基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。     

计及健康评估与风险量化的变压器检修策略

为量化检修对变压器健康状况与运行风险的影响,本文中作者提出了一种计及健康评估与风险量化的变压器检修策略制定方法。首先,建立变压器健康评估指标体系,基于健康评估构建表征变压器实时健康状况的可靠性模型;其次,采用恢复函数量化不同检修方式对变压器可靠性的影响,通过等效役龄法确定检修前后的变压器可靠性;然后,分析变压器的运行风险经济,构建合理的检修策略优化模型;最后,采用改进鸽群算法进行迭代寻优,从而确定最优检修方案及检修时间。通过对某变电站变压器的检修策略分析,验证了所提方法的可靠性与准确性。