基于联合模型的变压器油中气体含量预测方法及系统技术方案

本发明专利技术公开了一种基于联合模型的变压器油中气体含量预测方法及系统，属于变压器故障预测领域，该方法包括：确定与故障相关的待预测气体类型和时间序列，针对油中溶解气体浓度序列的非平稳性特征，分别采用经验模态分解和局部均值分解对原始序列进行处理；针对各子序列分量分别进行归一化，划分训练样本与测试样本；针对各子序列分量分别构建DBN预测模型进行训练，并叠加重构建立DBN模型对故障的多维数据进行特征提取及分类，通过计算误差指标评价该预测模型的预测性能。本发明专利技术将油中溶解气体浓度时间序列分解为更强平稳性和规律性的分量，再利用深度置信网络对多层网络特征提取的优势，达到对变压器进行状态预测便于及时识别故障的目的。

【技术实现步骤摘要】
基于联合模型的变压器油中气体含量预测方法及系统
本专利技术属于变压器故障预测领域，更具体地，涉及一种基于联合模型的变压器油中气体含量预测方法及系统。
技术介绍
电力设备安全运行是电网安全稳定运行的基础，尤其是作为电力系统的关键枢纽设备，电力变压器的安全稳定运行事关社会正常运作的电力供应。目前针对电力变压器的故障诊断主要分为离线监测和在线监测，油中溶解气体分析是变压器重要的在线测量手段，油中溶解气体浓度的预测可以为电力变压器故障诊断和预警提供重要的预测依据，目前仍然是公认的发现电力变压器缺陷及潜伏性故障的有效方法。通过油色谱在线监测装置按固定采样周期获取油中气体组分含量值，形成油色谱在线监测时间序列，利用历史监测序列对油中溶解气体的浓度发展趋势进行准确预测，对于电力变压器故障预警具有重要的技术价值。传统预测方法主要受限于序列本身的数据分布规律，受限于特定的预测序列，在其他应用场景中则存在较大的局限性。随着人工智能技术的不断发展，越来越多的智能预测方法利用大量历史数据进行分析训练，获得能够反映时间序列发展趋势的预测模型。由于传统的人工智能方法无法有效捕捉序列数据的时序关联性，因此其对于油色谱在线监测序列的预测精度有限。目前也存在将多种单一方法进行加权组合的预测方法，但组合模型的权重基于专家经验确定，过于主观，或者出现权重为负值的情况。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提出了一种基于联合模型的变压器油中气体含量预测方法及系统，将电力变压器油中溶解气体浓度时间序列分解为更强平稳性和规律性的分量，再利用深度置信网络对多层网络特征提取的优势，达到对变压器进行状态预测便于及时识别故障的目的，由此解决现有单一诊断方法存在的局限性，以及组合模型依靠专家经验来确定权重而存在的过于主观，或者出现权重为负值的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种基于联合模型的变压器油中气体含量预测方法，包括：(1)获取与故障相关的待预测气体的原始浓度时间序列；(2)将所述原始浓度时间序列进行EMD分解，得到若干个IMF分量和1个剩余分量；将所述原始浓度时间序列进行LMD分解，得到若干个PF分量和1个残余分量；(3)对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量，分别利用深度置信网络得到下一时刻的单一分量浓度预测结果；(4)将各所述IMF分量及所述剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值，将各所述PF分量及所述残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值；(5)分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测，得到所述原始浓度时间序列后续多时刻的浓度预测值。优选地，在步骤(2)中，所述将所述原始浓度时间序列进行EMD分解，得到若干个IMF分量和1个剩余分量，包括：(a)获取所述原始浓度时间序列中所有极大值点和极小值点，获取所有极大值点的上包络线及所有极小值点的下包络线，并获取所述上包络线与所述下包络线的包络线均值；(b)获取所述原始浓度时间序列与所述包络线均值的差值；(c)判断所述差值是否满足IMF约束条件，若不满足，则将所述差值作为新的输入时间序列，并执行步骤(a)和步骤(b)，直至最终得到的目标差值满足所述约束条件，将所述目标差值作为第一个IMF分量，并将所述目标差值从所述原始浓度时间序列中分离出去，得到剩余分量；(d)将所述剩余分量作为新的原始浓度时间序列，重复执行步骤(a)～步骤(c)，得到其余IMF分量与一个最终的目标剩余分量。优选地，在步骤(2)中，所述将所述原始浓度时间序列进行LMD分解，得到若干个PF分量和1个残余分量，包括：(i)获取所述原始浓度时间序列的所有局部极值点，依次求出相邻局部极值点的平均值，由各所述平均值得到局部均值函数；(ii)依次求出相邻局部极值点的包络估计值，并依次对相邻的2个包络估计值进行平滑，得到包络估计函数；(iii)从所述原始浓度时间序列中分离出所述局部均值函数得到差值函数；(iv)用所述差值函数除以所述包络估计函数得到相除值函数，将所述相除值函数作为新的输入时间序列，重复执行步骤(i)～步骤(iii)，直至最终得到的目标相除值函数为1个纯调频信号；(v)对迭代过程中得到的所有包络估计函数求乘积，得到包络信号；(vi)将所述纯调频信号和所述包络信号相乘，得到所述原始浓度时间序列的第1个PF分量：(vii)将第1个PF分量从所述原始浓度时间序列中分离出来得到残余分量，将所述残余分量作为新的原始浓度时间序列，重复执行步骤(i)～步骤(vii)，直至最终得到的目标残余分量为单调函数，得到其余PF分量与一个最终的目标残余分量。优选地，在步骤(3)之前，所述方法还包括：对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量，归一化到[0,1]范围内。优选地，步骤(5)包括：(5.1)采用训练好的深度置信网络分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测，将EMD同一时刻下的多步预测结果进行线性叠加重构得到EMD-DBN的多步预测值，将LMD同一时刻下的多步预测结果进行线性叠加重构得到LMD-DBN的多步预测值；(5.2)获取所述EMD-DBN的多步预测值与所述LMD-DBN的多步预测值的均值作为所述原始浓度时间序列后续多时刻的浓度预测值优选地，所述方法还包括：采用均方根误差以及误差标准差对预测结果进行评价。优选地，所述与故障相关的待预测气体包括：氢气、甲烷、乙烷、乙烯或乙炔。按照本专利技术的另一方面，提供了一种基于联合模型的变压器油中气体含量预测系统，包括：数据获取模块，用于获取与故障相关的待预测气体的原始浓度时间序列；子序列分解模块，用于将所述原始浓度时间序列进行EMD分解，得到若干个IMF分量和1个剩余分量；将所述原始浓度时间序列进行LMD分解，得到若干个PF分量和1个残余分量；单一分量预测模块，用于对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量，分别利用深度置信网络得到下一时刻的浓度预测结果；叠加重构模块，用于将各所述IMF分量及所述剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值，将各所述PF分量及所述残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值；预测结果确定模块，用于分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测，得到所述原始浓度时间序列后续多时刻的浓度预测值。按照本专利技术的另一方面，提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现如上述任一所述的基于联合模型的变压器油中气体含量预测方法。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益本文档来自技高网...

【技术保护点】
1.一种基于联合模型的变压器油中气体含量预测方法，其特征在于，包括：/n(1)获取与故障相关的待预测气体的原始浓度时间序列；/n(2)将所述原始浓度时间序列进行EMD分解，得到若干个IMF分量和1个剩余分量；将所述原始浓度时间序列进行LMD分解，得到若干个PF分量和1个残余分量；/n(3)对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量，分别利用深度置信网络得到下一时刻的浓度预测结果；/n(4)将各所述IMF分量及所述剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值，将各所述PF分量及所述残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值；/n(5)分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测，得到所述原始浓度时间序列后续多时刻的浓度预测值。/n

【技术特征摘要】
1.一种基于联合模型的变压器油中气体含量预测方法，其特征在于，包括：
(1)获取与故障相关的待预测气体的原始浓度时间序列；
(2)将所述原始浓度时间序列进行EMD分解，得到若干个IMF分量和1个剩余分量；将所述原始浓度时间序列进行LMD分解，得到若干个PF分量和1个残余分量；
(3)对于每个所述IMF分量、所述剩余分量、每个所述PF分量及所述残余分量，分别利用深度置信网络得到下一时刻的浓度预测结果；
(4)将各所述IMF分量及所述剩余分量在同一时刻的浓度预测结果进行线性叠加重构得到EMD的单步预测值，将各所述PF分量及所述残余分量在同一时刻的预测结果进行线性叠加重构得到LMD的单步预测值；
(5)分别对所述EMD的单步预测值及所述LMD的单步预测值进行多步延伸预测，得到所述原始浓度时间序列后续多时刻的浓度预测值。


2.根据权利要求1所述的方法，其特征在于，在步骤(2)中，所述将所述原始浓度时间序列进行EMD分解，得到若干个IMF分量和1个剩余分量，包括：
(a)获取所述原始浓度时间序列中所有极大值点和极小值点，获取所有极大值点的上包络线及所有极小值点的下包络线，并获取所述上包络线与所述下包络线的包络线均值；
(b)获取所述原始浓度时间序列与所述包络线均值的差值；
(c)判断所述差值是否满足IMF约束条件，若不满足，则将所述差值作为新的输入时间序列，并执行步骤(a)和步骤(b)，直至最终得到的目标差值满足所述约束条件，将所述目标差值作为第一个IMF分量，并将所述目标差值从所述原始浓度时间序列中分离出去，得到剩余分量；
(d)将所述剩余分量作为新的原始浓度时间序列，重复执行步骤(a)～步骤(c)，得到其余IMF分量与一个最终的目标剩余分量。


3.根据权利要求1所述的方法，其特征在于，在步骤(2)中，所述将所述原始浓度时间序列进行LMD分解，得到若干个PF分量和1个残余分量，包括：
(i)获取所述原始浓度时间序列的所有局部极值点，依次求出相邻局部极值点的平均值，由各所述平均值得到局部均值函数；
(ii)依次求出相邻局部极值点的包络估计值，并依次对相邻的2个包络估计值进行平滑，得到包络估计函数；
(iii)从所述原始浓度时间序列中分离出所述局部均值函数得到差值函数；
(iv)用所述差值函数除以所述包络估计函数得到相除值函数，将所述相除值函数作为新的输入时间序列，重复执行步骤(i)～步骤(iii)，直至最终得到的目标相除值函数为1个纯调频信号；
(v)对迭代过程中得到的所有包络估计函数求乘积，得到包络信号；
(vi)将所述纯调频...

【专利技术属性】
技术研发人员：何怡刚，吴汶倢，时国龙，张慧，张朝龙，许水清，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42