專利名稱：基于極端學習機的變壓器油色譜數(shù)據(jù)預測方法
技術領域：
本發(fā)明涉及一種變壓器油色譜數(shù)據(jù)預測方法，對變壓器油中的氣體濃度進行預測，屬于電力系統(tǒng)安全技術領域。
背景技術：
實際運行中，變壓器絕緣油和有機絕緣材料在電場及磁場的作用下，會逐漸老化和分解，產生少量低分子烴類及二氧化碳、一氧化碳等氣體，并大量溶解在變壓器油中。當存在潛伏性過熱故障或放電性故障時，這些氣體的產生速度和溶解再油中的數(shù)量也會增力口，即故障氣體的組成和含量與故障類型的嚴重程度有密切關系。為此，檢測變壓器中的絕 緣油的色譜情況是見識變壓器安全運行的重要手段之一。電力變壓器是電力系統(tǒng)的重要設備之一，其正常運行對電網的安全穩(wěn)定運行起著非常重要關鍵的作用。變壓器油中溶解氣體的含量是監(jiān)督變壓器運行狀態(tài)的重要手段，因此，建立科學、準確度高和可操作性強的預測模型是變壓器在線監(jiān)測和故障診斷的重要手段，具有重要的技術和經濟價值。目前，常用的預測方法有灰色預測模型及其改進模型，但是灰色及其改進的預測模型再數(shù)列有確定性趨勢時預測效果較好，否則效果較差，無法保證在任何情況下都取得準確滿意的結果。人工神經網絡算法容易陷入局部最小問題，得不到全局最優(yōu)解，收斂速度慢。

發(fā)明內容
本發(fā)明所要解決的技術問題在于克服現(xiàn)有技術的不足，提供一種基于極端學習機的變壓器油色譜數(shù)據(jù)預測方法，利用極端學習機良好的非線性函數(shù)逼近能力，改善了變壓器油色譜數(shù)據(jù)預測模型的精度和泛化能力。本發(fā)明具體采用以下技術方案解決上述技術問題。本發(fā)明的基于極端學習機的變壓器油色譜數(shù)據(jù)預測方法，包括以下步驟
步驟I、采集變壓器油色譜數(shù)據(jù)中的多種氣體濃度歷史數(shù)據(jù)，得到訓練樣本集；
步驟2、以所述多種氣體在某一時刻的濃度作為輸入，以所述多種氣體中的待預測氣體在下一時刻的濃度作為輸出，利用所述訓練樣本集對極端學習機進行訓練；所述極端學習機的輸入層節(jié)點數(shù)為所述多種氣體的種類數(shù)，輸出層節(jié)點數(shù)為I ;訓練完成后即得到待預測氣體的預測模型；
步驟3、利用所述預測模型對待預測氣體的濃度進行預測。優(yōu)選地，所述多種氣體包括H2、CO、C2H2,C2H4, C2H6, CH4, CO2。本發(fā)明利用極端學習機良好的非線性函數(shù)逼近能力來對變壓器油中的氣體濃度進行預測，改善了變壓器油色譜數(shù)據(jù)預測模型的精度和泛化能力。相比現(xiàn)有技術，本發(fā)明具有更高的預測精度。


圖I為本發(fā)明的變壓器油色譜數(shù)據(jù)預測方法的流程圖。
具體實施例方式下面結合附圖對本發(fā)明的技術方案進行詳細說明
本發(fā)明的思路是將極端學習機引入變壓器油色譜數(shù)據(jù)預測，利用極端學習機良好的非線性函數(shù)逼近能力來提高預測精度。極端學習算法是Huang等人提出了，該算法隨機產生輸入層與隱含層間的連接權值及隱含層神經元的閾值，而且在訓練過程中無霜調整，放棄梯度下降法的迭代調整策略，只需要設置隱含層的個數(shù)，便可以獲得唯一的全局最優(yōu)解。極端學習機極大地提高了網絡學習速度和泛化能力。給定β個不同樣本的集合， 則具有一個隱含層神經元的ELM網絡輸出為
式中 為輸入節(jié)點與第個隱含層神經元之間的連接權值向量為第J個隱含層神經元的閾值； 第個隱含層神經元與輸出節(jié)點之間的連接權值向量；SO)為隱含層神經元激活函數(shù)。式(I)可用一個含β個方程的線性方程組表示
式中'H為神經網絡隱含層輸出矩陣，具體形式如下 若隱含層神經元個數(shù)與訓練集樣本個數(shù)相等，則對于任意的W和 ，單隱含層前饋神經網絡都可以零誤差逼近訓練樣本。然而，當訓練集樣本個數(shù)β較大時，則隱含層神經元個數(shù)通常取比β小的數(shù)。當激活函數(shù)g(z)無限可微時，單隱含層前饋神經網絡參數(shù)不需要全部進行調整，W和 在訓練前可以隨機選擇，而且在訓練中保持不變。隱含層與輸出層連接權值t可以通過解方程組的最小二乘解獲得
權利要求
1.一種基于極端學習機的變壓器油色譜數(shù)據(jù)預測方法，其特征在于，包括以下步驟 步驟I、采集變壓器油色譜數(shù)據(jù)中的多種氣體濃度歷史數(shù)據(jù)，得到訓練樣本集； 步驟2、以所述多種氣體在某ー時刻的濃度作為輸入，以所述多種氣體中的待預測氣體在下ー時刻的濃度作為輸出，利用所述訓練樣本集對極端學習機進行訓練；所述極端學習機的輸入層節(jié)點數(shù)為所述多種氣體的種類數(shù)，輸出層節(jié)點數(shù)為I ;訓練完成后即得到待預測氣體的預測模型； 步驟3、利用所述預測模型對待預測氣體的濃度進行預測。
2.如權利要求I所述基于極端學習機的變壓器油色譜數(shù)據(jù)預測方法，其特征在于，所述多種氣體包括H2、CO、C2H2' C2H4' C2H6' CH4, CO2。
全文摘要
本發(fā)明公開了一種基于極端學習機的變壓器油色譜數(shù)據(jù)預測方法。本發(fā)明方法包括以下步驟步驟1、采集變壓器油色譜數(shù)據(jù)中的多種氣體濃度歷史數(shù)據(jù)，得到訓練樣本集；步驟2、以所述多種氣體在某一時刻的濃度作為輸入，以所述多種氣體中的待預測氣體在下一時刻的濃度作為輸出，利用所述訓練樣本集對極端學習機進行訓練；所述極端學習機的輸入層節(jié)點數(shù)為所述多種氣體的種類數(shù)，輸出層節(jié)點數(shù)為1；訓練完成后即得到待預測氣體的預測模型；步驟3、利用所述預測模型對待預測氣體的濃度進行預測。本發(fā)明利用極端學習機良好的非線性函數(shù)逼近能力來對變壓器油中的氣體濃度進行預測，改善了變壓器油色譜數(shù)據(jù)預測模型的精度和泛化能力。
文檔編號G06F15/18GK102735760SQ20121021126
公開日2012年10月17日 申請日期2012年6月26日 優(yōu)先權日2012年6月26日
發(fā)明者衛(wèi)志農, 孫國強, 孫永輝, 沈洋, 王華學, 蔣海軍, 黃帥棟 申請人:安徽電力蕪湖縣供電有限責任公司, 江蘇威信電氣科技有限公司, 河海大學