基于核极限学习机误差预测修正的变压器顶层油温预测

为准确估算变压器热点温度,给变压器负载能力估计、热故障预防、绝缘寿命预测提供辅助依据,建立了基于核极限学习机误差预测修正的变压器顶层油温预测模型。该模型采用核极限学习机对典型的Susa热路模型顶层油温的预测误差进行建模预测,并以核极限学习机的预测值修正热路模型顶层油温预测结果。为提高核极限学习机的预测精度,采用引力搜索算法对核极限学习机的惩罚系数和核参数进行优化。算例结果表明,所提模型的预测结果与实测值基本一致,预测精度高于未经误差修正的半物理模型——Susa热路模型和典型的非线性拟合回归模型——引力搜索优化的核极限学习机模型,并且采用的引力搜索优化的核极限学习机算法在训练时间上显著优于引力搜索优化的支持向量机和Elman神经网络算法,且预测精度略优于后2种算法。     

基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测

为准确估计变压器热状态,提出了一种基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测模型。首先通过Bootstrap采样得到L组训练样本,分别训练L个核极限学习机模型对顶层油温进行拟合回归点预测;然后训练一个核极限学习机模型对顶层油温观测噪声方差进行回归估计;最后根据这L+1个核极限学习机模型的结果估计在某置信水平上的顶层油温的预测区间。算例仿真结果表明,该方法可以较好地考虑变压器顶层油温预测模型的不确定性,得到较为准确可靠的顶层油温预测区间;采用核极限学习机算法的顶层油温区间预测结果的不确定性小于BP神经网络和极限学习机,与采用支持向量机算法区间预测模型相当,但计算速度明显优于支持向量机。相比于传统的顶层油温点预测方法,所提区间预测方法可以为变压器的热状态估计、安全运行等提供更为合理和充分的辅助依据。     

改进PSO优化ELM预测锂离子电池剩余寿命

针对极限学习机在预测锂离子电池剩余寿命过程中的不稳定性,提出利用混合粒子群优化算法对极限学习机预测模型优化的方法。通过改进的粒子群优化算法对极限学习机的输入端进行寻优处理,不但能够使模型的预测精度有进一步提高,而且大大增加了锂离子电池单次剩余寿命预测结果的可信度。利用NASA PCoE公开的锂离子电池数据进行仿真实验并评估该模型的预测性能,然后与标准的极限学习机预测模型预测结果进行对比,统计结果表明该方法使预测误差控制在2%左右。     

基于信号分解和核极限学习机的风电功率预测

针对传统短期风功率预测模型在功率变化较大情况下的预测精度不高问题,提出了一种基于信号分解和量子粒子群算法优化核极限学习机的短期风功率预测模型.首先利用经验小波变换将原始风功率序列分解成为若干个模态分量,再利用核极限学习机建立每个模态分量的预测模型,为了提高模型预测精度,采用量子粒子群算法优化核极限学习机参数,最后将每个模态分量预测值相加得到最终的功率预测结果.以实际风电场发电功率为例,并与其他预测模型进行比较,结果表明所提模型具有较高的预测精度.     

变压器顶层油温预测热模型影响因素分析及其改进

油浸式电力变压器的运行寿命及负载能力与油温密切相关,运行在高温、强辐射地区的变压器容易因为过热而导致早期故障,顶层油温是变压器油温的重要指标。为此,在分析几种典型顶层油温热模型的基础上,考虑变压器所遭受的太阳辐射以及热时间常数随时间变化的影响,引入代表辐射的修正项,同时分析不同滞后时间变量与不同离散方法对热模型的影响,得到了一种改进的顶层油温预测热模型。通过对某750 000kVA/500kV变压器进行实际计算并与现场监测数据比较,同时对比分析考虑各不同因素后的模型的预测精度,发现综合考虑热辐射、滞后时间变量并采用改进欧拉离散方法的热模型预测效果最优,具有平均误差1.21、均方误差1.19的精度。结果表明该改进热模型能较好地预测变压器顶层油温。     

基于支持向量回归的变压器顶层油温预测

油浸式电力变压器的热特性影响着变压器的运行寿命和负载能力,顶层油温作为热特性的一个指标,一旦超过限值,绕组内部绝缘就会下降而导致变压器故障。因此预测顶层油温,提前采取措施防止变压器运行在高温环境显得至关重要。结合问题提出了利用支持向量回归预测顶层油温的方案,首先选定影响顶层油温的特征参量以建立支持向量机模型。其次,利用监测到的各组特征参量训练模型,再通过遗传算法对模型参数进行优化,最终得到变压器顶层油温预测模型。将模型预测值与实际值进行比较,结果显示:支持向量机模型具有较高的预测准确度。     

基于支持向量回归的变压器顶层油温预测

油浸式电力变压器的热特性影响着变压器的运行寿命和负载能力,顶层油温作为热特性的一个指标,一旦超过限值,绕组内部绝缘就会下降,而导致变压器故障。因此预测顶层油温,提前采取措施防止变压器运行在高温环境显得至关重要。结合问题提出了利用支持向量回归预测顶层油温的思想,首先选定影响顶层油温的特征参量以建立支持向量机模型。其次,利用监测到的各组特征参量训练模型,再通过遗传算法对模型参数进行优化,最终得到变压器顶层油温预测模型。将模型预测值与实际值进行比较,结果显示:支持向量机模型具有较高的预测准确度。     

基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法

为实现高精度的短期风速预测,提出一种基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法。在信号处理阶段,利用时变滤波经验模态分解技术将原始风速序列分解为若干子模式以降低其不稳定性。然后采用混合粒子群算法对每一个子模式进行特征提取,接着利用多分位鲁棒极限学习机分别建立预测模型并利用混合粒子群算法进行参数优化,最后对每个子模式的预测值进行聚合计算得到最终的预测结果。仿真结果表明:在考虑使用混合粒子群算法进行特征提取和模型参数优化后,所提方法具有更高的预测精度。同时基于时变滤波法的经验模态分解技术能够进一步提高预测准确性。     

基于最佳分段和改进半物理模型的特高压并联电抗器顶层油温预测

为有效评估特高压并联电抗器内部热状态,提出一种基于最佳分段和改进半物理模型的特高压并联电抗器顶层油温预测方法。首先在充分研究特高压并联电抗器顶层油温曲线"正弦"变化趋势的基础上,采用K-means聚类法对顶层油温曲线进行了分段。然后基于分段内距离、分段间距离和分段重叠度,建立了有效性函数,进而实现了顶层油温曲线最佳分段数的选择。最后综合考虑变压器顶层油温半物理预测模型的离散化处理误差和特高压并联电抗器的主要影响因素,提出一种适用于特高压并联电抗器顶层油温预测的改进半物理模型,并利用Elman神经网络实现了华东地区某特高压并联电抗器顶层油温的预测。结果表明所提出方法的平均预测误差为1.00%,预测精度较高,能够满足现场实际应用的精度要求,从而验证了方法的有效性。     

基于Kalman滤波算法的电力变压器顶层油温预测研究

油浸式电力变压器油温是影响变压器运行寿命和负载能力的重要因素,与变压器顶层油温密切相关。运行在高温、过负荷情况下的变压器容易因为绕组热点温度过高导致早期故障,而顶层油温是变压器热点温度的重要指标。为能精确预测变压器顶层油温,通过分析基于变压器热路模型的顶层油温动态微分方程,构造基于Kalman滤波的顶层油温状态方程和测量方程,建立了顶层油温实时最优估计模型,实时地预测变压器顶层油温。结合现场实测数据对比分析Kalman滤波模型及IEEE导则推荐模型预测结果,结果表明Kalman滤波模型相对IEEE导则推荐模型具备更高的精度,为油浸式变压器顶层油温预测提供一种新的参考。     

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。     

基于粒子群优化极限学习机的断路器故障诊断方法研究

断路器动作时,分合闸线圈电流特征能够反映断路器操动机构或者二次回路的运行状态,文中基于分合闸线圈电流特征值创建了样本库,并提出使用粒子群优化学习机进行故障诊断的方法。该方法首先通过粒子群优化算法寻找最优解,即极限学习机模型中输入层与隐含层间的权值以及隐含层的偏置,然后利用最优值进行极限学习机网络训练,最后使用训练好的网络对测试样本进行诊断并验证该方法的有效性。同时搭建了未优化的极限学习机模型和遗传算法优化的极限学习机模型,仿真结果表明,经过粒子群算法优化后的极限学习机能100%识别出样本中不同的断路器故障状态,相比另外两种算法具有更好的稳定性和更高的精确度。     

基于油浸式电力变压器顶层油温预测模型的多参数灵敏性分析

为了提高变压器顶层油温的预测精度,本文提出了 一种考虑日照辐射强度和油非线性时间常数变化的顶层油温预测模型.通过拉丁超立方抽样和KS检验,进行了多参数灵敏性分析.结果证明,变压器的额定负载下的顶层油温是影响变压器顶层油温预测的最敏感参数,相比Radakovic提出的IEEE顶层模型,改进的顶层油温模型的预测精度更高.     

基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

基于DGA的粒子群极限学习机电力变压器故障诊断

传统单一人工智能方法对变压器故障诊断中采用的大量不完备信息不能够有效处理,导致故障诊断准确率不高。为弥补这一不足,在全面分析粒子群算法(particle swarm optimization,PSO)和极限学习机(extreme learning machine,ELM)各自优势的基础上,构建了一种基于粒子群优化极限学习机的变压器故障诊断方法。该方法以DGA作为特征输入,利用粒子群算法对极限学习机的输入层权值和隐含层阈值进行优化,从而提高变压器故障诊断的精度。实例对比分析表明,与BP神经网络和极限学习机方法相比,粒子群极限学习(PSO-ELM)方法有更高的诊断准确率。     

基于遗传算法改进极限学习机的变压器故障诊断

针对变压器故障的特征,结合变压器油中气体分析法以及三比值法,提出了基于遗传算法改进极限学习机的故障诊断方法。由于输入层与隐含层的权值和阈值是随机产生,传统的极限学习机可能会使隐含层节点过多,训练过程中容易产生过拟合现象。该方法运用遗传算法对极限学习机的输入层与隐含层的权值与阈值进行优化,从而提高模型的稳定性和预测精度。将诊断结果与传统的基于极限学习机故障诊断进行对比,结果表明,基于遗传算法改进极限学习机变压器故障诊断的精度更高。     

粒子群优化极限学习机的短路电流预测技术

针对传统极限学习机预测模型精度低和稳定性能差的问题,提出了一种利用粒子群算法优化极限学习机的短路电流峰值预测模型.建立超高压输电线路仿真模型,分析短路故障波形特点,获取全相角短路故障电流历史数据,利用平均相对误差、均方根误差、灰色绝对关联度三种精度检验法作为粒子群算法的适应度函数,构建粒子群算法与极限学习机算法相结合的...     

基于Topsis和熵值法的相似日变压器顶层油温预测方法研究

考虑到顶层油温一定程度上表征了变压器的运行状态,因此对变压器顶层油温的预测具有重要意义.提出了一种基于Topsis和熵值法的变压器顶层油温预测方法,该方法通过合理选择相似日,实现了变压器顶层油温的精确预测.基于Topsis法提出了综合考虑温度、湿度、降雨、光照、风速和气压的气象因素相关度计算模型,在充分研究负荷因素和时间因素相关度的基础上,利用加权原理和熵值法,建立了综合相关度计算模型,详细分析了相似日判别与顶层油温预测的流程,并将其应用到江苏地区某特高压主变主体变压器顶层油温预测工作中进行分析.最后结果表明该方法预测精度高,可以满足现场实际应用需求,从而验证了该方法的可行性与有效性.     

基于粒子群算法优化核极限学习机的磨煤机故障诊断

磨煤机是火电厂的重要设备,其性能好坏会直接影响火电厂的运行。提出一种基于核极限学习机的磨煤机故障诊断方法,采用核函数代替极限学习机隐含层节点的特征映射,从而无需设置隐含层节点数。该方法通过核极限学习机建立故障诊断模型,然后利用粒子群算法对核极限学习机的参数进行优化。实例分析表明,与BP神经网络、SVM等方法相比,该方法的故障诊断准确率高,而且具有更短的训练时间和更好的泛化能力。     

综合RapidMiner与改进粒子群极限学习机算法的变压器故障诊断

针对三比值法用于变压器故障诊断缺编码以及各种人工智能方法抗干扰能力不足等问题,提出了综合RapidMiner与改进粒子群极限学习机算法RM-MPSO-ELM的变压器故障诊断方法。该方法利用RapidMiner工具,结合变压器样本数据,挑选出与故障类型最相关的输入变量,并针对极限学习机算法参数选择困难的问题,利用改进粒子群优化算法进行了参数优化。最后,使用极限学习机算法对变压器的潜在故障进行识别,并将之与IEC三比值法、支持向量机方法以及不同组合的极限学习机算法的诊断性能进行了比较。结果表明,本文所提方法具有更高的诊断精度。