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。     

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。     

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。     

基于量测数据贝叶斯概率矩阵分解的变压器运行状态监测方法

变压器的安全运行是电力系统可靠供电的重要环节,而变压器油中溶解气体浓度变化是变压器运行状态监测的重要组成部分.本文以变压器油中溶解气体浓度为监测信息,提出了一种结合贝叶斯概率矩阵分解和长短期记忆神经网络的变压器运行状态监测方法.首先,针对油中溶解气体实际监测时存在的数据缺失问题,采用贝叶斯概率矩阵分解对缺失数据进行预测...     

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。     

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...     

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PSO-OMP优化的WD-ASD超短期负荷预测

为提高负荷预测精度,降低电力系统规划决策的保守性,本文提出了一种基于小波-原子稀疏分解(WD-ASD)的超短期负荷预测模型。该模型使用模糊聚类算法提取相似日为历史数据,采用小波分解(WD)作为前置环节,以基于原子表达式的自预测和基于最小二乘支持向量机(LSSVM)的残余分量预测为基础构建原子稀疏分解(ASD)预测模型,分别对负荷的高低频分量进行预测,并将结果相加得到最终预测值。其中ASD分解过程由正弦原子库自适应匹配分解完成,并将粒子群算法(PSO)和正交匹配追踪(OMP)算法相结合以增强原子稀疏分解能力。实际负荷数据算例验证了所提方法的自适应性、快速性及有效性。     

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