基于粒子群优化-支持向量回归的变压器绕组温度软测量模型

针对变压器绕组热点温度测量问题,建立一种基于粒子群优化-支持向量回归算法的变压器绕组热点温度软测量模型,并验证此模型的预测效果。利用基于被动聚集的改进粒子群优化(PSO)算法,优化支持向量机的支持向量回归(SVR)模型的参数组合,并且找到其最优解。充分考虑变压器运行的相关因素,对绕组热点温度软测量模型进行训练与学习,实现对难以直接测得的绕组热点温度的预测。通过对某市110kV变压器运行数据的训练和预测结果,并将其与BP神经网络和SVR方法的结果对比,证明所建模型具有较好的预测能力。     

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。     

基于时序NARX自适应神经网络的油浸式变压器绕组温度预测

变压器绕组热点温度过高会导致绝缘老化速度变快,剩余寿命变短。为此提出了一种基于时序性外因非线性自回归(NARX)的自适应神经网络模型以获得更精准的绕组热点温度预测数据。首先,确定影响变压器绕组温度的外部特征因子种类;然后,对变压器绕组热点数据和其他数据进行预处理;最后,将处理后的数据输入时序NARX自适应神经网络模型进行训练和调参,完成模型的构建。经实例验证,提出的外因NARX自适应神经网络绕组热点温度预测模型能对不同类型变压器数据进行特定的预处理,并且与支持向量机回归、回归树、高斯核回归方法相比,预测误差更小,在提高精度上具有更大优势。     

基于IWOA-SVM的变压器绕组热点温度预测

为了降低变压器高温运行风险和提高绕组热点温度预测精度,提出了一种基于改进鲸鱼算法优化支持向量机的绕组热点温度预测方法。采用灰色关联分析结果确定负载电流、有功功率、顶层油温和环境温度为引起绕组热点温度变化的主要特征量,并以此作为绕组热点温度预测模型的支持向量。利用余弦调整控制因子和引入自适应权重系数2种策略对鲸鱼算法进行改进,提高了改进鲸鱼优化算法（improved whale optimization algorithm,IWOA）的优化性能,采用IWOA算法优化支持向量机（support vector machine,SVM）参数,建立了基于IWOA-SVM的变压器绕组温度预测模型。算例分析结果表明,本文绕组热点温度预测方法的均方根误差为1.21 ℃、决定系数为0.897,平均相对误差为2.14%,三项指标均优于其他方法,验证了所提方法的实用性和有效性。     

基于改进支持向量机的变压器实时热点温度预测方法研究

文中提出了一种基于改进支持向量机的变压器实时热点温度预测方法。该方法以变压器负载电流、环境温度和顶层油温为特征值,将变压器热点温度预警与预测相结合,目的在于实现基于近期历史运行数据的变压器实时热点温度预测。文中研究分析了基于改进网格搜索、遗传算法及粒子群算法的支持向量机在变压器短期热点温度预测中的应用效果,结果表明,3种改进方法均可有效提升预测精度,但基于改进网格搜索算法的支持向量机预测效率最高。最后,以某35 k V油浸式变压器实时热点温度数据为样本集,文中所述方法可有效实现变压器短期热点温度预警预测,预测准确度高于90%。     

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。     

基于流线分析的10kV油浸式变压器绕组热点温度反演模型建立及验证研究EI北大核心CSCD

准确获取运行变压器绕组热点温度一直是电力行业的难点问题之一。源自变压器绕组热源区域的热流是导致变压器外场域温度升高的直接推动力,该文基于变压器温度流体场耦合数值计算,分析变压器内部热流扩散规律,通过提取流经绕组热点区域与外壳散热区域的典型热流流线,选取变压器外部可测并与绕组热点温度具有强关联关系的特征测温点,并采用网格搜索法优化的支持向量回归机构建特征测温点温度与绕组热点温度间的多维非线性关系,进而建立变压器绕组热点温度反演检测模型。为拓宽反演模型的普适性,采用正交设计法构建反演模型所需的训练样本和测试样本,采用变压器多工况温升试验验证变压器温度流体场仿真结果的准确性,并验证绕组热点温度反演模型的准确性,绕组热点温度反演平均绝对误差为1.82%,最大温差小于3℃。     

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。     

基于GA-BP神经网络的变压器绕组热点温度预测研究

变压器是电网核心设备之一,保障其安全稳定运行具有重要意义.针对现有变压器绕组热点温度预测方法中存在的问题,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型.利用500组变压器试验数据进行仿真,结...     

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。     

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。     

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。     

广义回归神经网络在变压器绕组热点温度预测中的应用

电力变压器的绕组热点温度是影响其绝缘性能的主要因素之一,因此有必要进行电力变压器绕组热点温度预测以提高电力变压器的运行可靠性。变压器内部温度受诸多因素的影响,且计算涉及到传热学、流体力学和电磁学等边缘学科,以致其计算复杂,不宜使用。广义回归神经网络(GRNN)具有较强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性等特点,将其应用于变压器绕组热点温度的预测,克服了基于误差反向传播算法的人工神经网络(BPNN)预测时训练过程中存在局部最小点、收敛速度慢等缺点。将预测结果与实测值进行对比,结果表明GRNN神经网络的预测结果与实测值具有较好的一致性。     

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。     

基于粒子群算法优化支持向量机的变压器绕组变形分类方法

变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。     

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。     

油浸式电力变压器动态热路改进模型

油浸式电力变压器绕组的热点温度是指导变压器负载运行方式和影响变压器绝缘寿命的重要参数,准确计算绕组热点温度具有重要意义。在分析运行变压器散热过程的基础上,考虑油箱外壁与周围环境的热量传递,利用传热学原理和热电类比方法,定义非线性热阻和集总热容,并考虑油粘度随温度的变化,建立电力变压器动态等效热路的改进计算模型。将模型的计算结果与实验室自然油循环自然空气(oilnatural-air natural,ONAN)冷却方式下100 kVA/5 kV油浸式温升试验变压器实测数据和IEEE Std C57.91推荐方法计算值进行对比,比较结果表明:通过改进模型计算的变压器顶层油温和绕组热点温度具有较高的精度。     

油浸式电力变压器绝缘寿命在线评估技术研究

针对ANSI/IEEEC57.91和IEC 354.9导则中推荐的绕组热点温度预测方法存在物理上难以解释和预测的绕组热点温度低于实测值的问题,研究了基于热平衡及热吸收原理的温升计算方法,建立了基于底层油温的热点温度预测模型。利用在绕组电磁线安装光纤光栅传感器的ONAN,10±5%/0.4 kV的配电变压器进行热点温度试验。试验结果表明,该方法在线预测变压器热点温度有效可行。最后在绕组热点温度计算的基础上,建立了绝缘寿命损失模型,实现变压器绝缘寿命在线预测,为油浸式变压器运维决策提供参考。