一种基于PSO-LSTM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一种基于PSO‑LSTM的变压器油中溶解气体浓度预测方法，通过准确预测变压器油中溶解气体的浓度，从而实现对变压器运行状态的有效评估；首先收集变压器在线油色谱样本数据，确定其状态特征参量并进行归一化处理后，划分训练集和测试集；然后构建长短期记忆网络预测模型，并通过粒子群算法对长短期记忆网络预测模型进行优化，获得两个最优的预测模型参数，以获得的最优预测模型参数重新建立长短期记忆网络模型；最后以油中溶解的7种特征气体浓度为输入，以待预测气体的浓度为输出，实现对变压器油中溶解气体浓度的预测。本发明专利技术提供的方法可以准确预测变压器油中溶解气体浓度的变化，可对变压器的故障诊断及运行状况评估提供一定的理论依据，为运维人员检修提供借鉴。

【技术实现步骤摘要】
一种基于PSO-LSTM的变压器油中溶解气体浓度预测方法
本专利技术涉及电力设备监控
，尤其涉及一种变压器油中溶解气体浓度的预测方法。
技术介绍
电力变压器作为电力系统中最为核心的设备，起着分配、传输电能的重要作用，是电网公司的重要资产，其安全稳定运行是保障电网可靠性供电的前提。变压器正常运行情况下，由于内部绝缘固体的老化会产生少量气体溶解于绝缘油中，主要有氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳(CO)、二氧化碳(CO2)等气体。根据油中溶解气体浓度比例的不同可判别变压器的不同运行状况，例如：产生高能放电时氢气H2和乙炔C2H2的含量会增加；遇到强烈磁场的情况下，烃类气体的含量会增加，且表现出一定的关联。油中溶解气体分析(dissolvedgasanalysis，DGA)是目前国际上公认的及时准确发现变压器故障缺陷的方法，通过在线油色谱监测装置提取出油中各溶解气体的含量值，形成历史检测数据序列，进而对溶解气体浓度变化趋势进行预测，可为变压器的故障诊断和状态评估技术提供重要的依据。迄今为止国内外众多学者已经对DGA技术开展了大量的分析研究，人工智能预测法较为普遍，通过计算机技术对监测到的数据进行处理分析，进而建立预测模型，常见的有随机森林(RandomForest，RFRF)，循环神经网络(RecurrentNeuralNetwork，RNN)，支持向量机(SupportSectorMachine，SVM)等。由于传统的人工智能预测算法在处理长时间序列问题方面存在不足，模型的超参数确定大多依靠经验来确定，具有不确定性，导致模型的预测精度降低。鉴于此，提出一种基于粒子群算法优化长短期记忆网络预测模型的变压器油中溶解气体浓度预测方法，可以更准确地追踪溶解气体浓度的变化趋势，提高气体预测准确率。
技术实现思路
本专利技术要解决的技术问题是提供一种PSO-LSTM的变压器油中溶解气体浓度预测方法，解决了依据经验选取参数而导致的模型拟合能力不够、预测精度低的问题，使用该气体预测方法能够快速搜索并确定长短期记忆网络模型的最优参数，训练效率高，进而提高预测精度，可为后续变压器的故障诊断、状态评估提供理论指导。为解决上述技术问题，本专利技术提供了一种基于PSO-LSTM的变压器油中溶解气体浓度预测方法，包括如下步骤：A、选择变压器油中溶解的氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6)浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为特征参量；B、获取步骤A中的特征参量在历史时间维度变压器油中的色谱样本数据，并对样本数据进行归一化处理，随机划分训练集数据和测试集数据；C、构建包括输入层、隐藏层、输出层的长短期记忆网络预测模型LSTM；D、使用步骤B中获得的训练集数据对步骤C中构建的长短期记忆网络预测模型LSTM进行粒子群算法优化，在满足预测模型评价指标最优的基础上确定长短期记忆网络预测模型LSTM的最优参数，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；E、使用步骤B中获得的测试集数据作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输入变量，选取步骤A中的特征参量之一作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输出变量，得到预测结果。所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0，1]之间，其归一化的公式为式(1)：式(1)中，x*为归一化后的数据；xmin、xmax分别为样本数据集的最小值与最大值，x为原始样本数据；所述步骤B中划分训练集数据和测试集数据指随机将归一化处理后的样本数据的90％作为训练集数据，将归一化处理后的样本数据的10％作为测试集数据。所述步骤C中长短期记忆网络预测模型LSTM的具体构建过程如下：C1、收集变压器的在线油色谱样本数据，取特征参量氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6)浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为长短期记忆网络预测模型LSTM输入层的样本数据；C2、将步骤C1中各特征参量的样本数据进行归一化处理，映射到[0，1]之间，随机划分得到训练集数据和测试集数据；C3、隐藏层采用步骤C2得到的训练集数据对长短期记忆网络预测模型LSTM进行训练，在预测结果评价标准误差较小的情况下，确定长短期记忆网络预测模型LSTM的参数；C4、采用步骤C3得到的长短期记忆网络预测模型LSTM对测试集数据进行预测，得到预测结果P1、P2、…Pn；C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。所述步骤D中使用粒子群算法优化长短期记忆网络预测模型LSTM的过程如下：D1、初始化步骤C中构建的长短期记忆网络预测模型LSTM参数，设置神经元个数m和学习率lr各自的取值范围、搜索范围，确定最大迭代次数Tmax与种群数量pop、惯性权重最大值ωmax、惯性权重最小值ωmin、加速因子c1初始值c1,ini、加速因子c1最终值c1,fin、加速因子c2初始值c2,ini、加速因子c2最终值c2,fin；D2、根据步骤D1中初始化后的神经元个数m与学习率lr的取值，以步骤C构建的长短期记忆预测模型LSTM对测试集数据进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的适应度值，适应度函数fiti定义如式(7)：式中，n表示测试集数据的样本容量；Xact(i)和Xpred(i)分别为i时刻气体浓度的真实值和预测值；D3、以神经元个数m和学习率lr两个参数为粒子，以步骤D2得到的预测结果的平均绝对百分比误差作为粒子适应度值，采用公式(2)～(6)迭代更新两个粒子的速度和位置，即更新长短期记忆网络预测模型LTSM两个参数的值；通过粒子群算法寻优获得两个参数的最优值后，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；ω＝ωmax-(ωmax-ωmin)(k/Tmax)2(4)c1＝c1,ini-(c1,ini-c1,fin)(k/Tmax)(5)c2＝c2,ini+(c2,fin-c2,ini)(k/Tmax)(6)上式中，k表示当前迭代次数；Tmax表示最大迭代数；分别表示粒子的速度、位置、个体局部最优解和全局最优解；r1与r2为[0，1]之间的随机数；ω为惯性因子，ωmax和ωmin表示迭代惯性权重最大和最小值；c1,ini、c1,fin与c2,ini、c2,fin分别表示加速因子c1与c2的初始值及最终值；D4、以粒子群算法的公式(2)-(6)迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解；当粒子适应度值本文档来自技高网...

【技术保护点】
1.一种PSO-LSTM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：/nA、选择变压器油中溶解的氢气(H

【技术特征摘要】
1.一种PSO-LSTM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：
A、选择变压器油中溶解的氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6)浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为特征参量；
B、获取步骤A中的特征参量在历史时间维度变压器油中的色谱样本数据，并对样本数据进行归一化处理，随机划分训练集数据和测试集数据；
C、构建包括输入层、隐藏层、输出层的长短期记忆网络预测模型LSTM；
D、使用步骤B中获得的训练集数据对步骤C中构建的长短期记忆网络预测模型LSTM进行粒子群算法优化，在满足预测模型评价指标最优的基础上确定长短期记忆网络预测模型LSTM的最优参数，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；
E、使用步骤B中获得的测试集数据作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输入变量，选取步骤A中的特征参量之一作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输出变量，得到预测结果。


2.根据权利要求1所述的PSO-LSTM的变压器油中溶解气体浓度预测方法，其特征在于：所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0，1]之间，其归一化的公式为式(1)：



式(1)中，x*为归一化后的数据；xmin、xmax分别为样本数据集的最小值与最大值，x为原始样本数据；
所述步骤B中划分训练集数据和测试集数据指随机将归一化处理后的样本数据的90％作为训练集数据，将归一化处理后的样本数据的10％作为测试集数据。


3.根据权利要求1所述的一种PSO-LSTM的变压器油中溶解气体浓度预测方法，其特征在于：所述步骤C中长短期记忆网络预测模型LSTM的具体构建过程如下：
C1、收集变压器的在线油色谱样本数据，取特征参量氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6)浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为长短期记忆网络预测模型LSTM输入层的样本数据；
C2、将步骤C1中各特征参量的样本数据进行归一化处理，映射到[0，1]之间，随机划分得到训练集数据和测试集数据；
C3、隐藏层采用步骤C2得到的训练集数据对长短期记忆网络预测模型LSTM进行训练，在预测结果评价标准误差较小的情况下，确定长短期记忆网络预测模型LSTM的参数；
C4、采用步骤C3得到的长短期记忆网络预测模型LSTM对测试集数据进行预测，得到预测结果P1、P2、…Pn；
C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。


4.根据权利要求1所述的一种PSO-LSTM的变压器油中溶解气体浓度预测方法，其特征在于：所述步骤D中使用粒子群算法优化长短期记忆网络预测模...

【专利技术属性】
技术研发人员：刘可真，苟家萁，李鹤健，徐玥，和婧，王骞，刘通，吴世浙，陈镭丹，陈雪鸥，阮俊枭，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53