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技术

本发明专利技术公开了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，包括如下步骤：步骤一：收集变压器油中溶解气体浓度历史实测数据；步骤二：利用关联规则方法挖掘油中溶解气体间的关联关系，得到气体浓度序列间的关联规则；步骤三：利用小波分解处理步骤一中的油中溶解气体浓度序列，获得油中溶解气体浓度序列的低频序列分量和高频序列分量；步骤四：利用LSTM对步骤三中的油中溶解气体序列分量分别进行预测，然后对预测得到的溶解气体序列分量进行重组；采用均方根误差e

Prediction method of dissolved gas concentration in transformer oil based on long and short term memory network

【技术实现步骤摘要】
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
本专利技术属于变压器气体浓度预测领域，特别是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。
技术介绍
电力变压器是电力系统中升降电压和分配电能的重要设备，它的正常运行关系到整个电网的安全稳定。变压器在运行使用过程中，由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中，油中气体的各种成分体积分数及不同组分间的比例关系与变压器运行状况密切相关。变压器油中溶解气体分析是目前应用最广泛的诊断变压器早期潜伏性故障的重要方法。通过对历史监测序列分析，从而对油中溶解气体浓度的发展趋势进行准确预测，能够提前掌握变压器的运行状况，能够为变压器状态评估和状态检修提供依据。国内外学者对油中溶解气体浓度预测进行了大量研究，提出的方法主要可归纳为统计预测方法和机器学习方法两种。统计预测方法主要包括时间序列模型、灰色模型，其预测精度受限于序列本身的分布规律，可应用场景存在较大的局限性。传统的机器学习方法有支持向量机、人工神经网络等，通过对大量历史数据进行分析训练，得到能反映时间序列发展趋势的预测模型。但本文档来自技高网...

【技术保护点】
1.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，其特征在于，包括如下步骤：/n步骤一：收集变压器油中溶解气体浓度历史实测数据，包括乙烷C

【技术特征摘要】
1.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，其特征在于，包括如下步骤：
步骤一：收集变压器油中溶解气体浓度历史实测数据，包括乙烷C2H6、氢气H2、甲烷CH4、乙烯C2H4、一氧化碳CO、二氧化碳CO2、总烃，以采集到数据日期为序，建立这7种气体的气体浓度序列；
步骤二：利用关联规则方法挖掘油中溶解气体间的关联关系，得到气体浓度序列间的关联规则；
步骤三：利用小波分解处理步骤一中的油中溶解气体浓度序列，获得油中溶解气体浓度序列的低频序列分量和高频序列分量；
步骤四：利用LSTM对步骤三中的油中溶解气体序列分量分别进行预测，然后对预测得到的溶解气体序列分量进行重组，包括
采用沿时间反向传播算法训练所述变压器运行状态预测模型，根据关联规则挖掘得到的油中溶解气体之间的关联关系，与待预测气体浓度相关联的气体浓度序列加上待预测气体浓度序列分解后的子序列作为输入变量，构造n个LSTM预测模型，分别对各层序列的下一时间低频序列分量和高频序列分量进行预测，然后将低频序列分量和高频序列分量在各时刻的预测值进行小波重构合成，其中小波重构合成公式为n为小波分解层数；
步骤五：采用均方根误差eRMSE和平均绝对误差eMAE两个指标计算预测误差，计算公式为其中，yi、分别为油中溶解气体浓度的真实值和预测值，n表示测试数据个数，i表示预测点序列编号。


2.如权利要求1所述的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，其特征在于，在步骤二中，利用关联规则方法挖掘油中溶解气体间的关联关系，得到气体浓度序列间的关联规则的具体方法如下：
首先对步骤一中的7种气体浓度序列进行单独归一化处理，得到所有气体浓度序列归一化值，全部处于0～1之间，计算公式如下：0≤i≤j，式中，max为乙烷C2H6、氢气H2、甲烷CH4、乙烯C2H4一氧化碳CO、二氧化碳CO2、总烃中的一种气体浓度最大值，min为相应气的气体浓度最小值，xi为相应气体的气体浓度序列值，j为采集气体浓度的样本数；
对归一化后的数据采用基于k聚类的划分方法将数据进行离散化，并将聚类结果符号化，用“A”、“B”、“C”、“D”、……表示，聚类公式为：



式中，xm为乙烷C2H6、氢气H2、甲烷CH4、乙烯C2H4一...

【专利技术属性】
技术研发人员：荣海娜，王健，张葛祥，王兴，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51