[发明专利]一种变压器状态参量趋势预测方法及系统

说明书

本发明公开了一种变压器状态参量趋势预测方法，包括步骤：(1)采集变压器在线监测状态量；(2)采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵X；(3)构建预测模型并确定预测模型的结构，预测模型包括特征提取器和一层前馈神经网络层(4)将变压器在线监测状态量矩阵X中的一部分变压器在线监测状态量作为输入，对预测模型进行训练；(5)将变压器在线监测状态量矩阵X中的另一部分变压器在线监测状态量作为输入数据输入经过训练的预测模型，特征提取器提取出输入数据与预测结果之间的特征参数后，输入给前馈神经网络层；(6)输出预测结果。此外，本发明还公开了变压器状态参量趋势预测系统。

技术领域

本发明涉及一种预测方法及系统，尤其涉及一种用于趋势预测的预测方法及系统。

背景技术

变压器状态一般通过多个特征参量的变化表现出来，这些特征参量(即变压器状态参量)会随着故障的不同因素例如故障类型、故障发生部位以及故障的严重程度而发生相应变化，通过预测不同故障对应的关键特征参量的变化趋势，有利于清晰直观了解变压器状态的变化过程。

由于变压器状态参量的数据可以看作为一个复杂的数据序列，目前，传统的预测方法通常利用单一或少数参量的统计公式(例如回归分析或时间序列分析)外推未来的时间序列及变化趋势，但这些预测方法无法考虑众多相关因素对公式适应性的影响，也就是说一旦某个变压器状态参量的数据有缺失，则无法进行预测。

而随着智能电网技术的发展，越来越多的信息例如变压器状态数据、电网运行数据及气象信息数据逐步在统一的信息平台上集成共享，因此，期望获得一种预测方法，其可以对变压器状态相关的多源信息进行关联关系挖掘，利用挖掘得到的状态量间关联关系作为先验知识，对预测模型进行自适应调整来提高变压器状态参量趋势预测的精度，最终达到对变压器状态参量趋势进行精确预测的效果。

发明内容

本发明的目的之一在于提供一种变压器状态参量趋势预测方法，该变压器状态参量趋势预测方法利用栅格长短时记忆网络提取各个变压器在线监测状态量之间的关联关系，并挖缺其与未来状态量(即所需要的预测结果)之间的趋势联系，对预测模型进行训练，最终通过训练后的预测模型中的前馈神经网络层输出预测结果，从而对变压器状态参量趋势进行精确预测。

基于上述目的，本发明提出了一种变压器状态参量趋势预测方法，其包括步骤：

(1)采集变压器在线监测状态量；

(2)采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵X：

其中，X¹、X²和X^r分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列；

(3)构建基于栅格长短时记忆网络的预测模型并确定所述预测模型的结构，所述预测模型包括特征提取器和一层前馈神经网络层，所述特征提取器包括N层栅格长短时记忆网络层；所述预测模型的结构包括栅格长短时记忆网络层的层数以及前馈神经网络层和各栅格长短时记忆网络层的神经元节点数；

(4)将变压器在线监测状态量矩阵X中的一部分变压器在线监测状态量作为输入，对预测模型进行训练；

(5)将变压器在线监测状态量矩阵X中的另一部分变压器在线监测状态量作为输入数据输入经过训练的预测模型，所述特征提取器提取出所述输入数据与预测结果之间的特征参数后，输入给所述前馈神经网络层；

(6)所述前馈神经网络层输出预测结果。