[发明专利]基于人工神经网络的变压器油中溶解气体在线监测数据矫正方法

说明书

本发明公开了一种基于人工神经网络的变压器油中溶解气体在线监测数据矫正方法，具体是一种利用变压器油中溶解气体带电检测数据矫正在线监测数据的方法。矫正过程分为两步，一是从变压器设备中提取带电检测数据以及相同时间范围内的在线监测数据，并将在线监测数据分为趋势序列和波动序列两个部分。二是利用人工神经网络和带电检测数据对在线监测数据的趋势序列进行矫正，矫正结果、人工神经网络的误差序列以及波动序列的共同组成了最终的矫正数据。本发明提出的方法使得矫正后的变压器在线监测数据拥有较高的测量精度，并保留了在线监测数据的波动特征，具有较强的创新性，为变压器设备运行状态的实时监测创造条件。

技术领域

本发明涉及统计分析领域，具体涉及一种基于人工神经网络的的变压器油中溶解气体在线监测数据矫正方法。

背景技术

变压器油中溶解气体的测量手段分为两种，一种是利用在线监测装置对变压器油中溶解气体进行远程测量；一种是利用带电检测技术对变压器进行取样检测。通过在线监测装置获得的在线监测数据具有实时性的优点，能够提供连续的(时间间隔较短且固定)的测量数据，但由于装置本身的问题，其测量精度较低。通过带电检测技术获得的带电检测数据具有测量精度较高的优势，但由于该技术需要人工实施，通常情况下无法提供连续的测量数据(时间间隔较长且不固定)。若能利用相同时间范围内的带电检测数据对在线监测数据进行矫正，即可得到具有较高的连续性、准确性的数据，进而实时的掌握变压器设备的运行状况。因此，如何利用变压器油中溶解气体的带电检测数据矫正在线监测数据是一个非常值得研究的问题。

目前，业界对变压器油中溶解气体在线监测数据的矫正技术鲜有研究，本领域可以借鉴技术经验十分匮乏，只能借助其他领域的相关方法对该问题进行一定的分析和处理，如降雨量的测量技术。某一地区的降雨量通常有两种测量方式，一种是通过卫星获取的卫星监测数据，一种是通过地面直接测量的地面数据。卫星数据的覆盖范围较广，能够对降雨量进行实时监测，但测量精度较低。地面数据覆盖范围则十分稀疏，无法对该地区的降雨量进行连续观测，但具有较高的预测精度。降雨量测量问题与变压器油中溶解气体问题的情景十分契合，相关方法能够为变压器油中溶解气体在线监测数据的矫正问题提供技术经验，具有较强的借鉴意义。

已有许多学者针对降雨量卫星监测数据提出了相应的矫正方法，如Huffman(1995),Adler(2003),Lin(2011)，Jin(2014)等。这些方法中，Jin(2014)等提出的方法是目前较为前沿且技术成熟度较高的方法，其处理步骤可以简单的概括为：(1)根据某地区降雨量卫星监测数据与地面测量数据建立贝叶斯分层模型，卫星监测数据与地面测量数据在模型中均服从特定的概率分布，与卫星数据相比，地面数据为具有大量缺失值的观测序列。(2)利用最大期望算法(EM算法)对模型中的参数进行估计，得到卫星监测数据与地面测量数据的分布特征。(3)利用所得的参数和分布的均值对地面数据的缺失值进行填补，得到与卫星数据覆盖范围相同且精度更高的测量数据。

Jin(2011)等提出的方法在降雨量测量问题方面具有十分出色的表现，该方法在Journal ofGeophysicalResearch期刊上发表，具有较高的国际影响力。然而，在变压器油中溶解气体的实际应用中，该方法存在一定的局限性，具体表现为两个方面：(1)Jin(2011)等提出的方法通过分布的均值对数据进行填补，无法表现出数据的波动特征，缺失了一定的信息。(2)Jin(2011)等提出的方法通过傅里叶变换的方式来刻画气体浓度随时间变化的趋势，而当变压器油中溶解气体的带电检测数据时间间隔过长时，傅里叶变换呈现出一定的规律性，矫正数据的趋势按特定的三角函数变化，矫正效果较差。

发明内容

鉴于上述，本发明提供了一种基于人工神经网络、利用变压器油中溶解气体带电检测数据矫正在线监测数据的方法，矫正后得到的变压器在线监测数据拥有较高的测量精度，并保留了在线监测数据的波动特征，为变压器设备运行状态的实时监测创造条件。

一种基于人工神经网络的变压器油中溶解气体在线监测数据矫正方法，包括如下步骤：