本发明专利技术公开了一种基于元学习的油浸式变压器剩余寿命个性化预测方法，通过构建两个共享生成器提取变压器的历史数据中的共性特征和规律，当获取到不同变压器的油中溶解气体数据时，能够识别变压器的个性化运行特征并生成针对每台变压器的个性化的预测模型和判别模型，分别预测变压器未来油中溶解气体浓度数据和故障发生时间，以此实现变压器剩余寿命个性化预测。该方法能够提高油浸式变压器剩余寿命预测的准确性，满足变压器剩余寿命个性化预测的需求。的需求。的需求。
【技术实现步骤摘要】
基于元学习的油浸式变压器剩余寿命个性化动态预测方法
[0001]本专利技术属于变压器寿命分析领域，具体涉及一种基于元学习的油浸式变压器剩余寿命个性化动态预测方法。
技术介绍
[0002]变压器是电力系统的主要设备之一，承担着电网互联和功率交换的枢纽作用。随着我国电网系统向复杂化、智能化方向不断发展，变压器设备在特高压输送、智能电网调节方面发挥着重要作用，一旦出现故障将对整个电网系统电力输送和社会用电造成重要损失，因此研究变压器设备故障预测及未来剩余寿命估计对制定设备巡检和维护策略、保障电力系统稳定性和安全性具有重要意义。
[0003]变压器油中溶解气体浓度分析是变压器故障检测与预测的一种重要方法，该种方法通过检测分析变压器绝缘油中溶解的氢气、甲烷、乙烷、乙烯、乙炔等烃类气体组成成分及浓度值，能够在不对变压器设备进行拆解停机的情况下对其是否存在潜在故障(如过热故障、放电故障等)予以判断和预测。近年来，一些研究者提出了基于变压器油中溶解气体的故障预测与剩余寿命估计方法。例如，公开号为CN201710193347.6的专利申请公开了一种基于隐马尔可夫模型的变压器剩余寿命估计方法，该方法利用隐马尔可夫模型提取变压器由正常至故障状态的典型动态特征，通过估计设备状态转移概率预测剩余寿命；公开号为CN201610455561.X的专利申请公开了一种基于健康指数的变压器剩余寿命检测方法，该方法通过变压器的老化系数、碳氧气含量、糠醛气体含量等指标构建健康指数，通过分析健康指数和故障时间的统计关系估计变压器剩余寿命。
[0004]本领域现有方法的主要思路是通过统计模型或机器学习模型，从变压器油中溶解气体数据中提取设备典型故障特征或模式，当待测设备的运行特征与典型特征一致时给予故障预警并估计剩余寿命。然而，受设备个性化运行环境的影响，变压器故障不仅取决于历史数据中的典型特征和规律，还与设备由正常至故障过程中表现出的个性化特征有关。现有模型和方法仅通过提取的典型特征和统计规律进行故障预测，难以描述设备间的差异和个性化运行特征对故障预测的影响，因此在实际运用存在预测准确率偏低、故障错报、漏报的现象，无法满足变压器剩余寿命个性化预测的需求。
技术实现思路
[0005]针对上述现有技术的不足，本专利技术的目的是提供了一种基于元学习的油浸式变压器剩余寿命个性化预测方法，以提高油浸式变压器剩余寿命预测的准确性和个性化。
[0006]为实现上述专利技术目的，实施例提供了一种基于元学习的油浸式变压器剩余寿命个性化预测方法，包括以下步骤：
[0007](1)收集故障变压器由正常状态变为故障状态过程中所产生的油中溶解气体浓度数据并进行数据预处理，以得到的时间序列数据作为训练样本；
[0008](2)构建两个结构不同的共享生成器，根据训练样本并采用元学习方式对共享生
成器进行训练，以优化两个共享生成器的参数；
[0009](3)采集每台正常变压器正常运行过程中产生的当前时间油中溶解气体浓度数据并进行数据预处理，以得到的时间序列数据作为测试样本；
[0010](4)将测试样本分别输入至参数优化的两个共享生成器，以输出的两组参数分别作为预测网络和判别网络的网络参数，以构建针对每台正常变压器的预测模型和判别模型；
[0011](5)利用预测模型对测试样本进行预测以得到未来时间的油中溶解气体浓度数据，利用判别模型对未来时间的油中溶解气体浓度数据进行判别，以得到运行状态判别结果；
[0012](6)当判别模型的运行状态判别结果为故障状态时，将发生故障状态的时间减去当前时间以得到油浸式变压器剩余寿命的预测结果。
[0013]其中，油中溶解气体包括甲烷、乙烷、乙烯、乙炔、氢气；油中溶解气体浓度数据包括给定时间范围内油中溶解气体的质量浓度或体积浓度的连续测量数据；数据预处理包括线性插值处理，即对数据中存在的缺失值采用线性插值代替。
[0014]在一个实施例中，两个结构不同的共享生成器记作共享生成器Gen(θ1)和共享生成器Gen(θ2)，其中，共享生成器Gen(θ1)采用循环神经网络，以油中溶解气体数据作为输入，以学习不同变压器由正常状态变为故障状态过程中油中溶解气体数据呈现的时序特征和规律，输出一组参数记为α
n
，代表与共享生成器Gen(θ1)结构相同的预测网络Net(α
n
)的网络参数；共享生成器Gen(θ2)采用前反馈神经网络，以油中溶解气体数据作为输入，以学习每个变压器的个性化故障特征，输出另一组参数记为β
n
，代表与共享生成器Gen(θ2)结构相同的判别网络Net(β
n
)的网络参数，其中，θ1和θ2为两个共享生成器Gen(θ1)和共享生成器Gen(θ2)的网络参数。
[0015]在一个实施例的步骤(2)中，根据训练样本并采用元学习方式对共享生成器进行训练，包括：
[0016](a)随机初始化共享生成器Gen(θ1)和共享生成器Gen(θ2)的参数θ1和θ2；
[0017](b)从训练样本抽取一台故障变压器对应的时间序列数据x
m
并随机分成两段，分别为数据x
m,1
和数据x
m,2
，m为故障变压器的索引；
[0018](c)将数据x
m,1
分别输入至共享生成器Gen(θ1)和Gen(θ2)中，将输出的两组参数分别作为预测网络和判别网络的网络参数，以构建预测模型和判别模型；
[0019](d)将数据x
m,1
输入至预测模型得到预测数据x
m,2
’
，并预测数据x
m,2
’
输入至判别模型得到运行状态判别结果；
[0020](e)计算预测模型关于预测数据x
m,2
’
和数据x
m,2
的预测误差、判别模型关于运行状态判别结果与真实状态的判别误差；
[0021](f)计算判别误差与预测误差关于共享生成器Gen(θ1)和Gen(θ2)的网络参数θ1和θ2的梯度，并采用梯度下降法对网络参数θ1和θ2进行更新；
[0022](g)不断重复步骤(b)至(f)直到网络参数θ1和θ2收敛。
[0023]在一个实施例的步骤(4)中，预测网络Net(α
n
)采用与共享生成器Gen(θ1)结构相同的循环神经网络，用于根据输入的油中溶解气体浓度数据进行预测，输出未来时刻的油中溶解气体浓度数据；共享生成器Gen(θ1)根据测试样本输出参数，实际是估计预测网络Net
(α
n
)的网络参数α
n
的过程，包括：利用共享生成器Gen(θ1)对每台正常变压器对应的测试样本y
n
进行拟合，并计算拟合误差e；然后计算网络参数θ1关于拟合误差e的梯度并利用梯度下降方法对网络参数θ1进行一次更新；最后将梯度下降结果作为预测网络的网络参数α...
【技术保护点】
【技术特征摘要】
1.一种基于元学习的油浸式变压器剩余寿命个性化预测方法，其特征在于，包括以下步骤：(1)收集故障变压器由正常状态变为故障状态过程中所产生的油中溶解气体浓度数据并进行数据预处理，以得到的时间序列数据作为训练样本；(2)构建两个结构不同的共享生成器，根据训练样本并采用元学习方式对共享生成器进行训练，以优化两个共享生成器的参数；(3)采集每台正常变压器正常运行过程中产生的当前时间油中溶解气体浓度数据并进行数据预处理，以得到的时间序列数据作为测试样本；(4)将测试样本分别输入至参数优化的两个共享生成器，以输出的两组参数分别作为预测网络和判别网络的网络参数，以构建针对每台正常变压器的预测模型和判别模型；(5)利用预测模型对测试样本进行预测以得到未来时间的油中溶解气体浓度数据，利用判别模型对未来时间的油中溶解气体浓度数据进行判别，以得到运行状态判别结果；(6)当判别模型的运行状态判别结果为故障状态时，将发生故障状态的时间减去当前时间以得到油浸式变压器剩余寿命的预测结果。2.根据权利要求1所述的基于元学习的油浸式变压器剩余寿命个性化预测方法，其特征在于，油中溶解气体包括甲烷、乙烷、乙烯、乙炔、氢气；油中溶解气体浓度数据包括给定时间范围内油中溶解气体的质量浓度或体积浓度的连续测量数据；数据预处理包括线性插值处理，即对数据中存在的缺失值采用线性插值代替。3.根据权利要求1所述的基于元学习的油浸式变压器剩余寿命个性化预测方法，其特征在于，两个结构不同的共享生成器记作共享生成器Gen(θ1)和共享生成器Gen(θ2)，其中，共享生成器Gen(θ1)采用循环神经网络，以油中溶解气体数据作为输入，以学习不同变压器由正常状态变为故障状态过程中油中溶解气体数据呈现的时序特征和规律，输出一组参数记为α
n
，代表与共享生成器Gen(θ1)结构相同的预测网络Net(α
n
)的网络参数；共享生成器Gen(θ2)采用前反馈神经网络，以油中溶解气体数据作为输入，以学习每个变压器的个性化故障特征，输出另一组参数记为β
n
，代表与共享生成器Gen(θ2)结构相同的判别网络Net(β
n
)的网络参数，其中，θ1和θ2为两个共享生成器Gen(θ1)和共享生成器Gen(θ2)的参数。4.根据权利要求3所述的基于元学习的油浸式变压器剩余寿命个性化预测方法，其特征在于，步骤(2)中，根据训练样本并采用元学习方式对共享生成器进行训练，包括：(a)随机初始化共享生成器Gen(θ1)和共享生成器Gen(θ2)的参数θ1和θ2；(b)从训练样本抽取一台故障变压器对应的时间序列数据x
m
并随机分成两段，分别为数据x
m,1
和数据x
m,2
，m为故障变压器的索引；(c)将数据x
m,1
分别输入至共享生成器Gen(θ1)和Gen(θ2)中，将输出的两组参数分别作为预测网络和判别网络的网络参数，以构建预测模型和判别模型；(d)将数据x
m,1
输入至预测模型得到预测数据x
m,2
’
，并预测数据x
m,2
’
输入...
【专利技术属性】
技术研发人员：俞鸿涛，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。