CN116204794A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN116204794A
CN116204794A CN202310488171.2A CN202310488171A CN116204794A CN 116204794 A CN116204794 A CN 116204794A CN 202310488171 A CN202310488171 A CN 202310488171A CN 116204794 A CN116204794 A CN 116204794A
Authority
CN
China
Prior art keywords
transformer
white
whale
dissolved gas
bilstm
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
Application number
CN202310488171.2A
Other languages
English (en)
Other versions
CN116204794B (zh
Inventor
李帆
傅闽豪
童超
彭诗怡
华桦
汪庆年
梅宇聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Nanchang University
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Nanchang University
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Nanchang University, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310488171.2A priority Critical patent/CN116204794B/zh
Publication of CN116204794A publication Critical patent/CN116204794A/zh
Application granted granted Critical
Publication of CN116204794B publication Critical patent/CN116204794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了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，该方法通过采集变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷和变压器外部环境数据构成多维数据集；对多维数据集进行预处理；用预处理后的多维数据集训练BWO‑BiLSTM‑Attention组合模型，并用训练后的BWO‑BiLSTM‑Attention组合模型得到变压器油中溶解气体预测结果。本发明利用白鲸优化算法对BiLSTM‑Attention模型的6个超参数进行优化，提高了模型的泛化能力，本发明通过对变压器油中溶解气体含量的预测，便于及时发现变压器的潜在问题。

Description

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
技术领域
本发明涉及变压器技术领域，尤其涉及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。
背景技术
变压器是电力系统中的重要设备，其运行状态直接影响电力系统的安全和稳定。变压器在运行过程中，由于各种原因，可能会发生过热、放电、短路等故障，导致油和绝缘材料的分解，产生不同种类和含量的气体，这些气体溶解在变压器油中，形成油中溶解气体（DGA），包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、总烃等。变压器油中溶解气体含量是反映变压器运行状态和故障类型的重要指标，通过对变压器油中溶解气体含量的预测，可以对变压器内部的故障进行诊断和预测，可以及时发现变压器的潜在缺陷，从而实现变压器的状态监测和维护，提高变压器的安全性和可靠性。
目前，常用的变压器油中溶解气体预测方法主要有统计学方法、机器学习、深度学习方法等，这些方法虽然取得了一定的效果，但也存在一些局限性，统计学方法包括马尔可夫模型、模糊隶属函数、差分自回归移动平均模型(ARIMA)等统计学方法对数据的线性假设较强。机器学习方法包括随机森林模型、灰色模型、支持向量机等，深度学习方法包括双向长短期记忆网络（BiLSTM）、门控循环单元神经网络（GRU）、长短期记忆网络（LSTM）等，上述变压器油中溶解气体预测方法对参数的选择敏感，且难以处理时序数据的长期依赖关系。同时，目前常用的变压器油中溶解气体预测方法大多数只考虑了油中溶解气体的历史数据，没有考虑变压器顶层油温、变压器负荷、外部环境温度、湿度、风向和海拔高度等数据。
发明内容
鉴于此，本发明的目的在于提供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，用于及时发现变压器的潜在缺陷，实现变压器的状态监测和维护，提高变压器的安全性和可靠性，为变压器在线状态监测技术人员提供技术参考。
为实现上述目的，本发明提供如下技术方案：一种考虑多维数据的变压器油中溶解气体预测方法，包括以下步骤：
步骤S1、采集变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷和变压器外部环境数据构成多维数据集；
步骤S2、对多维数据集进行预处理；
步骤S3、用预处理后的多维数据集训练BWO-BiLSTM-Attention组合模型，并用训练后的BWO-BiLSTM-Attention组合模型得到变压器油中溶解气体预测结果；BWO-BiLSTM-Attention组合模型由三个部分组成，分别是白鲸优化算法（Beluga whale optimization，BWO）、双向长短期记忆网络（BiLSTM）和注意力机制（Attention）；白鲸优化算法优化BiLSTM-Attention模型的超参数，BiLSTM用于捕捉多维数据的时序特征和非线性关系，注意力机制（Attention）用于增强BiLSTM的输出层对重要信息的关注程度；所述白鲸优化算法包含探索、开发和鲸落三个阶段，依次对应白鲸成对游泳、捕食和鲸落的行为；开发阶段引入了Levy飞行策略函数。
进一步优选，变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷通过在线监测装置传输的数据获得，变压器外部环境数据包括温度、湿度、风向和海拔高度，变压器外部环境数据通过气象数据获取或通过环境监测装置获取。
进一步优选，对多维数据集进行预处理包括对多维数据集进行清洗、归一化、插值、降维操作；并将多维数据集按照时间顺序划分为训练集和测试集，训练集和测试集分别用于BWO-BiLSTM-Attention组合模型的训练和评估。
进一步优选，利用白鲸优化算法（BWO）对BiLSTM-Attention模型的超参数进行优化，超参数包括学习率、训练次数、批尺寸、隐含层1的层数、隐含层2的层数、全连接层的层数，以提高模型的预测精度。
进一步优选，将归一化后的训练集输入到BiLSTM-Attention模型中，利用双向长短期记忆网络（BiLSTM）捕捉多维数据的时序特征和非线性关系，利用注意力机制（Attention）增强历史数据和多维数据的关键信息，输出油中溶解气体的预测值；将归一化后的测试集输入到优化后的BiLSTM-Attention模型中，得到油中溶解气体的预测值，并将其反归一化，与真实值进行对比并计算BiLSTM-Attention模型的评价指标。
进一步优选，在白鲸优化算法以群体为种群的基础上，将白鲸当作搜寻代理，而每条白鲸都是一个候选解决方案，在优化过程中根据最优化的结果不断地进行更新；白鲸种群X表示为:
Figure SMS_1
式中：
Figure SMS_2
表示白鲸的个数，/>
Figure SMS_3
表示白鲸的候选解维数，/>
Figure SMS_4
表示第n条白鲸的d维候选解；对于所有白鲸，相应的适合度值被保存在适合度矩阵FX中：
Figure SMS_5
式中：
Figure SMS_6
表示第n条白鲸的适合度函数；
白鲸优化算法根据平衡因子
Figure SMS_7
从探索阶段过渡到开发阶段；
Figure SMS_8
式中：T是当前迭代次数，
Figure SMS_9
是最大迭代次数，/>
Figure SMS_10
为初始平衡因子，在迭代时的取值范围为[0,1]；/>
Figure SMS_11
时为白鲸探索阶段，/>
Figure SMS_12
为白鲸开发阶段；随着迭代次数增加，平衡因子/>
Figure SMS_13
的范围从[0,1]变成[0,0.5]，即随着迭代次数增加，白鲸开发阶段的概率也随之增加；
探索阶段参考白鲸的成对游泳行为，此时，白鲸的位置更新模型为：
Figure SMS_14
式中：
Figure SMS_16
是第 T+1次迭代时第i条白鲸在j维的位置，pj是从d维中选取的随机数，/>
Figure SMS_18
是第 T次迭代时第i条白鲸在/>
Figure SMS_20
维的位置，/>
Figure SMS_17
是第 T次迭代时第r条白鲸在p1维的位置，r为随机选取的白鲸，/>
Figure SMS_19
、/>
Figure SMS_21
为随机算子，取值范围为（0,1）；/>
Figure SMS_22
表示镜像白鲸的鳍朝向水面的，/>
Figure SMS_15
表示镜像白鲸的鳍不朝向水面；
探索阶段参考白鲸的捕食行为，白鲸通过分享彼此的位置信息合作觅食和移动，同时考虑最佳候选解和其他解；开发阶段引入了Levy飞行策略函数，开发阶段的数学模型为：
Figure SMS_23
Figure SMS_24
式中：
Figure SMS_25
分别表示第 T次迭代时第i条白鲸和第r条白鲸的位置，/>
Figure SMS_26
表示第 T+1次迭代时第i头白鲸的位置，/>
Figure SMS_27
代表第 T+1次迭代时白鲸中的最优位置，/>
Figure SMS_28
、/>
Figure SMS_29
为随机算子，取值范围也为（0,1），/>
Figure SMS_30
表示随机跳跃强度；
Figure SMS_31
为Levy飞行策略函数，表达式如下：
Figure SMS_32
Figure SMS_33
式中：
Figure SMS_34
、/>
Figure SMS_35
为正态分布随机数，/>
Figure SMS_36
为Levy飞行参数，/>
Figure SMS_37
为常数，/>
Figure SMS_38
表示伽玛函数；
为保证白鲸种群数量不变，利用白鲸的位置和鲸落步长更新位置，其模型表示为：
Figure SMS_39
式中：
Figure SMS_40
为随机算子，取值范围为（0,1）；
Figure SMS_41
/>
式中：
Figure SMS_42
表示鲸落步长，/>
Figure SMS_43
表示阶跃因子，/>
Figure SMS_44
表示鲸落概率，/>
Figure SMS_45
分别表示变量的上下边界。
本发明提供一种考虑多维数据的变压器油中溶解气体预测系统，包括数据采集单元、数据预处理单元、组合预测模型单元、预测输出单元；数据采集单元采集变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷、外部环境温度、湿度、风向和海拔高度数据；数据预处理单元对采集到的多维数据进行清洗、归一化、插值、降维操作，并划分多维数据为训练集与测试集；组合预测模型单元包括白鲸算法优化模块BiLSTM-Attention模型，白鲸优化算法模块用于优化BiLSTM-Attention模型的参数；预测输出单元根据组合预测模型单元的输出结果，计算溶解气体的含量和趋势，并与实际值进行比较，评估预测的准确性和稳定性，并对变压器的运行状态和故障风险进行判断和报警。
与现有技术相比，本发明有益效果：
1) 在BiLSTM模型基础上，引入注意力机制能够给油中溶解气体各组成成分赋予不同的权重，从而提高模型对变压器油中溶解气体含量预测的性能和准确性；
2) 由于BiLSTM-Attention模型的超参数难以确定，只依靠经验判断难以找到最优超参数，故引入BWO优化算法对BiLSTM-Attention模型的超参数寻优；
3)目前常用的变压器油中溶解气体预测方法大多数只考虑了油中溶解气体的历史数据，没有考虑变压器顶层油温、变压器负荷、外部环境温度、湿度、风向和海拔高度等数据，这些数据对变压器油中溶解气体的含量和趋势有重要的影响，因此，忽略这些数据会导致预测结果的不准确和不可靠。本发明通过多维数据融合预测能够提高变压器油中溶解气体预测方法的精度和效率。
附图说明
为了更清晰地描述本发明的技术方案，下面简要介绍了本发明实施所需使用的附图。需要指出的是，下面的附图仅为本发明的一些实施例，对于本领域的技术人员而言，不需要进行创造性的劳动即可根据这些附图获得其他的附图。请注意，本发明不仅限于下面所示的附图。
图1为本发明的方法流程图。
图2为适应度曲线图。
图3为超参数曲线图。
具体实施方式
下面结合实施例中的附图对本发明做进一步的描述，有必要在此指出的是以下实施例只是用于对本发明进行进一步的说明，不能理解为对本发明保护范围的限制，该领域的技术熟练人员根据上述发明内容所做出的一些非本质的改进和调整，仍属于本发明保护范围。
参照图1，本实施例的一种考虑多维数据的变压器油中溶解气体预测方法，包括以下步骤：
步骤S1、采集变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷和变压器外部环境数据构成多维数据集；变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷可以通过在线监测装置传输的数据获得，变压器外部环境数据包括温度、湿度、风向和海拔高度等，变压器外部环境数据可以通过气象数据获取，也可通过环境监测装置获取。
步骤S2、对多维数据集进行预处理。对多维数据集进行清洗、归一化、插值、降维等操作，以消除噪声、缺失值、异常值和冗余信息，提高数据的质量和可用性；然后将多维数据集按照时间顺序划分为训练集和测试集，分别用于BWO-BiLSTM-Attention组合模型的训练和评估。
步骤S3、用预处理后的多维数据集训练BWO-BiLSTM-Attention组合模型，并用训练后的BWO-BiLSTM-Attention组合模型得到变压器油中溶解气体预测结果；BWO-BiLSTM-Attention组合模型由三个部分组成，分别是白鲸优化算法（Beluga whale optimization，BWO）、双向长短期记忆网络（BiLSTM）和注意力机制（Attention）；白鲸优化算法优化BiLSTM-Attention模型的超参数，BiLSTM用于捕捉多维数据的时序特征和非线性关系，注意力机制（Attention）用于增强BiLSTM的输出层对重要信息的关注程度。
BWO-BiLSTM-Attention组合模型，利用白鲸优化算法（BWO）对BiLSTM-Attention模型的超参数进行优化，包括学习率、训练次数、批尺寸、隐含层1的层数、隐含层2的层数、全连接层的层数，以提高模型的预测精度。将归一化后的训练集输入到BiLSTM-Attention模型中，利用双向长短期记忆网络（BiLSTM）捕捉多维数据的时序特征和非线性关系，利用注意力机制（Attention）增强历史数据和多维数据的关键信息，输出油中溶解气体的预测值。将归一化后的测试集输入到优化后的BiLSTM-Attention模型中，得到油中溶解气体的预测值，并将其反归一化，与真实值进行对比并计算BiLSTM-Attention模型的评价指标。
白鲸优化算法（BWO）包含探索、开发和鲸落三个阶段，依次对应白鲸成对游泳、捕食和鲸落的行为。白鲸优化算法中的平衡因子和鲸落概率是自适应的，对控制探索和开发的能力起着重要作用。此外，为了提高开发阶段的全局收敛性，引入了Levy飞行策略函数。
在白鲸优化算法以群体为种群的基础上，将白鲸当作搜寻代理，而每条白鲸都是一个候选解决方案，在优化过程中根据最优化的结果不断地进行更新。白鲸种群X表示为：
Figure SMS_46
式中：n表示白鲸的个数，d表示白鲸的候选解维数，
Figure SMS_47
表示第n条白鲸的d维候选解。对于所有白鲸，相应的适合度值被保存在适合度矩阵FX中：
Figure SMS_48
式中：
Figure SMS_49
表示第n条白鲸的适合度函数；
白鲸优化算法可以根据平衡因子
Figure SMS_50
从探索阶段过渡到开发阶段；/>
Figure SMS_51
式中：
Figure SMS_52
是当前迭代次数，/>
Figure SMS_53
是最大迭代次数，/>
Figure SMS_54
为初始平衡因子，在迭代时的取值范围为[0,1]。/>
Figure SMS_55
时为白鲸探索阶段，/>
Figure SMS_56
为白鲸开发阶段。随着迭代次数增加，平衡因子/>
Figure SMS_57
的范围从[0,1]变成[0,0.5]，即随着迭代次数增加，白鲸开发阶段的概率也随之增加。
探索阶段参考白鲸的成对游泳行为，此时，白鲸的位置更新模型为：
Figure SMS_58
式中：
Figure SMS_60
是第 T+1次迭代时第i条白鲸在j维的位置，/>
Figure SMS_62
是从d维中选取的随机数，/>
Figure SMS_64
是第 T次迭代时第i条白鲸在/>
Figure SMS_61
维的位置，/>
Figure SMS_63
是第 T次迭代时第r条白鲸在p1维的位置，r为随机选取的白鲸，/>
Figure SMS_65
为随机算子，取值范围为（0,1），在探索阶段用于增强随机算子。/>
Figure SMS_66
表示镜像白鲸的鳍朝向水面的，/>
Figure SMS_59
表示镜像白鲸的鳍不朝向水面。根据奇数和偶数选择的维度，更新的位置反映了白鲸在游泳或潜水时的同步或镜像行为。
探索阶段参考白鲸的捕食行为，白鲸通过分享彼此的位置信息合作觅食和移动，同时考虑最佳候选解和其他解。此外，为了提高开发阶段的全局收敛性，引入了Levy飞行策略函数，开发阶段的数学模型为：
Figure SMS_67
Figure SMS_68
式中：
Figure SMS_69
分别表示第 T次迭代时第i条白鲸和第r条白鲸的位置，/>
Figure SMS_70
表示第 T+1次迭代时第i头白鲸的位置，/>
Figure SMS_71
代表第 T+1次迭代时白鲸中的最优位置，/>
Figure SMS_72
为随机算子，取值范围也为（0,1），/>
Figure SMS_73
表示随机跳跃强度，用来测量Levy飞行强度。
Figure SMS_74
为Levy飞行策略函数，表达式如下：
Figure SMS_75
Figure SMS_76
（8）
式中：
Figure SMS_77
、/>
Figure SMS_78
为正态分布随机数，/>
Figure SMS_79
为Levy飞行参数，/>
Figure SMS_80
为常数，取1.5，/>
Figure SMS_81
表示伽玛函数。
在迁徙和觅食的过程中，白鲸会受到来自其他生物的威胁。小部分白鲸遭受威胁后没有存活下来，沉入海底，这种现象被生物学家称为“鲸落”。
为了模拟白鲸的鲸落现象，我们选择一条白鲸的鲸落概率作为主观假设来模拟种群的细微变化。我们认为这些白鲸要么移动，要么鲸落。为保证白鲸种群数量不变，利用白鲸的位置和鲸落步长更新位置，其模型表示为：
Figure SMS_82
式中：
Figure SMS_83
为随机算子，取值范围为（0,1）。
Figure SMS_84
式中：
Figure SMS_85
表示鲸落步长，/>
Figure SMS_86
表示阶跃因子，/>
Figure SMS_87
表示鲸落概率，/>
Figure SMS_88
分别表示变量的上下边界。
BWO-BiLSTM-Attention组合模型可以分为BWO部分，BiLSTM-Attention部分以及数据处理部分。白鲸算法是一种基于群体智能的优化算法，它模拟了白鲸在自然界中的行为，通过不断更新白鲸的位置和步长，寻找全局最优解。BiLSTM-Attention部分是一种利用双向长短期记忆网络和注意力机制的深度学习模型，它能够有效地处理序列数据，提取特征，并关注重要的信息。综上，本发明提出了一种多维数据融合的BWO-BiLSTM-Attention组合模型的方法，用于预测变压器油中溶解气体的含量。变压器油中溶解气体的含量是变压器运行状态的重要指标，能够反映变压器内部是否存在故障。首先对变压器油中溶解气体的数据进行预处理，然后使用白鲸算法优化BiLSTM-Attention组合模型的超参数，包括学习率、训练次数、批尺寸、隐含层1的层数、隐含层2的层数、全连接层的层数。最后使用优化后的模型进行预测，并与其他模型进行对比。
由于各序列数据之间的量纲差异、对模型训练的影响程度不相同，同时为了改善模型的收敛速度和稳定性，需要对数据进行归一化处理，本发明选用z-score归一化，公式为：
Figure SMS_89
式中：
Figure SMS_90
为数据归一化后的值，/>
Figure SMS_91
为原始样本数据，/>
Figure SMS_92
和/>
Figure SMS_93
分别为原始样本数据的均值和标准差。
一般可以通过历史时间的数据来预测未来的数据，比如将训练集与测试集的比例设置为8:2，即表示用前1440个小时（60天）的数据来预测未来360个小时（15天）的数据，本发明选用的数据采集间隔为1小时。
根据国家电网有限公司企标《Q∕GDW 10536-2021变压器油中溶解气体在线监测装置技术规范》中特高压站（含±800kV及以上换流站）变压器（电抗器）油中溶解气体在线监测装置阈值分注意值1、注意值2和告警值三种，包括乙炔、氢气和总烃等特征气体含量、特高压变压器（电抗器）装置阈值具体要求参见表1。
表1特高压变压器（电抗器）油中溶解气体在线监测装置阈值
Figure SMS_94
本发明选用某特高压换流站某换流变A相的油中溶解气体2023年1月1日到2023-3月26日的在线监测数据及变压器顶层油温、变压器负荷、外部环境温度、湿度、风向和海拔高度等数据，来验证本发明的实用性和创造性。
BWO-BiLSTM-Attention组合模型的超参数的适应度曲线随着优化次数的增加而降低，最后逐渐稳定，如图2。此时，BWO-BiLSTM-Attention组合模型的最优超参数为，
Figure SMS_95
，6个超参数的曲线如图3所示。
为了更好的衡量本发明的性能和效果，选用平均百分比误差MAPE,均方根误差RMSE，平均绝对误差MAE，决定系数
Figure SMS_96
和预测精度/>
Figure SMS_97
对模型进行评价。
Figure SMS_98
式中：N为样本个数，
Figure SMS_99
表示油中溶解气体真实值和预测值，/>
Figure SMS_100
表示其真实值的平均值。当MAPE、RMSE和MAE越小时，/>
Figure SMS_101
、/>
Figure SMS_102
越大时表明本发明的预测结果更精准，拟合效果越好。
具体的，以总烃气体为例，为了验证本发明的准确性和优越性，使用BP神经网络，LSTM、BiLSTM、BiLSTM-Attention、WOA-BiLSTM-Attention共5种网络模型与BWO-BiLSTM-Attention组合模型分别对特高压换流变油中溶解气体的总烃含量进行预测。本发明提出的基于多维数据融合的BWO-BiLSTM-Attention组合模型平均百分比误差仅为0.0059,均方根误差低至
Figure SMS_103
，平均绝对误差低至/>
Figure SMS_104
，拟合程度/>
Figure SMS_105
高达99.77%和预测精度高达99.41%。本发明的模型与各模型评价指标对比如下：/>
Figure SMS_106
本发明的BWO-BiLSTM-Attention组合模型的拟合程度
Figure SMS_107
和预测精度相较于BP神经网络分别提升18.70%、4.31%，相较于LSTM模型分别提升9.19%、1.95%，相较于BiLSTM模型分别提升5.94%、1.72%，相较于BiLSTM-Attention模型分别提升5.26%、1.56%，相较于WOA-BiLSTM-Attention模型分别提升0.07%、0.06%。综上，本发明提出的BWO-BiLSTM-Attention组合模型对比其他5种模型，效果最好，拟合程度最高，精度最高，表明该模型能够准确预测变压器油中溶解气体含量。
本实施例提供一种考虑多维数据的变压器油中溶解气体预测系统，包括数据采集单元、数据预处理单元、组合预测模型单元、预测输出单元；数据采集单元采集变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷、外部环境温度、湿度、风向和海拔高度数据；数据预处理单元对采集到的多维数据进行清洗、归一化、插值、降维操作，并划分多维数据为训练集与测试集；组合预测模型单元包括白鲸算法优化模块BiLSTM-Attention模型，白鲸优化算法模块用于优化BiLSTM-Attention模型的参数；预测输出单元根据组合预测模型单元的输出结果，计算溶解气体的含量和趋势，并与实际值进行比较，评估预测的准确性和稳定性，并对变压器的运行状态和故障风险进行判断和报警。
本发明提出了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。首先，将变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷、外部环境温度、湿度、风向和海拔高度等数据输入BiLSTM网络，利用BiLSTM网络结构捕捉数据的时序特征，得到每个时间步的隐状态向量。接着，使用注意力机制（Attention）对隐状态向量进行加权求和，得到一个全局表示向量，该向量能够反映数据的重要特征和关系。最后利用白鲸优化算法对BiLSTM-Attention模型的6个超参数进行优化，包括学习率、训练次数、批尺寸、隐含层1的层数、隐含层2的层数、全连接层的层数，以提高模型的泛化能力，该方法通过对变压器油中溶解气体含量的预测，可以及时发现变压器的潜在问题，采取相应的措施，避免事故的发生，提高变压器的可靠性和安全性。
以上描述的只是本发明的最佳实施方案，但不是对本发明其他实施方案的限制，熟悉该技术的专业人员可以使用上面公开的内容将其修改成等效的实施例。然而，在不背离本发明技术方案的内容的情况下，上述实施方式的任何简单的修改、替换和简化都应在本发明技术方案的保护范围之内。

Claims (7)

1.一种考虑多维数据的变压器油中溶解气体预测方法，其特征在于，包括以下步骤：
步骤S1、采集变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷和变压器外部环境数据构成多维数据集；
步骤S2、对多维数据集进行预处理；
步骤S3、用预处理后的多维数据集训练BWO-BiLSTM-Attention组合模型，并用训练后的BWO-BiLSTM-Attention组合模型得到变压器油中溶解气体预测结果；BWO-BiLSTM-Attention组合模型由三个部分组成，分别是白鲸优化算法、双向长短期记忆网络和注意力机制；白鲸优化算法优化BiLSTM-Attention模型的超参数，BiLSTM用于捕捉多维数据的时序特征和非线性关系，注意力机制用于增强BiLSTM的输出层对重要信息的关注程度；所述白鲸优化算法包含探索、开发和鲸落三个阶段，依次对应白鲸成对游泳、捕食和鲸落的行为；开发阶段引入了Levy飞行策略函数。
2.根据权利要求1所述的考虑多维数据的变压器油中溶解气体预测方法，其特征在于，变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷通过在线监测装置传输的数据获得，变压器外部环境数据包括温度、湿度、风向和海拔高度，变压器外部环境数据通过气象数据获取或通过环境监测装置获取。
3.根据权利要求2所述的考虑多维数据的变压器油中溶解气体预测方法，其特征在于，对多维数据集进行预处理包括对多维数据集进行清洗、归一化、插值、降维操作；并将多维数据集按照时间顺序划分为训练集和测试集，训练集和测试集分别用于BWO-BiLSTM-Attention组合模型的训练和评估。
4.根据权利要求3所述的考虑多维数据的变压器油中溶解气体预测方法，其特征在于，利用白鲸优化算法对BiLSTM-Attention模型的超参数进行优化，超参数包括学习率、训练次数、批尺寸、隐含层1的层数、隐含层2的层数、全连接层的层数。
5.根据权利要求4所述的考虑多维数据的变压器油中溶解气体预测方法，其特征在于，将归一化后的训练集输入到BiLSTM-Attention模型中，利用双向长短期记忆网络捕捉多维数据的时序特征和非线性关系，利用注意力机制增强历史数据和多维数据的关键信息，输出油中溶解气体的预测值；将归一化后的测试集输入到优化后的BiLSTM-Attention模型中，得到油中溶解气体的预测值，并将其反归一化，与真实值进行对比并计算BiLSTM-Attention模型的评价指标。
6.根据权利要求5所述的考虑多维数据的变压器油中溶解气体预测方法，其特征在于，在白鲸优化算法以群体为种群的基础上，将白鲸当作搜寻代理，而每条白鲸都是一个候选解决方案，在优化过程中根据最优化的结果不断地进行更新；白鲸种群X表示为:
Figure QLYQS_1
（1）
式中：
Figure QLYQS_2
表示白鲸的个数，/>
Figure QLYQS_3
表示白鲸的候选解维数，/>
Figure QLYQS_4
表示第n条白鲸的d维候选解；对于所有白鲸，相应的适合度值被保存在适合度矩阵FX中：/>
Figure QLYQS_5
（2）
式中：
Figure QLYQS_6
表示第n条白鲸的适合度函数；
白鲸优化算法根据平衡因子
Figure QLYQS_7
从探索阶段过渡到开发阶段；
Figure QLYQS_8
（3）
式中：
Figure QLYQS_9
是当前迭代次数，/>
Figure QLYQS_10
是最大迭代次数，/>
Figure QLYQS_11
为初始平衡因子，在迭代时的取值范围为[0,1]；/>
Figure QLYQS_12
时为白鲸探索阶段，/>
Figure QLYQS_13
为白鲸开发阶段；随着迭代次数增加，平衡因子/>
Figure QLYQS_14
的范围从[0,1]变成[0,0.5]，即随着迭代次数增加，白鲸开发阶段的概率也随之增加；
探索阶段参考白鲸的成对游泳行为，此时，白鲸的位置更新模型为：
Figure QLYQS_15
（4）
式中：
Figure QLYQS_18
是第 T+1次迭代时第/>
Figure QLYQS_22
条白鲸在/>
Figure QLYQS_26
维的位置，/>
Figure QLYQS_19
是从/>
Figure QLYQS_23
维中选取的随机数，/>
Figure QLYQS_27
是第 T次迭代时第/>
Figure QLYQS_30
条白鲸在/>
Figure QLYQS_16
维的位置，/>
Figure QLYQS_20
是第 T次迭代时第/>
Figure QLYQS_24
条白鲸在p1维的位置，/>
Figure QLYQS_28
为随机选取的白鲸，/>
Figure QLYQS_17
、/>
Figure QLYQS_21
为随机算子，取值范围为（0,1）；/>
Figure QLYQS_25
表示镜像白鲸的鳍朝向水面的，/>
Figure QLYQS_29
表示镜像白鲸的鳍不朝向水面；
探索阶段参考白鲸的捕食行为，白鲸通过分享彼此的位置信息合作觅食和移动，同时考虑最佳候选解和其他解；开发阶段引入了Levy飞行策略函数，开发阶段的数学模型为：
Figure QLYQS_31
（5）
Figure QLYQS_32
（6）
式中：
Figure QLYQS_35
分别表示第 T次迭代时第/>
Figure QLYQS_37
条白鲸和第r条白鲸的位置，/>
Figure QLYQS_40
表示第 T+1次迭代时第/>
Figure QLYQS_34
头白鲸的位置，/>
Figure QLYQS_36
代表第 T+1次迭代时白鲸中的最优位置，/>
Figure QLYQS_38
、/>
Figure QLYQS_39
为随机算子，取值范围也为（0,1），/>
Figure QLYQS_33
表示随机跳跃强度；
Figure QLYQS_41
为Levy飞行策略函数，表达式如下：
Figure QLYQS_42
（7）
Figure QLYQS_43
（8）
式中：
Figure QLYQS_44
、/>
Figure QLYQS_45
为正态分布随机数，/>
Figure QLYQS_46
为Levy飞行参数，/>
Figure QLYQS_47
为常数，/>
Figure QLYQS_48
表示伽玛函数；
为保证白鲸种群数量不变，利用白鲸的位置和鲸落步长更新位置，其模型表示为：
Figure QLYQS_49
（9）
式中：
Figure QLYQS_50
、/>
Figure QLYQS_51
、/>
Figure QLYQS_52
为随机算子，取值范围为（0,1）；
Figure QLYQS_53
（10）/>
Figure QLYQS_54
（11）
Figure QLYQS_55
（12）
式中：
Figure QLYQS_56
表示鲸落步长，/>
Figure QLYQS_57
表示阶跃因子，/>
Figure QLYQS_58
表示鲸落概率，/>
Figure QLYQS_59
、/>
Figure QLYQS_60
分别表示变量的上下边界。
7.一种考虑多维数据的变压器油中溶解气体预测系统，用于执行权利要求1-6任意一项所述的考虑多维数据的变压器油中溶解气体预测方法，其特征在于，包括数据采集单元、数据预处理单元、组合预测模型单元、预测输出单元；数据采集单元采集变压器油中溶解气体的历史数据、变压器顶层油温、变压器负荷、外部环境温度、湿度、风向和海拔高度数据；数据预处理单元对采集到的多维数据进行清洗、归一化、插值、降维操作，并划分多维数据为训练集与测试集；组合预测模型单元包括白鲸算法优化模块和BiLSTM-Attention模型，白鲸优化算法模块用于优化BiLSTM-Attention模型的参数；预测输出单元根据组合预测模型单元的输出结果，计算溶解气体的含量和趋势，并与实际值进行比较，评估预测的准确性和稳定性，并对变压器的运行状态和故障风险进行判断和报警。
CN202310488171.2A 2023-05-04 2023-05-04 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 Active CN116204794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310488171.2A CN116204794B (zh) 2023-05-04 2023-05-04 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310488171.2A CN116204794B (zh) 2023-05-04 2023-05-04 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

Publications (2)

Publication Number Publication Date
CN116204794A true CN116204794A (zh) 2023-06-02
CN116204794B CN116204794B (zh) 2023-09-12

Family

ID=86509780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310488171.2A Active CN116204794B (zh) 2023-05-04 2023-05-04 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

Country Status (1)

Country Link
CN (1) CN116204794B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976030A (zh) * 2023-08-03 2023-10-31 西南科技大学 一种航空发动机燃烧室旋流器优化设计方法
CN117091648A (zh) * 2023-07-27 2023-11-21 石家庄铁道大学 一种空地一体施工生态环境监测装置及可视化处理方法
CN117312926A (zh) * 2023-11-28 2023-12-29 沧州经济开发区武理工京津冀协同产业科技研究院 一种变压器故障预测的方法、装置、电子设备及介质
CN117822371A (zh) * 2024-03-05 2024-04-05 中国电建集团昆明勘测设计研究院有限公司 一种道路的防结冰方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228024A (zh) * 2016-08-03 2016-12-14 国网山东省电力公司电力科学研究院 一种针对油色谱在线监测数据的多视图协同可视分析方法
CN107664690A (zh) * 2017-07-28 2018-02-06 国网信通亿力科技有限责任公司 一种预测变压器油中溶解气体浓度的方法
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
US20210089900A1 (en) * 2019-09-20 2021-03-25 Wuhan University Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm
US20210350050A1 (en) * 2020-05-06 2021-11-11 Wuhan University Method and system for predicting gas content in transformer oil based on joint model
CN114065649A (zh) * 2021-11-25 2022-02-18 国网湖南省电力有限公司 一种配电变压器顶层油温短期预测方法及预测系统
CN114418166A (zh) * 2021-12-03 2022-04-29 国网上海市电力公司 一种变压器油中的溶解气体浓度预测方法、装置及介质
CN115062750A (zh) * 2022-06-16 2022-09-16 合肥学院 一种动态进化鲸鱼优化算法的化合物水溶性预测方法
CN115964932A (zh) * 2022-11-22 2023-04-14 辽宁东科电力有限公司 基于EMD-BiLSTM-Attention机制变压器数字孪生模型的气体预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228024A (zh) * 2016-08-03 2016-12-14 国网山东省电力公司电力科学研究院 一种针对油色谱在线监测数据的多视图协同可视分析方法
CN107664690A (zh) * 2017-07-28 2018-02-06 国网信通亿力科技有限责任公司 一种预测变压器油中溶解气体浓度的方法
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
US20210089900A1 (en) * 2019-09-20 2021-03-25 Wuhan University Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm
US20210350050A1 (en) * 2020-05-06 2021-11-11 Wuhan University Method and system for predicting gas content in transformer oil based on joint model
CN114065649A (zh) * 2021-11-25 2022-02-18 国网湖南省电力有限公司 一种配电变压器顶层油温短期预测方法及预测系统
CN114418166A (zh) * 2021-12-03 2022-04-29 国网上海市电力公司 一种变压器油中的溶解气体浓度预测方法、装置及介质
CN115062750A (zh) * 2022-06-16 2022-09-16 合肥学院 一种动态进化鲸鱼优化算法的化合物水溶性预测方法
CN115964932A (zh) * 2022-11-22 2023-04-14 辽宁东科电力有限公司 基于EMD-BiLSTM-Attention机制变压器数字孪生模型的气体预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHANGTING ZHONG,ET AL: "Beluga whale optimization: A novel nature-inspired metaheuristic algorithm", 《KNOWLEDGE-BASED SYSTEMS》, vol. 251, pages 1 - 23 *
HUO-CHING SUN，ET AL: "A Review of Dissolved Gas Analysis in Power Transformers", 《ENERGY PROCEDIA》, vol. 14, pages 1220 - 1225, XP028466740, DOI: 10.1016/j.egypro.2011.12.1079 *
童超 等: "油色谱在线监测装置异常情况及特征分析", 《江西电力》, vol. 46, no. 02, pages 31 - 34 *
蔡海良 等: "基于BWO-ELM算法与VR-GIS技术的电力光缆故障诊断及定位研究", 《计算机测量与控制》, vol. 30, no. 12, pages 98 - 104 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117091648A (zh) * 2023-07-27 2023-11-21 石家庄铁道大学 一种空地一体施工生态环境监测装置及可视化处理方法
CN116976030A (zh) * 2023-08-03 2023-10-31 西南科技大学 一种航空发动机燃烧室旋流器优化设计方法
CN117312926A (zh) * 2023-11-28 2023-12-29 沧州经济开发区武理工京津冀协同产业科技研究院 一种变压器故障预测的方法、装置、电子设备及介质
CN117822371A (zh) * 2024-03-05 2024-04-05 中国电建集团昆明勘测设计研究院有限公司 一种道路的防结冰方法、装置、设备及存储介质
CN117822371B (zh) * 2024-03-05 2024-06-04 中国电建集团昆明勘测设计研究院有限公司 一种道路的防结冰方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116204794B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN116204794B (zh) 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
CN111798051A (zh) 基于长短期记忆神经网络的空气质量时空预测方法
Oswal Predicting rainfall using machine learning techniques
Dragomir Air quality index prediction using K-nearest neighbor technique
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
Lv et al. Towards carbon Neutrality: Prediction of wave energy based on improved GRU in Maritime transportation
CN114707422A (zh) 一种基于负荷预测的智能电力缉查方法
CN111697560A (zh) 一种基于lstm预测电力系统负荷的方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN117452287A (zh) 一种基于溶解气体样本集成的so-svm变压器故障诊断方法
CN117150383A (zh) 一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法
CN112801344A (zh) 基于dpsir模型的海岸带生态系统健康预测方法、电子设备及计算机可读介质
CN115481788B (zh) 相变储能系统负荷预测方法及系统
Nababan et al. Air quality prediction based on air pollution emissions in the city environment using xgboost with smote
CN116500480A (zh) 一种基于特征迁移学习混合模型的智能电池健康监测方法
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
Wang et al. Prediction of air particulate matter in Beijing, China, based on the improved particle swarm optimization algorithm and long short-term memory neural network
CN115310355A (zh) 考虑多能耦合的综合能源系统多元负荷预测方法及系统
Sun et al. Short-Term Exhaust Gas Temperature Trend Prediction of a Marine Diesel Engine Based on an Improved Slime Mold Algorithm-Optimized Bidirectional Long Short-Term Memory—Temporal Pattern Attention Ensemble Model
CN117829822B (zh) 一种电力变压器故障预警方法及系统
CN116187206B (zh) 一种基于生成对抗网络的cod光谱数据迁移方法
CN117833243B (zh) 一种电力短期需求预测方法、系统、设备及介质
Li Construction of Transformer Fault Diagnosis and Prediction Model Based on Deep Learning
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