[发明专利]一种基于D-S证据理论的变压器油色谱数据预测方法

说明书

技术领域

本发明涉及电力系统安全技术领域，尤其涉及对变压器油中的气体浓度进行预测的变压器油色谱数据预测方法。

背景技术

实际运行中，变压器绝缘油和有机绝缘材料在电场及磁场的作用下，会逐渐老化和分解，产生少量低分子烃类及二氧化碳、一氧化碳等气体，并大量溶解在变压器油中。当存在潜伏性过热故障或放电性故障时，这些气体的产生速度和溶解在油中的数量也会增加，即故障气体的组成和含量与故障类型的严重程度有密切关系。为此，检测变压器中的绝缘油的色谱情况是见识变压器安全运行的重要手段之一。

电力变压器是电力系统的重要设备之一，其正常运行对电网的安全稳定运行起着非常重要关键的作用。变压器油中溶解气体的含量是监督变压器运行状态的重要手段，因此，建立科学、准确度高和可操作性强的预测模型是变压器在线监测和故障诊断的重要手段，具有重要的技术和经济价值。

目前，常用的预测方法有BP神经网络，支持向量机等。预测模型可以由不同的方法建立，如神经网络，时间序列等方法。由于预测方法的原理和建模机制不同，这些方法的预测效果不完全相同。神经网络方法中BP神经网络的局部拟合能力较强，机器学习算法中支持向量机的整体逼近能力较强。在预测变压器油中溶解气体时，各种方法对各个时间段的预测精度也各不相同，因此，仅仅采用某一种方法进行预测，在某种程度上会降低预测精度。

发明内容

本发明针对以上问题，提供一种利用D-S证据理论对多种方法的综合能力，改善了变压器油色谱数据预测模型的精度和泛化能力的基于D-S证据理论的变压器油色谱数据预测方法。

本发明的技术方案：包括以下步骤：

步骤1）：采集变压器油色谱数据中的多种气体浓度历史数据；

步骤2）：以所述多种气体在某一时刻的浓度作为输入，以所述多种气体中的待预测气体在下一时刻的浓度作为输出，利用所采集的多种气体浓度历史数据作为训练样本集通过多种智能预测算法进行训练，并计算训练误差；

所述步骤2）按如下过程进行：

2.1），采集N种气体的浓度历史数据，将某一时刻的N种气体的浓度数据作为输入量，下一时刻的N种气体中的第n种气体浓度作为输出量，则训练样本集D_n可表示为：Dn={(xt,yt+1n),t=1,2,L,T},]]>n=1,2,L,N，x_t为t时刻输入向量，其组成为：其中为t时刻第n种气体的浓度，为t+1时刻第n种气体的输出量，T为训练样本集中的样本总数；

2.2),将训练样本集D_n输入到各个智能预测算法中进行训练，得到各个智能预测算法对应的预测模型，以及训练误差，每个训练误差记作：

ei=y^i-yiyi(i=1,2,3)]]>

式中，为预测值，y_i为真实值；

步骤3）：利用D-S证据理论对步骤2）中所述的多个预测模型得到的预测结果进行权重提取和融合，得到待预测气体预测模型权重，最终得到预测值；

所述步骤3）按如下过程进行：