基于改进GRU的变压器油中溶解气体含量预测方法技术

本发明专利技术公开了一种基于改进GRU的变压器油中溶解气体含量预测方法，首先，对变压器油中溶解气体含量数据进行归一化处理，并将归一化后的气体含量数据分为训练集与测试集；其次，构建改进GRU模型，包括依次连接的Input层、Conv1D层、Bi

【技术实现步骤摘要】
基于改进GRU的变压器油中溶解气体含量预测方法


[0001]本专利技术涉及电力变压器状态监测与故障预警
，具体是一种基于改进GRU的变压器油中溶解气体含量预测方法。

技术介绍

[0002]电力变压器作为电网中最关键的枢纽设备之一，在发电、输电和配电三个环节中均发挥着重要的作用，其运行可靠性直接影响电网的安全稳定运行。因此，及时准确判断变压器的运行状态对电网的可靠运行至关重要。在诸多变压器运行状态评价方法中，油中溶解气体分析(Dissolved Gas Analysis，DGA)技术因数据保存相对更加完整、检测普及程度更高等原因，被国际电工委员会推荐为电力变压器运行状态评估的主要方法。
[0003]变压器油中溶解气体主要包含氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳(CO)和二氧化碳(CO2)七种气体，上述气体含量以及不同气体含量的比例关系与变压器的运行状态密切相关，因此，利用油中溶解气体含量历史监测数据提前预测变压器的运行状态，预判其故障情况，及时引导运行和维护人员制定相应的检修策略，可以有效预防重大事故的发生，避免给电网乃至社会经济与人们生活带来重大的损失。
[0004]变压器油中溶解气体含量预测本质上是一种时间序列预测问题，针对该问题，目前的研究方法大致可分为机器学习预测方法和深度学习预测方法两大类。早期变压器油中溶解气体含量数据样本小，包含信息少，以支持向量机(support vector machine，SVM)为代表的一系列浅层机器学习方法在变压器油中溶解气体含量预测领域得到了广泛的应用。然而，随着变压器油中溶解气体在线监测系统的应用，变压器油中溶解气体含量数据量大大增加，而浅层机器学习预测方法无法处理庞大的数据样本，并且其存在着误差积累以及无法准确挖掘数据时序相关性的问题，限制了其在变压器油中溶解气体含量预测领域的进一步应用。
[0005]随着人工智能的不断发展以及变压器油中溶解气体含量数据样本的不断增加，循环神经网络(recurrent neural network，RNN)等深度学习预测方法因有强大的记忆能力，能够更为有效地捕捉时间序列数据中存在的关联信息，因此其在变压器油中溶解气体含量预测领域表现出更强的适应性。文献《代杰杰,宋辉,盛戈皞,等.采用LSTM网络的电力变压器运行状态预测方法研究[J].高电压技术,2018,44(04):1099
‑
1106.》利用目前最成熟的RNN架构——长短期记忆神经网络(Long Short term Memory,LSTM)对变压器油中溶解气体含量进行预测，得到了较为准确的预测结果。LSTM在RNN的基础上引入门控机制，有效解决了RNN网络训练时的梯度消失和梯度爆炸问题，但LSTM依旧存在内部计算复杂、无法有效提取数据间的深层特征等问题，此外，LSTM的超参数一般通过人工经验进行设定，随机性和不确定性较强，导致模型的预测精度降低。针对LSTM存在的问题，文献《朱伟.基于GRU与SVM模型的电力变压器运行状态预测研究[D].江苏大学,2021.》采用门控循环单元(Gated Recurrent Unit，GRU)对变压器油中溶解气体含量进行预测，GRU是LSTM的一种改进形式，其将LSTM的遗忘门和输入门集成为单一的更新门，有效减少了LSTM的参数数量，缩短了模
型的训练时间，提高了模型的预测精度，但其仍然存在无法有效提取数据间的深层特征、依靠人工经验选择参数等问题，限制了其预测精度的进一步提升。

技术实现思路

[0006]针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种基于改进GRU的变压器油中溶解气体含量预测方法。
[0007]本专利技术解决所述技术问题的技术方案是，提供一种基于改进GRU的变压器油中溶解气体含量预测方法，其特征在于，该方法包括以下步骤：
[0008]步骤1、对变压器油中溶解气体含量数据进行归一化处理，并将归一化后的气体含量数据分为训练集与测试集；
[0009]步骤2、构建改进GRU模型；改进GRU模型包括Input层、Conv1D层、Bi
‑
GRU层、Dense层和Output层；
[0010]Input层的输出端与Conv1D层的输入端连接，Conv1D层的输出端与Bi
‑
GRU层的输入端连接，Bi
‑
GRU层的输出端与Dense层的输入端连接，Dense层的输出端与Output层的输入端连接；
[0011]Input层用于输入步骤1中的训练集与测试集；Conv1D层通过卷积计算对训练集与测试集进行特征提取；Bi
‑
GRU层用于学习训练集与测试集的变化规律并进行预测；Dense层用于压缩训练集与测试集数据，精简网络参数；Output层用于输出预测结果；
[0012]步骤3、将训练集输入到改进GRU模型中进行网络训练，并利用金枪鱼算法对改进GRU模型的关键超参数进行迭代搜索，得到改进GRU优化模型；
[0013]步骤4、将测试集输入到改进GRU优化模型中，得到气体含量数据下一时刻的预测值。
[0014]与现有技术相比，本专利技术的有益效果在于：
[0015](1)本专利技术在传统GRU的输入层与神经网络层之间增加了一层卷积层，即Conv1D层，用于提取变压器油中溶解气体含量数据的深层特征，有效解决了传统GRU无法提取数据间深层特征的问题，增强了模型的鲁棒性和稳定性。
[0016](2)本专利技术将传统的GRU层改进为Bi
‑
GRU层，相比于GRU层只能学习历史信息，Bi
‑
GRU层将一正一反两个单向GRU层上下叠加在一起，因此其可结合前向和后向的信息，并能够从未来获取更多的数据变化规律，进而提高了模型的预测精度。
[0017](3)本专利技术采用金枪鱼算法对影响GRU预测精度的3个最关键的超参数进行迭代搜索，通过智能算法对模型参数进行设置，可确保模型参数的设置不受人工主观因素的影响，从而进一步提升模型的预测精度，同时使预测结果更加客观。
[0018](4)本专利技术中，仿真结果表明改进GRU优化模型针对油中溶解气体含量进行预测时，预测误差显著低于传统GRU与传统长短期记忆神经网络，证明了改进GRU优化模型拥有更高的预测精度，可以获得更加精准的气体含量预测值，为变压器在线监测和故障预警提供了重要的技术支撑。
附图说明
[0019]图1为本专利技术的整体流程图；
[0020]图2为本专利技术的改进GRU模型的网络结构以及网络训练流程图。
具体实施方式
[0021]下面给出本专利技术的具体实施例。具体实施例仅用于进一步详细说明本专利技术，不限制本专利技术权利要求的保护范围。
[0022]本专利技术提供了一种基于改进GRU的变压器油中溶解气体含量预测方法(简称方法)，其特征在于，该方法包括以下步骤：
[0023]步骤1、为了避免输入数据因量纲不同导致大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进GRU的变压器油中溶解气体含量预测方法，其特征在于，该方法包括以下步骤：步骤1、对变压器油中溶解气体含量数据进行归一化处理，并将归一化后的气体含量数据分为训练集与测试集；步骤2、构建改进GRU模型；改进GRU模型包括Input层、Conv1D层、Bi
‑
GRU层、Dense层和Output层；Input层的输出端与Conv1D层的输入端连接，Conv1D层的输出端与Bi
‑
GRU层的输入端连接，Bi
‑
GRU层的输出端与Dense层的输入端连接，Dense层的输出端与Output层的输入端连接；Input层用于输入步骤1中的训练集与测试集；Conv1D层通过卷积计算对训练集与测试集进行特征提取；Bi
‑
GRU层用于学习训练集与测试集的变化规律并进行预测；Dense层用于压缩训练集与测试集数据，精简网络参数；Output层用于输出预测结果；步骤3、将训练集输入到改进GRU模型中进行网络训练，并利用金枪鱼算法对改进GRU模型的关键超参数进行迭代搜索，得到改进GRU优化模型；步骤4、将测试集输入到改进GRU优化模型中，得到气体含量数据下一时刻的预测值。2.根据权利要求1所述的基于改进GRU的变压器油中溶解气体含量预测方法，其特征在于，步骤1中，归一化处理采用Min
‑
Max归一化，具体步骤为：将n种长度为l的气体含量数据记为经归一化得到的归一化后的气体含量数据为计算公式如下：式(1)中，y为归一化后的气体含量数据；x为原始气体含量数据；x
max
为原始气体含量数据中的最大数据；x
min
为原始气体含量数据中的最小数据。3.根据权利要求1所述的基于改进GRU的变压器油中溶解气体含量预测方法，其特征在于，步骤1中，训练集与测试集的划分比例为4:1。4.根据权利要求1所述的基于改进GRU的变压器油中溶解气体含量预测方法，其特征在于，步骤2中，Conv1D层的计算公式如下：H
i
＝f(H
i
‑1*W
i
+b
i
)(2)式(2)中，H
i
为特征向量；“*”为卷积运算；W
i
为权值向量；b
i
为偏置参数。5.根据权利要求1所述的基于改进GRU的变压器油中溶解气体含量预测方法，其特征在于，步骤2中，Bi
‑
GRU层的具体步骤如下：S2.1、通过一对正向和反向的GRU分别学习训练集与测试集的前向信息与后向信息并分别输出预测结果r
t
和z
t
，计算公式如式(3)所示：式(3)中，r
t
为t时刻更新门的状态；σ为sigmoid激活函数；W
r
为更新门的权重矩阵；h
t
‑1为t
‑
1时刻的候选隐藏状态；x
t
为t时刻的输入值；b
r
为更新门的偏置；z
t

【专利技术属性】
技术研发人员：范志远，杜江，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：