[发明专利]一种SF6分解气体浓度时间序列的预测方法及系统

说明书

技术领域

本发明实施例涉及电力设备故障诊断方法技术领域，特别是涉及一种SF₆分解气体浓度时间序列的预测方法及系统。

背景技术

气体绝缘组合电器GIS(Gas Insulated Substation))是指全部或者部分采用气体而不采用处于大气压下的空气作为绝缘介质的金属封闭开关设备，它是电力系统中最重要的设备之一，其运行状态直接关系到电网的安全稳定运行。

气体绝缘组合电器GIS内部分解气体的体积分数及相应的变化规律与气体绝缘组合电器GIS的故障模式关系十分密切，分解气体的体积分数随时间的变化关系实际上为多维时间序列(简称时间序列)，该时间序列以相同时间间隔或不同时间间隔排列，包含了气体绝缘组合电器GIS所处的外界环境、运行状况与气体含量的内在关系，因此，可以通过SF₆分解气体浓度时间序列来判断气体绝缘组合电器GIS的运行状况，并且可以通过对时间序列进行预测来对气体绝缘组合电器GIS的运行状况进行预判断，降低故障发生率，以确保电网的安全稳定运行。

目前，现有技术中并没有实现对SF₆分解气体浓度时间序列进行预测的方法，故，如何提供一种能够精确预测SF₆分解气体浓度时间序列的方法及系统成为本领域的技术人员目前需要解决的问题。

发明内容

本发明实施例的目的是提供一种SF₆分解气体浓度时间序列的预测方法及系统，不仅实现了对SF₆分解气体浓度时间序列的预测，而且在一定程度上提高了预测精确度。

为解决上述技术问题，本发明实施例提供了一种SF₆分解气体浓度时间序列的预测方法，包括：

预先采用粒子群算法分别对小波神经网络模型、灰色神经网络模型和支持向量机模型进行优化，得到小波神经网络优化模型、灰色神经网络优化模型和支持向量机优化模型；

分别通过所述小波神经网络优化模型、所述灰色神经网络优化模型和所述支持向量机优化模型对SF₆分解气体的历史时间序列进行分析得到相应的第一预测时间序列、第二预测时间序列和第三预测时间序列；

按照预设规则将所述第一预测时间序列、所述第二预测时间序列和所述第三预测时间序列进行组合，得到第一SF₆分解气体浓度预测时间序列。

可选的，所述按照预设规则将所述第一预测时间序列、所述第二预测时间序列和所述第三预测时间序列进行组合，得到第一SF₆分解气体浓度预测时间序列包括：

对所述第一预测时间序列、所述第二预测时间序列和所述第三预测时间序列进行分析，得到与其一一对应的权重系数；

依据所述第一预测时间序列、所述第二预测时间序列和所述第三预测时间及各个所述权重系数得到第一SF₆分解气体浓度预测时间序列。

可选的，所述对所述第一预测时间序列、所述第二预测时间序列和所述第三预测时间序列进行分析，得到与其一一对应的权重系数包括：

将所述第一预测时间序列、所述第二预测时间序列和所述第三预测时间序列分别与所述历史时间序列做差后依据预测误差矩阵计算关系式，得到预测误差矩阵；所述预测误差矩阵计算关系式为E＝[(e_it)_3×n][(e_it)_3×n]^T，其中，e_it＝y(t)-y_i(t)为第t时刻的预测误差；y_i(t)为第i预测时间序列，i＝1,2,3；y(t)为所述历史时间序列；n为所述历史时间序列中的元素个数；

采用所述预测误差矩阵及最优权系数关系式得到与所述第一预测时间序列、所述第二预测时间序列和所述第三预测时间序列分别对应的权重系数；

其中，所述最优权系数关系式为

可选的，所述预先采用粒子群算法分别对小波神经网络模型、灰色神经网络模型和支持向量机模型进行优化包括：

预先采用粒子群算法对小波神经网络模型中的网络权值和神经元阈值进行优化；

采用所述粒子群算法对灰色神经网络模型中的目标函数对应的各个系数进行优化；

采用所述粒子群算法对支持向量机模型中的权重系数及核函数参数进行优化。

可选的，如上述所述的SF₆分解气体浓度时间序列的预测方法，还包括：