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.     

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。     

用灰色多变量模型预测变压器油中气体的方法

变压器的油中溶解气体分析(DGA)是变压器绝缘寿命估计和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。为此,在研究现有气体预测方法的基础上,提出使用灰色多变量模型来预测变压器的油中气体体积分数,以克服常用预测方法在预测时一般只考虑某一个特征参数或单独考虑几个特征参数发展变化的不足。灰色多变量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,从系统的角度统一描述各特征参数,因而能获得较准确的预测结果。另外还用绝对关联度进行了气体的相关性分析,这是使用灰色多变量模型进行预测的前提。预测实例表明了该方法的有效性和优越性。     

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。     

基于灰色马尔可夫模型的变压器油中溶解气体体积分数预测

准确预测变压器油中溶解故障特征气体的体积分数对发现变压器早期潜伏性故障,实现电力系统安全经济运行具有重要意义。将灰色多变量预测方法和马尔可夫链理论有机结合,提出了一种适合变压器故障特征气体体积分数预测的灰色马尔可夫组合预测模型。利用优化的背景值构造公式建立灰色多变量模型对变压器故障特征气体时间序列的宏观发展规律进行动态预测,在此基础上,建立故障特征气体时间序列的状态转移概率矩阵,以归一化的各阶自相关系数作为权重值,通过加权马尔可夫链模型修正灰色多变量模型预测值,实现变压器故障特征气体体积分数的预测,预测精度较高。实际算例分析验证了该模型的实用性和有效性。     

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。     

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。     

基于灰色TOPSIS和DGA的变压器状态预测

以灰色预测和理想点解理论(TOPSIS)为基础,研究基于油中溶解气体体积分数的变压器状态预测及其应用。该方法不同于目前单纯依据数学算法预测油中溶解气体含量的方法,而是从系统的角度综合考虑各特征参数及三比值规则,对故障状态贴近度进行预测。首先根据理想点解法计算各期油中气体体积分数三比值的故障贴近度,以此作为变压器三比值状态信息,然后根据灰色GM(1,1)模型,对变压器三比值故障状态贴进度发展趋势进行预测,最后得到其故障的贴近度,反应了变压器故障状态的发展趋势,对状态维修具有较直观的参考意义。实例数据分析验证了该预测方法的有效性。     

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。     

Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers

This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples.     

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。     

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.     

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...     

应用新型多方法组合预测模型估计变压器油中溶解气体浓度

为提高变压器故障的预测能力,提出了采用最优加权组合预测模型,将灰色理论、BP神经网络、遗传算法和卡尔曼预测算法这4种单项预测算法综合起来,对油中溶解气体的浓度及发展趋势进行精确预测。首先对根据各种单项预测方法的误差,按照预测误差平方和最小的原则计算各自的权系数,然后加权建立综合组合预测模型,并最终求解出变压器油中溶解气体的浓度。组合预测法能很好地综合各种单项预测方法的优势,更大限度地作出正确的预测。预测实例分析也证明了组合预测方法的可靠性和有效性。该方法不仅可以有效降低单项预测算法的预测误差,提高预测模型的预报能力,同时还为电力系统中其它领域的预测提供了新的思路。     

基于改进遗传算法与LS-SVM的变压器故障气体预测方法

最小二乘支持向量机(LS-SVM)能较好地解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择。笔者提出一种基于改进遗传算法(IGA)的参数寻优方法,并将其应用到变压器油中故障气体预测。IGA算法采用了编码机制,随机产生初始种群,可快速扩大搜索空间,稳定群体中个体多样性,有效提高全局搜索能力和收敛速度。最后进行了多组现场数据的实例分析,结果表明:基于IGA进行参数优化后的预测准确率明显优于传统LS-SVM预测结果。     

基于DGA的反馈云熵模型电力变压器故障诊断方法研究

为了解决变压器故障诊断中存在的随机性和模糊性问题,提出了基于反馈云熵模型的电力变压器故障诊断新方法。通过对大量电力变压器故障征兆及故障类型的统计分析,并将其视作云滴输入贝叶斯反馈逆向云发生器中,得到故障特征气体的云模型参数值,构建变压器故障诊断标准正态云模型。将云关联系数和信息熵理论有机结合起来,降低了对单个标准正态云模型的依赖性,充分挖掘变压器油中溶解气体所包含的故障信息,提高了变压器故障诊断的准确率。通过不断丰富输入样本、修正云模型参数值的方法,可以进一步提高模型诊断效果。实例分析结果表明该模型的故障诊断准确率较高,并具有较好的理论价值和应用前景。     

校验用变压器油标准气体计量模型及标准油配制研究

为检验变压器油中溶解气体在线监测装置测量数据的准确性,用标准油样对其进行校验已成为目前的主流方法。目前标准油配制方法主要为混合标准气法和单一标准气法,针对两方法相关数学模型,提出了其使用过程中的注意事项;比较两配油方法及其数学模型,单一标准气法优势较强。基于单一标准气法数学模型,改进了全自动标准油配制装置（全自动配油仪）,并检验了改进后装置对变压器油溶解气体的配制结果。研究结果表明：改进后的全自动配油仪配油准确性高,配油误差在±10%以内,活塞式不锈钢油缸储油效果较好,标准油样浓度稳定性完全满足检验工作需求。