CN117408166A - 一种变压器油中溶解气体浓度预测方法 - Google Patents
一种变压器油中溶解气体浓度预测方法 Download PDFInfo
- Publication number
- CN117408166A CN117408166A CN202311716166.9A CN202311716166A CN117408166A CN 117408166 A CN117408166 A CN 117408166A CN 202311716166 A CN202311716166 A CN 202311716166A CN 117408166 A CN117408166 A CN 117408166A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- transformer oil
- dissolved gas
- concentration
- 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 39
- 238000003062 neural network model Methods 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 80
- 239000003921 oil Substances 0.000 description 45
- 230000006870 function Effects 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 2
- 239000005977 Ethylene Substances 0.000 description 2
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Library & Information Science (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biochemistry (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种变压器油中溶解气体浓度预测方法,其包括:采集变压器油中溶解气体中的任意一种气体浓度作为特征参量;获取特征参量在历史时间维度变压器油中的色谱样本数据,对样本数据进行归一化处理,并将样本数据划分为训练集和测试集;构建BP神经网络模型;使用训练集基于遗传算法对BP神经网络模型进行网络训练得到训练后的BP神经网络模型,并使用测试集对训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型;将目标变压器油中的溶解气体中的任意一种气体浓度输入到优化后的BP神经网络模型中得到下一阶段目标变压器油中的溶解气体的气体浓度。本发明提高了溶解气体浓度预测的精度。
Description
技术领域
本发明涉及电力设备监控技术领域,尤其涉及一种变压器油中溶解气体浓度预测方法。
背景技术
电力变压器作为电力系统中最为核心的设备,起着分配、传输电能的重要作用,是电网公司的重要资产,其安全稳定运行是保障电网可靠性供电的前提。变压器正常运行情况下,由于内部绝缘固体的老化会产生少量气体溶解于绝缘油中,主要有氢气()、甲烷()、乙烷(/>)、乙烯(/>)、乙炔(/>)、一氧化碳(CO)、二氧化碳(/>)等气体。
油中溶解气体分析(dissolved gas analysis,DGA)是目前国际上公认的及时准确发现变压器故障缺陷的方法,通过在线油色谱监测装置提取出油中各溶解气体的含量值,形成历史检测数据序列,进而对溶解气体浓度变化趋势进行预测,可为变压器的故障诊断和状态评估技术提供重要的依据。
由于传统的BP神经网络容易陷入局部极小值、训练过程依赖于初始化、训练速度慢等缺点,不能准确的预测变压器中溶解气体的浓度。
发明内容
有鉴于此,有必要提供一种变压器油中溶解气体浓度预测方法,用以实现提高变压器油中溶解气体浓度预测的精准度的目的。
为了实现上述目的,本发明提供一种变压器油中溶解气体浓度预测方法,包括:
采集变压器油中溶解气体中的任意一种气体浓度作为特征参量;
获取所述特征参量在历史时间维度变压器油中的色谱样本数据,对所述样本数据进行归一化处理,并将所述样本数据划分为训练集和测试集;
构建BP神经网络模型;
使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型,并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型;
将目标变压器油中的溶解气体中的任意一种气体浓度输入到所述优化后的BP神经网络模型中得到下一阶段所述目标变压器油中的溶解气体的气体浓度。
在一些可能的实现方式中,所述对所述样本数据进行归一化处理,包括:
基于转化函数将所述样本数据映射到[0,1]之间,所述转化函数为:
式中,为所述样本数据的最小值,/>为所述样本数据的最大值,/>为转化前的样本数据,/>为归一化后的样本数据。
在一些可能的实现方式中,所述并将所述样本数据划分为训练集和测试集,包括:
所述测试集和所述训练集所占比例为19:1。
在一些可能的实现方式中,所述BP神经网络模型的输入层包括10个神经元,所述BP神经网络模型的隐藏层包括5个神经元,所述BP神经网络模型的输出层包括1个神经元。
在一些可能的实现方式中,所述使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型,包括:
使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练确定所述BP神经网络模型的权值和阈值参数,得到训练后的BP神经网络模型。
在一些可能的实现方式中,所述BP神经网络模型的权值和阈值参数,包括:
所述BP神经网络模型隐藏层的权值和阈值参数,所述BP神经网络模型输出层的权值和阈值参数。
在一些可能的实现方式中,所述使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练确定所述BP神经网络模型的连接权值和阈值,包括:
步骤一:将BP神经网络模型的初始权值和初始阈值作为种群并初始化,并对种群中的个体进行编码,设置最大迭代次数和个体适应度函数;
步骤二:计算所述个体适应度函数;
步骤三:对所述种群进行选择操作、交叉操作及变异操作;
步骤四:判断是否达到最大迭代次数,若是,输出个体适应度函数值最优的个体,解码后得到最优的BP神经网络模型权值和阈值;否则,返回步骤二。
在一些可能的实现方式中,所述的个体适应度函数为所述BP神经网络模型预测输出值与期望输出值的误差绝对值函数,所述BP神经网络模型实际输出值与期望输出值的误差绝对值函数越小,个体适应度函数值越优良。
在一些可能的实现方式中,所述并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型,包括:
将所述测试集输入到所述训练后的BP神经网络模型中,得到预测值;
对所述预测值进行反归一化处理得到预测结果,结合实验评价指标对所述预测结果进行评价。
在一些可能的实现方式中,所述结合实验评价指标对所述预测结果进行评价,包括:
使用平均相对误差和根均方误差对所述预测结果进行评价。
采用上述实施例的有益效果是:本发明提供的一种变压器油中溶解气体浓度预测方法,采集变压器油中溶解气体的历史数据作为样本数据,构建BP神经网络模型,然后使用样本数据基于遗传算法对BP神经网络模型进行优化得到优化后的BP神经网络模型,最后优化得到优化后的BP神经网络模型预测气体下一阶段的气体浓度。本发明提供基于遗传算法对BP神经网络模型中的参数进行优化,提高了BP神经网络模型对溶解气体浓度预测的精度。
附图说明
图1为本发明提供的一种变压器油中溶解气体浓度预测方法一实施例的方法流程图;
图2为图1中步骤S104中基于遗传算法对所述BP神经网络模型进行网络训练得到的最优权值和阈值的结果示意图;
图3为训练集的预测结果图;
图4为测试集的预测结果图;
图5为本发明提供的一种变压器油中溶解气体浓度预测装置的一个实施例结构示意图;
图6为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
图1为本发明提供的一种变压器油中溶解气体浓度预测方法的一个实施例流程示意图,如图1所示,一种变压器油中溶解气体浓度预测方法,包括:
S101、采集变压器油中溶解气体中任意一种气体浓度作为特征参量;
S102、获取所述特征参量在历史时间维度变压器油中的色谱样本数据,对所述样本数据进行归一化处理,并将所述样本数据划分为训练集和测试集;
S103、构建BP神经网络模型;
S104、使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型,并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型;
S105、将目标变压器油中的溶解气体中的任意一种气体浓度输入到所述优化后的BP神经网络模型中得到下一阶段所述目标变压器油中的溶解气体的气体浓度。
与现有技术相比,本实施例提供的一种变压器油中溶解气体浓度预测方法,采集变压器油中溶解气体的历史数据作为样本数据,构建BP神经网络模型,然后使用样本数据基于遗传算法对BP神经网络模型进行优化得到优化后的BP神经网络模型,最后优化得到优化后的BP神经网络模型预测气体下一阶段的气体浓度。本发明提供基于遗传算法对BP神经网络模型中的参数进行优化,提高了BP神经网络模型对溶解气体浓度预测的精度。
在本发明的具体实施例中,在步骤S101中,选择变压器油中溶解的氢气()浓度、甲烷(/>)浓度、乙烷(/>)浓度、乙烯(/>)浓度、乙炔(/>)浓度、一氧化碳(CO)浓度、二氧化碳(/>)浓度其中一种气体浓度在历史时间维度变压器油中的色谱样本数据。
在本发明的一些实施例中,所述对所述样本数据进行归一化处理,包括:
基于转化函数将所述样本数据映射到[0,1]之间,所述转化函数为:
式中,为所述样本数据的最小值,/>为所述样本数据的最大值,/>为转化前的样本数据,/>为归一化后的样本数据。
在本发明的一些实施例中,所述并将所述样本数据划分为训练集和测试集,包括:
所述测试集和所述训练集所占比例为19:1。
在本发明的一些实施例中,所述BP神经网络模型的输入层包括10个神经元,所述BP神经网络模型的隐藏层包括5个神经元,所述BP神经网络模型的输出层包括1个神经元。
在本发明的一些实施例中,所述使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型,包括:
使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练确定所述BP神经网络模型的权值和阈值参数,得到训练后的BP神经网络模型。
在本发明的具体实施例中,训练BP神经网络模型包括如下步骤:
获取多个历史时间段的气体浓度训练集数据,将每一个气体浓度训练集数据对应的气体浓度实际值输入至待训练的BP神经网络模型,得到输出气体浓度值。
检测BP神经网络模型是否满足训练终止条件,若所述输出气体浓度值不满足训练终止条件,将该次训练对应的气体浓度实际值作为下一次训练的输入数据中的一部分继续进行迭代计算,直至所述输出气体浓度值满足训练终止条件。
首次迭代时,获取首次迭代对应的气体浓度训练集数据,根据BP神经网络模型计算得到第一输出气体浓度值;
在非首次迭代时,获取BP神经网络模型经过第N次迭代计算得到的气体浓度值,其中,N﹥1,根据所述第一输出气体浓度值与本次迭代对应的气体浓度实际值进行计算得到误差值;将所述误差值与期望误差值进行比较,当所述误差值小于所述预设期望误差值时,判断满足训练终止条件,否则不满足;
如果不满足,继续进行第N+1次迭代计算,获取第N+1次迭代计算的气体浓度训练集数据;
将第N次迭代的气体浓度实际值输入到BP神经网络模型,得到第二输出数据;
检测是否满足训练终止条件。
如果是,则停止迭代,得到确定的各神经元之间的连接权重、隐含层及输出层神经元的阈值;如果不是,则继续进行下一个迭代周期的迭代计算,直至经过最后一次迭代满足训练终止条件。获取当前的迭代次数M,其中,M=N;将所述迭代次数M与预设的迭代次数相比,当所述迭代次数满足预设的迭代次数时,判断满足训练终止条件,否则不满足,BP神经网络模型训练完毕。
在本发明的具体实施例中,多次测试后选择输入层神经元个数为10,即输入层中包含前10个按时间顺序所排列的气体浓度值,隐含层按照经验公式设置为5,输出层神经元个数为1;同时设置最大迭代次数为1000,期望误差为1×10-6,学习速率设置为0.01。
在本发明的一些实施例中,所述BP神经网络模型的权值和阈值参数,包括:
所述BP神经网络模型隐藏层的权值和阈值参数,所述BP神经网络模型输出层的权值和阈值参数。
在本发明的一些实施例中,所述使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练确定所述BP神经网络模型的连接权值和阈值,包括:
步骤一:将BP神经网络模型的初始权值和初始阈值作为种群并初始化,并对种群中的个体进行编码,设置最大迭代次数和个体适应度函数;
步骤二:计算所述个体适应度函数;
步骤三:对所述种群进行选择操作、交叉操作及变异操作;
步骤四:判断是否达到最大迭代次数,若是,输出个体适应度函数值最优的个体,解码后得到最优的BP神经网络模型权值和阈值;否则,返回步骤二。
在本发明的具体实施例中,对BP神经网络进行预训练一定次数,取得初始权值和阈值的取值范围;确定染色体编码,使用实数编码方式对初始权值阈值进行编码。同时确定种群的规模、进化代数等参数。
计算BP神经网络输出值与期望值之间的误差平方和,按输出值和期望值之间误差平方和的倒数作为适应度函数,计算个体的适应度值/>,适应度函数/>定义如下:
式子中n为输出层节点个数,为神经元/>的期望输出值,/>为神经元/>的真实输出结果。判断个体适应度是否满足优化标准,若不满足,顺序进行选择、交叉和变异的遗传操作。产生新群体。重复上述步骤,使初始确定的权值和阈值不断优化,直到满足优化标准为止。
将优化后得到的最优解解码,作为BP神经网络的最优权值和阈值。此时,得到各权值及阈值,如表1所示为输入层到隐含层的连接权值矩阵,输入层与隐含层的连接权值矩阵W5×10为:
表1
隐含层与输出层之间的连接权值矩阵W1×5为[0.51320.3868-0.42550.48790.1765]
隐含层神经元的阈值矩阵B5×1为[0.4055-0.17450.25850.08710.1803]
输出神经元的阈值为B1×1[0.3899]。
在本发明的一些实施例中,所述的个体适应度函数为所述BP神经网络模型预测输出值与期望输出值的误差绝对值函数,所述BP神经网络模型实际输出值与期望输出值的误差绝对值函数越小,个体适应度函数值越优良。
在本发明的一些实施例中,所述并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型,包括:
将所述测试集输入到所述训练后的BP神经网络模型中,得到预测值;
对所述预测值进行反归一化处理得到预测结果,结合实验评价指标对所述预测结果进行评价。
在本发明的一些实施例中,所述结合实验评价指标对所述预测结果进行评价,包括:
使用平均相对误差和根均方误差对所述预测结果进行评价。
在本发明的具体实施例中,测试集数据作为步骤四中经遗传算法优化后的BP神经网络预测模型的输入变量,经过8次训练后,网络误差达到最好的精度,如图3所示,并进行反归一化处理得到最终的预测结果,图2为图1中步骤S104中基于遗传算法对所述BP神经网络模型进行网络训练得到的最优权值和阈值的结果示意图,如图2所示,预测结果使用平均相对误差、根均方误差/>指标进行评价,公式如下:
式中:n表示预测总次数;和/>分别为i时刻油中溶解气体浓度的真实值和预测值,其中平均相对百分误差和根均方误差越小、预测精度越高表示预测结果越好。
图3为训练集的预测结果图,图4为测试集的预测结果图,从图3和图4可以看出气体浓度含量并不是随着故障的发展而一直单调增长,但从总体来看,它会表现出上升趋势,本发明对变压器油中溶解气体氢气(H2)有较好的预测效果,训练集中的真实值与预测值基本拟合,测试集中真实值与预测值的最大误差范围也在5%以内,具体实验评价指标如表2为预测值与真实值误差。
表2
本发明按照时间顺序,获取与所述待预测时间段气体浓度值相邻的上一个时间段的气体浓度值;将所述上一个时间段的气体浓度值输入至预先训练好的BP神经网络模型,确定待预测时间段气体浓度的预测值。
为了更好实施本发明实施例中的一种变压器油中溶解气体浓度预测方法,在一种变压器油中溶解气体浓度预测方法基础之上,对应地,如图5所示,本发明实施例还提供了一种变压器油中溶解气体浓度预测装置,一种变压器油中溶解气体浓度预测装置500包括:
数据采集模块501,用于采集变压器油中溶解气体中的任意一种气体浓度作为特征参量;
样本数据处理模块502,用于获取所述特征参量在历史时间维度变压器油中的色谱样本数据,对所述样本数据进行归一化处理,并将所述样本数据划分为训练集和测试集;
网络模型构建模块503,用于构建BP神经网络模型;
网络模型优化模块504,用于使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型,并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型;
预测模块505,用于将目标变压器油中的溶解气体中的任意一种气体浓度输入到所述优化后的BP神经网络模型中得到下一阶段所述目标变压器油中的溶解气体的气体浓度。
上述实施例提供的一种变压器油中溶解气体浓度预测装置500可实现上述自一种变压器油中溶解气体浓度预测方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述一种变压器油中溶解气体浓度预测方法实施例中的相应内容,此处不再赘述。
如图6所示,本发明还相应提供了一种电子设备600。该电子设备600包括处理器601、存储器602及显示器603。图6仅示出了电子设备600的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
处理器601在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器602中存储的程序代码或处理数据,例如本发明中的一种变压器油中溶解气体浓度预测方法。
在一些实施例中,处理器601可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中,处理器601可为本地的或远程的。在一些实施例中,处理器601可实施于云平台。在一实施例中,云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等,或以上的任意组合。
存储器602在一些实施例中可以是电子设备600的内部存储单元,例如电子设备600的硬盘或内存。存储器602在另一些实施例中也可以是电子设备600的外部存储设备,例如电子设备600上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器602还可既包括电子设备600的内部储存单元也包括外部存储设备。存储器602用于存储安装电子设备600的应用软件及各类数据。
显示器603在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器603用于显示在电子设备600的信息以及用于显示可视化的用户界面。电子设备600的部件601-603通过系统总线相互通信。
在一实施例中,当处理器601执行存储器602中的一种变压器油中溶解气体浓度预测程序时,可实现以下步骤:
采集变压器油中溶解气体中的任意一种气体浓度作为特征参量;
获取所述特征参量在历史时间维度变压器油中的色谱样本数据,对所述样本数据进行归一化处理,并将所述样本数据划分为训练集和测试集;
构建BP神经网络模型;
使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型,并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型;
将目标变压器油中的溶解气体中的任意一种气体浓度输入到所述优化后的BP神经网络模型中得到下一阶段所述目标变压器油中的溶解气体的气体浓度。
应当理解的是:处理器601在执行存储器602中的一种变压器油中溶解气体浓度预测程序时,除了上面的功能之外,还可实现其他功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备600的类型不作具体限定,电子设备600可以为手机、平板电脑、个人数字助理(personaldigitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备600也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种变压器油中溶解气体浓度预测方法,其特征在于,包括:
采集变压器油中溶解气体中的任意一种气体浓度作为特征参量;
获取所述特征参量在历史时间维度变压器油中的色谱样本数据,对所述样本数据进行归一化处理,并将所述样本数据划分为训练集和测试集;
构建BP神经网络模型;
使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型,并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型;
将目标变压器油中的溶解气体中的任意一种气体浓度输入到所述优化后的BP神经网络模型中得到下一阶段所述目标变压器油中的溶解气体的气体浓度。
2.根据权利要求1所述的变压器油中溶解气体浓度预测方法,其特征在于,所述对所述样本数据进行归一化处理,包括:
基于转化函数将所述样本数据映射到[0,1]之间,所述转化函数为:
式中,为所述样本数据的最小值,/>为所述样本数据的最大值,/>为转化前的样本数据,/>为归一化后的样本数据。
3.根据权利要求1所述的变压器油中溶解气体浓度预测方法,其特征在于,所述并将所述样本数据划分为训练集和测试集,包括:
所述测试集和所述训练集所占比例为19:1。
4.根据权利要求1所述的变压器油中溶解气体浓度预测方法,其特征在于,所述BP神经网络模型的输入层包括10个神经元,所述BP神经网络模型的隐藏层包括5个神经元,所述BP神经网络模型的输出层包括1个神经元。
5.根据权利要求1所述的变压器油中溶解气体浓度预测方法,其特征在于,所述使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练得到训练后的BP神经网络模型,包括:
使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练确定所述BP神经网络模型的权值和阈值参数,得到训练后的BP神经网络模型。
6.根据权利要求5所述的变压器油中溶解气体浓度预测方法,其特征在于,所述BP神经网络模型的权值和阈值参数,包括:
所述BP神经网络模型隐藏层的权值和阈值参数,所述BP神经网络模型输出层的权值和阈值参数。
7.根据权利要求5所述的变压器油中溶解气体浓度预测方法,其特征在于,所述使用所述训练集基于遗传算法对所述BP神经网络模型进行网络训练确定所述BP神经网络模型的连接权值和阈值,包括:
步骤一:将BP神经网络模型的初始权值和初始阈值作为种群并初始化,并对种群中的个体进行编码,设置最大迭代次数和个体适应度函数;
步骤二:计算所述个体适应度函数;
步骤三:对所述种群进行选择操作、交叉操作及变异操作;
步骤四:判断是否达到最大迭代次数,若是,输出个体适应度函数值最优的个体,解码后得到最优的BP神经网络模型权值和阈值;否则,返回步骤二。
8.根据权利要求7所述的变压器油中溶解气体浓度预测方法,其特征在于,所述的个体适应度函数为所述BP神经网络模型预测输出值与期望输出值的误差绝对值函数,所述BP神经网络模型实际输出值与期望输出值的误差绝对值函数越小,个体适应度函数值越优良。
9.根据权利要求1所述的变压器油中溶解气体浓度预测方法,其特征在于,所述并使用所述测试集对所述训练后的BP神经网络模型进行检测得到优化后的BP神经网络模型,包括:
将所述测试集输入到所述训练后的BP神经网络模型中,得到预测值;
对所述预测值进行反归一化处理得到预测结果,结合实验评价指标对所述预测结果进行评价。
10.根据权利要求9所述的变压器油中溶解气体浓度预测方法,其特征在于,结合实验评价指标对所述预测结果进行评价,包括:
使用平均相对误差和根均方误差对所述预测结果进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311716166.9A CN117408166A (zh) | 2023-12-14 | 2023-12-14 | 一种变压器油中溶解气体浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311716166.9A CN117408166A (zh) | 2023-12-14 | 2023-12-14 | 一种变压器油中溶解气体浓度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117408166A true CN117408166A (zh) | 2024-01-16 |
Family
ID=89492924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311716166.9A Pending CN117408166A (zh) | 2023-12-14 | 2023-12-14 | 一种变压器油中溶解气体浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408166A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN104063577A (zh) * | 2014-05-12 | 2014-09-24 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
CN109034388A (zh) * | 2018-07-27 | 2018-12-18 | 湖北中烟工业有限责任公司 | 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型 |
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 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN112464566A (zh) * | 2020-12-07 | 2021-03-09 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
-
2023
- 2023-12-14 CN CN202311716166.9A patent/CN117408166A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN104063577A (zh) * | 2014-05-12 | 2014-09-24 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
CN109034388A (zh) * | 2018-07-27 | 2018-12-18 | 湖北中烟工业有限责任公司 | 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型 |
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 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN112464566A (zh) * | 2020-12-07 | 2021-03-09 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
Non-Patent Citations (1)
Title |
---|
张彼德: "《基于遗传算法优化的BP神经网络的变压器油中气体预测》", 《西华大学学报(自然科学版)》, vol. 29, no. 2, 31 March 2010 (2010-03-31), pages 145 - 147 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gong et al. | Evolutionary generation of test data for many paths coverage based on grouping | |
CN111126700B (zh) | 用能预测方法、装置、设备及存储介质 | |
CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN110442878A (zh) | 翻译方法、机器翻译模型的训练方法、装置及存储介质 | |
CN113887930B (zh) | 问答机器人健康度评估方法、装置、设备及存储介质 | |
CN114490404A (zh) | 一种测试用例确定方法、装置、电子设备及存储介质 | |
CN111060652A (zh) | 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 | |
JP2023041620A (ja) | 薬品相乗効果予測モデルの構築方法、予測方法及び対応装置 | |
CN114240817A (zh) | 数据分析方法及装置、电子设备、存储介质 | |
CN114972877A (zh) | 一种图像分类模型训练方法、装置及电子设备 | |
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 | |
CN108364098B (zh) | 一种天气特征对用户签到影响的度量方法 | |
CN113659575A (zh) | 一种电力系统暂态稳定性预测方法及装置 | |
CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
CN111126629B (zh) | 模型的生成方法、刷单行为识别方法、系统、设备和介质 | |
CN117408166A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
CN112434872A (zh) | 酒店产量预测方法、系统、设备及存储介质 | |
CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
CN117216558A (zh) | 一种煤质分析模型训练方法、装置、电子设备和存储介质 | |
CN115206421B (zh) | 药物重定位方法、重定位模型的训练方法及装置 | |
CN115392715A (zh) | 一种用电数据风险评估方法、装置、设备及存储介质 | |
CN113719283B (zh) | 一种矿山凿岩装备作业工时预测方法及装置 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN112580885A (zh) | 一种配件合格率的预测方法、装置、设备及存储介质 |
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 |