (zh) | 2022-10-31 | 2022-10-31 | 基于Elman神经网络变压器油色谱特征气体的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759185A true CN115759185A (zh) | 2023-03-07 |
Family
ID=85355972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211348918.6A Pending CN115759185A (zh) | 2022-10-31 | 2022-10-31 | 基于Elman神经网络变压器油色谱特征气体的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759185A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529344A (zh) * | 2019-09-18 | 2021-03-19 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于Elman神经网络优化空气质量数值的算法 |
-
2022
- 2022-10-31 CN CN202211348918.6A patent/CN115759185A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529344A (zh) * | 2019-09-18 | 2021-03-19 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于Elman神经网络优化空气质量数值的算法 |
CN112529344B (zh) * | 2019-09-18 | 2023-09-05 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于Elman神经网络优化空气质量数值的算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496262B (zh) | 数据驱动的有源配电网异常状态感知方法及系统 | |
CN110501585B (zh) | 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 | |
CN108876054A (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
CN104897784A (zh) | 基于耦合隐马尔可夫模型的变压器故障诊断方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN104535865A (zh) | 基于多参数的电力变压器运行故障综合诊断方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN103177288A (zh) | 基于遗传算法优化神经网络的变压器故障诊断方法 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN115759185A (zh) | 基于Elman神经网络变压器油色谱特征气体的预测方法 | |
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 | |
CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN113553768B (zh) | 模型数据混合驱动的电网可靠性快速计算方法及装置 | |
CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN104732107A (zh) | 以介质参数为评估参量的变压器套管剩余寿命预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN116415724A (zh) | 一种光伏电站运维检修时间的预测方法及装置 | |
CN116263814A (zh) | 一种油浸式变压器故障诊断方法 | |
Yin et al. | Process decomposition and distributed fault detection of large-scale industrial processes | |
CN114118248A (zh) | 不平衡样本下基于宽度学习的电力变压器故障诊断方法 | |
Chai et al. | Production Forecast of Coalbed Methane Based on GA Optimized BP Neural Network |
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 |