基于遗传优化支持向量机的变压器绕组热点温度预测模型

油浸式电力变压器的运行寿命及负载能力与绕组热点温度密切相关。精确预测变压器绕组的热点温度,是有效预防变压器热故障、准确预测变压器运行寿命和优化变压器设计的关键技术之一。论文研究了绕组热点温度支持向量机建模。为提高模型预测的精确度,选用径向基核函数优化模型结构;利用遗传算法对参数进行寻优。结合实验室模拟温升变压器绕组温度实测数据,提取输入和输出的特征量,并划分训练集和预测集,建立了基于遗传优化支持向量机的变压器绕组热点温度预测模型。实验表明:应用本文模型预测结果与实测值基本一致,优于BP神经网络以及Elman神经网络的预测结果。     

基于时序NARX自适应神经网络的油浸式变压器绕组温度预测

变压器绕组热点温度过高会导致绝缘老化速度变快,剩余寿命变短。为此提出了一种基于时序性外因非线性自回归(NARX)的自适应神经网络模型以获得更精准的绕组热点温度预测数据。首先,确定影响变压器绕组温度的外部特征因子种类;然后,对变压器绕组热点数据和其他数据进行预处理;最后,将处理后的数据输入时序NARX自适应神经网络模型进行训练和调参,完成模型的构建。经实例验证,提出的外因NARX自适应神经网络绕组热点温度预测模型能对不同类型变压器数据进行特定的预处理,并且与支持向量机回归、回归树、高斯核回归方法相比,预测误差更小,在提高精度上具有更大优势。     

基于粒子群优化-支持向量回归的变压器绕组温度软测量模型

针对变压器绕组热点温度测量问题,建立一种基于粒子群优化-支持向量回归算法的变压器绕组热点温度软测量模型,并验证此模型的预测效果。利用基于被动聚集的改进粒子群优化(PSO)算法,优化支持向量机的支持向量回归(SVR)模型的参数组合,并且找到其最优解。充分考虑变压器运行的相关因素,对绕组热点温度软测量模型进行训练与学习,实现对难以直接测得的绕组热点温度的预测。通过对某市110kV变压器运行数据的训练和预测结果,并将其与BP神经网络和SVR方法的结果对比,证明所建模型具有较好的预测能力。     

基于多物理场计算和模糊神经网络算法的变压器热点温度反演

热点温度是影响油浸式变压器绝缘寿命的重要因素之一。针对分布式光纤传感器测温系统测量热点温度时造成的不良影响与安装的不便性。提出一种基于多物理场计算和模糊神经网络算法的油浸式变压器热点温度反演模型。以66 kV三相三柱油浸自冷式变压器为例,采用有限体积法耦合迭代求解变压器流体–温度场,确定热点温度范围区域。筛选出环境温度、变压器顶层油温、变压器外壳及油箱顶部等12个特征点的温度建立模糊子集,再通过T–S模糊神经网络算法预测变压器绕组热点温度值。计算结果表明其与光纤传感器实际测量绕组热点温度误差4%,比传统方法具有更高的精度。该方法实现了特征量测量非植入式,为电力变压器在线监测、热点温度计算提供一种新的计算思路。     

基于GA-BP神经网络的变压器绕组热点温度预测研究

变压器是电网核心设备之一,保障其安全稳定运行具有重要意义.针对现有变压器绕组热点温度预测方法中存在的问题,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型.利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2?05％和0?21,优于其他方法,验证了该方法的正确性.     

采用Kalman滤波算法预测变压器绕组热点温度

油浸式电力变压器绕组热点温度是影响变压器绝缘寿命的重要参量,为精确预测绕组热点温度,通过分析考虑负载动态变化和顶层油温相对绕组热点温度的动态变化的微分方程,构造基于Kalman滤波的热点温度状态方程和测量方程,建立了热点温度实时最优估计模型;利用实验室搭建的基于光纤光栅传感的温升试验平台测试数据,通过模拟智能电网中变压器热点温度监测数据中的噪声以及因传感器失效所引起的某时间段的数据缺失,验证了Kalman滤波模型的内插能力和滤波能力;根据某电站主变压器现场监测的变压器热点温度的有限实时数据,以及相关误差的统计信息,对所建模型进行外推,实时地预测热点温度,并与IEEE导则推荐模型的预测结果进行了对比。结果表明,基于Kalman滤波的热点温度模型更接近实测值,其在2月份和9月份的平均绝对百分比误差(1.5730%,0.8866%)和均方根误差(0.8180°C,0.8562°C),均优于IEEE导则模型的预测结果,具有较好的内插、平滑以及外推性能,为实时监测变压器绕组热点温度提供了一种新的工具。     

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。     

油浸式电力变压器动态热路改进模型

油浸式电力变压器绕组的热点温度是指导变压器负载运行方式和影响变压器绝缘寿命的重要参数,准确计算绕组热点温度具有重要意义。在分析运行变压器散热过程的基础上,考虑油箱外壁与周围环境的热量传递,利用传热学原理和热电类比方法,定义非线性热阻和集总热容,并考虑油粘度随温度的变化,建立电力变压器动态等效热路的改进计算模型。将模型的计算结果与实验室自然油循环自然空气(oilnatural-air natural,ONAN)冷却方式下100 kVA/5 kV油浸式温升试验变压器实测数据和IEEE Std C57.91推荐方法计算值进行对比,比较结果表明:通过改进模型计算的变压器顶层油温和绕组热点温度具有较高的精度。     

基于多物理场仿真和神经网络算法相结合的油浸式变压器热点温度动态反演方法

绕组热点温度是影响油浸式电力变压器绝缘老化程度的重要因素之一。已有的变压器热点温度计算方法主要包括经验热模型、热路等值模型、人工智能算法等,这些方法在计算准确性和实际应用方面各有不足。基于此,提出了基于多物理场仿真和神经网络算法相结合的油浸式变压器热点温度反演方法。借助多物理场仿真技术实现变压器的高精度模拟,以获取多种环境温度和负载升降变化运行断面下的可信样本,并提取环境温度、顶层油温、负载系数等特征参量作为输入,采用反向传播神经网络建立变压器热点温度的反演模型。以100 kVA/10 kV变压器为例进行分析,结果表明该文提出的热点温度计算方法可以实现负载系数和环境温度变化过程中热点温度的动态反演,其动态反演曲线和实际测量曲线均方根误差为0.94℃,较现有的导则经验公式和热路模型有更高的计算精度。     

基于LSTSVR模型的边缘计算预测变压器平均油温及绕组热点温度

变压器绕组的热点温度过高,会导致变压器绝缘脆解、裂化甚至击穿短路。因此及时、准确地预测出变压器绕组的热点温度,对提高变压器运行的安全可靠性至关重要。利用最小二乘双支持向量回归机(LSTSVR)作为边缘计算模型,将变压器油中气体色谱分析数据信息与变压器负载电流、环境温度、顶层油温、上死角温度等变压器运行信息结合,构建监测系统架构,预测变压器的平均油温,并计算出绕组热点温度。将所提方法得到的数据与实测数据进行对比,结果利用LSTSVR模型实现了变压器平均油温及绕组热点温度的准确预测,且该模型的预测精度优于最小二乘支持向量回归机模型,有效地提高了绕组热点温度测量的精度。现场实例也证明了所提方法的有效性和可靠性。     

基于 ACO 优化 BP 神经网络的变压器热点温度预测

针对变压器热点温度预测精度问题,提出一种蚁群算法( ant colony algorithm,ACO)结合改进主成分分析法( improved principal component analysis,IPCA)优化 BP 神经网络的热点温度预测模型。 首先采用 IPCA 去除数据冗余信息,并解决参数间 相关性问题,提高网络泛化能力。 为了避免 BP 神经网络容易陷入局部最优和收敛速度慢,利用 ACO 优化网络权值和与阈值, 加快算法速率,提高预测精度。 通过变压器温度实测数据验证,预测结果中的 mae、mse、mape 指标分别为 0. 065 7、0. 006 7、 0. 44%,预测精度和网络性能优于 IEEE、BP、IPCA-BP 模型,从而验证所提模型的有效性和可行性。     

基于神经网络算法的变压器油温诊断

油浸式变压器顶层油温是变压器热点温度的重要指标,直接影响变压器运行寿命和负载能力。针对油浸式风冷变压器上层油温过高对变压器安全运行的影响问题,研究了影响主变油温的相关变量,建立了神经网络算法的变压器油温异常诊断模型;利用一次南通海安变风机没有启动引起的油温异常状态和主变油温正常状态下的两组监测数据完成了模型的验证;通过预测值和实测值的比对分析,诊断出变压器油温异常。结果表明,建立的诊断模型,能够诊断主变油温异常,很好地完成对主变上层油温的预测。     

基于改进PSO-LSSVM模型的变压器绕组热点温度预测

针对现有变压器绕组热点温度预测方法中存在的不足,采用收缩因子对粒子速度更新方式进行改进,保证PSO算法前期的全局搜索能力和后期的局部寻优能力,提高了算法的收敛性能;利用改进PSO对LSSVM参数进行寻优,建立基于改进PSO-LSSVM的变压器绕组热点温度预测模型。利用实际监测数据进行仿真分析,改进PSO-LSSVM的变压器绕组热点温度预测模型的预测效果优于其他方法,验证了本方法的正确性和实用性。     

利用反向传播神经网络研究变压器油多关联参数

介绍用反向传播（back propagation,BP）神经网络对变压器油的重要参数——击穿电压建立预测模型,实现对变压器油性能监测的方法,阐述了网络层数、神经元个数、训练函数的设计过程,样本训练的实验结果证明该网络模型具有较好的预测能力;同时,基于BP神经网络的建模方法建立包括变压器油击穿电压、闪点、酸值、总烃、水分等参数之间关联的BP网络预测模型,将2种模型进行比较发现,网络预测模型的预测结果与实际结果的相对误差较小,从而证明该预测模型具有一定的实际意义。     

改进粒子群优化神经网络在变压器故障诊断中的应用

变压器绕组早期故障的诊断是实现安全生产、避免大事故的技术前提。由于变压器器身振动信号包含有丰富的信息,所以可以通过监测变压器振动信号来预估绕组的状况。笔者首先利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,并将其作为BP神经网络的输入向量,同时利用改进粒子群算法(IPSO)对BP神经网络进行优化。最后利用训练好的BP神经网络对变压器进行故障诊断。试验结果表明:与传统BP神经网络法和PSO-BP神经网络方法相比,该方法克服了BP神经网络的一些缺陷,具有较快的收敛速度和较高的诊断精度,对变压器绕组的早期故障具有良好的预测能力。     

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。     

油浸式电力变压器饼式绕组温升的影响因素分析

对油浸式电力变压器饼式绕组的油流流速及温度分布特征进行了研究,同时分析了水平油道宽度等参数对油道油流流速及绕组温升的影响。以1台容量为321.1 MV·A的油浸式换流变压器网侧绕组结构为原型,建立了绕组温升的物理计算模型。结合变压器设计原理设置不同的油道参数,计算了绕组油道油流流速以及温度的分布情况,分析了入口油流速度、水平油道宽度、饼式绕组分区数量以及导线匝间绝缘厚度等参数对油道油流流速及绕组温升的影响。结果表明:饼式绕组热点位置位于最后一个分区中心线饼附近;不同的入口油流流速、水平油道宽度及饼式绕组分区数将影响水平油道中的油流速度分布,进一步影响绕组的温度分布及热点温升;导线匝间绝缘厚度对油流速度分布没有影响,但对绕组的温升有一定的影响。     

油浸式电力变压器绕组温度场的二维仿真分析

介绍了用于计算油浸式电力变压器绕组温升的FLUENT模型,对其模拟方案进行了分析,并对油浸式电力变压器绕组的温度场分布及热点温度进行了研究.     

基于有限体积法的分体式冷却变压器热学三维仿真技术

变压器分体式冷却系统与常规冷却方式的散热器安装位置与安装方式均差别较大。由于分体式冷却系统的特殊性,在进行仿真模型研究时参数制定和模型搭建较复杂,目前对其进行热学仿真的研究较少,且仿真准确性难以验证,需要开展更加深入的仿真研究和试验比对工作。对改造的10 k V油浸式变压器进行分体式冷却方式下的模拟试验,基于模拟试验变压器及分体式冷却器的设置建立了变压器分体式冷却系统的三维流-固-热耦合仿真计算模型,采用有限体积法求解出变压器及分体式冷却器的温度场分布,得到分体式冷却器在不同布置方式下的绕组热点温度。将仿真计算结果与试验数据、IEEE导则计算结果进行比对,结果显示,仿真得到的绕组热点温升、顶层油温升的误差比IEEE导则计算结果的误差分别减小了16.6、15.15 K,验证了该仿真模型的准确性和工程实用性。分析显示,试验模型散热器中心高度增加2 m,热点温度降低了7.9 K;散热器与变压器水平距离缩短3.5 m,热点温度上升了4.1 K,从而获得了分体式冷却布置方式对变压器热点温度变化趋势的影响。