【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測(cè)，尤其涉及基于evo-vmd-lssvm的變壓器油中溶解氣體濃度預(yù)測(cè)方法。
技術(shù)介紹
1、在電力系統(tǒng)中，變壓器作為關(guān)鍵設(shè)備之一，承擔(dān)著電壓變換、電能分配和傳輸?shù)闹匾蝿?wù)，其運(yùn)行狀態(tài)直接影響到整個(gè)電網(wǎng)的安全與穩(wěn)定。為了保障變壓器的可靠運(yùn)行，及時(shí)準(zhǔn)確地監(jiān)測(cè)其狀態(tài)至關(guān)重要。變壓器油中溶解氣體分析（dissolved?gas?analysis，dga）是目前應(yīng)用最廣泛的變壓器狀態(tài)監(jiān)測(cè)技術(shù)之一。該技術(shù)通過對(duì)變壓器油中溶解的氣體（如氫氣、甲烷、乙烯、乙炔、乙烷、一氧化碳、二氧化碳）的濃度和成分進(jìn)行分析，可以推斷變壓器內(nèi)部的故障類型及其嚴(yán)重程度，為變壓器的維護(hù)和檢修提供重要依據(jù)。
2、然而，傳統(tǒng)的dga方法主要依賴于經(jīng)驗(yàn)公式和專家判斷，存在一定的主觀性和局限性。由于變壓器油中溶解氣體濃度受到多種因素的影響，其時(shí)間序列數(shù)據(jù)中包含較多不同尺度和趨勢(shì)的分量，具有較強(qiáng)的非線性與非平穩(wěn)性特征，這使得傳統(tǒng)的dga方法在預(yù)測(cè)精度和實(shí)時(shí)性方面難以滿足現(xiàn)代電力系統(tǒng)對(duì)變壓器故障預(yù)測(cè)的高要求。
3、為了克服傳統(tǒng)dga方法的不足，近年來，基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法逐漸引起研究人員的關(guān)注。其中，最小二乘支持向量機(jī)（least?squares?support?vector?machine，lssvm）作為一種高效的機(jī)器學(xué)習(xí)算法，因其在處理小樣本、非線性問題上的優(yōu)勢(shì)，被廣泛應(yīng)用于各種預(yù)測(cè)模型中。然而，直接應(yīng)用lssvm進(jìn)行變壓器油中溶解氣體濃度預(yù)測(cè)，仍然面臨諸多挑戰(zhàn)。一方面，溶解氣體濃度信號(hào)通常具有較強(qiáng)的非平穩(wěn)性和多尺
4、例如cn117894389a公開了基于ssa優(yōu)化vmd和lstm的變壓器油中溶解氣體濃度數(shù)據(jù)預(yù)測(cè)方法，包括如下步驟：s1、利用ssa（sparrow?search?algorithm，麻雀搜索算法）算法優(yōu)化vmd（variational?mode?decomposition，變分模態(tài)分解）模型的分解模態(tài)個(gè)數(shù)k和懲罰參數(shù)ɑ；s2、用優(yōu)化后的vmd模型將監(jiān)測(cè)到的變壓器油中氣體溶解濃度數(shù)據(jù)分解為多個(gè)子序列；s3、利用ssa算法優(yōu)化lstm（long?short-term?memory，長(zhǎng)短記憶網(wǎng)絡(luò)）模型隱藏層神經(jīng)元個(gè)數(shù)、迭代次數(shù)和學(xué)習(xí)率參數(shù)；s4、對(duì)各子序列用優(yōu)化后的lstm模型進(jìn)行預(yù)測(cè)，疊加得到數(shù)值預(yù)測(cè)結(jié)果并評(píng)價(jià)；s5、構(gòu)建各時(shí)刻預(yù)測(cè)結(jié)果集合，計(jì)算各集合自適應(yīng)最優(yōu)窗寬，根據(jù)最優(yōu)窗寬和高斯核函數(shù)擬合kde的變壓器油中氣體溶解濃度預(yù)測(cè)區(qū)間。該方法基于麻雀搜索算法優(yōu)化變分模態(tài)分解參數(shù)對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行模態(tài)分解，并用ssa對(duì)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，能夠提高預(yù)測(cè)精度；但是結(jié)構(gòu)相對(duì)復(fù)雜，對(duì)計(jì)算資源有較高要求，存在收斂速度較慢，特別是在處理復(fù)雜的高維問題時(shí)，優(yōu)化效率可能不足，在數(shù)據(jù)多樣性不足或樣本量較小時(shí)，泛化能力可能受到限制，容易出現(xiàn)過擬合。同時(shí)現(xiàn)在變壓器油中溶解氣體預(yù)測(cè)模型或方法未考慮變壓器負(fù)載、油溫、環(huán)境溫度、運(yùn)行時(shí)間等其他外部因素對(duì)油中溶解氣體濃度的可能影響，導(dǎo)致預(yù)測(cè)穩(wěn)定性和抗干擾能力不足。
5、綜上所述，現(xiàn)有的基于lssvm的變壓器油中溶解氣體濃度預(yù)測(cè)方法雖然在一定程度上提高了預(yù)測(cè)性能，但仍然存在著預(yù)測(cè)精度不足、模型參數(shù)優(yōu)化困難、抗外部因素干擾差等問題。因此，迫切需要一種能夠更有效地提取溶解氣體濃度信號(hào)的多尺度特征，融合內(nèi)外部因素構(gòu)建并優(yōu)化lssvm模型參數(shù)，從而提高預(yù)測(cè)精度和實(shí)時(shí)性的新方法。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)所要解決的技術(shù)問題是，提供基于evo-vmd-lssvm的變壓器油中溶解氣體濃度預(yù)測(cè)方法，解決現(xiàn)有電力系統(tǒng)中變壓器油中溶解氣體濃度預(yù)測(cè)存在的技術(shù)問題，特別是針對(duì)傳統(tǒng)dga方法依賴于經(jīng)驗(yàn)公式和專家判斷，存在主觀性和局限性，以及基于lssvm的預(yù)測(cè)模型在處理非平穩(wěn)性和多尺度特征的溶解氣體濃度信號(hào)時(shí)面臨的挑戰(zhàn)。
2、為解決上述技術(shù)問題，本專利技術(shù)采用的技術(shù)方案為：基于evo-vmd-lssvm的變壓器油中溶解氣體濃度預(yù)測(cè)方法，包括以下步驟：
3、step1：數(shù)據(jù)預(yù)處理，對(duì)變壓器油中溶解氣體濃度數(shù)據(jù)以及變壓器負(fù)載、運(yùn)行油溫、環(huán)境溫度、運(yùn)行時(shí)間等參數(shù)進(jìn)行預(yù)處理，包括去噪和歸一化處理；
4、step2：vmd分解，將預(yù)處理后的溶解氣體濃度信號(hào)輸入vmd算法，分解為若干個(gè)本征模態(tài)函數(shù)（intrinsic?mode?function，imf），以提取信號(hào)的多尺度特征；
5、step3：lssvm建模，針對(duì)每個(gè)imf，選擇相關(guān)性大于0.6的氣體濃度參數(shù)imf序列以及變壓器負(fù)載、油溫、環(huán)境溫度、運(yùn)行時(shí)間等外部參數(shù)作為預(yù)測(cè)模型輸入，建立lssvm回歸模型，并且將其中l(wèi)ssvm模型的主要參數(shù)包括懲罰參數(shù)c和核函數(shù)參數(shù)；
6、step4：evo（energy?valley?optimizer，能量谷優(yōu)化）優(yōu)化，是一種用于求解全局優(yōu)化問題的元啟發(fā)式算法，模擬不穩(wěn)定粒子通過α、β、γ衰變和隨機(jī)移動(dòng)，改變構(gòu)成該粒子的中子與質(zhì)子的比例，使得不穩(wěn)定粒子向穩(wěn)定帶或能量谷移動(dòng)以增加其穩(wěn)定性水平的過程，實(shí)現(xiàn)優(yōu)化問題，利用evo算法對(duì)lssvm模型的參數(shù)進(jìn)行優(yōu)化，以提高預(yù)測(cè)精度；
7、step5：預(yù)測(cè)結(jié)果重構(gòu)，將各個(gè)imf的預(yù)測(cè)結(jié)果進(jìn)行重構(gòu)，得到最終的溶解氣體濃度預(yù)測(cè)值；
8、step6：模型驗(yàn)證，通過實(shí)際數(shù)據(jù)驗(yàn)證模型的預(yù)測(cè)性能。
9、優(yōu)選的方案中，所述step1中的數(shù)據(jù)預(yù)處理還包括對(duì)缺失的數(shù)據(jù)采用線性插值法進(jìn)行填補(bǔ)。
10、優(yōu)選的方案中，所述step2中的vmd分解具體包括以下步驟：
11、step2.1：初始化，設(shè)定初始頻率中心和帶寬參數(shù)；
12、step2.2：迭代優(yōu)化，通過迭代更新頻率中心和帶寬參數(shù)，使每個(gè)模態(tài)的帶寬最小；
13、step2.3：模態(tài)重構(gòu)，根據(jù)優(yōu)化后的頻率中心和帶寬參數(shù)，對(duì)信號(hào)進(jìn)行帶通濾波，得到各個(gè)imf。
14、優(yōu)選的方案中，所述step4中的evo優(yōu)化具體包括以下步驟：
15、step4.1：初始種群生成，在參數(shù)空間內(nèi)隨機(jī)生成一組初始解，構(gòu)成初始種群；初始化包含n個(gè)候選解的種群，每個(gè)候選解在搜索空間內(nèi)隨機(jī)生成：
16、（1）
17、式中，為第個(gè)粒子第維空間位置，、分別為第個(gè)粒子第維變量的上限、下限；為[0,1]范圍內(nèi)的隨機(jī)數(shù)；為搜索空間中粒子規(guī)模；為決策變量維數(shù)。
18、step4.2：計(jì)算適應(yīng)度值即粒子的中子富集水平，粒子群的富集邊界，計(jì)算粒子的穩(wěn)定性水平：
19、（2）
20、（3）
21、式中，為搜索空間中粒子的富集界限；為第個(gè)粒子的中子富集水平；和分別代表穩(wěn)定性最佳和最差的粒子的適應(yīng)度函數(shù)值。
22、step4.3：和衰變位置更新，若第個(gè)粒子的穩(wěn)定性水平，則發(fā)生和衰變，衰本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于EVO-VMD-LSSVM的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于，所述預(yù)測(cè)方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述Step1中的數(shù)據(jù)預(yù)處理還包括對(duì)缺失的數(shù)據(jù)采用線性插值法進(jìn)行填補(bǔ)。
3.根據(jù)權(quán)利要求1所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述Step2中的VMD分解具體包括以下步驟：
4.根據(jù)權(quán)利要求1所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述Step3中的LSSVM建模，是針對(duì)每個(gè)IMF，選擇相關(guān)性大于0.6的氣體濃度參數(shù)IMF序列以及變壓器負(fù)載、油溫、環(huán)境溫度、運(yùn)行時(shí)間等外部參數(shù)作為預(yù)測(cè)模型輸入，建立LSSVM回歸模型。
5.根據(jù)權(quán)利要求1所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述Step4中的EVO優(yōu)化具體包括以下步驟：
6.根據(jù)權(quán)利要求1所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述Step5中的模型驗(yàn)證采用均方誤差MSE、平均絕對(duì)誤差MAE和決定系數(shù)R2作為評(píng)估指標(biāo)。
7.根據(jù)權(quán)利要求6所述
8.根據(jù)權(quán)利要求6所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述平均絕對(duì)誤差MAE是衡量預(yù)測(cè)值與實(shí)際值之間的平均絕對(duì)誤差，其表達(dá)式為：
9.根據(jù)權(quán)利要求6所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述決定系數(shù)R2，是衡量模型對(duì)數(shù)據(jù)的擬合程度，其表達(dá)式為：
...【技術(shù)特征摘要】
1.基于evo-vmd-lssvm的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于，所述預(yù)測(cè)方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述step1中的數(shù)據(jù)預(yù)處理還包括對(duì)缺失的數(shù)據(jù)采用線性插值法進(jìn)行填補(bǔ)。
3.根據(jù)權(quán)利要求1所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述step2中的vmd分解具體包括以下步驟：
4.根據(jù)權(quán)利要求1所述的變壓器油中溶解氣體濃度預(yù)測(cè)方法，其特征在于：所述step3中的lssvm建模，是針對(duì)每個(gè)imf，選擇相關(guān)性大于0.6的氣體濃度參數(shù)imf序列以及變壓器負(fù)載、油溫、環(huán)境溫度、運(yùn)行時(shí)間等外部參數(shù)作為預(yù)測(cè)模型輸入，建立lssvm回歸模型。
5.根據(jù)權(quán)利要求1所述的變壓器油中...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：譚鋆，肖燕鳳，王俊青，諶裕嘉，王衛(wèi)國，余芳，郭江，章芳情，
申請(qǐng)(專利權(quán))人：中國長(zhǎng)江電力股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。