基于人工神经网络的变压器油中溶解气体在线监测数据矫正方法与流程

本发明涉及统计分析领域，具体涉及一种基于人工神经网络的的变压器油中溶解气体在线监测数据矫正方法。

背景技术：

变压器油中溶解气体的测量手段分为两种，一种是利用在线监测装置对变压器油中溶解气体进行远程测量；一种是利用带电检测技术对变压器进行取样检测。通过在线监测装置获得的在线监测数据具有实时性的优点，能够提供连续的(时间间隔较短且固定)的测量数据，但由于装置本身的问题，其测量精度较低。通过带电检测技术获得的带电检测数据具有测量精度较高的优势，但由于该技术需要人工实施，通常情况下无法提供连续的测量数据(时间间隔较长且不固定)。若能利用相同时间范围内的带电检测数据对在线监测数据进行矫正，即可得到具有较高的连续性、准确性的数据，进而实时的掌握变压器设备的运行状况。因此，如何利用变压器油中溶解气体的带电检测数据矫正在线监测数据是一个非常值得研究的问题。

目前，业界对变压器油中溶解气体在线监测数据的矫正技术鲜有研究，本领域可以借鉴技术经验十分匮乏，只能借助其他领域的相关方法对该问题进行一定的分析和处理，如降雨量的测量技术。某一地区的降雨量通常有两种测量方式，一种是通过卫星获取的卫星监测数据，一种是通过地面直接测量的地面数据。卫星数据的覆盖范围较广，能够对降雨量进行实时监测，但测量精度较低。地面数据覆盖范围则十分稀疏，无法对该地区的降雨量进行连续观测，但具有较高的预测精度。降雨量测量问题与变压器油中溶解气体问题的情景十分契合，相关方法能够为变压器油中溶解气体在线监测数据的矫正问题提供技术经验，具有较强的借鉴意义。

已有许多学者针对降雨量卫星监测数据提出了相应的矫正方法，如huffman(1995),adler(2003),lin(2011)，jin(2014)等。这些方法中，jin(2014)等提出的方法是目前较为前沿且技术成熟度较高的方法，其处理步骤可以简单的概括为：(1)根据某地区降雨量卫星监测数据与地面测量数据建立贝叶斯分层模型，卫星监测数据与地面测量数据在模型中均服从特定的概率分布，与卫星数据相比，地面数据为具有大量缺失值的观测序列。(2)利用最大期望算法(em算法)对模型中的参数进行估计，得到卫星监测数据与地面测量数据的分布特征。(3)利用所得的参数和分布的均值对地面数据的缺失值进行填补，得到与卫星数据覆盖范围相同且精度更高的测量数据。

jin(2011)等提出的方法在降雨量测量问题方面具有十分出色的表现，该方法在journalofgeophysicalresearch期刊上发表，具有较高的国际影响力。然而，在变压器油中溶解气体的实际应用中，该方法存在一定的局限性，具体表现为两个方面：(1)jin(2011)等提出的方法通过分布的均值对数据进行填补，无法表现出数据的波动特征，缺失了一定的信息。(2)jin(2011)等提出的方法通过傅里叶变换的方式来刻画气体浓度随时间变化的趋势，而当变压器油中溶解气体的带电检测数据时间间隔过长时，傅里叶变换呈现出一定的规律性，矫正数据的趋势按特定的三角函数变化，矫正效果较差。

技术实现要素：

鉴于上述，本发明提供了一种基于人工神经网络、利用变压器油中溶解气体带电检测数据矫正在线监测数据的方法，矫正后得到的变压器在线监测数据拥有较高的测量精度，并保留了在线监测数据的波动特征，为变压器设备运行状态的实时监测创造条件。

一种基于人工神经网络的变压器油中溶解气体在线监测数据矫正方法，包括如下步骤：

(1)采集变压器设备在相同时间范围内的带电检测数据f(t)与在线监测数据o(t)，并将在线检测数据分为系统趋势序列os(t)和随机波动序列ou(t)，对系统趋势序列os(t)进行处理，得到数据点序列

(2)将数据点序列作为人工神经网络的输入，带电检测数据f(t)作为人工神经网络的真值标签，对人工神经网络进行训练，得到矫正模型以及真值标签与真实输出值的误差序列e(t)；

(3)将在线监测数据的系统趋势序列os(t)输入到矫正模型中，经矫正模型计算得到系统趋势序列os(t)的矫正序列os′(t)；

(4)对误差序列e(t)进行线性插值处理，得到时间间隔与在线监测数据o(t)相同且时间点相对应的误差序列e′(t)；

(5)在线监测数据o(t)的矫正数据o′(t)由公式

o′(t)＝os′(t)+ou(t)+e′(t)

计算得到。

所述步骤(1)的具体步骤为：

(1-1)利用变压器油中溶解气体的带电检测技术获取设备在一定时间范围内且时间间隔较长的特征气体含量数据，作为该设备的带电检测数据，记为f(t)；同时，利用变压器油中溶解气体的在线监测装置获取设备在相同时间范围内且时间间隔较短的特征气体含量数据，作为该设备的在线监测数据，记为o(t)；

(1-2)采用集合经验模式分解(ensembleempiricalmodedecomposition，eemd)方法将在线监测数据o(t)分为用于刻画在线监测数据的趋势特征的系统趋势序列os(t)和用于刻画在线监测数据的波动特征的随机波动序列ou(t)两个部分，即o(t)＝os(t)+ou(t)；

(1-3)将在线监测数据o(t)＝os(t)+ou(t)与带电检测数据f(t)的时间点逐一对应，并找出系统趋势序列os(t)中与带电检测数据f(t)相对应的数据点序列

步骤(1-1)中，所述的在线监测数据o(t)是一个时间间隔较短(如1天)且固定的时间序列，而带电检测数据f(t)则是一个时间间隔较长(如1个月)且不固定的时间序列。

所述变压器油中溶解的特征气体包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳或二氧化碳；所述特征气体的含量为特征气体的体积浓度，单位为μl/l。

步骤(1-2)中，所述的利用eemd方法将在线监测数据o(t)分解为系统趋势序列os(t)和随机波动序列ou(t)两个部分，实际上是将线监测数据o(t)分为多个本征模函数(intrinsicmodefunctions，imf)序列和残差序列，其中，符合一定特征的本征模函数序列将被视为随机波动，其加和形式即为随机波动序列ou(t)，剩余的本征模函数序列和残差序列将被视为趋势序列，其加和形式即为系统趋势序列os(t)。

eemd方法由经验模式分解方法(empiricalmodedecomposition，emd)发展而来，具体步骤如下所示。

emd方法具体步骤：

第一步，找出在线监测数据o(t)所有极大值点和所有极小值点，并将所有极大值点用一条曲线(本发明采用三次样条曲线)连接起来得到上包络线lmax(t)，同样方法由所有极小值点可以得到下包络线lmin(t)；

第二步，计算lmax(t)与lmin(t)的均值曲线m(t)，计算信号在线监测数据o(t)与均值曲线m(t)的差值d(t)；

第三步，判断差值序列d(t)，如果d(t)所有极大值点和极小值点的数目总和与d(t)过零点的数目相差不超过1，且由极大值点形成的上包络线与极小值点形成的下包络线在每个时间点上均值均为0，则差值序列d(t)符合本征模函数(imf)的特征，将其作为第i条imf输出，记为imfi(t)，同时令在线监测数据o(t)＝o(t)-d(t)；如果d(t)不符合上述特征，则令o(t)＝d(t)；

第四步，重复上述步骤一至三直到不能再分解出imf为止。此时，在线监测数据o(t)即分解为多个本征模函数序列和残差序列的形式：

式中，r(t)表示经过经验模式分解后得到的残差序列。

eemd方法具体步骤：

第一步，对在线监测数据o(t)加入一定量的白噪声(本发明加入了标准差为0.1的白噪声)。

第二步，利用emd方法对加入白噪声的在线监测数据进行分解，将在线监测数据分解为多个本征模函数序列和残差序列的形式。

第三步，重复上述步骤一和二，每次加入不同的白噪声，将每次emd方法分解出的本征模函数序列和残差序列的均值作为最终输出。

所述的符合一定特征的本征模函数是指，对于经过eemd方法分解所得的多个本征模函数，将其按emd方法步骤三中分解的先后顺序排列(第1条、第2条……第i条)，令imfj(t)为前j条本征模函数的和，即从j＝1开始，逐一检验imfj(t)是否符合正态分布，当imfj(t)为正态分布时，说明前j条本征模函数符合随机特征，在线数据的随机波动序列ou(t)＝imfj(t)，系统趋势序列os(t)＝o(t)-imfj(t)。

本发明方法从人工神经网络模型入手，利用集合模式经验分解方法提取出在线监测数据的波动特征，通过人工神经网络来克服数据时间间隔过长带来的问题，弥补了现有方法的缺陷，能够对变压器设备油中溶解气体的在线监测数据进行更为精确的矫正，为设备运行状态的实时监测创造条件。

与现有技术相比，本发明利用集合经验模式分解(eemd)方法事先提取出在线监测数据的波动特征，再通过人工神经网络对在线监测数据的趋势序列进行矫正，其优势在于：

(1)本发明提出的方法能够最大程度上保留在线监测数据带有的特征信息，弥补现有技术的矫正结果中缺失波动特征的问题。

(2)人工神经网络在带电检测数据时间间隔过长的情况下同样能够提供较好的矫正结果，而现有技术在时间间隔过长的情况下往往会出现异常结果，本发明提出的方法具有更强的适用性。

综上所述，本发明提供了一种利用变压器油中带电检测数据矫正在线监测数据的方法，矫正后得到的变压器在线监测数据拥有较高的测量精度，并保留了在线监测数据的波动特征，具有较强的创新性，为变压器设备运行状态的实时监测创造条件。

附图说明

图1是本发明基于人工神经网络的变压器油中溶解气体在线监测数据矫正方法的流程示意图；

图2是本发明所用的人工神经网络结构示意图；

图3是实施例1中变压器油中溶解气体在线监测的氢气浓度-时间曲线，单位为μl/l；

图4是实施例1中在线监测数据的系统趋势-时间曲线，单位为μl/l；

图5是实施例1中在线监测数据的随机波动-时间曲线，单位为μl/l；

图6是实施例1中溶解气体在线监测的氢气浓度-时间曲线、带电检测的氢气浓度-时间曲线，以及矫正后得到的氢气浓度-时间曲线，单位为μl/l；

图7是实施例2中溶解气体在线监测的甲烷浓度-时间曲线、带电检测的甲烷浓度-时间曲线，以及矫正后得到的甲烷浓度-时间曲线，单位为μl/l；

图8是实施例3中溶解气体在线监测的乙烯浓度-时间曲线、带电检测的乙烯浓度-时间曲线，以及矫正后得到的乙烯浓度-时间曲线，单位为μl/l；

图9是对比例中溶解气体在线监测的氢气浓度-时间曲线、带电检测的氢气浓度-时间曲线，以及矫正后得到的氢气浓度-时间曲线，单位为μl/l；

图10是对比例中采用不同方法矫正后得到的氢气浓度-时间曲线、带电检测的氢气浓度-时间曲线，以及矫正后得到的氢气浓度-时间曲线，单位为μl/l。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，本发明基于人工神经网络的变压器油中溶解气体在线监测数据矫正方法，包括如下步骤：

s01，利用变压器油中溶解气体的带电检测技术获取设备在一定时间范围内，时间间隔较长且不固定的特征气体含量数据，作为该设备的带电检测数据，记为f(t)；同时，利用变压器油中溶解气体的在线监测装置获取设备在相同时间范围内，时间间隔较短且固定的特征气体含量数据，作为该设备的在线监测数据，记为o(t)。

s02，采用eemd方法将在线监测数据o(t)分为系统趋势序列os(t)和随机波动序列ou(t)两个部分，即o(t)＝os(t)+ou(t)；

s03，将在线监测数据o(t)＝os(t)+ou(t)与带电检测数据f(t)的时间点逐一对应，并找出系统趋势序列os(t)中与带电检测数据f(t)相对应的数据点序列

s04，将数据点序列作为人工神经网络的输入，带电检测数据f(t)作为人工神经网络的真值标签，对人工神经网络进行训练，得到矫正模型以及真值标签与真实输出值的误差序列e(t)。

人工神经网络是一种多层前馈网络，网络结构包括输入层、隐层、输出层三个部分，如图2所示。输入层用于输入数据，当前情景下该网络的输入数据为系统趋势序列隐层由多个不可观测节点组成，每个节点用hi(t)表示，对应的数值由权重w1i，b1i及函数f(x)＝1/(1-e^-x)计算得出，即输出层用于输出模型及计算结果，用f′(t)表示。该网络的计算结果由隐层节点的数值hi(t)及权重w2i，b2i计算得出，即f′(t)＝∑iw2i×hi(t)+b2i。人工神经网络通过对比输出结果f′(t)与真实的带电检测数据f(t)，不断调整权重w1i，b1i，w2i，b2i，从而达到量化与f(t)之间对应关系的目的，具体步骤如下：

第一步，对人工神经网络进行初始化处理，对于输入层和输出层，将和f(t)归一化，使得二者的数值范围在[-1,1]内。同时，在[-1,1]内随机赋予权重w1i，b1i，w2i，b2i一个初始值，并给定学习速率θ和最大学习次数m。

第二步，选取第一个时间点(t1)上的输入数据及期望输出f(t1)，计算网络中hi(t1)与f′(t1)的具体数值，并计算期望输出与实际输出的误差e(t1)＝|f(t1)-f′(t1)|。

第三步，利用梯度下降法对权重w1i，b1i，w2i，b2i进行更新，得到更新权重w1i′，b1i′，w2i′，b2i′，具体计算方法为：

w2i′＝w2i+θ×e(t1)×hi(t1)

b2′i＝b2i+θ×e(t1)

b1′i＝b1i+θ×e(t1)×hi(t1)×(1-hi(t1))×w2i′

第四步，重复步骤二至三，逐一选取与f(t)所有时间点上的数据，得到误差序列e(t)以及全局误差e＝∑je(tj)，令迭代次数m＝m+1。

第五步，重复步骤四，直到迭代次数m＝m为止，此时权重w1i，b1i，w2i，b2i的值组成了经过训练的人工神经网络，e(t)即为矫正在线数据所需的误差序列。

本实施例中，模型训练过程中，人工神经网络隐层的节点数目设为10个，学习速率设为0.1，最大学习次数设为500。

s05，将在线监测数据的系统趋势序列os(t)输入到矫正模型中，经矫正模型计算得到系统趋势序列os(t)的矫正序列os′(t)。

s06，对误差序列e(t)进行线性插值处理，得到时间间隔与在线监测数据o(t)相同且时间点相对应的误差序列e′(t)，在线监测数据o(t)的矫正数据o′(t)由公式o′(t)＝os′(t)+ou(t)+e′(t)计算得到。

实施例1

本实施例获取的特征气体是氢气，在线监测装置获取变压器设备1的氢气含量数据的时间间隔是1天，在eemd方法中，每次加入的白噪声的标准差设为0.1，重复次数设为100次，在线监测数据o(t)、分解出的系统趋势序列os(t)和随机波动序列ou(t)结果分别如图3、4、5所示，在模型训练过程中，人工神经网络隐层的节点数目设为10个，学习速率设为0.1，最大学习次数设为500。经过本发明方法，对在线监测数据中的氢气进行校正的结果如图6所示。

实施例2

本实施例获取的特征气体是甲烷，在线监测装置获取变压器设备2的氢气含量数据的时间间隔是1天，在eemd方法中，每次加入的白噪声的标准差设为0.1，重复次数设为100次；在模型训练过程中，人工神经网络隐层的节点数目设为10个，学习速率设为0.1，最大学习次数设为500。经过本发明方法，对在线监测数据中的甲烷进行校正的结果如图7所示。

实施例3

本实施例获取的特征气体是乙烯，在线监测装置获取变压器设备3的氢气含量数据的时间间隔是1天，在eemd方法中，每次加入的白噪声的标准差设为0.1，重复次数设为100次；在模型训练过程中，人工神经网络隐层的节点数目设为10个，学习速率设为0.1，最大学习次数设为500。经过本发明方法，对在线监测数据中的乙烯进行校正的结果如图8所示。

对比例

采用与实施例1中相同的矫正方法，对变压器设备4油中溶解气体的氢气在线监测数据进行矫正，矫正结果见图9。同时，将本发明背景技术当中提到的jin(2014)等提出的方法应用在相同数据当中，得到相应的经过矫正的在线监测数据，矫正结果如图10所示。

从图9、10中可以看出，现有技术有两方面缺点，一是矫正数据缺失了原始数据的波动特征，二是当带电检测数据的时间间隔过长时，在线监测数据的矫正结果往往较差。而本发明提出的方法保留了在线数据的波动特征，在带电检测数据的时间间隔过长情况下适用性良好，矫正的在线数据既保留了特征信息，又拥有与带电检测数据相近的准确性，做到了优势互补，打破了在线数据与带电数据各自的局限。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。