1.一种基于果蝇算法优化的变压器状态参量数据预测方法,其对变压器状态参量数据进行预测,其特征在于所述方法包括以下步骤:
S100:获取一段时间内的变压器状态量数据,并将其转换为矩阵形式的变压器状态量矩阵,所述变压器状态量包括变压器状态参量的相关数据;
S200:构建变压器状态参量数据预测模型,基于果蝇算法求得所述预测模型的超参数,基于所述变压器状态量矩阵对所述预测模型进行训练;
S300:基于经步骤S200训练的变压器状态参量数据预测模型预测变压器状态参量数据。
2.如权利要求1所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,步骤S200中所述变压器状态参量数据预测模型基于广义回归神经网络构建,所述超参数为所述广义回归神经网络中的光滑因子。
3.如权利要求1所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,步骤S200中所述果蝇算法采用动态步长初始化群体中个体的位置。
4.如权利要求1所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,步骤S200中所述果蝇算法采用交叉验证法,将种群分为多个相等的子种群,然后分别进行优化分析,最终再选择最优解。
5.如权利要求1所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,步骤S200中采用误差反向传播算法对所述预测模型进行训练。
6.如权利要求1所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,步骤S100中所述变压器状态参量的相关数据包括参量本身的数据和/或参量间的比值数据。
7.如权利要求1-6中任一权利要求所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,步骤S100中所述变压器状态参量包括变压器本体参量和变电站环境参量。
8.如权利要求7所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,所述变压器本体参量包括变压器油中溶解的气体含量和/或变压器油温。
9.如权利要求7所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,所述变电站环境参量包括气温、地面湿度、相对湿度、平均风速中的一种或多种。
10.如权利要求8所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,所述变压器油中溶解的气体包括H2、CO、CH4、C2H2、C2H4、C2H6中的一种或多种。
11.如权利要求10所述的基于果蝇算法优化的变压器状态参量数据预测方法,其特征在于,基于所述变压器油中溶解的气体,所述参量间的比值数据包括CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H6/CH4、C2H2/CH4、C2H6/C2H2中的一种或多种。
12.一种基于果蝇算法优化的变压器状态参量数据预测系统,其特征在于,该系统包括数据连接的数据采集模块和数据处理模块,采用权利要求1-11中任意一项的变压器状态参量数据预测方法预测变压器状态参量数据。