一种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一种变压器油中溶解气体浓度预测方法，首先为降低变压器油中溶解气体浓度时间序列的波动性对预测结果的影响，采用奇异谱分析将原始变压器油中溶解气体浓度时间序列分解为多个特征分量，然后对各个特征分量分别建立混沌蝙蝠算法优化回声状态网络的预测模型，提高预测模型的稳定性和泛化能力；再输入测试数据到预测模型得到全部特征分量的预测值；最后叠加全部特征分量的预测值得到实际的变压器油中溶解气体浓度预测结果。本发明专利技术的方法能更好的找寻气体浓度时间序列的变化规律，获得较单一人工智能预测方法更高精度的变压器油中溶解气体浓度预测结果。

【技术实现步骤摘要】
一种变压器油中溶解气体浓度预测方法
本专利技术属于电网设备状态监测
，特别是涉及一种基于奇异谱分析和混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测方法。
技术介绍
电力变压器在电力系统中担任着传递电能的重要角色，其安全可靠运行是保证电力持续可靠供应以及电力系统稳定的重要基石。变压器油色谱在线监测系统在变压器运行状态下的绝缘监测领域得到广泛应用，该系统基于油中溶解气体分析(dissolvedgasanalysis，DGA)技术，根据固定采样周期对变压器油进行气体含量分析，得到持续地油中气体浓度时间序列。利用采集到的历史时间序列对变压器油中溶解气体的浓度未来变化趋势进行精准预测，可为变压器缺陷及潜伏性故障判断提供重要参考依据。现有的油中溶解气体浓度预测模型主要可分为两类：数理统计预测模型和人工智能预测模型。数理统计预测模型主要包括时间序列模型、灰色模型等。这类数理统计预测方法在处理线性序列与指数序列时预测效果良好，但该类模型原理简单，受历史数据限制较大，难以反映波动性强的数据变化趋势。人工智能预测模型通过支持向量机和神经网络等机器学本文档来自技高网...

【技术保护点】
1.一种变压器油中溶解气体浓度预测方法，其特征在于，包括以下步骤：/nS1、采用奇异谱分析对变压器油中溶解气体浓度时间序列进行分解，得到多个特征分量；/nS2、对每个特征分量构建各自的训练数据集和测试数据集；/nS3、对每个特征分量分别建立混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测模型；/nS4、将训练数据集中多个特征分量的训练样本逐一输入混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测模型进行训练，得到各自对应的变压器油中溶解气体浓度预测子模型；/nS5、将测试数据输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测，得到每个变压器油中溶解气体浓度子模型的预测输出值...

【技术特征摘要】
1.一种变压器油中溶解气体浓度预测方法，其特征在于，包括以下步骤：
S1、采用奇异谱分析对变压器油中溶解气体浓度时间序列进行分解，得到多个特征分量；
S2、对每个特征分量构建各自的训练数据集和测试数据集；
S3、对每个特征分量分别建立混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测模型；
S4、将训练数据集中多个特征分量的训练样本逐一输入混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测模型进行训练，得到各自对应的变压器油中溶解气体浓度预测子模型；
S5、将测试数据输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测，得到每个变压器油中溶解气体浓度子模型的预测输出值；
S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理，得到最终的变压器油中溶解气体浓度预测结果。


2.根据权利要求1所述的一种变压器油中溶解气体浓度预测方法，其特征在于，连续采集一段时间的变压器油中溶解气体浓度时间序列，构成连续的时间序列数据集Y＝[y1,y2,...,yN]T，其中，N为数据集样本点个数，yN为第N个时间序列样本。


3.根据权利要求2所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S1中采用奇异谱分析对变压器油中溶解气体浓度时间序列进行分解的具体步骤为：
S11、嵌入：
时间序列数据集Y＝[y1,y2,...,yN]T共有N个样本点，奇异谱分析中嵌入的维度由L表示，L又称为窗口长度，令K＝N-L+1，则滞后L阶的向量被定义为：
Xi＝[yi,yi+1,…,yi+L-1]T,i＝1,2,…,K
轨迹矩阵定义为：



S12、奇异值分解：
假设协方差矩阵S＝XXT，S的奇异值分解产生一组共L个特征值λ1,λ2,…,λL，以及特征值对应的正交特征向量U1,U2,…,UL，令d＝max{i}，λi＞0，其中i＝1，２，…，d，则轨迹矩阵X的奇异值分解表示为：
X＝X1+X2+…Xd
式中，为矩阵X的奇异值，为奇异谱，Ui为轨迹矩阵X的正交函数，Vi为轨迹矩阵X的主成分，集合被称为轨迹矩阵X奇异值分解的第i个三重特征向量；
S13、分组：
奇异值分解后，将分解得到的奇异值分成m个不相交的组I1,I2,…,Im，将I＝(i1,i2,…,ip)表示为一组指数，然后，对应于组I的合成矩阵XI定义为此过程完成了轨迹矩阵X的后续分解，即：



将合成矩阵XI转换成其所对应的时间序列数据特征分量，每一组数据特征分量代表原始信号的某一运动特征；
对于给定的Ii，i＝1,2,...,m，通过相应特征值的占比计算特征分量的贡献率，贡献率为小于0.01％的序列为噪声分量，信号重构前剔除噪声分量；
S14、对角重构信号平均化：
通过对角平均，每个轨迹矩阵X通过以下过程转移到时间序列中：
假设轨迹矩阵X为一个L×K的矩阵，矩阵元素为xij，1≤i≤L，1≤j≤K，设L*＝min(L,K),K*＝max(L,K)，N＝K+L-1，若L<K，令
否则，则重构后的时间序列Z＝{z1,z2,…,zN}表示如下：





4.根据权利要求3所述的一种变压器油中溶解气体浓度预测方法，其特征在于，运动特征包括趋势分量、周期分量和噪声分量中的一种。


5.根据权利要求3所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S2中构建各自的训练数据集具体为：
特征分量的训练数据Trn包含模型的输入数据Xn和输出数据Yn，输入数据其中m为预测模型输入个数，输出数据l的取值由预测模型输出个数决定。


6.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，特征分量的测试数据集Ten的选取方式与训练数据集Trn的选取方式相同。


7.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，输入数据和输出数据是对特征分量的时间序列进行连续采集而得到。


8.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S3中建立混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测模型具体为：
S31、建立回声状态网络：
u(k)＝[u1(k),u2(k),...,...

【专利技术属性】
技术研发人员：董朕，高东慧，吴建光，胡骁，朱耀添，黄磊，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司肇庆供电局，
类型：发明
国别省市：广东;44