本发明涉及一种预测方法及系统，尤其涉及一种用于趋势预测的预测方法及系统。
背景技术：
：变压器状态一般通过多个特征参量的变化表现出来，这些特征参量(即变压器状态参量)会随着故障的不同因素例如故障类型、故障发生部位以及故障的严重程度而发生相应变化，通过预测不同故障对应的关键特征参量的变化趋势，有利于清晰直观了解变压器状态的变化过程。由于变压器状态参量的数据可以看作为一个复杂的数据序列，目前，传统的预测方法通常利用单一或少数参量的统计公式(例如回归分析或时间序列分析)外推未来的时间序列及变化趋势，但这些预测方法无法考虑众多相关因素对公式适应性的影响，也就是说一旦某个变压器状态参量的数据有缺失，则无法进行预测。而随着智能电网技术的发展，越来越多的信息例如变压器状态数据、电网运行数据及气象信息数据逐步在统一的信息平台上集成共享，因此，期望获得一种预测方法，其可以对变压器状态相关的多源信息进行关联关系挖掘，利用挖掘得到的状态量间关联关系作为先验知识，对预测模型进行自适应调整来提高变压器状态参量趋势预测的精度，最终达到对变压器状态参量趋势进行精确预测的效果。技术实现要素：本发明的目的之一在于提供一种变压器状态参量趋势预测方法，该变压器状态参量趋势预测方法利用栅格长短时记忆网络提取各个变压器在线监测状态量之间的关联关系，并挖缺其与未来状态量(即所需要的预测结果)之间的趋势联系，对预测模型进行训练，最终通过训练后的预测模型中的前馈神经网络层输出预测结果，从而对变压器状态参量趋势进行精确预测。基于上述目的，本发明提出了一种变压器状态参量趋势预测方法，其包括步骤：(1)采集变压器在线监测状态量；(2)采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵x：其中，x1、x2和xr分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列；(3)构建基于栅格长短时记忆网络的预测模型并确定所述预测模型的结构，所述预测模型包括特征提取器和一层前馈神经网络层，所述特征提取器包括n层栅格长短时记忆网络层；所述预测模型的结构包括栅格长短时记忆网络层的层数以及前馈神经网络层和各栅格长短时记忆网络层的神经元节点数；(4)将变压器在线监测状态量矩阵x中的一部分变压器在线监测状态量作为输入，对预测模型进行训练；(5)将变压器在线监测状态量矩阵x中的另一部分变压器在线监测状态量作为输入数据输入经过训练的预测模型，所述特征提取器提取出所述输入数据与预测结果之间的特征参数后，输入给所述前馈神经网络层；(6)所述前馈神经网络层输出预测结果。对于本发明所述的变压器状态参量趋势预测方法，在步骤(1)中，所采集到的变压器在线监测状态量可以根据影响故障的因素采集多组数据，例如：在一些实施方式中，变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据，从而使得采用本发明所述的变压器状态参量趋势预测方法进行预测时可以考虑多种因素混杂的复杂情况，比起现有技术只能考虑单一或少数影响故障的因素而言，本案的变压器状态参量趋势预测方法所获得的预测结果更为准确。并且优选地，采集时按照时间顺序采集，以便于数据形成时间序列矩阵。而在步骤(2)中，为了提高预测模型的精度，以使得最终通过本案的变压器状态参量趋势预测方法所获得的预测结果准确性高，采用离差标准化方法对变压器在线监测状态量进行归一化处理。需要说明的是，在本发明所述的技术方案中，变压器在线监测状态量矩阵x：其中，x1、x2和xr分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列。例如：在一些实施方式中，变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据，则x1、x2和xr分别表示变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据，而变压器在线监测状态量包括过去三十天内的变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据，下标1,2……n(n＝30)表示时间序列，而表示变压器状态在第一天时的变压器在线监测状态量。在本案中，以变压器在线监测状态量为输入特征量，通过栅格长短时记忆网络(gridlongshort-termmemory,简称为glstm)依据序列数据统计关系的特征提取，确定各个作为输入数据的变压器在线监测状态量自身时间维度的相关性，又由于变压器在线监测状态量为一种高维复杂参量，从中需提取出抽象的相关特征，激活强相关影响因素，抑制、弱化无关和冗余的信息，同时利用挖掘得到的变压器在线监测状态量间关联关系作为先验知识，对预测模型的权重参数进行自适应调整(即对预测模型进行训练)，最后将挖掘的特征参数提供给前馈神经网络层，预测得到变压器状态量变化趋势，最终由前馈神经网络层输出预测结果。由于该变压器状态参量趋势预测方法可以对变压器状态参量趋势进行精确预测，即可以对未来较长时间进行预测，因而，对电网运行具有实际指导意义。进一步地，在本发明所述的变压器状态参量趋势预测方法中，所述变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据的至少其中之一。更进一步地，在本发明所述的变压器状态参量趋势预测方法中，所述变压器状态数据包括变压器油中溶解的气体含量、变压器油温、变压器接地电流的至少其中之一；并且/或者涉及变压器的电网运行数据包括运行电流、有功功率和无功功率的至少其中之一；并且/或者变电站环境气象数据包括气温、地面温度、相对湿度和平均风速的至少其中之一。进一步地，在本发明所述的变压器状态参量趋势预测方法中，在步骤(4)中，采用基于时间的反向传播算法对预测模型进行训练。进一步地，在本发明所述的变压器状态参量趋势预测方法中，在步骤(3)中，采用实验法确定所述预测模型的结构。相应地，本发明的另一目的在于提供一种变压器状态参量趋势预测系统，通过该变压器状态参量趋势预测系统可以对变压器状态的多个变压器状态参量进行预测，该变压器状态参量趋势预测系统可以了解多个变压器故障因素对变压器状态所造成的影响，进而了解若干因素间的关联联系，使得该变压器状态参量趋势预测系统最终获得的预测结果精度高。基于上述目的，本发明提出了一种变压器状态参量趋势预测系统，其包括：数据采集模块，其采集变压器在线监测状态量；数据预处理模块，其采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵x：其中，x1、x2和xr分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列；基于栅格长短时记忆网络的预测模型，所述预测模型包括特征提取器和一层前馈神经网络层，所述特征提取器包括n层栅格长短时记忆网络层；其中所述预测模型输入变压器在线监测状态量矩阵x中的数据，输出预测结果。进一步地，在本发明所述的变压器状态参量趋势预测系统中，所述变压器在线监测状态量包括变压器状态数据、涉及变压器的电网运行数据和变电站环境气象数据的至少其中之一。进一步地，在本发明所述的变压器状态参量趋势预测系统中，所述变压器状态数据包括变压器油中溶解的气体含量、变压器油温、变压器接地电流的至少其中之一；并且/或者涉及变压器的电网运行数据包括运行电流、有功功率和无功功率的至少其中之一；并且/或者变电站环境气象数据包括气温、地面温度、相对湿度和平均风速的至少其中之一。进一步地，在本发明所述的变压器状态参量趋势预测系统中，所述特征提取器包括4层栅格长短时记忆网络层。本发明所述的变压器状态参量趋势预测方法利用栅格长短时记忆网络提取各个变压器状态参量(例如变压器状态数据、电网运行数据、变电站环境气象信息以及其他变压器状态参量)之间的关联关系，并挖缺其与未来状态量(即所需要的预测结果)之间的趋势联系，从而使得采用本发明所述的变压器状态参量趋势预测方法进行预测时，可以考虑多种因素混杂的复杂情况，比起现有技术只能考虑单一或少数影响故障的因素而言，本案的变压器状态参量趋势预测方法所获得的预测结果更为准确。此外，本发明所述的变压器状态参量趋势预测系统也具有上述优点。附图说明图1为本发明所述的变压器状态参量趋势预测系统在一种实施方式下的框架示意图。图2为本发明所述的变压器状态参量趋势预测方法在一种实施方式下的流程示意图。图3显示了运行电流作为变压器在线监测状态量的其中一种在一定时间段内的记录情况。图4显示了h2浓度作为变压器在线监测状态量的其中一种在在一定时间段内的记录情况。图5显示了co浓度作为变压器在线监测状态量的其中一种在一定时间段内的记录情况。图6显示了ch4浓度作为变压器在线监测状态量的其中一种在一定时间段内的记录情况。图7显示了c2h4浓度作为变压器在线监测状态量的其中一种在一定时间段内的记录情况。图8显示了c2h2浓度作为变压器在线监测状态量的其中一种在一定时间段内的记录情况。图9显示了总烃浓度作为变压器在线监测状态量的其中一种在一定时间段内的记录情况。图10显示了气温作为变压器在线监测状态量的其中一种在一定时间段内的记录情况。图11显示了顶层油温作为变压器在线监测状态量的其中一种在一定时间段内的记录情况。图12显示了采用本发明所述的变压器状态参量趋势预测方法中的以顶层油温作为变压器在线监测状态量的其中一种与实际测得结果的对比情况。图13显示了图12的误差情况。图14显示了采用本发明所述的变压器状态参量趋势预测方法中的以h2浓度作为变压器在线监测状态量的其中一种与实际测得结果的对比后的误差情况。图15显示了采用本发明所述的变压器状态参量趋势预测方法中的以总烃浓度作为变压器在线监测状态量的其中一种与实际测得结果的对比后的误差情况。具体实施方式下面将结合说明书附图和具体的实施例对本发明所述的变压器状态参量趋势预测方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。图1为本发明所述的变压器状态参量趋势预测系统在一种实施方式下的框架示意图。如图1所示，在本技术方案中，一种变压器状态参量趋势预测系统包括数据采集模块、数据预处理模块以及基于栅格长短时记忆网络的预测模型，其中，预测模型包括特征提取器以及一层前馈神经网络，特征提取器包括四层栅格长短时记忆网络层。当然可以想到的是，栅格长短时记忆网络层的层数可以根据各个实施方式的具体情况进行设置，在其他实施方式中，也可以为五层栅格长短时记忆网络层或其他层数的。图2为本发明所述的变压器状态参量趋势预测方法在一种实施方式下的流程示意图。当采用变压器状态参量趋势预测系统对变压器状态参量进行变压器状态参量趋势预测时，预测方法包括如下步骤：(1)通过数据采集模块采集变压器在线监测状态量，其中，变压器在线监测状态量包括变压器状态数据(例如：变压器油中溶解的气体含量、变压器油温以及变压器接地电流)、涉及变压器的电网运行数据(例如：运行电流、有功功率和无功功率)和变电站环境气象数据(例如：气温、地面温度、相对湿度和平均风速)；(2)通过数据预处理模块采用离差标准化方法对变压器在线监测状态量进行归一化处理，得到变压器在线监测状态量矩阵x：其中，x1、x2和xr分别表示第1种变压器在线监测状态量、第2种变压器在线监测状态量和第r种变压器在线监测状态量，下标1,2……n表示时间序列；(3)构建基于栅格长短时记忆网络的预测模型，并通过实验法确定预测模型的结构预；(4)将变压器在线监测状态量矩阵x中的一部分变压器在线监测状态量作为输入，基于时间的反向传播算法对预测模型进行训练，预测模型的结构包括栅格长短时记忆网络层的层数以及前馈神经网络层和各栅格长短时记忆网络层的神经元节点数；(5)将变压器在线监测状态量矩阵x中的另一部分变压器在线监测状态量作为输入数据输入经过训练的预测模型，特征提取器提取出输入数据与预测结果之间的特征参数后，输入给前馈神经网络层；(6)前馈神经网络层输出预测结果。由于栅格长短时记忆网络有三个门控开关(输入门、遗忘门和输出门)来保护和控制单元状态，而输入门、遗忘门和输出门分别对应着变压器在线监测状态量的注入，累积和输出操作。通过上述门控开关实现时间上的记忆功能，防止梯度消失，以及栅格长短时记忆网络层的深度空间信息提取功能为深层挖掘各个变压器在线监测状态量间关联关系提供保障。为了验证本案的变压器状态参量趋势预测方法的预测结果的精确性，以某一变电站的历史数据进行预测分析。首先，采集获得该变电站从2010年3月21日至2013年6月28日共1200天的各项变压器在线监测状态量，图3至图11显示了不同的变压器在线监测状态量在1200天内的记录情况，例如：图3显示了运行电流作为变压器在线监测状态量的其中一种的记录情况；图4显示了h2浓度作为变压器在线监测状态量的其中一种的记录情况；图5显示了co浓度作为变压器在线监测状态量的其中一种的记录情况；图6显示了ch4浓度作为变压器在线监测状态量的其中一种的记录情况；图7显示了c2h4浓度作为变压器在线监测状态量的其中一种的记录情况；图8显示了c2h2浓度作为变压器在线监测状态量的其中一种的记录情况；图9显示了总烃浓度作为变压器在线监测状态量的其中一种的记录情况；图10显示了气温作为变压器在线监测状态量的其中一种的记录情况；图11显示了顶层油温作为变压器在线监测状态量的其中一种的记录情况。由于变压器状态参量的当前状态与前几个时刻相比，不会有太大突变，因而，长期预测较短期预测更具有实际指导意义，因此，本案设定预测变压器状态参量以6月28日后60天的状态数据进行预测。以顶层油温作为变压器在线监测状态量为例，考虑到栅格长短时记忆网络中所有权重随机初始为服从[-0.05,0.05]的均匀分布，所有偏置项均初始化为0，因而，训练初期(第一个训练周期)动量项设置为0，并在随后的训练周期中，动量项设置为0.8，此外，考虑到为了防止过拟合的情况，将信号损失率设为0.2，通过采用沿时间反向传播算法进行，并且采用平均绝对误差标准来衡量模型训练程度，最终通过实验法确定预测模型的网络为5层，从各个栅格长短时记忆网络层到前馈神经网络层，各层中神经元节点数依次为297-1200-750-200-60。而不考虑各个变压器状态参量间的关联关系通过长短期网络记忆所获得的单一变压器状态参量的神经网络的结构，其输入层到输出层的神经元节点为33-100-200-100-60。图12显示了采用本发明所述的变压器状态参量趋势预测方法中的以顶层油温作为变压器在线监测状态量的其中一种与实际测得结果的对比情况。如图12所示，曲线i表示实际测量获得的实际顶层油温记录，曲线ii表示采用本案的变压器状态参量趋势预测方法所获得的顶层油温预测结果，而曲线iii则表示不考虑各个变压器状态参量间的关联关系通过长短期网络记忆所获得的单一变压器状态参量的神经网络对顶层油温的预测结果。由图12可以看出，曲线ii与曲线i的贴合程度，相较于曲线iii与曲线i的贴合程度更近。图13显示了图12的误差情况。如图13所示，曲线iv表示了采用本案的变压器状态参量趋势预测方法所获得的对顶层油温预测结果的预测误差，曲线v不考虑各个变压器状态参量间的关联关系通过长短期网络记忆所获得的单一变压器状态参量的神经网络对顶层油温的预测结果的预测误差，由图13可以看出，采用本案的变压器状态参量趋势预测方法所获得的顶层油温预测结果的误差相比较与不考虑各个变压器状态参量间的关联关系通过长短期网络记忆所获得的单一变压器状态参量的神经网络对顶层油温的预测结果的误差更小，从最大预测误差为20％下降到了10％。结合图12和图13可以看出，通过提取各个变压器状态参量间的相互关联关系，采用本案的变压器状态参量趋势预测方法可以更好地跟踪变压器状态参量的数据变化趋势，使得最终获得的预测效果的鲁棒性更强。同样地，采用本案的变压器状态参量趋势预测方法以及不考虑各个变压器状态参量间的关联关系通过长短期网络记忆分别对h2浓度以及总烃浓度进行以6月28日后60天进行预测。图14显示了采用本发明所述的变压器状态参量趋势预测方法中的以h2浓度作为变压器在线监测状态量的其中一种与实际测得结果的对比后的误差情况。如图14所示，曲线vi表示了采用本案的变压器状态参量趋势预测方法所获得的对h2浓度的预测结果的预测误差，曲线vii表示了不考虑各个变压器状态参量间的关联关系通过长短期网络记忆所获得的单一变压器状态参量的神经网络对h2浓度的预测结果的预测误差，由图14可以看出，采用本案的变压器状态参量趋势预测方法所获得的对h2浓度的预测结果的误差相比较与不考虑各个变压器状态参量间的关联关系通过长短期网络记忆所获得的单一变压器状态参量的神经网络对h2浓度的预测结果的误差更小。图15显示了采用本发明所述的变压器状态参量趋势预测方法中的以总烃浓度作为变压器在线监测状态量的其中一种与实际测得结果的对比后的误差情况。如图15所示，曲线viii表示了采用本案的变压器状态参量趋势预测方法所获得的对总烃浓度的预测结果的预测误差，曲线ix表示了不考虑各个变压器状态参量间的关联关系通过长短期网络记忆所获得的单一变压器状态参量的神经网络对总烃浓度的预测结果的预测误差，由图15可以看出，采用本案的变压器状态参量趋势预测方法所获得的对总烃浓度的预测结果的误差相比较与不考虑各个变压器状态参量间的关联关系通过长短期网络记忆所获得的单一变压器状态参量的神经网络对总烃浓度的预测结果的误差更小。结合图14和图15可以看出，本案的变压器状态参量趋势预测方法对变压器油中溶解的气体含量的预测结果的精度也有提高效果。为了进一步验证本案所构建获得的预测模型相较于其他现有的常规方法所获得的传统预测模型的预测效果，以对顶层油温以6月28日后60天进行预测，并与最终实际测得的结果进行误差计算，将对比结果列于表1。表1.模型glstm模型ar模型rbfnn模型svr模型gm模型平均误差9.87±2.21>5028.92±8.3924.72±7.5616.63±3.44注：表1中glstm模型是指通过本案的变压器状态参量趋势预测方法所获的预测模型，而ar模型是指通过自回归方法所获得的预测模型，rbfnn模型是指通过径向基函数神经网络方法所获得的预测模型，svr模型是指通过支持向量机回归方法所获得的预测模型，gm模型是指通过多参量灰色方法所获得的预测模型。由表1可以看出，考虑各个变压器状态参量间的关联关系，因而，本案的glstm模型，相较于未考虑关联关系的预测模型误差有大幅降低，并且误差波动幅度较小。此外，需要指出的是，glstm模型较gm模型，变压器状态参量的覆盖信息全面，提取的关联特征较完善，误差相对较小，且预测过程中无阈值的主观判定，也就是说本案的变压器状态参量趋势预测方法通过各个变压器状态参量间的关联关系，考虑到各个与变压器相关的因素影响，从而修正了预测模型参数，有效降低变压器状态参量趋势预测误差。需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。当前第1页12