CN111062170A - 一种变压器顶层油温预测方法 - Google Patents
一种变压器顶层油温预测方法 Download PDFInfo
- Publication number
- CN111062170A CN111062170A CN201911220441.1A CN201911220441A CN111062170A CN 111062170 A CN111062170 A CN 111062170A CN 201911220441 A CN201911220441 A CN 201911220441A CN 111062170 A CN111062170 A CN 111062170A
- Authority
- CN
- China
- Prior art keywords
- oil temperature
- transformer
- training
- echo state
- particle
- 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 62
- 238000012549 training Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000004804 winding Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种变压器顶层油温预测方法,包括以下步骤:S1、获取影响变压器顶层油温的相关历史数据,对历史数据进行预处理生成训练样本集Trn和测试样本集Ten;S2、选择训练样本集建立回声状态网络预测模型;S3、采用训练样本对回声状态神经网络进行训练,训练过程中采用活性纵横交叉算法对回声状态网络的参数进行优化;S4、将测试样本输入到步骤S3中训练好的回声状态网络中进行预测,得到变压器顶层油温预测结果。本发明的变压器顶层油温预测方法能有效处理油温与影响因素间的非线性关系,同时避免了状态矩阵的病态解问题,增强了纵横交叉算法的局部搜索能力,大大提高了变压器顶层油温预测精度。
Description
技术领域
本发明涉及变压器顶层油温预测技术领域,具体涉及一种变压器顶层油温预测方法。
背景技术
电力变压器作为电力系统中的关键设备,其正常工作决定着电力系统运行的可靠性、安全性以及稳定性,进而保证电能的经济传输、灵活分配和安全使用。从某种程度而言,变压器的载荷能力和绝缘老化速度主要由其内部热状态决定,而变压器顶层油温度和绕组热点温度是考察变压器热状态的关键参数。实际运行中的变压器,如果绕组热点温度持续过高,就会造成其内部绝缘下降,以及自身的老化,最终导致变压器故障以及使用寿命的缩短。因此,必须保证绕组热点温度不能超过限值,这就要求运维人员预先掌握绕组的热点温度。事实上,绕组的热点温度很难测量,而变压器顶层油温的监测则相对容易,通常情况下都是监测变压器顶层油温来代替监测绕组热点温度。
目前,国内外关于变压器热点温度和顶层油温度预测方法根据预测原理可分成三类:数值模型、半物理模型和数据驱动模型。数值模型主要基于有限元方法和有限体积法,该方法需要变压器具体结构数据,计算量大且十分费时,不适合用于变压器热状态的在线监测。半物理模型法的代表是IEEE StdC57.91和IEC 60076–7负载导则推荐的方法以及热路模型法。半物理模型所用的热参数来源于变压器温升试验报告,由于模型过于理想简化,该模型在预测精度方面不如由实际测量数据训练的模型。此外,还有很多数据驱动模型使用非线性拟合回归方法来预测变压器顶层油温度,例如灰色GM(1,1)模型、人工神经网络模型、支持向量机模型、模糊模型等,这些模型能够较为准确地反映油温与影响因素间的非线性关系,预测结果理想,但模型的解过于依赖初始值,且收敛速度较慢,而支持向量机在解决问题时收敛速度较快。近年来,回声状态网络(echo state network,ESN)在变压器故障诊断、负荷预测等电力系统领域得到广泛应用,但它自身存在难以克服的缺陷,尤其状态矩阵的病态解问题,影响模型的泛化能力和预测精度。
发明内容
为了克服上述现有技术所存在的计算量大且费时、预测精度不高以及状态矩阵存在病态解的问题,本发明提供了一种变压器顶层油温预测方法,是一种基于活性纵横交叉算法优化回声状态网络的变压器顶层油温预测方法,能有效处理油温与影响因素间的非线性关系,同时避免了状态矩阵的病态解问题,增强了纵横交叉算法的局部搜索能力,可应用于变压器相关领域的科学研究和工程应用,计算速度快,而且还大大提高了变压器顶层油温预测精度。
为解决上述技术问题,本发明提供以下技术方案:
一种变压器顶层油温预测方法,包括以下步骤:
S1、获取影响变压器顶层油温的相关历史数据,对历史数据进行预处理生成训练样本集Trn和测试样本集Ten;
S2、选择训练样本集建立回声状态网络预测模型;
S3、采用训练样本对回声状态神经网络进行训练,训练过程中采用活性纵横交叉算法对回声状态网络的参数进行优化;
S4、将测试样本输入到步骤S3中训练好的回声状态网络中进行预测,得到变压器顶层油温预测结果。
进一步的,在步骤S1中,样本数据中的变压器的特征参数包括有功功率、无功功率、负荷电流、环境温度以及顶层油温,使结果更加准确。
进一步的,在步骤S1中,获取影响变压器顶层油温的相关历史数据,对历史数据进行预处理生成训练样本集和测试样本集的具体步骤为:将样本数据分为训练样本集和测试样本集,训练样本集Trn中每个样本包括当前预测时刻前一时刻的有功功率、无功功率、负荷电流、环境温度以及顶层油温值,表示为Xn为训练样本集Trn中所有样本,其中m为预测模型输入个数,预测时刻对应的顶层油温值作为输出,表示为l的取值由预测模型输出个数决定,n为样本集中第n个样本,使结果更加准确。
进一步的,其中,m=5,l=1,使结果更加准确。
进一步的,在步骤S1中,测试样本集Ten的选取方式与训练样本集Trn的选取方式相同,减少计算量。
进一步的,在步骤S2中,建立回声状态神经网络预测模型的具体步骤为:
S2.1、建立回声状态网络:
u(k)=[u1(k),u2(k),...,um(k)]T
x(k)=[x1(k),x2(k),...,xn(k)]T
y(k)=[y1(k),y2(k),...,yl(k)]T
其中,u(k)、x(k)、y(k)分别为回声状态网络的输入向量、状态向量及输出向量,u(k)为样本数据;
S2.2、根据回声状态网络的输入向量、状态向量以及输出向量,按下式对回声状态网络进行训练:
x(k+1)=f(Win×u(k+1)+W×x(k)+Wback×y(k))
y(k+1)=fout(Wout×x(k+1))
式中,f()为内部神经元激活函数Sigmoid,fout为输出层函数,W为内部状态到内部状态的连接权值矩阵,Win为随机生成的输入层到储备池n×m阶连接权重矩阵,Wback为随机生成的输出层反馈到储备池的n×l阶连接权重矩阵,Wout为储备池到输出层的l×(m+n+l)阶输出权重矩阵,结果更加准确。
进一步的,fout函数为线性函数,预测结果更加精准。
进一步的,Win、W和Wback均为随机生成,且一经生成在学习过程中就不再改变,在储备池网络的训练过程中只调整Wout的值,精确度更高。
进一步的,在步骤S3中,模型训练过程中采用活性纵横交叉算法对回声状态网络参数进行优化具体步骤为:
S3.1、参数初始化,粒子群算法种群大小M设为20,最大迭代次数Tmax取300,纵向交叉概率Pv设为0.8;
S3.2、回声状态网络模型需优化的参数包括:储备池神经元规模N,谱半径SR,稀疏度SD,输入单元尺度IS、输入单元位移ID,输出单元尺度TS,输出单元位移TD,其中,神经元数量初始化从10开始,变化范围在10-1000之间,其余参数初始时刻为0~1的随机数,随机生成一组粒子作为回声状态网络的初始参数,用于建立活性纵横交叉算法优化回声状态网络的诊断模型:
Fi=[Ni,SRi,SDi,ISi,IDi,TSi,TDi],i=1,2,...,M
M为种群大小,共M个粒子;
迭代次数t置1,分别将活性纵横交叉算法的每一个初始种群粒子转换成回声状态网络参数,进行模型训练,由下式计算训练误差,即为该粒子的适应度值:
S3.3、在粒子探索目标空间的t次迭代中,由Fi表示每一个粒子在解空间中的位置;
S3.3.1、对种群中所有粒子进行两两不重复随机组合,共M/2对组合,对每对组合,根据下式对粒子进行横向交叉:
MShc(i,d)=e1×F(i,d)+(1-e1)×F(j,d)+f1×(F(i,d)-F(j,d))
MShc(j,d)=e2×F(j,d)+(1-e2)×F(i,d)+f2×(F(j,d)-F(i,d))
i,j∈N(1,M);d∈N(1,D)
式中,e1、e2为[0,1]之间的随机数,f1、f2为[-1,1]之间的随机数,M为粒子规模,D为变量维数,F(i,d)、F(j,d)分别为父代粒子F(i)和F(j)的第d维,MShc(i,d)、MShc(j,d)分别为F(i,d)和F(j,d)通过横向交叉产生的第d维子代;
横向交叉结果保存在中庸解矩阵MShc中,计算粒子适应度值,并与其父代粒子的适应度值作比较,适应度值小的粒子保留在F中;
S3.3.2、对横向交叉得到的粒子的每一维进行归一化,然后对粒子所有的维进行不重复两两随机配对,共D/2对,对任意一对维,生成一个随机数rand,若rand<Pv,则对该对维根据下式进行纵向交叉操作:
MSvc(i,d1)=e·F(i,d1)+(1-e)·F(i,d2)
i∈N(1,M);d1,d2∈N(1,D);r∈[0,1]
式中,MSvc(i,d1)为父代粒子F(i)的第d1维和第d2维通过纵向交叉产生的子代,e为[0,1]之间的随机数;
纵向交叉结果保存在中庸解矩阵MSvc中,对纵向交叉结果反归一化后计算中庸解矩阵中粒子的适应度值,与其父代粒子进行适应度值比较,适应度值好的粒子保存在F中;
S3.3.3、若rand>PA,PA为变异概率,则对最优解Fbest执行高斯变异操作,高斯变异具备较强的局部搜索能力,对最优个体施加一个高斯扰动项,增加最优个体活性,增强局部搜索能力,具体如下:
S3.3.4、粒子更新完成后,计算更新位置后的粒子适应度值,记录相对应的最优个体Fbest;
S3.3.5、迭代次数t加1,当迭代次数t<Tmax时,转至步骤S3.3.1),否则,寻优结束,Fbest即为回声状态网络的最优参数,预测精度更高。
进一步的,在步骤S4中,将测试样本输入到S3中训练好的回声状态网络中进行预测,得到变压器顶层油温预测结果,整个过程高效简洁。
与现有技术相比,本发明具有以下有益效果:
本发明的变压器顶层油温预测方法是一种基于活性纵横交叉算法优化回声状态网络的变压器顶层油温预测方法,首先获取影响变压器顶层油温的相关历史数据,对历史数据进行预处理生成训练样本集和测试样本集;然后选择训练样本集建立回声状态网络预测模型;接着采用训练样本对回声状态神经网络进行训练,训练过程中采用活性纵横交叉算法对回声状态网络的参数进行优化,大大提高了预测模型的预测能力;最后将测试样本输入到训练好的回声状态网络中进行预测,得到变压器顶层油温预测结果,整个过程能有效处理油温与影响因素间的非线性关系,同时避免了状态矩阵的病态解问题,增强了纵横交叉算法的局部搜索能力,可应用于变压器相关领域的科学研究和工程应用,计算速度快,而且还大大提高了变压器顶层油温预测精度。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据附图获得其他的附图。
图1为本发明一种变压器顶层油温预测方法的流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例包括:
如图1所示,一种变压器顶层油温预测方法,包括以下步骤:
S1、获取影响变压器顶层油温的相关历史数据,对历史数据进行预处理生成训练样本集Trn和测试样本集Ten;
S2、选择训练样本集建立回声状态网络预测模型;
S3、采用训练样本对回声状态神经网络进行训练,训练过程中采用活性纵横交叉算法对回声状态网络的参数进行优化;
S4、将测试样本输入到步骤S3中训练好的回声状态网络中进行预测,得到变压器顶层油温预测结果。
在本实施例中,在步骤S1中,样本数据中的变压器的特征参数包括有功功率、无功功率、负荷电流、环境温度以及顶层油温,使结果更加准确。
在本实施例中,在步骤S1中,获取影响变压器顶层油温的相关历史数据,对历史数据进行预处理生成训练样本集和测试样本集的具体步骤为:将样本数据分为训练样本集和测试样本集,训练样本集Trn中每个样本包括当前预测时刻前一时刻的有功功率、无功功率、负荷电流、环境温度以及顶层油温值,表示为Xn为训练样本集Trn中所有样本,其中m为预测模型输入个数,预测时刻对应的顶层油温值作为输出,表示为l的取值由预测模型输出个数决定,n为样本集中第n个样本,使结果更加准确。
在本实施例中,其中,m=5,l=1,使结果更加准确。
在本实施例中,在步骤S1中,测试样本集Ten的选取方式与训练样本集Trn的选取方式相同,减少计算量。
在本实施例中,在步骤S2中,建立回声状态神经网络预测模型的具体步骤为:
S2.1、建立回声状态网络:
u(k)=[u1(k),u2(k),...,um(k)]T
x(k)=[x1(k),x2(k),...,xn(k)]T
y(k)=[y1(k),y2(k),...,yl(k)]T
其中,u(k)、x(k)、y(k)分别为回声状态网络的输入向量、状态向量及输出向量,u(k)为样本数据;
S2.2、根据回声状态网络的输入向量、状态向量以及输出向量,按下式对回声状态网络进行训练:
x(k+1)=f(Win×u(k+1)+W×x(k)+Wback×y(k))
y(k+1)=fout(Wout×x(k+1))
式中,f()为内部神经元激活函数Sigmoid,fout为输出层函数,W为内部状态到内部状态的连接权值矩阵,Win为随机生成的输入层到储备池n×m阶连接权重矩阵,Wback为随机生成的输出层反馈到储备池的n×l阶连接权重矩阵,Wout为储备池到输出层的l×(m+n+l)阶输出权重矩阵,结果更加准确。
在本实施例中,fout函数为线性函数,预测结果更加精准。
在本实施例中,Win、W和Wback均为随机生成,且一经生成在学习过程中就不再改变,在储备池网络的训练过程中只调整Wout的值,精确度更高。
在本实施例中,在步骤S3中,模型训练过程中采用活性纵横交叉算法对回声状态网络参数进行优化具体步骤为:
S3.1、参数初始化,粒子群算法种群大小M设为20,最大迭代次数Tmax取300,纵向交叉概率Pv设为0.8;
S3.2、回声状态网络模型需优化的参数包括:储备池神经元规模N,谱半径SR,稀疏度SD,输入单元尺度IS、输入单元位移ID,输出单元尺度TS,输出单元位移TD,其中,神经元数量初始化从10开始,变化范围在10-1000之间,其余参数初始时刻为0~1的随机数,随机生成一组粒子作为回声状态网络的初始参数,用于建立活性纵横交叉算法优化回声状态网络的诊断模型:
Fi=[Ni,SRi,SDi,ISi,IDi,TSi,TDi],i=1,2,...,M
M为种群大小,共M个粒子;
迭代次数t置1,分别将活性纵横交叉算法的每一个初始种群粒子转换成回声状态网络参数,进行模型训练,由下式计算训练误差,即为该粒子的适应度值:
S3.3、在粒子探索目标空间的t次迭代中,由Fi表示每一个粒子在解空间中的位置;
S3.3.1、对种群中所有粒子进行两两不重复随机组合,共M/2对组合,对每对组合,根据下式对粒子进行横向交叉:
MShc(i,d)=e1×F(i,d)+(1-e1)×F(j,d)+f1×(F(i,d)-F(j,d))
MShc(j,d)=e2×F(j,d)+(1-e2)×F(i,d)+f2×(F(j,d)-F(i,d))
i,j∈N(1,M);d∈N(1,D)
式中,e1、e2为[0,1]之间的随机数,f1、f2为[-1,1]之间的随机数,M为粒子规模,D为变量维数,F(i,d)、F(j,d)分别为父代粒子F(i)和F(j)的第d维,MShc(i,d)、MShc(j,d)分别为F(i,d)和F(j,d)通过横向交叉产生的第d维子代;
横向交叉结果保存在中庸解矩阵MShc中,计算粒子适应度值,并与其父代粒子的适应度值作比较,适应度值小的粒子保留在F中;
S3.3.2、对横向交叉得到的粒子的每一维进行归一化,然后对粒子所有的维进行不重复两两随机配对,共D/2对,对任意一对维,生成一个随机数rand,若rand<Pv,则对该对维根据下式进行纵向交叉操作:
MSvc(i,d1)=e·F(i,d1)+(1-e)·F(i,d2)
i∈N(1,M);d1,d2∈N(1,D);r∈[0,1]
式中,MSvc(i,d1)为父代粒子F(i)的第d1维和第d2维通过纵向交叉产生的子代,e为[0,1]之间的随机数;
纵向交叉结果保存在中庸解矩阵MSvc中,对纵向交叉结果反归一化后计算中庸解矩阵中粒子的适应度值,与其父代粒子进行适应度值比较,适应度值好的粒子保存在F中;
S3.3.3、若rand>PA,PA为变异概率,则对最优解Fbest执行高斯变异操作,高斯变异具备较强的局部搜索能力,对最优个体施加一个高斯扰动项,增加最优个体活性,增强局部搜索能力,具体如下:
S3.3.4、粒子更新完成后,计算更新位置后的粒子适应度值,记录相对应的最优个体Fbest;
S3.3.5、迭代次数t加1,当迭代次数t<Tmax时,转至步骤S3.3.1),否则,寻优结束,Fbest即为回声状态网络的最优参数,预测精度更高。
在本实施例中,在步骤S4中,将测试样本输入到S3中训练好的回声状态网络中进行预测,得到变压器顶层油温预测结果,整个过程高效简洁。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种变压器顶层油温预测方法,其特征在于,包括以下步骤:
S1、获取影响变压器顶层油温的相关历史数据,对历史数据进行预处理生成训练样本集Trn和测试样本集Ten;
S2、选择训练样本集建立回声状态网络预测模型;
S3、采用训练样本对回声状态神经网络进行训练,训练过程中采用活性纵横交叉算法对回声状态网络的参数进行优化;
S4、将测试样本输入到步骤S3中训练好的回声状态网络中进行预测,得到变压器顶层油温预测结果。
2.根据权利要求1所述的变压器顶层油温预测方法,其特征在于,在步骤S1中,样本数据中的变压器的特征参数包括有功功率、无功功率、负荷电流、环境温度以及顶层油温。
4.根据权利要求3所述的变压器顶层油温预测方法,其特征在于,其中,m=5,l=1。
5.根据权利要求4所述的变压器顶层油温预测方法,其特征在于,在步骤S1中,测试样本集Ten的选取方式与训练样本集Trn的选取方式相同。
6.根据权利要求5所述的变压器顶层油温预测方法,其特征在于,在步骤S2中,建立回声状态神经网络预测模型的具体步骤为:
S2.1、建立回声状态网络:
u(k)=[u1(k),u2(k),...,um(k)]T
x(k)=[x1(k),x2(k),...,xn(k)]T
y(k)=[y1(k),y2(k),...,yl(k)]T
其中,u(k)、x(k)、y(k)分别为回声状态网络的输入向量、状态向量及输出向量,u(k)为样本数据;
S2.2、根据回声状态网络的输入向量、状态向量以及输出向量,按下式对回声状态网络进行训练:
x(k+1)=f(Win×u(k+1)+W×x(k)+Wback×y(k))
y(k+1)=fout(Wout×x(k+1))
式中,f()为内部神经元激活函数Sigmoid,fout为输出层函数,W为内部状态到内部状态的连接权值矩阵,Win为随机生成的输入层到储备池n×m阶连接权重矩阵,Wback为随机生成的输出层反馈到储备池的n×l阶连接权重矩阵,Wout为储备池到输出层的l×(m+n+l)阶输出权重矩阵。
7.根据权利要求6所述的变压器顶层油温预测方法,其特征在于,fout函数为线性函数。
8.根据权利要求7所述的变压器顶层油温预测方法,其特征在于,Win、W和Wback均为随机生成,且一经生成在学习过程中就不再改变,在储备池网络的训练过程中只调整Wout的值。
9.根据权利要求8所述的变压器顶层油温预测方法,其特征在于,在步骤S3中,模型训练过程中采用活性纵横交叉算法对回声状态网络参数进行优化具体步骤为:
S3.1、参数初始化,粒子群算法种群大小M设为20,最大迭代次数Tmax取300,纵向交叉概率Pv设为0.8;
S3.2、回声状态网络模型需优化的参数包括:储备池神经元规模N,谱半径SR,稀疏度SD,输入单元尺度IS、输入单元位移ID,输出单元尺度TS,输出单元位移TD,其中,神经元数量初始化从10开始,变化范围在10-1000之间,其余参数初始时刻为0~1的随机数,随机生成一组粒子作为回声状态网络的初始参数,用于建立活性纵横交叉算法优化回声状态网络的诊断模型:
Fi=[Ni,SRi,SDi,ISi,IDi,TSi,TDi],i=1,2,...,M
M为种群大小,共M个粒子;
迭代次数t置1,分别将活性纵横交叉算法的每一个初始种群粒子转换成回声状态网络参数,进行模型训练,由下式计算训练误差,即为该粒子的适应度值:
S3.3、在粒子探索目标空间的t次迭代中,由Fi表示每一个粒子在解空间中的位置;
S3.3.1、对种群中所有粒子进行两两不重复随机组合,共M/2对组合,对每对组合,根据下式对粒子进行横向交叉:
MShc(i,d)=e1×F(i,d)+(1-e1)×F(j,d)+f1×(F(i,d)-F(j,d))
MShc(j,d)=e2×F(j,d)+(1-e2)×F(i,d)+f2×(F(j,d)-F(i,d))
i,j∈N(1,M);d∈N(1,D)
式中,e1、e2为[0,1]之间的随机数,f1、f2为[-1,1]之间的随机数,M为粒子规模,D为变量维数,F(i,d)、F(j,d)分别为父代粒子F(i)和F(j)的第d维,MShc(i,d)、MShc(j,d)分别为F(i,d)和F(j,d)通过横向交叉产生的第d维子代;
横向交叉结果保存在中庸解矩阵MShc中,计算粒子适应度值,并与其父代粒子的适应度值作比较,适应度值小的粒子保留在F中;
S3.3.2、对横向交叉得到的粒子的每一维进行归一化,然后对粒子所有的维进行不重复两两随机配对,共D/2对,对任意一对维,生成一个随机数rand,若rand<Pv,则对该对维根据下式进行纵向交叉操作:
MSvc(i,d1)=e·F(i,d1)+(1-e)·F(i,d2)
i∈N(1,M);d1,d2∈N(1,D);r∈[0,1]
式中,MSvc(i,d1)为父代粒子F(i)的第d1维和第d2维通过纵向交叉产生的子代,e为[0,1]之间的随机数;
纵向交叉结果保存在中庸解矩阵MSvc中,对纵向交叉结果反归一化后计算中庸解矩阵中粒子的适应度值,与其父代粒子进行适应度值比较,适应度值好的粒子保存在F中;
S3.3.3、若rand>PA,PA为变异概率,则对最优解Fbest执行高斯变异操作,高斯变异具备较强的局部搜索能力,对最优个体施加一个高斯扰动项,增加最优个体活性,增强局部搜索能力,具体如下:
S3.3.4、粒子更新完成后,计算更新位置后的粒子适应度值,记录相对应的最优个体Fbest;
S3.3.5、迭代次数t加1,当迭代次数t<Tmax时,转至步骤S3.3.1),否则,寻优结束,Fbest即为回声状态网络的最优参数。
10.根据权利要求9所述的变压器顶层油温预测方法,其特征在于,在步骤S4中,将测试样本输入到S3中训练好的回声状态网络中进行预测,得到变压器顶层油温预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220441.1A CN111062170A (zh) | 2019-12-03 | 2019-12-03 | 一种变压器顶层油温预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220441.1A CN111062170A (zh) | 2019-12-03 | 2019-12-03 | 一种变压器顶层油温预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062170A true CN111062170A (zh) | 2020-04-24 |
Family
ID=70299548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911220441.1A Pending CN111062170A (zh) | 2019-12-03 | 2019-12-03 | 一种变压器顶层油温预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062170A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259574A (zh) * | 2020-05-06 | 2020-06-09 | 广东电网有限责任公司佛山供电局 | 一种基于简易温升模型的变压器油温预测方法 |
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 |
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112329328A (zh) * | 2020-07-07 | 2021-02-05 | 广东电网有限责任公司 | 一种基于cso优化神经网络的变压器损耗计算方法 |
CN112580254A (zh) * | 2020-11-30 | 2021-03-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于多级决策融合的换流变多维度分析和预警方法 |
CN113418632A (zh) * | 2021-05-20 | 2021-09-21 | 南昌大学 | 一种油浸式变压器油温预测的概念漂移检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262198A (zh) * | 2011-04-20 | 2011-11-30 | 哈尔滨工业大学 | 基于回声状态网络同步优化的模拟电路故障诊断方法 |
CN102749584A (zh) * | 2012-07-17 | 2012-10-24 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法 |
CN103336908A (zh) * | 2013-07-23 | 2013-10-02 | 哈尔滨工业大学 | 单调回声状态网络的剩余寿命预测方法 |
CN104348173A (zh) * | 2014-09-15 | 2015-02-11 | 广东电网公司揭阳供电局 | 一种基于改进cso算法的电力系统无功优化方法 |
CN105978732A (zh) * | 2016-06-27 | 2016-09-28 | 华北理工大学 | 一种基于粒子群优化最简回声状态网络参数的方法和系统 |
CN106339817A (zh) * | 2016-08-29 | 2017-01-18 | 广东工业大学 | 一种多区域动态经济调度方法及系统 |
CN108120521A (zh) * | 2017-12-08 | 2018-06-05 | 囯网河北省电力有限公司电力科学研究院 | 变压器绕组热点温度预测方法及终端设备 |
CN108804800A (zh) * | 2018-06-04 | 2018-11-13 | 桂林电子科技大学 | 基于回声状态网络的锂离子电池soc在线预测方法 |
CN108872866A (zh) * | 2018-06-04 | 2018-11-23 | 桂林电子科技大学 | 一种锂离子电池荷电状态动态评估与长效预测融合方法 |
CN109711612A (zh) * | 2018-12-18 | 2019-05-03 | 华北电力大学 | 一种优化回声状态网络的风力发电功率预测方法及装置 |
CN109884526A (zh) * | 2019-01-30 | 2019-06-14 | 广东工业大学 | 基于纵横交叉优化模糊bp神经网络的电池故障诊断方法 |
CN110232240A (zh) * | 2019-06-12 | 2019-09-13 | 贵州电网有限责任公司 | 一种改进的变压器顶层油温预测方法 |
CN110363363A (zh) * | 2019-07-31 | 2019-10-22 | 广东电网有限责任公司 | 一种用于综合能源系统的双阶段调度模型优化方法 |
-
2019
- 2019-12-03 CN CN201911220441.1A patent/CN111062170A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262198A (zh) * | 2011-04-20 | 2011-11-30 | 哈尔滨工业大学 | 基于回声状态网络同步优化的模拟电路故障诊断方法 |
CN102749584A (zh) * | 2012-07-17 | 2012-10-24 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法 |
CN103336908A (zh) * | 2013-07-23 | 2013-10-02 | 哈尔滨工业大学 | 单调回声状态网络的剩余寿命预测方法 |
CN104348173A (zh) * | 2014-09-15 | 2015-02-11 | 广东电网公司揭阳供电局 | 一种基于改进cso算法的电力系统无功优化方法 |
CN105978732A (zh) * | 2016-06-27 | 2016-09-28 | 华北理工大学 | 一种基于粒子群优化最简回声状态网络参数的方法和系统 |
CN106339817A (zh) * | 2016-08-29 | 2017-01-18 | 广东工业大学 | 一种多区域动态经济调度方法及系统 |
CN108120521A (zh) * | 2017-12-08 | 2018-06-05 | 囯网河北省电力有限公司电力科学研究院 | 变压器绕组热点温度预测方法及终端设备 |
CN108804800A (zh) * | 2018-06-04 | 2018-11-13 | 桂林电子科技大学 | 基于回声状态网络的锂离子电池soc在线预测方法 |
CN108872866A (zh) * | 2018-06-04 | 2018-11-23 | 桂林电子科技大学 | 一种锂离子电池荷电状态动态评估与长效预测融合方法 |
CN109711612A (zh) * | 2018-12-18 | 2019-05-03 | 华北电力大学 | 一种优化回声状态网络的风力发电功率预测方法及装置 |
CN109884526A (zh) * | 2019-01-30 | 2019-06-14 | 广东工业大学 | 基于纵横交叉优化模糊bp神经网络的电池故障诊断方法 |
CN110232240A (zh) * | 2019-06-12 | 2019-09-13 | 贵州电网有限责任公司 | 一种改进的变压器顶层油温预测方法 |
CN110363363A (zh) * | 2019-07-31 | 2019-10-22 | 广东电网有限责任公司 | 一种用于综合能源系统的双阶段调度模型优化方法 |
Non-Patent Citations (2)
Title |
---|
熊浩等: "基于T-S模型的电力变压器顶层油温预测研究" * |
蔡妙妆等: "改进纵横交叉算法在电力系统环境经济调度方面的研究" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259574A (zh) * | 2020-05-06 | 2020-06-09 | 广东电网有限责任公司佛山供电局 | 一种基于简易温升模型的变压器油温预测方法 |
CN111259574B (zh) * | 2020-05-06 | 2020-08-04 | 广东电网有限责任公司佛山供电局 | 一种基于简易温升模型的变压器油温预测方法 |
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 |
CN112329328A (zh) * | 2020-07-07 | 2021-02-05 | 广东电网有限责任公司 | 一种基于cso优化神经网络的变压器损耗计算方法 |
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112115648B (zh) * | 2020-09-23 | 2023-12-01 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112580254A (zh) * | 2020-11-30 | 2021-03-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于多级决策融合的换流变多维度分析和预警方法 |
CN113418632A (zh) * | 2021-05-20 | 2021-09-21 | 南昌大学 | 一种油浸式变压器油温预测的概念漂移检测方法 |
CN113418632B (zh) * | 2021-05-20 | 2024-02-09 | 南昌大学 | 一种油浸式变压器油温预测的概念漂移检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062170A (zh) | 一种变压器顶层油温预测方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
Mao et al. | Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics | |
CN105719002A (zh) | 一种基于组合预测的风电机组状态参数异常辨识方法 | |
CN109061504A (zh) | 同类型不同锂离子电池剩余使用寿命预测方法和系统 | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN105243259A (zh) | 基于极限学习机的脉动风速快速预测方法 | |
CN106446571A (zh) | 风电场功率预测的误差评价方法 | |
CN105071771A (zh) | 一种基于神经网络的分布式光伏系统故障诊断方法 | |
CN109324291A (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN107121926A (zh) | 一种基于深度学习的工业机器人可靠性建模方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
CN106845711A (zh) | 供电可靠性数据的处理方法及处理装置 | |
CN113743674A (zh) | 基于深度学习的储能出力预测方法、系统、设备及介质 | |
Hongwei et al. | An interpretable data-driven method for degradation prediction of proton exchange membrane fuel cells based on temporal fusion transformer and covariates | |
CN103793582B (zh) | 圆柱壳大开孔接管结构优化方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN116933025A (zh) | 基于vmd与dbo-lstm-at的变压器顶层油温预测方法 | |
Wang et al. | Proton exchange membrane fuel cells prognostic strategy based on navigation sequence driven long short-term memory networks | |
Wang et al. | Continual deep residual reservoir computing for remaining useful life prediction | |
CN115221731A (zh) | 基于数据融合和Wiener模型的变压器寿命评估方法 |
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: 20200424 |
|
RJ01 | Rejection of invention patent application after publication |