基于MA-DBN的GIS分解气体含量预测方法技术

本发明专利技术公开的基于MA‑DBN的GIS分解气体含量预测方法，首先，采集国网对GIS设备监测到的一段时间内的SO2、SO2F2、SO2F2/SO2、气温、湿度以及海拔数据；然后，构建MA模型，将采集的气体数据作为该模型的输入，预测出未来时间段的气体数据；最后，构建DBN模型，将预测出的气体数据作为DBN模型的输入，通过DBN模型的修正后得到准确预测的未来时间段的气体数据。本发明专利技术公开的方法MA算法模型预测不精准的问题，具有收敛速度快且不易陷入局部最优的优点，通过本发明专利技术的方法能够在GIS开关设备发生故障之前，得以提前消除，减少了GIS设备故障带来的经济损失。

Prediction method of decomposition gas content in GIS based on MA-DBN

【技术实现步骤摘要】
基于MA-DBN的GIS分解气体含量预测方法
本专利技术属于GIS故障诊断
，具体涉及一种基于MA-DBN的GIS分解气体含量预测方法。
技术介绍
气体绝缘金属封闭开关设备(GIS)是电力系统的关键设备，其局部放电故障检测是GIS维护工作的重要内容，准确的故障预测可以在GIS发生故障之前，通过采取恰当的措施，使得GIS前期微小故障得以消除，以此减少电力系统故障带来的经济损失。GIS开关设备根据放电能量的不同，其放电可分为电弧放电、火花放电和电晕放电。放电会促使SF6发生分解，如图1所示，SF6气体在放电作用下经过一系列化学反应最终生成SOF2、SO2F2、SO2、HF等化合物。其中，SO2与SO2F2气体是发生放电故障时产量较高的气体，且这两种气体均有较好的稳定性，其比值SO2F2/SO2存在一定的规律性，电晕放电多集中于4.0～6.0甚至更高的范围，火花放电多集中于2.0～3.5左右，电弧放电比值最小，多为0.1～0.3左右，SO2F2/SO2的比值随放电剧烈程度增加而减小，因此合理的气体数据故障模型对SO2F2、SO2、SO2F2/SO2这三组气体组分含量的预测具有十分重要的研究意义。目前常用的GIS局部放电图谱特征量的模型其故障机理还不完善，采用的模型或是训练时间长、或是准确率不高。本专利技术提出一种基于MA-DBN的GIS分解气体含量预测方法，移动平均模型(movingaverage，MA)适用于未来较短时间的预测，是时间序列分析中应用较为广泛的模型，深度信念网络(deepbeliefnetwork，DBN)在特征识别、数据降维、分类预测等方面性能突出，目前开始逐步应用于电力设备故障诊断领域。根据GIS气体成分历史数据，采用时间序列分析中的移动平均模型进行预测，同时结合GIS的外部运行条件(气温、湿度、海拔)的历史数据，通过DBN模型对预测结果进行修正，修正后的分解气体数据应用于一般的GIS故障诊断算法，最终得到GIS未来可能的故障发生情况及类型。实践证明，依照本专利技术方法对多台GIS的历史数据及其真实故障信息进行测试，证实了本专利技术提出的GIS故障预测方法的可行性和有效性。
技术实现思路
本专利技术的目的是提供一种基于MA-DBN的GIS分解气体含量预测方法，解决了现有MA算法模型预测不精准，无法准确预测GIS开关设备故障的问题。本专利技术所采用的技术方案是，基于MA-DBN的GIS分解气体含量预测方法，具体过程包括如下步骤：步骤1，采集国网对GIS设备监测到的一段时间内的SO2、SO2F2、SO2F2/SO2、气温、湿度以及海拔数据；步骤2，构建MA模型，将步骤1采集的SO2、SO2F2和SO2F2/SO2数据作为该模型的输入，预测出未来时间段的SO2、SO2F2和SO2F2/SO2的数据；步骤3，构建DBN模型，将步骤2预测出的SO2、SO2F2和SO2F2/SO2数据作为DBN模型的输入，通过DBN模型的修正后得到准确预测的未来时间段的SO2、SO2F2和SO2F2/SO2数据。本专利技术的其他特点还在于，步骤2的具体过程如下：步骤2.1，构建MA模型，设观测序列为y1,y2,…yr，取移动平均的项数N＜T，一次移动平均值计算公式如式(1)和式(2)所示：根据公式(1)和公式(2)则有：式中，N代表分解气体历史数据个数，T代表预测的数据和历史数据的数量总和，t代表输入模型的序列组别，M代表对应的预测结果；当SO2、SO2F2和SO2F2/SO2数据的基本趋势是在某一水平波动时，使用一次移动平均方法建立预测模型，如式(4)所示：式中，t＝N,N+1,…T，其预测误差为：式中，N期序列值的平均值作为未来各期的预测结果；步骤2.2，将步骤1采集到的GIS设备SO2、SO2F2、SO2F2/SO2气体数据作为一个序列输入移动平均模型式(4)中，得到N期序列值的平均值即为预测出的未来时间段的SO2、SO2F2、SO2F2/SO2气体含量数据。优选的，步骤3的具体过程如下：步骤3.1，构建DBN模型：首先构建第一层RBM，RBM网络包括隐含层h和可见层v；隐含层由n个隐含的随机变量构成：h＝(h1,h2,h3,hj,…,hn)；可见层由m个随机变量构成v＝(v1,v2,v3,vi,…,vm)，用于表示观测的数据；网络连接只存在两层之间，同层内部变量之间无连接；RBM模型的能量函数定义如式(6)所示：其中，vi为可见单元的输入值；hj为隐单元的输出值，取值为1时表示该单元处于激活态，为0时表示处于未激活态；wij表示可见单元vi与隐单元hj之间的连接权重；ai表示可见单元vi的偏置；bj表示隐单元hj的偏置；n是隐含层节点数量；m为可见层节点数量；ai,bj,wij均为实数；θ＝(a,b,w)构成RBM的模型参数；(v,h)的联合概率分布Pθ(v,h)如式(7)：式中，Zθ为归一化常数，又叫做配分函数，如式(8)所示：联立式(6)、式(7)和式(8)推导出隐单元的激活概率如式(9)所示：同样，则可见层节点的第i个节点激活概率如式(10)所示：步骤3.2，将第一层RBM模型记为RBM1，将其隐蔽层h1作为第二层RBM2的可见层v2，构建RBM2；步骤3.3，以相同的方式在RBM2的基础上搭建第三层RBM，完成三层RBM网络模型的构建；步骤3.4，构建DBN网络模型的分类层：在RBM3的顶部添加一个三层BP神经网络模型，用于输出分类结果，将RBM3隐蔽层h3节点作为BP神经网络单元的可见层输入端，得到气体含量预测修正模型，气体含量预测修正模型的输出层由3个结点单元组成，每个单元分别代表SO2、SO2F2和SO2F2/SO2中的一种气体的数据；步骤3.5，将步骤2预测的未来时间段的气体数据和步骤1采集的气温、温度和海拔数据作为气体含量预测修正模型的输入，训练气体含量预测修正模型，完成后输出准确预测的未来时间段的SO2、SO2F2和SO2F2/SO2数据。优选的，步骤3.5中的训练气体含量预测模型的过程如下；将步骤2预测的未来时间段的气体数据和步骤1采集的气温、温度和海拔数据作为气体含量预测模型的输入，采用逐层无监督贪婪学习算法对气体含量预测模型中的RBM进行预训练，直至达到提前设定的训练误差后，模型训练完成输出准确预测的未来时间段的SO2、SO2F2和SO2F2/SO2数据。优选的，激活函数sigmoid函数，如式(11)所示：本专利技术的有益效果是，一种基于MA-DBN的GIS分解气体含量预测方法，解决了现有MA算法模型预测不精准，无法准确预测GIS开关设备故障的问题，相比于现有方法，具有以下优势：(1)将MA算法与DBN算法结合，有效解决了MA算法模型预测不精准的问题，具有收敛速度快且不易陷入局部最优的优点；(2)将故障预测算法引入GIS设备运检维修过程中，能够在GIS开关设备发生故障之前，得以提前消除，减少了GIS设备故障带来的经济损失；(3)DBN可以通过构建多层网络结构模型来实现对任何复杂函数的模拟情况，具有更强的学习能力，应用于GIS设备故障预测模型，能够提高故障预测性能。附图说明图1是SF6气体分解图；图2是本专利技术的基于MA-DBN的GIS分解气体含量预测方法的流程图；图3是本专利技术的基于MA-DBN的G本文档来自技高网...

【技术保护点】
1.基于MA‑DBN的GIS分解气体含量预测方法，其特征在于，具体过程包括如下步骤：步骤1，采集国网对GIS设备监测到的一段时间内的SO2、SO2F2、SO2F2/SO2、气温、湿度以及海拔数据；步骤2，构建MA模型，将步骤1采集的SO2、SO2F2和SO2F2/SO2数据作为该模型的输入，预测出未来时间段的SO2、SO2F2和SO2F2/SO2的数据；步骤3，构建DBN模型，将步骤2预测出的SO2、SO2F2和SO2F2/SO2数据作为DBN模型的输入，通过DBN模型的修正后得到准确预测的未来时间段的SO2、SO2F2和SO2F2/SO2数据。

【技术特征摘要】
1.基于MA-DBN的GIS分解气体含量预测方法，其特征在于，具体过程包括如下步骤：步骤1，采集国网对GIS设备监测到的一段时间内的SO2、SO2F2、SO2F2/SO2、气温、湿度以及海拔数据；步骤2，构建MA模型，将步骤1采集的SO2、SO2F2和SO2F2/SO2数据作为该模型的输入，预测出未来时间段的SO2、SO2F2和SO2F2/SO2的数据；步骤3，构建DBN模型，将步骤2预测出的SO2、SO2F2和SO2F2/SO2数据作为DBN模型的输入，通过DBN模型的修正后得到准确预测的未来时间段的SO2、SO2F2和SO2F2/SO2数据。2.如权利要求1所述的基于MA-DBN的GIS分解气体含量预测方法，其特征在于，所述步骤2的具体过程如下：步骤2.1，构建MA模型，设观测序列为y1,y2,…yr，取移动平均的项数N＜T，一次移动平均值计算公式如式(1)和式(2)所示：根据公式(1)和公式(2)则有：式中，N代表分解气体历史数据个数，T代表预测的数据和历史数据的数量总和，t代表输入模型的序列组别，M代表对应的预测结果；当SO2、SO2F2和SO2F2/SO2数据的基本趋势是在某一水平波动时，使用一次移动平均方法建立预测模型，如式(4)所示：式中，t＝N,N+1,…T，其预测误差为：式中，N期序列值的平均值作为未来各期的预测结果；步骤2.2，将步骤1采集到的GIS设备SO2、SO2F2、SO2F2/SO2气体数据作为一个序列输入移动平均模型式(4)中，得到N期序列值的平均值即为预测出的未来时间段的SO2、SO2F2、SO2F2/SO2气体含量数据。3.如权利要求1所述的基于MA-DBN的GIS分解气体含量预测方法，其特征在于，所述步骤3的具体过程如下：步骤3.1，构建DBN模型：首先构建第一层RBM，RBM网络包括隐含层h和可见层v；隐含层由n个隐含的随机变量构成：h＝(h1,h2,h3,hj,…,hn)；可见层由m个随机变量构成v＝(v1,v2,v3,vi,…,vm)，用于表示观测的数据；网络连接只存在两层之间，同层内部变量之间无连接；RBM模型的能量函数定义如式(6)所...

【专利技术属性】
技术研发人员：黄新波，王宁，田毅，朱永灿，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61