【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ssa优化vmd和lstm的变压器油中溶解气体浓度数据预测方法。
技术介绍
1、大型电力变压器作为电力网的枢纽节点，设备的健康稳定运行影响着人民生产生活及生命财产安全，为保证电力工业稳定高效的发展，提高设备的供电可靠性，加强对变压器运行状态的监测防止事故未然，具有切实的实际意义和重要性。目前,关于油浸式电力变压器相关的检测技术手段已经不局限于电学方法，逐渐结合其他学科像温度、声学、光学等多元化技术融合诊断方法进行监测和诊断当前油浸式电力变压器的健康状态。但主流判别方式仍是基于油中溶解气体分析法(dga)，通过研究油中溶解气体的组成成分、含量以及产气速率作为衡量变压器是否故障的指标，因此实现对dga数据的准确预测具有重要现实意义。
2、当前计算机技术的高速发展，加之人工智能、计算机等相关学科的普及推广，促使研究多种智能算法和预测模型层出不穷，结合变压器油中溶解气体浓度数据预测方法迅速升温。相比较传统方式对变压器油中溶解气体浓度数据预测效果并不理相的情况,多种方法融合的预测方法成为当前研究发展的主流，方法间取长补短使得预测结果更加准确。综合已有研究，机器学习在油中溶解气体浓度预测问题上已表现出预测精度高等优势，但现阶段的预测思路主要在于通过不同算法以提高预测精度，其本质上均属于点预测问题，尚未从区间预测的角度增强预测结果的可靠性。
3、专利文献cn116705187a公开了一种变压器油中溶解气体浓度预测方法，包括：对变压器油中溶解气体含量数据进行归一化处理，并
4、以上技术方案虽然利用算法对油中溶解气体浓度时间序列进行数据预处理分解或优化预测模型以提高预测精度，但无法提供浓度潜在的变化范围，为评估变压器状态和检修班组提供更多有用信息。
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ssa优化vmd和lstm的变压器油中溶解气体浓度数据预测方法，基于麻雀搜索算法优化变分模态分解参数对监测数据进行模态分解，并用ssa对长短时记忆网络模型进行优化，能够提高预测精度。
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ssa优化vmd和lstm的变压器油中溶解气体浓度数据预测方法，包括如下步骤：
3、s1、利用ssa算法优化vmd模型的分解模态个数k和惩罚参数ɑ；
4、s2、用优化后的vmd模型将监测到的变压器油中气体溶解浓度数据分解为多个子序列；
5、s3、利用ssa算法优化lstm模型隐藏层神经元个数、迭代次数和学习率参数；
6、s4、对各子序列用优化后的lstm模型进行预测，叠加得到数值预测结果并评价；
7、s5、构建各时刻预测结果集合，计算各集合自适应最优窗宽，根据最优窗宽和高斯核函数拟合kde的变压器油中气体溶解浓度预测区间。
8、优选的方案中，所述步骤s1中，操作步骤如下：
9、s101、初始ssa算法中麻雀种群个数、预警值大小、迭代次数、发现者麻雀占比、追随者麻雀占比和意识到危险麻雀占比的数值；
10、s102、确定vmd算法网络结构、待优化网络参数和适应度函数，预设麻雀搜索法中待寻优参数维度；
11、s103、初始化麻雀种群初始值，计算分解模态个数k和惩罚参数ɑ初始值，并将k和ɑ初始值赋值给vmd算法计算适应度函数初始值；
12、s104、根据s103计算出的k和ɑ，根据公式更新发现者、追随者和意识到危险的麻雀的位置，并重新计算k和ɑ大小；
13、s105、将重新计算出k和ɑ的值带入vmd算法计算适应度值，并与之前的适应度值进行排序；
14、s106、多次重复上述步骤进行迭代，选取最优适应度对应的k和ɑ。
15、优选的方案中，所述步骤s2中，vmd假设多成分信号f(t)由k个有限带宽模态分量组成，对于每个模态，通过希尔伯特变换计算相关的分析信号，获得单向频谱；对于每种模态，通过与调谐到相应估计中心频率的指数混频，将模态的频谱移至“基带”；通过解调信号的高斯平滑度，即梯度的平方范数来估计带宽，得到的约束变分问题如下：
16、
17、
18、式中：f(t)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。
19、引入二次惩罚项α和拉格朗日乘子λ(t)，将约束变分问题转化为无约束优化问题求解，构建函数如下：
20、
21、式中：<·>表约束条件。
22、优选的方案中，所述步骤s3中，操作步骤如下：
23、s301、初始ssa算法中麻雀种群个数、预警值大小、迭代次数、发现者麻雀占比、追随者麻雀占比和意识到危险麻雀占比的数值；
24、s302、确定lstm算法网络结构、待优化网络参数和适应度函数，预设麻雀搜索法中待寻优参数维度；
25、s303、初始化麻雀种群初始值，计算模型隐藏层神经元个数、迭代次数和学习率初始值，并将初始值赋值给lstm算法计算适应度函数初始值；
26、s304、根据步骤s303计算出的模型隐藏层神经元个数、迭代次数和学习率，根据公式更新发现者、追随者和意识到危险的麻雀的位置，并重新计算优化参数大小；
27、s305、将重新计算出的优化参数带入lstm算法进行预测，计算适应度值并与之前的适应度值进行排序；
28、s本文档来自技高网...
【技术保护点】
1.一种基于SSA优化VMD和LSTM的变压器油中溶解气体浓度数据预测方法，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SSA优化VMD和LSTM的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤S1中，操作步骤如下：
3.根据权利要求1所述的一种基于SSA优化VMD和LSTM的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤S2中，VMD假设多成分信号f(t)由K个有限带宽模态分量组成，对于每个模态，通过希尔伯特变换计算相关的分析信号，获得单向频谱；对于每种模态，通过与调谐到相应估计中心频率的指数混频，将模态的频谱移至“基带”；通过解调信号的高斯平滑度，即梯度的平方范数来估计带宽，得到的约束变分问题如下:
4.根据权利要求1所述的一种基于SSA优化VMD和LSTM的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤S3中，操作步骤如下：
5.根据权利要求4所述的一种基于SSA优化VMD和LSTM的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤S302中，LSTM算法的适应度函数表达式
6.根据权利要求4所述的一种基于SSA优化VMD和LSTM的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤S302中，LSTM算法的网络结构表达式如下：
7.根据权利要求1所述的一种基于SSA优化VMD和LSTM的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤S4中，叠加预测结果并用均方误差eMSE、均方根误差eRMSE和平均绝对百分比误差eMAPE三种评价指标对预测结果进行评价，计算公式如下：
8.根据权利要求1所述的一种基于SSA优化VMD和LSTM的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤S5中，假设变压器油中溶解气体某时刻浓度集合为x＝{x1,x2,…,xn}，选取高斯为核函数，其KDE估计函数为：
...【技术特征摘要】
1.一种基于ssa优化vmd和lstm的变压器油中溶解气体浓度数据预测方法，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ssa优化vmd和lstm的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤s1中，操作步骤如下：
3.根据权利要求1所述的一种基于ssa优化vmd和lstm的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤s2中，vmd假设多成分信号f(t)由k个有限带宽模态分量组成，对于每个模态，通过希尔伯特变换计算相关的分析信号，获得单向频谱；对于每种模态，通过与调谐到相应估计中心频率的指数混频，将模态的频谱移至“基带”；通过解调信号的高斯平滑度，即梯度的平方范数来估计带宽，得到的约束变分问题如下:
4.根据权利要求1所述的一种基于ssa优化vmd和lstm的变压器油中溶解气体浓度数据预测方法，其特征在于，所述步骤s3中，操作步骤如下：
5.根据...
【专利技术属性】
技术研发人员：杜晓霜，熊威，龚康，王凌云，刘庆国，潘郁，谭娟，陈泽华，张洋，汪谦，
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。