基于EMD-BiLSTM-Attention机制变压器数字孪生模型的气体预测方法技术

一种基于EMD

【技术实现步骤摘要】
基于EMD
‑
BiLSTM
‑
Attention机制变压器数字孪生模型的气体预测方法


[0001]本专利技术属于油浸式三相变压器故障预测领域，具体涉及一种基于EMD
‑
BiLSTM
‑
Attention机制变压器数字孪生模型的气体预测方法。

技术介绍

[0002]字孪生技术从原本的航天航空领域逐步发展到各个制造业当中，并在智能制造领域表现出良好的应用前景。军、民等多领域对数字孪生技术越来越重视，并且开始逐步探索其核心技术和开发潜力，数字孪生技术作为桥梁连接着物理世界和虚拟世界，以复杂的物理仿真，实时的数据共享与分析，数据处理等为关键技术，构建物理世界与虚拟世界的数字孪生体，并实时显现物理世界的物理状态.，数字孪生体能够高效、精确地模拟物理实体，分析物理实体的状态，对故障提前预警，并辅助操作人员的决策制定。
[0003]变压器作为变电站的重要组成部分，变压器作为电力系统的核心设备，它的运行状况将对电力系统的安全和稳定性产生重要的影响。变压器故障的特点既有潜伏性又有突变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EMD
‑
BiLSTM
‑
Attention机制变压器数字孪生模型的气体预测方法，其特征在于，其步骤为：1)采用经验模态分解对变压器油中溶解气体序列进行预处理：采用EDM对特征参数的时间序列进行分解，得到本征模态分量和剩余分量；2)采用注入注意力机制的双向长短时记忆神经做为训练模型，将预处理后数据作为输入，获得预测结果：将步骤1)中得到的本征模态分量输入到时间注意力机制的BiLSTM神经网络，训练并预测每个模态分量的未来值；3)对步骤2)中的每种分量预测结果叠加重构，得到油中溶解气体浓度最终预测结果。2.根据权利要求1所述的一种基于EMD
‑
BiLSTM
‑
Attention机制变压器数字孪生模型的气体预测方法，其特征在于，所述的步骤1)中，具体方法为：基于MATLAB软件，使用经验模态分解EMD将变压器油中溶解气体时间序列QUOTEx(t)x(t)分解成若干个平稳的模态分量IMF，其中所有IMF极值点个数，自己过零点数目相同或者相差一个，并且每个IMF包络线均值等于0；1.1)获取原始序列的上下包络线均值m1(t)，并计算x(t)与m1(t)的差值h1(t)。h1(t)＝x(t)
‑
m1(t)
ꢀꢀ
(1)1.2)若h1(t)符合IMF条件，则h1(t)为第一阶IMF，记为c1(t)，并得到剩余分量r1(t)，否则重复步骤1.1)。r1(t)＝x(t)
‑
c1(t)
ꢀꢀ
(2)1.3)对r1(t)重复步骤1.1)、1.2)，直到r
n
(t)为单调函数且无法分解为止，则原始序QUOTEx(t)x(t)可表示为式中，r
n
(t)代表残余信号。3.根据权利要求1所述的一种基于EMD
‑
BiLSTM
‑
Attention机制变压器数字孪生模型的气体预测方法，其特征在于，所述的步骤2)中，具体方法为：使用Python设计时间注意力机制的BiLSTM神经网络，得到的各模态分量输入到时间注意力机制的BiLSTM神经网络，训练并预测每个模态分量的未来值；并将每种分量预测结果叠加重构，得到油中溶解气体浓度最终预测结果。4.根据权利要求3所述的一种基于EMD
‑
BiLSTM
‑
Attention机制变压器数字孪生模型的气体预测方法，其特征在于，所述的BiLSTM神经网络和时间注意力机制的机理如下：LSTM网络的循环单元结构：三个门，即输入门i
t
，遗忘门f
t
，和输出门o
t
，其中，c
t
、c
t
、h
t
分别为LSTM单元的内部状态、候选状态和外部状态。输入门决定当前时刻的候选状态c
t
保留多少信息，定义为i
t
＝σ(W
...

【专利技术属性】
技术研发人员：程远，张涛，王超，付钰惠，何苗苗，佟岩，
申请(专利权)人：辽宁东科电力有限公司，
类型：发明
国别省市：