[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

说明书

本发明公开了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，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；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；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。本发明方法能更好地追踪油中溶解气体的浓度变化趋势，具有更高的预测精度。

技术领域

本发明属于变压器气体浓度预测领域，特别是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。

背景技术

电力变压器是电力系统中升降电压和分配电能的重要设备，它的正常运行关系到整个电网的安全稳定。变压器在运行使用过程中，由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中，油中气体的各种成分体积分数及不同组分间的比例关系与变压器运行状况密切相关。变压器油中溶解气体分析是目前应用最广泛的诊断变压器早期潜伏性故障的重要方法。通过对历史监测序列分析，从而对油中溶解气体浓度的发展趋势进行准确预测，能够提前掌握变压器的运行状况，能够为变压器状态评估和状态检修提供依据。

国内外学者对油中溶解气体浓度预测进行了大量研究，提出的方法主要可归纳为统计预测方法和机器学习方法两种。统计预测方法主要包括时间序列模型、灰色模型，其预测精度受限于序列本身的分布规律，可应用场景存在较大的局限性。传统的机器学习方法有支持向量机、人工神经网络等，通过对大量历史数据进行分析训练，得到能反映时间序列发展趋势的预测模型。但是传统的机器学习方法仅通过历史数据进行预测，忽略了油中溶解气体浓度之间的关联关系，其预测的精确度有待提升。

发明内容

为了解决上述问题，本发明提出了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。

实现本发明目的的技术方案如下：

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，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。