一种变压器油中溶解气体含量预测方法、装置、设备及介质与流程

所属的技术人员能够理解，变压器油中溶解气体含量预测方法各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

背景技术：

1、作为电力系统输变电环节的关键枢纽性设备，变压器的运行状态直接关系到电网供电的安全性与可靠性。相关标准将变压器油中溶解气体分析推荐为变压器运行状态评估的主要方法。通过对溶解于变压器绝缘油中的特征气体进行预测与分析，进而引导运行维护人员提前消除安全隐患，避免重大事故的发生。

2、目前，油中溶解气体浓度预测方法可归纳为统计预测方法、组合预测方法和人工智能预测方法等。其中，统计预测方法包括时间序列模型和灰色模型，但该方法的拟合函数单一，精度受时间序列本身的分布规律影响较大；组合预测方法受权值选择的影响较大，且无法挖掘时序信息间的依赖关系；人工智能预测方法的典型代表有支持向量机回归svr模型和多层感知机mlp模型。然而上述方法割裂了输入时序信息间的依赖关系，因此被适应性和稳定性更好的循环神经网络rnn模型取代。其中长短期记忆lstm网络以及门控循环单元gru由于引入了门控单元，可以更有效地处理时间序列中的长期依赖问题。gru相比lstm在小规模任务上的性能并无降低；同时由于门控单元数量的减少，运算速度更快。双向rnn（bi-rnn）模型，分别从前向和后向同时处理时序数据。

3、采用神经网络模型对油中溶解气体含量进行预测是目前评估电力变压器运行状态的重要方法，数据质量是影响神经网络模型预测精度的关键因素，然而，由于变压器复杂的运行环境，使得采集到的气体数据中不可避免的存在多种类型的异常数据，进而造成数据质量下降，严重影响模型的预测精度。此外，神经网络模型的参数是否匹配也是影响其预测性能的重要因素，然而，传统依据人工经验选择参数存在主观性、低效性和不可扩展性等缺点，也在一定程度上影响了模型的预测性能。

技术实现思路

1、为解决上述问题，本发明技术方案提供一种变压器油中溶解气体含量预测方法、装置、设备及介质。

2、第一方面，本发明技术方案提供一种变压器油中溶解气体含量预测方法，包括如下步骤：

3、获取变压器油中溶解气体在线监测数据；

4、采用lgod算法，利用局部合力变化率并结合层次划分方法自动设置相应的阈值完成数据的异常识别；

5、对异常数据进行修正；

6、对修正后的数据归一化处理；

7、利用注意力机制计算修正后的数据间的相关性并为不同特征数据赋予不同的权重，得到有具体权重的数据样本；

8、利用ipoa算法对bigru网络模型中影响预测精度的关键参数进行优化得到最优参数组；

9、将带有具体权重的数据样本输入到bigru网络模型中，利用最优参数组下的bigru网络模型对数据进行预测，输出变压器油中溶解气体含量最终的预测结果。

10、作为本发明技术方案的优选，采用lgod算法，利用局部合力变化率并结合层次划分方法自动设置相应的阈值完成数据的异常识别的步骤包括：

11、计算数据对象之间的局部引力；

12、根据数据对象之间的局部引力计算数据对象i在其k邻域内的局部合力；

13、将数据对象i在其k邻域内的局部合力的大小依次进行累加，将顺序累加的结果定义为局部合力变化率；

14、利用层次划分方法自动设置相应的阈值；

15、计算相邻数据对象局部合力变化率差异值；

16、将所述差异值与阈值进行比较，差异值大于阈值的点作为异常数据点。

17、作为本发明技术方案的优选，计算相邻数据对象局部合力变化率差异值的步骤包括：

18、对各个数据对象的局部合力变化率进行降序排列，得到列表lrflist；

19、对列表中的相邻对象计算局部合力变化率差异值，得到列表lrfvarlist。

20、作为本发明技术方案的优选，利用层次划分方法自动设置相应的阈值的步骤中，阈值计算如下：

21、

22、其中ex(·)是期望值函数，sd(·)是标准差函数， α是调节参数。

23、作为本发明技术方案的优选，对异常数据进行修正的步骤包括：

24、计算每个异常数据对应的函数值、一阶导数值与二阶导数值；

25、利用异常数据点、其一阶导数和二阶导数以及相邻点的信息构造三次hermite插值多项式进行函数逼近来实现异常数据修正。

26、作为本发明技术方案的优选，利用注意力机制计算修正后的数据间的相关性并为不同特征数据赋予不同的权重，得到有具体权重的数据样本的步骤包括：

27、由式(10)、式(11)、式(12)实现注意力状态转换；

28、注意力打分机制为（10）

29、注意力分布计算得（11）

30、加权求和计算得（12）

31、式中： i为输入数据的特征类别； j为输入数据的组别；为 i种特征第 j组数据的隐藏层状态； p为数据长度；为 i种特征第 j组数据对目标预测量的受关注程度；为加权求和后的分数向量；为隐藏层经过一次全连接运算后的注意力打分机制； us、 w、 b分别为随机初始化的时间序列、注意力权值矩阵和偏置项矩阵。

32、作为本发明技术方案的优选，利用ipoa算法对bigru网络模型中影响预测精度的关键参数进行优化的步骤包括：

33、利用ipoa算法对bigru网络模型中影响预测精度的关键参数进行优化；

34、根据适应度值和距离值计算每次迭代得到的候选参数的得分；公式如下：

35、各候选解决方案的适应度值由 f向量表示；

36、（17）

37、式中， f为候选解的目标函数值；

38、第 i个候选解到最佳候选解的距离为；

39、（18）

40、式中 ，u[i]和u[best]分别表示第 i个解决方案与最佳解决方案中的设计变量值；

41、（21）

42、式中，为第i个解决方案的得分；为动态加权系数；和分别为归一化后的f和；

43、（22）

44、式中， h为当前迭代次数；为最大适应度评估次数；为的下限阈值；

45、根据分值选择bigru网络模型的最优参数组。

46、第二方面，本发明技术方案还提供一种变压器油中溶解气体含量预测装置，包括数据获取模块、异常数据识别模块、异常数据修正模块、归一化处理模块、权重计算处理模块、参数优化模块和预测处理模块；

47、数据获取模块，用于获取变压器油中溶解气体在线监测数据；

48、异常数据识别模块，用于采用lgod算法，利用局部合力变化率并结合层次划分方法自动设置相应的阈值完成数据的异常识别；

49、异常数据修正模块，用于对异常数据进行修正；

50、归一化处理模块，用于对修正后的数据归一化处理；

51、权重计算处理模块，用于利用注意力机制计算修正后的数据间的相关性并为不同特征数据赋予不同的权重，得到有具体权重的数据样本；

52、参数优化模块，用于利用ipoa算法对bigru网络模型中影响预测精度的关键参数进行优化得到最优参数组；

53、预测处理模块，用于将带有具体权重的数据样本输入到bigru网络模型中，利用最优参数组下的bigru网络模型对数据进行预测，输出变压器油中溶解气体含量最终的预测结果。

54、作为本发明技术方案的优选，异常数据识别模块包括局部引力计算单元、局部合力计算单元、局部合力变化率计算单元、阈值设置单元、变化率差异值计算单元和异常点识别单元；

55、局部引力计算单元，用于计算数据对象之间的局部引力；

56、局部合力计算单元，用于根据数据对象之间的局部引力计算数据对象i在其k邻域内的局部合力；

57、局部合力变化率计算单元，用于将数据对象i在其k邻域内的局部合力的大小依次进行累加，将顺序累加的结果定义为局部合力变化率；

58、阈值设置单元，用于利用层次划分方法自动设置相应的阈值；

59、变化率差异值计算单元，用于计算相邻数据对象局部合力变化率差异值；

60、异常点识别单元，用于将所述差异值与阈值进行比较，差异值大于阈值的点作为异常数据点。

61、作为本发明技术方案的优选，局部合力变化率计算单元，具体用于对各个数据对象的局部合力变化率进行降序排列，得到列表lrflist；对列表中的相邻对象计算局部合力变化率差异值，得到列表lrfvarlist。

62、作为本发明技术方案的优选，阈值设置单元的阈值计算公式如下：

63、

64、其中ex是期望值，sd是标准差， α是调节参数。

65、作为本发明技术方案的优选，异常数据修正模块包括第一计算单元和修正单元；

66、第一计算单元，用于计算每个异常数据对应的函数值、一阶导数值与二阶导数值；

67、修正单元，用于利用异常数据点、其一阶导数和二阶导数以及相邻点的信息构造三次hermite插值多项式进行函数逼近来实现异常数据修正。

68、作为本发明技术方案的优选，权重计算处理模块的具体计算公式如下：

69、由式(10)、式(11)、式(12)实现注意力状态转换；

70、注意力打分机制为（10）

71、注意力分布计算得（11）

72、加权求和计算得（12）

73、式中： i为输入数据的特征类别； j为输入数据的组别；为 i种特征第 j组数据的隐藏层状态； p为数据长度；为 i种特征第 j组数据对目标预测量的受关注程度；为加权求和后的分数向量；为隐藏层经过一次全连接运算后的注意力打分机制； us、 w、 b分别为随机初始化的时间序列、注意力权值矩阵和偏置项矩阵。

74、作为本发明技术方案的优选，参数优化模块包括参数优化单元、得分计算单元和最优参数组确定单元；

75、参数优化单元，用于利用ipoa算法对bigru网络模型中影响预测精度的关键参数进行优化；

76、得分计算单元，用于根据适应度值和距离值计算每次迭代得到的候选参数的得分；公式如下：

77、各候选解决方案的适应度值由 f向量表示；

78、（17）

79、式中， f为候选解的目标函数值；

80、第 i个候选解到最佳候选解的距离为；

81、（18）

82、式中 ，u[i]和u[best]分别表示第 i个解决方案与最佳解决方案中的设计变量值；

83、（21）

84、式中，为第i个解决方案的得分；为动态加权系数；和分别为归一化后的f和；

85、（22）

86、式中， h为当前迭代次数；为最大适应度评估次数；为的下限阈值；

87、最优参数组确定单元，用于根据分值选择bigru网络模型的最优参数组。

88、第三方面，本发明技术方案还提供一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的变压器油中溶解气体含量预测方法。

89、第四方面，本发明技术方案还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如第一方面所述的变压器油中溶解气体含量预测方法。

90、从以上技术方案可以看出，本发明具有以下优点：引入了一个局部引力模型（lgod），该模型可以利用局部合力变化率的差异性来区分数据集中的离群点、边界点和内部点，并且利用层次划分方法能够自动识别离群点。利用lgod综合考虑局部度量与全局度量的特性实现气体异常数据的准确识别，有效提升数据质量。同时，通过注意力机制计算各数据变量具体权重后作为预测模型的输入，突出与预测相关的主要特征，从而提高输出质量，提高预测精度。接着，通过对鹈鹕优化算法进行改进，提出了改进鹈鹕优化算法(ipoa)，并利用ipoa对影响bigru预测模型预测精度的关键参数进行优化，有效克服了传统依据经验选参而导致模型预测精度低与传统poa易陷入局部最优的问题，提高了模型的预测性能。

91、此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。