基于小波分解和长短期记忆网络的变压器油中溶解气体浓度预测

对油中溶解气体浓度进行精确预测,可为变压器故障预警提供重要依据。现有的油中溶解气体预测模型主要基于单一或少数状态参量,而状态参量变化并非独立过程。利用Apriori算法挖掘变压器油中溶解气体间的关联规则,在此基础上提出了一种基于小波分解和长短期记忆网络的变压器油中溶解气体浓度预测方法。Apriori算法可挖掘变压器油中溶解气体间的关联规则,以此确定预测模型的输入矩阵。通过小波变换提取出参量序列中的低频趋势分量和高频波动分量,运用长短期记忆神经网络在不同分量上分别进行预测,并重构得到各参量的预测结果。算例结果表明,所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。     

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。     

基于变分模态分解和门控循环单元神经网络的变压器油中溶解气体预测模型

油中溶解气体分析是变压器早期故障诊断的一种有效方法,对变压器油中溶解气体进行精准预测,可为变压器早期故障监测和预警提供理论依据.为此本研究提出了一种基于变分模态分解和门控循环单元神经网络的变压器油中溶解气体预测模型.首先对变压器原始油中溶解气体体积分数时间序列进行变分模态分解,将其分解为各子序列,消除其不平稳性的影响;...     

基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法

对油中溶解气体浓度进行有效预测,可为电力变压器故障诊断及预警提供重要依据。提出一种基于经验模态分解与长短期记忆神经网络的变压器油中溶解气体浓度预测方法。首先,运用经验模态分解将气体浓度序列分解为一组相对平稳的子序列分量,以减少不同趋势信息间的相互影响;然后,针对各子序列分别构建基于长短期记忆神经网络的时序预测模型,并利用贝叶斯理论对网络相关超参数进行优化,以提高单个模型的预测精度;最后,叠加各子序列预测结果得到气体浓度预测值。算例研究结果表明,相较于传统预测算法,所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。     

基于混合模态分解和LSTM-CNN的变压器油中溶解气体浓度预测

对油中溶解气体浓度进行预测,可提前掌握变压器运行趋势。提出一种基于混合模态分解和LSTMCNN(long short-term memory network-convolution network)网络的预测方法,实现精准的气体浓度预测。首先,为消除分解中模态混叠和残余白噪声的影响,对气体序列进行ICEEMDAN分解,以削弱序列的非平稳性;然后,使用VMD对聚合重构后的高频分量进行二次分解,降低高频分量的复杂度;最后,为了增强模型对序列时间特征和空间特征的拟合,采用结合时间注意力机制的LSTM-CNN网络对分解分量分别进行预测并重构气体浓度数据。算例验证表明,所提出的模型相比其他模型具有更强的预测性能,为后续故障预测提供有力支撑。     

基于量测数据贝叶斯概率矩阵分解的变压器运行状态监测方法

变压器的安全运行是电力系统可靠供电的重要环节,而变压器油中溶解气体浓度变化是变压器运行状态监测的重要组成部分.本文以变压器油中溶解气体浓度为监测信息,提出了一种结合贝叶斯概率矩阵分解和长短期记忆神经网络的变压器运行状态监测方法.首先,针对油中溶解气体实际监测时存在的数据缺失问题,采用贝叶斯概率矩阵分解对缺失数据进行预测...     

浅论油色谱分析判断变压器缺陷及故障

1 概况 测量变压器油中溶解气体的含量可提前预测其内部故障,防止设备损坏和由于设备损坏而导致的电网大面积停电事故的发生.利用变压器油中溶解气体的色谱分析方法,可以在不停电情况下随时监视设备的运行状态,这对保障设备乃至电网的安全运行起到积极作用.在实际工作中,无论是变压器热故障还是电故障,最终都将导致绝缘介质裂解产生各种特征气体.通过对变压器油色谱跟踪分析并结合运行工况状态,判断故障产生原因,从而使检修工作有的放矢.     

基于SMA-VMD-GRU模型的变压器油中溶解气体含量预测

针对电力变压器油中溶解气体浓度序列非线性、非平稳特性影响预测精度问题,该文基于黏菌算法(SMA)和变分模态分解(VMD)构成黏菌算法优化的变分模态分解(SMA-VMD),结合门控循环单元(GRU)组成分解-预测-重构的变压器油中溶解气体含量预测模型。首先,采用差分法提取原始序列趋势项;然后利用SMA-VMD对剩余序列进行分解,得到一组平稳的模态分量;之后通过GRU对分解所得各模态分量分别进行预测;最后对预测结果进行重构。该研究通过对变压器油中溶解气体H₂进行仿真实验,并与另外五种预测模型对比,得出SMA-VMD-GRU模型预测结果平均绝对百分比误差为0.36%,方均根误差为1.76μL/L,有效地提高了变压器油中溶解气体含量含量预测精度。通过对变压器油中溶解气体成分CH₄、CO、总烃进行仿真实验,证明了该研究所提预测模型的有效性。     

基于时间序列和支持向量机的变压器故障预测

电力变压器故障预测可实现对变压器故障的早期预警,对保证电力系统的正常运行具有重要意义。该文提出了一种基于时间序列和支持向量机(SVM)的变压器故障预测模型。该模型以时间序列分析中的自回归积分滑动平均模型(ARIMA)为基础,采用遗传算法(GA)对ARIMA模型参数p和q进行定阶,并利用定阶后的时间序列模型对变压器油中溶解气体进行预测,然后利用基于网格搜索算法(GS)优化后的SVM模型对预测出的油中溶解气体进行诊断。运行结果表明,该模型的预测准确率可达89.66%,而利用GM–SVM、ARIMA–SVM和GA–ARIMA–ANN得到的预测准确率分别为58.62%、79.31%、75.86%。因此,所提出模型有更高的预测准确率。     

利用油色谱分析判断变压器故障及处理

1引言测量变压器油中溶解气体的含量可预测其内部故障,防止设备损坏和由于设备损坏而导致的电网大面积停电事故的发生。利用变压器油中溶解气体的色谱分析方法,可以在不停电情况下随时监测设备的运行状态,这对保障设备及电网的安全运行起到积极作用。在实际工作中,无论是变压器热故障还是电故障,最终都将导致绝缘介质裂解产生各种特征气体。通过对变压器油色谱跟踪分析,并结合运行工况状态,可判断故障产生原因,从而使电气试验和检修工作有的放矢。     

基于SDS-SSA-LSTM的变压器油中溶解气体浓度预测

油中溶解气体浓度预测对变压器早期故障检测至关重要。为了提高预测精度,本文提出了奇异谱分析(SSA)结合长短期记忆网络(LSTM)的预测模型。首先针对传统序列分解做法中的数据泄露问题,提出一种基于SSA逐步分解的采样策略,然后基于该策略将特征复杂的原始油中溶解气体浓度序列分解为特征相对单一的趋势分量与波动分量,最后利用LSTM网络对各个分量分别进行单步和多步预测。累加各分量的预测值,得到原气体浓度的预测结果。算例表明,相较于单一LSTM,本文所提模型在实验天数内整体的预测精度更高。     

基于GRA-CEEMDAN-BiLSTM的变压器油中溶解气体浓度预测

基于自适应噪声完全集成经验模态分解与双向长短期记忆神经网络的变压器油中溶解气体浓度预测模型,本文中作者提出一种考虑待预测状态参量与影响因素相关性。首先,利用灰色关联分析法确定与待预测状态参量关联度较高的因素,作为关键预测输入参量;然后,运用自适应噪声完全集成经验模态分解将待预测参量序列分解为不同尺度相对平稳的子序列分量...     

变压器油色谱混沌特性的过热故障分析及预测

在利用油色谱数据对电力变压器进行故障诊断时,为了改善因油色谱数据的波动及其非线性所带来的干扰,文中在利用油色谱分析过热故障时,引入了混沌理论对非线性系统进行分析。文中通过相空间重构建立油色谱数据混沌时间序列,并进行系统混沌特性判定,再将油色谱数据的波动以混沌特征量进行表征,比较分析过热故障特征气体在不同监测数据段中的混沌特征参量变化,从而提取油色谱非线性数据中所包含的状态信息。然后,基于混沌序列具有的短期预测性,利用最大Lyapunov指数预测法对油中气体体积分数的趋势进行预测。实例分析结果表明:过热故障特征气体的混沌特性参量能准确地进行过热故障的识别;在分析相应混沌时间序列后,可以准确预测油中溶解气体体积分数及其短期变化趋势。实例验证了该方法在变压器过热故障识别时的有效性。     

采用LSTM网络的电力变压器运行状态预测方法研究

为预测电力变压器运行状态,首先分析了变压器运行过程中状态变化的影响因素,选取油中溶解特征气体体积分数和运行工况、检修记录、运行时间作为关键影响因素。采用模糊综合评判思想对电力变压器运行状态进行评估,并以模糊综合隶属度为数据标签建立基于长短时记忆网络的电力变压器状态预测模型。利用变压器油中气体序列数据及技术指标参数的状态隶属度数据对长短时记忆网络进行训练,以发掘特征参量与变压器状态之间的对应关系及模型预测参数。实例分析表明,所提方法可有效预测电力变压器运行状态,基于长短时记忆网络的电力变压器状态预测模型对1周后变压器状态预测准确率达94.4%,对1个月后状态预测准确率达81.2%,能较准确地反映变压器的优劣状况。     

基于灰色马尔可夫模型的变压器油中溶解气体体积分数预测

准确预测变压器油中溶解故障特征气体的体积分数对发现变压器早期潜伏性故障,实现电力系统安全经济运行具有重要意义。将灰色多变量预测方法和马尔可夫链理论有机结合,提出了一种适合变压器故障特征气体体积分数预测的灰色马尔可夫组合预测模型。利用优化的背景值构造公式建立灰色多变量模型对变压器故障特征气体时间序列的宏观发展规律进行动态预测,在此基础上,建立故障特征气体时间序列的状态转移概率矩阵,以归一化的各阶自相关系数作为权重值,通过加权马尔可夫链模型修正灰色多变量模型预测值,实现变压器故障特征气体体积分数的预测,预测精度较高。实际算例分析验证了该模型的实用性和有效性。     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

基于广义回归神经网络的变压器油中特征气体发展趋势预测研究

通过对广义回归神经网络(GRNN)在预测方面的研究,结合变压器特征气体检测的实际情况,建立了一种基于GRNN的变压器油中特征气体发展趋势的预测模型,用于等时间间隔和非等时间间隔采样,预测未来任意时刻变压器油中特征气体值、产气速率以及产气速率超出限定值的时间点,在吉林省多台变压器上应用,证明该方法预测误差均在允许范围之内,可避免设备故障的发生,提升了电网的运行水平。     

利用数据挖掘的绝缘油色谱分析故障建模初探

利用DataCruncher数据挖掘工具对变压器油色谱分析结果进行数据挖掘处理和故障模型建立 ,给出了油中溶解气体体积分数及其组合参数与变压器故障是否存在之间的关联关系。所建模型预测故障的结果证明与三比值法吻合 ,并能预测无三比值编码的故障 ,故障预测准确率较高     

计及维护操作影响的变压器内部潜伏性故障率预测模型

为了量化维护操作对变压器故障率的实际影响,文中通过深度挖掘短时间尺度下变压器油色谱监测数据,建立了一个基于实时运行工况的变压器内部潜伏性故障率预测模型。对传统马尔科夫故障率模型的建模过程进行了分析,指出该模型中的自变量状态持续时间无法响应维护操作影响,提出对状态持续时间参数进行修正;具体步骤为利用R型聚类-主成分分析算法提取关键溶解气体种类;通过径向基函数神经网络建立了关键溶解气体含量与修正状态持续时间之间的映射关系;推导变压器内部潜伏性故障率关于修正状态持续时间的解析表达式。结果表明,与马尔科夫故障率模型相比,所建立的模型具备表征维护操作影响与变压器实际故障率的能力。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。