基于二次维数约简的油中溶解气体浓度预测

针对变压器油中溶解气体浓度的检测问题,提出基于二次维数约简的油中溶解气体浓度预测模型。首先,采用互信息变量选择方法选取预测模型的输入变量;然后,对输入变量进行相空间重构,采用核主元分析对重构相空间进行特征提取,达到数据降维、滤除数据噪声、消除变量间相关性的目的,并用Renyi熵信息测度确定核主元分析的模型参数;最后,将核主元分析提取的主元变量作为核极限学习机的输入,建立变压器油中溶解气体浓度的预测模型。与灰色预测模型、仅变量选择的预测模型、仅特征提取的预测模型的对比实验结果表明,所提出的基于二次维数约简的油中溶解气体浓度预测模型具有较优的预测精度和泛化能力。     

基于多因素的变压器油中溶解气体体积分数预测方法

为克服传统预测方法只单独考虑少量参量的不足,提出了一种基于多因素的变压器油中溶解气体体积分数预测方法。收集变压器油中溶解气体在线监测数据、EMS数据和气象数据,通过数据预处理完成各类数据的清洗和同步。利用灰色关联分析方法确定与待预测气体关联度较高的关键输入参量,有效约简输入数据的维数;建立基于KNN回归的多因素预测模型,实现变压器正常状态下油中溶解气体体积分数的预测。收集变压器故障案例库中的故障样本数据,针对单台设备故障数据稀缺的特点,利用关联分析方法筛选与故障设备情况相近的故障案例作为输入数据,并将关联度确定为各输入的权重。建立基于故障样本加权均值回归的多因素预测方法,实现故障状态下变压器油中溶解气体体积分数预测。实例分析表明,相比于常规的预测方法,将多种影响因素合理纳入预测模型,有效提高了油中溶解气体体积分数的预测精度。     

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。     

应用支持向量机的变压器故障组合预测

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。提出一个基于支持向量机(support vector machine,SVM)的变压器故障组合预测模型及其求解步骤。在预测过程中,首先利用多个单一预测方法如线性模型、指数模型、乘幂模型、非等间隔灰色GM(1,1)模型和非等间隔灰色Verhulst模型构成预测模型群,对原始油中溶解气体数据进行拟合。然后,将预测模型群的拟合结果作为支持向量机回归模型的输入进行2次预测,形成变权重的组合预测。该文对基于SVM的组合预测过程和参数计算进行了详细地探讨。通过2个实例证明了该文提出的组合预测模型能较好地平衡拟合和外推,在某种程度上解决了传统方法拟合优而外推差的问题。此外,通过与多种预测方法进行比较,基于支持向量机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。     

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。     

用SVRM预测变压器油中溶解气体量

变压器油中溶解气体体积分数的预测对变压器故障的早期发现,确保电力系统安全运行有着重要意义。针对现有预测方法的不足,提出了基于支持向量回归机(SVRM)的变压器油中溶解气体体积分数的预测方法,在SVRM算法基础上建立了预测模型,其中结合网格法和留一交叉检验法寻求SVRM中最优的参数组合。变压器油中溶解气体体积分数预测分析的实例表明,在同为小样本训练数据的情况下,SVRM比灰色模型有着更为优越的预测效果。研究表明,SVRM模型更适合于变压器油中溶解气体体积分数的预测。     

基于时间序列和支持向量机的变压器故障预测

电力变压器故障预测可实现对变压器故障的早期预警,对保证电力系统的正常运行具有重要意义。该文提出了一种基于时间序列和支持向量机(SVM)的变压器故障预测模型。该模型以时间序列分析中的自回归积分滑动平均模型(ARIMA)为基础,采用遗传算法(GA)对ARIMA模型参数p和q进行定阶,并利用定阶后的时间序列模型对变压器油中溶解气体进行预测,然后利用基于网格搜索算法(GS)优化后的SVM模型对预测出的油中溶解气体进行诊断。运行结果表明,该模型的预测准确率可达89.66%,而利用GM–SVM、ARIMA–SVM和GA–ARIMA–ANN得到的预测准确率分别为58.62%、79.31%、75.86%。因此,所提出模型有更高的预测准确率。     

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。     

变压器油中气体的多核核主元回归预测模型

为了克服常用预测方法在建模时只单独考虑某种特征气体发展变化的不足,进一步提高预测的精度和可靠性,提出了一种基于多核核主元回归(multiple-kernel kernel principal componentregression,MK-KPCR)的变压器油中气体预测模型。采用不同类型核函数的线性加权组合构造新的等价核,以降低建模精度对核函数及其参数选择的依赖性;利用核主元分析(kernel principalcomponent analysis,KPCA)对变压器油中溶解气体样本数据提取核主元,进行回归计算与分析,建立同时预测变压器油中主要特征气体的核主元回归(kernel principal component regression,KPCR)模型;与灰色多变量预测模型(multivariable grey model,MGM),主元回归(principal component re-gression,PCR)及KPCR进行一步和多步预测比较。实验结果表明,MK-KPCR预测模型对核函数及参数选择的依赖性小,具有较优的预测精度和泛化能力。     

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。     

用灰色多变量模型预测变压器油中溶解的气体浓度

目前变压器油中气体浓度预测普遍采用GM(1,1)模型及其改进形式,针对其在建模时只单独考虑某种气体发展变化的不足,介绍了灰色多变量预测模型MGM(1,n),它可以综合考虑从同一信号中提取的多个诊断指标,因而预测更科学、有效。对变压器油中溶解的7种特征气体即氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳进行了灰色关联分析,建立了相应的MGM(1,7)模型,预测实例分析证明,与传统GM(1,1)模型及其改进形式相比,用灰色多变量模型预测的效果更好。     

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。     

基于深度信念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发展趋势进行预测,可为变压器状态评估提供重要依据。提出一种基于深度信念网络的变压器油中溶解气体浓度预测模型。该模型以7种特征气体浓度、环境温度、变压器油温为可视输入,通过对基于受限玻尔兹曼机的多隐层机器学习模型训练,可自动提取气体浓度自身发展规律,逐层激活各气体组分之间及温度对气体浓度影响的强相关性,抑制、弱化无关和冗余信息。该模型具有较高预测精度,克服了传统单一变量预测方法稳定性差的问题,同时避免了人工干预过程。通过算例分析,验证了该方法的有效性。     

基于改进型灰色理论的变压器油中溶解气体预测模型

以灰色系统理论为基础,研究变压器油中溶解气体体积分数的灰色预测新模型及其应用.建立了新的改进型非等间隔灰色预测模型.该模型首先针对变压器油中溶解气体分析试验在时间上具有非等间隔的特点,把非等间隔序列经一次拟合变换成等间隔序列.为了提高预测精度,采用一次指数平滑运算对强随机性的电力变压器的油中溶解气体数据进行平滑处理,对前面得到的等间隔数据重新生成,构成一个新序列.此外,还从背景值改造方面对预测模型进行了改进.通过2个实例进行了对比试验,表明所提出的非等间隔的模型具有明显的优势,预测效果普遍高于传统的灰色预测模型,验证了所提出方法的正确性和方案的可行性.     

基于粒子群优化–长短期记忆网络模型的变压器油中溶解气体浓度预测方法EI北大核心CSCD

电力变压器作为电网中传输和变换电能的主要设备,对油中溶解气体的浓度进行有效预测,可为变压器的故障诊断及状态评估技术提供一定的理论依据。鉴于此,提出一种基于粒子群优化算法(particle swarm optimization,PSO)与长短期记忆网络(long-shorttermmemory,LSTM)的变压器油中溶解气体浓度预测方法。首先该模型以油中溶解的7种特征气体浓度序列作为可视输入;然后通过使用粒子群优化算法对长短期记忆网络中相关超参数进行迭代优化;最后构建PSO-LSTM组合模型对油中溶解气体的浓度进行预测。该模型克服了依据经验选取参数而导致预测精度低的问题。算例分析结果表明,相较于传统预测算法,所提方法可以更好地追踪油中溶解气体浓度的变化规律,提高了预测精度,为电力变压器安全稳定运行提供了有力保障。     

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。     

基于粒子群优化–长短期记忆网络模型的变压器油中溶解气体浓度预测方法

电力变压器作为电网中传输和变换电能的主要设备,对油中溶解气体的浓度进行有效预测,可为变压器的故障诊断及状态评估技术提供一定的理论依据。鉴于此,提出一种基于粒子群优化算法(particle swarm optimization,PSO)与长短期记忆网络(long-shorttermmemory,LSTM)的变压器油中溶解气体浓度预测方法。首先该模型以油中溶解的7种特征气体浓度序列作为可视输入;然后通过使用粒子群优化算法对长短期记忆网络中相关超参数进行迭代优化;最后构建PSO-LSTM组合模型对油中溶解气体的浓度进行预测。该模型克服了依据经验选取参数而导致预测精度低的问题。算例分析结果表明,相较于传统预测算法,所提方法可以更好地追踪油中溶解气体浓度的变化规律,提高了预测精度,为电力变压器安全稳定运行提供了有力保障。     

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。