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。     

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。     

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。     

基于时间序列模型的变压器油中溶解气体预测

变压器作为电力系统的核心设备,其安全运行是电力系统稳定可靠的基础。根据在线监测系统提供的油中溶解气体含量历史数据,预测未来气体体积分数及其发展趋势,是DGA故障预测的关键,也是在线监测的必要补充和提前预警变压器故障的重要手段。现有的预测算法存在着模型泛化性差和没有考虑时间序列模型等问题。为提高预测能力,文中首先介绍了非时序有监督学习和时间序列模型关键技术及其在变压器油中溶解气体体积分数预测的应用;然后搜集和发布了一个大规模数据样本,为算法提供了一个较为全面的验证集,提高模型的泛化性;最后使用前向数据分割方法进行数据增强,增加模型的训练数据。大量实验证明了时间序列模型在变压器油中溶解气体体积分数预测的有效性。     

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。     

220 kV变压器油中溶解气体体积分数动态预警方法

油中溶解气体分析是监测电力变压器运行状态最常用的方法之一。针对现有标准对油中溶解气体体积分数预警阈值设定单一和裕度过大等不足,提出了一种基于数据统计和分布模型的220 kV变压器油中溶解气体体积分数动态预警方法。首先,对某电网近10万条220 kV变压器油中溶解气体体积分数数据进行统计与分类处理,并建立了油中溶解气体体积分数的分布模型;然后,根据油中溶解气体体积分数实际预警数据统计结果,通过分布模型的逆累积运算计算得到动态预警值,从而实现了一种油中溶解气体体积分数的动态预警方法;最后,将动态预警方法与现有标准以及10%划分规则的计算结果进行了对比分析,并讨论了预警阈值的动态特性。结果表明,该方法与现有标准相比能够降低漏预警率,与10%划分规则相比能够降低误预警率,即在漏报警和误报警之间取得了一个较好的平衡点,具有一定的工程应用价值。     

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...     

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。     

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。     

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。     

利用特征气体排列图判断变压器潜伏性故障类型

在油浸式电力变压器不同的故障类型中,油中溶解的特征气体的组分是不同的.以往利用油中特征气体相对含量判断变压器故障靠定性的语言描述,在诊断上有模糊性.针对此情况,提出利用油中的5种溶解气体（C2H2,H2,C2H6,CH4,C2H4）的体积相对于气体总体积的比例,构建故障的特征气体排列图,并根据图形的偏移性、突出性等表述形状的参数作为诊断变压器故障的类型的量化判据.最后,用实例验证了此方法的有效性.     

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。     

基于非等间距灰色多变量模型预测变压器故障

电力变压器是电力系统中最重要的设备之一,变压器一般在发生故障前其内部的油中会析出多种气体,即氢气、甲烷、乙烷、乙烯和乙炔,并且析出的5种气体之间存在着某种耦合关系。通过建立5种气体的非等间距多变量灰色模型对故障特征气体分析,预测出变压器故障,克服了只考虑一种气体的发展变化或仅在等间距的基础上进行预测的不足。     

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。