[发明专利]一种基于改进粒子群的气体浓度的预测方法及装置

权利要求书

1.一种基于改进粒子群的气体浓度的预测方法，其特征在于，所述方法包括：

获取待预测变压器的绝缘油中，任意一种待预测气体的多个历史时刻对应的历史浓度组；所述历史浓度组包括多个历史浓度；一个历史浓度对一个历史时刻；

对所述历史浓度组进行归一化处理，得到归一化后的历史浓度组；

将归一化后的历史浓度组输入气体预测模型中，得到预测气体浓度组；所述气体预测模型包括归一化后的历史浓度组与预测气体浓度组的对应关系；所述气体预测模型基于长短期记忆网络预测模型建立，并基于改进粒子群的方法优化；所述预测气体浓度组包括多个预测气体浓度。

2.根据权利要求1所述的方法，其特征在于，所述气体预测模型采用以下方法训练：

获取样本变压器的绝缘油中，任意一种待预测气体的P个样本浓度构成的样本浓度组；所述P个样本浓度对应P个时刻；

对所述样本浓度组进行归一化处理，得到归一化后的样本浓度组；

将所述归一化后的样本浓度组划分为输入样本浓度组和输出样本浓度组；所述输入样本浓度组由N个归一化后的样本浓度构成；所述输出样本浓度组由M个归一化后的样本浓度构成；P＝M+N，且N个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻，早于M个归一化后的样本浓度中任意一个归一化后的样本浓度对应的时刻；

将所述输入样本浓度组作为输入，将所述输出样本浓度组作为输出，训练得到所述气体预测模型。

3.根据权利要求2所述的方法，其特征在于，将所述输入样本浓度组作为输入，将所述输出样本浓度组作为输出，训练得到所述气体预测模型，包括：

随机初始化长短期记忆网络预测模型的神经元个数以及长短期记忆网络预测模型的学习率；

多次迭代更新神经元个数的速度、神经元个数的位置、学习率的速度以及学习率的位置，改变所述长短期记忆网络预测模型的神经元个数以及所述长短期记忆网络预测模型的学习率，得到多个训练好的长短期记忆网络预测模型；

将所述输入样本浓度组输入多个训练好的长短期记忆网络预测模型中，得到多个样本预测浓度组；

从多个样本预测浓度组中确定出与所述输出样本浓度组最接近的最佳样本预测浓度组；

将与所述最佳样本预测浓度组对应的训练好的长短期记忆网络预测模型，确定为所述气体预测模型。

4.根据权利要求3所述的方法，其特征在于，所述归一化后的历史浓度组采用以下方法确定：

其中，x^*为所述归一化后的历史浓度组中任意一个归一化后的历史浓度；x为所述历史浓度组中任意一个历史浓度；x_min为所述历史浓度组中的最小历史浓度；x_max为所述历史浓度组中的最大历史浓度。

5.根据权利要求1所述的方法，其特征在于，待预测气体包括：

氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳以及二氧化碳。

6.一种基于改进粒子群的气体浓度的预测装置，其特征在于，所述装置包括：

获取模块，用于获取待预测变压器的绝缘油中，任意一种待预测气体的多个历史时刻对应的历史浓度组；所述历史浓度组包括多个历史浓度；一个历史浓度对一个历史时刻；

归一化模块，用于对所述历史浓度组进行归一化处理，得到归一化后的历史浓度组；

处理模块，用于将归一化后的历史浓度组输入气体预测模型中，得到预测气体浓度组；所述气体预测模型包括归一化后的历史浓度组与预测气体浓度组的对应关系；所述气体预测模型基于长短期记忆网络预测模型建立，并基于改进粒子群的方法优化；所述预测气体浓度组包括多个预测气体浓度。