用统计学习理论预测变压器油中溶解气体浓度

提出了一种新的预测电力变压器油中溶解气体浓度的方法 ,该方法通过构造支持向量机 (SVM)和进行 Ad-a Boost加强推理 ,很好的利用了 SVM解决有限样本问题的优势 ,提高了预测精度和泛化能力。两实例应用结果证明了该方法的有效性     

基于M-LS-SVR的变压器油中溶解气体浓度预测

为预测变压器油中溶解气体的浓度,提出了混合最小二乘支持向量机回归(Mixed Least Square Support Vector Regression,M-LS-SVR)算法。该算法使用线性和非线性核函数的组合作为预测函数,利用真实数据自适应选择其混合比例因子。实验结果表明,与目前比较流行的BP神经网络方法、SVR方法和LS-SVR方法的预测结果相比,该方法具有更小的预测误差,更低的复杂性以及更好的泛化能力。     

基于灰色最小二乘支持向量机的变压器油溶解气体预测

变压器油中溶解气体的体积分数是进行变压器绝缘故障诊断的重要依据,对变压器油中溶解气体进行预测有助于及时预测变压器的故障。将灰色预测方法与支持向量机相结合,通过使用对原始数列进行一次累加生成的处理方法,以提取数列所具有的深层规律特征,建立了基于灰色最小二乘支持向量机的变压器油中溶解气体预测模型,并对最小二乘支持向量机参数的选取进行了优化,最终通过实例与BPNN、灰色模型预测结果相比较,验证了该模型的准确性和有效性。     

基于油中溶解气体分析的变压器故障预测

预测变压器潜伏性故障对评估其健康状态至关重要.提出一种新型变压器故障预测方法,首先以LSTM网络为载体搭建时间注意力机制预测框架,并采用IALO算法优化其参数;其次利用优化的模型预测变压器油中溶解气体;然后采用MPA算法优化的SVM模型对气体预测结果进行故障诊断;最后统计诊断结果并与实际运行状态对比验证模型.实验结果显示在第42～58天内运行状态异常次数最多为29次,未来两个月内运行异常几率为86.89％,其中中温过热故障占比最高为88.67％,与实际情况误差仅为2.46％和1.29％,预测结果与实际运行情况符合较高,证明了所提方法在准确预测变压器运行状态异常时间点和故障类型中的可行性.     

基于灰关联和模糊支持向量机的变压器油中溶解气体浓度的预测

提出一种基于灰关联分析和模糊支持向量机的电力变压器油中溶解气体浓度预测模型。该模型考虑了变压器油温、负荷对油中气体浓度的影响,先利用灰关联度分析各因素间的相关性,提取影响气体浓度的主要因素作为支持向量机回归建模的输入样本属性。再将模糊数学和支持向量机结合起来,引入模糊隶属函数,将样本按照时间由近及远赋予由大到小的权重,反映出近期数据对后续预测结果的影响大于早期数据。该模型提高了预测精度,克服了传统支持向量机和只考虑某种或全部气体预测方法的不足。通过实例分析,验证了模型的有效性和优越性。     

基于时间序列模型的变压器油中溶解气体预测

变压器作为电力系统的核心设备,其安全运行是电力系统稳定可靠的基础。根据在线监测系统提供的油中溶解气体含量历史数据,预测未来气体体积分数及其发展趋势,是DGA故障预测的关键,也是在线监测的必要补充和提前预警变压器故障的重要手段。现有的预测算法存在着模型泛化性差和没有考虑时间序列模型等问题。为提高预测能力,文中首先介绍了非时序有监督学习和时间序列模型关键技术及其在变压器油中溶解气体体积分数预测的应用;然后搜集和发布了一个大规模数据样本,为算法提供了一个较为全面的验证集,提高模型的泛化性;最后使用前向数据分割方法进行数据增强,增加模型的训练数据。大量实验证明了时间序列模型在变压器油中溶解气体体积分数预测的有效性。     

基于BIC与SVRM的变压器油中气体预测模型

基于v-支持向量回归机(v-SVRM)算法建立了变压器油中溶解气体变化预测模型,并引入贝叶斯证据框架对预测模型的参数进行了优化选取.同时,结合预测模型的预测正确率及预测模型的简洁度建立了预测模型的评价机制,并利用改进的贝叶斯信息标准(BIC)作为最终的评价函数量化了评价机制.在实例中与灰色理论预测模型进行了比较,结果表...     

用色谱法测定变压器油中溶解气体

根据变压器油中溶解气体组分的特点,提出了一种实用色谱分析方法,即改变试验载体来进行综合判定变压器油中溶解气体组分。介绍了成功应用该方法的几个故障实例。     

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。     

应用弱化缓冲算子与最小二乘支持向量机的变压器油中溶解气体浓度预测

变压器油中溶解气体浓度是评估油浸式变压器绝缘状态的重要依据。变压器油中溶解气体浓度的时间序列数据具有随机振荡性,往往不能准确把握溶解气体浓度的发展趋势,因此应用缓冲算子首先对原始数据进行弱化处理,减少其随机性。现有溶解气体浓度预测模型仅实现了点预测,为此采用最小二乘支持向量机与区间参数估计理论建立了溶解气体浓度的区间预测模型,确定未来溶解气体浓度在一定置信度下的变化区间。算例结果验证了该模型的有效性。     

基于遗传程序设计的变压器油中溶解气体含量预测

为了对变压器的运行状态和潜伏性故障进行有效预测,提出了基于遗传程序设计(GP)的变压器油中溶解气体浓度的预测方法.结合变压器运行实例,分别给出了变压器油中7种主要气体的预测模型,并与灰色模型及其改进形式进行比较.对比分析结果表明,在同为小样本训练数据的情况下,GP比灰色模型的预测精度更高.     

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。     

油中溶解气体在线色谱监测技术在变压器运行中的应用

以张家口发电厂变压器油中溶解气体在线监测系统的应用为例,介绍了在线监测技术的功能和作用;在线监测技术实现了对变压器油近于连续的取样脱气,监测周期短,弥补了实验室色谱分析的不足,对变压器运行监督发挥了重要作用。     

基于支持向量机和DGA的变压器状态评估方法

针对电力变压器结构、老化、故障机理复杂,具有不确定性,难以进行准确的状态评估的问题,将变压器健康状态分为良好、一般、注意、较差4种状态,提出了一种基于支持向量机的二叉树多级分类器变压器健康状态评估方法。该模型以变压器油中溶解气体的产气量和产气速率为评价指标,利用支持向量机挖掘评价指标与变压器健康状况之间的关系。     

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。     

基于模糊聚类和完全二叉树支持向量机的变压器故障诊断

为提高电力变压器故障诊断准确率,提出基于模糊聚类和完全二叉树支持向量机的故障诊断模型,即通过模糊C均值聚类,对样本采用完全二叉树结构逐层划分,直至最后得到各故障分类。该方法克服了一般方法对故障划分不明确、分类重叠和不可分等缺点。试验表明,相比改良三比值法、支持向量机分类"一对一"和"一对多"组合,该方法在电力变压器故障诊断中具有最高的诊断准确率。     

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。     

变压器油中溶解气体在线监测装置的应用

采用变压器油中溶解气体在线监测装置，可以在变压器内部出现故障点时，快速反映变压器内部气体的变化，弥补气相色谱定期分析的时间间隔。介绍了变压器油中溶解气体在线监测装置的基本原理与特性，并结合实例进行分析。