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...     

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。     

基于卡尔曼滤波算法的油浸式变压器绕组热点温度预测研究

本文作者研究基于卡尔曼滤波算法的油浸式变压器绕组热点温度预测模型,为有效分析此类变压器绝缘寿命提供依据。采集影响绕组热点温度的相关数据并构成基础数据库,构建变压器绕组线性离散热点温度模型,通过向该模型内叠加基础数据库内的噪声数据,获得热点温度的状态与测量方程,经由两种方程运算得出绕组的历史热点温度值,以此温度值作为输入参量,结合卡尔曼滤波算法构建变压器绕组热点温度预测模型,通过该模型中预测与校正两阶段的迭代运算,得到绕组热点温度的最佳实时预测结果输出。结果显示,该模型可预测出不同运行负载下的油浸式变压器绕组热点温度,得到平滑消噪且与实测数据相吻合的预测值;依据预测结果得知,变压器的绕组热点温度与季节、环境温度、负载均存在一定的相关性。     

基于ACO-SVM模型的油浸风冷式变压器热点温度预测方法

针对目前应用人工智能算法对油浸风冷式变压器进行热点温度预测时,预测模型输入特征量的选取不够精准及预测准确率不足的问题,本文作者在变压器内部温升-散热过程的分析基础上,提出以油浸风冷式变压器的箱壁温度作为预测模型输入特征量之一,建立了蚁群算法优化支持向量机（ACO-SVM）预测变压器绕组热点温度的模型。以实测数据作为样本进行模型训练,将文中模型与PSO-SVM模型和SVM模型的预测性能进行比较,文中模型的均方误差和平均相对误差相较于PSO-SVM模型降低了87.74%和40%,相较于SVM模型降低了87%和38.86%,测试结果表明该方法预测精度更高,对预测油浸风冷式变压器的热点温度具有更好的适用性。     

变压器绕组热点温度在线测量方法的研究

对运行中变压器绕组热点温度在线测量进行研究和探讨，就变压器绕组热点测温三种方法进行了简要的概述，说明了间接计算法是一种经济、简便、实用性强的方法。对以间接计算法为理论基础的变压器绕组热点温度在线测量的式作原理、功能、结构等作了简要的介绍和说明。     

基于光纤测温技术的变压器绕组热点温度分析研究

针对自然油循环导向冷却变压器的特点,建立了数学模型,用数值计算法得到了一台自然油循环导向冷却变压器绕组热点温度。     

基于光纤测温技术的变压器绕组热点温度分析研究

对一台110kV自然油循环导向冷却变压器绕组热点温度进行了计算和试验。     

基于反传热模型的干式变压器绕组热点温度研究

干式变压器热点温度对于指导变压器的设计运行及评估变压器的寿命有重要的意义。目前获得变压器热点温度的方法有直接测量和数值计算两种方法．直接测量获得绕组热点温度是通过在设计阶段预埋入绕组内部热电偶或采用光纤温度传感器来实现的;数值计算大多是采用有限元或有限差分方法。本文建立了高低压绕组的反传热计算模型,采用高精度的红外传感器采集高压绕组外表面温度,并通过计算,获得了低压绕组的温度分布及绕组热点温度将计算结果与IEEE绕组热点温度计算模型对比误差都在一定范围内,这为干式变压器绕组热点温度的获得提供了一种新的思路。     

基于反传热模型的干式变压器绕组热点温度计算

针对干式变压器绕组热点的问题,提出了一种将直接测量与间接计算相结合的绕组三维反传热模型,得到了变压器在额定负荷及0.8,1.2,1.3,1.5倍的额定负荷下的绕组最热点温度值。基于高精度的红外测温系统获得的高压绕组温度的分布及仿真运算初始化的低压绕组的温度分布,运用共轭梯度法不断修正低压绕组温度分布,使得通过正向数值求解高低压绕组传热方程所得的高压绕温度分布与实际测量所得的高压绕组温度分布之间的误差最小即为最优解,整理数据后得到整体绕组的最热点温度。将算例求解结果与IEEE干式变压器热点温度计算模型计算的结果进行对比,对比结果表明:三维反传热模型计算的结果与IEEE干式变压器热点温度计算模型的计算结果之间的误差不超过1.2%,从而证明了该计算模型可以准确的计算出干式变压器绕组热点温度。     

基于GP-NLSM的变压器绕组热点温度建模

准确的绕组热点温度估算模型是评估油浸式变压器热状态和绝缘寿命的关键。文中基于变电站监测的热点温度与负载电流数据,利用遗传编程算法训练出热点温度估算模型的基本结构,结合归一化自适应滤波(NLMS)算法实现热点温度估算模型的参数辨识,最终建立一种油浸式变压器热点温度显式预测模型。研究结果表明:显式绕组热点温度估算模型可以直观映射出负载系数与绕组热点温度之间的关系。预测集下模型的拟合优度为0.998 8,最大绝对误差仅为1.36℃,验证了模型的正确性与有效性。此外,针对同一区域下同种容量型号的油浸式变压器进行绕组热点温度估算,证明了所提模型具有较强的泛化性能。     

基于改进GWO-ELM的热轧带钢卷取温度预测

卷取温度控制精度是影响带钢产品性能的主要因素之一,提高卷取温度控制精度和保证卷取命中率是热轧领域的重点问题.针对某钢厂现有的卷取温度设定模型中存在个别钢种命中率低的问题,结合数据挖掘及现场专家经验,提出了一种基于灰狼优化极限学习机的新建模思路,并引入Henon映射、小孔成像策略和权重因子策略来改进灰狼算法,建立了基于改...     

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。     

500kV单相变压器直流偏磁下损耗及绕组热点温度的计算分析

为了分析直流偏磁对电力变压器顶层油温度和绕组热点温度的影响,本文提出了基于场路耦合模型和热路模型的直流偏磁下顶层油温度和绕组热点温度的计算方法.利用该方法计算分析了某500 kV单相自耦变压器在直流偏磁下的损耗、顶层油温度和绕组热点温度等的变化规律.直流偏磁后,变压器绕组损耗略有下降,铁心、夹件等钢结构件的损耗随直流偏...     

基于CRP和RQA的变压器绕组压紧状态检测

为了掌握绕组压紧力状况,通过分析变压器表面振动变化情况,提出了基于交叉递归图(Cross Recurrence Plot, CRP)和递归定量分析(Recurrence Quantification Analysis, RQA)的绕组压紧状态检测方法。首先,从振动信号的递归特性出发,对多元和一元振动信号进行相空间重构。然后,分别采用CRP和RQA对相轨迹进行定性和定量分析,据此对绕组压紧状态进行检测。实验数据的分析结果表明,CRP中对角线结构的变化能定性反映出绕组压紧状态的变化,多元与一元振动信号的RQA度量能够分别从整体和局部角度对绕组压紧状态进行定量检测。研究结果为从非线性动力学角度监测绕组松动故障提供了理论依据。     

基于IWOA-SVM的电路软故障诊断

针对DC-DC电路软故障诊断准确度不高的问题,提出了一种基于改进鲸鱼（IWOA）优化支持向量机(SVM)的电路软故障诊断方法。首先,对故障信号进行VMD提取特征向量;然后通过引用反馈机制来改善传统鲸鱼算法的全局搜索能力防止陷入局部最优,把线性因子改为非线性因子用来平衡全局搜索和局部开发能力来改进鲸鱼算法,以解决易陷入局部最优和局部开发能力低的问题。最后建立IWOA-SVM模型用来进行电路软故障诊断,最终对电路软故障诊断准确度不高的问题,实现了高效的诊断。根据故障诊断的结果表明,改进后的鲸鱼算法优化支持向量机相比本文对比的其他方法具有更好的诊断效果。故障识别准确率达到了99.1667%。     

基于振荡波多特征融合的变压器绕组故障诊断方法

为了获取更多变压器绕组的状态信息,提高绕组故障诊断的准确性,提出了一种基于振荡波多特征融合的变压器绕组故障诊断方法,该方法联合波形特征和小波包时频图的颜色特征判断故障类型、故障程度和故障位置,结合粒子群优化-支持向量机(PSO-SVM)算法实现变压器绕组状态的智能识别。最后搭建变压器故障模拟试验平台验证方法可行性。结果表明：波形特征、颜色矩、颜色聚合向量特征分别针对故障类型、故障程度及故障位置的空间分布具有分离和聚类特性,且通过PSO-SVM识别的准确率高达95 % 以上,故所提方法能够准确辨识变压器绕组的状态,为现场变压器绕组状态检测提供参考。     

基于两轴振动和多传感器融合的变压器绕组机械故障诊断

针对传统变压器绕组机械故障诊断方法中,仅考虑绕组单一方向振动信号且特征参数提取复杂、识别准确率低的问题。本文提出了一种基于两轴振动和多传感器融合的变压器绕组机械故障诊断方法。首先从绕组轴向、辐向振动相关性角度提出两轴振动关系图形作为特征图像;然后采用轻量级卷积神经网络MobileNet V2对不同传感器获得的图像数据进行训练;最后利用D-S证据理论对多维信息源识别结果进行融合,并做出最终决策。实验结果表明所提方法故障诊断准确率可达99.4%,与传统故障诊断方法相比,简化特征提取步骤,诊断准确率提高了6.2%以上,为变压器绕组机械故障诊断提供一种可行方案。