【技术实现步骤摘要】
本申请涉及变分模态分解以及极限学习机，特别是涉及一种变压器油中溶解气体浓度的预测方法及装置、介质、终端。
技术介绍
1、作为电力系统的重要组成部分，变压器的运行状态将极大地影响电力系统的稳定性。在变压器故障诊断技术中，油中溶解气体分析技术占有非常重要的地位。其中，变压器油中溶解气体主要是由于绝缘油和绝缘纸在温度、放电、氧化的影响下分解产生的。随着传感器技术的发展，油色谱在线监测装置逐渐被广泛使用到电力变压器故障诊断和运行状态预测的场景中。具体的，通过油色谱在线监测装置进行定期采样，并形成有序的在线油色时间序列，再结合历史在线油色谱数据对新采集到的在线油色时间序列进行分析，从而预测未来可能出现的情况。然而，通过现有预测技术得到的预测结果难以满足预测准确度要求。
技术实现思路
1、有鉴于此，本申请提供一种变压器油中溶解气体浓度的预测方法及装置、介质、终端，主要目的在于现有预测技术得到的预测结果难以满足预测准确度要求的问题。
2、依据本申请一个方面，提供了一种变压器油中溶解气体浓度的预测方法，包括：
3、获取预设监测时段内待预测气体的浓度时间变化的原始序列；
4、对所述原始序列进行变分模态分解处理，得到多个浓度时间变化的子序列；
5、基于各个所述子序列所对应的已完成模型训练的浓度预测模型分别预测各个所述子序列在预设预测时刻的预测浓度值，并将各个所述子序列的预测浓度值进行叠加，得到所述待预测气体在所述预设预测时刻的预测浓度值，所述浓度预测模型
6、优选的，所述对所述原始序列进行变分模态分解处理，得到多个浓度时间变化的子序列，具体包括：
7、构建各个所述子序列估计带宽之和的最小目标函数，所述最小目标函数的约束条件为各个所述子序列之和与所述原始序列相等；
8、基于乘法交替方向法求解所述最小目标函数，得到多个子序列。
9、优选的，所述构建各个所述子序列估计带宽之和的最小目标函数，具体包括：
10、构建各个所述子序列对应的有限带宽模态函数；
11、基于希尔伯特变换方法计算各个所述有限带宽模态函数的解析信号，得到各个所述有限带宽模态函数对应的单侧频谱；
12、将各个所述单侧频谱与对应的中心频率的指数项进行混叠处理，得到各个所述子序列对应的基频带；
13、基于各个所述子序列对应的基频带构建各个所述子序列估计带宽之和的最小目标函数。
14、优选的，所述基于乘法交替方向法求解所述最小目标函数，得到多个子序列，具体包括：
15、基于二次惩罚项因子以及拉格朗日乘子将所述最小目标函数进行变换处理，得到变换后的最小目标函数；
16、基于乘法交替方向法，对所述变换后的最小目标函数中的有限带宽参数、中心频率参数、拉格朗日乘子进行更新，以得到多个子序列。
17、优选的，述基于各个所述子序列所对应的已完成模型训练的浓度预测模型分别预测各个所述子序列在预设预测时刻的预测浓度值之前，所述方法还包括：
18、基于极限学习机构建各个所述子序列所对应的初始浓度预测模型；
19、分别从各个所述子序列所包含的变压器油中溶解气体浓度数据中获取各个所述子序列对应的训练样本集，并将所述训练样本集划分为多个训练样本子集；
20、将各个所述训练样本子集中除最后一个训练样本外的其他训练样本输入至对应的所述初始浓度预测模型中进行预测，得到多个预测结果，计算多个所述预测结果与多个所述最后一个训练样本之间的拟合误差；
21、若所述拟合误差大于预设拟合误差阈值，则更新对应的所述初始浓度预测模型的极限学习机权值，直至所述拟合误差小于所述预设拟合误差阈值，得到各个所述子序列所对应的更新后的浓度预测模型。
22、优选的，所述基于各个所述子序列所对应的已完成模型训练的浓度预测模型分别预测各个所述子序列在预设预测时刻的预测浓度值之前，所述方法还包括：
23、分别从各个所述子序列所包含的变压器油中溶解气体浓度数据中获取各个所述子序列对应的测试样本集；
24、分别基于各个所述更新后的浓度预测模型，预测各个所述子序列在所述测试样本集的采集时间的预测浓度数据；
25、根据各个所述子序列的预测浓度数据与对应的所述测试样本集之间的拟合误差确定所述更新后的浓度预测模型为已完成模型训练的浓度预测模型。
26、优选的，所述将各个所述子序列的预测浓度值进行叠加，得到所述待预测气体在所述预设预测时刻的预测浓度值之后，所述方法还包括：
27、获取多个预测浓度值，并生成所述待预测气体的浓度变化趋势图；
28、若检测到所述浓度变化趋势图中存在超过预设气体浓度阈值的数据点，则发出目标变压器存在故障风险的提示信息，以对所述目标变压器进行故障监测。
29、依据本申请另一个方面，提供了一种变压器油中溶解气体浓度的预测装置，包括：
30、获取模块，用于获取预设监测时段内待预测气体的浓度时间变化的原始序列；
31、分解模块，用于对所述原始序列进行变分模态分解处理，得到多个浓度时间变化的子序列；
32、预测模块，用于基于各个所述子序列所对应的已完成模型训练的浓度预测模型分别预测各个所述子序列在预设预测时刻的预测浓度值，并将各个所述子序列的预测浓度值进行叠加，得到所述待预测气体在所述预设预测时刻的预测浓度值，所述浓度预测模型是基于极限学习机构建，并利用各个所述子序列中的浓度数据进行模型训练得到的。
33、优选的，所述分解模块，具体包括：
34、构建单元，用于构建各个所述子序列估计带宽之和的最小目标函数，所述最小目标函数的约束条件为各个所述子序列之和与所述原始序列相等；
35、求解单元，用于基于乘法交替方向法求解所述最小目标函数，得到多个子序列。
36、优选的，所述构建单元，具体用于：
37、构建各个所述子序列对应的有限带宽模态函数；
38、基于希尔伯特变换方法计算各个所述有限带宽模态函数的解析信号，得到各个所述有限带宽模态函数对应的单侧频谱；
39、将各个所述单侧频谱与对应的中心频率的指数项进行混叠处理，得到各个所述子序列对应的基频带；
40、基于各个所述子序列对应的基频带构建各个所述子序列估计带宽之和的最小目标函数。
41、优选的，所述求解单元，具体用于：
42、基于二次惩罚项因子以及拉格朗日乘子将所述最小目标函数进行变换处理，得到变换后的最小目标函数；
43、基于乘法交替方向法，对所述变换后的最小目标函数中的有限带宽参数、中心频率参数、拉格朗日乘子进行更新，以得到多个子序列。
44、优选的，所述预测模块之前，所述装置还包括训练模块，用于：
本文档来自技高网...
【技术保护点】
1.一种变压器油中溶解气体浓度的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述原始序列进行变分模态分解处理，得到多个浓度时间变化的子序列，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述构建各个所述子序列估计带宽之和的最小目标函数，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述基于乘法交替方向法求解所述最小目标函数，得到多个子序列，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述基于各个所述子序列所对应的已完成模型训练的浓度预测模型分别预测各个所述子序列在预设预测时刻的预测浓度值之前，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述基于各个所述子序列所对应的已完成模型训练的浓度预测模型分别预测各个所述子序列在预设预测时刻的预测浓度值之前，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述将各个所述子序列的预测浓度值进行叠加，得到所述待预测气体在所述预设预测时刻的预测浓度值之后，所述方法还包括：
8.一
9.一种存储介质，所述存储介质中存储有至少一条可执行指令，其特征在于，所述可执行指令使处理器执行如权利要求1-7中任一项所述的变压器油中溶解气体浓度的预测方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
...【技术特征摘要】
1.一种变压器油中溶解气体浓度的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述原始序列进行变分模态分解处理，得到多个浓度时间变化的子序列，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述构建各个所述子序列估计带宽之和的最小目标函数，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述基于乘法交替方向法求解所述最小目标函数，得到多个子序列，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述基于各个所述子序列所对应的已完成模型训练的浓度预测模型分别预测各个所述子序列在预设预测时刻的预测浓度值之前，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述基于各...
【专利技术属性】
技术研发人员：卢波，张沈习，李珂，贾景龙，
申请(专利权)人：国家电网有限公司华东分部，
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。