一种基于NBEATSx算法的变压器油中溶解气体预测方法

本发明涉及电力设备监测，具体涉及一种基于nbeatsx算法的变压器油中溶解气体预测方法。

背景技术：

1、电力变压器作为电力系统中不可或缺的核心设备，其安全可靠运行是保障电力系统安全可靠运行的前提。变压器在运行过程中，可能会因为各种原因发生过热、放电、短路等故障，导致油和绝缘材料分解产生各种气体，包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳等。对变压器油中溶解气体进行准确的预测可以提前预知变压器的运行状态，及时发现变压器的内部缺陷，以保障变压器安全可靠的运行。

2、目前，深度学习模型已经在变压器油中溶解气体预测中广泛应用，如循环神经网络模型、长短时间记忆模型、卷积神经网络模型等，利用深度学习强大的学习能力和特征提取能力，以期能够准确预测油中溶解气体含量的未来趋势。虽然这些模型都取得了一定的效果，但也存在一定的局限性，大多模型只考虑了单个油中溶解气体的历史数据，没有考虑变压器油中溶解气体之间的影响和其他因素的影响。且相比于传统模型，深度学习模型的复杂性使得可解释性的提取和分析变得更困难。

技术实现思路

1、针对现有技术存在的问题，本发明的目的在于提供一种基于nbeatsx算法的变压器油中溶解气体预测方法，该方法通过时间序列信号分解及考虑时间外生变量，并用自适应遗传算法对模型的超参数进行优化，实现未来时刻油中溶解气体含量的准确预测。

2、为达到此发明目的，本发明采用以下技术方案，一种基于nbeatsx算法的变压器油中溶解气体预测方法，包括如下步骤：

3、s1：收集变压器油中溶解气体和负荷在线监测数据，油中溶解气体主要包括h2、ch4、c2h6、c2h4、c2h2、co和co2这7种气体。

4、s2：确定预测目标气体，其他气体和负荷作为外生变量，对上述气体和负荷的时间序列样本数据进行归一化处理，并将归一化后的时间序列样本数据划分为训练集、验证集和测试集。

5、s3：构建基于nbeatsx算法的变压器油中溶解气体预测模型nbeatsx模型。

6、s4：训练nbeatsx模型，并采用自适应遗传算法优化nbeatsx模型的超参数。

7、s5：基于优化后的nbeatsx模型进行油中溶解气体含量预测，并评估nbeatsx模型的效果。

8、进一步的，s2中所述的归一化处理，其主要是为了消除不同数据之间的量纲影响，采用最大最小标准化，其转化规则为：

9、

10、式中，x为某一时序样本数据，x*为归一化后的时序样本数据，xmin为该时序样本数据中的最小值，xmax为该时序样本数据中的最大值。

11、进一步的，s2中所述的将归一化后的时间序列样本数据划分为训练集、验证集和测试集，占比为7:1:2。

12、进一步的，s3中所述的构建基于nbeatsx算法的变压器油中溶解气体预测模型nbeatsx模型，具体步骤如下：

13、s3.1：假设目标气体由向量y表示，nbeatsx模型的输入是长度为l的回推窗口向量yback和长度为h的预测窗口向量yfor，其中l作为经典自回归特征可用的滞后长度，h作为目标的预测长度，外生变量用矩阵x表示，nbeatsx模型由s个堆栈stack组成，每个stack由b个基础结构块block组成。

14、s3.2：对于给定的第s个stack和其内的第b个block，nbeatsx模型执行两种变换。block的输入包括历史序列和外生变量通过全连接层fcnn将二者转变为隐含状态hs,b，再通过两个线性层linearback和linearfor将转变为系数和和中保留了历史序列和外生变量中的信息，变换过程如下：

15、

16、获取系数和后，进行映射获取对过去值与未来值的预测和变换过程如下：

17、

18、式中，和分别是回溯和预测的基向量。

19、s3.3：利用双残差叠加原理将block堆叠，残差回溯是由减去与第s个stack中的第b个block的基向量相关的分量，而stack的预测集合了来自每个block的预测，公式如下：

20、

21、s3.4：将所有stack预测结果求和得到nbeatsx模型的最终预测结果公式如下：

22、

23、进一步的，s4中所述采用自适应遗传算法优化nbeatsx模型的超参数，超参数主要包括批次数、隐藏层节点数等，自适应遗传算法是在遗传算法的基础上改进了交叉变异环节。自适应遗传算法优化超参数的具体步骤如下：

24、s4.1：创建初始种群。给定每个超参数的搜索范围，初始种群中每个个体包含所有要优化的超参数，所有超参数的值用二进制编码表示，每个超参数的二进制编码构成一个染色体。

25、s4.2：计算适应度。计算当前种群每个个体的适应度，适应度计算公式由具体任务确定。

26、s4.3：选择、交叉和变异。选择是保留种群当中具有优势的个体；交叉是通过两个被选定的个体互换他们染色体的一部分创建代表后代的两个新染色体；变异是将每个新创建个体的一个或多个染色体随机进行变化，但概率较低。具体公式如下：

27、

28、

29、式中，f1为两个交叉个体中较大个体的适应度，fa为平均适应度，fmax为种群中最多的适应度，f为将要变异个体的适应度，qc为发生交叉的概率，qm为发生变异的概率，qc1＝0.9，qc2＝0.85，qm1＝0.1，qm2＝0.096。

30、s4.4：重复步骤s4.2-s4.3，直到达到设定的迭代次数或满足停止条件。

31、s4.5：选取种群中适应度最高的个体，进行反编码，得到优化后的超参数。

32、进一步的，s5中基于优化后的nbeatsx模型进行油中溶解气体含量预测，并评估nbeatsx模型的效果，评价指标主要有均方根误差(rmse)，平均绝对误差(mae)，决定系数(r2)。

33、本发明的有益效果：

34、本发明提供的一种基于nbeatsx算法的变压器油中溶解气体预测方法，利用全连接层对时间序列进行分解，通过不同的函数形式建模时间序列的周期项、趋势项等，并考虑气体之间的影响和其他因素的影响，能够提升模型的可解释性，有助于提升变压器油中溶解气体含量的预测精度和效果，也能为变压器的早期故障预警提供可靠的保障。

1.一种基于nbeatsx算法的变压器油中溶解气体预测方法，其特征在于：包括如下步骤：

2.如权利要求1所述的一种基于nbeatsx算法的变压器油中溶解气体预测方法，其特征在于：s2中所述的归一化处理，采用最大最小标准化，其转化规则为：

3.如权利要求1所述的一种基于nbeatsx算法的变压器油中溶解气体预测方法，其特征在于：s2中所述的将归一化后的时间序列样本数据划分为训练集、验证集和测试集，占比为7:1:2。

4.如权利要求1所述的一种基于nbeatsx算法的变压器油中溶解气体预测方法，其特征在于：s3中所述的构建基于nbeatsx算法的变压器油中溶解气体预测模型nbeatsx模型，具体步骤如下：

5.如权利要求1所述的一种基于nbeatsx算法的变压器油中溶解气体预测方法，其特征在于：s4中所述采用自适应遗传算法优化nbeatsx模型的超参数，自适应遗传算法是在遗传算法的基础上改进了交叉变异环节，自适应遗传算法优化超参数的具体步骤如下：

6.如权利要求1所述的一种基于nbeatsx算法的变压器油中溶解气体预测方法，其特征在于：s5中基于优化后的nbeatsx模型进行油中溶解气体含量预测，并评估nbeatsx模型的效果，评价指标包括均方根误差rmse，平均绝对误差mae，决定系数r2。