[发明专利]一种变压器油中溶解气体浓度预测方法

说明书

本发明公开一种变压器油中溶解气体浓度预测方法，首先为降低变压器油中溶解气体浓度时间序列的波动性对预测结果的影响，采用奇异谱分析将原始变压器油中溶解气体浓度时间序列分解为多个特征分量，然后对各个特征分量分别建立混沌蝙蝠算法优化回声状态网络的预测模型，提高预测模型的稳定性和泛化能力；再输入测试数据到预测模型得到全部特征分量的预测值；最后叠加全部特征分量的预测值得到实际的变压器油中溶解气体浓度预测结果。本发明的方法能更好的找寻气体浓度时间序列的变化规律，获得较单一人工智能预测方法更高精度的变压器油中溶解气体浓度预测结果。

技术领域

本发明属于电网设备状态监测技术领域，特别是涉及一种基于奇异谱分析和混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测方法。

背景技术

电力变压器在电力系统中担任着传递电能的重要角色，其安全可靠运行是保证电力持续可靠供应以及电力系统稳定的重要基石。变压器油色谱在线监测系统在变压器运行状态下的绝缘监测领域得到广泛应用，该系统基于油中溶解气体分析(dissolved gasanalysis，DGA)技术，根据固定采样周期对变压器油进行气体含量分析，得到持续地油中气体浓度时间序列。利用采集到的历史时间序列对变压器油中溶解气体的浓度未来变化趋势进行精准预测，可为变压器缺陷及潜伏性故障判断提供重要参考依据。现有的油中溶解气体浓度预测模型主要可分为两类：数理统计预测模型和人工智能预测模型。数理统计预测模型主要包括时间序列模型、灰色模型等。这类数理统计预测方法在处理线性序列与指数序列时预测效果良好，但该类模型原理简单，受历史数据限制较大，难以反映波动性强的数据变化趋势。人工智能预测模型通过支持向量机和神经网络等机器学习模型对大量历史变压器油中溶解气体浓度数据进行训练学习，以得到数据的变化规律。如CN110441500A公开了一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法，其通过收集变压器在线油色谱样本数据，确定其特征参量并进行归一化处理：然后利用变压器油中溶解气体的序列数据对长短期记忆网络进行训练，得到最优的预测模型参数；最后以油中溶解的7种特征气体浓度为输入，以待预测气体的浓度为输出，实现对变压器油中溶解气体浓度的预测。但是由于变压器油中溶解气体浓度时间序列具有较强的波动性，上述公开专利单纯的通过人工智能预测模型和神经网络已无法有效捕捉到其变化规律，因此其对于变压器油中溶解气体浓度时间序列的预测精度并不是很高。因此，上述缺陷是亟需解决的问题。

发明内容

本发明提供一种变压器油中溶解气体浓度预测方法，该方法可有效降低变压器油中溶解气体浓度时间序列波动性对预测结果的影响，提高变压器油中溶解气体浓度预测精度。

本发明的技术方案为：

一种变压器油中溶解气体浓度预测方法，包括以下步骤：

S1、采用奇异谱分析对变压器油中溶解气体浓度时间序列进行分解，得到多个特征分量；

S2、对每个特征分量构建各自的训练数据集和测试数据集；

S3、对每个特征分量分别建立混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测模型；

S4、将训练数据集中多个特征分量的训练样本逐一输入混沌蝙蝠算法优化回声状态网络的变压器油中溶解气体浓度预测模型进行训练，得到各自对应的变压器油中溶解气体浓度预测子模型；

S5、将测试数据输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测，得到每个变压器油中溶解气体浓度子模型的预测输出值；

S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理，得到最终的变压器油中溶解气体浓度预测结果。