极端气象条件下基于深度学习网络特征的变压器故障预测

根据极端气象条件下变压器产生故障时的环境参数,结合变压器故障预测中常用的油中溶解气体的含量,提出一种基于深度学习网络的故障预测方法。针对已有的变压器故障诊断方法泛化能力弱、时效性低、精度低等缺点,引入极端气象参数,并通过对多组数据序列进行时因分析,提取数据随着时间的变化关系;其次,设计一种新型的神经网络,将油气参数与极端气象参数的时间特征融合,并通过深度学习网络进行故障分类与预测。仿真实验结果表明,相比于其他传统故障预测方法,所提出的极端气象条件下基于深度学习网络的变压器故障预测方法准确率有显著提高。     

改进的小波神经网络在变压器故障诊断中的应用

为提高变压器油溶解气体分析法的故障诊断能力,以变压器油溶解气体作为研究对象,提出了加动量批处理小波神经网络算法。选取200组油溶解气体含量作为故障识别样本,通过多输入/多输出模式小波神经网络模型的构造,对训练过程和仿真结果进行对比分析。实验结果表明,改进的小波神经网络算法故障检测符合率高达95%,较传统的检测算法提升十几个百分点,从而极大的提高了故障诊断效率,实用性较好。     

基于EMD/HHT的变压器故障检测算法研究

为精准实现变压器故障检测,文章提出基于EMD/HHT的变压器故障检测算法。该算法依据EMD算法对采集的变压器运行信号进行经验模态分解,获取多个固有模态分量;利用HHT算法分析固有模态分量的时频变化情况,获取其频率谱并提取变压器运行信号特征频率,将提取结果输入卷积神经网络模型中,通过网络模型的学习和训练,得出变压器故障检测结果。测试结果显示：该方法具有较好的应用性能,能够有效获取变压器的运行信号固有模态分量,通过所提取分量的频率特征精准完成不同类别变压器故障检测,为电力系统稳定运行提供了可靠的依据。     

变压器中微弱信号光声光谱检测系统的设计

变压器是电力系统中的核心器件,对变压器油中溶解气体进行分析可以发现存在的早期故障,研究并设计了一套用于变压器油中溶解气体在线检测的光声光谱系统,主要在数字信号处理系统的设计中,引入了微弱信号的混沌检测和互相关处理方法,有效地提取了低信噪比的周期信号。最后,对系统进行了浓度标定,并针对变压器中主要故障气体进行了准确 性、稳定性等实验。实验表明,系统检测精度达到了４.２５％,在变压器油中溶解气体检测方面有一定应用价值。     

绝缘油色谱产气速率分析

变压器是电网的重要设备,变压器油的色谱分析是判断变压器运行状态的重要检测方法,本文简述了变压器油分析的原理及变压器油中溶解气体成分含量和溶解气体产气速率对了解变压器运行状态的作用。     

基于改进CEEMDAN-TCN模型的风电功率预测研究

针对风力发电时间序列数据随机性大、单一算法难以获得准确预测结果的问题,本文采用改进的完全自适应噪声集合经验模态分解(ICEEMDAN)与时域卷积网络(TCN)相结合的模型预测风电功率。首先,针对集成模态分解的残余噪声和杂散模式问题,采用改进的CEEMDAN将原始序列数据分解为多个复杂度差异明显的子序列;其次,利用样本熵评估各分量复杂度,采用注意力机制的TCN,分别对低复杂度子序列和高复杂度子序列进行预测;最后将各子序列的预测结果叠加,得到最终的预测结果。经在弗兰德伦地区的数据集上测试结果表明,所提的ICEEMDAN-TCN模型的MAPE为1.74%,RMSE为127.36,优于其它对比模型,预测效果表现最优。     

一维纳米SnO_2传感器对变压器油中气体的检测

为准确在线监测电力变压器油中溶解气体,预测其潜伏性故障,通过水热法合成了多种一维纳米SnO2材料,并以其作为气敏材料制作了旁热式气体传感器,研究了其对变压器油中析出气体乙炔的气敏性能。结果显示,各元件表现出不同的气敏性能,其中花状纳米SnO2对乙炔气体的敏感性能最优,在360℃的工作温度下,其对体积分数为1×10–4的乙炔的灵敏度达到38,响应和恢复时间分别为15 s和28 s。     

一种非合作通信中跳频序列多站点联合预测方法

跳频通信具有良好的抗截获与抗干扰性能,而在非合法通信中对跳频序列进行预测可以进行有效攻击和防范。基于此,提出了一种非合作通信中跳频序列联合预测方法。首先通过DeepLabv3+网络对时频图进行语义分割实现跳频序列的检测,然后通过时间卷积网络对跳频序列进行预测,最后通过多站点融合的方法提升预测性能。仿真结果表明,基于DeepLabv3+网络的检测方案可以自适应地在高动态的复杂电磁环境中准确检测跳频信号,时间卷积网络在对跳频序列的预测中表现出良好的抗噪性能以及稳定快速的训练效果,多站点融合能够显著提升预测的准确度,其中加权融合是最佳的融合方案,具有较高的预测精度和鲁棒性。     

一维纳米SnO2传感器对变压器油中气体的检测

为准确在线监测电力变压器油中溶解气体,预测其潜伏性故障,通过水热法合成了多种一维纳米SnO2材料,并以其作为气敏材料制作了旁热式气体传感器,研究了其对变压器油中析出气体乙炔的气敏性能。结果显示,各元件表现出不同的气敏性能,其中花状纳米SnO2对乙炔气体的敏感性能最优,在360℃的工作温度下,其对体积分数为1×10–4的乙炔的灵敏度达到38,响应和恢复时间分别为15 s和28 s。     

基于时间序列组合模型的电力负荷预测

针对传统电力负荷数据非稳定、非线性的特性导致预测精度不高的问题,提出一种基于数据模态分解与CNN-BiLSTM相结合的负荷预测模型。利用自适应噪声完备集合经验模态分解算法（CEEMDAN）对原时间序列负荷数据进行分解,分解成多个稳定的本征模态函数分量（IMF）和残差（Res）;对各分量使用卷积神经网络和双向长短期记忆网络组合模型逐一预测。对预测效果评估指标较差的分量继续采用变分模态分解（VMD）算法进行分解,再次预测从而提高模型的整体预测精度。经过实验验证表明,该组合模型与其他模型相比,有效提高了拟合优度,降低了预测误差。     

变压器事故后的色谱分析

变压器油中溶解气体的色谱分析技术是当前监督变压器内部是否存在潜伏性故障、故障的严重程度和故障趋势的一种有效的状态监测手段.阐述变压器事故后两种检测方法,油中色谱分析法和电气试验法,提出把两种方法相结合可提高事故处理效率的想法,并通过对发生事故的两台110 kV变压器实例的检测,介绍诊断其内部是否存在故障及故障的性质和严重程度的步骤.重点分析如何利用溶解气体色谱分析法分析该变压器油中溶解气体的成份、特征气体含量、变化趋势及三比值的方法,进行故障识别、故障类型和状况诊断、故障部位估算.     

一种新型时间序列多分辨预测模型研究

使用单一模型实现复杂时间序列预测一直是一个研究热点和难点问题.本文采用经验模式分解方法首先将复杂时间序列分解为一系列本征模式函数之和,然后对各个本征模式进行径向基神经网络预测建模,在此基础上,通过各个分量预测结果的等权求和得出综合预测结果.此外,各RBF网络核函数的最优参数对数值与各本征模式分量呈近似线性关系,利用该线性关系可以减少交叉验证求参数的次数,从而降低计算负担.仿真结果表明分解域多RBF网络预测模型对复杂时间序列预测性能好于单一的RBF网络预测模型.     

基于进化神经网络的电力变压器故障诊断

提出了基于进化神经网络（ENNs）的电力变压器故障诊断方法。基于文中所提算法,ENNs能自动调整神经网络的网络参数以达到最佳模型。应用进化算法的全局搜索能力和神经网络的高度非线性映射性质,ENNs可以识别变压器油中溶解气体含量和相应故障类型之间的复杂关系。文中所提的ENNs以某电力公司的诊断记录为依据进行测试,并与模糊诊断系统、人工神经网络和传统方法进行对比。测试结果证明ENNs比现有的方法更能准确诊断故障,所需学习时间更少。     

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。      

基于卷积长短期记忆网络的说话人辨识

利用卷积长短期记忆网络适合时间序列数据的分类和预测处理特点,文章将含有噪音的语谱图映射到卷积长短期记忆网络的高维空间中聚类,去除噪音,构建GMM-SVM说话人模型,完成说话人辨识。实验表明提出的LSTM-GMM-SVM说话人系统具有很好的鲁棒性和识别率。     

一种新型复杂时间序列实时预测模型研究

针对复杂时间序列难以使用单一预测方法进行有效预测的问题，本文提出一种新型多分辨率增量预测模型．该模型首先使用经验模式分解方法对复杂时间序列分解，然后对各分量分别进行增量核空间独立向量组合预测建模，最后对各个分量预测结果等权求和集成为综合预测结果．该预测模型可以实现对复杂时间序列的快速实时预测，实验结果显示该模型在复杂时间序列预测上有良好的性能．     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

混合LSTM与卷积神经网络的氧气提取率预测方法

针对空分装置系统的运行参数量大、氧气提取率预测研究欠缺的问题,提出一种基于卷积神经网络（CNN）、长短期记忆网络（LSTM）以及混合LSTM和CNN的氧气提取率预测方法。将氧气提取率作为预测目标,基于卷积神经网络、LSTM、混合LSTM与卷积神经网络模型对其进行建模,并应用于空分装置系统运行采集的数据中。使用平均绝对百分比误差、均方根误差和平均绝对误差等指标来评价预测模型的精度,并使用模型训练时间以及模型收敛速度评估模型性能。实验结果表明,采用混合LSTM和卷积神经网络的氧气提取率预测方法的效果明显优于其他两种模型。     

电感器、变压器、线圈、阻流圈、磁头、磁芯

0619768用AD2S82A实现雷达方位角的数字变换[刊,中]／孙海善／／单片机与嵌入式系统应用．-2006,(5)．-42- 45(C) 0619769用改进的灰色多变量模型预测变压器油中溶解气体的浓度[刊,中]／肖燕彩／／电网技术．-2006,30(10)．- 86-89(L) 0619770电流互感器的现场检定[刊,中]／赵素华／／电测与仪     

基于SVM的纠错编码多分类算法的研究与应用

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体(DGA)作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。