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。     

基于二次维数约简的油中溶解气体浓度预测

针对变压器油中溶解气体浓度的检测问题,提出基于二次维数约简的油中溶解气体浓度预测模型。首先,采用互信息变量选择方法选取预测模型的输入变量;然后,对输入变量进行相空间重构,采用核主元分析对重构相空间进行特征提取,达到数据降维、滤除数据噪声、消除变量间相关性的目的,并用Renyi熵信息测度确定核主元分析的模型参数;最后,将核主元分析提取的主元变量作为核极限学习机的输入,建立变压器油中溶解气体浓度的预测模型。与灰色预测模型、仅变量选择的预测模型、仅特征提取的预测模型的对比实验结果表明,所提出的基于二次维数约简的油中溶解气体浓度预测模型具有较优的预测精度和泛化能力。     

基于随机森林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分析及发展趋势预测,可以为变压器的状态评估提供重要的依据。传统的离线DGA方法因易导致延迟判断变压器的运行状态,造成一定的经济损失,现已不适用于油中溶解气体浓度分析及预测。因此,提出一种基于随机森林的变压器油中溶解气体浓度预测模型,以更准确地分析与预测油中溶解气体浓度。该模型以7种气体浓度构成特征向量空间,作为可视输入,并以目标气体浓度作为输出。试验结果表明,相较于传统的机器学习方法(BPNN、RBF和SVM),随机森林模型能更准确地预测油中溶解气体浓度,且需要调整参数少、训练效率高。通过算例分析,验证了该方法的有效性。     

基于离散灰色模型的变压器油中溶解气体浓度预测

油中溶解气体浓度分析被广泛用于监测油浸电力设备的早期故障。将改进灰色模型引入变压器油中溶解气体浓度预测。分析了灰色预测模型GM(1,1)和离散灰色预测模型DGM(1,1)两者之间的关系,讨论了模型预测的准确性和稳定性。分别用GM(1,1)模型和DGM(1,1)模型对变压器油中溶解气体浓度进行建模预测。对比分析结果表明:GM(1,1)模型从离散形式到连续形式的跳跃使得模型不够稳定,随着发展系数的增加,预测精度下降。DGM(1,1)模型是GM(1,1)模型的精确形式,具有更高的预测精度和较好的稳定性,被推荐替代GM(1,1)模型预测变压器油中溶解气体浓度。     

基于组合预测模型的变压器油中溶解气体质量浓度的预测

为了对变压器油中溶解气体质量浓度进行准确预测,提出将BP神经网络、灰色理论和线性回归预测算法进行综合,采用最优加权组合预测模型,对油中溶解气体质量浓度的发展趋势进行预测.该方法先对这3种单项预测方法根据各自的预测误差,按照预测误差平方和最小的原则计算各自的权重,然后加权综合建立最优组合预测模型,再计算出变压器油中溶解气...     

变压器油中溶解气体浓度的区间预测

应用灰色关联度分析方法确定了与待预测状态量关联度较高的因素,并利用熵理论建立了具有客观权重的组合预测模型。预测区间可有效量化由不确定因素引起的油中溶解气体浓度波动,应用比例系数法和粒子群优化算法建立了一定置信水平下油中溶解气体浓度的区间预测模型,且不受传统区间预测方法中必须服从正态分布的限制。实例结果验证了所提模型的有效性。     

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。     

基于小波分解的变压器油中故障气体预测方法

变压器油中溶解气体浓度值具有随机振荡性,且有一些测量误差,是预测气体浓度的难点。提出一种基于小波分解的气体浓度预测方法,将气体浓度数据进行小波分解,趋势部分使用GM(1,1)模型预测,细节部分使用AR(2)模型预测,对预测数据进行小波重构得到原时间序列的预测结果,并给出了未来时刻溶解气体浓度在一定置信度下的变化区间。数值试验结果显示,此方法预测结果比灰色预测模型准确,且误差近似服从均值为0的正态分布。     

基于非负矩阵分解与改进极端学习机的变压器油中溶解气体浓度预测模型

变压器油中溶解气体浓度是评估变压器绝缘状态的重要依据,对气体浓度进行有效预测,可以及时识别变压器潜伏性故障。文中提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)与改进极端学习机(extreme learning machine,ELM)组合的变压器中溶解气体浓度预测模型。该方法通过NMF算法对输入样本进行分解,同时引入Adaboost算法对极端学习机进行改进;将低维矩阵作为模型的训练样本输入,剔除冗余数据,提高预测精度。实例分析结果表明,文中提出的方法能有效地降低输入样本维数,提高预测精度,能较好地解决变压器油中溶解气体浓度预测问题。     

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。     

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。     

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。     

应用新型多方法组合预测模型估计变压器油中溶解气体浓度

为提高变压器故障的预测能力,提出了采用最优加权组合预测模型,将灰色理论、BP神经网络、遗传算法和卡尔曼预测算法这4种单项预测算法综合起来,对油中溶解气体的浓度及发展趋势进行精确预测。首先对根据各种单项预测方法的误差,按照预测误差平方和最小的原则计算各自的权系数,然后加权建立综合组合预测模型,并最终求解出变压器油中溶解气体的浓度。组合预测法能很好地综合各种单项预测方法的优势,更大限度地作出正确的预测。预测实例分析也证明了组合预测方法的可靠性和有效性。该方法不仅可以有效降低单项预测算法的预测误差,提高预测模型的预报能力,同时还为电力系统中其它领域的预测提供了新的思路。     

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.     

卡尔曼滤波对油中溶解气体含量的预测

准确测量变压器油中溶解气体的浓度是对变压器进行色谱分析的关键,为此,以卡尔曼滤波理论为基础研究了新型油浸式电力变压器油中溶解气体含量的预测模式及其应用特性,并分析了卡尔曼滤波的稳定性、实用性及其适应数值变化的能力,展示了卡尔曼滤波在数据预测方面的优越性。在卡尔曼滤波算法的迭代计算中以观测量的最小均方误差阵为准则,推导出了用预测误差向量进行方差估计,求出最小方差意义下预测量的最优估计。理论推导和仿真结果表明,该方法计算简单、可靠,可以大大地降低预测误差,提高预测模型的预报能力,能满足工程实践的需要。     

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。