(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111494215.X (22)申请日 2021.12.08 (71)申请人 大唐水电科 学技术研究院有限公司 地址 610074 四川省成 都市青羊区蜀金路1 号1栋13层13 02号 (72)发明人 李荣　李睿蹇　刘守豹　熊中浩　 方圆　李宜　 (74)专利代理 机构 北京中南长风知识产权代理 事务所(普通 合伙) 11674 专利代理师 李青 (51)Int.Cl. G06F 16/215(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01)G01N 30/02(2006.01) (54)发明名称 一种基于机器学习与神经网络的变压器油 色谱数据清洗的方法 (57)摘要 本发明公开了一种变压器油色谱数据清洗 的方法， 通过神经网络机器学习的方法， 对变压 器油色谱在线数据进行清洗， 包括以下步骤： S1. 获取历史变压器油色谱在线监测数据和变压器 油色谱离线监测数据， 对其进行整合及预处理。 S2.将预处理完成的数据进一步处理为训练集 合。 S3.提取出训练集合中的气体浓度数据输入 LSTM神经网络进行训练， 让神经网络找到能使在 线监测数据转变为贴近离线监测数据的模型。 S4.将待清洗的变压器油色谱在线监测数据输入 训练好的模型， 得到清洗后的数据。 本发明能够 通过神经网络机器学习清洗变压器油色谱在线 监测数据， 实现保证方法快键方便的同时确保准 确率保持在较高水平。 权利要求书4页 说明书6页 附图2页 CN 114490596 A 2022.05.13 CN 114490596 A 1.一种基于机器学习与神经网络的变压器油色谱数据清洗的方法， 其特征在于： 包括 以下步骤： S1.获取历史变压器油色谱在线监测数据和变压器油色谱离线监测数据， 对其进行整 合及预处 理； S2.收集历史在线与离线监测数据， 去除掉一些无关信 息及错误信息， 初步整合出训练 所用的数据集； S2.将预处 理完成的数据进一 步处理为训练集 合； S4.将数据集进行向量化， 即把在线监测数据和离线监测数据整合为有序 数对， 以利于 神经网络的读取， 同时进一 步去除掉 一些不合理的数据； S5.将训练集合输入LSTM神经网络进行训练， 使其输出能够清洗变压器油色谱在线监 测数据的模型； S6.把处理好的训练集合， 即包含有在线及离线油色谱数据的向量化数据输入神经网 络进行训练， 由于离线数据是比较接近真实情况 的， 让神经网络找到在线监测数据与离线 监测数据间的关系， 输出的模型能一定程度上把变压器油色谱在线监测数据 清洗为比较符 合真实状况的数据。 2.根据权利要求1所述的基于机器学习与神经网络的变压器油色谱数据清洗的方法， 其特征在于： LSTM神经网络的训练采用的是反向传播 算法， 包括 三个步骤： 一是向前计算每 个神经元的输出值， 二是反向计算每 个神经元的误差值 δ， 三是根据误差项计算每 个权重的梯度； 先将输入的测试数据逐层 向前计算， 并计算出误差值， 该误差值由输出层 向输入层传 播， 逐层调整其权重， 输入信号通过隐藏层的逐层计算后， 产生输出结果。 当输出结果与预 期结果能很好地符合时， 训练结束， 若输出结果与预期结果相差不可接受， 即进入反向计算 过程， 神经网络根据公式， 对前一层的各参数进行求导， 将误差平分到各层的各个单元， 从 而使神经网络的函数逐渐与真实函数接近， 所有测试数据经过以上循环过程， 得到的模型 便能使计算结果 最接近预期结果， 训练好的模型即能对数据进行清洗 。 3.根据权利要求2所述的基于机器学习与神经网络的变压器油色谱数据清洗的方法， 其特征在于： LSTM网络具有输入层、 输出层 及隐藏层； LSTM隐藏层中实际存在两个状态， 一个是长期存储状态c， 一个是当前状态h； 这两个状 态由三个门， 即三个函数控制， 包括： 遗忘门， 它控制了有 多少来自上一单 元状态的信息保留进入本层单 元状态； 输入门， 它控制了有 多少当前输入的信息进入本层单 元状态； 输出门， 它控制了 本层单元状态有 多少信息 输出； 长期状态可以存储之前很长一段层数的有价值的数据， 当前状态则反映了当前输入与 长期储存交互影响得到的结果； 其中， 向前计算展开说明为： 上一单元状态ct‑1输入该隐藏层， 上一层输出ht‑1输入该隐藏层；权　利　要　求　书 1/4 页 2 CN 114490596 A 2记激活函数 权重矩阵为 W； 则遗忘门如下计算： ft＝σ(Wf·[ht‑1， xt]+bf)    (式1)； 方括号表示把两个向量相连接； 同理可得， 输入门如下计算： it＝σ(Wi·[ht‑1， xt]+bi)    (式2)； 当前输入的单 元状态 根据上一次输出和本次输入计算： 其中tanh为双曲正切函数， 于是当前时刻的单 元状态ct可以计算： 表示哈达玛积， 也称矩阵的按元素乘法， 即把两个结构相同的矩阵对应位置的元素相 乘。 得到以上几个 状态后， 即可计算输出门： ot＝σ(Wo·[ht‑1， xt]+bo)    (式5)； 最后， 该层的最终输出如下计算： 式1至式6为 LSTM神经网络向前计算的公式； LSTM神经网络反向计算展开说明为： 设t时刻误差项 δt为： t‑1时刻误差项为： 利用全导数公式及偏导数公式可 得误差项向前传递到任意 k时刻的公式： 将误差传导上一层的公式：权　利　要　求　书 2/4 页 3 CN 114490596 A 3