技术摘要：
本发明公开一种变压器油中溶解气体浓度预测方法，首先为降低变压器油中溶解气体浓度时间序列的波动性对预测结果的影响，采用奇异谱分析将原始变压器油中溶解气体浓度时间序列分解为多个特征分量，然后对各个特征分量分别建立混沌蝙蝠算法优化回声状态网络的预测模型，  全部
背景技术：
电力变压器在电力系统中担任着传递电能的重要角色，其安全可靠运行是保证电 力持续可靠供应以及电力系统稳定的重要基石。变压器油色谱在线监测系统在变压器运行 状态下的绝缘监测领域得到广泛应用，该系统基于油中溶解气体分析(dissolved  gas  analysis，DGA)技术，根据固定采样周期对变压器油进行气体含量分析，得到持续地油中气 体浓度时间序列。利用采集到的历史时间序列对变压器油中溶解气体的浓度未来变化趋势 进行精准预测，可为变压器缺陷及潜伏性故障判断提供重要参考依据。现有的油中溶解气 体浓度预测模型主要可分为两类：数理统计预测模型和人工智能预测模型。数理统计预测 模型主要包括时间序列模型、灰色模型等。这类数理统计预测方法在处理线性序列与指数 序列时预测效果良好，但该类模型原理简单，受历史数据限制较大，难以反映波动性强的数 据变化趋势。人工智能预测模型通过支持向量机和神经网络等机器学习模型对大量历史变 压器油中溶解气体浓度数据进行训练学习，以得到数据的变化规律。如CN110441500A公开 了一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法，其通过收集变压器在线 油色谱样本数据，确定其特征参量并进行归一化处理：然后利用变压器油中溶解气体的序 列数据对长短期记忆网络进行训练，得到最优的预测模型参数；最后以油中溶解的7种特征 气体浓度为输入，以待预测气体的浓度为输出，实现对变压器油中溶解气体浓度的预测。但 是由于变压器油中溶解气体浓度时间序列具有较强的波动性，上述公开专利单纯的通过人 工智能预测模型和神经网络已无法有效捕捉到其变化规律，因此其对于变压器油中溶解气 体浓度时间序列的预测精度并不是很高。因此，上述缺陷是亟需解决的问题。
技术实现要素：
本发明提供一种变压器油中溶解气体浓度预测方法，该方法可有效降低变压器油 中溶解气体浓度时间序列波动性对预测结果的影响，提高变压器油中溶解气体浓度预测精 度。 本发明的技术方案为： 一种变压器油中溶解气体浓度预测方法，包括以下步骤： S1、采用奇异谱分析对变压器油中溶解气体浓度时间序列进行分解，得到多个特 征分量； S2、对每个特征分量构建各自的训练数据集和测试数据集； S3、对每个特征分量分别建立混沌蝙蝠算法优化回声状态网络的变压器油中溶解 气体浓度预测模型； S4、将训练数据集中多个特征分量的训练样本逐一输入混沌蝙蝠算法优化回声状 6 CN 111581596 A 说　明　书 2/9 页 态网络的变压器油中溶解气体浓度预测模型进行训练，得到各自对应的变压器油中溶解气 体浓度预测子模型； S5、将测试数据输入到各自对应的变压器油中溶解气体浓度预测子模型进行预 测，得到每个变压器油中溶解气体浓度子模型的预测输出值； S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处 理，得到最终的变压器油中溶解气体浓度预测结果。 进一步，连续采集一段时间的变压器油中溶解气体浓度时间序列，构成连续的时 间序列数据集Y＝[y1,y2,…,y TN] ，其中，N为数据集样本点个数，yN为第N个时间序列样本。 进一步，步骤S1中采用奇异谱分析对变压器油中溶解气体浓度时间序列进行分解 的具体步骤为： S11、嵌入： 时间序列数据集Y＝[y1,y T2,…,yN] 共有N个样本点，奇异谱分析中嵌入的维度由L 表示，L又称为窗口长度，令K＝N-L 1，则滞后L阶的向量被定义为： X Ti＝[yi,yi 1,…,yi L-1] ,i＝1,2,…,K 轨迹矩阵定义为： S12、奇异值分解： 假设协方差矩阵S＝XXT，S的奇异值分解产生一组共L个特征值λ1 ,λ2,…,λL，以及 特征值对应的正交特征向量U1 ,U2,…,UL，令d＝max{i}，λi＞0， 其中i＝1， 2，...，d，则轨迹矩阵X的奇异值分解表示为： X＝X1 X2 …Xd 式中， 为矩阵X的奇异值， 为奇异谱，Ui为轨迹矩阵X的正交函数， Vi为轨迹矩阵X的主成分，集合 被称为轨迹矩阵X奇异值分解的第i个三重特征向 量； S13、分组： 奇异值分解后，将分解得到的奇异值 分成m个不相交的组I1 ,I2,…, I m，将I＝(i 1 ,i 2 ,… ,i p)表示为一组指数，然后，对应于组I的合成矩阵X I定义为 此过程完成了轨迹矩阵X的后续分解，即： 将合成矩阵XI转换成其所对应的时间序列数据特征分量，每一组数据特征分量代 表原始信号的某一运动特征； 7 CN 111581596 A 说　明　书 3/9 页 对于给定的Ii，i＝1,2,...,m，通过相应特征值的占比 计算特 征分量 的贡献率，贡献率为小于0.01％的序列为噪声分量，信号重构前剔除噪声分量； S14、对角重构信号平均化： 通过对角平均，每个轨迹矩阵X通过以下过程转移到时间序列中： 假设轨迹矩阵X为一个L×K的矩阵，矩阵元素为xij，1≤i≤L，1≤j≤K，设L*＝min (L,K) ,K*＝max(L,K)，N＝K L-1，若L