[发明专利]基于广义回归神经网络的变压器油中特征气体发展趋势预测方法

摘要

一种基于广义回归神经网络的变压器油中特征气体发展趋势预测方法，属于电力设备监测技术领域，通过获取试验数据、构建样本数据、形成广义回归神经网络预测工具、对待预测输入数据进行归一化、运用广义回归神经网络预测工具进行预测、判断是否超出预定值，直至找到超出预定值的时刻。本发明方法形成了一种基于广义回归神经网络的变压器油中特征气体发展趋势预测工具，用于等时间间隔和非等时间间隔采样，实现了两种预测功能，一是预测未来任意时刻变压器油中特征气体值及产气速率，二是预测未来异常气体产气速率超出限定值的时间点、气体值及产气速率值。

主权项

一种基于广义回归神经网络的变压器油中特征气体发展趋势预测方法，其特征在于由如下步骤完成：步骤一获取试验数据，依常规方式对变压器油中的特征气体进行检测，当变压器油中单一或多个特征气体超过阈值时，则进行连续检测数据采集，连续检测数据采集不少于5次；步骤二构建样本数据，对步骤一获取的试验数据对应的时间间隔进行累加，得到累加后的时间间隔数列，分别计算每种气体此次与上一次的含量差，求得含量差数列，组合成样本数据，对样本数据进行归一化；步骤三构建广义回归神经网络模型(i) 构建广义回归神经网络模型，分别为输入层、模式层、求和层及输出层，具体广义回归神经网络模型设计如下：(1)输入层：输入层神经元的数目设置为M；(2)模式层：模式层神经元数目为M，求得模式层神经元传递函数；(3)求和层：求和层中使用两种类型神经元进行求和，一类神经元对所有模式层神经元的输出进行算数求和，另一类神经元对所有模式层的神经元进行加权求和；(4)输出层：输出层中的神经元数目除掉时间间隔数列为D(D＝M‑1)，输出结果为求和层的输出结果的比值序列，分别对应于油中D种气体的预测含量值；(ii) 进行样本数据网络训练(1)取D种气体含量差为网络输入；(2)计算训练样本通过网络预测的结果误差率e,调整spread值，进行循环计算误差率e，直至满足误差率的要求；步骤四对待预测输入数据进行归一化，将第n时刻D种气体含量数据按步骤二进行归一化，并求得D种气体的含量差，形成数组和需要预测的时间间隔一起作为待预测输入数据；步骤五运用广义回归神经网络预测工具进行预测，将步骤四的输入数据作为输入传递给网络net，运用网络net进行预测；步骤六确定产气速率超出预定值的时间，计算油中特征气体相对产气速率，改变预测时间，循环计算油中特征气体相对产气速率，判断是否超出预定值，直至找到超出预定值的时刻。