基于遗传优化支持向量机的变压器绕组热点温度预测模型

油浸式电力变压器的运行寿命及负载能力与绕组热点温度密切相关。精确预测变压器绕组的热点温度,是有效预防变压器热故障、准确预测变压器运行寿命和优化变压器设计的关键技术之一。论文研究了绕组热点温度支持向量机建模。为提高模型预测的精确度,选用径向基核函数优化模型结构;利用遗传算法对参数进行寻优。结合实验室模拟温升变压器绕组温度实测数据,提取输入和输出的特征量,并划分训练集和预测集,建立了基于遗传优化支持向量机的变压器绕组热点温度预测模型。实验表明:应用本文模型预测结果与实测值基本一致,优于BP神经网络以及Elman神经网络的预测结果。     

基于粒子群优化-支持向量回归的变压器绕组温度软测量模型

针对变压器绕组热点温度测量问题,建立一种基于粒子群优化-支持向量回归算法的变压器绕组热点温度软测量模型,并验证此模型的预测效果。利用基于被动聚集的改进粒子群优化(PSO)算法,优化支持向量机的支持向量回归(SVR)模型的参数组合,并且找到其最优解。充分考虑变压器运行的相关因素,对绕组热点温度软测量模型进行训练与学习,实现对难以直接测得的绕组热点温度的预测。通过对某市110kV变压器运行数据的训练和预测结果,并将其与BP神经网络和SVR方法的结果对比,证明所建模型具有较好的预测能力。     

基于LSTSVR模型的边缘计算预测变压器平均油温及绕组热点温度

变压器绕组的热点温度过高,会导致变压器绝缘脆解、裂化甚至击穿短路。因此及时、准确地预测出变压器绕组的热点温度,对提高变压器运行的安全可靠性至关重要。利用最小二乘双支持向量回归机(LSTSVR)作为边缘计算模型,将变压器油中气体色谱分析数据信息与变压器负载电流、环境温度、顶层油温、上死角温度等变压器运行信息结合,构建监测系统架构,预测变压器的平均油温,并计算出绕组热点温度。将所提方法得到的数据与实测数据进行对比,结果利用LSTSVR模型实现了变压器平均油温及绕组热点温度的准确预测,且该模型的预测精度优于最小二乘支持向量回归机模型,有效地提高了绕组热点温度测量的精度。现场实例也证明了所提方法的有效性和可靠性。     

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。     

基于卡尔曼滤波算法的油浸式变压器绕组热点温度预测研究

本文作者研究基于卡尔曼滤波算法的油浸式变压器绕组热点温度预测模型,为有效分析此类变压器绝缘寿命提供依据。采集影响绕组热点温度的相关数据并构成基础数据库,构建变压器绕组线性离散热点温度模型,通过向该模型内叠加基础数据库内的噪声数据,获得热点温度的状态与测量方程,经由两种方程运算得出绕组的历史热点温度值,以此温度值作为输入参量,结合卡尔曼滤波算法构建变压器绕组热点温度预测模型,通过该模型中预测与校正两阶段的迭代运算,得到绕组热点温度的最佳实时预测结果输出。结果显示,该模型可预测出不同运行负载下的油浸式变压器绕组热点温度,得到平滑消噪且与实测数据相吻合的预测值;依据预测结果得知,变压器的绕组热点温度与季节、环境温度、负载均存在一定的相关性。     

采用Kalman滤波算法预测变压器绕组热点温度

油浸式电力变压器绕组热点温度是影响变压器绝缘寿命的重要参量,为精确预测绕组热点温度,通过分析考虑负载动态变化和顶层油温相对绕组热点温度的动态变化的微分方程,构造基于Kalman滤波的热点温度状态方程和测量方程,建立了热点温度实时最优估计模型;利用实验室搭建的基于光纤光栅传感的温升试验平台测试数据,通过模拟智能电网中变压器热点温度监测数据中的噪声以及因传感器失效所引起的某时间段的数据缺失,验证了Kalman滤波模型的内插能力和滤波能力;根据某电站主变压器现场监测的变压器热点温度的有限实时数据,以及相关误差的统计信息,对所建模型进行外推,实时地预测热点温度,并与IEEE导则推荐模型的预测结果进行了对比。结果表明,基于Kalman滤波的热点温度模型更接近实测值,其在2月份和9月份的平均绝对百分比误差(1.5730%,0.8866%)和均方根误差(0.8180°C,0.8562°C),均优于IEEE导则模型的预测结果,具有较好的内插、平滑以及外推性能,为实时监测变压器绕组热点温度提供了一种新的工具。     

广义回归神经网络在变压器绕组热点温度预测中的应用

电力变压器的绕组热点温度是影响其绝缘性能的主要因素之一,因此有必要进行电力变压器绕组热点温度预测以提高电力变压器的运行可靠性。变压器内部温度受诸多因素的影响,且计算涉及到传热学、流体力学和电磁学等边缘学科,以致其计算复杂,不宜使用。广义回归神经网络(GRNN)具有较强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性等特点,将其应用于变压器绕组热点温度的预测,克服了基于误差反向传播算法的人工神经网络(BPNN)预测时训练过程中存在局部最小点、收敛速度慢等缺点。将预测结果与实测值进行对比,结果表明GRNN神经网络的预测结果与实测值具有较好的一致性。     

基于GA-BP神经网络的变压器绕组热点温度预测研究

变压器是电网核心设备之一,保障其安全稳定运行具有重要意义.针对现有变压器绕组热点温度预测方法中存在的问题,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型.利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2?05％和0?21,优于其他方法,验证了该方法的正确性.     

基于GP-NLSM的变压器绕组热点温度建模

准确的绕组热点温度估算模型是评估油浸式变压器热状态和绝缘寿命的关键。文中基于变电站监测的热点温度与负载电流数据,利用遗传编程算法训练出热点温度估算模型的基本结构,结合归一化自适应滤波(NLMS)算法实现热点温度估算模型的参数辨识,最终建立一种油浸式变压器热点温度显式预测模型。研究结果表明：显式绕组热点温度估算模型可以直观映射出负载系数与绕组热点温度之间的关系。预测集下模型的拟合优度为0.998 8,最大绝对误差仅为1.36 ℃,验证了模型的正确性与有效性。此外,针对同一区域下同种容量型号的油浸式变压器进行绕组热点温度估算,证明了所提模型具有较强的泛化性能。     

基于绕组热分布的改进油浸式变压器绕组热点温度计算模型

为准确计算变压器的绕组热点温度,给变压器的过载能力及绝缘寿命评估提供依据,在分析变压器绕组热分布热性及导热途径的基础上,提出了一种改进的基于底层油温的变压器热点温度等效计算模型。该模型通过明确定义热点温度的等效热源并考虑变压器油粘度及铜损的温度特性,得到了变压器热点温度等效计算模型的解。通过搭建变压器温升试验平台,采用光纤测温系统对变压器绕组的热点温度进行了测试分析。将实测数据与热路模型的计算结果及其它现有热路模型计算得到的温度曲线的对比分析结果表明,依据所提出的改进热点温度模型计算得到的变压器绕组热点温度曲线所对应的误差系数明显小于其它方法的计算结果,至少减小了40%,具有更高的预测精度。     

基于NARX神经网络的光伏发电功率预测研究

为了较准确地预测光伏发电系统的发电功率,建立了动态神经网络预测模型。该模型采用有外部输入的非线性自回归神经网络(NARX)结构,考虑太阳能辐射量和电池板温度对光伏发电功率的影响,利用NARX神经网络强大的非线性映射和泛化能力,进行了发电功率的预测。结果表明,利用NARX神经网络预测光伏发电功率是可行的,并且与传统BP神经网络相比,具有良好的适应性和预测精度。     

改进的油浸式电力变压器绕组热点温度计算和在线监测及运行分析

针对变压器绕组热点温度的计算模型,采用变步长的Runge-Kutta方法对计算模型求解,实时计算变压器的顶层油温和绕组最热点温度。建立针对变压器的实时在线监测系统,实现变压器运行情况的监测分析,采用先进的计算方法对变压器热点温度计算模型求解,提高计算精度;并对变压器短期过负载能力进行科学合理预测。     

基于广义回归神经网络的变压器振动信号预测

变压器箱壁的振动信号与绕组和铁芯的运行状态密切相关。在对变压器振动机理进行分析的基础上,提出使用广义回归神经网络获取变压器电压电流信号与振动信号100Hz分量的对应关系,据此对变压器振动信号进行预测。使用模型变压器试验平台获取的电压电流和振动信号对广义回归神经网络进行训练,并把训练好的神经网络用于振动信号的预测。预测信号与实测信号的良好吻合说明了文中所提出的方法的有效性,据此可对变压器运行状态进行在线监测。     

基于DGM的油浸式变压器热点温度计算

为了准确计算油浸式变压器的热点温度,在对比了有限元法(FEM)和有限体积法(FVM)计算变压器热点温度各自特点的基础上,提出了基于间断式伽辽金方法(discontinuous Galerkin method,DGM)的一种计算变压器热点温度的全新计算方法;并以天威合肥变压器厂的一台180 MV·A-220 kV变压器为例,计算了变压器的绕组热点温度。为校验计算方法的准确性,笔者对这台主变进行了变压器绕组温升试验,监测了绕组的热点温度数据,并将利用DGM的计算结果分别与实际监测数据、IEEE导则计算数据、使用FEM算法计算出的数据以及使用FVM算法计算出的数据进行了对比。对比结果表明,利用DGM的计算结果与实际监测数据的标准差只有1.46℃,而利用IEEE导则模型计算结果、FEM算法计算结果以及FVM算法计算结果与实际监测数据的标准差分别高达4.81、3.71、2.58℃。DGM的计算精度明显高于IEEE导则模型、FEM算法和FVM算法,证明了DGM能更准确地计算油浸式变压器绕组热点温度。     

基于多物理场计算和模糊神经网络算法的变压器热点温度反演

热点温度是影响油浸式变压器绝缘寿命的重要因素之一。针对分布式光纤传感器测温系统测量热点温度时造成的不良影响与安装的不便性。提出一种基于多物理场计算和模糊神经网络算法的油浸式变压器热点温度反演模型。以66 kV三相三柱油浸自冷式变压器为例,采用有限体积法耦合迭代求解变压器流体–温度场,确定热点温度范围区域。筛选出环境温度、变压器顶层油温、变压器外壳及油箱顶部等12个特征点的温度建立模糊子集,再通过T–S模糊神经网络算法预测变压器绕组热点温度值。计算结果表明其与光纤传感器实际测量绕组热点温度误差4%,比传统方法具有更高的精度。该方法实现了特征量测量非植入式,为电力变压器在线监测、热点温度计算提供一种新的计算思路。     

基于ACO-SVM模型的油浸风冷式变压器热点温度预测方法

针对目前应用人工智能算法对油浸风冷式变压器进行热点温度预测时，预测模型输入特征量的选取不够精准及预测准确率不足的问题，本文作者在变压器内部温升-散热过程的分析基础上，提出以油浸风冷式变压器的箱壁温度作为预测模型输入特征量之一,建立了蚁群算法优化支持向量机（ACO-SVM）预测变压器绕组热点温度的模型。以实测数据作为样本进行模型训练，将文中模型与PSO-SVM模型和SVM模型的预测性能进行比较，文中模型的均方误差和平均相对误差相较于PSO-SVM模型降低了87.74%和40%，相较于SVM模型降低了87%和38.86%，测试结果表明该方法预测精度更高，对预测油浸风冷式变压器的热点温度具有更好的适用性。     

基于NARX神经网络的电子电路电磁脉冲响应建模

针对内部结构不详、器件参数未知的复杂电子电路电磁脉冲响应建模这一难点问题,笔者采用NARX神经网络建立动力学模型,并提出了采用正弦波扫频信号及其电路响应作为训练数据的方法,同时给出了NARX神经网络建模的理论基础及设计步骤,证明了集总参数电路响应模型可用NARX神经网络所建立的动力学模型替代,从而得到了基于数据的电子电路电磁脉冲响应建模方法。运用ADS软件完成滤波器电路及射频放大电路的设计与仿真,建立NARX神经网络模型并得到了较好的预测效果,验证了该方法适用于集总参数电路的电磁脉冲响应预测。对NARX神经网络的缺陷进行简要分析,并提出使用遗传算法优化网络参数和使用支持向量机或极限学习机替代NARX神经网络中前馈神经网络部分的改进方法,为后续研究工作指引方向。     

基于T-S模型的电力变压器顶层油温预测研究

为准确估算电力变压器绕组热点温度，对变压器安全运行和寿命评估提供辅助依据，建立了一个基于Takagi- Sugeno(T-S))的变压器顶层油温预测模型。模型的前件参数由模糊C均值聚类算法确定，后件参数由加权最小二乘法离线辨识，并用现场实测数据对模型后件参数进行在线调整。通过对实测数据的仿真实验表明，该模型以简单的模糊规则实现了变压器顶层油温的预测，且模型的预测精度优于IEEE推荐的变压器顶层油温经验模型，从而提高其绕组热点温度计算的精度。     

基于IWOA-SVM的变压器绕组热点温度预测

为了降低变压器高温运行风险和提高绕组热点温度预测精度,提出了一种基于改进鲸鱼算法优化支持向量机的绕组热点温度预测方法。采用灰色关联分析结果确定负载电流、有功功率、顶层油温和环境温度为引起绕组热点温度变化的主要特征量,并以此作为绕组热点温度预测模型的支持向量。利用余弦调整控制因子和引入自适应权重系数2种策略对鲸鱼算法进行改进,提高了改进鲸鱼优化算法（improved whale optimization algorithm,IWOA）的优化性能,采用IWOA算法优化支持向量机（support vector machine,SVM）参数,建立了基于IWOA-SVM的变压器绕组温度预测模型。算例分析结果表明,本文绕组热点温度预测方法的均方根误差为1.21 ℃、决定系数为0.897,平均相对误差为2.14%,三项指标均优于其他方法,验证了所提方法的实用性和有效性。     

基于Transformer神经网络的变压器状态监测

电力变压器是电力系统的关键设备,为保障电力系统健康稳定运行,对电力变压器开展状态监测十分必要。提出基于Transformer神经网络的变压器状态监测方法,Transformer神经网络具有自注意力机制,能够挖掘不同特征维度之间的关联性,为变压器状态监测提供更可靠的决策能力。在进行变压器数据收集时,将采集到的数据集分为健康、亚健康、病态3个类别;之后采用原始数据、小波特征以及傅里叶特征融合的方式对数据进行预处理,增加特征维度;通过数据生成和Focal Loss的方法降低模型训练时数据不平衡带来影响,再将处理后的数据输入Transformer神经网络进行模型训练,最终利用训练好的模型预测变压器健康状态。与传统机器学习方法、卷积神经网络、长短时记忆网络相对比,所提方法预测精度有明显提升,能够准确的监测变压器设备状态,预测准确率能达到90%,是一种有效的变压器状态监测方法。