System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及变压器检测评估领域,特别涉及一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法。
技术介绍
1、随着社会经济的稳健上升,电力行业实现了快速发展,随着电力系统装机容量不断增加、电压等级不断提高,输变电系统是电能传输不可或缺的环节,其安全、经济、可靠运行的要求也不断提升。电力变压器作为输变电系统中的关键枢纽设备之一,承担着电能的传输和变换等重要功能,其安全运行对于电网的重要性不言而喻。准确可靠的变压器状态评估是实现输变电设备状态检修的基础,对变压器运行状态进行实时评估可及时察觉变压器的安全隐患,并依据检修策略积极整改,避免发生重大电力安全生产事故,对电网安全运行具有极其重要的研究意义。当前变压器故障状态是基于设备内绝缘油当中一些特征气体的浓度作为判断标准,这些特征气体的含量与变压器的工作运行状态紧密相关,通过对特征气体进行分析,判断变压器运行时内部是否处于正常运行状态或可能存在潜伏性故障。
2、cn103592374b公开了一种基于d-s证据理论的变压器油色谱数据预测方法。包括采集变压器油色谱数据中的多种气体浓度历史数据;以多种气体在某一时刻的浓度作为输入,以多种气体中的待预测气体在下一时刻的浓度作为输出,利用所采集的多种气体浓度历史数据作为训练样本集通过多种智能预测算法进行训练,并计算训练误差;利用d-s证据理论对前步骤中所述的多个预测模型得到的预测结果进行权重提取和融合,得到待预测气体预测模型权重,最终得到预测值。cn112734028b公开了一种基于emd-gcforest模型的变压器油中溶解
3、以上技术虽然考虑了时序数据前后数据的相关性和油色谱特征气体监测序列存在非线性、非平稳性的特点利用算法对油色谱特征气体序列进行数据处理分解,但由于分解子序列数量过多会导致预测时间加长,增加了工作量,提高了误差可能性。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,提取原始序列中的趋势分量、波动分量和噪声分量,提高预测速度,降低偏差风险。
2、为解决上述技术问题,本专利技术所采用的技术方案是:一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,包括如下步骤:
3、步骤一、将采集到的变压器油色谱特征气体浓度时间序列用ceemdan方法一次分解为多个子序列;
4、步骤二、计算经ceemdan分解的多个子序列的样本熵,选取不满足条件的一次分解分量;
5、步骤三、将选取的分量经vmd二次分解;
6、步骤四、计算经二次分解的所有子序列的样本熵以及一次分解和二次分解全部子序列与原始序列之间的相关系数,并计算相关系数除以样本熵的数值;步骤五、根据所有分量样本熵区域和相关系数规定制定重构分量的划分区间,并构造趋势分量、波动分量和噪声分量;
7、步骤六、利用oma算法优化bilstm模型参数,通过优化bilstm模型对趋势分量、波动分量和噪声分量三个分量分别预测,叠加得到最终预测结果;
8、步骤七、选择评价指标,对预测模型结果进行评价。
9、优选的方案中,所述步骤一中,将正负成对正态分布的高斯白噪声δm(t)分m次加入原始待分解信号y(t),得到新待分解信号ym(t),多次迭代后将原始信号分解为多个子序列,表达式如下:
10、ym(t)=y(t)+εδm(t) m=1,l,m
11、
12、式中:ε为白噪声与原始信号的标准差之比;cn(t)为原序列分解的多个子序列;r(t)为原序列分解残差;n原序列分解的子序列个数。
13、优选的方案中,所述步骤二中,需进行二次分解的一次分解子序列的样本熵判断标准如下:
14、
15、式中:sen为一次分解的多个子序列的样本熵大小;sey为原始序列样本熵大小。
16、优选的方案中,所述步骤三中,vmd分解的表达式如下:
17、
18、
19、式中:f为原始信号;k为分解个数;uk为vmd分解第k子序列;ωk为uk的中心频率;为偏导计算;δ(t)为单位脉冲函数;j为复运算,表复频域。
20、优选的方案中,所述步骤四中,相关系数计算方法如下:
21、
22、式中:为分量与原始序列之间的相关系数大小;cov(xi,y)为分量与原始序列之间的协方差;σy为分量和原始序列标准差;i为经一次分解和二次分解后子序列总个数,共n+k个。
23、优选的方案中,所述步骤五中,确定所有分量的样本熵分布区间,选取样本熵区间中心值sec和相关系数大小建立重构标准,新标准为相关系数/sec的值;根据相关系数分类标准,将分量相关系数/分量样本熵的值大于强相关性区间中的最小正相关系数/sec范围的分量叠加重构为趋势分量,将分量相关系数/分量样本熵的值大于弱相关性区间中的最小正相关系数/sec而小于中相关性区间中的最大相关系数/sec范围的分量叠加重构波动分量,将分量相关系数/分量样本熵的值小于无相关性区间中的最大相关系数/sec范围的分量叠加重构为与原序列最不相关的噪声分量。
24、优选的方案中,所述步骤六中,利用oma算法优化bilstm模型隐藏神经元个数、最大迭代次数、学习率参数过程如下:
25、假设种群规模为n,问题维度为d,初始化公式如下:
26、xij=lbj+r(ubj-lbj) i=1,2,…,n;j=i=1,2,…,d
27、式中:xij表示个体i的第j维变量;lbj和ubj分别表示第j维变量的上界和下界;r∈[0,1]的随机数;
28、在调试物镜阶段,种群个体的位置更新公式如下:
29、
30、式中:t为当前迭代次数;为物镜调试后第i个个体的位置;为当前第i个个体的位置;为第t代种群最优个体;本文档来自技高网...
【技术保护点】
1.一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤一中,将正负成对正态分布的高斯白噪声δm(t)分M次加入原始待分解信号y(t),得到新待分解信号ym(t),多次迭代后将原始信号分解为多个子序列,表达式如下:
3.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤二中,需进行二次分解的一次分解子序列的样本熵判断标准如下:
4.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤三中,VMD分解的表达式如下:
5.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤四中,相关系数计算方法如下:
6.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤五中,确定所有分量的样本熵分布区间,选取
7.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤六中,利用OMA算法优化BiLSTM模型隐藏神经元个数、最大迭代次数、学习率参数过程如下:
8.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤六中,BiLSTM模型采用两个LSTM组成,时序数据以正序和逆序分别输入两个LSTM进行特征学习,最终的输出由输出门和单元状态共同确定:
9.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤七中,选取均方误差MSE、均方根误差RMSE和平均绝对百分比误差MAPE三种评价指标对预测结果进行评价:
...【技术特征摘要】
1.一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤一中,将正负成对正态分布的高斯白噪声δm(t)分m次加入原始待分解信号y(t),得到新待分解信号ym(t),多次迭代后将原始信号分解为多个子序列,表达式如下:
3.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤二中,需进行二次分解的一次分解子序列的样本熵判断标准如下:
4.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤三中,vmd分解的表达式如下:
5.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤四中,相关系数计算方法如下:
6.根据权利要求1所述的一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法,其特征在于,所述步骤五中,确定所有分量的样本熵分布区间,选取样本熵区间中心值sec和相关系数大小建立重构标准,新标准为相关系数/sec的值...
【专利技术属性】
技术研发人员:王凌云,杜晓霜,熊威,刘庆国,龚康,周新启,朱长东,
申请(专利权)人:三峡大学,
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。