CN110674604A - 基于多维时序帧卷积lstm的变压器dga数据预测方法 - Google Patents

基于多维时序帧卷积lstm的变压器dga数据预测方法 Download PDF

Info

Publication number
CN110674604A
CN110674604A CN201910891134.XA CN201910891134A CN110674604A CN 110674604 A CN110674604 A CN 110674604A CN 201910891134 A CN201910891134 A CN 201910891134A CN 110674604 A CN110674604 A CN 110674604A
Authority
CN
China
Prior art keywords
lstm
data
transformer
time sequence
network
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.)
Granted
Application number
CN201910891134.XA
Other languages
English (en)
Other versions
CN110674604B (zh
Inventor
何怡刚
段嘉珺
何鎏璐
吴汶倢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910891134.XA priority Critical patent/CN110674604B/zh
Publication of CN110674604A publication Critical patent/CN110674604A/zh
Priority to US17/020,836 priority patent/US20210089900A1/en
Application granted granted Critical
Publication of CN110674604B publication Critical patent/CN110674604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (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)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于多维时序帧卷积LSTM的变压器DGA数据预测方法。首先收集各变电站油中溶解气体监测信息，将其分为测试集和验证集；然后采取无编码比值法进一步提取特征参量，删除基本保持不变的数据，并进行归一化、叠加噪声等处理；对处理后的数据集进行加窗变换，形成时序帧；构建C‑LSTM网络，将时序帧数据输入到网络卷积层中，获取时序特征量；通过训练集和验证集训练C‑LSTM网络，利用验证集进行预测效果测试，并不断优化网络参数。设定网络更新周期，在后期监测任务中针对待预测变压器不断更新。本发明将卷积LSTM网络引入变压器故障预测中，充分提取DGA数据比值特征，并考虑多维时序的复杂关联特性，实现较为准确的预测。

Description

基于多维时序帧卷积LSTM的变压器DGA数据预测方法
技术领域
本发明涉及一种电力变压器故障预测方法，尤其是涉及基于时序帧卷积提取特征和LSTM深度学习框架进行训练建模的变压器油中溶解气体数据预测方法。
背景技术
电力变压器在电力***中起着至关重要的作用，是电力***经济性和安全稳定运行的基础。随着工业4.0和泛在电力物联网的逐步推进，电力变压器的在线监测数据呈现出***式增长态势。油中溶解气体分析(DGA)能够全面反映变压器运维信息，综合运用人工智能、大数据等先进技术对电力变压器的DGA监测数据进行趋势分析，是指导变压器健康管理的一大研究热点。
传统对变压器DGA数据的预测研究主要通过统计学模型或人工智能(ArtificialIntelligence，AI)模型来归纳其分布规律。例如灰色模型(Grey Model，GM)、时间序列分析模型(Time-Series Analysis)等。它们的预测精度因数据本身的不确定分布而受到限制。随着AI技术的深入发展，AI相关的模型在DGA数据预测领域也开始得到应用，代杰杰等人利用海量监测数据之间的关联关系，综合考虑了多种动态因素对DGA数据变化规律的影响，避免了DGA数据预测因仅仅考虑单因素而效果欠佳的问题。Lin J等人基于LSTM_DBN提出了一种电力变压器运行状态预测方法，综合DBN和LSTM的特点来实现变压器DGA含量的准确预测。但现有DGA预测技术一般通过统计规律进行趋势回归和分析，难以提取数据序列之间的复杂关联关系，存在抗噪声能力差，预测精度低等缺点。CNN原本应用于图像、视频处理领域，通过CNN的强大特征提取能力和LSTM对时序关系的深入学习，能够提高其预测效果。
发明内容
本发明的目的是为变压器油中溶解气体分析数据提供一种智能的预测方法，提高预测准确率，并解决传统方法难以处理数据关联关系、海量数据等问题。
本发明是采用如下技术方案来实现的：
提供一种基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，包括以下步骤：
1)收集各变电站油中溶解气体监测信息并按照时序排列，包括关键的变压器DGA状态气体含量，将其按照一定比例随机分为测试集和验证集；
2)对测试集和验证集，采取无编码比值法提取特征参量，该特征参量为不同气体或者不同气体组合之间的比值，并进行数据预处理；
3)对预处理后的特征参量数据集进行加窗变换，形成时序帧；
4)构建C-LSTM网络，包括输入层、卷积层、LSTM层、输出层，输入层读取时序帧，并将时序帧输入至卷积层，获取时序特征量；
5)将测试集的数据输入C-LSTM网络的LSTM层进行训练，并利用验证集进行验证；逐步更新网络参数，得到训练好的C-LSTM网络预测模型；
6)将待监测的变压器DGA数据输入训练好的C-LSTM网络预测模型中进行预测，并将新的待检测的变压器DGA数据同时加入到测试集和验证集中，重新对C-LSTM网络预测模型的参数进行迭代更新。
接上述技术方案，步骤1)中的各变电站油中溶解气体监测信息取自相关文献纪录，每一组数据按照时序排列，且至少包括关键的变压器DGA状态气体含量：氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2。
接上述技术方案，训练集和验证集的通过比例随机抽样进行划分。
接上述技术方案，步骤2)中运用无编码比值法方法提取以下9种气体比值作为特征参量：CH4/H2，C2H4/(C1+C2)，C2H4/C2H2，C2H2/(C1+C2)，CH4/(C1+C2)，H2/(H2+C1+C2)，C2H4/C2H6，(CH4+C2H4)/(C1+C2)，C2H6/(C1+C2)，其中C1为一碳氢化合物(CH4)；C2为二碳氢化合物(C2H6、C2H4、C2H2)；设置一个比值的最大值，若分母为零则将比值计算结果限定为该最大值。
接上述技术方案，预处理具体为：对数据进行全局归一化处理；对于较短的序列或采样时间非线性的序列，通过插值进行扩充，叠加高斯噪声。
接上述技术方案，步骤3)中加窗变换形成时序帧的方法为：将通过无编码比值法获取的结果组成k行n列的矩阵，每种比值按照采样时间分布排列作为一行，k为特征参量的个数；用行数为x，长度为窗口大小m的矩阵filter沿着采样时间和特征参量依次滑动，滑动步长为s，每步移动一个时间步长，得到一帧，总共得到(k-x+1)(n-m+1)帧，沿着时间轴排列，形成x×m×(k-x+1)(n-m+1)的矩阵，即时序帧。
接上述技术方案，步骤4)中时序帧通过C-LSTM网络预测模型中的卷积层的最后一个池化层的激活函数后，从原本x×m×(k-x+1)(n-m+1)的矩阵变为D×(k-x+1)(n-m+1)的特征向量序列，其中D为特征参量的数量。
接上述技术方案，步骤5)中C-LSTM网络预测模型的训练方法为：首先设定训练周期数、最小训练批次、激活函数、学习率；将训练集经过步骤2)-3)后得到的时序帧作为网络输入；然后设定网络误差的计算方式；若需要增强对高级别时间表示的学习能力，则设置多个LSTM层；最后进行网络训练得到C-LSTM预测网络模型。在训练过程中每获取下一步时序值，则认为上一时刻真实值已知，通过对验证集测试的效果，逐步更新网络参数，最终得到训练好的C-LSTM网络预测模型。
接上述技术方案，步骤6)中的后期C-LSTM网络预测模型迭代更新的方法为：首先设置C-LSTM网络预测模型更新频率为每q次监测采样更新一次，当获取q个新的监测数据后，将待预测变压器过往的监测信息同时加入训练集和验证集中，返回步骤2)对网络参数进行迭代更新。
本发明还提供一种基于多维时序帧卷积LSTM的变压器DGA数据预测***，包括：
信息收集模块，用于收集各变电站油中溶解气体监测信息并按照时序排列，包括关键的变压器DGA状态气体含量，将其按照一定比例随机分为测试集和验证集；
特征参量提取模块，用于对测试集和验证集，采取无编码比值法提取特征参量，该特征参量为不同气体或者不同气体组合之间的比值，并进行数据预处理；
数据变换模块，用于对预处理后的特征参量数据集进行加窗变换，形成时序帧；
C-LSTM网络构建模块，用于构建C-LSTM网络，包括输入层、卷积层、LSTM层、输出层，输入层读取时序帧，并将时序帧输入至卷积层，获取时序特征量；
C-LSTM网络训练模块，用于将测试集的数据输入C-LSTM网络的LSTM层进行训练，并利用验证集进行验证；逐步更新网络参数，得到训练好的C-LSTM网络预测模型；
测试模块，用于将待监测的变压器DGA数据输入训练好的C-LSTM网络预测模型中进行预测；
更新模块，用于将新的待检测的变压器DGA数据同时加入到测试集和验证集中，重新对C-LSTM网络预测模型的参数进行迭代更新。
本发明产生的有益效果是：本发明将卷积LSTM网络(Long Short-Term Memory长短期记忆网络)引入变压器故障预测中，充分提取DGA数据比值的深层次特征，并考虑多维时序的复杂关联特性，能够实现较为准确的预测。本发明从视频数据的观点出发，提出一种利用时序帧进行特征提取的概念，能够深入挖掘时间序列的前后以及相互关联关系。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例多维时序帧卷积LSTM的变压器DGA数据预测方法的流程图；
图2为本发明实施例基于加窗时序帧的特征提取方法；
图3为本发明实施例加窗形成时序帧的方法(取步长s＝1，窗口大小x＝特征参数量k)；
图4为本发明实施例C-LSTM网络结构；
图5为本发明实施例网络训练过程；
图6为本发明实施例C-LSTM预测结果与LSTM方法预测效果的对比曲线；
图7为本发明实施例误差变化和均方根误差值(RMSE)对比图像；
图8位本发明实施例基于多维时序帧卷积LSTM的变压器DGA数据预测***
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明不仅适用于变压器油中溶解气体组分的预测方法，还可以推广至其他预测领域。
本发明综合考虑多种变压器油中溶解气体组分之间、前后时序之间以及不同设备之间的复杂关联关系，构建时序帧并通过卷积层进行特征提取，最后利用LSTM网络实现油中溶解气体组分的故障预测。
如图1所示，本发明实施例基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，包括以下步骤：
S1、收集各变电站油中溶解气体监测信息并按照时序排列，包括关键的变压器DGA状态气体含量，将其按照一定比例随机分为测试集和验证集；
S2、对测试集和验证集，采取无编码比值法提取特征参量，该特征参量为不同气体或者不同气体组合之间的比值，并进行数据预处理；
S3、对预处理后的特征参量数据集进行加窗变换，形成时序帧；
S4、构建C-LSTM网络，包括输入层、卷积层、LSTM层、输出层，输入层读取时序帧，并将时序帧输入至卷积层，获取时序特征量；
S5、将测试集的数据输入C-LSTM网络的LSTM层进行训练，并将验证集的数据用于网络训练效果的验证。在训练过程中每获取下一步时序值，则认为上一时刻真实值已知。逐步更新网络参数，得到训练好的C-LSTM网络预测模型在训练过程中每获取下一步时序值，则认为上一时刻真实值已知。逐步更新网络参数，得到训练好的C-LSTM网络预测模型；
S6、将待预测变压器的DGA监测数据输入该网络进行预测。预测过程中，每获取一个时刻的监测值，前一时间步的监测值则为已知输入。根据预设的更新条件(更新频率为每q次监测采样更新一次)判断是否需要对C-LSTM网络预测模型进行更新；若需要更新，则将新数据同时加入到测试集和验证集中，返回步骤S2重复以上过程，重新对C-LSTM网络预测模型的参数进行迭代更新。
S7、若不需要更新，则可以直接对预测结果进行分析。
本发明的一个优选实施例中，具体的实施步骤如下：
首先收集历年的相关文献纪录的数据。由于大部分文献都是考虑5种特征气体的监测，为了方便数据的收集，每一组数据只包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)五种关键的变压器DGA状态气体含量及其运行状态，将其按照时序进行排列。由于各组数据的采样时间和采样频率均不相同，数据长度n的大小也不相同。保证监测数据的采样时间在2周以上，共收集100组数据，然后随机选择50％的数据作为训练集，50％为验证集。
对数据进行归一化处理，统一插值扩充为等间隔的时间序列，间隔为4小时。然后根据无编码比值方法，通过各个关键气体参量之间的比值来提取特征参量，计算得到如下气体比值：CH4/H2，C2H4/(C1+C2)，C2H4/C2H2，C2H2/(C1+C2)，CH4/(C1+C2)，H2/(H2+C1+C2)，C2H4/C2H6，(CH4+C2H4)/(C1+C2)，C2H6/(C1+C2)，其中C1为一碳氢化合物(CH4)；C2为二碳氢化合物(C2H6、C2H4、C2H2)。考虑到监测数据的环境噪声等随机误差，在监测数据上叠加1％的高斯噪声。
接下来基于加窗时序帧进行特征提取，该特征提取方法的数据处理流程和数据维度分析如图2所示。对于获得的每一组数据(训练集和验证集共有100组数据，每一组记为第i组数据，i＝1，2，…，100)，每种特征气体沿着采样时间分布记为一行，构成成ki行ni列的矩阵。本实施例中的ki都等于经过步骤S2得到的比值数量，即ki＝9。然后用行数为x，长度为窗口大小m的矩阵filter沿着采样时间和特征参量依次滑动，滑动步长为s，每步移动一个步长，得到一帧。为了简便，令filter矩阵的行数x＝数据矩阵的行数ki，即x＝9；步长s＝1。在该取值情形下，加窗形成时序帧的过程描述如图3所示。时序帧的长度为(ni-m+1)，窗口大小取m＝20。由于采样周期为四小时，采样时间大于两周，则ni>14×6＝84，故能够保证ni-19不会小于零。随着步长滑动遍历，获得9×20×(ni-19)的矩阵，即时序帧。
构造的C-LSTM网络，其结构如图4所示。将时序帧输入至网络的卷积层，获取时序特征量。在本实施例中，卷积层选择GoogLeNet，实际可以根据具体应用场景选取更轻或是更准确度高的网络。通过网络中最后一个池化层的激活函数后，时序帧变为D×(ni-19)的特征向量序列。其中D为特征数量(即池化层的输出大小)。它们对应了后ni-19个待预测气体组分值。本实施例用乙烷(C2H6)含量为例进行预测。将所有数据集的D行(ni-19)列特征量和待预测气体含量的1行(ni-19)列数据作为LSTM网络输入，进行训练验证。训练过程的loss值和RMSE值如图5所示。
用单一的LSTM网络训练甲烷含量曲线得到预测结果，随机选取一个数据集的预测结果并显示在图6中进行对比。图7则显示了预测误差变化情况，并给出了均方根误差值(RMSE)的对比。可以看出，经过时序帧提取特征后，预测准确率相比直接通过单一参量、未考虑时序特征关联关系的预测结果较优。
最后在针对某变压器状态监测数据的预测实践中，首先设置网络更新频率为每q次监测采样更新一次，该更新频率应该取一个较大的值。当获取q个新的监测数据后，将待预测变压器过往的监测信息同时加入到训练集和验证集中，返回到步骤S2，对网络预测模型的参数进行迭代更新。
为了实现上述预测方法，本发明还提供了一种基于多维时序帧卷积LSTM的变压器DGA数据预测***，如图8所示，该***包括：
信息收集模块，用于收集各变电站油中溶解气体监测信息并按照时序排列，包括关键的变压器DGA状态气体含量，将其按照一定比例随机分为测试集和验证集；
特征参量提取模块，用于对测试集和验证集，采取无编码比值法提取特征参量，该特征参量为不同气体或者不同气体组合之间的比值，并进行数据预处理；
数据变换模块，用于对预处理后的特征参量数据集进行加窗变换，形成时序帧；
C-LSTM网络构建模块，用于构建C-LSTM网络，包括输入层、卷积层、LSTM层、输出层，输入层读取时序帧，并将时序帧输入至卷积层，获取时序特征量；
C-LSTM网络训练模块，用于将测试集的数据输入C-LSTM网络的LSTM层进行训练，并利用验证集进行验证；逐步更新网络参数，得到训练好的C-LSTM网络预测模型；
测试模块，用于将待监测的变压器DGA数据输入训练好的C-LSTM网络预测模型中进行预测；
更新模块，用于将新的待检测的变压器DGA数据同时加入到测试集和验证集中，重新对C-LSTM网络预测模型的参数进行迭代更新。
该***可以实现上述方法技术方案中的其他所有功能，在此不赘述。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，包括以下步骤：
1)收集各变电站油中溶解气体监测信息并按照时序排列，包括关键的变压器DGA状态气体含量，将其按照一定比例随机分为测试集和验证集；
2)对测试集和验证集，采取无编码比值法提取特征参量，该特征参量为不同气体或者不同气体组合之间的比值，并进行数据预处理；
3)对预处理后的特征参量数据集进行加窗变换，形成时序帧；
4)构建C-LSTM网络，包括输入层、卷积层、LSTM层、输出层，输入层读取时序帧，并将时序帧输入至卷积层，获取时序特征量；
5)将测试集的数据输入C-LSTM网络的LSTM层进行训练，并利用验证集进行验证；逐步更新网络参数，得到训练好的C-LSTM网络预测模型；
6)将待监测的变压器DGA数据输入训练好的C-LSTM网络预测模型中进行预测，并将新的待检测的变压器DGA数据同时加入到测试集和验证集中，重新对C-LSTM网络预测模型的参数进行迭代更新。
2.根据权利要求1所述的基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，步骤1)中的各变电站油中溶解气体监测信息取自相关文献纪录，每一组数据按照时序排列，且至少包括关键的变压器DGA状态气体含量：氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2。
3.根据权利要求1所述的基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，训练集和验证集的通过比例随机抽样进行划分。
4.根据权利要求1所述的基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，步骤2)中运用无编码比值法方法提取以下9种气体比值作为特征参量：CH4/H2，C2H4/(C1+C2)，C2H4/C2H2，C2H2/(C1+C2)，CH4/(C1+C2)，H2/(H2+C1+C2)，C2H4/C2H6，(CH4+C2H4)/(C1+C2)，C2H6/(C1+C2)，其中C1为一碳氢化合物(CH4)；C2为二碳氢化合物(C2H6、C2H4、C2H2)；设置一个比值的最大值，若分母为零则将比值计算结果限定为该最大值。
5.根据权利要求1所述的基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，预处理具体为：对数据进行全局归一化处理；对于较短的序列或采样时间非线性的序列，通过插值进行扩充，叠加高斯噪声。
6.根据权利要求1所述的基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，步骤3)中加窗变换形成时序帧的方法为：将通过无编码比值法获取的结果组成k行n列的矩阵，每种比值按照采样时间分布排列作为一行，k为特征参量的个数；用行数为x，长度为窗口大小m的矩阵filter沿着采样时间和特征参量依次滑动，滑动步长为s，每步移动一个时间步长，得到一帧，总共得到(k-x+1)(n-m+1)帧，沿着时间轴排列，形成x×m×(k-x+1)(n-m+1)的矩阵，即时序帧。
7.根据权利要求6所述的基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，步骤4)中时序帧通过C-LSTM网络预测模型中的卷积层的最后一个池化层的激活函数后，从原本x×m×(k-x+1)(n-m+1)的矩阵变为D×(k-x+1)(n-m+1)的特征向量序列，其中D为特征参量的数量。
8.根据权利要求1所述的基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，步骤5)中C-LSTM网络预测模型的训练方法为：首先设定训练周期数、最小训练批次、激活函数、学习率；将训练集经过步骤2)-3)后得到的时序帧作为网络输入；然后设定网络误差的计算方式；若需要增强对高级别时间表示的学习能力，则设置多个LSTM层；最后进行网络训练得到C-LSTM预测网络模型。在训练过程中每获取下一步时序值，则认为上一时刻真实值已知，通过对验证集测试的效果，逐步更新网络参数，最终得到训练好的C-LSTM网络预测模型。
9.根据权利要求1所述的基于多维时序帧卷积LSTM的变压器DGA数据预测方法，其特征在于，步骤6)中的后期C-LSTM网络预测模型迭代更新的方法为：首先设置C-LSTM网络预测模型更新频率为每q次监测采样更新一次，当获取q个新的监测数据后，将待预测变压器过往的监测信息同时加入训练集和验证集中，返回步骤2)对网络参数进行迭代更新。
10.一种基于多维时序帧卷积LSTM的变压器DGA数据预测***，其特征在于，包括：
信息收集模块，用于收集各变电站油中溶解气体监测信息并按照时序排列，包括关键的变压器DGA状态气体含量，将其按照一定比例随机分为测试集和验证集；
特征参量提取模块，用于对测试集和验证集，采取无编码比值法提取特征参量，该特征参量为不同气体或者不同气体组合之间的比值，并进行数据预处理；
数据变换模块，用于对预处理后的特征参量数据集进行加窗变换，形成时序帧；
C-LSTM网络构建模块，用于构建C-LSTM网络，包括输入层、卷积层、LSTM层、输出层，输入层读取时序帧，并将时序帧输入至卷积层，获取时序特征量；
C-LSTM网络训练模块，用于将测试集的数据输入C-LSTM网络的LSTM层进行训练，并利用验证集进行验证；逐步更新网络参数，得到训练好的C-LSTM网络预测模型；
测试模块，用于将待监测的变压器DGA数据输入训练好的C-LSTM网络预测模型中进行预测；
更新模块，用于将新的待检测的变压器DGA数据同时加入到测试集和验证集中，重新对C-LSTM网络预测模型的参数进行迭代更新。
CN201910891134.XA 2019-09-20 2019-09-20 基于多维时序帧卷积lstm的变压器dga数据预测方法 Active CN110674604B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910891134.XA CN110674604B (zh) 2019-09-20 2019-09-20 基于多维时序帧卷积lstm的变压器dga数据预测方法
US17/020,836 US20210089900A1 (en) 2019-09-20 2020-09-15 Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910891134.XA CN110674604B (zh) 2019-09-20 2019-09-20 基于多维时序帧卷积lstm的变压器dga数据预测方法

Publications (2)

Publication Number Publication Date
CN110674604A true CN110674604A (zh) 2020-01-10
CN110674604B CN110674604B (zh) 2022-07-08

Family

ID=69078453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910891134.XA Active CN110674604B (zh) 2019-09-20 2019-09-20 基于多维时序帧卷积lstm的变压器dga数据预测方法

Country Status (2)

Country Link
US (1) US20210089900A1 (zh)
CN (1) CN110674604B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815405A (zh) * 2020-06-28 2020-10-23 深圳市赛宇景观设计工程有限公司 一种基于人工智能的商品购买方法
CN113485302A (zh) * 2021-07-20 2021-10-08 山东大学 基于多元时序数据的车辆运行过程故障诊断方法及***
CN113673766A (zh) * 2021-08-23 2021-11-19 国网山西省电力公司晋城供电公司 一种充油电气设备油中气体含量预测方法
CN114740159A (zh) * 2022-04-14 2022-07-12 成都秦川物联网科技股份有限公司 一种天然气能量计量组分获取方法和物联网***
US11979697B2 (en) 2021-07-26 2024-05-07 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and internet of things systems for obtaining natural gas energy metering component

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220019937A1 (en) * 2020-07-20 2022-01-20 OnePredict Co., Ltd Apparatus and method for predicting transformer state in consideration of whether oil filtering is performed
CN113127591B (zh) * 2021-04-13 2022-09-23 河海大学 一种基于Transformer和LSTM的位置预测方法
CN113139681B (zh) * 2021-04-13 2023-10-17 合肥综合性国家科学中心能源研究院(安徽省能源实验室) 一种基于时间序列数据的神经网络冲击地压预测方法
CN113269350B (zh) * 2021-04-28 2023-09-05 长春工业大学 基于灰色gm（1,1）模型的变压器故障预测方法
CN113486720B (zh) * 2021-06-08 2023-12-08 浙江大学 一种基于智能终端设备开关电源高频噪声的视频播放内容推断方法
CN114139591A (zh) * 2021-06-23 2022-03-04 核动力运行研究所 一种机械设备状态预警方法
CN113484882B (zh) * 2021-06-24 2023-04-28 武汉大学 多尺度滑动窗口lstm的gnss序列预测方法及***
CN113469441B (zh) * 2021-07-02 2023-12-08 浙江树人学院（浙江树人大学） 一种基于组合深度学习的防汛物资需求预测方法
CN113607205B (zh) * 2021-08-02 2023-09-19 中国民航大学 一种航空发动机传感器故障检测方法及装置
CN113837894B (zh) * 2021-08-06 2023-12-19 国网江苏省电力有限公司南京供电分公司 基于残差卷积模块的非侵入式居民用户负荷分解方法
CN113642235B (zh) * 2021-08-09 2023-12-22 贵州电网有限责任公司 一种基于局部时空特征融合的覆冰预测方法
CN113780420B (zh) * 2021-09-10 2023-11-07 湖南大学 基于gru-gcn的变压器油中溶解气体浓度预测方法
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
CN114066005B (zh) * 2021-10-08 2024-06-04 西安电子科技大学 一种基于cnn网络的碳化硅二极管击穿电压的预测方法
CN114021427A (zh) * 2021-10-13 2022-02-08 三峡大学 一种变压器状态检修预测模型及方法
CN113908458A (zh) * 2021-10-18 2022-01-11 西北工业大学 一种高原智能预供氧方法
CN113762418B (zh) * 2021-10-18 2023-06-06 中国科学技术大学苏州高等研究院 基于Entity Embedding和TCN模型的移动应用使用行为预测方法
CN113962462A (zh) * 2021-10-25 2022-01-21 中国科学院空天信息创新研究院 基于卷积神经网络的风场稳定度预测方法及***
CN113884818B (zh) * 2021-10-27 2024-04-09 国网江苏省电力有限公司徐州供电分公司 一种基于lstm的配电网故障行波到达时间精确估算方法
CN114154583B (zh) * 2021-12-08 2024-05-24 深圳博沃智慧科技有限公司 一种小波分析耦合lstm神经网络的水质预测方法
CN114611792B (zh) * 2022-03-11 2023-05-02 南通大学 一种基于混合CNN-Transformer模型的大气臭氧浓度预测方法
CN114723131A (zh) * 2022-04-02 2022-07-08 中国地质大学（北京） 一种基于人工智能的矿山环境智能预测***
CN114842394B (zh) * 2022-05-17 2024-04-16 西安邮电大学 基于Swin Transformer的手术视频流程自动识别方法
CN115082768A (zh) * 2022-06-09 2022-09-20 齐丰科技股份有限公司 一种基于相机的变电站压板状态识别的方法
CN114817847B (zh) * 2022-06-30 2023-02-07 广州兆和电力技术有限公司 一种基于多层前馈神经网络的储能电站智能监测方法
CN115514439A (zh) * 2022-09-26 2022-12-23 华工未来科技(江苏)有限公司 一种信道空口利用率预测方法、***、电子设备及介质
CN115290832B (zh) * 2022-09-30 2022-12-13 南通润厚设备工程有限公司 用于等离子废气处理设备的废气处理监测方法
CN115758247A (zh) * 2022-11-22 2023-03-07 中国南方电网有限责任公司超高压输电公司检修试验中心 基于图卷积神经网络的超高压电力变压器故障检测方法
CN115983507B (zh) * 2023-03-20 2023-06-16 华中科技大学 送端源电网断面宽频振荡风险预测方法及***
CN116204794B (zh) * 2023-05-04 2023-09-12 国网江西省电力有限公司电力科学研究院 一种考虑多维数据的变压器油中溶解气体预测方法及***
CN117848713B (zh) * 2024-01-05 2024-07-09 湖州槐坎南方水泥有限公司 布袋除尘器脉冲阀运行状态监测***及方法
CN117630758B (zh) * 2024-01-24 2024-05-03 国能大渡河检修安装有限公司 发电站变压器健康状态监测方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160327600A1 (en) * 2015-05-04 2016-11-10 General Electric Company Integrated transformer health monitoring architecture
CN108090556A (zh) * 2017-12-22 2018-05-29 国网江西省电力有限公司电力科学研究院 一种配电变压器热评估方法
CN108764460A (zh) * 2018-05-16 2018-11-06 华中科技大学 一种基于时间卷积和lstm的时间序列预测方法
CN109030790A (zh) * 2018-08-21 2018-12-18 华北电力大学（保定） 一种电力变压器故障诊断方法和装置
CN109164248A (zh) * 2018-09-18 2019-01-08 山东理工大学 一种变压器油中溶解气体浓度预测方法
CN109919394A (zh) * 2019-03-29 2019-06-21 沈阳天眼智云信息科技有限公司 电力变压器剩余寿命预测方法
CN110045237A (zh) * 2019-04-08 2019-07-23 国网上海市电力公司 基于果蝇算法优化的变压器状态参量数据预测方法及***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9509977B2 (en) * 2012-03-28 2016-11-29 Olympus Corporation Image processing system and microscope system including the same
WO2019140402A1 (en) * 2018-01-15 2019-07-18 Illumina, Inc. Deep learning-based variant classifier

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160327600A1 (en) * 2015-05-04 2016-11-10 General Electric Company Integrated transformer health monitoring architecture
CN106124878A (zh) * 2015-05-04 2016-11-16 通用电气公司 集成变压器健康监测架构
CN108090556A (zh) * 2017-12-22 2018-05-29 国网江西省电力有限公司电力科学研究院 一种配电变压器热评估方法
CN108764460A (zh) * 2018-05-16 2018-11-06 华中科技大学 一种基于时间卷积和lstm的时间序列预测方法
CN109030790A (zh) * 2018-08-21 2018-12-18 华北电力大学（保定） 一种电力变压器故障诊断方法和装置
CN109164248A (zh) * 2018-09-18 2019-01-08 山东理工大学 一种变压器油中溶解气体浓度预测方法
CN109919394A (zh) * 2019-03-29 2019-06-21 沈阳天眼智云信息科技有限公司 电力变压器剩余寿命预测方法
CN110045237A (zh) * 2019-04-08 2019-07-23 国网上海市电力公司 基于果蝇算法优化的变压器状态参量数据预测方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何怡刚: "《基于RFID传感标签及QPSO-RVM的变压器绕组故障在线诊断技术》", 《中国电机工程学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815405A (zh) * 2020-06-28 2020-10-23 深圳市赛宇景观设计工程有限公司 一种基于人工智能的商品购买方法
CN113485302A (zh) * 2021-07-20 2021-10-08 山东大学 基于多元时序数据的车辆运行过程故障诊断方法及***
CN113485302B (zh) * 2021-07-20 2022-06-21 山东大学 基于多元时序数据的车辆运行过程故障诊断方法及***
US11979697B2 (en) 2021-07-26 2024-05-07 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and internet of things systems for obtaining natural gas energy metering component
CN113673766A (zh) * 2021-08-23 2021-11-19 国网山西省电力公司晋城供电公司 一种充油电气设备油中气体含量预测方法
CN113673766B (zh) * 2021-08-23 2023-12-19 国网山西省电力公司晋城供电公司 一种充油电气设备油中气体含量预测方法
CN114740159A (zh) * 2022-04-14 2022-07-12 成都秦川物联网科技股份有限公司 一种天然气能量计量组分获取方法和物联网***
CN114740159B (zh) * 2022-04-14 2023-09-19 成都秦川物联网科技股份有限公司 一种天然气能量计量组分获取方法和物联网***

Also Published As

Publication number Publication date
US20210089900A1 (en) 2021-03-25
CN110674604B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN110674604B (zh) 基于多维时序帧卷积lstm的变压器dga数据预测方法
CN111367961B (zh) 基于图卷积神经网络的时序数据事件预测方法、***及其应用
US11954115B2 (en) Methods and systems for wavelet based representation
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN110083699B (zh) 基于深度神经网络的新闻流行度预测模型训练方法
CN115293197A (zh) 一种基于长短期记忆网络的钻孔应变数据异常检测方法
CN113962489A (zh) 一种基于st-ccn-pm2.5的pm2.5浓度细粒度预测方法
CN114492184A (zh) 一种时频域分析航空发动机剩余使用寿命预测方法及装置
CN114723003A (zh) 一种基于时序卷积和关系建模的事件序列预测方法
CN117856204A (zh) 配电网超短期负荷功率区间的预测方法、***及存储介质
CN117236485B (zh) 一种基于cnn-bilstm算法减小预测电网供电量误差的方法
CN116843012A (zh) 一种融合个性化上下文和时域动态特征的时序预测方法
CN113343590B (zh) 一种基于组合模型的风速预测方法及***
CN113537573B (zh) 基于双重时空特征提取的风电功率运行趋势预测方法
CN113505850A (zh) 基于深度学习的锅炉故障预测方法
da Silva et al. Automated machine learning for time series prediction
Xiao et al. Prediction of Monthly Rainfall in Plateau Area Based on Convolutional Neural Network
CN117977584B (zh) 电力负荷概率预测方法、***、介质、设备及程序产品
CN118036667B (zh) 一种多源异构流数据预测方法
CN113807387B (zh) 基于svm分类的特征指标风电出力时间序列构建方法和装置
CN115510760A (zh) 一种基于多维要素大气pm2.5浓度预测方法
CN117909656A (zh) 一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法、***及存储介质
CN118051748A (zh) 一种区间多属性智能分析实验验证的方法和***
CN118229119A (zh) 融合时序分解和机器学习模型的短期负荷预测方法、***及存储介质
CN117393149A (zh) 一种面向肺结节发病的时序数据预测方法

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