一种变压器油中溶解气体含量区间预测方法、介质及系统技术方案

本发明专利技术公开一种变压器油中溶解气体含量区间预测方法、介质及系统，包括：采集历史时间的变压器油中溶解气体含量，得到变压器油中溶解气体含量的第一序列；采用自适应噪声完备集合经验模态分解算法对第一序列进行分解，得到多个第二序列；将每一第二序列输入每一第二序列对应的训练后的点预测模型，输出每一第二序列对应的第三序列；将所有第三序列中的相同排序的元素加和，得到历史时间后的预设时间内变压器油中溶解气体含量的点预测结果；将点预测结果采用非参数核密度估计算法，计算得到预设时间内变压器油中溶解气体含量的区间预测结果。本发明专利技术引入区间预测，可量化分析油中气体因外界不确定因素产生的变化，有助于提高状态估计准确度。估计准确度。估计准确度。

【技术实现步骤摘要】
一种变压器油中溶解气体含量区间预测方法、介质及系统


[0001]本专利技术涉及变压器油中溶解气体含量预测
，尤其涉及一种变压器油中溶解气体含量区间预测方法、介质及系统。

技术介绍

[0002]变压器在运行过程中会由于电老化、热老化、故障等原因产生多种气体溶解在变压器油中，利用油中溶解气体分析技术可以发现变压器的潜在故障风险。目前，许多变压器已通过安装油色谱在线监测装置获取油中溶解气体含量的历史数据，因此，通过预测油中溶解气体的未来变化趋势，有助于预测变压器运行状态、发现潜在故障、合理安排检修。
[0003]目前，变压器油中溶解气体预测方法主要分为统计学方法和人工智能预测方法两类。由于变压器油中溶解气体时序数据具有非线性和非平稳性，因此统计学预测模型在预测较长气体含量序列时具有一定的局限性，相较于统计学方法，人工智能算法在时序数据预测方面的具有一定优势。但现有研究多属于点预测算法，由于变压器油中溶解气体的含量可能会受到外界随机性因素的影响，同时受限于油色谱监测的误差，实际监测数据具有一定的不确定性。

技术实现思路

[0004]本专利技术实施例提供一种变压器油中溶解气体含量区间预测方法、介质及系统，以解决现有技术的点预测算法预测变压器油中溶解气体含量具有不确定性的问题。
[0005]第一方面，提供一种变压器油中溶解气体含量区间预测方法，包括：
[0006]采集历史时间的变压器油中溶解气体含量，得到变压器油中溶解气体含量的第一序列；
[0007]采用自适应噪声完备集合经验模态分解算法对所述第一序列进行分解，得到多个第二序列；
[0008]将每一所述第二序列输入每一所述第二序列对应的训练后的点预测模型，输出每一所述第二序列对应的第三序列；
[0009]将所有所述第三序列中的相同排序的元素加和，得到所述历史时间后的预设时间内变压器油中溶解气体含量的点预测结果；
[0010]将所述点预测结果采用非参数核密度估计算法，计算得到预设时间内变压器油中溶解气体含量的区间预测结果。
[0011]第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的变压器油中溶解气体含量区间预测方法。
[0012]第三方面，提供一种变压器油中溶解气体含量区间预测系统，包括：如上述第二方面实施例所述的计算机可读存储介质。
[0013]这样，本专利技术实施例，不仅得到气体含量的点预测结果，还引入区间预测，可以生
成不同置信度下油中溶解气体含量的预测区间，从而量化分析油中气体因外界不确定因素产生的变化，有助于提高状态估计准确度。
附图说明
[0014]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0015]图1是本专利技术实施例的变压器油中溶解气体含量区间预测方法的流程图；
[0016]图2是本专利技术实施例的自适应噪声完备集合经验模态分解算法的流程图；
[0017]图3是本专利技术实施例的长短期记忆网络点预测模型的神经元结构示意图；
[0018]图4是专利技术实施例的灰狼算法的灰狼等级与位置更新策略示意图；
[0019]图5是本专利技术实施例的灰狼算法优化长短期记忆网络点预测模型的流程图；
[0020]图6是本专利技术一优选实施例采用自适应噪声完备集合经验模态分解算法分解得到的多个第二序列的示意图；
[0021]图7是本专利技术一优选实施例的灰狼算法寻优过程的示意图；
[0022]图8是本专利技术一优选实施例的CO含量点预测结果示意图；
[0023]图9是本专利技术一优选实施例的概率密度函数曲线对比示意图，其中，(a)是不同核函数概率密度函数曲线对比示意图，(b)是不同窗宽度概率密度函数曲线对比示意图；
[0024]图10是本专利技术一优选实施例的CO含量区间预测结果示意图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本专利技术保护的范围。
[0026]本专利技术实施例公开了一种变压器油中溶解气体含量区间预测方法。如图1所示，该方法包括如下的步骤：
[0027]步骤S1：采集历史时间的变压器油中溶解气体含量，得到变压器油中溶解气体含量的第一序列。
[0028]具体的，可以每隔预设时间采集一次。例如，每隔四小时采集一次。历史时间的跨度可根据实际情况确定。例如，采集30天的变压器油中溶解的CO含量。
[0029]步骤S2：采用自适应噪声完备集合经验模态分解算法对第一序列进行分解，得到多个第二序列。
[0030]自适应噪声完备集合经验模态分解(CEEMDAN)算法是一种时序信号处理方法，是由经验模态分解(EMD)发展而来，EMD可以将时序数据自适应分解成若干个独立的内涵模态分量(IMF)及一个残差分量，但易产生模态混叠现象。集合经验模态分解(EEMD)通过在分解的过程中多次引入均匀分布的白噪声，以掩盖原始信号本身的噪声，从而有效克服了模态混叠现象；但会引起噪声残留，增大了分量重构的误差。如图2所示，CEEMDAN在EEMD的基础
上作了进一步改进，在IMF分解的过程中自适应地添加白噪声，通过最后的余量信号计算出各个IMF分量，能够几乎消除重构误差，相较于EEMD，其具有完备性、快速性等优势。
[0031]该步骤具体包括如下的过程：
[0032](1)分K次向第一序列中添加白噪声，得到K组噪声序列。
[0033]具体按照下式添加：
[0034]x
i
(t)＝x(t)+ε0δ
i
(t)。
[0035]其中，x
i
(t)表示第i次添加白噪声后得到的噪声序列，x(t)表示第一序列，δ
i
(t)表示第i次添加的白噪声，ε0表示本次添加的白噪声权重系数，表示白噪声与原始信号幅值标准差之比，i＝1，2，
……
，K。每次添加的白噪声的均值为0。
[0036](2)采用CEEMDAN算法对每组噪声序列进行分解，得到每组噪声序列的多个IMF分量。
[0037](3)计算得到所有噪声序列的第一个IMF分量的均值。
[0038]所有噪声序列的第一个IMF分量的均值的算式如下：
[0039][0040]其中，I1(t)表示所有噪声序列的第一个IMF分量的均值，I1i(t)表示第i次添加白噪声后得到的噪声序列的第一个IMF分量。
[0041](4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器油中溶解气体含量区间预测方法，其特征在于，包括：采集历史时间的变压器油中溶解气体含量，得到变压器油中溶解气体含量的第一序列；采用自适应噪声完备集合经验模态分解算法对所述第一序列进行分解，得到多个第二序列；将每一所述第二序列输入每一所述第二序列对应的训练后的点预测模型，输出每一所述第二序列对应的第三序列；将所有所述第三序列中的相同排序的元素加和，得到所述历史时间后的预设时间内变压器油中溶解气体含量的点预测结果；将所述点预测结果采用非参数核密度估计算法，计算得到预设时间内变压器油中溶解气体含量的区间预测结果。2.根据权利要求1所述的方法，其特征在于：所述点预测模型为长短期记忆网络点预测模型。3.根据权利要求2所述的方法，其特征在于：每次训练所述长短期记忆网络点预测模型时，采用灰狼算法优化所述长短期记忆...

【专利技术属性】
技术研发人员：栗磊，赫嘉楠，牛健，梁亚波，尹亮，刘海涛，王放，陈小乾，
申请(专利权)人：国网宁夏电力有限公司电力科学研究院，
类型：发明
国别省市：