一种变压器油中溶解气体浓度预测方法
专利汇可以提供一种变压器油中溶解气体浓度预测方法专利检索，专利查询，专利分析的服务。并且本 发明 属于 电网 设备状态监测技术领域，具体讲涉及一种 变压器 油中溶解气体浓度预测方法。首先为降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响，采用VMD自适应地将原始变压器油中溶解气体浓度时间序列分解为多个不同带宽的模式分量，然后对各个模式分量建立蝙蝠 算法 优化神经网络的 预测模型 ，提高预测模型的 稳定性 和泛化能 力 ；再输入测试数据到预测模型；最后 叠加 全部模式分量的预测值得到真实的变压器油中溶解气体浓度预测结果。该方法能获得相比单一预测方法更高 精度 的短期变压器油中溶解气体浓度预测结果。，下面是一种变压器油中溶解气体浓度预测方法专利的具体信息内容。
1.一种变压器油中溶解气体浓度预测方法，其特征在于，包括以下步骤：
S1、利用VMD对变压器油中溶解气体浓度时间序列进行分解，得到多个不同带宽的模式分量；
S2、对每个模式分量构建各自的训练数据集和测试数据集；
S3、对每个模式分量分别建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型；
S4、将训练数据集中多个模式分量的训练样本逐一输入蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型进行训练，得到各自对应的变压器油中溶解气体浓度预测子模型；
S5、将测试数据集中多个模式分量的测试样本逐一输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测，得到每个变压器油中溶解气体浓度子模型的预测输出值；
S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理，得到最终的变压器油中溶解气体浓度预测结果。
2.根据权利要求1所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S1中利用VMD对原始变压器油中溶解气体浓度时间序列进行分解的过程为：
VMD是将实值信号分解成不同模式分量uk的信号处理过程，其在产生主信号时具有特定的稀疏特性；假设每个模式k具有一个在分解过程中确定的中心频率ωk，因此每个模式k的稀疏特性是其在频谱域中的带宽，获得带宽后，再用VMD进行分解。
3.根据权利要求2所述的一种变压器油中溶解气体浓度预测方法，其特征在于，为了获得模式带宽，包括以下步骤：
S11、对每个模式分量uk应用希尔伯特变换以获得单侧频谱；
S12、将上述的单侧频谱变换到基带，通过使用指数调谐到相应估计的中心频率；
S13、通过解调信号的H1高斯平滑度，即梯度L的平方来估计带宽，因此，通过解决以下优化问题来实现分解处理：
式中： 表示偏微分，uk(t)表示时域下的模式分量，f(t)是待分解的主信号；{uk}＝{u1,L,uk}和{ωk}＝{ω1,L,ωk}分别表示所有模式分量uk的集合及其中心频率；δ(t)是狄拉克分布；*表示卷积；为解决约束，采用惩罚项和拉格朗日乘数λ将上式变为如下无约束优化问题：
式中：α为平衡参数；λ为拉格朗日乘子，使用乘子交替方向法来求解原始最小化问题，由此得：
n
式中： 和 分别为f(ω)、 λi (ω)和 的傅里叶变
换；n为迭代次数；f(ω)表示频域下的待分解的主信号， 和 分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值， 表示频域下迭代n+1次时第k个模式分量，为当前模态函数功率谱的重心。
4.根据权利要求3所述的一种变压器油中溶解气体浓度预测方法，其特征在于，获得带宽后，利用VMD分解的过程如下：
S14、对 进行初始化，迭代次数n置1；其中 表示模式中心频率，
表示所有模式分量的集合， 拉格朗日乘数值；
S15、对全部模式分量uk依公式(3)和(4)进行更新得到 和
S16、对拉格朗日乘子进行更新：
式中τ为更新参数；
S17、判断是否满足下式的收敛条件：
若满足，分解过程结束；否则，迭代次数n加1，转公式(2)。
5.根据权利要求4所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S2中构建各自的训练数据集过程为：
模式分量uk的训练数据集Trn包含输入数据Xn和输出数据Yn，输入数据
其中m为预测模型输入个数，输出数据 l的取值由预测模型输出个
数决定。
6.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，输入数据和输出数据是对模式分量uk的时间序列进行连续采集而得到。
7.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，模式分量uk的测试数据集Ten的构建方式与训练数据集Trn的构建方式相同。
8.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法，其特征在于，步骤S3中建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型的过程为：
S31、神经网络包括一个输入层、一个隐含层和一个输出层，输入层神经元个数等于预测模型输入个数m，输出层神经元个数等于预测模型输出个数l，隐含层神经元个数 a为1～10中的自然数；
神经网络需要优化的变量个数为：
num＝m×s+s+s×l+l (7)
S32、蝙蝠算法优化神经网络过程如下：
随机生成一组解作为初始值来拟合蝙蝠算法优化神经网络模型：
其中i＝1,2,...,M；IW为输出层到隐含层权值，有m×s个；Ib为隐含层阈值，有s个；LW为隐含层到输出层权值，有s×l个；Lb为输出层阈值，有l个；M为种群大小，共M个虚拟蝙蝠；
上述的虚拟蝙蝠探索目标空间，在目标空间的t次迭代中，由fi、Vit和 分别描述每一个虚拟蝙蝠的频率、速度和位置，在t+1次迭代中，虚拟蝙蝠的速度和位置更新方式如下：
fi＝fmin+(fmax-fmin)×β (9)
式中，β∈[0,1]是服从均匀分布的随机变量，Xbest为种群全局最优位置；
计算每个样本的适应度值：
式中：Xt、 分别是变压器油中溶解气体浓度实际值和变压器油中溶解气体浓度预测输出值；N为训练样本数；
S33、确定一个解后，随机产生一个0到1的随机数，若随机数大于脉冲发射频率ri，使用随机游走产生一个新解：
Xnew＝Xold+σεt×At (13)
式中，Xold为旧解，即为新解Xnew之前的一个解，σ是用来控制步长的缩放因子，εt服从高斯正态分布N[0,1]，At是当前时步内所有蝙蝠的平均响度，且A0＝1，Amin＝0；
S34、随机游走产生一个新解后，随机产生一个0到1的随机数，若随机数小于当前时步内所有蝙蝠i发出的声波响度 且新解的适应度值小于旧解的适应度值，即Fit(Xnew)
ρ和γ是[0.9,0.98]间常数，对于任意的0<ρ<1，γ>0有：
rit→ri0,t→∞。
9.根据权利要求8所述的一种变压器油中溶解气体浓度预测方法，其特征在于，隐含层神经元激活函数使用sigmoid函数，sigmoid函数计算公式为：
10.根据权利要求8所述的一种变压器油中溶解气体浓度预测方法，其特征在于，输出层神经元激活函数使用线性函数，线性函数计算公式为：
f(x)＝w*x+b (17)
其中，w表示隐含层神经元单元到输出层神经元单元的联接权值系数，b表示输出层神经元的阈值。
一种变压器油中溶解气体浓度预测方法
技术领域
背景技术
发明内容
具体实施方式
模式分量uk的测试数据集Ten的构建方式与训练数据集Trn的构建方式相同。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种自动调高激光焊接装置及其控制方法 | 2020-05-08 | 263 |
| 信息的传输方法及装置、存储介质和电子装置 | 2020-05-08 | 977 |
| 一种在车联网中基于联盟博弈算法的D2D资源分配方法 | 2020-05-08 | 967 |
| 一种用于消防车辆自组网多车组网救援的控制系统 | 2020-05-11 | 112 |
| 皮秒激光驱动的超快X射线动态成像方法 | 2020-05-08 | 474 |
| 优化网络利用 | 2020-05-08 | 469 |
| 多光机投影图像的校正方法、装置和多光机投影仪 | 2020-05-11 | 648 |
| 一种车险线上智能核保与影像处理方法 | 2020-05-08 | 227 |
| 一种信息技术工程用配线架 | 2020-05-08 | 851 |
| 一种组装式展示柜上下外侧控制开关 | 2020-05-08 | 535 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
