一种变压器油中溶解气体浓度预测模型建模方法技术

一种变压器油中溶解气体浓度预测模型建模方法，选择可能对变压器油中溶解气体预测具有积极影响的重要因素并建立变量环境，设定每一种气体的预测都受到其余所有变量的积极影响，使用长短时记忆网络(LSTM)预测模型分别预测并比较误差，验证假设并提取对待预测气体变量具有积极影响的重要因素，在已筛选出重要因素的基础上，建立融合时间注意力机制的LSTM预测模型，增强重要因素历史时序数据中关键信息的表达，将重要因素对应的时序数据作为融合时间注意力机制的LSTM的输入，预测模型建模完成。本发明专利技术方法可以根据已采集的变压器历史运行状态数据，解决基于传统关联性分析方法的变压器油中溶解气体浓度预测方法精度不高的问题。

【技术实现步骤摘要】
一种变压器油中溶解气体浓度预测模型建模方法
本专利技术涉及电力变压器运行状态评估及预测领域，具体涉及一种变压器油中溶解气体浓度预测模型建模方法。
技术介绍
电力变压器作为电力系统中最关键的设备之一，具有传输和转换电能的作用，保证其安全稳定运行对整个电力网络至关重要。依靠传统定期人工检修方式对变压器设备进行健康检查会耗费大量人力、物力及财力，还可能出现维修过多或维修不及时，导致变压器损坏和寿命折损，因此对变压器未来状态进行预测，并实施全生命周期的精细化管理，正在成为热点。油中溶解气体分析(DissolvedGasAnalysis，DGA)技术是当前国际上公认的发现变压器初期故障及缺陷的有效手段，通过油色谱在线监测装置采集的油中相关状态指标历史数据，对未来油中溶解气体浓度进行建模预测，可以有效掌握设备状态和发展趋势，对于电力变压器状态预测具有重要的技术价值。当前的一些关于变压器状态预测研究方法中考虑的变量种类不够全面，对变量间相互影响关系缺乏深入的分析，如灰色关联分析法、相关系数法等方法通过人为确定系数过于主观性，并且没有挖掘时序信本文档来自技高网...

【技术保护点】
1.一种变压器油中溶解气体浓度预测模型建模方法，其特征在于：首先，从建立的变量环境中找出溶解气体浓度预测的积极影响因素；然后，采用时间注意力机制增强积极影响因素对应的历史时序中关键信息的表达；最后，通过预测模型得出变压器油中溶解气体未来浓度值。/n

【技术特征摘要】
1.一种变压器油中溶解气体浓度预测模型建模方法，其特征在于：首先，从建立的变量环境中找出溶解气体浓度预测的积极影响因素；然后，采用时间注意力机制增强积极影响因素对应的历史时序中关键信息的表达；最后，通过预测模型得出变压器油中溶解气体未来浓度值。


2.一种变压器油中溶解气体浓度预测模型建模方法，其特征在于包括以下步骤：
步骤1、建立变量环境：
包括变压器油中溶解气体、运行状态和运行环境：H2(μL/L)、CH4(μL/L)、C2H6(μL/L)、C2H4(μL/L)、C2H2(μL/L)、CO(μL/L)、CO2(μL/L)、总烃(μL/L)、负荷(MW)、油温(℃)、环境温度(℃)，其中，输入到预测模型的是各变量对应的时间序列信息；
步骤2、设定待预测气体的积极影响因素：
设任一种待预测气体y的浓度预测受到积极影响因素x1、积极影响因素x2、...、积极影响因素xn-1的影响，其中：n为变量环境内总变量个数；
步骤3、对步骤2设定的待预测气体的积极影响因素进行验证：
步骤3.1：将待预测气体y的历史时序数据输入到LSTM网络，预测该气体的未来浓度值，并计算结果的均方根误差RMSE1；
步骤3.2：将待预测气体y与积极影响因素x1的历史时序数据输入到LSTM网络，预测该气体的未来浓度值，并计算预测结果的均方根误差RMSE2；
步骤3.3：若RMSE1＞RMSE2，认为积极影响因素x1对待预测气体y的浓度预测具有积极影响并提取积极影响因素x1对应的时序信息，否则不提取；
步骤3.4：重复步骤3.1～步骤3.3，验证下一个影响因素，直至验证完所有影响因素；
步骤4、在已提取积极影响因素x1对应的时序信息的基础上，构造融合时间注意力机制的LSTM预测模型，对7种变压器油中溶解气体浓度进行预测，将待预测气体y对应的时序信息和步骤3中提取的积极影响因素的时序信息，作为融合时间注意力机制的LSTM预测模型的输入，预测油中溶解气体的未来浓度值，预测模型建模完成。


3.根据权利要求2所述一种变压器油中溶解气体浓度预测模型建模方法，其特征在于：所述步骤1中，变量环境的样本数据来自中国国家电网公司750kV电力变压器的油中溶解气体、运行状态和运行环境监测数据的历史数据，共计45组监测数据，前40组监测数据用于预测模型的训练，后5组监测数据用于训练完成的预测模型的测试；
对预测模型进行训练，当预测误差小于设定值后，得到训练完成的预测模型。


4.根据权利要求2所述一种变压器油中溶解气体浓度预测模型建模方法，其特征在于：所述步骤3包括以下步骤：
步骤3.1、建立长短时记忆网络LSTM预测模型：
步骤3.1.1：在t时刻LSTM的输入为xt，在t-1时刻的隐藏层状态为ht-1，ht-1也是上一时刻的输出，选择性遗忘信息由激活函数确定，计算步骤：
ft＝σ(Wf·[ht-1，xt]+bf)



其中：ft是遗忘门计算结果，Wf是遗忘门的权重，[ht-1，xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，Wfx为当前输入项xt的权重，Wfh为上一时刻隐藏层状态ht-1的权重，σ是sigmoid激活函数；在t时刻的输入xt的维度是dx，隐藏层状态ht-1的维度是dh，单元状态的维度是dc，通常dc＝dh，则遗忘门的权重矩阵Wf维度是dc×(dh+dx)；
步骤3.1.2：把LSTM关于当前的记忆c′t和长期的记忆ct-1组合在一起，形成了新的单元状态ct，计算过程如下：
it＝σ(Wi·[ht-1，xt]+bi)
c′t＝tanh(Wc·[ht-1，xt]+bc)



其中：it是输入门计算结果，c′t是当前时刻输入单元状态，Wi是输入门的权重，Wc是输入单元状态权重，bi是输入门的偏置项，bc是输入单元状态的偏置项，tanh(·)为双曲正切激活函数，表示矩阵按元素相乘规则运算；
步骤3.1.3：LSTM最终的输出结果ht是由输出门状态ot和单元状态ct共同决定：
ot＝σ(Wo·[ht-1，xt]+bo)



其中：ot是输出门计算结果，Wo是输出门权重，bo是输出门偏置，tanh(ct)是将单元状态ct映射在-1和1之间；
步骤3.2、验证并提取积极影响因素：
步骤3.2.1：使用待预测气体y对应的历史时序值y1，y2，…，yT，输入到步骤3.1中所建立的LSTM预测模型，得到待预测气体未来浓度值y′T+1，计算预测结果的均方根误差RMSE1，计算方法如下：
y′T+1＝FLSTM(y1，y2，…，yT)



其中：FLSTM是LSTM预测模型的简写，yi是气体浓度测量值，y′i是气体浓度预测值，n为预测值个数；
步骤3...

【专利技术属性】
技术研发人员：陈铁，陈卫东，汪长林，冷昊伟，陈一夫，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北;42