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。     

基于粒子群算法优化支持向量机的变压器绕组变形分类方法

变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。     

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。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

基于时序NARX自适应神经网络的油浸式变压器绕组温度预测

变压器绕组热点温度过高会导致绝缘老化速度变快,剩余寿命变短。为此提出了一种基于时序性外因非线性自回归(NARX)的自适应神经网络模型以获得更精准的绕组热点温度预测数据。首先,确定影响变压器绕组温度的外部特征因子种类;然后,对变压器绕组热点数据和其他数据进行预处理;最后,将处理后的数据输入时序NARX自适应神经网络模型进行训练和调参,完成模型的构建。经实例验证,提出的外因NARX自适应神经网络绕组热点温度预测模型能对不同类型变压器数据进行特定的预处理,并且与支持向量机回归、回归树、高斯核回归方法相比,预测误差更小,在提高精度上具有更大优势。     

基于天牛须搜索优化支持向量机的变压器故障诊断研究

为了准确地判断变压器绕组是否出现故障,保证变压器供电的可靠性,提出了一种基于天牛须搜索算法优化支持向量机(BAS-SVM)的变压器绕组故障诊断方法。采用支持向量机(SVM)作为变压器绕组形变程度的分类器,并应用天牛须算法对SVM的核函数和惩罚因子进行优化,通过人工经验训练BAS-SVM,使其具有很高的故障诊断精度。为了比较BAS-SVM算法在变压器绕组故障诊断的优越性,采用改进的粒子群优化算法(MPSO)优化SVM。通过仿真验证,BAS-SVM算法的故障诊断准确率比MPSO-SVM算法的故障诊断准确率高10%。最后通过实例验证了BAS-SVM算法对变压器绕组故障诊断的可行性。     

基于改进支持向量机的变压器实时热点温度预测方法研究

文中提出了一种基于改进支持向量机的变压器实时热点温度预测方法。该方法以变压器负载电流、环境温度和顶层油温为特征值,将变压器热点温度预警与预测相结合,目的在于实现基于近期历史运行数据的变压器实时热点温度预测。文中研究分析了基于改进网格搜索、遗传算法及粒子群算法的支持向量机在变压器短期热点温度预测中的应用效果,结果表明,3种改进方法均可有效提升预测精度,但基于改进网格搜索算法的支持向量机预测效率最高。最后,以某35 k V油浸式变压器实时热点温度数据为样本集,文中所述方法可有效实现变压器短期热点温度预警预测,预测准确度高于90%。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于流线分析的10kV油浸式变压器绕组热点温度反演模型建立及验证研究EI北大核心CSCD

准确获取运行变压器绕组热点温度一直是电力行业的难点问题之一。源自变压器绕组热源区域的热流是导致变压器外场域温度升高的直接推动力,该文基于变压器温度流体场耦合数值计算,分析变压器内部热流扩散规律,通过提取流经绕组热点区域与外壳散热区域的典型热流流线,选取变压器外部可测并与绕组热点温度具有强关联关系的特征测温点,并采用网格搜索法优化的支持向量回归机构建特征测温点温度与绕组热点温度间的多维非线性关系,进而建立变压器绕组热点温度反演检测模型。为拓宽反演模型的普适性,采用正交设计法构建反演模型所需的训练样本和测试样本,采用变压器多工况温升试验验证变压器温度流体场仿真结果的准确性,并验证绕组热点温度反演模型的准确性,绕组热点温度反演平均绝对误差为1.82%,最大温差小于3℃。     

基于PSO-HKELM的变压器顶层油温预测模型

为精确预估变压器的热状态以指导变压器的载荷运行,基于粒子群优化的混合核极限学习机提出一种变压器顶层油温度预测模型。使用核极限学习机对顶层油温度与其影响因素之间的映射关系进行拟合回归预测,模型全面考虑了包括环境风速在内的顶层油温的主要影响因素,并采用混合核函数提高模型的学习能力和泛化性能来取得更佳的预测精度。粒子群算法用来进行模型的训练并同时进行混合核函数参数的优化,对正负训练误差采用不同容许限度处理,使得模型的预测值大于实测值,预测结果在提高精度的同时更加具有保守可靠性。通过不同季节的实测数据进行算例验证,结果表明该模型预测值与实测值基本一致,且预测误差均为正值;该模型的最大预测误差为1.97℃,分别为同条件下BP神经网络和最小二乘支持向量机模型的78.49%和82.43%;该模型具有更佳的顶油温度预测精度,能够更加可靠地实现变压器的热状态估计。     

基于粒子群算法和支持向量机的锅炉排烟温度建模

排烟热损失是机组锅炉热损失中最大的一项,建立锅炉排烟温度模型对锅炉运行有重要意义。为此,以某660 MW机组锅炉燃烧调整试验数据为基础,采用支持向量机建立锅炉排烟温度模型,并利用改进的混沌粒子群算法对支持向量机的相关参数进行优化,使模型的准确性显著提高。与遗传算法相比,粒子群算法无交叉和变异,算法简单,泛化能力强,有很好的实用性。基于粒子群算法和支持向量机的排烟温度模型能够很好地预测排烟温度的变化,可为锅炉的运行提供指导。     

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 IALO-SVR 的锂电池健康状态预测

健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型。在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1%以内,验证了预测方法的可行性。     

基于粒子群算法优化支持向量机的输电线路覆冰预测

分析了现有输电线路覆冰厚度预测方法中的不足,提出了一种基于粒子群算法优化支持向量机的输电线路覆冰预测。通过历史覆冰增长数据样本对支持向量机进行训练,利用训练的模型对线路覆冰厚度进行预测。同时利用粒子群优化算法对支持向量机关键参数进行优化,有效提高了覆冰厚度预测精度,为输电线路防冰提供了可靠依据。     

基于改进粒子群优化的变压器绕组热点温度建模

分析油浸式变压器绕组损耗和内部传热机理,基于IEEE Std C57.91导则Annex G,并利用传热学理论对热点温度进行建模研究。针对模型参数优化问题,分别采用改进粒子群算法和遗传算法对参数进行寻优,对比表明改进粒子群算法对参数优化的结果最佳。结合实验室变压器内部温度测量试验系统采集的实测数据,应用该模型计算热点温度,与实测数据、IEEE导则推荐方法和普通底层油温模型计算结果相比较。结果表明:该模型的计算值与实测值基本一致,具有较好的适应性,且计算性能和精度均优于IEEE导则推荐方法和普通底层油温模型。     

基于频率响应分析技术和图像特征检测方法的变压器绕组故障诊断

频率响应分析(FRA)是一种广泛应用于变压器绕组故障的检测方法.本文提出了一种基于图像处理技术的FRA识别方法.首先在自耦变压器实验中模拟不同绕组的故障,测量不同故障情况下的FRA曲线;然后将频域分割法和图像处理技术应用于测得的频域响应曲线,通过一种新的算法计算了不同频率区域的面积比和质心偏差;最后,以图像特征作为支持向量机模型的输入.在训练过程中,对三种不同的参数优化算法进行了比较,从而选择最优方式.结果表明,粒子群优化和图像特征对绕组故障的识别效果最好.     

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。     

基于扫频阻抗法及支持向量机的变压器绕组微小变形分类方法

基于扫频阻抗法,获取不同类型的变压器绕组故障数据,并以此建立了区分度明显的特征向量,利用不同的支持向量机对绕组3种典型的微小变形进行分类,并采用粒子群算法对支持向量机进行了优化.