一种充油电气设备油中气体含量预测方法与流程

1.本发明涉及电力系统领域，特别涉及一种充油电气设备油中气体含量预测方法。


背景技术：

2.油中溶解气体分析方法(dga，dissolved gas analysis)是判断充油电气设备内部故障的重要方法。但仅依靠充油电气设备油中溶解气体的历史监测数据，只能对已发生的充油电气设备故障进行事后判别分析，无法为充油电气设备的预防性维修提供帮助。因此需要一种准确度高、速度较快的充油电气设备油中气体含量的预测方法，根据充油电气设备油中主要的特征气体成分(如充油变压器中的氢气、甲烷、乙烷、乙烯、乙炔)的历史时序监测数据，对油中各特征气体含量变化趋势做出预测分析，从而为推断充油电气设备内在缺陷及排查潜在故障提供可靠依据。
3.现有的基于数学模型的预测方法需要序列数据满足特定的分布特征，在处理具有非线性且非平稳性的充油电气设备油中气体含量序列数据效果不佳，因此逐渐被神经网络如反向传播神经网络(bpnn，back propagation neural network)这样的可进行更加复杂数学建模的方法所取代，但这类方法往往无法学习到序列数据的时序特征。
4.随着人工智能技术的发展，以卷积神经网络(cnn，convolutional neural network)和长短时记忆网络(lstm，long short
‑
term memory)等为代表的深度学习方法能实现时间序列特征的有效提取。lstm网络可有效提取时间序列特征，但其在对长期历史数据进行训练时仍然会面临计算量偏大、训练时间偏长的问题，且随着预测时间的增长，其循环网络结构会导致误差的累积和预测精度的下降。
5.此外，当前存在的预测方法多数基于油中气体各气体成分含量的历史数据，各种气体成分以独立的成分形式存在于模型中。其预测结果没有考虑各个特征气体之间的关联性和影响，造成预测结果受到一定限制，准确度不高。


技术实现要素：

6.本发明提供了一种充油电气设备油中气体含量预测方法，其目的是为了解决对于充油电气设备油中气体含量的预测准确度不高的问题。
7.为了达到上述目的，本发明的实施例提供了一种充油电气设备油中气体含量预测方法，该预测方法包括：
8.步骤1，获取预设历史时间段内充油电气设备油中各气体含量的原始数据；
9.步骤2，根据获取到的原始数据，得到训练集数据和测试集数据，并构建气体含量预测模型；
10.其中，所述气体含量预测模型包括依次连接的时间特征提取模块、多层感知机及线性输出层；所述时间特征提取模块用于提取所述充油电气设备油中各气体的时间序列特征，所述多层感知机用于提取所述充油电气设备油中各气体关联特征；
11.步骤3，初始化网络参数，将所述训练集数据输入所述气体含量预测模型进行网络
训练，自动调整参数至网络收敛；
12.步骤4，将所述测试集数据送入收敛后气体含量预测模型，获得所述测试集的预测结果；
13.步骤5，判断步骤4中的气体含量预测模型的预测效果是否满足预设预测要求；若满足，则将步骤4中的气体含量预测模型作为充油电气设备油中气体含量预测的模型，结束流程；否则，执行步骤6；
14.步骤6，调整所述步骤4中气体含量预测模型的超参数，并重复步骤4至步骤5，直至步骤4中的气体含量预测模型的预测效果满足预设预测要求；
15.步骤7，当需预测未来时刻所述充油电气设备油中各气体含量时，通过所述气体含量预测模型对未来时刻所述充油电气设备油中各气体含量进行预测。
16.其中，所述步骤2包括：
17.步骤2.1，对获取到的原始数据进行归一化处理，得到归一化处理后的数据；
18.步骤2.2，根据归一化处理后的数据，构建气体含量预测模型；
19.步骤2.3，根据归一化处理后的数据，得到训练集数据和测试集数据。
20.其中，所述步骤2.2包括：
21.步骤2.2.1，分别针对所述充油电气设备油中的每种气体，构建用于提取该气体的时间序列特征的时间卷积网络；
22.步骤2.2.2，对归一化处理后的数据进行相关性分析，构建用于提取所述充油电气设备油中各气体关联特征的多层感知机；
23.步骤2.2.3，构建将所述多层感知机的输出值转换成气体含量预测值的线性输出层。
24.其中，所述步骤2.3包括：
25.步骤2.3.1，对归一化处理后的数据进行分组，得到多个样本组；
26.步骤2.3.2，按照预设样本划分比例，将多个样本组中的部分样本组作为训练集数据，并将多个样本组中除训练集数据以外的样本组作为测试集数据。
27.其中，所述步骤3包括：
28.步骤3.1，分别针对训练集数据所包含的每个样本组，将该样本组的输入数据输入所述气体含量预测模型，得到充油电气设备油中各气体含量的初步预测结果，并通过公式计算该样本组的预测值均方差；
29.其中，表示将训练集数据的样本组中的输入数据x投入气体含量预测模型训练后得到的n种气体含量初步预测结果y表示充油电气设备油中n种气体的训练集数据中样本组的油中实际气体含量值y＝(y1,y2,
…
,y
n
)
t
，i作为下标，表示从1到n，mseloss表示预测值均方差；
30.步骤3.2，取训练集数据中所有样本组的预测值均方差的平均值，并将所述平均值作为本轮训练的损失值；
31.步骤3.3，判断该损失值是否满足预设要求，若该损失值满足预设要求，结束训练；否则，执行步骤3.4；
32.步骤3.4，利用模型优化器根据步骤3.2中的损失值对步骤3.1中的气体含量预测模型的内部参数进行优化，并重复步骤3.1至3.3，直至步骤3.2中的损失值满足预设要求。
33.其中，所述步骤4具体为：
34.通过公式和公式确定所述气体含量预测模型的预测效果；
35.其中，y表示充油电气设备油中任一气体的测试集数据中p个样本组的实际油中气体含量数据组成的序列，y＝{y1,y2,
…
,y
p
}，表示连续p个预测结果数据组成的集合，是将测试集数据中p个样本组的输入数据依次送入气体含量预测模型后得到的，mae和rmse均为用于评价预测效果的评价指标，t作为下标，表示从1到p。
36.其中，所述步骤5具体为：
37.判断mae的值是否小于第一预设值，以及rmse的值是否小于第二预设值；若mae的值小于第一预设值，且rmse的值小于第二预设值，则确定步骤4中的气体含量预测模型的预测效果满足预设预测要求；否则，确定步骤4中的气体含量预测模型的预测效果不满足预设预测要求。
38.其中，所述步骤7包括：
39.步骤7.1，当需预测未来时刻所述充油电气设备油中各气体含量时，根据预设的数据选取规则，选取该未来时刻对应的历史事件段内充油电气设备油中各气体含量的数据；
40.步骤7.2，将获取到的数据送入所述气体含量预测模型进行预测，得到未来时刻所述充油电气设备油中各气体含量。
41.本发明的上述方案有如下的有益效果：
42.本发明的实施例中，通过根据历史时间段内充油电气设备油中各气体含量的原始数据，获得训练集数据和测试集数据，构建气体含量预测模型；然后将训练集数据送入气体含量预测模型进行迭代训练，直至气体含量预测模型的预测效果满足预设预测要求；当需预测未来时刻充油电气设备油中各气体含量时，通过气体含量预测模型进行预测即可。由于本发明的气体含量预测模型是基于时间卷积深度学习网络和多层感知机构建的，因此该预测方法能通过时间卷积深度学习网络实现对气体含量非线性数据模型的建模和各气体含量各历史时刻时间序列特征提取，并能避免陷入梯度消失和梯度爆炸。通过多层感知机实现气体之间的关联特征进行提取，综合利用了气体自身的时间特征和相关气体的关联特征进行预测，提高了预测充油电气设备油中气体含量的准确度。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
44.图1是本发明实施例中基于tcn和mlp充油电气设备油中气体含量预测模型构建的流程图；
45.图2是本发明实施例中充油电气设备油中气体含量预测方法的具体流程图；
46.图3是本发明实施例中气体含量tcn
‑
mlp预测模型的结构示意图；
47.图4是本发明实施例中时间卷积网络结构的示意图；
48.图5是本发明实施例中膨胀因果卷积网络结构的示意图；
49.图6是本发明实施例中多层感知机的结构示意图；
50.图7是本发明实施例中训练过程中模型预测损失曲线。
具体实施方式
51.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
53.如图1所示，本发明的实施例提供了一种充油电气设备油中气体含量预测方法，该预测方法包括：
54.步骤101，获取充油电气设备油中各气体含量的历史数据，以此获得训练集数据；
55.步骤102，构建气体含量预测模型，该模型首先构建时间卷积网络tcn实现油中各气体含量的时序特征提取；
56.步骤103，对各气体间进行相关性分析，构建多层感知机mlp提取气体间关联特征；
57.步骤104，综合利用各气体含量的时间序列特征和气体间关联特征，通过线性输出层得到气体含量的预测结果。
58.值得一提的是，由于本发明的预测方法不仅利用了气体自身的时间特征而且利用了相关气体的关联特征进行预测，提高了预测充油电气设备油中气体含量的准确度。
59.接下来，对本发明实施例提供的充油电气设备油中气体含量预测方法进行详细说明。
60.具体的，如图2所示，本发明实施例提供的充油电气设备油中气体含量预测方法包括如下步骤：
61.步骤1，获取预设历史时间段内充油电气设备油中各气体含量的原始数据。
62.其中，在本发明的实施例中，上述预设历史时间段可以是预先设定的某个历史时间段，也可以是根据当前时刻选择的某个对应历史时间段。需要说明的是，在本发明的实施例中，并不限定该预设历史时间段的具体形式。举例说明，对于充油电气设备
‑
某充油电力变压器，步骤1中获取到的原始数据可以为2018年11月21日7时，氢气含量：6.4μl/l，甲烷含量：4.4μl/l，乙烷含量：2.2μl/l，乙烯含量：0.4μl/l，乙炔含量：0.0μl/l。
63.步骤2，根据获取到的原始数据，得到训练集数据和测试集数据，并构建气体含量预测模型。
64.其中，如图3所示，上述气体含量预测模型包括依次连接的时间序列特征提取模块、多层感知机(mlp，multilayer perceptron)及线性输出层。时间特征提取模块用于提取充油电气设备油中各气体的时间序列特征，多层感知机用于提取充油电气设备油中各气体关联特征，线性输出层用于将多层感知机的输出值转换成气体含量预测值。
65.具体的，在本发明的实施例中，上述步骤2的具体实现方式可以包括如下步骤：
66.步骤2.1，对获取到的原始数据进行归一化处理，得到归一化处理后的数据。
67.在本发明的实施例中，鉴于不同气体含量的原始数据存在跨度不同的情况，为了提升模型的收敛速度，提高模型预测精度，对不同种类的油中气体分别进行归一化操作。具体的，本发明实施例采用minmaxscaler归一化方法。将n种气体长度为m的历史含量监测序列集合(即原始数据)记为经过归一化后，得到新的时间序列数据公式如下：其中，min表示气体含量序列中的最小值，max表示气体含量序列中的最大值。表示归一化处理后的气体n含量时序数据集合。
68.步骤2.2，根据归一化处理后的数据，构建气体含量预测模型。
69.其中，在本发明的实施例中，上述步骤2.2的具体实现方式可以包括如下步骤：
70.步骤2.2.1，分别针对充油电气设备油中的每种气体，构建用于提取该气体的时间序列特征的时间卷积网络(tcn)。其中，时间卷积网络与各气体序列的对应关系如图3所示。
71.如图4所示，时间卷积网络由膨胀因果卷积网络和线性整流单元(relu，rectified linear unit)层组成。其中，膨胀因果卷积网络结构如图5所示，隐藏层h1为因果卷积，膨胀卷积在图5中体现为隐藏层h2和输出层o。因果膨胀卷积网络的原理是调节网络的膨胀系数d1、d2、d3，使得每层参与同一卷积运算的隐藏层元素间隔分布，如图5中每层元素中的阴影方块所示，从而在不改变卷积核尺寸k的情况下可以从前一层覆盖超过卷积核自身范围的局部感受野。膨胀卷积层的局部感受野大小等于(k
‑
1)d 1。
72.然而，膨胀卷积的卷积核过于分散会导致提取的时序信息不连续，因此时间卷积网络隐藏层h1需要采用膨胀系数为1的因果卷积层，且令第l层卷积运算的膨胀系数d
l
满足如下条件，从而保证时间序列中每个输入信息都可被学习到：d
l
＝k
l
‑1,l＝1,2,
…
,l，上式中l表示时间卷积网络的卷积层总数。将隐藏层特征维度记为[c1,c2,
…
,c
l
]，每次卷积后时序长度记为[t1,t2,
…
,t
l
]。由此可得出时间卷积网络的运算公式：
[0073][0074]
上式中第一行公式表示因果卷积运算，其中表示因果卷积运算卷积核中第k行元素组成的向量；为因果卷积运算中的偏置项；为因果卷积第i步运算结果，i＝1,2,
…
,t
l
。通过因果卷积运算，得到第一个卷积层的隐藏层特征其中t1＝t
‑
k 1。式中第二行公式表示膨胀卷积运算，其中
分别表示第l层膨胀卷积运算的卷积核和偏置项；分别表示第l层膨胀卷积运算的卷积核和偏置项；分别表示第l层膨胀卷积第i步运算输入项和输出项。通过膨胀卷积运算，得到第l个卷积层的隐藏层特征为增强时间卷积网络的非线性表达能力，每隔两个卷积层引入一个relu层，将其视为卷积公式中的激活函数f
l
(.)，则可表示为如下公式：
[0075][0076]
其中，
[0077][0078]
在本发明的油中气体含量预测模型中，每种气体初始都有与之对应的时间卷积网络。假设共有n种气体，则时间特征提取模块的输出特征矩阵可表示为其中分别表示每种气体经过时间卷积网络后输出的特征向量。
[0079]
步骤2.2.2，对归一化处理后的数据进行相关性分析，构建用于提取充油电气设备油中各气体关联特征的多层感知机，如图6。
[0080]
具体的，在本发明的实施例中，通过对归一化处理后的数据进行相关性分析，可以确定多层感知机的隐藏层特征，从而便于构建多层感知机。
[0081]
值得一提的是，多层感知机采用全连接的网络结构，可在训练过程中不断调整网络权重和偏置项，学习不同气体序列数据之间的关联性特征，因此，本发明的预测方法能将可能存在相关性的气体特征向量输入到多层感知机中，对预测结果做出修正，提高预测模型的可靠性。
[0082]
假设在对n个气体序列进行相关性分析后，认为气体1～n之间存在关联性，则将气体1～n的特征向量组成矩阵其他无关联关系的气体特征向量组成矩阵将存在关联性的气体特征矩阵o
a
输入多层感知机中，关联特征提取感知机的基本原理可表示为：
[0083][0084]
式中，m为感知机隐藏层数，a
m
∈r
n
×
n
和b
m
∈r
n
×1分别为第m层感知机的权重矩阵和偏置矩阵，为第m层感知机的输出结果，f
mlp
(.)为感知机激活函数，关联特征提取感知机输出特征矩阵为p
m
。
[0085]
最后将关联特征提取感知机输出特征矩阵p
m
与其他无关联关系气体特征向量重新组成气体特征矩阵经过线性层进行特征维度变换，输出油中气体t 1时刻含量的预测值，记为从而实现模型的单步预测，具体公式如下：
[0086][0087]
式中和b∈r
n
×1分别为线性层的权重矩阵和偏置矩阵。
[0088]
通过时间卷积网络和关联特征提取感知机对气体含量序列数据进行处理，可将待预测气体含量时间序列数据的时间特征信息和与其他相关气体的关联性特征信息融合到预测结果中，改善气体含量预测模型的预测效果。
[0089]
需要说明的是，本发明基于气体关联性分析后得出的气体间是否存在相关性，对存在相关关系的气体隐层特征通过神经元进行连接，对不存在相关关系的气体则不将其气体特征连接到同一个神经元中，从而构建用于提取待预测气体关联特征信息的多层感知机。该方法考虑到了不同特征气体之间关联关系，避免将与预测结果无明显关联关系的特征参量参与关联性提取计算，提高了关联性特征提取的效率。该构造方法在关联特征提取阶段提升了充油电气设备油中气体含量预测结果的可靠性。
[0090]
需要进一步说明的是，本发明实施例采用基于时间卷积网络和关联特征提取感知机的预测方法对油中气体未来时刻气体含量进行预测，实现对油中溶解气体变化趋势精准预测的目的。具体的，该预测方法首先选用时间卷积网络处理各气体的历史含量时间序列，利用膨胀因果卷积算法，利用较短的卷积核和较少的网络层数使隐藏层特征获得较大感受野，达到提取输入序列时间特征的目的，并且每隔两个卷积层插入relu函数，增强时间卷积网络的非线性表达能力；其次，再将已提取时间特征的隐藏层特征输入关联特征提取感知机中提取目标气体与关联气体之间的关联性特征，利用关联性特征对仅依赖目标气体自身历史时间特征得到的预测信息进行修正，提高了预测结果的可靠性和准确性。
[0091]
步骤2.2.3，构建将多层感知机的输出值转换成气体含量预测值的线性输出层。具体的，在本发明的实施例中，可通过目前常用的线性输出层构建方式构建上述线性输出层。
[0092]
步骤2.3，根据归一化处理后的数据，得到训练集数据和测试集数据。
[0093]
其中，在本发明的实施例中，上述步骤2.3的具体实现方式可以包括如下步骤：
[0094]
步骤2.3.1，对归一化处理后的数据进行分组，得到多个样本组。
[0095]
步骤2.3.2，按照预设样本划分比例，将多个样本组中的部分样本组作为训练集数据，并将多个样本组中除训练集数据以外的样本组作为测试集数据。
[0096]
以某充油电气设备连续m个时间点的n种气体含量数据为例，每次采用连续t个时间点的气体含量数据集x
t
＝{y
t
,y
t 1
,...,y
t t
‑1}预测第(t 1)个监测时间点的气体浓度y
t t
。可从原始数据中得到(m
‑
t)个样本组，记为将最后p个样本组数据作为测试集数据，之前所有样本数据作为训练集数据。
[0097]
步骤3，初始化网络参数，将训练集数据输入气体含量预测模型进行网络训练，自动调整参数至网络收敛。其中，主要包括权值等参数的调整。
[0098]
其中，在本发明的实施例中，上述步骤3的具体实现方式可以包括如下步骤：
[0099]
步骤3.1，分别针对训练集数据所包含的每个样本组，将该样本组的输入数据输入气体含量预测模型，得到充油电气设备油中各气体含量的初步预测结果，并通过公式计算该样本组的预测值均方差。
[0100]
其中，表示将训练集数据的样本组中的输入数据x投入气体含量预测模型训练后得到的n种气体含量初步预测结果，y表示充油电气设备油中n种气体的训练集数据中样本组的油中实际气体含量值，y＝(y1,y2,
…
,y
n
)
t
，i作为下标，表示从1到n，mseloss表示预测值均方差。
[0101]
步骤3.2，取训练集数据中所有样本组的预测值均方差的平均值，并将平均值作为本轮训练的损失值。
[0102]
步骤3.3，判断该损失值是否满足预设要求，若该损失值满足预设要求，结束训练；否则，执行步骤3.4。
[0103]
步骤3.4，利用模型优化器根据步骤3.2中的损失值对步骤3.1中的气体含量预测模型的内部参数进行优化，并重复步骤3.1至3.3，直至步骤3.2中的损失值满足预设要求。
[0104]
其中，adam算法是一种可以替代传统随机梯度下降(sgd，stochastic gradient descent)算法的一阶优化算法，该算法具有实现方便、计算高效、所需内存小、适合解决大规模数据和参数的优化问题，适用于非稳态目标的优点。鉴于上述特点，在本发明的实施例中，采用adam算法对气体含量预测模型的内部参数进行优化，使其以最小化均方差损失函数为训练目标，迭代更新网络模型中的各参数，得到训练后的预测模型。
[0105]
在此以一具体实例对上述优化效果进行说明。在经过e次迭代训练后，得出完成训练的气体含量预测模型。训练过程中训练集数据和测试集数据损失值均随训练次数的提升而迅速下降，如图7所示。
[0106]
步骤4，将测试集数据送入收敛后气体含量预测模型，获得测试集的预测结果。
[0107]
其中，在本发明的实施例中，上述步骤4的具体实现方式可以包括如下步骤：
[0108]
通过公式和公式确定所述气体含量预测模型的预测效果。
[0109]
其中，y表示充油电气设备油中任一气体的测试集数据中p个样本组的实际油中气体含量数据组成的序列，y＝{y1,y2,
…
,y
p
}，表示连续p个预测结果数据组成的集合，是将测试集数据中p个样本组的输入数据依次送入气体含量预测模型后得到的，平均绝对误差(mae，mean absolute error)和均方根误差(rmse，root mean squared error)均为用于评价预测效果的评价指标，t作为下标，表示从1到p。需要说明的是，mae和rmse的值越小，表明预测效果越精确。
[0110]
步骤5，判断步骤4中的气体含量预测模型的预测效果是否满足预设预测要求；若满足，则将步骤4中的气体含量预测模型作为对充油电气设备油中气体含量进行预测的气体含量预测模型，结束流程；否则，执行步骤6。
[0111]
具体的，在本发明的实施例中，上述步骤5具体为：判断mae的值是否小于第一预设值，以及rmse的值是否小于第二预设值；若mae的值小于第一预设值，且rmse的值小于第二预设值，则确定步骤4中的气体含量预测模型的预测效果满足预设预测要求；否则，确定步骤4中的气体含量预测模型的预测效果不满足预设预测要求。
[0112]
需要说明的是，上述第一预设值和第二预设值均可根据实际要求进行设定。
[0113]
步骤6，调整步骤4中气体含量预测模型的超参数，并重复步骤4至步骤5，直至步骤
4中的气体含量预测模型的预测效果满足预设预测要求。其中，上述超参数主要包括网络层数、学习率等。
[0114]
步骤7，当需预测未来时刻充油电气设备油中各气体含量时，通过气体含量预测模型对未来时刻充油电气设备油中各气体含量进行预测。
[0115]
其中，在本发明的实施例中，上述步骤7的具体实现方式可以包括如下步骤：
[0116]
步骤7.1，当需预测未来时刻所述充油电气设备油中各气体含量时，根据预设的数据选取规则，选取该未来时刻对应的历史事件段内充油电气设备油中各气体含量的数据。
[0117]
需要说明的是，上述数据选取规则可根据实际需要进行设定，例如设置为：选取未来时刻前16个小时的数据。
[0118]
步骤7.2，将获取到的数据送入所述气体含量预测模型进行预测，得到未来时刻所述充油电气设备油中各气体含量。
[0119]
在此以一具体实例对步骤7作进一步说明。假设需要对2019年2月20日16时充油电力变压器的5种气体含量进行预测，那么首先，选取上述5种气体(氢气、甲烷、乙烷、乙烯、乙炔)归一化处理后的连续16个时刻的气体含量数据组成5个序列，选取2019年2月20日这一天0时至15时的每小时数据，构成如下5个序列：
[0120]
氢气序列：[0.6897,0.7069,0.7069,0.6897,0.6897,0.6379,0.6034,0.6034,0.5862,0.6034,0.6034,0.6034,0.5862,0.5690,0.5690,0.5517]；
[0121]
甲烷序列：[0.2025,0.2911,0.3291,0.3797,0.3924,0.3418,0.3418,0.2785,0.3671,0.4051,0.3544,0.3797,0.2911,0.3165,0.3671,0.3291]；
[0122]
乙烷序列：[0.7826,0.6739,0.5652,0.5217,0.4348,0.4783,0.5435,0.6522,0.6087,0.6304,0.6522,0.5870,0.7609,0.7391,0.7174,0.7174]；
[0123]
乙烯序列：[0.6111,0.5000,0.5556,0.5000,0.6111,0.5556,0.3889,0.4444,0.4444,0.5000,0.7222,0.6667,0.5556,0.5556,0.3889,0.3333]；
[0124]
乙炔序列：[0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030,0.0030]。
[0125]
然后将上述五个序列输入气体含量预测模型，经过模型内部的时间特征和关联特征提取模块，最终经过线性层输出得到2019年2月20日16时的5种气体含量预测值，如下所示：氢气含量预测值0.5399，甲烷含量预测值0.3688，乙烷含量预测值0.5966，乙烯含量预测值0.3943，乙炔含量预测值0.0028。
[0126]
为便于理解本发明的预测方法，在此以某变电站变压器的特征气体预测为例对上述预测方法作进一步说明。在该实例中，选取该变压器自2018年11月21日7时至2019年2月21日11时连续550个时间点的氢气、甲烷、乙烷、乙烯、乙炔五种特征气体含量监测数据进行实验。经过归一化后得到气体含量数据对五种气体含量序列数据进行相关性分析，确定气体关联特征提取感知机的输入量，设计提取关联特征信息的多层感知机结构。
[0127]
由于乙炔含量一般在出现放电故障时才会升高，在此选取的是正常运行下的变压器油中气体数据，油中乙炔含量极低，无明显变化，如果引入其他关联特征，会对该气体含量预测造成扰动，因此乙炔隐藏层特征h
c2h2
不作为关联特征提取感知机的输入。其余四种
特征气体之间均认为存在关联关系，所以在气体关联特征提取阶段将这四种气体隐藏层特征h
h2
、h
ch4
、h
c2h6
、h
c2h4
输入气体关联特征提取模块。依据上述分析，设计提取关联特征信息的多层感知机结构如图6所示。
[0128]
令输入时间卷积网络的序列长度t＝16，即每次采用连续16个时间点的气体含量数据预测第17个监测时间点的气体浓度。可从原始数据中得到534组样本，记为将实验中最后100组样本数据用于测试。
[0129]
实验中基于时间卷积网络和关联特征提取感知机的预测模型的参数设置如下：在时间卷积网络中，卷积核长度k＝2，隐藏层数l＝4，膨胀系数依次为[1,2,4,8]，每层特征维度依次为[16,12,8,4]；关联特征提取感知机层数m＝2，神经元个数为4。模型训练迭代次数为200次，学习率为0.0001。
[0130]
为了验证本发明实施例提供的预测方法和气体含量预测模型的有效性和可靠性，将本发明实施例中的气体含量预测模型与传统的时间序列预测模型lstm和反向传播神经网络bpnn进行对比。所以建立用于单种气体含量预测的lstm模型和bpnn模型。其中lstm模型中包含三个隐藏层，隐层特征维度为[15,10,5]；bpnn模型含三个隐藏层，隐层特征维度为[20,15,10]。两种模型学习率为0.0001，训练迭代次数均为200次，和本发明实施例中的气体含量预测模型训练条件一致。将三种模型用于变压器特征气体的含量预测。表1展示了三种模型对测试集五种特征气体含量100组样本的预测误差数据。表2展示的是上述模型对五种气体预测误差的平均值。
[0131][0132][0133]
表1
[0134][0135]
表2
[0136]
由表1中的误差数据可以看出，本发明的预测方法对氢气、甲烷、乙烯这三种特征气体的预测误差要小于另外两种网络，而在乙烷特征气体预测方面，本发明的预测方法的mae值高于bpnn且低于lstm，但本发明的预测方法的rmse值低于bpnn和lstm，说明本发明的预测方法对乙烷的预测误差与bpnn类似，且高于lstm。乙炔气体在变压器正常运行情况下含量较低且无明显变化，bpnn预测该气体误差最低，而本发明的预测方法与之接近，lstm效果不佳。
[0137]
从表2可见，不论是mae平均值还是rmse平均值，本发明的预测方法最低，其次是lstm，bpnn最高。这是由于bpnn采用全连接的网络结构，无法对输入数据时序层面的拓扑特性进行有效提取，所以尽管对个别气体预测可以取得较低的预测误差，但综合五种气体的预测结果，其预测效果最差，而本发明的预测方法中采用的卷积神经网络结构能对数据的时间前后关联性做出有效提取。
[0138]
此外，本发明的预测方法在对测试集数据预测过程中，除了借助时间卷积网络提取待预测气体的时间特征外，还引入了用于关联参量特征提取感知机，例如在预测氢气含量的过程中，也引入了甲烷、乙烷、乙烯的隐层特征信息，使模型能借助关联气体参量的信息对预测结果进行适当修正，提高了预测结果的可靠性，因此本发明方法的预测效果优于仅提取时间特征信息的lstm模型。
[0139]
本发明的预测方法预测各气体mae平均值比lstm下降了8.13％，比bpnn模型下降了10.6％。本发明的预测方法在变压器油中气体预测方面与传统的lstm和bpnn相比，有着显著优势。
[0140]
由此可见，在本发明的实施例中，通过根据预设历史时间段内充油电气设备油中各气体含量的原始数据，获得训练集数据和测试集数据，构建气体含量预测模型；然后将训练集数据投入气体含量预测模型进行迭代训练，直至气体含量预测模型的预测效果满足预设预测要求；当需预测未来时刻充油电气设备油中各气体含量时，通过气体含量预测模型进行预测即可。由于本发明的气体含量预测模型是基于时间卷积深度学习网络和多层感知机构建的，因此该预测方法能通过时间卷积深度学习网络实现对气体含量非线性数据模型的建模和各气体含量时间序列特征提取，同时通过多层感知机对气体之间的关联特征进行提取，综合气体自身的时间序列特征和相关气体的关联特征进行预测，提高了预测充油电气设备油中气体含量的准确度。
[0141]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。