一种变压器油密度预测模型建模方法和装置

1.一种变压器油密度预测模型建模方法，其特征在于，包括：101、获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各所述多频超声波特性对应的油密度；102、将所述多频超声波特性作为输入，所述油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型；103、根据遗传算法对所述第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合；104、获取变压器油样的多频超声波信号随温度变化的函数关系，根据所述连接权值的寻优组合结果、所述阈值的寻优组合结果和所述函数关系优化所述第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型；所述步骤102之后步骤103之前，还包括：23、根据连接权值调整量公式和阈值调整量公式，计算所述第一变压器油密度回归预测模型的连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值，所述连接权值调整量公式为 和 所述阈值调整量公式为 和 其中，ΔW jk (n)为第n个神经元输出层连接权值输出调整量，α为学习率，L为隐含层神经元个数，N为输入层神经元个数，δ k 为输出层输出误差，δ * j 为隐含层输出误差，ΔV ij (n)为第n个神经元隐含层连接权值输出调整量，h j 为隐含层输出，x i 为输出层输出，Δθ k (n)为第n个神经元输出层阈值输出调整量， 为第n个神经元隐含层阈值输出调整量；所述温度补偿具体是指：对所述变压器油的多频超声波信号和所述油密度之间的映射关系进行温度补偿。 2.根据权利要求1所述的变压器油密度预测模型建模方法，其特征在于，步骤23具体包括：231、获取训练样本机和测试样本集；232、对所述第一变压器油密度回归预测模型进行初始化；233、从所述训练样本集中选取输入向量输入到所述第一变压器油密度回归预测模型，同时设置对应的理想目标输出；234、根据隐含层输出公式和输出层输出公式分别计算隐含层输出和输出层输出，将所述隐含层输出和所述输出层输出分别代入隐含层输出误差公式和输出层输出误差公式，分别计算出隐含层输出误差和输出层输出误差；235、将所述隐含层输出、所述输出层输出、所述隐含层输出误差和所述输出层输出误差分别代入所述连接权值调整量公式和所述阈值调整量公式，计算连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值；236、根据总误差函数计算总误差精度，判断所述总误差精度是否小于等于所述第一变压器油密度回归预测模型的初始化误差精度，若是，保存调整后的所述连接权值和调整后的所述阈值，否则，返回步骤233，所述总误差函数为 其中，E为总误差精度，d i 为理想目标输出，x i 为输出层输出，M为输出层神经元个数。 3.根据权利要求1所述的变压器油密度预测模型建模方法，其特征在于，步骤103具体包括：1031、设置种群规模和最大进化代数，在搜索空间随机产生Z个个体作为初始种群，并将其作为当前种群；1032、根据所述当前种群的个体样本参数和建立的适应度函数对所述第一变压器油密度回归预测模型进行训练，计算每个个体的适应度函数值，所述适应度函数为 其中，y i 为预测输出， 为期望输出，i为训练样本；1033、判断所述适应度函数值是否满足终止条件，若是，提交最优个体，结束遗传操作，获得最优连接权值和最优阈值，否则，执行步骤1034；1034、对所述当前种群进行选择、交叉、变异运算，得到子代种群；1035、将所述子代种群作为所述当前种群，执行步骤1032。 4.根据权利要求1所述的变压器油密度预测模型建模方法，其特征在于，所述函数关系为f(x)＝a×x+b，f(x)为多频超声波的声速，x为温度，a＝-3.5714，b＝1483.5706。 5.根据权利要求1所述的变压器油密度预测模型建模方法，其特征在于，所述预置温度值为27℃。 6.一种变压器油密度预测模型建模装置，其特征在于，包括：获取模块，用于获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各所述多频超声波特性对应的油密度；第一建模模块，用于将所述多频超声波特性作为输入，所述油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型；寻优模块，用于根据遗传算法对所述第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合；第二建模模块，用于获取变压器油样的多频超声波信号随温度变化的函数关系，根据所述连接权值的寻优组合结果、所述阈值的寻优组合结果和所述函数关系优化所述第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型；所述装置还包括：调整模块，用于计算所述第一变压器油密度回归预测模型的连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值；所述连接权值调整量公式为 和 所述阈值调整量公式为 和 其中，ΔW jk (n)为第n个神经元输出层连接权值输出调整量，α为学习率，L为隐含层神经元个数，N为输入层神经元个数，δ k 为输出层输出误差，δ * j 为隐含层输出误差，ΔV ij (n)为第n个神经元隐含层连接权值输出调整量，h j 为隐含层输出，x i 为输出层输出，Δθ k (n)为第n个神经元输出层阈值输出调整量， 为第n个神经元隐含层阈值输出调整量；所述温度补偿具体是指：对所述变压器油的多频超声波信号和所述油密度之间的映射关系进行温度补偿。 7.根据权利要求6所述的变压器油密度预测模型建模装置，其特征在于，所述调整模块具体用于：获取训练样本机和测试样本集；对所述第一变压器油密度回归预测模型进行初始化；从所述训练样本集中选取输入向量输入到所述第一变压器油密度回归预测模型，同时设置对应的理想目标输出；根据隐含层输出公式和输出层输出公式分别计算隐含层输出和输出层输出，将所述隐含层输出和所述输出层输出分别代入隐含层输出误差公式和输出层输出误差公式，分别计算出隐含层输出误差和输出层输出误差；将所述隐含层输出、所述输出层输出、所述隐含层输出误差和所述输出层输出误差分别代入连接权值调整量公式和阈值调整量公式，计算连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值；根据总误差函数计算总误差精度，判断所述总误差精度是否小于等于所述第一变压器油密度回归预测模型的初始化误差精度，若是，保存调整后的所述连接权值和调整后的所述阈值，否则，返回所述从所述训练样本集中选取输入向量输入到所述第一变压器油密度回归预测模型，同时设置对应的理想目标输出，所述总误差函数为 其中，E为总误差精度，d i 为理想目标输出，x i 为输出层输出，M为输出层神经元个数。 8.根据权利要求6所述的变压器油密度预测模型建模装置，其特征在于，所述寻优模块具体包括：初始化子单元，用于设置种群规模和最大进化代数，在搜索空间随机产生Z个个体作为初始种群，并将其作为当前种群；适应度计算子单元，用于根据所述当前种群的个体样本参数和建立的适应度函数对所述第一变压器油密度回归预测模型进行训练，计算每个个体的适应度函数值，所述适应度函数为 其中，y i 为预测输出， 为期望输出，i为训练样本；判断子单元，用于判断所述适应度函数值是否满足终止条件，若是，提交最优个体，结束遗传操作，获得最优连接权值和最优阈值，否则，触发遗传子单元；所述遗传子单元，用于对所述当前种群进行选择、交叉、变异运算，得到子代种群；循环子单元，用于将所述子代种群作为所述当前种群，触发所述适应度计算子单元。