基于油中溶解气体含量预测和诊断的变压器故障预警方法

本发明涉及变压器故障预警领域，特别是涉及一种基于油中溶解气体含量预测和诊断的变压器故障预警方法。

背景技术：

1、电力变压器作为电网的关键设备，电力变压器的运行状态直接影响电网的稳定运行，而油中气体分析法(dissolved gas analysis,dga)是一种国际公认的及时、准确检测变压器故障缺陷的方法，主要依据变压器油中溶解的气体(h2、ch4、c2h6、c2h2、c2h4等)进行判断。利用油相色谱监测装置提取油中每种溶解气体的含量值，创建历史检测数据序列，进而预测溶解气体浓度的趋势，可作为变压器故障诊断和状态评估的有效依据，而dga技术以人工智能预测法和组合预测法应用最为广泛。其中，人工智能预测法是通过计算机技术对监控的数据进行直接处理与分析，在此基础上建立预测模型，通过人工神经网络来进行预测；组合预测模型主要有两种方式，一种运用预处理方法对在线监测数据进行处理，再结合预测模型进行预测，提高精度，另一种是对算法模型的关键参数进行寻优，使算法在所需的性能指标上达到最优。

2、目前，人工智能预测法中主要采用单一的lstm网络用于时间序列数据的分析和预测，但是，单一的lstm存在预测精度较低、预测效果较差的问题，同时没有使用准确精度衡量预测性能。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种基于油中溶解气体含量预测和诊断的变压器故障预警方法解决了现有预测方法存在精度低、预测效果较差以及现有方法没有使用准确精度衡量预测性能的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种基于油中溶解气体含量预测和诊断的变压器故障预警方法，包括以下步骤：

3、s1：将时间序列油色谱数据分为测试集和训练集，对训练集进行数据归一化处理后输入故障诊断算法中进行算法训练；

4、s2：初始化ssa算法参数，并设定对lstm网络预测模型的寻优参数，采用ssa算法对lstm网络预测模型进行参数优化，获得最优参数；

5、s3：将最优参数和油色谱数据输入lstm网络预测模型中预测未来的油中溶解气体含量，获得预测数据；

6、s4：将预测数据归一化处理后输入经算法训练的故障诊断算法中进行变压器故障诊断，出现故障时及时报警，否则继续进行故障诊断，完成基于油中溶解气体含量预测和诊断的变压器故障预警。

7、上述方案的有益效果是：术方案通过组合优化方法基于深度学习进行气体预测，将麻雀搜索算法和长短时记忆网络相结合，并在此预测结果上结合四种经典算法进行故障诊断，构建一种基于变压器油中溶解气体时间序列数据的高精度预警模型，解决了现有预测方法存在精度低、预测效果较差以及现有方法没有使用准确精度衡量预测性能的问题。

8、进一步地，s1中故障诊断算法包括支持向量机算法、随机森林算法、误差反向传播算法和k近邻算法。

9、上述进一步方案的有益效果是：在预测油中气体含量的基础上加入故障诊断部分，利用故障诊断提供有力参考，节省人为确认故障类型的时间，选取经典的四种算法进行故障诊断，使故障诊断分类具有简单性和普适性。

10、进一步地，s2中初始化ssa算法参数包括迭代次数、种群数量、麻雀中生产者比例和寻优维度。

11、上述进一步方案的有益效果是：通过对迭代次数、种群数量、麻雀中生产者比例和寻优维度进行初始化，设定具体数值，用于对lstm网络的实现优化。

12、进一步地，s2中设定对lstm网络预测模型的寻优参数包括学习速率、迭代次数、第一隐含层层数和第二隐含层层数。

13、上述进一步方案的有益效果是：通过设定上述寻优参数，实现对lstm网络参数的优化，提升故障诊断精度。

14、进一步地，s2中参数寻优过程中麻雀使用生产者和参与者两种行为策略进行觅食：

15、生产者的位置更新公式为

16、

17、其中，为迭代时第i个麻雀在j维的尺寸值，α为第一随机数，itermax为迭代次数最多的常量，exp为以e为底的指数函数，q为服从正态分布的随机数，l为1×d阶矩阵，d为显示要优化的变量的维度，r2为报警值，st为安全阀值；

18、参与者的位置更新公式为

19、

20、其中，为当前全局最差位置，为生产者占据的最佳位置，a+为1×d阶矩阵，n为麻雀的数量；

21、假设麻雀中能够意识到危险的数量占麻雀总数的10％至20％，麻雀的初始位置在种群中随机生成，数学模型为

22、

23、其中，为当前全局最佳位置，β为步长控制参数，k为第二随机数，fi为当前麻雀的适应度值，fg为当前全局最佳适应度值，fw为当前全局最差适应度值，ε为最小常数。

24、上述进一步方案的有益效果是：通过上述技术方案，利用麻雀搜索算法实现参数寻优，获取最优参数。

25、进一步地，s4中对预测数据进行归一化处理，归一化表达式x～mn为

26、

27、xmn＝(xm1,xm2,xm3,xm4,xm5)t

28、其中，xmn为5种特征气体含量构成的特征向量，min(xm)为样本第m个向量中气体含量的最小值，max(xm)为样本第m个向量中气体含量的最大值，xm1、xm2、xm3、xm4和xm5分别为第m个输入向量中h2、ch4、c2h4、c2h2和c2h6气体含量，t为矩阵的转置。

29、上述进一步方案的有益效果是：为了平衡不同数据间较大的差异，提高故障诊断精确度，本方案对输入的5种特征气体含量组成的向量进行归一化处理，能够防止噪声和异常数据的影响。

技术特征：

1.一种基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述s1中故障诊断算法包括支持向量机算法、随机森林算法、误差反向传播算法和k近邻算法。

3.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述s2中初始化ssa算法参数包括迭代次数、种群数量、麻雀中生产者比例和寻优维度。

4.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述s2中设定对lstm网络预测模型的寻优参数包括学习速率、迭代次数、第一隐含层层数和第二隐含层层数。

5.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述s2中参数寻优过程中麻雀使用生产者和参与者两种行为策略进行觅食：

6.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述s4中对预测数据进行归一化处理，归一化表达式为

技术总结
本发明公开了一种基于油中溶解气体含量预测和诊断的变压器故障预警方法，包括以下步骤：将时间序列油色谱数据分为测试集和训练集，对训练集进行数据归一化处理后输入故障诊断算法中进行算法训练；初始化SSA算法参数，并设定对LSTM网络预测模型的寻优参数，采用SSA算法对LSTM网络预测模型进行参数优化；将最优参数和油色谱数据输入LSTM网络预测模型中预测未来的油中溶解气体含量，获得预测数据；将预测数据输入经算法训练的故障诊断算法中进行变压器故障诊断，出现故障时及时报警，否则继续进行故障诊断。本发明解决了现有预测方法存在精度低、预测效果较差以及现有方法没有使用准确精度衡量预测性能的问题。

技术研发人员：王洋,张誉川,杜燕,张博,骆乃栋,李晋,于飞跃
受保护的技术使用者：西安工程大学
技术研发日：
技术公布日：2024/1/14