一种基于EMD-gcForest模型的变压器油中溶解气体浓度预测方法技术

本发明专利技术提供了一种基于EMD

【技术实现步骤摘要】
一种基于EMD
‑
gcForest模型的变压器油中溶解气体浓度预测方法


[0001]本专利技术涉及变压器
，具体涉及一种基于EMD
‑
gcForest模型的变压器油中溶解气体浓度预测方法。

技术介绍

[0002]电力变压器作为电力系统安全稳定运行的核心设备之一，根据历史油色谱数据精准预测变压器油中溶解气体浓度发展趋势，可以提前评估电力变压器的运行状况，对保证变压器长期稳定运行具有重要意义。油中溶解气体分析(Dissolved Gas Analysis,DGA)是基于油中溶解气体浓度进行分析，广泛应用于变压器内部潜伏性故障诊断。因此，基于历史油色谱数据准确的对油中溶解特征气体浓度预测，可以及时反映变压器内部潜伏性故障及其发展趋势，预测结果可为变压器状态评估和故障预测提供重要依据。
[0003]近年来，国内外学者对变压器油中溶解特征气体浓度预测进行了广泛的研究并取得了较好的结果。目前常用的气体浓度预测方法主要有灰色模型、深度置信网络和支持向量机等方法。灰色模型的预测结果与数据本身的趋势有关，当数据有明显的趋势时预测精度较高，否则预测效果较差。深度置信网络自主学习能力较高，但深度置信网络训练周期较长，超参数调整复杂和易陷入局部最优解，最终导致较大的预测误差。支持向量机预测模型对于数据特征学习能力较差，能够拟合的数据量较小。但是传统的预测方法忽视了油中溶解气体浓度序列的非线性和非平稳特性，导致预测过程不科学，以及预测精度较低。

技术实现思路

[0004]为解决以上技术问题，本专利技术提供一种基于EMD
‑
gcForest模型的变压器油中溶解气体浓度预测方法，通过采用此组合式预测方法，其在单一方法基础上增加了数据分解的预处理过程，首先将油中溶解气体浓度序列数据分解成多个独立分量，然后用智能方法对结果进行预测，最终通过算例分析表明，EMD
‑
gcForest组合预测模型能够更好地识别气体浓度的波动规律，从而提高油中溶解特征气体浓度的预测精度。
[0005]一种基于EMD
‑
gcForest模型的变压器油中溶解气体浓度预测方法，所述预测方法基于变压器历史油中溶解气体浓度数据的非周期性和非平稳性，首先，采用经验模态分解法(Empirical Mode Decomposition，EMD)对原始气体浓度数据进行分解，得到不同特征尺度的子序列分量；然后，将分解后的子序列分量分别输入到多粒度级联森林(Multi
‑
grained cascade forest，gcForest)模型中，获得各子序列分量的预测结果；最后，叠加各子序列分量的预测值作为油中溶解特征气体浓度的最终预测结果。
[0006]一种基于EMD
‑
gcForest模型的变压器油中溶解气体浓度预测方法，包括以下具体步骤：
[0007]Step1.1：将变压器油色谱数据按相同的比例划分出训练集和测试集；针对变压器油中溶解特征气体浓度序列的非线性和非平稳特性，对各特征气体浓度序列进行经验模态
分解，进而得到各子序列分量IMF1～IMFn和剩余分量RES；
[0008]Step1.2：针对分解处理得到的各子序列分量分别采用归一化处理，利用各子序列分量的训练集和测试集分别对gcForest模型进行训练和预测，获得各子序列分量的预测值；
[0009]Step1.3：对各预测值进行反归一化处理，并叠加各子序列分量的预测值得到油中溶解特征气体浓度的最终结果；
[0010]Step1.4：通过对比油中溶解特征气体浓度的真实值，计算预测结果误差分析来评估EMD
‑
gcForest模型预测性能。
[0011]所述经验模态分解法即为EMD方法，能够将原始数据分解为各不相同特征尺度的本征模态函数(Intrinsic Mode Function,IMF)分量和一个剩余分量，能够显现油中溶解气体浓度序列的特征，进而准确分析历史数据的特征信息，从而提高预测精度，EMD方法的分解步骤具体如下：
[0012]Step2.1：对于原始气体浓度序列x(t)，确定所有局部极大值点和局部极小值点；
[0013]Step2.2：利用三次样条插值函数拟合全部的极值点，得到上包络线a
+
(t)和下包络线a
‑
(t)，计算出上下包络线的平均值，如式(1)所示：
[0014][0015]式中，b(t)为上下包络线的平均值；t为时间；a
+
(t)为上包络线；a
‑
(t)下包络线；x(t)为原始气体浓度序列；
[0016]Step2.3：计算原始气体浓度序列x(t)与上下包络线平均值b(t)的差值，得到一个新数据序列c(t)，如式(2)所示：
[0017]c(t)＝x(t)
‑
b(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0018]假如c(t)不符合IMF分量标准时，将其作为新的数据序列，重复以上步骤Step2.1
‑
Step2.2，直至满足IMF分量标准，则得到的c(t)是原始序列x(t)的第一个IMF分量，如式(3)所示：
[0019]m1(t)＝c(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]式中，m1(t)为原始气体浓度序列x(t)分解得到的第一个IMF分量；
[0021]Step2.4：从原始气体浓度序列x(t)分解得到第一个IMF分量m1(t)后，计算剩余分量序列，如式(4)所示：
[0022]r1(t)＝x(t)
‑
m1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023]式中，r1(t)为原始气体浓度序列x(t)分解得到的剩余分量序列；
[0024]Step2.5：将Step2.4中得到的r1(t)作为新的数据序列，不断重复以上步骤Step2.4，当剩余分量r
n
(t)是单调函数或常量时，或第n个IMF剩余分量r
n
(t)低于预设值，则结束EMD过程，因此，原始气体浓度序列x(t)分解得到n个IMF分量和一个剩余分量r
n
(t)，如式(5)所示：
[0025][0026]IMF剩余分量r
n
(t)是原始气体浓度序列x(t)的平均值或趋势，IMF分量m
i
(t)反映不同的特征尺度的序列分量，运用EMD方法分解为一系列不同尺度的平稳数据序列；通过对
油中溶解特征气体浓度序列进行EMD处理后，提高预测模型的准确性。
[0027]所述多粒度级联森林是基于决策树的深度集成学习方法，多粒度由多粒度扫描和级联森林两部分构成，通过多粒度扫描阶段提取各子序列分量的特征信息，级本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EMD
‑
gcForest模型的变压器油中溶解气体浓度预测方法，其特征在于，所述预测方法基于变压器历史油中溶解气体浓度数据的非周期性和非平稳性，首先，采用经验模态分解法(Empirical Mode Decomposition，EMD)对原始气体浓度数据进行分解，得到不同特征尺度的子序列分量；然后，将分解后的子序列分量分别输入到多粒度级联森林(Multi
‑
grained cascade forest，gcForest)模型中，获得各子序列分量的预测结果；最后，叠加各子序列分量的预测值作为油中溶解特征气体浓度的最终预测结果。2.根据权利要求1所述一种基于EMD
‑
gcForest模型的变压器油中溶解气体浓度预测方法，其特征在于，包括以下具体步骤：Step1.1：将变压器油色谱数据按相同的比例划分出训练集和测试集；针对变压器油中溶解特征气体浓度序列的非线性和非平稳特性，对各特征气体浓度序列进行经验模态分解，进而得到各子序列分量IMF1～IMFn和剩余分量RES；Step1.2：针对分解处理得到的各子序列分量分别采用归一化处理，利用各子序列分量的训练集和测试集分别对gcForest模型进行训练和预测，获得各子序列分量的预测值；Step1.3：对各预测值进行反归一化处理，并叠加各子序列分量的预测值得到油中溶解特征气体浓度的最终结果；Step1.4：通过对比油中溶解特征气体浓度的真实值，计算预测结果误差分析来评估EMD
‑
gcForest模型预测性能。3.根据权利要求2所述一种基于EMD
‑
gcForest模型的变压器油中溶解气体浓度预测方法，其特征在于，所述经验模态分解法即为EMD方法，能够将原始数据分解为各不相同特征尺度的本征模态函数(Intrinsic Mode Function,IMF)分量和一个剩余分量，能够显现油中溶解气体浓度序列的特征，进而准确分析历史数据的特征信息，从而提高预测精度，EMD方法的分解步骤具体如下：Step2.1：对于原始气体浓度序列x(t)，确定所有局部极大值点和局部极小值点；Step2.2：利用三次样条插值函数拟合全部的极值点，得到上包络线a
+
(t)和下包络线a
‑
(t)，计算出上下包络线的平均值，如式(1)所示：式中，b(t)为上下包络线的平均值；t为时间；a
+
(t)为上包络线；a
‑
(t)下包络线；x(t)为原始气体浓度序列；Step2.3：计算原始气体浓度序列x(t)与上下包络线平均值b(t)的差值，得到一个新数据序列c(t)，如式(2)所示：c(t)＝x(t)
‑
b(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)假如c(t)不符合IMF分量标准时，将其作为新的数据序列，重复以上步骤Step2.1
‑
Step2.2，直至满足IMF分量标准，则得到的c(t)是原始序列x(t)的第一个IMF分量，如式(3)所示：m1(t)＝c(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，m1(t)为原始气体浓度序列x(t)分解得到的第一个IMF分量；Step2.4：从原始气体浓度序列x(t)分解得到第一个IMF分量m1(t)后，计算剩余分量序列，如式(4...

【专利技术属性】
技术研发人员：苟家萁，杨鹏，徐长福，曹铁山，刘国建，王福生，肖骏逸，王春又，
申请(专利权)人：中国长江电力股份有限公司，
类型：发明
国别省市：