CN104063577A - 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 - Google Patents
基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 Download PDFInfo
- Publication number
- CN104063577A CN104063577A CN201410195614.XA CN201410195614A CN104063577A CN 104063577 A CN104063577 A CN 104063577A CN 201410195614 A CN201410195614 A CN 201410195614A CN 104063577 A CN104063577 A CN 104063577A
- Authority
- CN
- China
- Prior art keywords
- gas
- data
- layer
- moment
- kinds
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
一种基于广义回归神经网络的变压器油中特征气体发展趋势预测方法,属于电力设备监测技术领域,通过获取试验数据、构建样本数据、形成广义回归神经网络预测工具、对待预测输入数据进行归一化、运用广义回归神经网络预测工具进行预测、判断是否超出预定值,直至找到超出预定值的时刻。本发明方法形成了一种基于广义回归神经网络的变压器油中特征气体发展趋势预测工具,用于等时间间隔和非等时间间隔采样,实现了两种预测功能,一是预测未来任意时刻变压器油中特征气体值及产气速率,二是预测未来异常气体产气速率超出限定值的时间点、气体值及产气速率值。
Description
技术领域
本发明属于电力设备监测技术领域,涉及变压器性能的监测方法。
背景技术
电力变压器是电力系统中最重要的设备之一,由于在设计、制造以及运行过程中受到多方面因素的影响,常常导致一些潜伏性故障的发生,最终发展为恶性事故。在潜伏性故障发生时,变压器内部的油中会产生多种特征气体,通过对特征气体的检测(色谱分析)能有效发现变压器内部潜伏性故障的存在,在设备不具备停运检修的情况下,专业人员将根据潜伏性故障的性质重新规定设备的色谱检测周期。然而,由于人为确定的色谱检测周期会因不同人和不同专业水平的差异,难免会存在误判断情况,一旦误判就会造成检测周期的选择不当,例如,专业人员对故障重视不够,人为拟定的检测周期过长,可能会导致下个色谱检测时间尚未到来前,变压器就发生了不可逆转的故障;相反,因专业人员过于保守,人为拟定的检测周期过短,则会增加色谱试验工作的次数,浪费大量人力和物力。因此,科学地对变压器油中特征气体检测周期的制定是十分必要的,通过对油中特征气体发展趋势的准确预测,就能为色谱检测周期的制定和及时调整提供可靠的科学依据,从而准确预测变压器油中异常气体超出预定值时刻,进而在异常发生前采取停运检修的措施,能有效避免变压器在运行中发生严重事故,使变压器运行状态可控、能控、在控。
科技创新与应用-2012年11Z期《基于RBF神经网络的变压器油中溶解气体含量预测》研究了一种运用径向基函数神经网络(RBF) (由输入层、隐含层、输出层组成)预测变压器油中特征气体发展趋势的方法,但是文中仅仅对乙炔一种气体进行研究,未考虑变压器油中其他气体的因素,忽略了气体之间的内在关系,实际上在预测变压器油中特征气体发展趋势时,应该综合考虑变压器油中多种气体。
西华大学学报自然科学版-2010年2期《基于遗传算法优化的BP神经网络的变压器油中气体预测》研究了一种使用遗传算法对BP神经网络(由输入层、隐含层、输出层组成)的权值和阈值进行优化。
已授权的《变压器溶解气体谐波回归分析的方法和系统》专利(200880110413),研究了一种装在变压器上的在线监控装置,对溶解气体进行等时间间隔采样,利用谐波回归分析,形成一个预测方程,对变压器溶解气体进行预测分析。这种预测分析方法只能针对等时间间隔采样数据进行预测,而在实际操作过程中,对数据的等时间间隔采样困难较大,一般难以实现。
以上三种方法针对的只是等时间间隔采样的训练样本,对变压器气体值进行预测,无法预测异常气体产气速率超出预定值时刻,而实际变压器油中特征气体检测往往不能达到这种等间隔的要求,且当异常气体产气速率超出预定值时,变压器可能会发生处于异常状态,因此适用范围有局限性。
发明内容
本发明要解决的技术问题是提供一种基于广义回归神经网络的变压器油中特征气体发展趋势预测方法,从而能够通过非等间隔采样数据以满足对变压器的状态进行预测。
为实现上述目的,本发明提供一种基于广义回归神经网络的变压器油中特征气体发展预测方法,适用于等时间间隔和不等时间间隔的试验数据,可实现两种预测,一是预测未来任意时刻变压器油中特征气体值及产气速率,二是预测未来异常气体产气速率超出限定值的时间点、气体值及产气速率,此方法实施具有下列步骤:
步骤1:获取试验数据,依常规方式对变压器油中的特征气体进行检测,当变压器油中单一或多个特征气体超过阈值时,则进行连续检测数据采集,连续检测数据采集不少于5次;
所述的检测数据采集为短时间间隔连续数据采集,每次时间间隔为10至40天;
步骤2:构建样本数据,对步骤1获取的试验数据对应的时间间隔进行累加,得到累加后的时间间隔数列,分别计算每种气体此次与上一次的含量差,求得含量差数列,组合成样本数据,对样本数据进行归一化;
步骤3:形成广义回归神经网络预测工具
1、构建广义回归神经网络模型,分别为输入层、模式层、求和层及输出层,具体广义回归神经网络模型设计如下:
(1) 输入层:输入层神经元的数目设置为M,分别对应于归一化后训练样本累加后的时间间隔数列及每种气体含量差的参数;
(2)模式层:模式层神经元数目为M,求得模式层神经元传递函数;
(3)求和层:求和层中使用两种类型神经元进行求和,一类神经元对所有模式层神经元的输出进行算数求和, 另一类神经元对所有模式层的神经元进行加权求和;
(4)输出层:输出层中的神经元数目除掉时间间隔数列为D(D=M-1),输出结果为求和层的输出结果的比值序列,分别对应于油中各种气体的预测含量值;
2.进行样本数据网络训练
(1)取D种气体含量差为网络输入;
(2)计算训练样本通过网络预测的结果误差率 ,调整值,进行循环计算误差率,直至满足误差率的要求;
步骤4:对待预测输入数据进行归一化,将第时刻D种气体含量数据按步骤2进行归一化,并求得D种气体的含量差,形成数组和需要预测的时间间隔一起作为待预测输入数据;
步骤5:运用广义回归神经网络预测工具进行预测,将步骤4的输入数据作为输入传递给网络,运用网络进行预测;
步骤6:确定产气速率超出预定值的时间,计算油中特征气体相对产气速率,
改变预测时间,循环计算油中特征气体相对产气速率,判断是否超出预定值,直至找到超出预定值的时刻。
其中步骤1:获取试验数据
某台变压器油中单一或多个特征气体超过阈值时,积累组()油色谱试验数据,试验数据为H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃8种气体含量:8种气体中超出阈值的气体呈递增趋势,对应时间间隔既可为等时间间隔也可为非等时间间隔。
步骤2:构建样本数据
(1)对步骤1获取的试验数据对应的时间间隔进行累加,累加后的时间间隔数列记作。假设试验数据中的初始时刻为,计算时刻到时刻的累加时间间隔(单位:天,其中):
(1)
可求得累加后的时间间隔数列:
(2)
(2)计算步骤1获取的试验数据中8种气体含量差,其中分别对应H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃8种气体。设时刻8种气体的含量值序列为 ,时刻8种气体的含量值序列为 ,分别计算8种气体在时刻相对于时刻的含量差():
(3)
可求得时刻相对于时刻的含量差数列 :
(4)
(3)把累加时间间隔数列与8种气体含量差数列一起作为参数组合成样本数据:
(5)
其中为步骤1中积累的油色谱数据条数,样本数据由~这9个参数组成,~分别代表累加时间间隔数列与8种气体含量差数列。
(4)对样本数据进行归一化,避免样本数据中各参数间数量级差别造成预测误差较大。利用最大值最小值法将所有样本数据都转化为[0,1]之间的数:
(6)
式中,为归一化之后第个参数在第时刻的数据,归一化后的样本数据记作,如下式所示:
(7)
步骤3:构建广义回归神经网络模型,进行样本数据网络训练,形成广义回归神经网络预测工具:
1. 构建广义回归神经网络模型
经过摸索实践分析研究,广义回归神经网络在变压器油中特征气体发展趋势预测上较其他智能算法有较强优势,模型最后收敛于样本集聚较多的优化回归面,预测效果也比较好。广义回归神经网络由四层构成,分别为输入层、模式层、求和层、输出层,具体广义回归神经网络模型设计如下:
(1)输入层:输入层神经元的数目设置为9,分别对应于归一化后训练样本的、H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃9个参数。
(2)模式层:模式层神经元数目为9,模式层神经元传递函数为:
(8)
式中,(取训练样本)为网络输入变量,(取训练样本的第行)为第()个神经元对应的学习样本,为网络输入变量与第()个神经元对应的学习样本距离的指数形式,为的转置(即行与列进行转换),表示以为底的幂函数,为高斯函数的宽度系数,在此称为光滑因子(即)。
(3)求和层:求和层中使用两种类型神经元进行求和。
一类神经元对所有模式层神经元的输出进行算数求和,模式层与各神经元的连接权值为1,传递函数为:
, (9)
另一类神经元对所有模式层的神经元进行加权求和,模式层与各神经元之间的连接权值为,传递函数为:
, (10)
其中,为第个输出样本的第个元素,为指数形式的网络输入变量与第学习样本距离(即)的和,为指数形式的网络输入变量与第学习样本距离(即)的加权和。
(4)输出层:输出层中的神经元数目为8,输出结果为求和层的输出结果的比值序列,分别对应于第时刻的油中H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃这8种气体的预测含量值:
, (11)
2.进行样本数据网络训练
(1)取时间差及时刻与时刻的8种气体含量差为网络输入,如下式所示:
(12)
时刻的油中8种气体含量为训练网络的输出结果,如下式所示:
(13)
(2)计算训练样本通过网络预测的结果误差率,调整值,进行循环计算误差率,直至满足误差率的要求,记录此时的,并保存此时满足精度要求的网络,记为。
设在(为某次调整后的值,为任意自然数)时,训练样本通过网络训练时输出的预测结果为:
(14)
其中误差率计算公式如下式所示:
, (15)
式中为训练时训练样本中的输出结果,为时网络预测输出的实际结果,分别对应于H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃这8种气体。
步骤4:对待预测输入数据进行归一化
将第时刻8种气体含量数据按步骤2进行归一化,并求得8种气体的含量差,形成数组。将第时刻8种气体含量差数组和需要预测的时间间隔一起作为待预测输入数据。其中第时刻8种气体含量差数组,如下式所示:
(16)
上式中为第种气体含量差,其计算公式如下:
(17)
设预测的时间为则可求得归一化后的时间间隔:
(18)
那么可得到输入数据:
(19)
步骤5:运用广义回归神经网络预测工具进行预测
将输入数据作为输入传递给步骤4中设计的满足精度要求的网络,运用网络进行预测。设网络的预测结果为,其中分别对应为8种气体归一化之前的网络预测结果。
将网络预测归一化之前的输出数据进行反归一化,使输出结果还原为原始数据的数量级,具体公式如下:
, (20)
式中为网络预测在第时刻的8种气体含量的输出结果。
步骤6:确定产气速率超出预定值的时间
计算油中特征气体(H2、C2H2、总烃单一或多个超出阈值)相对产气速率,即每月(或折算到月)气体含量增加原有值的百分数的平均值。
, (21)
式中,为每月(30天)相对产气速率,为时刻气体含量值,为时刻气体含量值,为时刻与时刻的间隔时间,分别对应8种气体。
改变预测时间,循环计算油中特征气体相对产气速率,判断是否超出预定值,直至找到超出预定值的时刻。
本发明方法形成了一种基于广义回归神经网络的变压器油中特征气体发展趋势预测工具,用于等时间间隔和非等时间间隔采样,实现了两种预测功能,一是预测未来任意时刻变压器油中特征气体值及产气速率,二是预测未来异常气体产气速率超出限定值的时间点、气体值及产气速率值。
附图说明
图1为本发明广义回归神经网络模型图;
图2为本发明具体实施方式流程图。
具体实施方式
下面结合附图详细说明本发明的实施方式。
以某台500kV变压器为例,2010年11月25日试验发现乙炔超出阈值,为了知道该台变压器何时会处于异常状态,利用其现有试验数据,预测油中特征气体的发展趋势,确定出现异常状态(H2、C2H2、总烃单一或多个超出阈值的油中特征气体相对产气速率>10%/月)的时间,避免设备发生故障。主要包括如下步骤:
步骤1:获取该台变压器2010年11月25日至2012年1月20日之间的H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃8种气体的油色谱试验数据(共12组),具体数据如表1所示。
步骤2:构建样本数据,对样本数据进行归一化,形成训练样本。
(1)利用计算试验数据中时间的累加间隔,其中=1,求出累加不等时间间隔数组=[1 10 36 62 82 93 114 187 204 246 422 441]。
(2)利用计算试验数据中8种气体在时刻相对于时刻的含量差(),得到时刻相对于时刻的含量差数列。
(3)把累加时间间隔数列与8种气体含量差数列一起作为参数组合成样本数据,作为训练样本。
(4)利用将所有样本数据都转化为[0,1]之间的数,其中为归一化之后第个参数在第时刻的数据。
步骤3:构建广义回归神经网络模型,进行样本数据网络训练,形成广义回归神经网络预测工具:
(1)构建广义回归神经网络模型:分别设置输入层神经元的数目为9,模式层神经元数目为9,输出层中的神经元数目为8的广义回归神经网络模型,其中模式层神经元传递函数如公式(8)所示,求和层中两种类型神经元的求和公式如公式(9、10)所示,输出层输出结果计算公式如公式(11)所示。
(2)进行样本数据网络训练:将步骤2中的训练样本输入数据、训练样本输出数据传递给广义回归神经网络,调整值,利用公式(15)计算每次网络预测结果与实际训练样本输出数据的误差率,直至满足误差率,记录此时的,并保存此时满足精度要求的网络,记为。
步骤4:利用上述广义回归神经网络预测工具进行预测。
为了证明本专利预测效果的有效性,选取2012年01月20日之后三组的油中特征气体数据为待预测数据(见表1),并与实际试验结果进行对比分析(见表2):
表1 某台500kV变压器油中特征气体训练样本数据
表2 气体含量预测结果与试验结果对比
经过分析,此台变压器油中特征气体的预测值与实际值的误差在允许范围内。且=536时,即2012年05月03日的油中特征气体C2H2相对产气速率达到10.03%/月,超出产气速率限定值(10%/月),经过2012年05月05日试验结果验证C2H2相对产气速率为10.01%/月大于10%/月,与预测结果相符合。
经过对多台变压器油中特征气体发展趋势进行长期的预测,并对预测效果进行检验和分析后发现,误差均在允许范围内,预测精度较高。
Claims (7)
1.一种基于广义回归神经网络的变压器油中特征气体发展趋势预测方法,其特征在于由如下步骤完成:
步骤一获取试验数据,依常规方式对变压器油中的特征气体进行检测,当变压器油中单一或多个特征气体超过阈值时,则进行连续检测数据采集,连续检测数据采集不少于5次;
步骤二构建样本数据,对步骤一获取的试验数据对应的时间间隔进行累加,得到累加后的时间间隔数列,分别计算每种气体此次与上一次的含量差,求得含量差数列,组合成样本数据,对样本数据进行归一化;
步骤三构建广义回归神经网络模型
1、构建广义回归神经网络模型,分别为输入层、模式层、求和层及输出层,具体广义回归神经网络模型设计如下:
(1)输入层:输入层神经元的数目设置为M;
(2)模式层:模式层神经元数目为M,求得模式层神经元传递函数;
(3)求和层:求和层中使用两种类型神经元进行求和,一类神经元对所有模式层神经元的输出进行算数求和,
另一类神经元对所有模式层的神经元进行加权求和;
(4)输出层:输出层中的神经元数目除掉时间间隔数列为D(D=M-1),输出结果为求和层的输出结果的比值序列,分别对应于油中D种气体的预测含量值;
2.进行样本数据网络训练
(1)取D种气体含量差为网络输入;
(2)计算训练样本通过网络预测的结果误差率 ,调整值,进行循环计算误差率,直至满足误差率的要求;
步骤四对待预测输入数据进行归一化,将第时刻D种气体含量数据按步骤二进行归一化,并求得D种气体的含量差,形成数组和需要预测的时间间隔一起作为待预测输入数据;
步骤五运用广义回归神经网络预测工具进行预测,将步骤四的输入数据作为输入传递给网络,运用网络进行预测;
步骤六确定产气速率超出预定值的时间,计算油中特征气体相对产气速率,
改变预测时间,循环计算油中特征气体相对产气速率,判断是否超出预定值,直至找到超出预定值的时刻。
2.根据权利要求1所述的方法,其特征在于:步骤一中检测数据采集为短时间间隔连续数据采集,每次时间间隔为10至40天。
3.根据权利要求1所述的方法,其特征在于:步骤二构建样本数据
(1)对步骤一获取的试验数据对应的时间间隔进行累加,累加后的时间间隔数列记作,
假设试验数据中的初始时刻为,计算时刻到时刻的累加时间间隔(单位:天,其中):
可求得累加后的时间间隔数列:
(2)计算步骤1获取的试验数据中8种气体含量差,其中分别对应H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃8种气体,设时刻8种气体的含量值序列为 ,时刻8种气体的含量值序列为 ,分别计算8种气体在时刻相对于时刻的含量差():
可求得时刻相对于时刻的含量差数列 :
(3)把累加时间间隔数列与8种气体含量差数列一起作为参数组合成样本数据:
其中为步骤1中积累的油色谱数据条数,样本数据由~这9个参数组成,~分别代表累加时间间隔数列与8种气体含量差数列;
(4)对样本数据进行归一化,避免样本数据中各参数间数量级差别造成预测误差较大,
利用最大值最小值法将所有样本数据都转化为[0,1]之间的数:
式中,为归一化之后第个参数在第时刻的数据,归一化后的样本数据记作,如下式所示:
。
4.根据权利要求1所述的方法,其特征在于构建广义回归神经网络模型,进行样本数据网络训练,形成广义回归神经网络预测工具:
1) 构建广义回归神经网络模型,广义回归神经网络由四层构成,分别为输入层、模式层、求和层、输出层,具体广义回归神经网络模型设计如下:
(1)输入层:输入层神经元的数目设置为9,分别对应于归一化后训练样本的、H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃9个参数;
(2)模式层:模式层神经元数目为9,模式层神经元传递函数为:
式中,(取训练样本)为网络输入变量,(取训练样本的第行)为第()个神经元对应的学习样本,为网络输入变量与第()个神经元对应的学习样本距离的指数形式,为的转置(即行与列进行转换),表示以为底的幂函数,为高斯函数的宽度系数,在此称为光滑因子,即;
(3)求和层:求和层中使用两种类型神经元进行求和,
一类神经元对所有模式层神经元的输出进行算数求和,模式层与各神经元的连接权值为1,传递函数为:
,
另一类神经元对所有模式层的神经元进行加权求和,模式层与各神经元之间的连接权值为,传递函数为:
,
其中,为第个输出样本的第个元素,为指数形式的网络输入变量与第学习样本距离(即)的和,为指数形式的网络输入变量与第学习样本距离(即)的加权和。
5. 根据权利要求1所述的方法,其特征在于:对待预测输入数据进行归一化是将第时刻8种气体含量数据按步骤2进行归一化,并求得8种气体的含量差,形成数组,将第时刻8种气体含量差数组和需要预测的时间间隔一起作为待预测输入数据,
其中第时刻8种气体含量差数组,如下式所示:
上式中为第种气体含量差,其计算公式如下:
设预测的时间为则可求得归一化后的时间间隔:
那么可得到输入数据:
。
6. 根据权利要求1所述的方法,其特征在于:运用广义回归神经网络预测工具进行预测是将输入数据作为输入传递给步骤四中设计的满足精度要求的网络,运用网络进行预测,设网络的预测结果为,其中分别对应为8种气体归一化之前的网络预测结果,
将网络预测归一化之前的输出数据进行反归一化,使输出结果还原为原始数据的数量级,具体公式如下:
,
式中为网络预测在第时刻的8种气体含量的输出结果。
7.根据权利要求1所述的方法,其特征在于:确定产气速率超出预定值的时间是
计算油中特征气体相对产气速率,即每月气体含量增加原有值的百分数的平均值,
,
式中,为每月相对产气速率,为时刻气体含量值,为时刻气体含量值,为时刻与时刻的间隔时间,分别对应8种气体,改变预测时间,循环计算油中特征气体相对产气速率,判断是否超出预定值,直至找到超出预定值的时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410195614.XA CN104063577B (zh) | 2014-05-12 | 2014-05-12 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410195614.XA CN104063577B (zh) | 2014-05-12 | 2014-05-12 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104063577A true CN104063577A (zh) | 2014-09-24 |
CN104063577B CN104063577B (zh) | 2017-02-15 |
Family
ID=51551288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410195614.XA Active CN104063577B (zh) | 2014-05-12 | 2014-05-12 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063577B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458923A (zh) * | 2014-12-19 | 2015-03-25 | 深圳供电局有限公司 | 一种检测变压器内油中各气体含量示警值的方法和系统 |
CN105225020A (zh) * | 2015-11-11 | 2016-01-06 | 国家电网公司 | 一种基于bp神经网络算法的运行状态预测方法和系统 |
CN107192802A (zh) * | 2017-06-27 | 2017-09-22 | 重庆科技学院 | 共享直饮水水质在线监测方法及系统 |
CN110286161A (zh) * | 2019-03-28 | 2019-09-27 | 清华大学 | 基于自适应增强学习的主变压器故障诊断方法 |
CN110530650A (zh) * | 2019-09-05 | 2019-12-03 | 哈尔滨电气股份有限公司 | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 |
CN112413855A (zh) * | 2020-11-17 | 2021-02-26 | 珠海格力电器股份有限公司 | 空气调节方法、装置及系统 |
CN117408166A (zh) * | 2023-12-14 | 2024-01-16 | 沧州经济开发区武理工京津冀协同产业科技研究院 | 一种变压器油中溶解气体浓度预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5419197A (en) * | 1992-06-02 | 1995-05-30 | Mitsubishi Denki Kabushiki Kaisha | Monitoring diagnostic apparatus using neural network |
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN103235973A (zh) * | 2013-04-16 | 2013-08-07 | 郑州航空工业管理学院 | 一种基于径向基神经网络的变压器故障诊断方法 |
-
2014
- 2014-05-12 CN CN201410195614.XA patent/CN104063577B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5419197A (en) * | 1992-06-02 | 1995-05-30 | Mitsubishi Denki Kabushiki Kaisha | Monitoring diagnostic apparatus using neural network |
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN103235973A (zh) * | 2013-04-16 | 2013-08-07 | 郑州航空工业管理学院 | 一种基于径向基神经网络的变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
RUJIN LIAO 等: "Particle swarm optimization-least squares support vector regression based forecasting model model on dissolved gases in oil-filled power transformers", 《ELECTRIC POWER SYSTEM RESEARCH》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458923A (zh) * | 2014-12-19 | 2015-03-25 | 深圳供电局有限公司 | 一种检测变压器内油中各气体含量示警值的方法和系统 |
CN105225020A (zh) * | 2015-11-11 | 2016-01-06 | 国家电网公司 | 一种基于bp神经网络算法的运行状态预测方法和系统 |
CN107192802A (zh) * | 2017-06-27 | 2017-09-22 | 重庆科技学院 | 共享直饮水水质在线监测方法及系统 |
CN107192802B (zh) * | 2017-06-27 | 2018-03-27 | 重庆科技学院 | 共享直饮水水质在线监测方法及系统 |
CN110286161A (zh) * | 2019-03-28 | 2019-09-27 | 清华大学 | 基于自适应增强学习的主变压器故障诊断方法 |
CN110530650A (zh) * | 2019-09-05 | 2019-12-03 | 哈尔滨电气股份有限公司 | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 |
CN112413855A (zh) * | 2020-11-17 | 2021-02-26 | 珠海格力电器股份有限公司 | 空气调节方法、装置及系统 |
CN117408166A (zh) * | 2023-12-14 | 2024-01-16 | 沧州经济开发区武理工京津冀协同产业科技研究院 | 一种变压器油中溶解气体浓度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104063577B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104063577A (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
Song et al. | Short-term wind speed forecasting with Markov-switching model | |
CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN109978229A (zh) | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 | |
CN103268519B (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN102930344A (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
CN103033716B (zh) | 一种电网综合负荷模型中各负荷成分所占比例的计算方法 | |
CN106875124B (zh) | 一种电能计量装置状态评估方法、装置及系统 | |
CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
CN109100429A (zh) | 一种组合预测残差修正的油中气体预测方法 | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
Xu et al. | Pressure prediction and abnormal working conditions detection of water supply network based on LSTM | |
Lodge et al. | Short term wind speed prediction using artificial neural networks | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
CN109523077B (zh) | 一种风电功率预测方法 | |
CN102842906B (zh) | 一种综合负荷模型中电动机功率比例的计算方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN103226737A (zh) | 基于卡尔曼滤波与灰色预测的化工异常工况趋势预测方法 | |
Ding et al. | Forecast of pv power generation based on residual correction of markov chain | |
CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
CN102542173B (zh) | 一种分馏系统过程数据的智能校正方法 | |
Schreiber et al. | Quantifying the influences on probabilistic wind power forecasts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |