技术特征：
1.一种基于多元经验模态分解的变压器顶层油温预测方法，基于python程序设计语言，其特征在于，基于多元经验模态分解的变压器顶层油温预测方法，其具体步骤如下：步骤一：导入主变电气变量和当地环境变量步骤二：计算主变油温与其他变量的相关性系数，对输入变量进行数据维度筛选，筛除不相关的变量；计算主变顶层油温与其他变量的相关性，筛除低相关性的变量，相关分正相关和负相关关，相关系数绝对值小于0.3为不相关；相关性系数cov(x，y)为协方差，σ
x
，σ
y
为标准差，x为x1～x
n
的均值，y为y1～y
n
的均值；步骤三：对筛选出来的时间序列数据共同进行多元经验模态分解法memd多元分解得到一系列频率由高到低的多元固有模态函数imf1、imf2、
…
、imf
n
和一个残余序列res；(1)设n维的输入序列向量其中t为输入序列的长度，方向向量集为(2)在(n
‑
1)维球面上设置均匀采样点集，即得到n维空间的方向向量；(3)计算多输入序列v(t)在各个方向的映射其中j∈{1,2,...j}；(4)计算与映射信号相对应的极值点的瞬时时刻(5)采用多元样条插值法对极值点进行差值操作，进而得到j个包络线(6)计算多元信号的局部均值(7)计算输入多维序列v(t)与m(t)的差值h(t)，并判断差值是否符合imf的判定标准，若满足则将差值h(t)从原始序列中移除的信号作为第三步的输入，重复步骤(3)～(4)，若不符合判定规则，则将d(t)作为第三步的输入，重复步骤(3)～(4)；原始多元序列v(t)可依据memd算法分解为：式中d表示分解得到的多元imf层数，h(t)代表n组信号imf，r(t)代表n个残量；步骤四：对子序列进行归一化处理，利用自注意力层sam和lstm完成预测，得到一系列的预测值f0，f1，
…
，f
n
‑1；(1)子序列数据归一化预处理，得到{x0,x1,
…
x
n
‑1}作为输入；(2)利用自注意力机制为每个序列分配权重{w0,w1,
…
w
n
‑1}，对所有时间步级状态进行加权得到{w0x0,w1x1,
…
w
n
‑1x
n
‑1}，作为lstm的输入最终用于时间序列分析预测，权重进行误差前向传播进行更新，得到预测值f0，f1，
…
，f
n
‑1；步骤五：将各个子序列的预测值再进行反归一化，综合叠加，得到最终预测结果；步骤五：将各个子序列的预测值再进行反归一化，综合叠加，得到最终预测结果；步骤六：通过均方误差mse、平均绝对百分比误差mape、r方r squared评价指标来衡量
算法的优劣；y
i
表示真实值，表示预测值，n表示样本个数；表示预测值，n表示样本个数；表示预测值，n表示样本个数；mse值越小，mape值越小，r2越接近1，预测能力越好，精确度越高；对应的一次线性回归分析图，横坐标表示预测值，纵坐标表示真实值；若假设一次方程为y＝ax+b，a代表方程的斜率，当a接近于1时代表预测值与真实值差距越小；用线性相关系数r2表示线性相关程度，当r2接近于1时，表示x和y的线性相关程度越高。
技术总结
本发明公开了一种基于多元经验模态分解的变压器顶层油温预测方法，包括以下步骤：1）数据导入；2）基于数据相关性分析完成数据维度筛选；3）提出多元经验模态分解法MEMD将多维度输入变量分解为模态变量；4）对分解后的模态变量进行归一化处理，加入自注意力层SAM为多序列输入分配注意力权重，然后采用LSTM进行预测，对预测的子序列反归一化，综合叠加得到最终结果。本发明考虑了电气变量和环境影响因素，利用历史监测数据对变压器油温进行预测，有利于提高变压器安全评价的性能，提前发现主变安全隐患。变安全隐患。变安全隐患。
技术研发人员：明晓航 钱晨语 张明清
受保护的技术使用者：国网江苏省电力有限公司南通供电分公司
技术研发日：2021.05.28
技术公布日：2021/9/3