【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。
[
【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...
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。