基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法技术

本申请涉及电气领域，特别地，涉及基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法。本申请提供一种基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法，所述方法包括：获取预设标准浓度的CO气体作为实验样气；将所述是CO气体的部分作为训练集，剩余部分作为测试测；基于所述训练集合测试集构建基于粒子群优化SVM模型；基于所述SVM模型，采用自适应变异粒子群优化算法得到最优参数。该方法建模快速、所需参量数量少，能够有效对采集到的光谱数据进行智能计算，使得得到的变压器油中溶解气体浓度数据相较于BP神经网络算法模型得到的数据更加精确、有效。

Raman detection and analysis of dissolved gas in transformer oil based on particle swarm optimization SVM

【技术实现步骤摘要】
基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法
本申请涉及电气领域，特别地，涉及基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法。
技术介绍
变压器油是天然石油中经过蒸馏、精炼而获得的一种矿物油，是石油中的润滑油馏份经酸碱精制处理得到纯净稳定、粘度小、绝缘性好、冷却性好的液体天然碳氢化合物的混合物，俗称方棚油，浅黄色透明液体。变压器油具有比空气高得多的绝缘强度，绝缘材料浸在油中，不仅可提高绝缘强度，而且还可免受潮气的侵蚀；变压器油的比热大，常用作冷却剂，变压器运行时产生的热量使靠近铁芯和绕组的油受热膨胀上升，通过油的上下对流，热量通过散热器散出，保证变压器正常运行。在油断路器和变压器的有载调压开关上，触头切换时会产生电弧，由于变压器油导热性能好，且在电弧的高温作用下能分触了大量气体，产生较大压力，从而提高了介质的灭弧性能，使电弧很快熄灭。变压器的安全稳定运行是电网正常工作的重要保障，其中绝缘油作为变压器的重要组成部分有着绝缘、散热、消弧等作用。最常用的针对变压器运行状态的在线监测的方法之一，就是对变压器油中溶解气体的监测诊断。当电力变压器出现包括放电、过热或老化在内的故障时，绝缘材料会分解产生相应的通常包括一氧化碳在内的特征气体。在利用拉曼光谱检测这些特征气体之后，需要有效的定量分析方法确定气体浓度，从而进行变压器油中溶解气体的。然而，仅由支持向量机建模，则会出现参数难以确定及光谱数据计算量过大等问题。
技术实现思路
本申请提供了一种基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法，通过提出了基于粒子群优化SVM的变压器油中溶解气体光纤检测定量分析方法，该方法建模快速、所需参量数量少，能够有效对采集到的光谱数据进行智能计算，使得得到的变压器油中溶解气体浓度数据相较于BP神经网络算法模型得到的数据更加精确、有效。本申请的实施例是这样实现的：本申请实施例提供一种基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法，所述方法包括：获取预设标准浓度的CO气体作为实验样气；将所述CO气体的部分作为训练集，剩余部分作为测试测；基于所述训练集合测试集构建基于粒子群优化SVM模型；基于所述SVM模型，采用自适应变异粒子群优化算法得到最优参数。本申请的有益效果在于：通过本专利技术所提出的粒子群优化SVM算法能够有效提高建模的效率，缩短建模的时间，突出待测成分信号的特征性，提高光谱信号的准确度，能有效提高光谱数据的分析准确度。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1示出了本申请实施例一种基于粒子群优化SVM的变压器油溶解气体拉曼检测分析系统100的示意图；图2示出了本申请实施例一种计算设备200的示意图；图3示出了本申请实施例基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法的流程示意图；图4示出了本申请实施例自适应变异PSO参数优化流程图：图5示出了本申请实施例CO训练集实际浓度和预测对比图：图6示出了本申请实施例CO测试集实际浓度和预测对比图。具体实施方式为使本申请示例性实施例的目的、技术方案和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中示出的示例性实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，虽然本申请中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整技术方案。应当理解，本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的那些组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。本申请中使用的术语“组件”，是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。。本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。图1示出了本申请实施例一种基于粒子群优化SVM的变压器油溶解气体拉曼检测分析系统100的示意图。基于粒子群优化SVM的变压器油溶解气体拉曼检测分析系统100是一个可以自动通过对传感器对气体的采集实现变压器油溶解气体分析的系统。基于粒子群优化SVM的变压器油溶解气体拉曼检测分析系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个传感器150-1、150-2……150-N。服务器110可以包括一个处理引擎112。在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中，服务器110和基于粒子群优化SVM的变压器油溶解气体拉曼检测分析系统可以在与本申请图2所示的计算设备上实现，包括计算设备200中的一个或多个部件。在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于获取传感器150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法，其特征在于，所述方法包括：/n获取预设标准浓度的CO气体作为实验样气；/n将所述CO气体的部分作为训练集，剩余部分作为测试测；/n基于所述训练集合测试集构建基于粒子群优化SVM模型；/n基于所述SVM模型，采用自适应变异粒子群优化算法得到最优参数。/n

【技术特征摘要】
1.一种基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法，其特征在于，所述方法包括：
获取预设标准浓度的CO气体作为实验样气；
将所述CO气体的部分作为训练集，剩余部分作为测试测；
基于所述训练集合测试集构建基于粒子群优化SVM模型；
基于所述SVM模型，采用自适应变异粒子群优化算法得到最优参数。


2.如权利要求1所述的基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法，其特征在于，所述CO气体的标准浓度进行归一化处理。


3.如权利要求1所述的基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法，其特征在于，所述自适应变异粒子群优化算法，其步骤执行如下：
S1、对粒子群的初始位置和速度进行初始化；
S2、设置适应度函数为模型预测结果的均方差；
S3、将粒子适应度值进行横向或纵向比较后获得当前群体的最优位置；
S4、计算更新粒子的速度和位置；
S5、优化流程的结束条件为模型预测结果均方差为0或者迭代次数达到设定值；未达到结束条件则重复步骤S2-S5。


4.如权利要求3所述的基于粒子群优化SVM的变压器油溶解气体拉曼检测分析方法，其特征在于，所述计算更新粒子的...

【专利技术属性】
技术研发人员：钱国超，王稼轩，颜冰，王建新，陈伟根，洪志湖，王品一，万福，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南;53