[发明专利]基于长短期记忆网络的变压器油中溶解气体浓度预测方法

权利要求书

1.基于长短期记忆网络的变压器油中溶解气体浓度预测方法，其特征在于，包括如下步骤：

步骤一：收集变压器油中溶解气体浓度历史实测数据，包括乙烷C₂H₆、氢气H₂、甲烷CH₄、乙烯C₂H₄、一氧化碳CO、二氧化碳CO₂、总烃，以采集到数据日期为序，建立这7种气体的气体浓度序列；

步骤二：利用关联规则方法挖掘油中溶解气体间的关联关系，得到气体浓度序列间的关联规则；

步骤三：利用小波分解处理步骤一中的油中溶解气体浓度序列，获得油中溶解气体浓度序列的低频序列分量和高频序列分量；

步骤四：利用LSTM对步骤三中的油中溶解气体序列分量分别进行预测，然后对预测得到的溶解气体序列分量进行重组，包括

采用沿时间反向传播算法训练所述变压器运行状态预测模型，根据关联规则挖掘得到的油中溶解气体之间的关联关系，与待预测气体浓度相关联的气体浓度序列加上待预测气体浓度序列分解后的子序列作为输入变量，构造n个LSTM预测模型，分别对各层序列的下一时间低频序列分量和高频序列分量进行预测，然后将低频序列分量和高频序列分量在各时刻的预测值进行小波重构合成，其中小波重构合成公式为n为小波分解层数；

步骤五：采用均方根误差e_RMSE和平均绝对误差e_MAE两个指标计算预测误差，计算公式为其中，y_i、分别为油中溶解气体浓度的真实值和预测值，n表示测试数据个数，i表示预测点序列编号。

2.如权利要求1所述的基于长短期记忆网络的变压器油中溶解气体浓度预测方法，其特征在于，在步骤二中，利用关联规则方法挖掘油中溶解气体间的关联关系，得到气体浓度序列间的关联规则的具体方法如下：

首先对步骤一中的7种气体浓度序列进行单独归一化处理，得到所有气体浓度序列归一化值，全部处于0～1之间，计算公式如下：0≤i≤j，式中，max为乙烷C₂H₆、氢气H₂、甲烷CH₄、乙烯C₂H₄一氧化碳CO、二氧化碳CO₂、总烃中的一种气体浓度最大值，min为相应气的气体浓度最小值，x_i为相应气体的气体浓度序列值，j为采集气体浓度的样本数；

对归一化后的数据采用基于k聚类的划分方法将数据进行离散化，并将聚类结果符号化，用“A”、“B”、“C”、“D”、……表示，聚类公式为：

式中，x_m为乙烷C₂H₆、氢气H₂、甲烷CH₄、乙烯C₂H₄一氧化碳CO、二氧化碳CO₂、总烃中的一种气体浓度序列归一化的值，μ_i为相应气体浓度第i簇的均值，采用的是欧氏距离，k为聚类类别数，n为相应气体浓度的样本数；

利用Apriori算法找出气体浓度项集中支持度大于最小支持度的频繁项集，删去频繁项集中置信度小于阈值的规则，得到气体浓度序列之间的关联关系。