一种基于改进粒子群的气体浓度的预测方法及装置制造方法及图纸

本申请提供了一种基于改进粒子群的气体浓度的预测方法及装置，本申请提供的方法包括，获取待预测变压器的绝缘油中，任意一种待预测气体的多个历史时刻对应的历史浓度组；历史浓度组包括多个历史浓度；一个历史浓度对一个历史时刻；对历史浓度组进行归一化处理，得到归一化后的历史浓度组；将归一化后的历史浓度组输入气体预测模型中，得到预测气体浓度组；气体预测模型包括归一化后的历史浓度组与预测气体浓度组的对应关系；气体预测模型基于长短期记忆网络预测模型建立，并基于改进粒子群的方法优化。本申请提供的方法提高了预测的气体浓度的精确度，有利于运维人员准确判断变压器的工作状态。

【技术实现步骤摘要】
一种基于改进粒子群的气体浓度的预测方法及装置
本申请涉及电力
，特别涉及一种基于改进粒子群的气体浓度的预测方法及装置。
技术介绍
变压器是电力系统中最为核心的设备，变压器的工作状态决定着配电网的工作状态。因此监测变压器的工作状态，是运维人员的一项重要工作。变压器工作过程中会有少量的气体溶解入变压器的绝缘油中，而绝缘油中溶解的气体浓度可以体现变压器的工作状态。运维人员根据目前绝缘油中溶解的气体浓度，可以预测未来一段时间内气体的浓度，进而监测变压器的工作状态。而目前方法中预测绝缘油中溶解气体浓度的方法中使用的预测模型，大多根据经验确定，导致预测模型的精确度偏低。基于此，目前亟需一种基于改进粒子群的气体浓度的预测方法，用于解决现有技术中预测绝缘油中溶解的气体的浓度的过程中，使用的预测模型的精确度偏低的问题。
技术实现思路
本申请提供了一种基于改进粒子群的气体浓度的预测方法及装置，可用于解决在现有技术中预测绝缘油中溶解的气体的浓度的过程中，使用的预测模型的精确度偏低的问题。第一方面，本申请提供了一种基于改进粒子群的气体浓度的预测方法，所述方法包括：获取待预测变压器的绝缘油中，任意一种待预测气体的多个历史时刻对应的历史浓度组；所述历史浓度组包括多个历史浓度；一个历史浓度对一个历史时刻；对所述历史浓度组进行归一化处理，得到归一化后的历史浓度组；将归一化后的历史浓度组输入气体预测模型中，得到预测气体浓度组；所述气体预测模型包括归一化后的历史浓度组与预测气体浓度组的对应关系；所述气体预测模型基于长短期记忆网络预测模型建立，并基于改进粒子群的方法优化；所述预测气体浓度组包括多个预测气体浓度。结合第一方面，在第一方面的一种可实现方式中，所述气体预测模型采用以下方法训练：获取样本变压器的绝缘油中，任意一种待预测气体的P个样本浓度构成的样本浓度组；所述P个样本浓度对应P个时刻；对所述样本浓度组进行归一化处理，得到归一化后的样本浓度组；将所述归一化后的样本浓度组划分为输入样本浓度组和输出样本浓度组；所述输入样本浓度组由N个归一化后的样本浓度构成；所述输出样本浓度组由M个归一化后的样本浓度构成；P＝M+N，且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻，早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻；将所述输入样本浓度组作为输入，将所述输出样本浓度组作为输出，训练得到所述气体预测模型。结合第一方面，在第一方面的一种可实现方式中，将所述输入样本浓度组作为输入，将所述输出样本浓度组作为输出，训练得到所述气体预测模型，包括：随机初始化长短期记忆网络预测模型的神经元个数以及长短期记忆网络预测模型的学习率；多次迭代更新神经元个数的速度、神经元个数的位置、学习率的速度以及学习率的位置，改变所述长短期记忆网络预测模型的神经元个数以及所述长短期记忆网络预测模型的学习率，得到多个训练好的长短期记忆网络预测模型；将所述输入样本浓度组输入多个训练好的长短期记忆网络预测模型中，得到多个样本预测浓度组；从多个样本预测浓度组中确定出与所述输出样本浓度组最接近的最佳样本预测浓度组；将与所述最佳样本预测浓度组对应的训练好的长短期记忆网络预测模型，确定为所述气体预测模型。结合第一方面，在第一方面的一种可实现方式中，所述归一化后的历史浓度组采用以下方法确定：其中，x*为所述归一化后的历史浓度组中任意一个归一化后的历史浓度；x为所述历史浓度组中任意一个历史浓度；xmin为所述历史浓度组中的最小历史浓度；xmax为所述历史浓度组中的最大历史浓度。结合第一方面，在第一方面的一种可实现方式中，待预测气体包括：氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳以及二氧化碳。第二方面，本申请提供了一种基于改进粒子群的气体浓度的预测装置，所述装置包括：获取模块，用于获取待预测变压器的绝缘油中，任意一种待预测气体的多个历史时刻对应的历史浓度组；所述历史浓度组包括多个历史浓度；一个历史浓度对一个历史时刻；归一化模块，用于对所述历史浓度组进行归一化处理，得到归一化后的历史浓度组；处理模块，用于将归一化后的历史浓度组输入气体预测模型中，得到预测气体浓度组；所述气体预测模型包括归一化后的历史浓度组与预测气体浓度组的对应关系；所述气体预测模型基于长短期记忆网络预测模型建立，并基于改进粒子群的方法优化；所述预测气体浓度组包括多个预测气体浓度。结合第二方面，在第二方面的一种可实现方式中，所述气体预测模型采用以下方法训练：获取样本变压器的绝缘油中，任意一种待预测气体的P个样本浓度构成的样本浓度组；所述P个样本浓度对应P个时刻；对所述样本浓度组进行归一化处理，得到归一化后的样本浓度组；将所述归一化后的样本浓度组划分为输入样本浓度组和输出样本浓度组；所述输入样本浓度组由N个归一化后的样本浓度构成；所述输出样本浓度组由M个归一化后的样本浓度构成；P＝M+N，且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻，早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻；将所述输入样本浓度组作为输入，将所述输出样本浓度组作为输出，训练得到所述气体预测模型。结合第二方面，在第二方面的一种可实现方式中，将所述输入样本浓度组作为输入，将所述输出样本浓度组作为输出，训练得到所述气体预测模型，包括：随机初始化长短期记忆网络预测模型的神经元个数以及长短期记忆网络预测模型的学习率；多次迭代更新神经元个数的速度、神经元个数的位置、学习率的速度以及学习率的位置，改变所述长短期记忆网络预测模型的神经元个数以及所述长短期记忆网络预测模型的学习率，得到多个训练好的长短期记忆网络预测模型；将所述输入样本浓度组输入多个训练好的长短期记忆网络预测模型中，得到多个样本预测浓度组；从多个样本预测浓度组中确定出与所述输出样本浓度组最接近的最佳样本预测浓度组；将与所述最佳样本预测浓度组对应的训练好的长短期记忆网络预测模型，确定为所述气体预测模型。结合第二方面，在第二方面的一种可实现方式中，所述归一化后的历史浓度组采用以下方法确定：其中，x*为所述归一化后的历史浓度组中任意一个归一化后的历史浓度；x为所述历史浓度组中任意一个历史浓度；xmin为所述历史浓度组中的最小历史浓度；xmax为所述历史浓度组中的最大历史浓度。结合第二方面，在第二方面的一种可实现方式中，待预测气体包括：氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳以及二氧化碳。本申请通过改进粒子群的方法确定气体预测模型的参数，能够提升气体预测模型的精确度，进而得到变压器在下一阶段的准确状态，使得运维人员能够及时监测变压器的是否发生故障。附图说明图1为本申请实施例提供的一种基于改进粒子群的气体浓度的预测方法的流程示意图本文档来自技高网...

【技术保护点】
1.一种基于改进粒子群的气体浓度的预测方法，其特征在于，所述方法包括：/n获取待预测变压器的绝缘油中，任意一种待预测气体的多个历史时刻对应的历史浓度组；所述历史浓度组包括多个历史浓度；一个历史浓度对一个历史时刻；/n对所述历史浓度组进行归一化处理，得到归一化后的历史浓度组；/n将归一化后的历史浓度组输入气体预测模型中，得到预测气体浓度组；所述气体预测模型包括归一化后的历史浓度组与预测气体浓度组的对应关系；所述气体预测模型基于长短期记忆网络预测模型建立，并基于改进粒子群的方法优化；所述预测气体浓度组包括多个预测气体浓度。/n

【技术特征摘要】
1.一种基于改进粒子群的气体浓度的预测方法，其特征在于，所述方法包括：
获取待预测变压器的绝缘油中，任意一种待预测气体的多个历史时刻对应的历史浓度组；所述历史浓度组包括多个历史浓度；一个历史浓度对一个历史时刻；
对所述历史浓度组进行归一化处理，得到归一化后的历史浓度组；
将归一化后的历史浓度组输入气体预测模型中，得到预测气体浓度组；所述气体预测模型包括归一化后的历史浓度组与预测气体浓度组的对应关系；所述气体预测模型基于长短期记忆网络预测模型建立，并基于改进粒子群的方法优化；所述预测气体浓度组包括多个预测气体浓度。


2.根据权利要求1所述的方法，其特征在于，所述气体预测模型采用以下方法训练：
获取样本变压器的绝缘油中，任意一种待预测气体的P个样本浓度构成的样本浓度组；所述P个样本浓度对应P个时刻；
对所述样本浓度组进行归一化处理，得到归一化后的样本浓度组；
将所述归一化后的样本浓度组划分为输入样本浓度组和输出样本浓度组；所述输入样本浓度组由N个归一化后的样本浓度构成；所述输出样本浓度组由M个归一化后的样本浓度构成；P＝M+N，且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻，早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻；
将所述输入样本浓度组作为输入，将所述输出样本浓度组作为输出，训练得到所述气体预测模型。


3.根据权利要求2所述的方法，其特征在于，将所述输入样本浓度组作为输入，将所述输出样本浓度组作为输出，训练得到所述气体预测模型，包括：
随机初始化长短期记忆网络预测模型的神经元个数以及长短期记忆网络预测模型的学习率；
多次迭代更新神经元个数的速度、神经元个数的位置、学习率的速度以及学习率的位置，改变所述长短期记忆网络预测模型的神经元个数以及所述长短期记忆网络预测模型的学习率，得到多个训练好的长短期记忆网络预测模型；
将所述输入样本浓度组输入多个训练好的长短期记忆网络预测模型中，得到多个样本预测浓度组；
从多个样本预测浓度组中确定出与所述输出样本浓度组最接近的最佳样本预测浓度组；
将与所述最佳样本预测浓度组对应的训练好的长短期记忆网络预测模型，确定为所述气体预测模型。


4.根据权利要求3所述的方法，其特征在于，所述归一化后的历史浓度组采用以下方法确定：



其中，x*为所述归一化后的历史浓度组中任意一个归一化后的历史浓度；x为所述历史浓度组中任意一个历史浓度；xmin为所述历史浓度组中的最小历史浓度；xmax为所述历史浓度组中的最大历史浓度。


5.根据权利要求1所述的方法，其特征在于，待预测气体包括：
氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳以及二氧化碳。


6.一种基...

【专利技术属性】
技术研发人员：田小航，王荣泰，舒荣，徐文力，顾跃，赵燕团，张忠才，陈辛，
申请(专利权)人：云南电力技术有限责任公司，
类型：发明
国别省市：云南;53