[发明专利]一种变压器油中溶解气体浓度预测方法

摘要

本发明公开一种变压器油中溶解气体浓度预测方法，在原有的气体浓度之外，将各种气体浓度的比值也作为参考向量，然后利用核主元分析方法选取其中的主要参量作为输入训练GRNN网络。针对传统模型预测能力较低的问题，在网络的构建过程中，利用改进的果蝇优化算法来选取网络的光滑因子参数。既充分利用了输入向量的有效信息，考虑了变量之间的关联性，又简化了计算的复杂度，最小化人为的干预过程，提高预测的准确度。

主权项

1.一种变压器油中溶解气体浓度预测方法，其特征在于：包括以下步骤：S01)、获取历史监测数据，得到m维参考向量的历史变化数据，m维参考向量包括多种气体的浓度向量以及气体浓度的比值向量；S02)、利用核主元分析算法提取核心参数，建立以m维参考向量为元素的数据矩阵X，选定核函数及其参数，计算核矩阵K，K＝k(x_i,x_j)＝φ(x_i)·φ(x_j)，x_i、x_j表示数据矩阵X中第i、j个样本，0＜i≤m，0＜j≤m，φ(x_i)、φ(x_j)表示x_i、x_j在特征空间上的像，然后修正核矩阵，修正后的核函数K'为：其中I_m是m阶的值都为1的矩阵，计算K'的特征值λ_i和特征向量p_i；特征值按照降序排列，相应的特征向量也要做相应的调整，计算特征值的累计贡献率T_k，根据设定的阈值ε，若T_k≥ε，则选取k个序列为主元；S03)、将选出的k个序列和需要预测的气体浓度向量作为GRNN神经网络的输入，训练GRNN神经网络，利用果蝇优化算法将GRNN神经的参数值调整到最佳值，使网络输出值与目标值两者之间的均方根误差调整到最小，具体步骤如下：先计算出输入原点坐标之间的距离，并求倒数以计算判定值S，再将其带入GRNN的光滑因子参数σ，利用Matlab函数newgrnn训练网络得到输出值，并且根据样本预测值计算出均方根误差值，迭代搜寻，得出均方根误差值最小时的光滑因子参数，把此时的光滑因子参数值带入到GRNN神经网络中，对需要预测的气体浓度进行预测。