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。     

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。     

最小二乘支持向量机多分类法的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种基于小样本的最小二乘支持向量机(LS-SVM)多分类电力变压器油中气体分析(DGA)法,即通过相关统计分析和数据的预处理,选择变压油中典型气体作为LS-SVM的输入,然后利用典型故障气体的体积分数在高维空间的分布特性诊断变压器故障类型。该法在小样本条件下可获得最优解,泛化能力很好,且没有传统支持向量机只能分两类的缺陷,很好地解决了变压器多种故障共存的实际情况。试验表明,该方法分类效果很好,可较好地解决变压器放电和过热共存时故障的难分辨问题,故障类型的正判率较高。     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

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。     

基于最小二乘支持向量机的变压器故障诊断

介绍了一种基于最小二乘支持向量机(LS-SVM)的电力变压器故障诊断方法,将样本数据进行归一化处理,以绝缘油中特征气体种类及其含量为依据建立变压器故障诊断LS-SVM模型,对模型中的核参数σ与惩罚参数C进行优化,并将测试样本输入训练好的LS-SVM模型,得到诊断结果。实例结果分析表明,LS-SVM将原先的非线性问题转化为求解线性问题,即使在小训练样本的前提下,也能获得更为准确的诊断结果。     

基于多元重构预测和LS-SVR的变压器故障诊断

通过对变压器油中溶解气体进行预测,可以及早发现变压器故障。提出将多变量时间序列重建的状态变量作为LS-SVR模型输入,建立变压器故障的预测模型。首先,给出基于多元重构的预测原理和LS-SVR理论。然后,讨论重构参数和LS-SVR参数对于预测误差的影响,通过合理选择参数确保预测的精度。最后,将该方法用于变压器故障诊断实例以验证多元重构和支持向量机预测的适用性,通过与多种预测方法进行比较,基于LS-SVR原理的变压器故障组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。     

最小二乘支持向量机短期负荷预测研究

电力系统短期负荷预测是一项非常重要的工作,准确的短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义.随着电力系统的日趋复杂化,特别是电力市场的逐步深入,短期负荷预测被赋予了更高的要求.提出了基于负荷日周期性进行前后向外推的数据预处理新方法,为短期负荷预测模型利用这些历史数据奠定了基础.最小二乘支持向量机是新一代机器学习方法,将其应用于电力系统短期负荷预测,在充分利用日周期性和同时刻负荷相近性的基础上,提出了基于最小二乘支持向量机回归算法(LSSVR)的短期负荷预测点模型.该模型通过采用不同天同时刻的负荷样本训练LSSVR来获取负荷的最优线性回归函数,实现了在最小化负荷样本点误差的同时,缩小模型泛化误差的上界,获取了较好的负荷预测性能.     

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。     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。     

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。     

基于离散灰色模型的变压器油中溶解气体浓度预测

油中溶解气体浓度分析被广泛用于监测油浸电力设备的早期故障。将改进灰色模型引入变压器油中溶解气体浓度预测。分析了灰色预测模型GM(1,1)和离散灰色预测模型DGM(1,1)两者之间的关系,讨论了模型预测的准确性和稳定性。分别用GM(1,1)模型和DGM(1,1)模型对变压器油中溶解气体浓度进行建模预测。对比分析结果表明:GM(1,1)模型从离散形式到连续形式的跳跃使得模型不够稳定,随着发展系数的增加,预测精度下降。DGM(1,1)模型是GM(1,1)模型的精确形式,具有更高的预测精度和较好的稳定性,被推荐替代GM(1,1)模型预测变压器油中溶解气体浓度。     

变压器油中溶解气体在线监测系统的应用

介绍了基于燃料电池技术的变压器油中溶解气体在线监测系统的原理,组成及其在深圳供电局的实际情况。     

变压器油中故障特征气体体积分数的预测

变压器是电力系统的重要设备,变压器油中溶解的故障特征气体体积分数是其进行绝缘故障诊断的重要依据。变压器油中气体体积分数的预测是周期性测试的重要补充。应用灰色多变量模型,对变压器油中溶解的5种主要特征气体,即氢气、甲烷、乙烷、乙烯和乙炔建立了MGM(1,5)模型,充分考虑了各种气体之间的相互影响,克服了常用预测方法在预测时只考虑某个特征参数或单独考虑几个特征参数发展变化的不足。通过预测实例分析,将MGM(1,5)模型的计算结果与相应GM(1,1)模型的计算结果比较,验证了该模型的准确性和有效性。     

一种电力变压器油中溶解气体的标定新方法

油中溶解气体的准确标定是电力变压器在线监测与故障诊断的前提。当前的油中溶解气体标定主要采用分段折线拟合方法,存在着分段拐点处光滑性不足、可重复性较差以及整体拟合精度低等问题。针对这些问题,提出了基于Levenberg-Marquardt(LM)算法的油中溶解气体标定方法,通过建立电力变压器油中溶解气体在线监测系统,采集了H_2、CH_4、C_2H_6、C_2H_4和C_2H_2等5种主要气体的实验数据,结合这5种气体的不同传感特性,应用LM算法对其进行拟合,实现了这5种油中气体的有效标定。实验结果表明,该方法克服了传统方法的不足,且拟合精度完全符合国家电网相关标准的要求。     

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。     

Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm

Forecasting of dissolved gases content in power transformer oil is very significant to detect incipient failures of transformer early and ensure hassle free operation of entire power system. Forecasting of dissolved gases content in power transformer oil is a complicated problem due to its nonlinearity and the small quantity of training data. Support vector machine (SVM) has been successfully employed to solve regression problem of nonlinearity and small sample. However, SVM has rarely been applied to forecast dissolved gases content in power transformer oil. In this study, support vector machine with genetic algorithm (SVMG) is proposed to forecast dissolved gases content in power transformer oil, among which genetic algorithm (GA) is used to determine free parameters of support vector machine. The experimental data from several electric power companies in China is used to illustrate the performance of proposed SVMG model. The experimental results indicate that the proposed SVMG model can achieve greater forecasting accuracy than grey model (GM) under the circumstances of small sample. Consequently, the SVMG model is a proper alternative for forecasting dissolved gases content in power transformer oil.     

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...     

基于鲁棒最小二乘支持向量机的电机振动故障诊断

对时序数据建模与辨识技术进行了分析，提出了使用鲁棒最小二乘支持向量机(LS-SVM)算法建立自回归移动平均(ARMA)时序预测模型。该模型是在LS-SVM的约束条件中考虑了鲁棒特性和时序模型参数，使之在求解的过程中对孤立点与噪声不敏感，并且能准确地辨识时序模型参数。考虑到电机振动故障诊断的输入输出数据集间存在着复杂非线性时序上的关系，通过用基于鲁棒LS-SVM的ARMA模型预报电机的振动值，从而预测电机振动故障。实验表明该模型在对非线性时间序列预测精度和稳定性上具有明显的优越性，为确保电机正常运行创造了良好条件。