[发明专利]基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法

权利要求书

1.一种基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：包括以下步骤：

S1：根据电力监控系统采集到的历史数据，选取搜集整理的N例确认存在故障的变压器作为训练集和M例油色谱在线监测装置出现报警后跟踪观察的变压器作为测试集，由训练集和测试集组成LSTM模型的样本库；

S2：采用离差标准化方法对油色谱中特征气体体积分进行归一化处理，降低油色谱中特征气体体积分数数据分散性对模型的影响；

S3：将训练集中运行工况、检修记录和油中特征气体的体积分数作为LSTM网络输入参数；

S4：采用反向传播算法对LSTM网络模型进行训练，提取训练集油中特征气体体积分数及运行时间与所预测变压器状态之间的特征联系，获取LSTM网络模型参数；

S5：利用LSTM预测模型参数对测试集中变压器进行状态预测；

S6：将S5中状态预测结果作为输入，根据马尔科夫状态转移矩阵计算下一时刻的残差值所有能落入的区间中值，进而计算对应区间内的预测修正值。

2.如权利要求1所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：步骤2中采用离差标准化方法对特征气体体积分进行归一化处理，公式为：

其中，x_max为样本库数据的最大值，x_min为样本库数据的最小值。

3.如权利要求1所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：所述油中溶解特征气体为CO、CO₂、C₂H₂总烃、H₂、CH₄、C₂H₄和C₂H₆中一种或多种。

4.如权利要求1所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：步骤S4中对LSTM网络模型采用反向传播算法进行训练，具体方法如下：

S4.1：前向计算每个神经元输出值；

S4.2：反向计算每个神经元的误差项；LSTM误差项反向传播包括沿时间反向传播和将误差项向上一层传播；

S4.3：根据相应误差项，计算每个权重的梯度。