基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法及系统

技术领域

本发明属于变压器油中溶解气体浓度预测技术领域，涉及一种基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法及系统。

背景技术

油中溶解气体分析(dissolved CSOs analysis，DCSO)技术是目前国际公认的发现电力变压器缺陷及潜伏性故障的有效方法。通过油色谱在线监测装置按固定采样周期获取油中气体组分含量值，形成油色谱在线监测时间序列，利用历史监测序列对油中溶解气体的浓度发展趋势进行准确预测，对于电力变压器故障预警具有重要的技术价值。

目前，业界学者针对油中溶解气体浓度预测问题进行了大量研究，提出的方法主要可归纳为以下3类：统计预测方法、人工智能方法以及组合预测方法。

目前大多数模型都是在人工智能算法的基础上结合其他算法进行组合预测得到预测结果。诸多文献采用滤波分解用于原始气体浓度时间序列的预处理，取得比单一预测方式更好的结果，但均未考虑分解得到的不规则波动项对预测结果的影响，由于不规则波动项具有较高的非线性，影响油中溶解气体浓度的预测精度。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法及系统，该方法及系统能够准确预测油中溶解气体浓度。

为达到上述目的，本发明采用如下技术方案：

本发明一方面，本发明提供了一种基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法，包括：

采集当前油中溶解气体浓度数据；

对采集到的当前油中溶解气体浓度数据进行归一化处理，利用归一化处理后的数据构建油中溶解气体浓度序列；

将所述油中溶解气体浓度序列输入到训练后的HP-EEMD-CSOGSA-MTS-Mixers组合模型中，以预测油中溶解气体浓度。

所述将所述油中溶解气体浓度序列输入到训练后的HP-EEMD-CSOGSA-MTS-Mixers组合模型中之前还包括：

获取油中溶解气体浓度数据样本；

对采集到的当前油中溶解气体浓度数据样本进行归一化处理，利用归一化处理后的数据构建油中溶解气体浓度数据样本序列；

提取所述油中溶解气体浓度数据样本序列的趋势，得到趋势项及不规则波动项；

对所述不规则波动项进行二次分解，得到若干波动序列模态分量；

对趋势项及波动序列模态分量分别构建训练数据集及测试数据集；

对趋势项及波动序列模态分量分别建立CSOGSA-MTS-Mixers组合模型；

采用趋势项及波动序列模态分量对应的训练数据集及测试数据集对其对应的CSOGSA-MTS-Mixers组合模型进行训练及测试，得到趋势项及波动序列模态分量对应的训练后的CSOGSA-MTS-Mixers组合模型，将趋势项及波动序列模态分量对应的训练后的CSOGSA-MTS-Mixers组合模型构建训练后的HP-EEMD-CSOGSA-MTS-Mixers组合模型。

使用H-P滤波方法提取油中溶解气体浓度序列的趋势。

对所述不规则波动项利用EEMD进行二次分解。

所述CSOGSA-MTS-Mixers预测模型利用纵横交叉-万有引力搜索混合算法CSOGSA进行参数优化。

本发明二方面，本发明提供了一种基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测系统，包括：

采集模块，用于采集当前变压器油中溶解气体浓度数据；

第一构建模块，用于对采集到的当前油中溶解气体浓度数据进行归一化处理，利用归一化处理后的数据构建油中溶解气体浓度序列；

预测模块，用于将所述油中溶解气体浓度序列输入到训练后的HP-EEMD-CSOGSA-MTS-Mixers组合模型中，以预测油中溶解气体浓度。

还包括：

获取模块，用于获取油中溶解气体浓度数据样本；

第二构建模块，用于对采集到的当前油中溶解气体浓度数据样本进行归一化处理，利用归一化处理后的数据构建油中溶解气体浓度数据样本序列；

提取模块，用于提取所述油中溶解气体浓度数据样本序列的趋势，得到趋势项及不规则波动项；

分解模块，用于对所述不规则波动项进行二次分解，得到若干波动序列模态分量；

第三构建模块，用于对趋势项及波动序列模态分量分别构建训练数据集及测试数据集；

建立模块，用于对趋势项及波动序列模态分量分别建立CSOGSA-MTS-Mixers组合模型；

第四构建模块，用于通过趋势项及波动序列模态分量对应的训练数据集及测试数据集对其对应的CSOGSA-MTS-Mixers组合模型进行训练及测试，得到趋势项及波动序列模态分量对应的训练后的CSOGSA-MTS-Mixers组合模型，将趋势项及波动序列模态分量对应的训练后的CSOGSA-MTS-Mixers组合模型构建训练后的HP-EEMD-CSOGSA-MTS-Mixers组合模型。

本发明三方面，本发明提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法的步骤。

本发明四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法的步骤。

本发明具有以下有益效果：

本发明所述的基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法及系统在具体操作时，本发明基于HP-EEMD-CSOGSA-MTS-Mixers组合模型预测油中溶解气体浓度，以减少不规则波动项对预测结果的影响，检测结果较为准确。

进一步，通过H-P滤波和EEMD对原始油中溶解气体浓度序列进行二次分解，然后进行预测，有效的应对油中溶解气体浓度序列的波动性，预测效果要好于单一模型直接对油中溶解气体浓度进行预测。

进一步，本发明使用纵横交叉-万有引力搜索(CSOGSA)算法优化MTS-Mixers模型，以改善MTS-Mixers模型的预测效果。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的原理图；

图2为本发明中CSOGSA-MTS-Mixers组合模型的优化流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面结合附图对本发明做进一步详细描述：

实施例一

参考图1，本发明所述的基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法，包括以下步骤：

1)采集油中溶解气体浓度数据，并对采集到的数据进行异常值剔除，再进行归一化处理，通过归一化处理后的数据构成油中溶解气体浓度序列；

2)使用H-P滤波方法提取油中溶解气体浓度序列的趋势，将油中溶解气体浓度数据分解为趋势项及不规则波动项，对于分解得到的不规则波动项利用EEMD进行二次分解，得到波动序列模态分量；

使用H-P滤波方法提取油中溶解气体浓度序列的趋势，具体为：

其中，y

EEMD在原始信号中引入高斯白噪声，由于其均值为零，在经过多次平均计算后将被消除，以实现信号在合适时间尺度上的自动分布，最后的集成均值即为计算结果，有效解决EMD存在的模态混叠问题。

3)对分解得到的全部分量分别构建训练数据集及测试数据集，所述全部分量包括趋势项及波动序列模态分量；

4)对各分量分别建立CSOGSA-MTS-Mixers组合模型，采用各分量对应的训练数据集对其对应的CSOGSA-MTS-Mixers组合模型进行训练，得到各分量对应的训练后的CSOGSA-MTS-Mixers组合模型，将各分量对应的训练后的CSOGSA-MTS-Mixers组合模型作为各分量的油中溶解气体浓度预测子模型；

所述MTS-Mixers模型是一种多元时间序列预测的通用框架，MTS-Mixers模型利用时间序列数据的低秩特性，使用两个因子化模块来捕获时间和信道相关性。MTS-Mixers模型借鉴NLP中的Mixer模型，取代Attention结构，不仅实现效果上的提升，而且还实现效率上的提高，MTS-Mixers模型在多个真实数据集上优于现有的基于Transformer的模型。

参考图2，CSOGSA-MTS-Mixers预测模型利用纵横交叉-万有引力搜索混合算法CSOGSA对MTS-Mixers的各项超参数和输入滞后数目进行寻优，具体步骤为：

41)初始化MTS-Mixers模型各参数和输入滞后数目的取值范围，设置CSOGSA整体优化算法的迭代次数为T*(推荐值100)；

42)随机产生N个种群(推荐值20)，每个种群中每个粒子相当于一组MTS-Mixers参数；

43)采用预测精度作为个体适应度值，初始化步骤42)中N个种群中所有粒子的个体适应度值；

44)对所述N个种群进行一次经典CSO优化，最终得到N个最优粒子，CSO优化的具体过程为：每个种群包含m个个体(推荐值30)，每个种群的迭代次数都设置为T1(推荐值50)，纵向交叉概率设置为Pvc(推荐值0.5)，对m个个体进行横向交叉、进入竞争算子、纵向交叉、进入竞争算子来更新种群；

45)对更新后的各粒子计算其适应度值，根据适应度值的大小更新代表当前迭代次数的最优个体；

46)返回步骤44)继续完成经典CSO优化，直至达到迭代次数上限T1满足终止条件，每个种群都会有T1个历史最优粒子，将这些粒子的适应度进行比较，适应度值最高的粒子作为该种群的最优个体，最终会得到N个来自N个种群的最优个体；

47)将步骤46)得到的N个最优个体作为GSA算法的初始种群，进行改进后的GSA优化，GSA算法的迭代次数设置为T2(推荐值50)；

48)初始化GSA算法的参数，采用预测精度作为适应度值的计算公式，计算初始粒子的质量大小和相互作用力，按照式(2)进行一次个体位置的更新：

其中，

49)判断当前迭代次数是否≤T2，如果满足，则重复步骤48)，否则，则跳转至步骤410)；

410)判断当前总的迭代次数是否≤T*，如果满足，则在HS中的历史最优和声中随机选取K个替换掉步骤42)中每个CSO种群的K个个体，并返回步骤42)继续进行优化；如果不能满足，则输出最优解。

步骤5)中，将全部分量对应的测试数据集中的测试样本逐一输入到各自对应的油中溶解气体浓度预测子模型进行预测，得到每个油中溶解气体浓度子模型的预测输出值。

步骤5)中，对所有分量对应的预测结果叠加求和，得到最终的HP-EEMD-CSOGSA-MTS-Mixers组合模型预测结果。

验证性实验

为证明本发明的有效性，采用某330kV电力变压器油色谱在线监测装置2020年12月至2022年12月的油中溶解气体H

表1

实施例二

本发明所述的基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测系统，包括：

获取模块，用于获取油中溶解气体浓度数据样本；

第二构建模块，用于对采集到的当前油中溶解气体浓度数据样本进行归一化处理，利用归一化处理后的数据构建油中溶解气体浓度数据样本序列；

提取模块，用于提取所述油中溶解气体浓度数据样本序列的趋势，得到趋势项及不规则波动项；

分解模块，用于对所述不规则波动项进行二次分解，得到若干波动序列模态分量；

第三构建模块，用于对趋势项及波动序列模态分量分别构建训练数据集及测试数据集；

建立模块，用于对趋势项及波动序列模态分量分别建立CSOGSA-MTS-Mixers组合模型；

第四构建模块，用于通过趋势项及波动序列模态分量对应的训练数据集及测试数据集对其对应的CSOGSA-MTS-Mixers组合模型进行训练及测试，得到趋势项及波动序列模态分量对应的训练后的CSOGSA-MTS-Mixers组合模型，将趋势项及波动序列模态分量对应的训练后的CSOGSA-MTS-Mixers组合模型构建训练后的HP-EEMD-CSOGSA-MTS-Mixers组合模型；

采集模块，用于采集当前油中溶解气体浓度数据；

第一构建模块，用于对采集到的当前油中溶解气体浓度数据进行归一化处理，利用归一化处理后的数据构建油中溶解气体浓度序列；

预测模块，用于将所述油中溶解气体浓度序列输入到训练后的HP-EEMD-CSOGSA-MTS-Mixers组合模型中，以预测油中溶解气体浓度。

实施例三

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法的步骤，其中，所述存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等；处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等，总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序，具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

实施例四

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于HP-EEMD-CSOGSA-MTS-Mixers组合模型的变压器油中溶解气体浓度预测方法的步骤，具体地，所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。