CN110967471A - 一种变压器油中溶解气体浓度预测方法 - Google Patents
一种变压器油中溶解气体浓度预测方法 Download PDFInfo
- Publication number
- CN110967471A CN110967471A CN201911115399.7A CN201911115399A CN110967471A CN 110967471 A CN110967471 A CN 110967471A CN 201911115399 A CN201911115399 A CN 201911115399A CN 110967471 A CN110967471 A CN 110967471A
- Authority
- CN
- China
- Prior art keywords
- concentration
- transformer oil
- dissolved gas
- mode
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000007789 gas Substances 0.000 claims description 62
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 241000288673 Chiroptera Species 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medicinal Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电网设备状态监测技术领域,具体讲涉及一种变压器油中溶解气体浓度预测方法。首先为降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响,采用VMD自适应地将原始变压器油中溶解气体浓度时间序列分解为多个不同带宽的模式分量,然后对各个模式分量建立蝙蝠算法优化神经网络的预测模型,提高预测模型的稳定性和泛化能力;再输入测试数据到预测模型;最后叠加全部模式分量的预测值得到真实的变压器油中溶解气体浓度预测结果。该方法能获得相比单一预测方法更高精度的短期变压器油中溶解气体浓度预测结果。
Description
技术领域
本发明属于电网设备状态监测技术领域,具体讲涉及一种变压器油中溶解气体浓度预测方法。
背景技术
电力变压器是电力系统的重要枢纽设备,其安全可靠运行是保证正常电力供应的重要基础。变压器在运行使用过程中,由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中,油中气体的各种成分含量及不同组分间的比例关系与变压器运行状况密切相关。油中溶解气体分析(dissolved gas analysis,DGA)技术是目前国际公认的发现电力变压器缺陷及潜伏性故障的有效方法。通过油色谱在线监测装置按固定采样周期获取油中气体组分含量值,形成油色谱在线监测时间序列,利用历史监测序列对油中溶解气体浓度发展趋势进行预测,可为变压器状态评估提供重要依据,具有重要现实意义。目前,对于油中溶解气体浓度预测问题的研究主要可归纳为以下两类:统计预测方法和智能预测方法。统计预测方法主要包括时间序列模型、灰色模型等,其预测精度主要受限于序列本身的数据分布规律。时间序列模型和灰色模型分别在处理线性序列和指数序列时具有良好的预测效果,在其他应用场景中则存在较大的局限性。智能预测方法通过结合人工智能技术对大量历史数据进行分析训练,获得能够反映时间序列发展趋势的预测模型,其典型代表为支持向量机、人工神经网络等。由于传统的人工智能算法无法有效捕捉序列数据的时序关联性,因此其对于油色谱在线监测序列的预测精度有限,因此,上述缺陷是亟需解决的问题。
发明内容
本发明提供一种变压器油中溶解气体浓度预测方法,该方法可有效降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响,提高变压器油中溶解气体浓度预测精度。
本发明的技术方案为:
一种变压器油中溶解气体浓度预测方法,包括以下步骤:
S1、利用VMD(Variational mode decomposition,即变分模态分解)对变压器油中溶解气体浓度时间序列进行分解,得到多个不同带宽的模式分量;
S2、对每个模式分量构建各自的训练数据集和测试数据集;
S3、对每个模式分量分别建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型;
S4、将训练数据集中多个模式分量的训练样本逐一输入蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型进行训练,得到各自对应的变压器油中溶解气体浓度预测子模型;
S5、将测试数据集中多个模式分量的测试样本逐一输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测,得到每个变压器油中溶解气体浓度子模型的预测输出值;
S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理,得到最终的变压器油中溶解气体浓度预测结果。
进一步,步骤S1中利用VMD对原始变压器油中溶解气体浓度时间序列进行分解的过程为:
VMD是将实值信号分解成不同模式分量uk的信号处理过程,其在产生主信号时具有特定的稀疏特性;假设每个模式k具有一个在分解过程中确定的中心频率ωk,因此每个模式k的稀疏特性是其在频谱域中的带宽,获得带宽后,再用VMD进行分解。
进一步,为了获得模式带宽,包括以下步骤:
S11、对每个模式分量uk应用希尔伯特变换以获得单侧频谱;
S12、将上述的单侧频谱变换到基带,通过使用指数调谐到相应估计的中心频率;
S13、通过解调信号的H1高斯平滑度,即梯度L的平方来估计带宽,因此,通过解决以下优化问题来实现分解处理:
式中:表示偏微分,uk(t)表示时域下的模式分量,f(t)是待分解的主信号;{uk}={u1,L,uk}和{ωk}={ω1,L,ωk}分别表示所有模式分量uk的集合及其中心频率;δ(t)是狄拉克分布;*表示卷积;为解决约束,采用惩罚项和拉格朗日乘数λ将上式变为如下无约束优化问题:
式中:α为平衡参数;λ为拉格朗日乘子,使用乘子交替方向法来求解原始最小化问题,由此可得:
式中:和分别为f(ω)、和的傅里叶变换;n为迭代次数;f(ω)表示频域下的待分解的主信号,和分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值,表示频域下迭代n+1次时第k个模式分量,为当前模态函数功率谱的重心。
进一步,获得带宽后,利用VMD分解的过程如下:
S16、对拉格朗日乘子进行更新:
式中τ为更新参数;
S17、判断是否满足下式的收敛条件:
若满足,分解过程结束;否则,迭代次数n加1,转公式(2)。
进一步,步骤S2中构建各自的训练数据集过程为:
进一步,输入数据和输出数据是对模式分量uk的时间序列进行连续采集而得到。
进一步,模式分量uk的测试数据集Ten的构建方式与训练数据集Trn的构建方式相同。
进一步,步骤S3中建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型的过程为:
神经网络需要优化的变量个数为:
num=m×s+s+s×l+l (7)
S32、蝙蝠算法优化神经网络过程如下:
随机生成一组解作为初始值来拟合蝙蝠算法优化神经网络模型:
其中i=1,2,...M;IW为输出层到隐含层权值,有m×s个;Ib为隐含层阈值,有s个;LW为隐含层到输出层权值,有s×l个;Lb为输出层阈值,有l个;M为种群大小,共M个虚拟蝙蝠;
fi=fmin+(fmax-fmin)×β (9)
式中,β∈[0,1]是服从均匀分布的随机变量,Xbest为种群全局最优位置;
计算每个样本的适应度值:
S33、确定一个解后,随机产生一个0到1的随机数,若随机数大于脉冲发射频率ri,使用随机游走产生一个新解:
Xnew=Xold+σεt×At (13)
式中,Xold为旧解,即为新解Xnew之前的一个解,σ是用来控制步长的缩放因子,εt服从高斯正态分布N[0,1],At是当前时步内所有蝙蝠的平均响度,且A0=1,Amin=0;
S34、随机游走产生一个新解后,随机产生一个0到1的随机数,若随机数小于当前时步内所有蝙蝠i发出的声波响度且新解的适应度值小于旧解的适应度值,即Fit(Xnew)<Fit(Xold),则接受新解,并更新和ri:
进一步,隐含层神经元激活函数使用sigmoid函数,sigmoid函数计算公式为:
进一步,输出层神经元激活函数使用线性函数,线性函数计算公式为:
f(x)=w*x+b (17)
其中,w表示隐含层神经元单元到输出层神经元单元的联接权值系数,b表示输出层神经元的阈值。
本发明的有益效果为:
本发明的变压器油中溶解气体浓度预测方法,首先为降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响,采用VMD自适应地将原始变压器油中溶解气体浓度时间序列分解为多个不同带宽的模式分量,然后对各个模式分量建立蝙蝠算法优化神经网络的预测模型,提高预测模型的稳定性和泛化能力;最后叠加全部模式分量的预测值得到真实的变压器油中溶解气体浓度预测结果。该方法能获得相比单一预测方法更高精度的短期变压器油中溶解气体浓度预测结果。
附图说明
图1是本发明的流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
实施例1:
如图1所示,一种变压器油中溶解气体浓度预测方法,包括以下步骤:
S1、利用VMD对变压器油中溶解气体浓度时间序列进行分解,得到多个不同带宽的模式分量;
S2、对每个模式分量构建各自的训练数据集和测试数据集;
S3、对每个模式分量分别建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型;
S4、将训练数据集中多个模式分量的训练样本逐一输入蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型进行训练,得到各自对应的变压器油中溶解气体浓度预测子模型;
S5、将测试数据集中多个模式分量的测试样本逐一输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测,得到每个变压器油中溶解气体浓度子模型的预测输出值;
S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理,得到最终的变压器油中溶解气体浓度预测结果。
在本实施例中,步骤S1中利用VMD对原始变压器油中溶解气体浓度时间序列进行分解的过程为:
VMD是将实值信号分解成不同模式分量uk的信号处理过程,其在产生主信号时具有特定的稀疏特性;假设每个模式k具有一个在分解过程中确定的中心频率ωk,因此每个模式k的稀疏特性是其在频谱域中的带宽,获得带宽后,再用VMD进行分解。
为了获得模式带宽,包括以下步骤:
S11、对每个模式分量uk应用希尔伯特变换以获得单侧频谱;
S12、将上述的单侧频谱变换到基带,通过使用指数调谐到相应估计的中心频率;
S13、通过解调信号的H1高斯平滑度,即梯度L的平方来估计带宽,因此,通过解决以下优化问题来实现分解处理:
式中:表示偏微分,uk(t)表示时域下的模式分量,f(t)是待分解的主信号;{uk}={u1,L,uk}和{ωk}={ω1,L,ωk}分别表示所有模式分量uk的集合及其中心频率;δ(t)是狄拉克分布;*表示卷积;为解决约束,采用惩罚项和拉格朗日乘数λ将上式变为如下无约束优化问题:
式中:α为平衡参数;λ为拉格朗日乘子,使用乘子交替方向法来求解原始最小化问题,由此可得:
式中:和分别为f(ω)、和的傅里叶变换;n为迭代次数;f(ω)表示频域下的待分解的主信号,和分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值,表示频域下迭代n+1次时第k个模式分量,为当前模态函数功率谱的重心。
获得带宽后,利用VMD分解的过程如下:
S16、对拉格朗日乘子进行更新:
式中τ为更新参数;
S17、判断是否满足下式的收敛条件:
若满足,分解过程结束;否则,迭代次数n加1,转公式(2)。
在本实施例中,步骤S2中构建各自的训练数据集过程为:
模式分量uk的训练数据集Trn包含输入数据Xn和输出数据Yn,输入数据和输出数据是对模式分量uk的时间序列进行连续采集而得到,输入数据其中m为预测模型输入个数,输出数据l的取值由预测模型输出个数决定,模式分量uk的测试数据集Ten的构建方式与训练数据集Trn的构建方式相同。
在本实施例中,步骤S3中建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型的过程为:
神经网络需要优化的变量个数为:
num=m×s+s+s×l+l (7)
S32、蝙蝠算法优化神经网络过程如下:
随机生成一组解作为初始值来拟合蝙蝠算法优化神经网络模型:
其中i=1,2,...,M;IW为输出层到隐含层权值,有m×s个;Ib为隐含层阈值,有s个;LW为隐含层到输出层权值,有s×l个;Lb为输出层阈值,有l个;M为种群大小,共M个虚拟蝙蝠;
fi=fmin+(fmax-fmin)×β (9)
式中,β∈[0,1]是服从均匀分布的随机变量,Xbest为种群全局最优位置;
计算每个样本的适应度值:
S33、确定一个解后,随机产生一个0到1的随机数,若随机数大于脉冲发射频率ri,使用随机游走产生一个新解:
Xnew=Xold+σεt×At (13)
式中,Xold为旧解,即为新解Xnew之前的一个解,σ是用来控制步长的缩放因子,εt服从高斯正态分布N[0,1],At是当前时步内所有蝙蝠的平均响度,且A0=1,Amin=0;
S34、随机游走产生一个新解后,随机产生一个0到1的随机数,若随机数小于当前时步内所有蝙蝠i发出的声波响度且新解的适应度值小于旧解的适应度值,即Fit(Xnew)<Fit(Xold),则接受新解,并更新和ri:
在本实施例中,隐含层神经元激活函数使用sigmoid函数,sigmoid函数计算公式为:
在本实施例中,输出层神经元激活函数使用线性函数,线性函数计算公式为:
f(x)=w*x+b (17)
其中,w表示隐含层神经元单元到输出层神经元单元的联接权值系数,b表示输出层神经元的阈值。
本发明首先为降低变压器油中溶解气体浓度时间序列中不同趋势分量的影响,采用VMD自适应地将原始变压器油中溶解气体浓度时间序列分解为多个不同带宽的模式分量,然后对各个模式分量建立蝙蝠算法优化神经网络的预测模型,提高预测模型的稳定性和泛化能力;最后叠加全部模式分量的预测值得到真实的变压器油中溶解气体浓度预测结果。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种变压器油中溶解气体浓度预测方法,其特征在于,包括以下步骤:
S1、利用VMD对变压器油中溶解气体浓度时间序列进行分解,得到多个不同带宽的模式分量;
S2、对每个模式分量构建各自的训练数据集和测试数据集;
S3、对每个模式分量分别建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型;
S4、将训练数据集中多个模式分量的训练样本逐一输入蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型进行训练,得到各自对应的变压器油中溶解气体浓度预测子模型;
S5、将测试数据集中多个模式分量的测试样本逐一输入到各自对应的变压器油中溶解气体浓度预测子模型进行预测,得到每个变压器油中溶解气体浓度子模型的预测输出值;
S6、将每个变压器油中溶解气体浓度预测子模型的预测输出值进行组合叠加处理,得到最终的变压器油中溶解气体浓度预测结果。
2.根据权利要求1所述的一种变压器油中溶解气体浓度预测方法,其特征在于,步骤S1中利用VMD对原始变压器油中溶解气体浓度时间序列进行分解的过程为:
VMD是将实值信号分解成不同模式分量uk的信号处理过程,其在产生主信号时具有特定的稀疏特性;假设每个模式k具有一个在分解过程中确定的中心频率ωk,因此每个模式k的稀疏特性是其在频谱域中的带宽,获得带宽后,再用VMD进行分解。
3.根据权利要求2所述的一种变压器油中溶解气体浓度预测方法,其特征在于,为了获得模式带宽,包括以下步骤:
S11、对每个模式分量uk应用希尔伯特变换以获得单侧频谱;
S12、将上述的单侧频谱变换到基带,通过使用指数调谐到相应估计的中心频率;
S13、通过解调信号的H1高斯平滑度,即梯度L的平方来估计带宽,因此,通过解决以下优化问题来实现分解处理:
式中:表示偏微分,uk(t)表示时域下的模式分量,f(t)是待分解的主信号;{uk}={u1,L,uk}和{ωk}={ω1,L,ωk}分别表示所有模式分量uk的集合及其中心频率;δ(t)是狄拉克分布;*表示卷积;为解决约束,采用惩罚项和拉格朗日乘数λ将上式变为如下无约束优化问题:
式中:α为平衡参数;λ为拉格朗日乘子,使用乘子交替方向法来求解原始最小化问题,由此得:
6.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法,其特征在于,输入数据和输出数据是对模式分量uk的时间序列进行连续采集而得到。
7.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法,其特征在于,模式分量uk的测试数据集Ten的构建方式与训练数据集Trn的构建方式相同。
8.根据权利要求5所述的一种变压器油中溶解气体浓度预测方法,其特征在于,步骤S3中建立蝙蝠算法优化神经网络的变压器油中溶解气体浓度预测模型的过程为:
神经网络需要优化的变量个数为:
num=m×s+s+s×l+l (7)
S32、蝙蝠算法优化神经网络过程如下:
随机生成一组解作为初始值来拟合蝙蝠算法优化神经网络模型:
其中i=1,2,...,M;IW为输出层到隐含层权值,有m×s个;Ib为隐含层阈值,有s个;LW为隐含层到输出层权值,有s×l个;Lb为输出层阈值,有l个;M为种群大小,共M个虚拟蝙蝠;
fi=fmin+(fmax-fmin)×β (9)
式中,β∈[0,1]是服从均匀分布的随机变量,Xbest为种群全局最优位置;
计算每个样本的适应度值:
S33、确定一个解后,随机产生一个0到1的随机数,若随机数大于脉冲发射频率ri,使用随机游走产生一个新解:
Xnew=Xold+σεt×At (13)
式中,Xold为旧解,即为新解Xnew之前的一个解,σ是用来控制步长的缩放因子,εt服从高斯正态分布N[0,1],At是当前时步内所有蝙蝠的平均响度,且A0=1,Amin=0;
S34、随机游走产生一个新解后,随机产生一个0到1的随机数,若随机数小于当前时步内所有蝙蝠i发出的声波响度且新解的适应度值小于旧解的适应度值,即Fit(Xnew)<Fit(Xold),则接受新解,并更新和ri:
ri t+1=ri 0[1-exp(-γt)] (15)
ρ和γ是[0.9,0.98]间常数,对于任意的0<ρ<1,γ>0有:
10.根据权利要求8所述的一种变压器油中溶解气体浓度预测方法,其特征在于,输出层神经元激活函数使用线性函数,线性函数计算公式为:
f(x)=w*x+b (17)
其中,w表示隐含层神经元单元到输出层神经元单元的联接权值系数,b表示输出层神经元的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911115399.7A CN110967471A (zh) | 2019-11-14 | 2019-11-14 | 一种变压器油中溶解气体浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911115399.7A CN110967471A (zh) | 2019-11-14 | 2019-11-14 | 一种变压器油中溶解气体浓度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110967471A true CN110967471A (zh) | 2020-04-07 |
Family
ID=70030747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911115399.7A Pending CN110967471A (zh) | 2019-11-14 | 2019-11-14 | 一种变压器油中溶解气体浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110967471A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581596A (zh) * | 2020-05-29 | 2020-08-25 | 广东电网有限责任公司 | 一种变压器油中溶解气体浓度预测方法 |
CN111985707A (zh) * | 2020-08-17 | 2020-11-24 | 云南电力技术有限责任公司 | 一种绝缘油中气体浓度的预测方法及装置 |
CN114693005A (zh) * | 2022-05-31 | 2022-07-01 | 中国石油大学(华东) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778555A (zh) * | 2012-08-06 | 2012-11-14 | 国网技术学院 | 预测变压器油中溶解气体浓度的方法 |
CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
CN108830418A (zh) * | 2018-06-14 | 2018-11-16 | 东北电力大学 | 一种短期电力负荷预测方法 |
CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
CN109919421A (zh) * | 2019-01-23 | 2019-06-21 | 华南理工大学 | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
-
2019
- 2019-11-14 CN CN201911115399.7A patent/CN110967471A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778555A (zh) * | 2012-08-06 | 2012-11-14 | 国网技术学院 | 预测变压器油中溶解气体浓度的方法 |
CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
CN108830418A (zh) * | 2018-06-14 | 2018-11-16 | 东北电力大学 | 一种短期电力负荷预测方法 |
CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
CN109919421A (zh) * | 2019-01-23 | 2019-06-21 | 华南理工大学 | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
Non-Patent Citations (3)
Title |
---|
公茂法 等: "基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断研究", 《山东科技大学学报》 * |
刘云鹏 等: "基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法", 《中国电机工程学报》 * |
肖怀硕 等: "灰色理论–变分模态分解和NSGA-II 优化的支持向量机在变压器油中气体预测中的应用", 《中国电机工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581596A (zh) * | 2020-05-29 | 2020-08-25 | 广东电网有限责任公司 | 一种变压器油中溶解气体浓度预测方法 |
CN111985707A (zh) * | 2020-08-17 | 2020-11-24 | 云南电力技术有限责任公司 | 一种绝缘油中气体浓度的预测方法及装置 |
CN114693005A (zh) * | 2022-05-31 | 2022-07-01 | 中国石油大学(华东) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110967471A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
Marwala | Bayesian training of neural networks using genetic programming | |
CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
CN110083951B (zh) | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
Zhao et al. | Bearing health condition prediction using deep belief network | |
Woolley et al. | Modeling and prediction of chaotic systems with artificial neural networks | |
CN115225516B (zh) | 基于改进abc-vmd的lssvm网络流量预测方法 | |
CN112183368A (zh) | 基于lstm的电力系统低频振荡模态特征的快速辨识方法 | |
CN105894111B (zh) | 一种基于互补型模糊神经网络的能源用量预测方法和装置 | |
Sridhar et al. | Modeling uncertainty in predicting emotional attributes from spontaneous speech | |
CN113935513A (zh) | 一种基于ceemdan的短期电力负荷预测方法 | |
Lu | Research on GDP forecast analysis combining BP neural network and ARIMA model | |
CN112580198A (zh) | 一种用于变压器状态评估的改进优化分类方法 | |
Kowalski et al. | PM10 forecasting through applying convolution neural network techniques | |
CN115421216A (zh) | 一种基于stl-arima-nar混合模型的中长期月降雨预报方法 | |
Zhang et al. | A novel state-of-health prediction method based on long short-term memory network with attention mechanism for lithium-ion battery | |
Kai et al. | Construction of network security perception system using elman neural network | |
CN111581596A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
Safarinejadian et al. | Predict time series using extended, unscented, and cubature Kalman filters based on feed-forward neural network algorithm | |
CN115577290A (zh) | 一种基于深度学习的配网故障分类及源定位方法 | |
CN115168722A (zh) | 内容交互预测方法以及相关设备 | |
Fazlic et al. | GA-ANFIS expert system prototype for detection of tar content in the manufacturing process | |
CN114519405A (zh) | 一种流程工业多传感器数据协同分析方法和系统 | |
Yamaguchi et al. | Controlling internal structure of communities on graph generator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200407 |
|
RJ01 | Rejection of invention patent application after publication |