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     

基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法

对油中溶解气体浓度进行有效预测,可为电力变压器故障诊断及预警提供重要依据。提出一种基于经验模态分解与长短期记忆神经网络的变压器油中溶解气体浓度预测方法。首先,运用经验模态分解将气体浓度序列分解为一组相对平稳的子序列分量,以减少不同趋势信息间的相互影响;然后,针对各子序列分别构建基于长短期记忆神经网络的时序预测模型,并利用贝叶斯理论对网络相关超参数进行优化,以提高单个模型的预测精度;最后,叠加各子序列预测结果得到气体浓度预测值。算例研究结果表明,相较于传统预测算法,所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。     

基于变分模态分解和门控循环单元神经网络的变压器油中溶解气体预测模型

油中溶解气体分析是变压器早期故障诊断的一种有效方法,对变压器油中溶解气体进行精准预测,可为变压器早期故障监测和预警提供理论依据.为此本研究提出了一种基于变分模态分解和门控循环单元神经网络的变压器油中溶解气体预测模型.首先对变压器原始油中溶解气体体积分数时间序列进行变分模态分解,将其分解为各子序列,消除其不平稳性的影响;...     

灰色理论–变分模态分解和NSGA-Ⅱ优化的支持向量机在变压器油中气体预测中的应用

为了利用有限的历史数据准确地预测未来一段时间变压器油中的气体含量,该文将一种变分模态分解(variational mode decomposition,VMD)方法和优化的支持向量机(support vector machine,SVM)引入到预测模型中。首先,采用灰色模型(grey model,GM)对原始序列进行去趋势处理,然后对去趋势的序列进行VMD,得到了一组平稳的模态分量。再通过经改进的非支配排序遗传算法-II优化的SVM对各模态分量分别进行预测,最后重构获得了最终的预测结果。实验结果表明,该方法既在气体预测中具有较高精度,还能够反映气体变化趋势,并为电力系统其他领域的预测模型提供了新思路。     

基于小波分解和长短期记忆网络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精确预测,可为变压器故障预警提供重要依据。现有的油中溶解气体预测模型主要基于单一或少数状态参量,而状态参量变化并非独立过程。利用Apriori算法挖掘变压器油中溶解气体间的关联规则,在此基础上提出了一种基于小波分解和长短期记忆网络的变压器油中溶解气体浓度预测方法。Apriori算法可挖掘变压器油中溶解气体间的关联规则,以此确定预测模型的输入矩阵。通过小波变换提取出参量序列中的低频趋势分量和高频波动分量,运用长短期记忆神经网络在不同分量上分别进行预测,并重构得到各参量的预测结果。算例结果表明,所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。     

基于GRA-CEEMDAN-BiLSTM的变压器油中溶解气体浓度预测

基于自适应噪声完全集成经验模态分解与双向长短期记忆神经网络的变压器油中溶解气体浓度预测模型,本文中作者提出一种考虑待预测状态参量与影响因素相关性。首先,利用灰色关联分析法确定与待预测状态参量关联度较高的因素,作为关键预测输入参量;然后,运用自适应噪声完全集成经验模态分解将待预测参量序列分解为不同尺度相对平稳的子序列分量...     

基于SSA-BiGRU-Attention模型的变压器油中溶解气体含量预测

油中溶解气体含量的准确预测对变压器安全稳定运行具有重要意义。为克服传统预测方法仅考虑油中溶解气体含量单一一类变量以及依靠经验为模型选参的局限性,提出一种考虑多因素的变压器油中溶解气体含量自适应预测方法。首先收集变压器在正常和异常运行情况下油中溶解气体的在线监测数据、温度数据(环境、变压器顶层油)、环境风速数据,并通过注意力机制(attention mechanism)计算各数据变量具体权重后作为预测模型的输入;然后通过麻雀搜索算法(sparrow search algorithm,SSA)对双向门控循环单元(bidirectional gated recurrent unit,Bi GRU)预测模型中批处理、学习率、隐藏层层数和层神经元数4个重要参数进行智能迭代优化,得到最优参数值,在此基础上,构建SSA-Bi GRU-Attention优化模型,实现对油中溶解气体含量的预测。研究结果显示,利用该文提出的模型对正常运行条件下油中溶解气体含量进行预测,预测精度可达到98.3%;对达到注意值的油中溶解气体含量进行预测,能较好地预测气体数据的峰值和拐点,预测精度可达到86.6%。该文提出的变...     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

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SDS-SSA-LSTM的变压器油中溶解气体浓度预测

油中溶解气体浓度预测对变压器早期故障检测至关重要。为了提高预测精度,本文提出了奇异谱分析(SSA)结合长短期记忆网络(LSTM)的预测模型。首先针对传统序列分解做法中的数据泄露问题,提出一种基于SSA逐步分解的采样策略,然后基于该策略将特征复杂的原始油中溶解气体浓度序列分解为特征相对单一的趋势分量与波动分量,最后利用LSTM网络对各个分量分别进行单步和多步预测。累加各分量的预测值,得到原气体浓度的预测结果。算例表明,相较于单一LSTM,本文所提模型在实验天数内整体的预测精度更高。     

基于经验小波变换和梯度提升径向基的变压器油中溶解气体预测方法

电力变压器是电力系统的关键设备,其运行状态与电网稳定性密切相关。变压器油中溶解气体分析(dissolve gas analysis,DGA)是判断其运行状态的重要方法,预测变压器未来时刻的油中溶解气体含量,可以辅助运维人员判断变压器未来的运行趋势,提前掌握运行状态确保稳定运行。然而,由于油中溶解气体的产生机制复杂且受到变压器特殊运行工况、严苛运行环境、复杂电磁环境等因素的影响,油中溶解气体时间序列将呈现非线性和非平稳性的特征,传统的基于回归拟合模型的预测方法很难挖掘时间序列的这些特征,从而导致预测准确性较低,无法用于对变压器运行状态和故障的预测和诊断。为了解决上述问题,该文利用经验小波变换将具有非线性和非平稳的油中溶解气体时间序列分解为多个复杂度较低的分量,使得预测模型更易挖掘其变化特征,随后,以径向基函数神经网络作为基学习器构建了梯度提升径向基,将径向基函数神经网络的最佳逼近、避免局部最小等优点与梯度提升机强大的监督学习能力相结合,实现对油中溶解气体分解分量潜在规律的深度挖掘,并最终实现对油中溶解气体数据的精准预测。基于现场在运变压器对所提方法进行验证,结果表明:对于单台变压器预测准确率可达98.30%,对于某区域电网内的全体变压器准确率可提升9.01%,且可以实现对变压器故障的准确预测。     

基于二次分解和GRU-attention的时间序列预测研究

针对时间序列规律难以捕捉且具有高度非平稳性特征导致的预测精度较低问题,提出了一种基于二次分解和注意力机制优化门控循环单元(GRU-attention)的时间序列预测模型。首先利用完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将时间序列分解为若干个特征互异的模态分量,并依据样本熵量化各分量复杂度。其次采用变分模态分解(variational modal decomposition, VMD)弱化高熵值分量的非平稳性特征。接着使用注意力机制优化GRU预测模型。最后对各分量建立GRU-attention模型进行预测,将各分量预测结果叠加获得最终结果。通过实验分析证明,所提出的模型与其他模型相比能够较好的捕捉序列的复杂规律、降低序列的非平稳性并且具有较高的预测性能,其平均绝对百分比误差达到了2.9%,决定系数达到了0.891。     

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。     

基于变分模态分解和深度门控网络的径流预测

为提高水库中长期入库径流预测精度,提出变分模态分解、相空间重构和深度门控网络相结合的径流组合预测模型。首先对历史径流数据进行变分模态分解,产生多个模态分量;接着将分解得到的模态分量重构到高维特征空间,形成深度学习的输入;然后利用深度门控网络获取历史径流详细特征并进行预测;最后累加各模态分量的预测值完成重构。以白山水库为例,将所建模型分别与单一预测模型和其他组合预测模型进行对比分析。结果表明：所建模型能有效分解非平稳性的径流序列,充分学习内嵌的水文规律,预测误差最小,且在整个测试集上分布更为合理,拟合优度检验值最高。研究结果可为水库水资源规划管理提供技术依据。     

基于VMD-IGWO-SVM的风电功率超短期预测研究

为了提高风电功率预测精度,保证风能的有效利用,提出一种基于变分模态分解和改进灰狼算法优化支持向量机的风电功率超短期组合预测模型。采用变分模态分解将风电功率序列分解为一系列具有不同中心频率的模态分量以降低其随机性,将各分量分别建立支持向量机预测模型,并采用改进灰狼算法对其参数寻优,将各分量的预测值叠加重构得到最终的预测值。实例仿真表明,所提的组合预测模型与其他预测模型相比具有更高的预测精度。     

基于小波分解的变压器油中故障气体预测方法

变压器油中溶解气体浓度值具有随机振荡性,且有一些测量误差,是预测气体浓度的难点。提出一种基于小波分解的气体浓度预测方法,将气体浓度数据进行小波分解,趋势部分使用GM(1,1)模型预测,细节部分使用AR(2)模型预测,对预测数据进行小波重构得到原时间序列的预测结果,并给出了未来时刻溶解气体浓度在一定置信度下的变化区间。数值试验结果显示,此方法预测结果比灰色预测模型准确,且误差近似服从均值为0的正态分布。     

基于EMD和RBFNN的短期风速预测

针对风速非平稳、非线性的特点,为提高短期风速预测准确性与快速性,建立了EMD-RBFNN预测模型。利用经验模态分解(EMD)将风速时间序列分解为具有相同特征尺度的相对平稳的本征模态(IMF)分量,以实现风速时间序列信号平稳化;针对各个模态分量的特性,采用径向基函数神经网络模型(RBFNN)对各个模态分量分别进行预测,选用正交最小二乘法来最大限度减少错误率,最后将各IMF-RBFNN预测结果进行重构得到最终预测值;设计并实现了基于GUI交互式界面的多功能短期风速预测系统。实验结果表明,EMD-RBFNN预测模型有效提高了短期风速预测精度,具有一定的实用价值。     

基于ICEEMDAN-IPSO-ELM的硅油溶解气体浓度组合预测方法

高压电缆充油终端作为电力系统中传输电能的重要设备，对充油电缆终端内填充的硅油溶解气体浓度进行可靠预测，可为硅油的故障诊断提供一定的支撑。因此，提出一种基于局部异常因子与ICEEMDAN-IPSO-ELM的硅油中溶解气体浓度预测模型。首先，搭建模拟电缆终端内部硅油老化实验平台，通过色谱分析获得硅油中溶解气体浓度序列，进而对硅油中溶解气体浓度时间序列进行数据清洗，采用局部离群因子检测方法判断异常值并进行合理的修正，进而采用改进自适应白噪声完全集合经验模态分解将修正后的硅油中溶解气体浓度序列进行分解，得到不同时间尺度的本征模态函数分量，可以有效降低高、低频分量间的相互影响；其次，针对具有不同特征的频率分量搭建极限学习机网络预测模型，针对极限学习机模型参数较难选取的问题，采用改进粒子群优化方法对模型的权值和阈值参数寻优求解，在一定程度上优化了粒子群方法的寻优能力，并提高了组合预测方法的可靠性；最后，将不同频率分量的计算结果加和，便可得到硅油中溶解气体浓度的预测含量。具体实例表明，与其他预测模型相比，该方法能够可靠预测出硅油中溶解气体含量的未来走势，为硅油故障诊断技术提供了有力的保障。     

基于EMD和GCT的变压器油中溶解气体预测

针对传统预测方法在变压器油中溶解气体预测时精度不高的问题,提出一种EMD和GCT联合应用的新型预测方法.首先使用EMD将溶解气体浓度、环境温度、油温及负载电流等时序信息分解成平稳的模态分量;然后使用GCT分析模态之间的预测关系,提取每阶模态的格兰杰原因;最后将待预测分量及其格兰杰原因所对应的历史时序输入到时间注意力机制...