[发明专利]一种基于D-S证据理论的变压器油色谱数据预测方法

摘要

一种基于D-S证据理论的变压器油色谱数据预测方法。包括以下步骤：步骤1）：采集变压器油色谱数据中的多种气体浓度历史数据；步骤2）：以多种气体在某一时刻的浓度作为输入，以多种气体中的待预测气体在下一时刻的浓度作为输出，利用所采集的多种气体浓度历史数据作为训练样本集通过多种智能预测算法进行训练，并计算训练误差；步骤3）：利用D-S证据理论对步骤2）中所述的多个预测模型得到的预测结果进行权重提取和融合，得到待预测气体预测模型权重，最终得到预测值；步骤4）：结束。本发明利用D-S证据理论对多种方法获得的预测结果融合能力来对气体浓度进行预测，改善了变压器油色谱数据预测模型的精度和泛化能力，具有更高的预测精度。

主权项

1.一种基于D-S证据理论的变压器油色谱数据预测方法，其特征在于，包括以下步骤：步骤1）：采集变压器油色谱数据中的多种气体浓度历史数据；步骤2）：以所述多种气体在某一时刻的浓度作为输入，以所述多种气体中的待预测气体在下一时刻的浓度作为输出，利用所采集的多种气体浓度历史数据作为训练样本集通过多种智能预测算法进行训练，并计算训练误差；所述步骤2）按如下过程进行：2.1），采集N种气体的浓度历史数据，将某一时刻的N种气体的浓度数据作为输入量，下一时刻的N种气体中的第n种气体浓度作为输出量，则训练样本集D_n可表示为：Dn={(xt,yt+1n),t=1,2,L,T},]]>n=1,2,L,N，x_t为t时刻输入向量，其组成为：其中为t时刻第n种气体的浓度，为t+1时刻第n种气体的输出量，T为训练样本集中的样本总数；2.2),将训练样本集D_n输入到各个智能预测算法中进行训练，得到各个智能预测算法对应的预测模型，以及训练误差，每个训练误差记作：ei=y^i-yiyi(i=1,2,3)]]>式中，为预测值，y_i为真实值；步骤3）：利用D-S证据理论对步骤2）中所述的多个预测模型得到的预测结果进行权重提取和融合，得到待预测气体预测模型权重，最终得到预测值；所述步骤3）按如下过程进行：3.1），首先提取融合样本的权重，权重w_i可以表示为下面关于e_i的函数wi=1/(|ei|+ϵ)Σi=131/(|ei|+ϵ)(i=1,2,3)]]>其中，ε的引入避免了相对误差为0，进而可得到组合预测结果Y：Y=Σi=13wiyi]]>其中Σi=13wi=1]]>3.2），设y₁、y₂和y₃分别代表三种气体预测模型的预测值，w₁、w₂和w₃分别为相应的权重，在识别框架Θ={y₁,y₂,y₃}上建立基本信任分配函数m，其对应的信度值为m(y_i)=w_i  (i=1,2,3)3.3），设m_j(y_i)(i=1,2,3;j=a,b,c)为a,b,c日的溶解气体预测值所对应的基本信度值，Bel_j为信度值对应的信度函数；首先将a日和b日的信度函数通过D-S证据理论进行融合，融合过程如下：m(y₁)=m_a(y₁)m_b(y₁)/(1-K)m(y₂)=m_a(y₂)m_b(y₂)/(1-K)m(y₃)=m_a(y₃)m_b(y₃)/(1-K)其中K表示证据冲突程度指数：K=m_a(y₁)m_b(y₂)+m_a(y₁)m_b(y₃)+m_a(y₂)m_b(y₁)+m_a(y₂)m_b(y₃)+m_a(y₃)m_b(y₁)+m_a(y₃)m_b(y₂)然后将a日和b日合成后的信度函数再与c日的信度值进行二重融合，将结果记为同时用m₄(y₁)、m₄(y₂)和m₄(y₃)作为对应的基本信度值；3.4），设三种预测模型对d日的预测结果分别为和则d日预测数据融合的最终结果表示为y4=m4(y1)×y14+m4(y2)×y24+m4(y3)×y34;]]>步骤4）：结束。