CN117408299A - 一种基于深度学习的变压器油中溶解气体浓度预测方法 - Google Patents
一种基于深度学习的变压器油中溶解气体浓度预测方法 Download PDFInfo
- Publication number
- CN117408299A CN117408299A CN202311158819.6A CN202311158819A CN117408299A CN 117408299 A CN117408299 A CN 117408299A CN 202311158819 A CN202311158819 A CN 202311158819A CN 117408299 A CN117408299 A CN 117408299A
- Authority
- CN
- China
- Prior art keywords
- sequence
- dissolved gas
- concentration
- dung
- 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 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 210000003608 fece Anatomy 0.000 claims description 47
- 241000254173 Coleoptera Species 0.000 claims description 40
- 238000005457 optimization Methods 0.000 claims description 19
- 241001229848 Aphodius granarius Species 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 235000013305 food Nutrition 0.000 claims description 9
- 230000002431 foraging effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000009395 breeding Methods 0.000 claims description 4
- 230000001488 breeding effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 108090000672 Annexin A5 Proteins 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的变压器油中溶解气体浓度预测方法,包括如下步骤:S1、在线监测系统对变压器油中溶解气体浓度进行监测,将各油中溶解气体浓度时间序列送入CEEMDAN分解模型进行模态分解;S2、将分解得到的各子序列输入DBO‑BiLSTM模型进行点预测;S3、将各子序列预测结果进行叠加拟合得到油中溶解气体浓度点预测结果并评价;S4、将拟合的点预测结果与原始序列相比较,得到的点预测误差序列;S5、选择点预测误差序列重复抽样次数,拟合不同置信度下的误差置信区间,结合点预测结果,得到不同置信水平下区间预测结果并评价。该方法在提高点预测精度的同时,考虑点预测模型误差生成不同置信度下的区间预测,提高预测的准确度。
Description
技术领域
本发明涉及电力设备故障诊断技术领域,特别涉及一种基于深度学习的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负责电力能量的传输以及分配的关键性设备,保证其稳定安全的运行对整个电网的健康运行意义重大。目前采用的故障检修虽然节约了运维成本,但外部故障具有强随机性和不可预测性,会存在维修不及时的问题。同样,定期检修虽考虑内部器件老化问题,但未考虑设备差异容易造成欠维修和过维修,不仅增加运维成本还减少了设备寿命。考虑变压器的故障具有潜伏性和突变型的特征,和故障会引起少量气体溶解于绝缘油中的特点。油中溶解气体分析(Dissolved Gas Analysis,DGA)方法以油中气体溶解含量和产气速率在不同运行状态的差异化表现为核心,在变压器故障诊断技术领域广泛应用。作为DGA技术的补充,建立基于模型和算法对油中溶解气体数据进行预测,可为变压器早期故障判别和预警提供理论支撑。
已有针对变压器油中溶解气体浓度预测的研究主要从预测模型和优化算法出发,实现对气体浓度时序序列的点预测。但大部分研究都未深入考虑目前预测模型无法学习时序数据的所有特征,也无法全面分析各种因素带来的影响,导致单独使用点预测模型的预测精度具有局限性,也无法表征气体溶解浓度的不确定性。为使预测结果更好的贴近真实数值,需进一步采用区间预测模型确定点预测结果误差的波动区间,并联合点预测结果生成最终区间预测结果。
专利文献CN110967471A公开了一种变压器油中溶解气体浓度预测方法。专利文献CN111562358A公开了一种基于联合模型的变压器油中气体含量预测方法及系统,属于变压器故障预测领域。专利文献CN109270174B公开了一种改进的灰色预测模型的变压器油色谱气体预测方法。以上专利虽然均利用了不同模型和算法提高了油中溶解气体浓度序列的预测精度,但无法全面精确的描述气体浓度可能的波动范围和变化概率。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的变压器油中溶解气体浓度预测方法,在提高点预测精度的同时,考虑点预测模型误差生成不同置信度下的区间预测,提高预测的准确度。
为解决上述技术问题,本发明所采用的技术方案是:一种基于深度学习的变压器油中溶解气体浓度预测方法,包括如下步骤:
S1、数据预处理:通过变压器油色谱在线监测系统对变压器油中溶解气体浓度进行监测,并将各油中溶解气体浓度时间序列送入CEEMDAN分解模型进行模态分解,将原始序列分解为不同频率下的平稳子序列;
S2、将分解得到的各子序列输入DBO优化的双向长短期记忆神经网络BiLSTM模型进行点预测;
S3、将各子序列预测结果进行叠加拟合得到油中溶解气体浓度点预测结果并评价;
S4、将拟合的点预测结果与原始序列相比较,得到的点预测误差序列;
S5、选择点预测误差序列重复抽样次数,拟合不同置信度下的误差置信区间,结合点预测结果,得到不同置信水平下区间预测结果并评价。
优选的方案中,所述S1中,CEEMDAN分解模型将正负成对正态分布的高斯白噪声δi(t)分M次加入原始待分解信号y(t),得到新待分解信号yi(t),并对yi(t)做EMD分解得到各第一阶本征模态分量和残差rm,然后对M个/>分量做总体平均得到原始待分解信号CEEMDAN的第一个本征模态分量C1(t)和将分量去除后的残差r1(t),最后,将r1(t)作为下一步原始待分解信号重复之前步骤,直到N次后获得的残差信号R(t)为单调函数,无法继续分解,结束重复,此时原始信号y(t)被分解为:
优选的方案中,所述S2中,通过DBO优化算法对BiLSTM模型的超参数进行自动寻优,将数据预处理阶段得到的分量的训练集输入DBO-BiLSTM模型中训练,并用训练好的模型对测试集进行预测,得到各分量的点预测结果;DBO优化算法按所需优化参数先生成一组初始参数值X=[x1,x2,…,xn],将这组值送入算法中四个子种群,并竞争得到最优参数值:
子群一为滚球蜣螂,在滚球过程中滚球蜣螂为防止被其他蜣螂竞争,会利用天体线索使粪球沿直线滚动,但天体光源强度或自然因素会使蜣螂的行进路线将会变得弯曲,在滚动过程中,参数更新为:
式中:t为当前迭代次数;为第i只蜣螂在第t次迭代时的位置;k为偏转系数,k∈(0,0.2];b为(0,1)的常数;δ是赋值为1或-1的自然数,1表无偏差,-1表偏离原方向;Δx用于模拟光强的变化;xworst为滚球蜣螂种群全局最差位置;
若滚球蜣螂遇到障碍物无法前进,会到粪球上跳舞,决定新的运动方向,此时位置更新如下:
式中:tan(θ)用于模拟跳舞行为,θ∈[0,π];
子群二为繁殖蜣螂,繁殖蜣螂会将粪球滚到一个适合产卵的安全区域,并产下一枚雏球,为规避风险,产卵区域不会固定,雏球的位置也动态变换,参数更新为:
式中:T为最大迭代次数;Lb和Ub为优化对象上下界;Lb*和Ub*为产卵区域上下界;为繁殖蜣螂种群全局最优位置;b1、b2为两个1×D的独立随机向量,D为优化对象维度;T为最大迭代次数;R为边界调整系数;
子群三为小蜣螂。雏球孵化成小蜣螂后会从地下出来寻找食物,最佳觅食区域也是动态更新,小蜣螂觅食位置随之更新,参数更新为:
式中:Lbl和Ubl为觅食区域上下界;C1为服从正态分布的随机数;C2为形状1×D,数据属于(0,1)的随机向量;为小蜣螂种群全局最优位置;
子群四为偷盗蜣螂,一些偷盗蜣螂会因为食物的吸引偷取同伴的粪球,食物位置不断变化,偷盗位置随之更新,参数更新为:
式中:S为常数;g为大小为1×D的随机向量,服从正态分布。
优选的方案中,所述S3中,引入均方误差eMSE、均方根误差eRMSE和平均绝对百分比误差eMAPE三种评价指标对预测结果进行评价:
式中:n为时间序列长度;yi为原始序列数值;为点预测序列数值。
优选的方案中,所述S4中,将拟合的点预测结果与原始数据作差,获得点预测误差序列:
式中:Δyi为误差序列数值,yi为原始序列数值,yi为点预测序列数值。
优选的方案中,所述S5中,通过对样本重复的抽取放回得到Bootstrap估计量以代替总体估计量θ,得到置信区间,从原始样本X按放回抽样方式,抽得与原始样本容量相同的新样本/>重复操作B次,得到B个新样本,并对每个新Bootstrap样本进行估计值/>计算;对B次得到的估计值按照升序排列,得到估计值序列根据百分位法求得估计值序列在置信度为α,置信水平(1-α)×100%的Bootstrap置信区间/>区间上、下限/>为/>第k2、k1取值:
优选的方案中,所述S5中,将置信区间与点预测结果和原始数据进行比较,并引入预测区间覆盖率IPICP和标准化预测区间平均宽度IPINAW两种评价指标对区间预测结果进行评价:
式中:N为预测目标样本数;λi为样本i的布尔量,若原始数据落在预测区间取1,否则取0;R为预测目标值的变化范围;为样本i预测区间上下限。
本发明提供的一种基于深度学习的变压器油中溶解气体浓度预测方法,具有以下有益效果:
1、本预测方法考虑传感器监测到的原始变压器油中溶解气体浓度序列非线性、非平稳性导致直接使用记忆神经网络预测出现特征状态滞后和精度低的现状,提出利用CEEMDAN算法对原始序列叠加高斯白噪声的多次经验模式分解方法,并在求解完一阶模态分量后,又重新给残值加入白噪声求此时的模态分量均值,逐次迭代得到多个不同频率下的线性、平稳子序列,提高了预测的准确度。
2、由于BiLSTM模型由双向LSTM构成,模型较为复杂,其超参数设定严重影响模型预测精度和泛化能力。若模型参数由人为设定,不仅存在赋值不精确,而且存在当输入变换时需随之变动的情况。对此引入DBO算法自适应调整BiLSTM超参数,减少人工赋值的主观性和不准确性,使预测模型更好的学习训练集特征并预测。
3、分析变压器油中溶解气体浓度的预测可能会受到设备外界环境变化、监测设备精度不足、机器学习模型缺陷等因素的影响,仅对序列做点预测无法满足预测要求的情况。考虑区间预测则是量化由环境因素、学习模型等引起气体溶解浓度的不确定性的有效工具,提出在点预测基础上做Bootstrap区间预测,实现对气体浓度的准确预测。以便更好的把握变压器状态演化和故障发展趋势,针对性制定运维计划,可有效升变压器的检修维护能力。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明的流程图;
图2为实施例中原始监测变压器油中溶解气体H2含量序列图;
图3为溶解气体H2含量序列分解图;
图4为点预测结果与原始数据对比图;
图5为置信区间上下限波动情况图;
图6为区间预测效果图;
具体实施方式
结合图1~图6对本发明具体实施方式进一步详细说明。
如图1所示,一种基于深度学习的变压器油中溶解气体浓度预测方法,包括如下步骤:
S1、数据预处理:通过变压器油色谱在线监测系统对变压器油中溶解气体浓度进行监测,并将各油中溶解气体浓度时间序列送入CEEMDAN分解模型进行模态分解,将原始序列分解为不同频率下的平稳子序列。
如图2所示,考虑原始监测到的变压器油中溶解气体含量序列受多种因素影响具有趋势性和振荡性,目前时序预测模型对此类数据预测时会因模型结构问题导致结果出现特征滞后的问题。而工程实际中应尽量使预测结果和趋势与真实数据吻合,同时考虑时序预测模型对线性数据的预测不存在滞后问题,对此需将原始序列分解为如图3所示的多个线性序列。自适应噪声完全集成经验模态分解方法(Complete Ensemble Empirical ModeDecomposition with Adaptive Noise,CEEMDAN)能够缓解预测结果特征滞后的情况。
CEEMDAN分解模型将正负成对正态分布的高斯白噪声δi(t)分M次加入原始待分解信号y(t),得到新待分解信号yi(t),并对yi(t)做EMD分解得到各第一阶本征模态分量和残差rm,然后对M个/>分量做总体平均得到原始待分解信号CEEMDAN的第一个本征模态分量C1(t)和将分量去除后的残差r1(t),最后,将r1(t)作为下一步原始待分解信号重复之前步骤,直到N次后获得的残差信号R(t)为单调函数,无法继续分解,结束重复,此时原始信号y(t)被分解为:
S2、将分解得到的各子序列输入DBO优化的双向长短期记忆神经网络BiLSTM模型进行点预测。
由于变压器油中溶解气体浓度时间序列数据的前后状态关联性强,预测模型选择相较于统计学预测模型和机器学习模型对时间序列建模的适应度更高,误测误差更小的深度学习模型。并利用智能优化算法对模型超参数进行优化,进一步提高点预测效果。
BiLSTM采用两个LSTM组成,时序数据以正序和逆序分别输入两个LSTM进行特征学习。相比较于单一LSTM,BiLSTM可同时获得不同方向上的两个隐藏层状态,并对两个方向的学习结果叠加得到输出Ht。由此更好的学习到LSTM遗忘的历史信息,改善模型对单一方向上信息的学习依赖性,提高了模型学习和预测的准确度。
其中LSTM则充分考虑数据的时间依赖性引入门限机制,通过输入门、遗忘门、输出门,三个控制门实现对非线性数据的拟合和记忆。LSTM输入门在t时刻接受序列输入t-1时刻短期状态ht-1以及门控单元状态ct-1;输出门输出t时刻短期状态ht及门控单元状态ct,供给下一时刻输入门;遗忘门接受ct-1以更新到ct。LSTM最终的输出由输出门和单元状态共同确定:
式中:为t时刻输入的单元状态;Wc为输入单元状态权重矩阵;bc为输入单元状态偏置项;tanh表示激活函数;/>表示按元素相乘;ft、it、ot分别为遗忘门、输入门、输出门状态结算结果。
通过DBO优化算法对BiLSTM模型的超参数进行自动寻优,将数据预处理阶段得到的分量的训练集输入DBO-BiLSTM模型中训练,并用训练好的模型对测试集进行预测,得到各分量的点预测结果;DBO优化算法(Dung Beetle Optimizer,DBO)为蜣螂优化算法,是一种生物群智能算法,按所需优化参数先生成一组初始参数值X=[x1,x2,...,xn],将这组值送入算法中四个子种群,并竞争得到最优参数值:
子群一为滚球蜣螂。在滚球过程中滚球蜣螂为防止被其他蜣螂竞争,会利用天体线索使粪球沿直线滚动。但天体光源强度或自然因素会使蜣螂的行进路线将会变得弯曲。在滚动过程中,参数更新为:
式中:t为当前迭代次数;为第i只蜣螂在第t次迭代时的位置;k为偏转系数,k∈(0,0.2];b为(0,1)的常数;δ是赋值为1或-1的自然数,1表无偏差,-1表偏离原方向;Δx用于模拟光强的变化;xworst为滚球蜣螂种群全局最差位置。
若滚球蜣螂遇到障碍物无法前进,会到粪球上跳舞,决定新的运动方向,此时位置更新如下:
式中:tan(θ)用于模拟跳舞行为,θ∈[0,π]。
子群二为繁殖蜣螂。繁殖蜣螂会将粪球滚到一个适合产卵的安全区域,并产下一枚雏球。为规避风险,产卵区域不会固定,雏球的位置也动态变换,参数更新为:
式中:T为最大迭代次数;Lb和Ub为优化对象上下界;Lb*和Ub*为产卵区域上下界;为繁殖蜣螂种群全局最优位置;b1、b2为两个1×D的独立随机向量,D为优化对象维度;T为最大迭代次数;R为边界调整系数。
子群三为小蜣螂。雏球孵化成小蜣螂后会从地下出来寻找食物,最佳觅食区域也是动态更新,小蜣螂觅食位置随之更新,参数更新为:
式中:Lbl和Ubl为觅食区域上下界;C1为服从正态分布的随机数;C2为形状1×D,数据属于(0,1)的随机向量;为小蜣螂种群全局最优位置。
子群四为偷盗蜣螂。一些偷盗蜣螂会因为食物的吸引偷取同伴的粪球,食物位置不断变化,偷盗位置随之更新,参数更新为:
式中:S为常数;g为大小为1×D的随机向量,服从正态分布。
S3、将各子序列预测结果进行叠加拟合得到油中溶解气体浓度点预测结果并评价。
引入均方误差eMSE、均方根误差eRMSE和平均绝对百分比误差eMAPE三种评价指标对预测结果进行评价:
式中:n为时间序列长度;yi为原始序列数值;为点预测序列数值。
S4、将拟合的点预测结果与原始序列相比较,得到的点预测误差序列。
将拟合的点预测结果与原始数据作差,获得点预测误差序列:
式中:Δyi为误差序列数值,yi为原始序列数值,yi为点预测序列数值。
S5、选择点预测误差序列重复抽样次数,拟合不同置信度下的误差置信区间,结合点预测结果,得到不同置信水平下区间预测结果并评价。
自举法(Bootstrap)采用重采样思想,通过对样本重复的抽取放回得到Bootstrap估计量以代替总体估计量θ,得到置信区间,从原始样本X按放回抽样方式,抽得与原始样本容量相同的新样本/>重复操作B次,得到B个新样本,并对每个新Bootstrap样本进行估计值/>计算;对B次得到的估计值按照升序排列,得到估计值序列根据百分位法求得估计值序列在置信度为α,置信水平(1-α)×100%的Bootstrap置信区间/>区间上、下限/>为/>第k2、k1取值:
将置信区间与点预测结果和原始数据进行比较,并引入预测区间覆盖率IPICP和标准化预测区间平均宽度IPLNAW两种评价指标对区间预测结果进行评价:
式中:N为预测目标样本数;λi为样本i的布尔量,若原始数据落在预测区间取1,否则取0;R为预测目标值的变化范围;为样本i预测区间上下限。
本实施例选取某500KV变电站主变压器自2021年5月13日0点至2021年6月2日20点油中溶解气体浓度序列展开算例分析。监测步长为1h,包含500个样本,选取前460个样本点作为训练集,后40个样本点作为测试集。如图2所示,以H2序列为例展开分析。
为降低变压器油中溶解气体浓度序列非平稳性、非线性的特征导致预测结果出现滞后和不准确,利用CEEMDAN模型对原始H2数据序列按频率由高到低逐渐分解,分解结果如图3所示。
由图3可以看出,原始H2序列的被分解为8个IMF分量和1个RES分量,共9个分量。所有IMF分量以0为中心,上下振荡,不含任何趋势。RSE分量不存在振荡,展示了原始序列的上升趋势。相较于原始序列,经分解后的分量的线性和平稳性更强。
考虑预测模型的准确度受自身超参数影响较大,本实施例利用DBO对BiLSTM的正则化系数、隐藏层神经元个数和学习率三个超参数进行自动寻优。将H2序列分解得到的9个分量分别送入DBO-BiLSTM模型进行预测。并将各分量预测结果叠加,得到H2序列点预测结果。
为证明点预测模型的有效性,研究采用基础的BiLSTM模型以及优化的CEEMDAN-BiLSTM、DBO-BiLSTM三种模型与本专利CEEMDAN-DBO-BiLSTM模型进行对比,各模型预测结果如图4所示,评价指标结果如表1所示。
表1点预测结果评价比较
通过对预测结果分析可知,相较单一BiLSTM模型,经算法优化的CEEMDAN-BiLSTM模型MSE指标分别降低了20%,RMSE指标分别降低了10.68%,MAPE指标降低了13.57%。体现对非平稳数据序列进行按频率拆分做平稳化处理能有效地提升模型的预测性能。
DBO-BiLSTM相比BiLSTM模型MSE指标降低了61.9%,RMSE指标降低了38.83%、,MAPE指标降低了42.86%。说明通过DBO算法对BiLSTM超参数寻优,能有效地提升模型的预测性能。
综合考虑上述两种优化方法,本方法相较于CEEMDAN-BiLSTM和DBO-BiLSTM,MSE指标分别降低了89.29%和77.5%,RMSE指标分别降低了68.48%和53.97%,MAPE指标分别降低了70.28%和55%。模型预测准确度大幅度提升,证明本方法模型对变压器油中溶解气体浓度点预测的能获得更有的效果。
非参数Bootstrap方法得到可靠的置信区间需对样本进行B次重复抽样,若样本抽取次数过少,则不能近似替代原始样本分布,若抽取次数过多,则影响计算速度。因此选择合适的抽取次数极为重要,对此本专利以某一时刻气体预测误差序列为例,序列内样本量为70,计算置信度α=0.05,即置信水平为95%下,抽样次数B不同时的置信区间。
从图5置信区间上下限波动情况可知,当抽样次数小于1000时,置信区间上下限波动明显;当抽样次数为1000到3000时,置信区间上下限波动情况逐渐平缓;当抽样次数为4000到10000时,置信区间上下限波动幅度基本不再变化,区间宽度得到稳定。因此,为得到较好的区间预测结果,本方法选定重复抽样次数B=5000。
将拟合出的误差置信区间与点预测结果相叠加,构建不同置信水平下区间预测结果,效果如图6所示。由图6可知同一时刻下,置信水平不断降低,对应置信区间不断缩窄,越不容易覆盖原始数据。
表2区间预测结果评价比较
为验证Bootstrap方法对误差分布拟合的有效性,本专利计算了在95%、80%、75%、60%置信水平下区间预测评价结果如表2所示。通过分析表2可知,在置信水平为95%时,Bootstrap方法计算的置信区间可做到100%覆盖原始数据,其他置信水平虽无法100%覆盖原始数据,但相较于点预测结果基本无法与真实状态完全拟合的情况,表征了真实值所在范围,提高了预测精度。
Claims (7)
1.一种基于深度学习的变压器油中溶解气体浓度预测方法,其特征在于,包括如下步骤:
S1、数据预处理:通过变压器油色谱在线监测系统对变压器油中溶解气体浓度进行监测,并将各油中溶解气体浓度时间序列送入CEEMDAN分解模型进行模态分解,将原始序列分解为不同频率下的平稳子序列;
S2、将分解得到的各子序列输入DBO优化的双向长短期记忆神经网络BiLSTM模型进行点预测;
S3、将各子序列预测结果进行叠加拟合得到油中溶解气体浓度点预测结果并评价;
S4、将拟合的点预测结果与原始序列相比较,得到的点预测误差序列;
S5、选择点预测误差序列重复抽样次数,拟合不同置信度下的误差置信区间,结合点预测结果,得到不同置信水平下区间预测结果并评价。
2.根据权利要求1所述的一种基于深度学习的变压器油中溶解气体浓度预测方法,其特征在于,所述S1中,CEEMDAN分解模型将正负成对正态分布的高斯白噪声δi(t)分M次加入原始待分解信号y(t),得到新待分解信号yi(t),并对yi(t)做EMD分解得到各第一阶本征模态分量和残差rm,然后对M个/>分量做总体平均得到原始待分解信号CEEMDAN的第一个本征模态分量C1(t)和将分量去除后的残差r1(t),最后,将r1(t)作为下一步原始待分解信号重复之前步骤,直到N次后获得的残差信号R(t)为单调函数,无法继续分解,结束重复,此时原始信号y(t)被分解为:
3.根据权利要求1所述的一种基于深度学习的变压器油中溶解气体浓度预测方法,其特征在于,所述S2中,通过DBO优化算法对BiLSTM模型的超参数进行自动寻优,将数据预处理阶段得到的分量的训练集输入DBO-BiLSTM模型中训练,并用训练好的模型对测试集进行预测,得到各分量的点预测结果;DBO优化算法按所需优化参数先生成一组初始参数值X=[x1,x2,…,xn],将这组值送入算法中四个子种群,并竞争得到最优参数值:
子群一为滚球蜣螂,在滚动过程中,参数更新为:
式中:t为当前迭代次数;为第i只蜣螂在第t次迭代时的位置;k为偏转系数,k∈(0,0.2];b为(0,1)的常数;δ是赋值为1或-1的自然数,1表无偏差,-1表偏离原方向;Δx用于模拟光强的变化;xworst为滚球蜣螂种群全局最差位置;
若滚球蜣螂遇到障碍物无法前进,会到粪球上跳舞,决定新的运动方向,此时位置更新如下:
式中:tan(θ)用于模拟跳舞行为,θ∈[0,π];
子群二为繁殖蜣螂,繁殖蜣螂会将粪球滚到一个适合产卵的安全区域,并产下一枚雏球,为规避风险,产卵区域不会固定,雏球的位置也动态变换,参数更新为:
式中:T为最大迭代次数;Lb和Ub为优化对象上下界;Lb*和Ub*为产卵区域上下界;为繁殖蜣螂种群全局最优位置;b1、b2为两个1×D的独立随机向量,D为优化对象维度;T为最大迭代次数;R为边界调整系数;
子群三为小蜣螂,雏球孵化成小蜣螂后会从地下出来寻找食物,最佳觅食区域也是动态更新,小蜣螂觅食位置随之更新,参数更新为:
式中:Lbl和Ubl为觅食区域上下界;C1为服从正态分布的随机数;C2为形状1×D,数据属于(0,1)的随机向量;为小蜣螂种群全局最优位置;
子群四为偷盗蜣螂,一些偷盗蜣螂会因为食物的吸引偷取同伴的粪球,食物位置不断变化,偷盗位置随之更新,参数更新为:
式中:S为常数;g为大小为1×D的随机向量,服从正态分布。
4.根据权利要求1所述的一种基于深度学习的变压器油中溶解气体浓度预测方法,其特征在于,所述S3中,引入均方误差eMSE、均方根误差eRMSE和平均绝对百分比误差eMAPE三种评价指标对预测结果进行评价:
式中:n为时间序列长度;yi为原始序列数值;为点预测序列数值。
5.根据权利要求1所述的一种基于深度学习的变压器油中溶解气体浓度预测方法,其特征在于,所述S4中,将拟合的点预测结果与原始数据作差,获得点预测误差序列:
式中:Δyi为误差序列数值,yi为原始序列数值,yi为点预测序列数值。
6.根据权利要求1所述的一种基于深度学习的变压器油中溶解气体浓度预测方法,其特征在于,所述S5中,通过对样本重复的抽取放回得到Bootstrap估计量以代替总体估计量θ,得到置信区间,从原始样本X按放回抽样方式,抽得与原始样本容量相同的新样本重复操作B次,得到B个新样本,并对每个新Bootstrap样本进行估计值/>计算;对B次得到的估计值按照升序排列,得到估计值序列/>根据百分位法求得估计值序列在置信度为α,置信水平(1-α)×100%的Bootstrap置信区间区间上、下限/>为/>第k2、k1取值:
7.根据权利要求6所述的一种基于深度学习的变压器油中溶解气体浓度预测方法,其特征在于,所述S5中,将置信区间与点预测结果和原始数据进行比较,并引入预测区间覆盖率IPICP和标准化预测区间平均宽度IPINAW两种评价指标对区间预测结果进行评价:
式中:N为预测目标样本数;λi为样本i的布尔量,若原始数据落在预测区间取1,否则取0;R为预测目标值的变化范围;为样本i预测区间上下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311158819.6A CN117408299A (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的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 |
---|---|---|---|
CN202311158819.6A CN117408299A (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的变压器油中溶解气体浓度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117408299A true CN117408299A (zh) | 2024-01-16 |
Family
ID=89496961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311158819.6A Pending CN117408299A (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的变压器油中溶解气体浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408299A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109494716A (zh) * | 2018-11-15 | 2019-03-19 | 沈阳工业大学 | 基于Bootstrap的风电输出功率置信区间预测方法 |
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 |
CN111461263A (zh) * | 2020-05-19 | 2020-07-28 | 昆明理工大学 | 一种基于emd-rf的变压器油中溶解气体浓度预测方法 |
CN113392373A (zh) * | 2021-05-28 | 2021-09-14 | 暨南大学 | 一种VaR置信区间预测方法 |
US20210350050A1 (en) * | 2020-05-06 | 2021-11-11 | Wuhan University | Method and system for predicting gas content in transformer oil based on joint model |
CN113850443A (zh) * | 2021-10-14 | 2021-12-28 | 重庆邮电大学 | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 |
CN115389743A (zh) * | 2022-06-23 | 2022-11-25 | 国网宁夏电力有限公司电力科学研究院 | 一种变压器油中溶解气体含量区间预测方法、介质及系统 |
-
2023
- 2023-09-08 CN CN202311158819.6A patent/CN117408299A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109494716A (zh) * | 2018-11-15 | 2019-03-19 | 沈阳工业大学 | 基于Bootstrap的风电输出功率置信区间预测方法 |
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 |
US20210350050A1 (en) * | 2020-05-06 | 2021-11-11 | Wuhan University | Method and system for predicting gas content in transformer oil based on joint model |
CN111461263A (zh) * | 2020-05-19 | 2020-07-28 | 昆明理工大学 | 一种基于emd-rf的变压器油中溶解气体浓度预测方法 |
CN113392373A (zh) * | 2021-05-28 | 2021-09-14 | 暨南大学 | 一种VaR置信区间预测方法 |
CN113850443A (zh) * | 2021-10-14 | 2021-12-28 | 重庆邮电大学 | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 |
CN115389743A (zh) * | 2022-06-23 | 2022-11-25 | 国网宁夏电力有限公司电力科学研究院 | 一种变压器油中溶解气体含量区间预测方法、介质及系统 |
Non-Patent Citations (4)
Title |
---|
JIAHUI DUAN ET AL: "Air-quality prediction based on the ARIMA-CNN-LSTM combination model optimized by dung beetle optimizer", NATURE, 26 July 2023 (2023-07-26), pages 1 - 16 * |
周锋;孙廷玺;权少静;刘敏;王恒超;王树田;: "基于集合经验模态分解和极限学习机的变压器油中溶解气体体积分数预测方法", 高电压技术, no. 10, 28 October 2020 (2020-10-28) * |
李斌等: "改进蜣螂算法优化LSTM的光伏阵列故障诊断", 电力系统及其自动化学报, 7 August 2023 (2023-08-07) * |
王科;苟家萁;彭晶;刘可真;田小航: "基于LSTM网络的变压器油中溶解气体浓度预测", 电子测量技术, no. 04, 23 February 2020 (2020-02-23) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Review of meta-heuristic algorithms for wind power prediction: Methodologies, applications and challenges | |
Shiri et al. | Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
Gu et al. | Neural network soil moisture model for irrigation scheduling | |
Lv et al. | A long Short-Term memory cyclic model with mutual information for hydrology forecasting: A Case study in the xixian basin | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
CN110689179A (zh) | 基于时空序列混合模型的水华预测方法 | |
CN112116162A (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
Liu et al. | Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network | |
CN106157162A (zh) | 一种北太平洋鱿鱼中心渔场预测方法 | |
Shiri et al. | Comprehensive assessment of 12 soft computing approaches for modelling reference evapotranspiration in humid locations | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
Suksri et al. | Neural network training model for weather forecasting using fireworks algorithm | |
CN114548509A (zh) | 一种多能源系统多类型负荷联合预测方法及系统 | |
Aitkenhead et al. | A novel method for training neural networks for time-series prediction in environmental systems | |
Yang et al. | Prediction of significant wave heights based on CS-BP model in the south China sea | |
CN114944203A (zh) | 基于自动寻优算法与深度学习的废水处理监控方法及系统 | |
CN113642268A (zh) | 一种河流水华预测方法及系统 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Heydari et al. | Prediction of wind power generation through combining particle swarm optimization and elman neural network (El-PSO) | |
Huang et al. | Prediction of effluent parameters of wastewater treatment plant based on improved least square support vector machine with PSO | |
CN117408299A (zh) | 一种基于深度学习的变压器油中溶解气体浓度预测方法 | |
CN106204314A (zh) | 一种东南太平洋茎柔鱼中心渔场预测方法 | |
Martin et al. | Neural network development for the forecasting of upper atmosphere parameter distributions |
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 |