基于在线集成学习的变压器油中气体浓度预测方法技术

本发明专利技术涉及变压器故障诊断技术领域，尤其为基于在线集成学习的变压器油中气体浓度预测方法，包括如下步骤：S1：通过气体浓度传感器采集变压器油中的气体数据并进行数据处理生成数据训练集；S2：采用非线性卡尔曼滤波算法进行最小二乘支持向量机以及对抗型神经网络两种机器学习算法的参数的寻优；S3：通过寻优获得的新的训练数据进行训练并输出最终预测结果。本发明专利技术通过对采集的气体数据基于情景记忆梯度方法进行处理，通过非线性卡尔曼滤波算法将最小二乘支持向量机以及对抗型神经网络两种机器学习算法的参数作为状态变量，输出最优参数，并根据最优权重输出最优预测结果，提高了预测结果的精度，获得比单个学习器更好的学习效果。学习效果。学习效果。

【技术实现步骤摘要】
基于在线集成学习的变压器油中气体浓度预测方法


[0001]本专利技术涉及变压器故障诊断
，尤其是基于在线集成学习的变压器油中气体浓度预测方法。

技术介绍

[0002]电力变压器是电力系统的关键设备，其运行状态与电网稳定性密切相关。变压器油中溶解气体分析是判断其运行状态的重要方法，预测变压器未来时刻的油中溶解气体含量，可以辅助运维人员判断变压器未来的运行趋势，提前掌握运行状态确保稳定运行。
[0003]小波分析方法是被广泛应用的分解方法，将其与神经网络结合是预测的主要方法。然而，由于油中溶解气体的产生机制复杂且受到变压器特殊运行工况、严苛运行环境、复杂电磁环境等因素的影响，油中溶解气体时间序列将呈现非线性和非平稳性的特征，传统的离线预测方法很难挖掘时间序列的这些特征，从而导致预测准确性较低。
[0004]因此提出一种在线学习算法，根据实时监测的变压器油中气体浓度来实时更新模型参数，旨在达到更高的预测精度。

技术实现思路

[0005]本专利技术的目的是通过提出基于在线集成学习的变压器油中气体浓度预测方法，以解决上述
技术介绍
中提出的缺陷。
[0006]本专利技术采用的技术方案如下：
[0007]提供基于在线集成学习的变压器油中气体浓度预测方法，包括如下步骤：
[0008]S1：通过气体浓度传感器采集变压器油中的气体数据并进行数据处理生成数据训练集；
[0009]S2：采用非线性卡尔曼滤波算法进行最小二乘支持向量机以及对抗型神经网络两种机器学习算法的参数的寻优；
[0010]S3：通过寻优获得的新的训练数据进行训练并输出最终预测结果。
[0011]作为本专利技术的一种优选技术方案：所述S1中，所述数据处理包括通过情景记忆梯度方法进行处理，所述情景记忆梯度方法中，通过存储单元存储采集的气体数据，并定义最小损失函数，当采集到新的气体数据时，更新损失梯度向量，判断损失值是否减小，若未减小，则再次计算损失值直至减小，若损失值减小，则更新存储单元存储的气体数据，存储单元根据更新的气体数据生成数据训练集。
[0012]作为本专利技术的一种优选技术方案：所述S1中，数据训练集生成后，对训练集内的气体数据进行插值补充缺失值。
[0013]作为本专利技术的一种优选技术方案：所述S2中，采用非线性卡尔曼滤波算法，将最小二乘支持向量机以及对抗型神经网络两种机器学习算法的参数作为状态变量进行迭代，并输出最优参数。
[0014]作为本专利技术的一种优选技术方案：所述非线性卡尔曼滤波算法中，将最小二乘支
持向量机以及对抗型神经网络两种机器学习算法的参数作为状态变量X
k+1
，具体如下：
[0015]X
k+1
＝f(X
k
)+V
k
[0016]Z
k+1
＝H
k+1
X
k+1
+W
k+1
[0017]其中，f(X
k
)为状态函数，Z
k+1
为测量向量，H
k+1
为量测矩阵，V
k
和W
k+1
分别为系统噪声和测量噪声；
[0018]状态一步预测为：
[0019][0020]状态一步预测为：
[0021][0022]状态一步预测均方误差为：
[0023][0024]滤波增益为：
[0025][0026]状态估计为
[0027][0028]状态估计均方误差为：
[0029]P
k+1,k+1
＝(1
‑
K
k+1
H
k+1
)P
k+1,k
[0030]其中，表示下一位置的状态预测值；表示当前位置的最优估计值的状态矩阵；P
k+1,k
为下一位置的预测均方误差矩阵；P
k,k
表示当前位置的估计均方误差矩阵；φ
k+1,k
为状态转移矩阵；J
k+1,k
为雅克比矩阵；为雅克比矩阵的转置；Q
k
表示过程噪声协方差；K
k+1
表示卡尔曼滤波增益；为观测矩阵的转置；R
k+1
为观测噪声协方差；P
k+1,k+1
表示估计误差矩阵；表示下一位置的状态最优估计值。
[0031]作为本专利技术的一种优选技术方案：所述最小二乘支持向量机中与所述抗型神经网络中，迭代直至满足迭代终止条件，最终输出最优参数值。
[0032]作为本专利技术的一种优选技术方案：所述S2中，基于获取的两种机器学习算法的最优参数分别计算其预测结果的评价指标值。
[0033]作为本专利技术的一种优选技术方案：所述评价指标值包括气体数据的准确率、前向转移值及后向转移值。
[0034]作为本专利技术的一种优选技术方案：所述S3中，对两种机器学习算法的评价指标值进行归一化计算，通过层次分析法对评价指标值进行赋权，通过熵权法对预测结果进行最终赋权，基于最终赋权输出本次的预测值。
[0035]作为本专利技术的一种优选技术方案：所述层次分析法具体如下：
[0036]x＝w1U1+w2U2+w3U3[0037]其中，x为气体数据的得分值，U1、U2和U3分别为准确率、前向转移值及后向转移值；
[0038]构造判断矩阵，以准确率、前向转移值及后向转移值为判断矩阵准则，判断矩阵由数值1
‑
9及其倒数组成，A＝(u
ij
)
u
×
v
，其中，A为目标，u
i
、u
j
为评价指标，u
ij
为u
i
对u
j
的相对重
要性数值，其中：
[0039][0040]其中，u
ij
表示指标i与指标j的重要性之比，表示指标j与指标i的重要性之比；
[0041]由u
ij
组成判断矩阵R：
[0042][0043]由判断矩阵求解最大特征根v
max
的特征向量w，具体如下：
[0044]PW＝μ
max
W
[0045]求解特征向量W后，对其进行归一化，得到w＝(w1,w2,w3)，w1、w2、w3即为准确率、前向转移值及后向转移值的对应权重；
[0046]所述熵权法具体如下：
[0047]根据所述层次分析法结果构建熵权评价矩阵x＝(x
ab
)
m
×
n
(a∈[1,m])(b∈[1,n])表示第a次测量的第b个气体数据的指标值，将各个指标的数据进行如下处理：
[0048][0049]其中，a为第a次测量的气体数据，b为第b个气体数据的得分数据，x
ab
为第a次测量的第b个气体数据的指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于在线集成学习的变压器油中气体浓度预测方法，其特征在于：包括如下步骤：S1：通过气体浓度传感器采集变压器油中的气体数据并进行数据处理生成数据训练集；S2：采用非线性卡尔曼滤波算法进行最小二乘支持向量机以及对抗型神经网络两种机器学习算法的参数的寻优；S3：通过寻优获得的新的训练数据进行训练并输出最终预测结果。2.根据权利要求1所述的基于在线集成学习的变压器油中气体浓度预测方法，其特征在于：所述S1中，所述数据处理包括通过情景记忆梯度方法进行处理，所述情景记忆梯度方法中，通过存储单元存储采集的气体数据，并定义最小损失函数，当采集到新的气体数据时，更新损失梯度向量，判断损失值是否减小，若未减小，则再次计算损失值直至减小，若损失值减小，则更新存储单元存储的气体数据，存储单元根据更新的气体数据生成数据训练集。3.根据权利要求2所述的基于在线集成学习的变压器油中气体浓度预测方法，其特征在于：所述S1中，数据训练集生成后，对训练集内的气体数据进行插值补充缺失值。4.根据权利要求3所述的基于在线集成学习的变压器油中气体浓度预测方法，其特征在于：所述S2中，采用非线性卡尔曼滤波算法，将最小二乘支持向量机以及对抗型神经网络两种机器学习算法的参数作为状态变量进行迭代，并输出最优参数。5.根据权利要求4所述的基于在线集成学习的变压器油中气体浓度预测方法，其特征在于：所述非线性卡尔曼滤波算法中，将最小二乘支持向量机以及对抗型神经网络两种机器学习算法的参数作为状态变量X
k+1
，具体如下：X
k+1
＝f(X
k
)+V
k
Z
k+1
＝H
k+1
X
k+1
+W
k+1
其中，f(X
k
)为状态函数，Z
k+1
为测量向量，H
k+1
为量测矩阵，V
k
和W
k+1
分别为系统噪声和测量噪声；状态一步预测为：状态一步预测为：状态一步预测均方误差为：滤波增益为：状态估计为状态估计均方误差为：P
k+1,k+1
＝(1
‑
K
k+1
H
k+1
)P
k+1,k
其中，表示下一位置的状态预测值；表示当前位置的最优估计值的状态矩阵；P
k+1,k
为下一位置的预测均方误差矩阵；P
k,k
表示当前位置的估计均方误差矩阵；φ
k+1,k
为状态转移矩阵；J
k+1,k
为雅克比矩阵；为雅克比矩阵的转置；Q
k
表示过程噪声协方差；K
k+1
表示卡尔曼滤波增益；为观测矩阵的转置；R
k+1
为观测噪声协方差；P
k+1,k+1<...

【专利技术属性】
技术研发人员：范子宣，贾智显，刘跃，吴达，魏宪德，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：