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。但是传统的机器学习方法仅通过历史数据进行预测，忽略了油中溶解气体浓度之间的关联关系，其预测的精确度有待提升。
技术实现思路
为了解决上述问题，本专利技术提出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。实现本专利技术目的的技术方案如下：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，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。进一步的，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：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C2H4一氧化碳CO、二氧化碳CO2、总烃中的一种气体浓度序列归一化的值，μi为相应气体浓度第i簇的均值，采用的是欧氏距离，k为聚类类别数，n为相应气体浓度的样本数；利用Apriori算法找出气体浓度项集中支持度大于最小支持度的频繁项集，删去频繁项集中置信度小于阈值的规则，得到气体浓度序列之间的关联关系。进一步的，利用Apriori算法找出气体浓度项集中支持度大于最小支持度的频繁项集，删去频繁项集中置信度小于阈值的规则，得到气体浓度序列之间的关联关系，过程如下：将归一化后符号表示的七种油中溶解气体浓度数据集记为D，D＝{t1,t2,...,tn}其中tk＝{i1,i2,...,in}，tk(k＝1,2,...,n)称为事务，im(m＝1,2,...,p)称为项。扫描油中溶解气体浓度数据集中的所有事务，分别计算处于聚类中心“A”、“B”、“C”、“D”、……的次数，找出频繁项集，气体浓度序列间的关联程度计算公式为：其中X、Y分别称为该关联规则的前件和后件，count(X∩Y)为数据库D中同时包含X和Y的数量，只有当规则的支持度大于设定的最小支持度时，则该项集被称为频繁项集，最小支持度一般为人为设定值；气体浓度序列间关联规则可信度计算公式为若对气体浓度序列X和气体浓度序列Y，其中有n条规则Xi→Yi是满足最小置信度的关联规则，则用公式：计算气体浓度序列间的关联度和置信度，发现具有强关联性的序列。进一步的，在步骤三中，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的具体方法如下：利用Daubechies小波的快速算法Mallet算法，将信号x(t)正交投影到空间Vj和Wj上，分别得到分辨力j下的离散逼近信号cj(t)和离散细节信号dj(t)，令j由零逐级增大，便可实现信号的逐级分解，每一级分解的结果将上次分解得到的低频分量再分解成低频和高频两部分，而高频信号则不予考虑，得到个子序列分别为低频分量an(t)，高频频分量dj(t)；信号x(t)经多分辨分解后，可表示为n为小波分解层数。本专利技术的有益效果是：本专利技术针对现有预测方法存在的不足，提出一种基于小波分解(wavelettransform,WT)和长短期记忆网络(longshort-termmemory,LSTM)的变压器油中溶解气体浓度预测方法，在考虑预测输入状态量间关联关系的基础上，通过小波分解去除不稳定分量，再通过长短期记忆网络分别对小波分解的分量进行预测，最后对分量进行重构，提升了预测精度。本专利技术首先通过关联规则挖掘与待预测气体强关联的状态参量，然后利用小波变换将待预测气体序列分解为不同频率的子序列，提取出序列中的低频趋势分量和高频波动分量，再结合油中溶解气体序列间关联规则，运用LSTM在不同分量上分别进行预测，通过重构得到待预测气体序列的预测结果。将该方法用于某变电站220kV主变油中溶解气体预测中，结果表明与未考虑关联性的预测方法及传统预测方法相比，本专利技术所提方法预测精度较高。附图说明图1为一氧化碳分布结果图。图2为CO序列的小波分解结果图。图3为基于WT-LSTM的CO浓度预测结果图。图4为考虑气体浓度相关性的WT-LSTMCO浓度预测结果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的本文档来自技高网...

【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