本发明专利技术实施例提供一种基于改进LSTM网络的变压器健康状态预测方法及系统，涉及变压器健康状态的预测技术领域。所述预测方法包括：获取变压器内部的参数数据；采用LSTM网络根据所述参数数据预测所述变压器的健康状态。该预测方法通过LSTM网络进行学习，不断更新网络参数以适应数据的动态变化，构建变压器健康状态评估的学习模型，使得变压器的健康状态可以更及时、更准确地得到评估和监测，提升变压器健康状态预测的准确性和可靠性。
1、电力变压器作为电力系统的核心设备之一，其健康状态直接影响着整体电力系统的可靠运行。变压器在电能传输和分配过程中起着至关重要的作用，因此其正常运行和健康状态对于保障电力系统的稳定供电至关重要。在电力系统中，变压器的健康状态评估具有极其重要的意义。通过对电力变压器健康状态的准确评估，能够实现对电力系统的安全稳定运行的监测和管理。这种评估能够帮助我们及早发现潜在的健康问题和故障，从而采取及时的维护和修复措施，防止问题进一步扩大，确保电力系统的连续供电，维护生产和生活运行的正常进行。
2、实时、准确的状态评估对于变压器健康状态的监测至关重要。通过及时获得准确的状态信息，能够在最短时间内响应任何可能的健康问题或故障情况，确保电力系统的稳定性和可靠性。这不仅有助于降低维护成本，还能够最大程度地减少电力中断和故障对于生产、工作和生活造成的影响。
1、本专利技术实施例的目的是提供一种基于改进lstm网络的变压器健康状态预测方法及系统，该预测方法通过lstm网络进行学习，不断更新网络参数以适应数据的动态变化，构建变压器健康状态评估的学习模型，使得变压器的健康状态可以更及时、更准确地得到评估和监测，提升变压器健康状态预测的准确性和可靠性。
>3、获取变压器内部的参数数据；4、采用lstm网络根据所述参数数据预测所述变压器的健康状态。
5、可选地，所述预测方法还包括：
6、初始化lstm网络；
7、采用训练集训练所述lstm网络；
8、采用测试集测试训练后的所述lstm网络；
9、判断所述lstm网络的预测精度是否大于或等于预设的精度阈值；
10、在判断所述lstm网络的预测精度大于或等于预设的精度阈值的情况下，输出所述lstm网络。
11、可选地，采用训练集训练所述lstm网络，包括：
12、确定当前的lstm网络的预测精度与前一次迭代过程的预测精度的精度差值是否小于或等于预设的差值阈值；
13、在确定所述精度差值小于或等于预设的差值阈值的情况下，确定所述lstm网络训练完成；
14、在确定所述精度差值大于预设的差值阈值的情况下，采用粒子群算法更新所述lstm网络的第一层和第二层的隐藏节点数量以及批处理值。
15、可选地，采用粒子群算法更新所述lstm网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
16、根据公式(1)更新所述惯性权重，
17、w′＝wmin+(wmax-wmin)×(tmax-t)/(tmax-1)， (1)
18、其中，wmax和wmin为预设惯性权重的上限和下限，tmax为最大迭代次数。
19、可选地，采用粒子群算法更新所述lstm网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
20、根据公式(2)和公式(3)确定粒子位置，
21、xij(t+1)＝μ×(xij(t)+vij(t+1))， (2)
22、
23、其中，xij(t)为j维度下粒子i在第t次迭代的位置，vij(t)为j维度下粒子i在第t次迭代的速度，μ为调整系数。
24、可选地，采用粒子群算法更新所述lstm网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
25、根据公式(4)和公式(5)确定所述学习因子，
26、c1＝cmax+(cmax-cmin)(1-(e-w-1)2)， (4)
27、c2＝cmax+(cmax-cmin)(1-(e-w-1)2)， (5)
28、其中，cmax和cmin为学习因子的上限和下限，w为惯性权重。
29、可选地，采用粒子群算法更新所述lstm网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
30、根据公式(6)和公式(7)确定粒子的速度，
31、vj(t+1)＝λvj(t)+c1r1[pj(t)-xj(t)]+c2r2{q·[gj(t)-xj(t)]+1-q·pljt-xjt， (6)
32、pj(t)＝avg{min[f(pi)]} ||pi-pj||≤r， (7)
33、其中，λ为惯性权重因子，r1、r2为[0,1]均匀分布的随机数，vj(t)为粒子j在t代的速度，xj(t)为粒子j在t迭代的位置，plj为局部最优解，q为群体因子，pj(t)为粒子j在第t次迭代中历史最优位置，gj(t)为群体在第t次迭代中历史最优位置，f(pi)为以第j个粒子为中心、以r为半径的范围内粒子的适应度。
34、可选地，采用lstm网络根据所述参数数据预测所述变压器的健康状态，包括：
35、采用softmax函数预测所述健康状态。
36、可选地，所述预测方法还包括：
37、根据公式(8)确定所述lstm网络的预测精度，
38、
39、其中，pi是预测值，yi是实际观察值，n是样本总数。
40、另一方面，本专利技术还提供一种基于改进lstm网络的变压器健康状态预测系统，所述预测系统包括处理器，用于执行如上述任一所述的预测方法。
41、通过上述技术方案，本专利技术实施例提供一种基于改进lstm网络的变压器健康状态预测方法及系统。通过将获取到的变压器内部的参数数据，采用lstm网络根据参数数据预测变压器的健康状态。该预测方法通过lstm网络进行学习，不断更新网络参数以适应数据的动态变化，构建变压器健康状态评估的学习模型，使得变压器的健康状态可以更及时、更准确地得到评估和监测，提升变压器健康状态预测的准确性和可靠性。
42、本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...
【技术保护点】
1.一种基于改进LSTM网络的变压器健康状态预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
3.根据权利要求2所述的预测方法，其特征在于，采用训练集训练所述LSTM网络，包括：
4.根据权利要求3所述的预测方法，其特征在于，采用粒子群算法更新所述LSTM网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
5.根据权利要求4所述的预测方法，其特征在于，采用粒子群算法更新所述LSTM网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
6.根据权利要求3所述的预测方法，其特征在于，采用粒子群算法更新所述LSTM网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
7.根据权利要求3所述的预测方法，其特征在于，采用粒子群算法更新所述LSTM网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
8.根据权利要求1所述的预测方法，其特征在于，采用LSTM网络根据所述参数数据预测所述变压器的健康状态，包括：
9.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
10.一种基于改进LSTM网络的变压器健康状态预测系统，其特征在于，所述预测系统包括处理器，用于执行如权利要求1至9任一所述的预测方法。
...
【技术特征摘要】
1.一种基于改进lstm网络的变压器健康状态预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
3.根据权利要求2所述的预测方法，其特征在于，采用训练集训练所述lstm网络，包括：
4.根据权利要求3所述的预测方法，其特征在于，采用粒子群算法更新所述lstm网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
5.根据权利要求4所述的预测方法，其特征在于，采用粒子群算法更新所述lstm网络的第一层和第二层的隐藏节点数量以及批处理值，包括：
6.根据权利要求3所述的预测方法...
【专利技术属性】
技术研发人员：郑锋，李翔，卫冉，张庚生，吴国兵，华雄，董子培，王强生，胡凌志，程晗，
申请(专利权)人：安徽南瑞继远电网技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。