[发明专利]基于循环神经网络的变压器过热故障预警方法

权利要求书

1.一种基于循环神经网络的变压器过热故障预警方法，其特征在于，包括步骤：

(1)获取变压器的各状态量的历史监测数据并进行归一化处理，归一化的数据作为神经网络的样本库；

(2)构造循环神经网络，输入量为归一化后的变压器油色谱中气体含量和热点温度的历史数据，输出量为对应物理量的未来数据；

(3)构造分类神经网络，以物理量的未来数据为输入量，以过热故障的严重程度为输出量；

(4)根据历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练，并根据训练结果对循环神经网络的隐含层层数N和分类神经网络的隐含层层数L进行修订；

(5)将训练完成的神经网络模块集成到变压器运维平台中心，向运行维护人员提供变压器告警预警。

2.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法，其特征在于，所述步骤1中，归一化模型采用z-score归一化：

x＝(x_d-u)/δ

其中，x_d表示原始数据，x表示归一化值，u表示均值，δ表示标准差。

3.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法，其特征在于，所述步骤2中，循环神经网络采用长短期预测神经网络。

4.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法，其特征在于，所述步骤2中，循环神经网络的输入层为9个输入元，包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量；循环神经网络的输出层为9个输出元，与输入物理量相同。

5.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法，其特征在于，所述步骤3中，分类神经网络的输入层为9个输入元，包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量；分类神经网络的输出层为1个输出元，为过热故障的严重程度。

6.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法，其特征在于，所述步骤3中，过热故障的严重程度分为红色预警、黄色预警、蓝色预警以及正常运行。