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。     

基于混合模态分解和LSTM-CNN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预测,可提前掌握变压器运行趋势。提出一种基于混合模态分解和LSTMCNN(long short-term memory network-convolution network)网络的预测方法,实现精准的气体浓度预测。首先,为消除分解中模态混叠和残余白噪声的影响,对气体序列进行ICEEMDAN分解,以削弱序列的非平稳性;然后,使用VMD对聚合重构后的高频分量进行二次分解,降低高频分量的复杂度;最后,为了增强模型对序列时间特征和空间特征的拟合,采用结合时间注意力机制的LSTM-CNN网络对分解分量分别进行预测并重构气体浓度数据。算例验证表明,所提出的模型相比其他模型具有更强的预测性能,为后续故障预测提供有力支撑。     

基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

基于变分模态分解的卷积神经网络?双向门控循环单元?多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。     

基于变分模态分解-布谷鸟搜索-支持向量回归的变压器油中溶解气体浓度预测方法

针对电力变压器油中溶解气体浓度预测过程中存在的时间序列内部复杂和预测困难等问题,研究了时间序列分解预测重构方式,提出变分模态分解,结合布谷鸟搜索-支持向量回归组合预测方法。首先采用VMD将原始溶解气体浓度分解成为一组平稳的模态分量,降低了预测的复杂度。之后利用预测性能较好的SVR对各个模态分量分别进行预测。最后使用CS开展全局搜索对SVR参数进行优化选取,将得到的溶解气体浓度预测结果进行叠加重构。通过对油中溶解气体中H2的仿真实验,得到VMD-CS-SVR组合模型预测结果的均方根误差为0.124 μL/L,平均绝对百分比误差为1.19%,有效提升了预测精度。通过对CO和C2H4建模预测,进一步验证了本文所提模型的有效性。     

基于自适应噪声完备集合经验模态分解和时间卷积神经网络的变压器油中溶解气体含量预测

准确预测油中溶解气体含量的变化趋势,对变压器的状态评价和寿命评估有着积极的作用。为了提高油中溶解气体预测的准确性,本文提出了一种基于CEEMDAN分解和TCN预测的油中溶解气体预测方法。首先,通过CEEMDAN方法将油中溶解气体含量的原始序列分解为多个内涵模态分量,将稳定分量与非稳定分量分离;其次,对各个分量分别建立时间卷积网络并进行预测;最后,叠加TCN对各个分量的预测结果,重构得到原始序列的预测结果。实例分析表明,该预测方法的均方根误差、平均绝对误差和最大误差分别为1.01、1.53和5.54,相较于未采用CEEMDAN分解算法时分别减小了13.36%、53.47%、41.18%;在使用CEEMDAN分解的情况下,对比常用的递归神经网络,三种误差均最小。本文提出的油中溶解气体预测方法具有更高的预测精度,可以为制定状态检修策略提供更有效支撑。
关键词:油中溶解气体;自适应噪声完备集合经验模态分解;时间卷积网络;油浸式变压器;时间序列预测
中图分类号:TM854     

模糊神经网络在变压器油中溶解气体故障诊断中的应用

基于模糊隶属度和BP神经元网络,提出了将模糊神经网络应用于变压器油中溶解气体故障诊断的方法。该方法采用了由输入层、输出层、隐含层和模糊化层组成的一种四层前向模糊神经网络,并利用模糊理论预处理数据,建立了基于模糊神经网络的变压器故障诊断模型。结果表明,该方法对变压器进行故障检剥诊断是有效的。     

电力变压器油中溶解气体在线监测技术

介绍了变压器油中溶解气体在线监测装置的基本组成以及油中溶解气体在线监测技术判断变压器内部故障的判据,同时介绍了油气监测装置存在的问题.     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

基于多头注意力机制和门控循环单元神经网络的居民充电桩容量预测

居民充电桩的容量预测可为其定容选址提供参考,助力实现“双碳”目标,为此提出了一种基于数据驱动的居民充电桩容量预测方法。首先,采集了居民充电桩的历史容量数据并进行预处理;其次,利用不同大小的时序窗口对其进行切片作为输入特征;最后,构建了结合多头注意力机制和门控循环单元神经网络的预测模型,将特征输入模型从而实现了对未来容量的精准预测。通过实例分析表明,该模型预测结果的平均绝对误差和均方根误差分别为33.19和102.14%,预测精度相较于其他模型有较大提升,为居民充电桩的容量预测提供了新思路。     

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     

变压器油中溶解气体浓度灰色预测模型的改进

介绍了改进灰色预测模型 GM( 1,1)后建立的 GM( 1,1,β)模型。对大型油浸式电力变压器油中溶解气体浓度的实例预测验证了改进模型的准确。     

变压器油色谱在线监测中BP神经网络算法分析

针对现今变压器故障诊断方法存在的编码不齐全、准确率不够高等问题,提出了一种基于BP神经网络的变压器油色谱在线监测综合智能诊断方法.该方法结合国标阚值诊断以及改良三比值法,运用BP神经网络理论诊断变压器综合运行状态.运用Matlab建立基于特征气体的BP神经网络变压器故障诊断模型,发现BP神经网络具有良好的特征提取功能,但是通过不断训练发现,只运用BP神经网络对变压器进行诊断得到的变压器运行状态并不是十分准确.最后,结合常用的比值法,通过仿真对实例进行综合诊断,得出此方法运用到变压器故障诊断中具有更高的准确性.     

用改进的灰色多变量模型预测变压器油中溶解气体的浓度

油中溶解气体分析(dissolved gas analysis,DGA)是评估变压器绝缘状态和分析变压器绝缘故障的重要依据。灰色多变量预测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,从系统的角度对各特征参数进行统一描述, 因而能够获得比较精确的预测结果。在现有文献研究成果的基础上,对灰色多变量模型做了进一步改进,将灰色多变量模型中的已知条件做了适当的拓广,提出了新的预测方法, 从而使新模型具有更高的精度。变压器油中七种特征气体的预测实例分析验证了该方法的有效性。     

基于GRNN和KPCA组合模型的变压器油中气体体积分数短期预测

电力变压器作为输变电系统的主要核心设备,保证其能够健康稳定的运行具有重要意义,由于收集到的电力变压器的状态信息比较多,这些数据可以从各个方面反映变压器的运行状态,利用这些信息对变压器运行状态进行预测具有重要的研究意义,设备的状态监测参量是一个复杂的数据序列,通过预测方法来对参量未来的变化趋势进行预测,能够更好的掌握变压...     

基于奇异谱分析和卷积双向门控单元网络的超短期风电功率预测

精确的短期风电功率预测能有效提高电网供电可靠性.为降低风电数据中隐含噪声对预测结果的影响,采用奇异谱分析 (SingularSpectrum Analysis,SSA)将原始数据分解并重构为趋势、周期和高频噪声三个子序列,作为预测模型的输入.针对传统循环网络局限于时间相关性的前向提取,提出卷积双向门控循环单元网络 (Convolution NeuralNetworkＧBidirectionalGatedRecurrentUnit,CNNＧBiGRU)预测模型.前者提取重构子序列间特征的耦合关系,后者挖掘数据的双向时间相关性,以提高预测精度.为了研究该模型的预测性能,选取了其他模型进行对比,试验结果表明SSAＧCNNＧBiGRU 模型比其他模型更具有优越的预测性能。     

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。