[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

说明书

本发明提供一种基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，该方法包括以下步骤：1)采集电力系统环境的原始数据，选取训练集和测试集。2)对油中溶解气体体积分数利用三角形和半梯形组合的隶属度函数得到对应于不同状态的分布函数。3)将训练集中运行工况、检修记录和油中气体的体积分数作为LSTM网络输入参数4)采用反向传播算法的训练方法对LSTM网络模型进行训练，获取预测模型参数。5)利用LSTM预测模型参数对测试集中变压器进行状态预测。6)根据马尔科夫状态转移矩阵计算下一时刻的残差值所有可能落入的区间中值，进而计算对应区间内的预测修正值。

技术领域

本发明涉及电力技术领域，特别是涉及一种基于LSTM网络与马尔科夫链修正误差的电力变压器运行预测方法。

背景技术

电力变压器是电力系统的关键设备之一，其运行状态关乎电网能否可靠供电。变压器在运行使用过程中，由于老化、故障会使绕组温度变高，利用设备已有的历史状态信息，分析变压器运行状态变化过程，预警其潜在故障风险，有助于企业基于信息平台数据资源实现设备安全管控与经济效益。RNN(recurrent neural network)虽然能够有效处理时间序列数据，但仍存在以下两个问题：(1)RNN存在梯度消失和梯度爆炸问题，无法有效处理时间维度过长的时间序列数据；(2)RNN模型的训练过程中需要预先设定延迟窗口的长度，但是这一参数的最优值难以获取。

LSTM(Long Short-Term Memory)神经网络在RNN的基础上，在各隐藏层神经单元中加入记忆单元，实现时间序列上的记忆信息可控。每次序列数据在隐藏层各单元之间传递时会通过遗忘门、输入门、输出门等可控门，从而控制时序数据中之前数据和当前数据的记忆和遗忘程度，从而使神经网络具有长期记忆功能。通过这种方式，LSTM神经网络有效改善了RNN网络梯度消失、长期记忆力不足等缺点，能够有效地利用长距离的时序数据。利用马尔科夫链求解具有马氏性的随机过程状态，能够大大简化状态求解过程。具有马氏性的随机系统已在工程领域内开展应用研究，诸如设备可靠性评估，负荷预测等领域。本发明将马尔科夫链模型应用于修正LSTM模型的预测结果。

发明内容

本发明所要解决的技术问题是：为了克服现有技术中的不足，本发明提供一种基于LSTM网络与马尔科夫链修正误差的电力变压器运行预测方法，弥补现有方法的不足，提高变压器运行预测的精准度。

本发明解决其技术问题所要采用的技术方案是：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，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；M和N的值根据实际情况进行确定。

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可能落入的区间中值，进而计算对应区间内的预测修正值。

进一步，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。