变压器油中故障特征气体体积分数的预测

变压器是电力系统的重要设备,变压器油中溶解的故障特征气体体积分数是其进行绝缘故障诊断的重要依据。变压器油中气体体积分数的预测是周期性测试的重要补充。应用灰色多变量模型,对变压器油中溶解的5种主要特征气体,即氢气、甲烷、乙烷、乙烯和乙炔建立了MGM(1,5)模型,充分考虑了各种气体之间的相互影响,克服了常用预测方法在预测时只考虑某个特征参数或单独考虑几个特征参数发展变化的不足。通过预测实例分析,将MGM(1,5)模型的计算结果与相应GM(1,1)模型的计算结果比较,验证了该模型的准确性和有效性。     

用灰色多变量模型预测变压器油中气体的方法

变压器的油中溶解气体分析(DGA)是变压器绝缘寿命估计和绝缘故障诊断的重要依据,变压器油中气体体积分数的预测是周期性测试的重要补充。为此,在研究现有气体预测方法的基础上,提出使用灰色多变量模型来预测变压器的油中气体体积分数,以克服常用预测方法在预测时一般只考虑某一个特征参数或单独考虑几个特征参数发展变化的不足。灰色多变量模型可使用从同一信号中提取的多个诊断指标同时进行预测,从系统的角度统一描述各特征参数,因而能获得较准确的预测结果。另外还用绝对关联度进行了气体的相关性分析,这是使用灰色多变量模型进行预测的前提。预测实例表明了该方法的有效性和优越性。     

基于多因素的变压器油中溶解气体体积分数预测方法

为克服传统预测方法只单独考虑少量参量的不足,提出了一种基于多因素的变压器油中溶解气体体积分数预测方法。收集变压器油中溶解气体在线监测数据、EMS数据和气象数据,通过数据预处理完成各类数据的清洗和同步。利用灰色关联分析方法确定与待预测气体关联度较高的关键输入参量,有效约简输入数据的维数;建立基于KNN回归的多因素预测模型,实现变压器正常状态下油中溶解气体体积分数的预测。收集变压器故障案例库中的故障样本数据,针对单台设备故障数据稀缺的特点,利用关联分析方法筛选与故障设备情况相近的故障案例作为输入数据,并将关联度确定为各输入的权重。建立基于故障样本加权均值回归的多因素预测方法,实现故障状态下变压器油中溶解气体体积分数预测。实例分析表明,相比于常规的预测方法,将多种影响因素合理纳入预测模型,有效提高了油中溶解气体体积分数的预测精度。     

用SVRM预测变压器油中溶解气体量

变压器油中溶解气体体积分数的预测对变压器故障的早期发现,确保电力系统安全运行有着重要意义。针对现有预测方法的不足,提出了基于支持向量回归机(SVRM)的变压器油中溶解气体体积分数的预测方法,在SVRM算法基础上建立了预测模型,其中结合网格法和留一交叉检验法寻求SVRM中最优的参数组合。变压器油中溶解气体体积分数预测分析的实例表明,在同为小样本训练数据的情况下,SVRM比灰色模型有着更为优越的预测效果。研究表明,SVRM模型更适合于变压器油中溶解气体体积分数的预测。     

基于灰色TOPSIS和DGA的变压器状态预测

以灰色预测和理想点解理论(TOPSIS)为基础,研究基于油中溶解气体体积分数的变压器状态预测及其应用。该方法不同于目前单纯依据数学算法预测油中溶解气体含量的方法,而是从系统的角度综合考虑各特征参数及三比值规则,对故障状态贴近度进行预测。首先根据理想点解法计算各期油中气体体积分数三比值的故障贴近度,以此作为变压器三比值状态信息,然后根据灰色GM(1,1)模型,对变压器三比值故障状态贴进度发展趋势进行预测,最后得到其故障的贴近度,反应了变压器故障状态的发展趋势,对状态维修具有较直观的参考意义。实例数据分析验证了该预测方法的有效性。     

基于灰色最小二乘支持向量机的变压器油溶解气体预测

变压器油中溶解气体的体积分数是进行变压器绝缘故障诊断的重要依据,对变压器油中溶解气体进行预测有助于及时预测变压器的故障。将灰色预测方法与支持向量机相结合,通过使用对原始数列进行一次累加生成的处理方法,以提取数列所具有的深层规律特征,建立了基于灰色最小二乘支持向量机的变压器油中溶解气体预测模型,并对最小二乘支持向量机参数的选取进行了优化,最终通过实例与BPNN、灰色模型预测结果相比较,验证了该模型的准确性和有效性。     

基于时间序列模型的变压器油中溶解气体预测

变压器作为电力系统的核心设备,其安全运行是电力系统稳定可靠的基础。根据在线监测系统提供的油中溶解气体含量历史数据,预测未来气体体积分数及其发展趋势,是DGA故障预测的关键,也是在线监测的必要补充和提前预警变压器故障的重要手段。现有的预测算法存在着模型泛化性差和没有考虑时间序列模型等问题。为提高预测能力,文中首先介绍了非时序有监督学习和时间序列模型关键技术及其在变压器油中溶解气体体积分数预测的应用;然后搜集和发布了一个大规模数据样本,为算法提供了一个较为全面的验证集,提高模型的泛化性;最后使用前向数据分割方法进行数据增强,增加模型的训练数据。大量实验证明了时间序列模型在变压器油中溶解气体体积分数预测的有效性。     

基于灰色多变量理论与改进三比值法相结合的变压器套管故障预测

对变压器套管进行故障预测是确保变压器安全运行的前提,文章结合灰色多变量理论与改进的三比值法,提出了一种用于变压器套管预测的新方法。首先运用一种新的灰色关联度算法对改进的三比值法运用的气体三组比值进行关联度分析,得到彼此之间有很强的关联性,然后再用灰色多变量预测模型对这气体比值含量进行预测,最后结合改进三比值法找出对应的故障类型。灰色多变量模型可对同一信号中提取的多个指标同时进行预测,从系统的角度统一描述各特征参数,因而能获得较准确的预测结果。文章最后通过实例证明该方法的有效性和准确性。     

基于改进型灰色理论的变压器油中溶解气体预测模型

以灰色系统理论为基础,研究变压器油中溶解气体体积分数的灰色预测新模型及其应用.建立了新的改进型非等间隔灰色预测模型.该模型首先针对变压器油中溶解气体分析试验在时间上具有非等间隔的特点,把非等间隔序列经一次拟合变换成等间隔序列.为了提高预测精度,采用一次指数平滑运算对强随机性的电力变压器的油中溶解气体数据进行平滑处理,对前面得到的等间隔数据重新生成,构成一个新序列.此外,还从背景值改造方面对预测模型进行了改进.通过2个实例进行了对比试验,表明所提出的非等间隔的模型具有明显的优势,预测效果普遍高于传统的灰色预测模型,验证了所提出方法的正确性和方案的可行性.     

基于灰色-马尔可夫链的短期风速及风电功率预测

风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用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。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

用灰色多变量模型预测变压器油中溶解的气体浓度

目前变压器油中气体浓度预测普遍采用GM(1,1)模型及其改进形式,针对其在建模时只单独考虑某种气体发展变化的不足,介绍了灰色多变量预测模型MGM(1,n),它可以综合考虑从同一信号中提取的多个诊断指标,因而预测更科学、有效。对变压器油中溶解的7种特征气体即氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳进行了灰色关联分析,建立了相应的MGM(1,7)模型,预测实例分析证明,与传统GM(1,1)模型及其改进形式相比,用灰色多变量模型预测的效果更好。     

基于遗传程序设计的变压器油中溶解气体含量预测

为了对变压器的运行状态和潜伏性故障进行有效预测,提出了基于遗传程序设计(GP)的变压器油中溶解气体浓度的预测方法.结合变压器运行实例,分别给出了变压器油中7种主要气体的预测模型,并与灰色模型及其改进形式进行比较.对比分析结果表明,在同为小样本训练数据的情况下,GP比灰色模型的预测精度更高.     

基于最小二乘支持向量机的变压器油中气体浓度预测

目前变压器油中气体浓度预测普遍采用灰色模型,但灰色模型的使用存在一定局限性。为提高预测的精度和可靠性,应用最小二乘支持向量机(least squares support vector machine,LS-SVM)理论建立了同时预测变压器油中7种主要特征气体(氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳)的预测模型。该模型既综合考虑了气体之间的相互影响,又充分发挥了LS-SVM解决有限样本问题的优势, 具有较高的预测精度和泛化能力。实例分析验证了该模型的有效性。     

应用弱化缓冲算子与最小二乘支持向量机的变压器油中溶解气体浓度预测

变压器油中溶解气体浓度是评估油浸式变压器绝缘状态的重要依据。变压器油中溶解气体浓度的时间序列数据具有随机振荡性,往往不能准确把握溶解气体浓度的发展趋势,因此应用缓冲算子首先对原始数据进行弱化处理,减少其随机性。现有溶解气体浓度预测模型仅实现了点预测,为此采用最小二乘支持向量机与区间参数估计理论建立了溶解气体浓度的区间预测模型,确定未来溶解气体浓度在一定置信度下的变化区间。算例结果验证了该模型的有效性。     

Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm

Forecasting of dissolved gases content in power transformer oil is very significant to detect incipient failures of transformer early and ensure hassle free operation of entire power system. Forecasting of dissolved gases content in power transformer oil is a complicated problem due to its nonlinearity and the small quantity of training data. Support vector machine (SVM) has been successfully employed to solve regression problem of nonlinearity and small sample. However, SVM has rarely been applied to forecast dissolved gases content in power transformer oil. In this study, support vector machine with genetic algorithm (SVMG) is proposed to forecast dissolved gases content in power transformer oil, among which genetic algorithm (GA) is used to determine free parameters of support vector machine. The experimental data from several electric power companies in China is used to illustrate the performance of proposed SVMG model. The experimental results indicate that the proposed SVMG model can achieve greater forecasting accuracy than grey model (GM) under the circumstances of small sample. Consequently, the SVMG model is a proper alternative for forecasting dissolved gases content in power transformer oil.     

变压器绝缘故障预测诊断的方法

根据灰色系统理论,把电力变压器油中溶解气体含量视为灰色量,利用有限的故障数据,按照灰色预测的方法,对数值进行初值化和一次累加生成等处理,建立灰色预测模型群即GM(1,1)模型,对电力变压器运行时间内的状态进行精密诊断和故障预报。