基于廣義回歸神經(jīng)網(wǎng)絡(luò)的變壓器油中特征氣體發(fā)展趨勢預(yù)測方法
【專利摘要】一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的變壓器油中特征氣體發(fā)展趨勢預(yù)測方法，屬于電力設(shè)備監(jiān)測【技術(shù)領(lǐng)域】，通過獲取試驗數(shù)據(jù)、構(gòu)建樣本數(shù)據(jù)、形成廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測工具、對待預(yù)測輸入數(shù)據(jù)進(jìn)行歸一化、運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測工具進(jìn)行預(yù)測、判斷是否超出預(yù)定值，直至找到超出預(yù)定值的時刻。本發(fā)明方法形成了一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的變壓器油中特征氣體發(fā)展趨勢預(yù)測工具，用于等時間間隔和非等時間間隔采樣，實現(xiàn)了兩種預(yù)測功能，一是預(yù)測未來任意時刻變壓器油中特征氣體值及產(chǎn)氣速率，二是預(yù)測未來異常氣體產(chǎn)氣速率超出限定值的時間點、氣體值及產(chǎn)氣速率值。
【專利說明】[0001] 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的變壓器油中特征氣體發(fā)展趨勢預(yù) 測方法

【技術(shù)領(lǐng)域】
[0002] 本發(fā)明屬于電力設(shè)備監(jiān)測【技術(shù)領(lǐng)域】，涉及變壓器性能的監(jiān)測方法。

【背景技術(shù)】
[0003] 電力變壓器是電力系統(tǒng)中最重要的設(shè)備之一，由于在設(shè)計、制造以及運(yùn)行過程中 受到多方面因素的影響，常常導(dǎo)致一些潛伏性故障的發(fā)生，最終發(fā)展為惡性事故。在潛伏 性故障發(fā)生時，變壓器內(nèi)部的油中會產(chǎn)生多種特征氣體，通過對特征氣體的檢測(色譜分 析）能有效發(fā)現(xiàn)變壓器內(nèi)部潛伏性故障的存在，在設(shè)備不具備停運(yùn)檢修的情況下，專業(yè)人員 將根據(jù)潛伏性故障的性質(zhì)重新規(guī)定設(shè)備的色譜檢測周期。然而，由于人為確定的色譜檢測 周期會因不同人和不同專業(yè)水平的差異，難免會存在誤判斷情況，一旦誤判就會造成檢測 周期的選擇不當(dāng)，例如，專業(yè)人員對故障重視不夠，人為擬定的檢測周期過長，可能會導(dǎo)致 下個色譜檢測時間尚未到來前，變壓器就發(fā)生了不可逆轉(zhuǎn)的故障；相反，因?qū)I(yè)人員過于保 守，人為擬定的檢測周期過短，則會增加色譜試驗工作的次數(shù)，浪費(fèi)大量人力和物力。因此， 科學(xué)地對變壓器油中特征氣體檢測周期的制定是十分必要的，通過對油中特征氣體發(fā)展趨 勢的準(zhǔn)確預(yù)測，就能為色譜檢測周期的制定和及時調(diào)整提供可靠的科學(xué)依據(jù)，從而準(zhǔn)確預(yù) 測變壓器油中異常氣體超出預(yù)定值時刻，進(jìn)而在異常發(fā)生前采取停運(yùn)檢修的措施，能有效 避免變壓器在運(yùn)行中發(fā)生嚴(yán)重事故，使變壓器運(yùn)行狀態(tài)可控、能控、在控。
[0004] 科技創(chuàng)新與應(yīng)用-2012年11Z期《基于RBF神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體含量 預(yù)測》研究了一種運(yùn)用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF)(由輸入層、隱含層、輸出層組成）預(yù)測 變壓器油中特征氣體發(fā)展趨勢的方法，但是文中僅僅對乙炔一種氣體進(jìn)行研究，未考慮變 壓器油中其他氣體的因素，忽略了氣體之間的內(nèi)在關(guān)系，實際上在預(yù)測變壓器油中特征氣 體發(fā)展趨勢時，應(yīng)該綜合考慮變壓器油中多種氣體。
[0005] 西華大學(xué)學(xué)報自然科學(xué)版-2010年2期《基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的變壓 器油中氣體預(yù)測》研究了一種使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)（由輸入層、隱含層、輸出層組 成）的權(quán)值和閾值進(jìn)行優(yōu)化。
[0006] 已授權(quán)的《變壓器溶解氣體諧波回歸分析的方法和系統(tǒng)》專利（200880110413)，研 究了一種裝在變壓器上的在線監(jiān)控裝置，對溶解氣體進(jìn)行等時間間隔采樣，利用諧波回歸 分析，形成一個預(yù)測方程，對變壓器溶解氣體進(jìn)行預(yù)測分析。這種預(yù)測分析方法只能針對等 時間間隔采樣數(shù)據(jù)進(jìn)行預(yù)測，而在實際操作過程中，對數(shù)據(jù)的等時間間隔采樣困難較大，一 般難以實現(xiàn)。
[0007] 以上三種方法針對的只是等時間間隔采樣的訓(xùn)練樣本，對變壓器氣體值進(jìn)行預(yù) 測，無法預(yù)測異常氣體產(chǎn)氣速率超出預(yù)定值時刻，而實際變壓器油中特征氣體檢測往往不 能達(dá)到這種等間隔的要求，且當(dāng)異常氣體產(chǎn)氣速率超出預(yù)定值時，變壓器可能會發(fā)生處于 異常狀態(tài)，因此適用范圍有局限性。


【發(fā)明內(nèi)容】

[0008] 本發(fā)明要解決的技術(shù)問題是提供一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的變壓器油中特征 氣體發(fā)展趨勢預(yù)測方法，從而能夠通過非等間隔采樣數(shù)據(jù)以滿足對變壓器的狀態(tài)進(jìn)行預(yù) 測。
[0009] 為實現(xiàn)上述目的，本發(fā)明提供一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的變壓器油中特征氣體 發(fā)展預(yù)測方法，適用于等時間間隔和不等時間間隔的試驗數(shù)據(jù)，可實現(xiàn)兩種預(yù)測，一是預(yù)測 未來任意時刻變壓器油中特征氣體值及產(chǎn)氣速率，二是預(yù)測未來異常氣體產(chǎn)氣速率超出限 定值的時間點、氣體值及產(chǎn)氣速率，此方法實施具有下列步驟： 步驟1 :獲取試驗數(shù)據(jù)，依常規(guī)方式對變壓器油中的特征氣體進(jìn)行檢測，當(dāng)變壓器油中 單一或多個特征氣體超過閾值時，則進(jìn)行連續(xù)檢測數(shù)據(jù)采集，連續(xù)檢測數(shù)據(jù)采集不少于5 次； 所述的檢測數(shù)據(jù)采集為短時間間隔連續(xù)數(shù)據(jù)采集，每次時間間隔為10至40天； 步驟2 :構(gòu)建樣本數(shù)據(jù)，對步驟1獲取的試驗數(shù)據(jù)對應(yīng)的時間間隔進(jìn)行累加，得到累加 后的時間間隔數(shù)列，分別計算每種氣體此次與上一次的含量差，求得含量差數(shù)列，組合成樣 本數(shù)據(jù)，對樣本數(shù)據(jù)進(jìn)行歸一化； 步驟3 :形成廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測工具 1、 構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)模型，分別為輸入層、模式層、求和層及輸出層，具體廣義回 歸神經(jīng)網(wǎng)絡(luò)模型設(shè)計如下： (1) 輸入層：輸入層神經(jīng)元的數(shù)目設(shè)置為M，分別對應(yīng)于歸一化后訓(xùn)練樣本累加后的時 間間隔數(shù)列及每種氣體含量差的參數(shù)； (2) 模式層：模式層神經(jīng)元數(shù)目為M，求得模式層神經(jīng)元傳遞函數(shù)； (3) 求和層：求和層中使用兩種類型神經(jīng)元進(jìn)行求和，一類神經(jīng)元對所有模式層神經(jīng)元 的輸出進(jìn)行算數(shù)求和，另一類神經(jīng)元對所有模式層的神經(jīng)元進(jìn)行加權(quán)求和； (4) 輸出層：輸出層中的神經(jīng)元數(shù)目除掉時間間隔數(shù)列為D (D=M-1)，輸出結(jié)果為求和 層的輸出結(jié)果的比值序列，分別對應(yīng)于油中各種氣體的預(yù)測含量值； 2. 進(jìn)行樣本數(shù)據(jù)網(wǎng)絡(luò)訓(xùn)練 (1) 取D種氣體含量差為網(wǎng)絡(luò)輸入； (2) 計算訓(xùn)練樣本通過網(wǎng)絡(luò)預(yù)測的結(jié)果誤差率e，調(diào)整孕％?^值，進(jìn)行循環(huán)計算誤差 率^直至滿足誤差率的要求； 步驟4 :對待預(yù)測輸入數(shù)據(jù)進(jìn)行歸一化，將第《時刻D種氣體含量數(shù)據(jù)按步驟2進(jìn)行歸 一化，并求得D種氣體的含量差，形成數(shù)組和需要預(yù)測的時間間隔一起作為待預(yù)測輸入數(shù) 據(jù)； 步驟5 :運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測工具進(jìn)行預(yù)測，將步驟4的輸入數(shù)據(jù)作為輸入傳遞 給網(wǎng)絡(luò)，運(yùn)用網(wǎng)絡(luò)進(jìn)行預(yù)測； 步驟6 :確定產(chǎn)氣速率超出預(yù)定值的時間，計算油中特征氣體相對產(chǎn)氣速率， 改變預(yù)測時間，循環(huán)計算油中特征氣體相對產(chǎn)氣速率，判斷是否超出預(yù)定值，直至找到 超出預(yù)定值的時刻。
[0010] 其中步驟1 :獲取試驗數(shù)據(jù) 某臺變壓器油中單一或多個特征氣體超過閾值時，積累沉組

【權(quán)利要求】
1. 一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的變壓器油中特征氣體發(fā)展趨勢預(yù)測方法，其特征在于 由如下步驟完成： 步驟一獲取試驗數(shù)據(jù)，依常規(guī)方式對變壓器油中的特征氣體進(jìn)行檢測，當(dāng)變壓器油中 單一或多個特征氣體超過閾值時，則進(jìn)行連續(xù)檢測數(shù)據(jù)采集，連續(xù)檢測數(shù)據(jù)采集不少于5 次； 步驟二構(gòu)建樣本數(shù)據(jù)，對步驟一獲取的試驗數(shù)據(jù)對應(yīng)的時間間隔進(jìn)行累加，得到累加 后的時間間隔數(shù)列，分別計算每種氣體此次與上一次的含量差，求得含量差數(shù)列，組合成樣 本數(shù)據(jù)，對樣本數(shù)據(jù)進(jìn)行歸一化； 步驟三構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)模型 1、 構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)模型，分別為輸入層、模式層、求和層及輸出層，具體廣義回 歸神經(jīng)網(wǎng)絡(luò)模型設(shè)計如下： (1) 輸入層：輸入層神經(jīng)元的數(shù)目設(shè)置為Μ ; (2) 模式層：模式層神經(jīng)元數(shù)目為Μ，求得模式層神經(jīng)元傳遞函數(shù)； (3 )求和層：求和層中使用兩種類型神經(jīng)元進(jìn)行求和，一類神經(jīng)元對所有模式層神經(jīng)元 的輸出進(jìn)行算數(shù)求和， 另一類神經(jīng)元對所有模式層的神經(jīng)元進(jìn)行加權(quán)求和； (4)輸出層：輸出層中的神經(jīng)元數(shù)目除掉時間間隔數(shù)列為D(D=M-1)，輸出結(jié)果為求和 層的輸出結(jié)果的比值序列，分別對應(yīng)于油中D種氣體的預(yù)測含量值；
2. 進(jìn)行樣本數(shù)據(jù)網(wǎng)絡(luò)訓(xùn)練 (1) 取D種氣體含量差為網(wǎng)絡(luò)輸入； (2) 計算訓(xùn)練樣本通過網(wǎng)絡(luò)預(yù)測的結(jié)果誤差率e，調(diào)整
值，進(jìn)行循環(huán)計算誤差 率^直至滿足誤差率的要求； 步驟四對待預(yù)測輸入數(shù)據(jù)進(jìn)行歸一化，將第《時刻D種氣體含量數(shù)據(jù)按步驟二進(jìn)行歸 一化，并求得D種氣體的含量差，形成數(shù)組和需要預(yù)測的時間間隔一起作為待預(yù)測輸入數(shù) 據(jù)； 步驟五運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測工具進(jìn)行預(yù)測，將步驟四的輸入數(shù)據(jù)作為輸入傳遞 給網(wǎng)絡(luò)，運(yùn)用網(wǎng)絡(luò)進(jìn)行預(yù)測； 步驟六確定產(chǎn)氣速率超出預(yù)定值的時間，計算油中特征氣體相對產(chǎn)氣速率， 改變預(yù)測時間，循環(huán)計算油中特征氣體相對產(chǎn)氣速率，判斷是否超出預(yù)定值，直至找到 超出預(yù)定值的時刻。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟一中檢測數(shù)據(jù)采集為短時間間隔連 續(xù)數(shù)據(jù)采集，每次時間間隔為10至40天。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟二構(gòu)建樣本數(shù)據(jù) (1)對步驟一獲取的試驗數(shù)據(jù)對應(yīng)的時間間隔進(jìn)行累加，累加后的時間間隔數(shù)列記作 Δ.Γ, 假設(shè)試驗數(shù)據(jù)中的初始時刻為~，計算k時刻到/〇時刻的累加時間間隔^^,(單位： 天，其中
_):
可求得累加后的時間間隔數(shù)列ΔΤ :
(2) 計算步驟1獲取的試驗數(shù)據(jù)中8種氣體含量差
，其中
分別對應(yīng) H2、CH4、C2H4、C2H 6、C2H2、⑶、C02、總烴8種氣體，設(shè)
時刻8種氣體的含量值序列為

時刻8種氣體的含量值序列為& =
，分別計算8種氣體在％時刻相對于
時刻的含量差

可求得％時刻相對于時刻的含量差數(shù)列:
(3) 把累加時間間隔數(shù)列
與8種氣體含量差數(shù)列
一起作為參數(shù)組合成樣本數(shù)據(jù)

其中F為步驟1中積累的油色譜數(shù)據(jù)條數(shù)，樣本數(shù)據(jù).
由
這9個參數(shù)組 成，ΑΧ。~ ΔΖ8分別代表累加時間間隔數(shù)列與8種氣體含量差數(shù)列； (4) 對樣本數(shù)據(jù)Λ進(jìn)行歸一化，避免樣本數(shù)據(jù)中各參數(shù)間數(shù)量級差別造成預(yù)測誤差較 大， 利用最大值最小值法將所有樣本數(shù)據(jù)都轉(zhuǎn)化為[〇, 1]之間的數(shù)：
式中，
為歸一化之后第}+個參數(shù)在第時刻的數(shù)據(jù)，歸一化后的樣本數(shù)據(jù)記作if， 如下式所示：
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行樣本數(shù) 據(jù)網(wǎng)絡(luò)訓(xùn)練，形成廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測工具： 1)構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)模型，廣義回歸神經(jīng)網(wǎng)絡(luò)由四層構(gòu)成，分別為輸入層、模式 層、求和層、輸出層，具體廣義回歸神經(jīng)網(wǎng)絡(luò)模型設(shè)計如下： (1) 輸入層：輸入層神經(jīng)元的數(shù)目設(shè)置為9,分別對應(yīng)于歸一化后訓(xùn)練樣本的ΔΓ、H2、 CH4、C2H4、C2H6、C 2H2、CO、C02、總烴 9 個參數(shù)； (2) 模式層：模式層神經(jīng)元數(shù)目為9,模式層神經(jīng)元傳遞函數(shù)6為：
式中，X (取訓(xùn)練樣本）為網(wǎng)絡(luò)輸入變量，
（取訓(xùn)練樣本的第：行）為第
個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本，
為網(wǎng)絡(luò)輸入變量Z與第i
|個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本距離的指數(shù)形式，
為
的轉(zhuǎn) 置（即行與列進(jìn)行轉(zhuǎn)換)，
表示以e為底的冪函數(shù)，
為高斯函數(shù)的寬度系數(shù)，在此 稱為光滑因子，即
； (3) 求和層：求和層中使用兩種類型神經(jīng)元進(jìn)行求和， 一類神經(jīng)元對所有模式層神經(jīng)元的輸出進(jìn)行算數(shù)求和，模式層與各神經(jīng)元的連接權(quán)值 為1，傳遞函數(shù)心為：
另一類神經(jīng)元對所有模式層的神經(jīng)元進(jìn)行加權(quán)求和，模式層與各神經(jīng)元之間的連接權(quán) 值為&，傳遞函數(shù) >
為：
其中，4為第?個輸出樣本5的第I個元素，知為指數(shù)形式的網(wǎng)絡(luò)輸入變量i：與第，學(xué) 習(xí)樣本距離（即巧）的和，
為指數(shù)形式的網(wǎng)絡(luò)輸入變量|與第
學(xué)習(xí)樣本距離（即巧） 的加權(quán)和。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于：對待預(yù)測輸入數(shù)據(jù)進(jìn)行歸一化是將第《 時刻8種氣體含量數(shù)據(jù)按步驟2進(jìn)行歸一化，并求得8種氣體的含量差，形成數(shù)組.
， 將第《時刻8種氣體含量差數(shù)組
和需要預(yù)測的時間間隔.
一起作為待預(yù)測輸入數(shù) 據(jù)， 其中第》時刻8種氣體含量差數(shù)組
，如下式所示：
上式中.
^為第
種氣體含量差，其計算公式如下：
設(shè)預(yù)測的時間為ls+1則可求得歸一化后的時間間隔，
：
那么可得到輸入數(shù)據(jù)A :
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于：運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測工具進(jìn)行預(yù) 測是將輸入數(shù)據(jù)作為輸入傳遞給步驟四中設(shè)計的滿足精度要求的網(wǎng)絡(luò),運(yùn)用網(wǎng)絡(luò) 進(jìn)行預(yù)測，設(shè)網(wǎng)絡(luò)_€的預(yù)測結(jié)果為
其中
分別對應(yīng)為8 種氣體歸一化之前的網(wǎng)絡(luò)預(yù)測結(jié)果， 將網(wǎng)絡(luò)預(yù)測歸一化之前的輸出數(shù)據(jù)進(jìn)行反歸一化，使輸出結(jié)果還原為原始數(shù)據(jù)的 數(shù)量級，具體公式如下：
式中3?為網(wǎng)絡(luò)預(yù)測在第4+1時刻的8種氣體含量的輸出結(jié)果。
7. 根據(jù)權(quán)利要求1所述的方法，其特征在于：確定產(chǎn)氣速率超出預(yù)定值的時間是 計算油中特征氣體相對產(chǎn)氣速率，即每月氣體含量增加原有值的百分?jǐn)?shù)的平均值，
式中，
為每月相對產(chǎn)氣速率，
為^時刻氣體含量值，
為
時刻氣體含量 值，.
為β時刻與，
時刻的間隔時間，
分別對應(yīng)8種氣體，改變預(yù)測時 間，循環(huán)計算油中特征氣體相對產(chǎn)氣速率，判斷
是否超出預(yù)定值，直至找到
超出預(yù)定
【文檔編號】G06F19/00GK104063577SQ201410195614
【公開日】2014年9月24日 申請日期:2014年5月12日 優(yōu)先權(quán)日:2014年5月12日
【發(fā)明者】秦緒華, 李守學(xué), 趙智勇, 姜欣 申請人:吉林省電力科學(xué)研究院有限公司, 國網(wǎng)吉林省電力有限公司電力科學(xué)研究院, 長春畢博誠科技有限公司, 國家電網(wǎng)公司