CN108241901B - 一种基于预测数据的变压器预警评估方法及装置 - Google Patents
一种基于预测数据的变压器预警评估方法及装置 Download PDFInfo
- Publication number
- CN108241901B CN108241901B CN201611221973.3A CN201611221973A CN108241901B CN 108241901 B CN108241901 B CN 108241901B CN 201611221973 A CN201611221973 A CN 201611221973A CN 108241901 B CN108241901 B CN 108241901B
- Authority
- CN
- China
- Prior art keywords
- early warning
- value
- establishing
- data
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于预测数据的变压器预警评估方法及装置,其方法包括:基于获取的训练样本数据,建立气体浓度的预测模型;根据预测模型获得的预测数据,建立模糊相似矩阵,得到预警阈值;根据预警阈值和国标限值确定警告范围,实现预警报告或不报告。本发明提供的技术方案根据各类型预警指标的特征,合理设置具有“多重标准”的预警阈值,结合国家标准使预警结果最大限度满足了实际应用要求。
Description
技术领域
本发明涉及电力自动化技术领域,具体涉及一种基于预测数据的变压器预警评估方法及装置。
背景技术
现阶段,变压器在线监测技术已经发展成熟,各类监测方法已被广泛地应用,更准确全面的变压器实时监测数据可提供给技术人员以指导他们的工作。但若是在获取实时变压器监测数据之后,对监测数据进行预测分析,探索出各监测点的各类变压器指标数据的变化趋势,并得到未来时段指标预测值,则可以指导技术工作人员根据趋势走向和预测值对相应变压器存在的潜在故障提出正确合理的解决措施。因此,非常有必要研究出一套科学的变压器预警评估方法。
通常的变压器预警方法仅针对了历史监测数据,对变压器预测数据的预警研究比较少。预测数据是对变压器历史数据的内在变化规律和发展趋势分析的结果,若将预测工作和预警工作良好地结合起来,同时对变压器历史数据和预测数据进行预警,则可以提高预警的准确性,及时地解决已经存在的或者潜在的变压器故障问题,减少甚至避免该类型电力事故的发生。
变压器油中溶解气体分析(dissolved gas analysis,DGA)是发现变压器缺陷和潜伏性故障的有效手段,在故障发生前,各种气体的浓度随时间的变化是渐进的、有规律的,因此在对各气体浓度进行预测的基础上实现故障预测是可能的。
然而,利用单个预测模型进行预测存在一些缺陷,如信息源的不广泛性、对模型设定形式敏感等,这使得单一模型的预测效果往往不能令人满意。有必要考虑对DGA数据进行组合预测。
此外,现有的变压器预警方法通常是依据国家标准的限值来设置预警阈值从而判断是否需告警,而此类预警阈值的设置在许多应用场合会显得比较僵硬。然而,判断某一变压器监测指标是否合格,仅参考国家标准是不可靠的,需要依据实际情况合理地设置预警阈值。
因此,需要提供一种技术方案来满足现有技术的需要。
发明内容
为解决上述现有技术中的不足,本发明的目的是提供一种基于预测数据的变压器预警评估方法及装置,其包括步骤:基于获取的训练样本数据,建立气体浓度的预测模型;根据预测模型获得的预测数据,建立模糊相似矩阵,得到预警阈值;根据预警阈值和国标限值确定警告范围,实现预警报告或不报告。
预测模型包括:模糊支持向量机预测模型;按照下述方式建立所述模糊支持向量机预测模型:
对不同特征气体含量的训练样本进行归一化处理;根据训练样本中数据的采样时间,计算训练样本的模糊隶属度;根据归一化值和模糊隶属度,建立模糊训练样本;采用高斯径向基函数作为核函数,获得模糊支持向量机预测模型。
预测模型包括:灰色预测模型;按照下述方式建立灰色预测模型包括:
对特征气体含量的指标数据列进行级比计算,确定指标数据列;对指标数据列进行一次累加计算;利用累加结果,建立一阶线性微分方程,确定待辨识参数;基于待辨识参数,建立离散时间响应函数;根据离散时间响应函数获得的指标预测值,建立灰色预测模型。
预测模型包括:线性回归模型;按照下述方式建立线性回归预测模型:
利用训练样本的监测时间,建立一元线性回归模型;根据一元线性回归模型,确定线性回归预测模型。
利用不同预测模型获得的预测值权重,建立优选组合预测模型。
根据预测模型获得的预测数据,建立模糊相似矩阵,得到预警阈值包括:
用优选组合预测模型获得的预测数据建立模糊相似矩阵R=(rij)m×n,其中模糊矩阵元素rij按下式计算:
rij=1-c×d(xi,xj)
式中,d(xi,xj)为xi与xj间的距离,距离系数c使得所有rij∈[0,1](i,j=1,2,...,n);
根据不同的置信水平λ∈[0,1],划分矩阵元素rij得到动态聚类结果;
根据动态聚类结果将预警对象分为k类,第k类预警对象的个数设为Nk,其中预警对象n=∑Nk,则按下式计算第j个指标中第k类的预警阈值ujk:
式中,xij为第i个预警对象的第j个指标值,m为预警对象指标数量。
根据预警阈值和国标限值确定警告范围,实现预警报告或不报告包括:
如果指标值小于国标限值但大于预警阈值或所述指标值大于国标限值但大于预警阈值区域,则执行预警报告;如果指标值小于国标限值但小于预警阈值或指标值大于国标限值但小于预警阈值区域,则不执行警告。
其变压器预警评估装置包括:模型建立模块,用于基于获取的训练样本数据,建立气体浓度的预测模型;确定模块,用于根据所述预测模型获得的预测数据,建立模糊相似矩阵,得到预警阈值;执行模块,用于根据所述预警阈值和国标限值确定警告范围,实现预警报告或不报告。
预测模型包括:模糊支持向量机预测模型;模型建立模块具体用于:对不同特征气体含量的训练样本进行归一化处理;根据训练样本中数据的采样时间,计算训练样本的模糊隶属度;根据归一化值和模糊隶属度,建立模糊训练样本;采用高斯径向基函数作为核函数,获得模糊支持向量机预测模型。
预测模型包括:灰色预测模型;模型建立模块具体用于:对特征气体含量的指标数据列进行级比计算,确定指标数据列;对指标数据列进行一次累加计算;利用累加结果,建立一阶线性微分方程,确定待辨识参数;基于待辨识参数,建立离散时间响应函数;根据离散时间响应函数获得的指标预测值,建立灰色预测模型。
预测模型包括:线性回归模型;模型建立模块,具体用于:利用训练样本的监测时间,建立一元线性回归模型;根据一元线性回归模型,确定线性回归预测模型。
用不同预测模型获得的预测值权重,建立优选组合预测模型。
确定模块具体用于:用优选组合预测模型获得的预测数据建立模糊相似矩阵R=(rij)m×n,其中模糊矩阵元素rij按下式计算:
rij=1-c×d(xi,xj)
式中,d(xi,xj)为xi与xj间的距离,距离系数c使得所有rij∈[0,1](i,j=1,2,...,n);
根据不同的置信水平λ∈[0,1],划分矩阵元素rij得到动态聚类结果;
根据动态聚类结果将预警对象分为k类,第k类预警对象的个数设为Nk,其中预警对象n=ΣNk,则按下式计算第j个指标中第k类的预警阈值ujk:
式中,xij为第i个预警对象的第j个指标值,m为预警对象指标数量。
执行模块具体用于:如果指标值小于国标限值但大于预警阈值或指标值大于国标限值但大于预警阈值区域,则执行预警报告;
如果指标值小于国标限值但小于预警阈值或指标值大于国标限值但小于预警阈值区域,则不执行警告。
与最接近的现有技术相比,本发明提供的技术方案具有如下优异效果:
1、本发明对监测数据进行预测分析,得到的未来时段指标预测值,有助于根据趋势走向和预测值对相应的变压器潜在故障提出正确合理的解决措施;
2、本发明采用优选组合预测方法预测变压器油中溶解气体在下一时刻的浓度预测值,可以得到更为准确的预测值;
3、本发明根据各类型预警指标的特征,灵活合理地设置其预警阈值,使阈值具有“多重标准”,该方法结合国家标准可使预警结果更符合实际应用要求。
附图说明
图1为本发明的变压器监测数据预测流程图;
图2为本发明的变压器预警流程图;
图3为本发明预警阈值划分的指标值区域图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
本发明提出的一种基于预测数据的变压器预警评估方法及装置,该变压器预警评估装置包括:
模型建立模块,用于基于获取的训练样本数据,建立气体浓度的预测模型;确定模块,用于根据预测模型获得的预测数据,建立模糊相似矩阵,得到预警阈值;执行模块,用于根据预警阈值和国标限值确定警告范围,实现预警报告或不报告。
预测模型包括:模糊支持向量机预测模型;模型建立模块具体用于:对不同特征气体含量的训练样本进行归一化处理;根据训练样本中数据的采样时间,计算训练样本的模糊隶属度;根据归一化值和模糊隶属度,建立模糊训练样本;采用高斯径向基函数作为核函数,获得模糊支持向量机预测模型。
预测模型包括:灰色预测模型;模型建立模块,具体用于:对特征气体含量的指标数据列进行级比计算,确定指标数据列;对指标数据列进行一次累加计算;利用累加结果,建立一阶线性微分方程,确定待辨识参数;基于待辨识参数,建立离散时间响应函数;根据离散时间响应函数获得的指标预测值,建立灰色预测模型。
预测模型包括:线性回归模型;模型建立模块,具体用于:利用训练样本的监测时间,建立一元线性回归模型;根据一元线性回归模型,确定线性回归预测模型。
用不同预测模型获得的预测值权重,建立优选组合预测模型。
确定模块,具体用于:用优选组合预测模型获得的预测数据建立模糊相似矩阵R=(rij)m×n,其中模糊矩阵元素rij按下式计算:
rij=1-c×d(xi,xj)
式中,d(xi,xj)为xi与xj间的距离,距离系数c使得所有rij∈[0,1](i,j=1,2,...,n);
根据不同的置信水平λ∈[0,1],划分矩阵元素rij得到动态聚类结果;
根据动态聚类结果将预警对象分为k类,第k类预警对象的个数设为Nk,其中预警对象n=∑Nk,则按下式计算第j个指标中第k类的预警阈值ujk:
式中,xij为第i个预警对象的第j个指标值,m为预警对象指标数量。
执行模块,具体用于:如果指标值小于国标限值但大于预警阈值或指标值大于国标限值但大于预警阈值区域,则执行预警报告;
如果指标值小于国标限值但小于预警阈值或指标值大于国标限值但小于预警阈值区域,则不执行警告。
该方法建立了基于模糊支持向量机预测模型、灰色预测模型、线性回归预测模型以及优选组合预测模型的电力变压器油中溶解气体浓度预测模型,以及基于模糊聚类算法的预警机制,然后,在该方法的基础上,建立了变压器预警评估装置。
上述预警评估方法包括如下步骤:
步骤1:构建预测模型及预测数据处理:
1.1收集变压器油中溶解气体浓度数据,组织变压器不同特征气体浓度预测的训练样本,建立基于模糊支持向量机预测模型,检验预测精度;
1.2:对变压器特征气体进行灰色预测模型适用性的判断分析。最终确定出一个适合做灰色预测的数据列。建立灰色预测模型,对预测结果进行误差分析;
1.3:根据获得的变压器油中溶解气体浓度的监测数据,建立线性回归预测模型,对预测结果进行误差分析,检验预测精度;
1.4:根据协方差优选组合预测法来确定不同预测模型所得预测值的权重,建立优选组合预测模型。对预测结果进行误差分析,可验证优选组合预测模型优于单一预测模型。
步骤2:对步骤1.4得到的预测数据进行数据处理,建立模糊相似矩阵,形成动态聚类图,得到基于模糊聚类算法的预警阈值。
步骤3:结合步骤1.5得到的预警阈值和国标限值,判断指标是否超标。
以下结合公式对上述步骤进一步进行说明:
图1所示,变压器数据预测流程图中:
步骤1.1:组织训练样本集,建立模糊支持向量机预测模型
1)对原始数据简化,分别组织不同特征气体含量预测的训练样本,并对样本按照式(1)进行归一化处理:
式中,X(i)为样本某一列中待归一的值,X(i)min和X(i)max为原始数据列中的极小值和极大值,X(i)’为对应的归一化后的值。
2)根据数据的采样时间,计算各样本的模糊隶属度ui
对于具有n个数据样本点以及每个样本点的模糊隶属度为ui的训练样本集合时间序列样本集S={(x1,y1,u1,t1),(x2,y2,u2,t2),…(xn,yn,un,tn)},其中xi∈RN,yi∈R,0<ui≤1,i=1,...,n,xi为输入量,yi为目标值,RN为输入量xi的集合,R为输入量yi的集合,t1≤t2≤...≤tn为各训练点采样时刻,模糊隶属度ui是时间序列ti的函数,即ui=f(ti)(1≤i≤n),δ为采样时刻t1的模糊隶属度,并且满足如下条件:
采用二次函数来近似逼近模糊隶属度函数,利用边界条件可得:
3)确定核函数及回归模型
核函数的选择和参数的设置是支持向量机训练的关键。
首先,利用步骤1)中归一化后的值和2)求得的模糊隶属度构成的模糊训练样本后,由最优参数C和g,训练生成基于模糊支持向量机的回归模型:
式中,||w||2为结构风险,代表模型的复杂程度;C为惩罚系数,b∈R,ξt,是松弛变量,分别表示在误差ε的约束下的训练误差的上限和下限;ε为ε不敏感损失函数所定义的误差。μt(ξ1+ξt)是具有不同权值的错误度量。
采用高斯径向基函数K(x,xi)=exp(-g||x-xi||)作为自变量x和xi的核函数,核函数参数g和惩罚系数C采用网格搜索和交叉验证的方法确定;引入拉格朗日系数αi和构造拉格朗日函数,并引入核函数K(x,xi),求得回归模型为:
4)进行数据预测,检验预测精度
利用3)获得的预测模型,以某时刻色谱采样数据为输入量,预测各特征气体在下一时刻的浓度值;
使用平均绝对百分误差MAPE作为预测结果的评价指标,其表达式为:
其中:n为测试样本个数;yi为实际值;f(xi)为预测值。
步骤1.2:建立灰色预测模型
假设不同时间段内的某种特征气体含量监测数据可以用数据序列x(0)=(x(0)(1),x(0)(2),...,x(0)(n))表示,x(0)为原始样本数据,是时间k的函数,k=1…n为样本数,表示不同的时间对象。按照如下步骤建立GM(1,1)预测模型。
1)对特征气体含量指标数据列x(0)进行数据之间的级比计算,进行灰色预测模型适用性的判断分析,最终确定出一个适合做灰色预测的数据列;
2)数据变换处理,经过对特征气体含量指标数据的检验后,得到一个参考数据序列x(0),对x(0)进行一次累加后生成新数列x(1)如下:
x(1)(1)=x(1)(0)
x(1)=(x(1)(1),x(1)(2),...,x(1)(n))=(x(1)(1),x(1)(1)+x(0)(2),...,x(1)(n-1)+x(0)(n)) (9)
3)建立一阶线性微分方程,求解待辨识参数:
4)将步骤3)得出的待辨识参数值代入原来的微分方程,可以得到灰色预测的离散时间响应函数:
然后对一次累加序列进行回推,可以求出不同时间对象的变压器油中溶解气体浓度指标预测值:
5)误差分析
变压器特征气体在下一时刻预测浓度的误差采用绝对误差和相对误差来进行分析:
步骤1.3:建立线性回归预测模型
1)根据获得的变压器油中溶解气体浓度的n对数据(xi,yi)(i-1,2,...,n),xi表示特征气体指标的监测时间,yi表示特征气体指标监测值。建立的一元线性回归模型:
yi=a+bxi+ε (15)
上式中,ε表示随机误差,服从正态分布(0,σ2);a和b为回归模型系数,σ2为方差;
3)最后对预测结果进行相对误差和绝对误差分析。
变压器特征气体在下一时刻预测浓度的误差采用绝对误差和相对误差来进行分析。
步骤1.4:协方差优选组合预测法来确定不同预测模型所得预测值的权重,建立优选组合预测模型。
不同的预测算法的预测精度有所不同,对较为精确的预测值应赋予较大的权重,因此选择协方差优选组合预测法组合预测法来确定不同预测值的权重。
基于模糊支持向量机预测模型、灰色预测模型、线性回归预测模型的方差—协方差优选组合预测模型的计算步骤如下:
1)f1、f2、f3分别是模糊支持向量机预测模型、灰色预测模型、线性回归预测模型关于变压器某种油中溶解气体浓度指标f的预测值,fc是优选组合预测值,预测误差分别是e1、e2、e3和ec;
2)w1、w2、w3分别是模糊支持向量机预测模型、灰色预测模型、线性回归预测模型的权重系数,σ11,σ22,σ33分别为模糊支持向量机预测模型、灰色预测模型、线性回归预测模型的方差,则:
3)优选组合预测值fc的方差为:
4)根据求得的权重系数,可得该气体浓度指标的优选组合预测值fc
若e1,e2,e3服从零均值正态分布,可用下式估计σii:
式中,n为监测数据样本数目,eit为每种模型中每个样本的预测误差。
则wi(i=1,2,3)的估计式为:
对于三种单一模型的组合预测,可验证:
Var(ec)min≤min(σ11,σ22,σ33) (26)
表明优选组合预测模型优于各种单一预测模型。
如图2所示,变压器状态预警流程图中:
步骤2:对得到的预测数据进行数据处理,建立模糊相似矩阵,形成动态聚类图,设定预警阈值,判断指标是否超标
1)对步骤4所得到的预测数据进行数据处理,建立模糊相似矩阵,形成动态聚类图
假设被分类的对象可表示为x={x1,x2,...,xn},其中,每个对象的性态又由m个指标表示,即:xi={xi1,xi2,...,xim}(i=1,2,...,n),则可以得到原始数据矩阵A=(xij)n×m,xij为矩阵A中的元素;
对数据进行归一化处理:
求解相似系数:
rij=1-c×d(xi,xj) (28)
根据不同的置信水平λ∈[0,1],可以得到不同的分类结果,从而形成动态聚类图;
2)求取依据模糊聚类算法得到的指标预警阈值,作为预警判断的依据
预警阈值设置方法如下:
设预警对象有n个,共m个指标。经模糊聚类后根据具体的动态聚类结果将预警对象分为k类,第k类预警对象的个数设为Nk,其中n=ΣNk。则第j个指标中第k类的预警阈值ujk为:
其中,xij表示第i个预警对象的第j个指标的值;
步骤3:指标数据预警判别,将处理后的指标数据与预警阈值以及国标限值进行比较;
根据国家标准限值和经模糊聚类后设置的预警阈值可将指标值划分为4个区域:A——小于国标限值且大于预警阈值;B——大于国标限值且大于预警阈值;C——小于国标限值且小于预警阈值;D——大于国标限值且小于预警阈值;
如果指标值处在A或者B区域,则该指标需要被告警(或预警),并且要根据实际的用电要求,做出是否给出决策的判断;如果指标值处在C或者D区域,则不需要给予警告。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于预测数据的变压器预警评估方法,其特征在于,包括:
基于获取的训练样本数据,建立气体浓度的预测模型;
根据所述预测模型获得的预测数据,建立模糊相似矩阵,得到预警阈值;
根据所述预警阈值和国标限值确定警告范围,实现预警报告或不报告;
所述预测模型包括:模糊支持向量机预测模型;
按照下述方式建立所述模糊支持向量机预测模型:
对不同特征气体含量的训练样本进行归一化处理;
根据训练样本中数据的采样时间,计算所述训练样本的模糊隶属度;
根据归一化值和模糊隶属度,建立模糊训练样本;
采用高斯径向基函数作为核函数,获得所述模糊支持向量机预测模型;
所述预测模型包括:灰色预测模型;
按照下述方式建立所述灰色预测模型包括:
对特征气体含量的指标数据列进行级比计算,确定指标数据列;
对所述指标数据列进行一次累加计算;
利用累加结果,建立一阶线性微分方程,确定待辨识参数;
基于所述待辨识参数,建立离散时间响应函数;
根据所述离散时间响应函数获得的指标预测值,建立灰色预测模型;
所述预测模型包括:线性回归模型;
按照下述方式建立线性回归预测模型:
利用训练样本的监测时间,建立一元线性回归模型;
根据所述一元线性回归模型,确定所述线性回归预测模型;
利用不同预测模型获得的预测值权重,建立优选组合预测模型;
根据所述预测模型获得的预测数据,建立模糊相似矩阵,得到预警阈值包括:
用所述优选组合预测模型获得的预测数据建立模糊相似矩阵R=(rij)m×n,其中模糊矩阵元素rij按下式计算:
rij=1-c×d(xi,xj)
式中,d(xi,xj)为xi与xj间的距离,距离系数c使得所有rij∈[0,1](i,j=1,2,...,n);
根据不同的置信水平λ∈[0,1],划分矩阵元素rij得到动态聚类结果;
根据所述动态聚类结果将预警对象分为k类,第k类预警对象的个数设为Nk,其中预警对象n=∑Nk,则按下式计算第j个指标中第k类的预警阈值ujk:
式中,xij为第i个预警对象的第j个指标值,m为预警对象指标数量;
1)建立所述模糊支持向量机预测模型包括:
1-1)对原始数据简化,分别组织不同特征气体含量预测的训练样本,并对样本按照式(1)进行归一化处理:
式中,X(i)为样本某一列中待归一的值,X(i)min和X(i)max为原始数据列中的极小值和极大值,X(i)’为对应的归一化后的值;
1-2)根据数据的采样时间,计算各样本的模糊隶属度ui
对于具有n个数据样本点以及每个样本点的模糊隶属度为ui的训练样本集合时间序列样本集S={(x1,y1,u1,t1),(x2,y2,u2,t2),…(xn,yn,un,tn)},其中xi∈RN,yi∈R,0<ui≤1,i=1,...,n,xi为输入量,yi为目标值,RN为输入量xi的集合,R为输入量yi的集合,t1≤t2≤...≤tn为各训练点采样时刻,模糊隶属度ui是时间序列ti的函数,即ui=f(ti)(1≤i≤n),δ为采样时刻t1的模糊隶属度,并且满足如下条件:
采用二次函数来近似逼近模糊隶属度函数,利用边界条件可得:
1-3)确定核函数及回归模型;
2)建立所述灰色预测模型包括:
假设不同时间段内的某种特征气体含量监测数据可以用数据序列x(0)=(x(0)(1),x(0)(2),...,x(0)(n))表示,x(0)为原始样本数据,是时间k的函数,k=1…n为样本数,表示不同的时间对象;按照如下步骤建立GM(1,1)预测模型;
2-1)对特征气体含量指标数据列x(0)进行数据之间的级比计算,进行灰色预测模型适用性的判断分析,最终确定出一个适合做灰色预测的数据列;
2-2)数据变换处理,经过对特征气体含量指标数据的检验后,得到一个参考数据序列x(0),对x(0)进行一次累加后生成新数列x(1)如下:
x(1)(1)=x(1)(0)
x(1)=(x(1)(1),x(1)(2),...,x(1)(n))=(x(1)(1),x(1)(1)+x(0)(2),...,x(1)(n-1)+x(0)(n)) (9)
2-3)建立一阶线性微分方程,求解待辨识参数:
2-4)将步骤2-3)得出的待辨识参数值代入原来的微分方程,可以得到灰色预测的离散时间响应函数:
然后对一次累加序列进行回推,可以求出不同时间对象的变压器油中溶解气体浓度指标预测值:
2-5)误差分析
变压器特征气体在下一时刻预测浓度的误差采用绝对误差和相对误差来进行分析:
3)建立所述线性回归预测模型包括:
3-1)根据获得的变压器油中溶解气体浓度的n对数据(xi,yi)(i-1,2,...,n),xi表示特征气体指标的监测时间,yi表示特征气体指标监测值;建立的一元线性回归模型:
yi=a+bxi+ε (15)
上式中,ε表示随机误差,服从正态分布(0,σ2);a和b为回归模型系数,σ2为方差;
3-3)最后对预测结果进行相对误差和绝对误差分析;
变压器特征气体在下一时刻预测浓度的误差采用绝对误差和相对误差来进行分析:
2.如权利要求1所述的变压器预警评估方法,其特征在于,根据所述预警阈值和国标限值确定警告范围,实现预警报告或不报告包括:
如果指标值小于国标限值但大于预警阈值或所述指标值大于国标限值但大于预警阈值区域,则执行预警报告;
如果所述指标值小于国标限值但小于预警阈值或所述指标值大于国标限值但小于预警阈值区域,则不执行警告。
3.一种基于预测数据的变压器预警评估装置,其特征在于,包括:
模型建立模块,用于基于获取的训练样本数据,建立气体浓度的预测模型;
确定模块,用于根据所述预测模型获得的预测数据,建立模糊相似矩阵,得到预警阈值;
执行模块,用于根据所述预警阈值和国标限值确定警告范围,实现预警报告或不报告;
所述预测模型包括:模糊支持向量机预测模型;
所述模型建立模块,具体用于:
对不同特征气体含量的训练样本进行归一化处理;根据训练样本中数据的采样时间,计算所述训练样本的模糊隶属度;根据归一化值和模糊隶属度,建立模糊训练样本;采用高斯径向基函数作为核函数,获得所述模糊支持向量机预测模型;
所述预测模型包括:灰色预测模型;
所述模型建立模块,具体用于:
对特征气体含量的指标数据列进行级比计算,确定指标数据列;
对所述指标数据列进行一次累加计算;
利用累加结果,建立一阶线性微分方程,确定待辨识参数;
基于所述待辨识参数,建立离散时间响应函数;
根据所述离散时间响应函数获得的指标预测值,建立灰色预测模型;
所述预测模型包括:线性回归模型;
所述模型建立模块,具体用于:
利用训练样本的监测时间,建立一元线性回归模型;
根据所述一元线性回归模型,确定线性回归预测模型;
利用不同预测模型获得的预测值权重,建立优选组合预测模型;
所述确定模块,具体用于:
用所述优选组合预测模型获得的预测数据建立模糊相似矩阵R=(rij)m×n,其中模糊矩阵元素rij按下式计算:
rij=1-c×d(xi,xj)
式中,d(xi,xj)为xi与xj间的距离,距离系数c使得所有rij∈[0,1](i,j=1,2,...,n);
根据不同的置信水平λ∈[0,1],划分矩阵元素rij得到动态聚类结果;
根据所述动态聚类结果将预警对象分为k类,第k类预警对象的个数设为Nk,其中预警对象n=∑Nk,则按下式计算第j个指标中第k类的预警阈值ujk:
式中,xij为第i个预警对象的第j个指标值,m为预警对象指标数量;
1)建立所述模糊支持向量机预测模型包括:
1-1)对原始数据简化,分别组织不同特征气体含量预测的训练样本,并对样本按照式(1)进行归一化处理:
式中,X(i)为样本某一列中待归一的值,X(i)min和X(i)max为原始数据列中的极小值和极大值,X(i)’为对应的归一化后的值;
1-2)根据数据的采样时间,计算各样本的模糊隶属度ui
对于具有n个数据样本点以及每个样本点的模糊隶属度为ui的训练样本集合时间序列样本集S={(x1,y1,u1,t1),(x2,y2,u2,t2),…(xn,yn,un,tn)},其中xi∈RN,yi∈R,0<ui≤1,i=1,...,n,xi为输入量,yi为目标值,RN为输入量xi的集合,R为输入量yi的集合,t1≤t2≤...≤tn为各训练点采样时刻,模糊隶属度ui是时间序列ti的函数,即ui=f(ti)(1≤i≤n),δ为采样时刻t1的模糊隶属度,并且满足如下条件:
采用二次函数来近似逼近模糊隶属度函数,利用边界条件可得:
1-3)确定核函数及回归模型;
2)建立所述灰色预测模型包括:
假设不同时间段内的某种特征气体含量监测数据可以用数据序列x(0)=(x(0)(1),x(0)(2),...,x(0)(n))表示,x(0)为原始样本数据,是时间k的函数,k=1…n为样本数,表示不同的时间对象;按照如下步骤建立GM(1,1)预测模型;
2-1)对特征气体含量指标数据列x(0)进行数据之间的级比计算,进行灰色预测模型适用性的判断分析,最终确定出一个适合做灰色预测的数据列;
2-2)数据变换处理,经过对特征气体含量指标数据的检验后,得到一个参考数据序列x(0),对x(0)进行一次累加后生成新数列x(1)如下:
x(1)(1)=x(1)(0)
x(1)=(x(1)(1),x(1)(2),...,x(1)(n))=(x(1)(1),x(1)(1)+x(0)(2),...,x(1)(n-1)+x(0)(n))(9)
2-3)建立一阶线性微分方程,求解待辨识参数:
2-4)将步骤2-3)得出的待辨识参数值代入原来的微分方程,可以得到灰色预测的离散时间响应函数:
然后对一次累加序列进行回推,可以求出不同时间对象的变压器油中溶解气体浓度指标预测值:
2-5)误差分析
变压器特征气体在下一时刻预测浓度的误差采用绝对误差和相对误差来进行分析:
3)建立所述线性回归预测模型包括:
3-1)根据获得的变压器油中溶解气体浓度的n对数据(xi,yi)(i-1,2,...,n),xi表示特征气体指标的监测时间,yi表示特征气体指标监测值;建立的一元线性回归模型:
yi=a+bxi+ε (15)
上式中,ε表示随机误差,服从正态分布(0,σ2);a和b为回归模型系数,σ2为方差;
3-3)最后对预测结果进行相对误差和绝对误差分析;
变压器特征气体在下一时刻预测浓度的误差采用绝对误差和相对误差来进行分析:
4.如权利要求3所述的变压器预警评估装置,其特征在于,所述执行模块,具体用于:
如果指标值小于国标限值但大于预警阈值或所述指标值大于国标限值但大于预警阈值区域,则执行预警报告;
如果所述指标值小于国标限值但小于预警阈值或所述指标值大于国标限值但小于预警阈值区域,则不执行警告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611221973.3A CN108241901B (zh) | 2016-12-27 | 2016-12-27 | 一种基于预测数据的变压器预警评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611221973.3A CN108241901B (zh) | 2016-12-27 | 2016-12-27 | 一种基于预测数据的变压器预警评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108241901A CN108241901A (zh) | 2018-07-03 |
CN108241901B true CN108241901B (zh) | 2021-12-03 |
Family
ID=62702185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611221973.3A Active CN108241901B (zh) | 2016-12-27 | 2016-12-27 | 一种基于预测数据的变压器预警评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108241901B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242273B (zh) * | 2018-08-20 | 2022-08-02 | 西南交通大学 | 一种配电网故障恢复方案群体评估方法 |
CN109934678A (zh) * | 2019-03-11 | 2019-06-25 | 深圳市活力天汇科技股份有限公司 | 一种基于用户偏好的航班打分方法 |
CN110334728B (zh) * | 2019-05-06 | 2022-04-01 | 中国联合网络通信集团有限公司 | 一种面向工业互联网的故障预警方法及装置 |
CN110728826A (zh) * | 2019-05-20 | 2020-01-24 | 唐山工业职业技术学院 | 一种基于智慧技术的地下空间有毒有害气体预警报警方法 |
WO2020232716A1 (zh) * | 2019-05-23 | 2020-11-26 | 西门子股份公司 | 变压器的健康状态评估方法、装置及存储介质 |
CN110570012B (zh) * | 2019-08-05 | 2022-05-20 | 华中科技大学 | 一种基于Storm的电厂生产设备故障预警方法及*** |
CN111241656B (zh) * | 2019-12-28 | 2023-03-14 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器出口电压异常点检测算法 |
CN112183906B (zh) * | 2020-12-02 | 2021-03-19 | 北京蒙帕信创科技有限公司 | 一种基于多模型组合模型的机房环境预测方法及*** |
CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
CN114781278B (zh) * | 2022-06-17 | 2022-09-27 | 天津理工大学 | 一种基于数据驱动的机电设备寿命预测方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221651B (zh) * | 2011-03-11 | 2015-05-27 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN103678765B (zh) * | 2013-10-31 | 2016-04-27 | 上海交通大学 | 基于在线监测的变压器运行状态综合评估方法 |
CN104914327B (zh) * | 2015-05-06 | 2018-01-30 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
CN105158610B (zh) * | 2015-09-14 | 2018-12-11 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态预警数据可疑值的筛查处理方法 |
CN105203876B (zh) * | 2015-09-15 | 2018-04-24 | 云南电网有限责任公司电力科学研究院 | 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 |
-
2016
- 2016-12-27 CN CN201611221973.3A patent/CN108241901B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108241901A (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
Souza et al. | Variable and delay selection using neural networks and mutual information for data-driven soft sensors | |
CN113065703A (zh) | 一种结合多种模型的时间序列预测方法 | |
CN113642666B (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
CN105303051A (zh) | 一种空气污染物浓度预测方法 | |
CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
CN112418522A (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
CN112241832A (zh) | 一种产品质量分级评价标准设计方法及*** | |
CN111126694A (zh) | 一种时间序列数据预测方法、***、介质及设备 | |
CN116911191A (zh) | 一种基于改进PSO优化BiLSTM的航空发动机气路***建模方法 | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及*** | |
CN116258087A (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
CN113255810B (zh) | 基于关键决策逻辑设计测试覆盖率的网络模型测试方法 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模***及方法 | |
CN110673470B (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 | |
CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
Zhan et al. | Long Short-term Memory modeling method with monotonicity analysis as constraints base on Spearman coefficient | |
Stepashko et al. | Technology of Quantitative Integral Assessment and Forecast of a Complex Economic System Performance | |
Thapa | Using ROC-curve to Illustrate the Use of Binomial Logistic Regression Model in Wine Quality Analysis | |
CN118115141A (zh) | 电子装备贮存可靠性零样本多源迁移预测方法 | |
Kyshenko et al. | Technological monitoring in the management of the distillation-rectification plant | |
CN117710008B (zh) | 一种适用于喀斯特地区生态产品销售信息管理*** | |
Galatro et al. | Data Analytics for Process Engineers: Prediction, Control and Optimization | |
CN118095536A (zh) | 土壤呼吸时间序列预测方法、软件产品和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |