[发明专利]基于果蝇算法优化的变压器状态参量数据预测方法及系统

说明书

本发明公开了一种基于果蝇算法优化的变压器状态参量数据预测方法，其包括以下步骤：S100：获取一段时间内的变压器状态量数据，并将其转换为矩阵形式的变压器状态量矩阵，所述变压器状态量包括变压器状态参量的相关数据；S200：构建变压器状态参量数据预测模型，基于果蝇算法求得所述预测模型的超参数，基于所述变压器状态量矩阵对所述预测模型进行训练；S300：基于经步骤S200训练的变压器状态参量数据预测模型预测变压器状态参量数据。该方法能避免超参数选取陷入局部收敛，从而提升预测模型训练效率，保证较高的变压器状态参量数据预测准确率和可靠性。此外，本发明还公开了相应的基于果蝇算法优化的变压器状态参量数据预测系统。

技术领域

本发明涉及电力系统输变电设备运行维护领域中的变压器状态参量预测方法及系统，尤其涉及一种基于果蝇算法优化的变压器状态参量预测方法及系统。

背景技术

电力变压器作为输变电系统的主要核心设备，保证其能够健康稳定地运行具有重要意义。通常通过监测变压器运行状态并预测其变化趋势，从而有效预防变压器故障、做好预案，保证变压器的稳定运行。为了有效监测变压器运行状态并预测其变化趋势，通常需要监测反映变压器运行状态的各变压器状态参量并对其进行预测。

变压器的状态参量信息维度很高，数据量庞大，不同的状态参量数据从不同角度在一定程度上反映了变压器的运行状态。变压器的状态参量数据主要包括在线监测数据、离线实验数据、运行巡检数据以及变压器自身技术参数数据等，这些数据可以从各个方面反映变压器的运行状态，利用这些数据对变压器运行状态进行预测具有重要的研究意义。变压器在线监测状态参量数据是一个复杂的数据序列，对变压器在线监测状态参量数据未来的变化趋势进行预测，能够更好地预测变压器的运行状态变化。

传统的变压器状态参量预测模型仅仅考虑了单一变量或者少数几个变量的数据对序列未来的变化趋势进行判断。并且在对历史数据进行拟合时，无法保留较为久远的历史信息对当前时刻的作用，从而无法实现对未来较长时间尺度的预测。

广义回归神经网络(generalized regression neural network,GRNN) 是由美国学者Donld F.Specht提出的一种新型的径向基神经网络。它是以非线性回归分析为基础的径向基神经网络。该网络有能力从历史数据中预测任意形式的函数，并且最后收敛于样本量积累最多的优化回归面。在结构上和多层感知神经网络类似，包括输入层、模式层、求和层和输出层。广义回归神经网络在网络的训练过程中不需要调整每个神经元之间的连接的权重，网络的学习过程仅仅依赖于数据样本本身，模型唯一需要设定的是光滑因子参数，很大程度上降低了人为主观影响因素，因此特别适用于具有非线性特征的变压器状态参量数据的预测。

基于神经网络构建的预测模型可以用于变压器状态参量数据预测，但是存在超参数选取容易陷入局部收敛，导致预测模型训练效率低，影响预测准确率和可靠性的问题。

发明内容

本发明的目的之一是提供一种基于果蝇算法优化的变压器状态参量数据预测方法，该方法能避免超参数选取陷入局部收敛，从而提升预测模型训练效率，保证较高的变压器状态参量数据预测准确率和可靠性。

根据上述发明目的，本发明提出了一种基于果蝇算法优化的变压器状态参量数据预测方法，其对变压器状态参量数据进行预测，所述方法包括以下步骤：

S100：获取一段时间内的变压器状态量数据，并将其转换为矩阵形式的变压器状态量矩阵，所述变压器状态量包括变压器状态参量的相关数据；

S200：构建变压器状态参量数据预测模型，基于果蝇算法求得所述预测模型的超参数，基于所述变压器状态量矩阵对所述预测模型进行训练；

S300：基于经步骤S200训练的变压器状态参量数据预测模型预测变压器状态参量数据。