[发明专利]基于极端学习机的变压器油色谱数据预测方法

说明书

技术领域

本发明涉及一种变压器油色谱数据预测方法，对变压器油中的气体浓度进行预测，属于电力系统安全技术领域。

背景技术

实际运行中，变压器绝缘油和有机绝缘材料在电场及磁场的作用下，会逐渐老化和分解，产生少量低分子烃类及二氧化碳、一氧化碳等气体，并大量溶解在变压器油中。当存在潜伏性过热故障或放电性故障时，这些气体的产生速度和溶解再油中的数量也会增加，即故障气体的组成和含量与故障类型的严重程度有密切关系。为此，检测变压器中的绝缘油的色谱情况是见识变压器安全运行的重要手段之一。

电力变压器是电力系统的重要设备之一，其正常运行对电网的安全稳定运行起着非常重要关键的作用。变压器油中溶解气体的含量是监督变压器运行状态的重要手段，因此，建立科学、准确度高和可操作性强的预测模型是变压器在线监测和故障诊断的重要手段，具有重要的技术和经济价值。

目前，常用的预测方法有灰色预测模型及其改进模型，但是灰色及其改进的预测模型再数列有确定性趋势时预测效果较好，否则效果较差，无法保证在任何情况下都取得准确满意的结果。人工神经网络算法容易陷入局部最小问题，得不到全局最优解，收敛速度慢。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于极端学习机的变压器油色谱数据预测方法，利用极端学习机良好的非线性函数逼近能力，改善了变压器油色谱数据预测模型的精度和泛化能力。

本发明具体采用以下技术方案解决上述技术问题。

本发明的基于极端学习机的变压器油色谱数据预测方法，包括以下步骤：

步骤1、采集变压器油色谱数据中的多种气体浓度历史数据，得到训练样本集；

步骤2、以所述多种气体在某一时刻的浓度作为输入，以所述多种气体中的待预测气体在下一时刻的浓度作为输出，利用所述训练样本集对极端学习机进行训练；所述极端学习机的输入层节点数为所述多种气体的种类数，输出层节点数为1；训练完成后即得到待预测气体的预测模型； 

步骤3、利用所述预测模型对待预测气体的浓度进行预测。

优选地，所述多种气体包括：H₂、CO、C₂H₂、C₂H₄、C₂H₆、CH₄、CO₂ 。

本发明利用极端学习机良好的非线性函数逼近能力来对变压器油中的气体浓度进行预测，改善了变压器油色谱数据预测模型的精度和泛化能力。相比现有技术，本发明具有更高的预测精度。

附图说明

图1为本发明的变压器油色谱数据预测方法的流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的思路是将极端学习机引入变压器油色谱数据预测，利用极端学习机良好的非线性函数逼近能力来提高预测精度。

极端学习算法是Huang等人提出了，该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，而且在训练过程中无霜调整，放弃梯度下降法的迭代调整策略，只需要设置隐含层的个数，便可以获得唯一的全局最优解。极端学习机极大地提高了网络学习速度和泛化能力。

给定                                                个不同样本的集合，则具有个隐含层神经元的ELM网络输出为：

                                            （1）

式中：为输入节点与第个隐含层神经元之间的连接权值向量；为第个隐含层神经元的阈值；为第个隐含层神经元与输出节点之间的连接权值向量；为隐含层神经元激活函数。

式（1）可用一个含个方程的线性方程组表示：

                                                                                （2）

式中：为神经网络隐含层输出矩阵，具体形式如下

若隐含层神经元个数与训练集样本个数相等，则对于任意的和，单隐含层前馈神经网络都可以零误差逼近训练样本。然而，当训练集样本个数较大时，则隐含层神经元个数通常取比小的数。