CN111426816A - 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 - Google Patents
一种基于pso-lstm的变压器油中溶解气体浓度预测方法 Download PDFInfo
- Publication number
- CN111426816A CN111426816A CN202010277959.5A CN202010277959A CN111426816A CN 111426816 A CN111426816 A CN 111426816A CN 202010277959 A CN202010277959 A CN 202010277959A CN 111426816 A CN111426816 A CN 111426816A
- Authority
- CN
- China
- Prior art keywords
- concentration
- stm
- term memory
- long
- short term
- 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 26
- 239000002245 particle Substances 0.000 claims abstract description 59
- 230000015654 memory Effects 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 239000007789 gas Substances 0.000 claims description 40
- 230000007787 long-term memory Effects 0.000 claims description 32
- 230000006403 short-term memory Effects 0.000 claims description 32
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 23
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 23
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 17
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 14
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 11
- 239000005977 Ethylene Substances 0.000 claims description 11
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 11
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 9
- 229910052739 hydrogen Inorganic materials 0.000 claims description 9
- 239000001257 hydrogen Substances 0.000 claims description 9
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004587 chromatography analysis Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 description 12
- 238000012706 support-vector machine Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011160 research 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSO‑LSTM的变压器油中溶解气体浓度预测方法，通过准确预测变压器油中溶解气体的浓度，从而实现对变压器运行状态的有效评估；首先收集变压器在线油色谱样本数据，确定其状态特征参量并进行归一化处理后，划分训练集和测试集；然后构建长短期记忆网络预测模型，并通过粒子群算法对长短期记忆网络预测模型进行优化，获得两个最优的预测模型参数，以获得的最优预测模型参数重新建立长短期记忆网络模型；最后以油中溶解的7种特征气体浓度为输入，以待预测气体的浓度为输出，实现对变压器油中溶解气体浓度的预测。本发明提供的方法可以准确预测变压器油中溶解气体浓度的变化，可对变压器的故障诊断及运行状况评估提供一定的理论依据，为运维人员检修提供借鉴。
Description
技术领域
本发明涉及电力设备监控技术领域，尤其涉及一种变压器油中溶解气体浓度的预测方法。
背景技术
电力变压器作为电力系统中最为核心的设备，起着分配、传输电能的重要作用，是电网公司的重要资产，其安全稳定运行是保障电网可靠性供电的前提。变压器正常运行情况下，由于内部绝缘固体的老化会产生少量气体溶解于绝缘油中，主要有氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳(CO)、二氧化碳(CO2)等气体。根据油中溶解气体浓度比例的不同可判别变压器的不同运行状况，例如：产生高能放电时氢气H2和乙炔C2H2的含量会增加；遇到强烈磁场的情况下，烃类气体的含量会增加，且表现出一定的关联。
油中溶解气体分析(dissolved gas analysis，DGA)是目前国际上公认的及时准确发现变压器故障缺陷的方法，通过在线油色谱监测装置提取出油中各溶解气体的含量值，形成历史检测数据序列，进而对溶解气体浓度变化趋势进行预测，可为变压器的故障诊断和状态评估技术提供重要的依据。
迄今为止国内外众多学者已经对DGA技术开展了大量的分析研究，人工智能预测法较为普遍，通过计算机技术对监测到的数据进行处理分析，进而建立预测模型，常见的有随机森林(Random Forest，RF RF)，循环神经网络(Recurrent Neural Network，RNN)，支持向量机(Support Sector Machine， SVM)等。由于传统的人工智能预测算法在处理长时间序列问题方面存在不足，模型的超参数确定大多依靠经验来确定，具有不确定性，导致模型的预测精度降低。鉴于此，提出一种基于粒子群算法优化长短期记忆网络预测模型的变压器油中溶解气体浓度预测方法，可以更准确地追踪溶解气体浓度的变化趋势，提高气体预测准确率。
发明内容
本发明要解决的技术问题是提供一种PSO-LSTM的变压器油中溶解气体浓度预测方法，解决了依据经验选取参数而导致的模型拟合能力不够、预测精度低的问题，使用该气体预测方法能够快速搜索并确定长短期记忆网络模型的最优参数，训练效率高，进而提高预测精度，可为后续变压器的故障诊断、状态评估提供理论指导。
为解决上述技术问题，本发明提供了一种基于PSO-LSTM的变压器油中溶解气体浓度预测方法，包括如下步骤：
A、选择变压器油中溶解的氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6) 浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为特征参量；
B、获取步骤A中的特征参量在历史时间维度变压器油中的色谱样本数据，并对样本数据进行归一化处理，随机划分训练集数据和测试集数据；
C、构建包括输入层、隐藏层、输出层的长短期记忆网络预测模型LSTM；
D、使用步骤B中获得的训练集数据对步骤C中构建的长短期记忆网络预测模型LSTM进行粒子群算法优化，在满足预测模型评价指标最优的基础上确定长短期记忆网络预测模型LSTM的最优参数，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；
E、使用步骤B中获得的测试集数据作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输入变量，选取步骤A中的特征参量之一作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输出变量，得到预测结果。
所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0，1]之间，其归一化的公式为式(1)：
式(1)中，x*为归一化后的数据；xmin、xmax分别为样本数据集的最小值与最大值，x为原始样本数据；
所述步骤B中划分训练集数据和测试集数据指随机将归一化处理后的样本数据的90％作为训练集数据，将归一化处理后的样本数据的10％作为测试集数据。
所述步骤C中长短期记忆网络预测模型LSTM的具体构建过程如下：
C1、收集变压器的在线油色谱样本数据，取特征参量氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6)浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为长短期记忆网络预测模型LSTM 输入层的样本数据；
C2、将步骤C1中各特征参量的样本数据进行归一化处理，映射到[0，1] 之间，随机划分得到训练集数据和测试集数据；
C3、隐藏层采用步骤C2得到的训练集数据对长短期记忆网络预测模型 LSTM进行训练，在预测结果评价标准误差较小的情况下，确定长短期记忆网络预测模型LSTM的参数；
C4、采用步骤C3得到的长短期记忆网络预测模型LSTM对测试集数据进行预测，得到预测结果P1、P2、…Pn；
C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。
所述步骤D中使用粒子群算法优化长短期记忆网络预测模型LSTM的过程如下：
D1、初始化步骤C中构建的长短期记忆网络预测模型LSTM参数，设置神经元个数m和学习率lr各自的取值范围、搜索范围，确定最大迭代次数Tmax与种群数量pop、惯性权重最大值ωmax、惯性权重最小值ωmin、加速因子c1初始值c1,ini、加速因子c1最终值c1,fin、加速因子c2初始值c2,ini、加速因子 c2最终值c2,fin；
D2、根据步骤D1中初始化后的神经元个数m与学习率lr的取值，以步骤 C构建的长短期记忆预测模型LSTM对测试集数据进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的适应度值，适应度函数fiti定义如式(7)：
式中，n表示测试集数据的样本容量；Xact(i)和Xpred(i)分别为i时刻气体浓度的真实值和预测值；
D3、以神经元个数m和学习率lr两个参数为粒子，以步骤D2得到的预测结果的平均绝对百分比误差作为粒子适应度值，采用公式(2)～(6)迭代更新两个粒子的速度和位置，即更新长短期记忆网络预测模型LTSM两个参数的值；通过粒子群算法寻优获得两个参数的最优值后，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；
ω＝ωmax-(ωmax-ωmin)(k/Tmax)2 (4)
c1＝c1,ini-(c1,ini-c1,fin)(k/Tmax) (5)
c2＝c2,ini+(c2,fin-c2,ini)(k/Tmax) (6)
上式中，k表示当前迭代次数；Tmax表示最大迭代数；
分别表示粒子的速度、位置、个体局部最优解和全局最优解；r1与r2为[0，1]之间的随机数；ω为惯性因子，ωmax和ωmin表示迭代惯性权重最大和最小值；c1,ini、 c1,fin与c2,ini、c2,fin分别表示加速因子c1与c2的初始值及最终值；
D4、以粒子群算法的公式(2)-(6)迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解；当粒子适应度值趋于稳定或迭代次数达到最大，则满足终止条件，获取最优的神经元个数m与学习率lr参数，得到经粒子群算法优化后的长短期记忆网络预测模型PSO-LSTM；否则返回步骤 D3继续进行迭代更新。
所述步骤E中得到的预测结果使用平均相对百分误差yMAPE、根均方误差 yRMSE、预测精度yFA以及决定系数R2四个实验评价指标进行评价，公式(8)- (11)所示：
上式中：n表示测试数据集的样本容量；Xact(i)和Xpred(i)(i＝1,2,…n)分别为第i时刻变压器油中溶解气体浓度的真实值和预测值；
表示预测样本真实值的平均值；其中yMAPE与yRMSE数值越小，yFA数值越大、R2的值越接近1，表示拟合优度越大，模型预测结果越准确。
本发明提供的预测方法与现有技术相比具备如下优点：本发明首先以变压器油中溶解气体的浓度作为长短期记忆网络预测模型的输入；然后通过粒子群优化算法迭代搜索长短期记忆网络预测模型的两个最优参数(学习率lr与神经元个数m)；最后建立基于粒子群算法优化后的长短期记忆网络预测模型，该优化后的模型解决了依据经验选取参数而导致的模型拟合能力不够、预测精度低的问题，可准确追踪油中溶解气体的变化趋势，为后续变压器的故障诊断、状态评估提供理论指导。
附图说明
图1为本发明实施例中粒子适应度值随迭代次数变化而变化的示意图；
图2为本发明实施例中神经元个数随迭代次数变化而变化的示意图；
图3为本发明实施例中学习率大小随迭代次数变化而变化的示意图；
图4为本发明实施例中采用粒子群算法优化后的长短期记忆网络预测模型 PSO-LSTM、LSTM模型、RNN模型、SVM模型和RF模型分别预测乙烯浓度的预测曲线与实际曲线对比示意图；
图5为本发明实施例中采用粒子群算法优化后的长短期记忆网络模型 PSO-LSTM、LSTM模型、RNN模型、SVM模型和RF模型分别预测乙烯浓度的相对误差对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种基于PSO-LSTM的变压器油中溶解气体浓度预测方法，包括如下步骤：
A、选择变压器油中溶解的氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6) 浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为特征参量；
B、获取步骤A中的特征参量在历史时间维度变压器油中的色谱样本数据，并对样本数据进行归一化处理，随机划分训练集数据和测试集数据；
C、构建包括输入层、隐藏层、输出层的长短期记忆网络预测模型LSTM；
D、使用步骤B中获得的训练集数据对步骤C中构建的长短期记忆网络预测模型LSTM进行粒子群算法优化，在满足预测模型评价指标最优的基础上确定长短期记忆网络预测模型LSTM的最优参数，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；
E、使用步骤B中获得的测试集数据作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输入变量，选取步骤A中的特征参量之一作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输出变量，得到预测结果。
所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0，1]之间，其归一化的公式为式(1)：
式(1)中，x*为归一化后的数据；xmin、xmax分别为样本数据集的最小值与最大值，x为原始样本数据；
所述步骤B中划分训练集数据和测试集数据指随机将归一化处理后的样本数据的90％作为训练集数据，将归一化处理后的样本数据的10％作为测试集数据。
所述步骤C中长短期记忆网络预测模型LSTM的具体构建过程如下：
C1、收集变压器的在线油色谱样本数据，取特征参量氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6)浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为长短期记忆网络预测模型LSTM 输入层的样本数据；
C2、将步骤C1中各特征参量的样本数据进行归一化处理，映射到[0，1] 之间，随机划分得到训练集数据和测试集数据；
C3、隐藏层采用步骤C2得到的训练集数据对长短期记忆网络预测模型 LSTM进行训练，在预测结果评价标准误差较小的情况下，确定长短期记忆网络预测模型LSTM的参数；
C4、采用步骤C3得到的长短期记忆网络预测模型LSTM对测试集数据进行预测，得到预测结果P1、P2、…Pn；
C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。
所述步骤D中使用粒子群算法优化长短期记忆网络预测模型LSTM的过程如下：
D1、初始化步骤C中构建的长短期记忆网络预测模型LSTM参数，设置神经元个数m和学习率lr各自的取值范围、搜索范围，确定最大迭代次数Tmax与种群数量pop、惯性权重最大值ωmax、惯性权重最小值ωmin、加速因子c1初始值c1,ini、加速因子c1最终值c1,fin、加速因子c2初始值c2,ini、加速因子 c2最终值c2,fin；
D2、根据步骤D1中初始化后的神经元个数m与学习率lr的取值，以步骤 C构建的长短期记忆预测模型LSTM对测试集数据进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的适应度值，适应度函数fiti定义如式(7)：
式中，n表示测试集数据的样本容量；Xact(i)和Xpred(i)分别为i时刻气体浓度的真实值和预测值；
D3、以神经元个数m和学习率lr两个参数为粒子，以步骤D2得到的预测结果的平均绝对百分比误差作为粒子适应度值，采用公式(2)～(6)迭代更新两个粒子的速度和位置，即更新长短期记忆网络预测模型LTSM两个参数的值；通过粒子群算法寻优获得两个参数的最优值后，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；
ω＝ωmax-(ωmax-ωmin)(k/Tmax)2 (4)
c1＝c1,ini-(c1,ini-c1,fin)(k/Tmax) (5)
c2＝c2,ini+(c2,fin-c2,ini)(k/Tmax) (6)
上式中，k表示当前迭代次数；Tmax表示最大迭代数；
分别表示粒子的速度、位置、个体局部最优解和全局最优解；r1与r2为[0，1]之间的随机数；ω为惯性因子，ωmax和ωmin表示迭代惯性权重最大和最小值；c1,ini、 c1,fin与c2,ini、c2,fin分别表示加速因子c1与c2的初始值及最终值；
D4、以粒子群算法的公式(2)-(6)迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解；当粒子适应度值趋于稳定或迭代次数达到最大，则满足终止条件，获取最优的神经元个数m与学习率lr参数，得到经粒子群算法优化后的长短期记忆网络预测模型PSO-LSTM；否则返回步骤 D3继续进行迭代更新。
所述步骤E中得到的预测结果使用平均相对百分误差yMAPE、根均方误差 yRMSE、预测精度yFA以及决定系数R2四个实验评价指标进行评价，公式(8)- (11)所示：
上式中：n表示测试数据集的样本容量；Xact(i)和Xpred(i)(i＝1,2,…n)分别为第i时刻变压器油中溶解气体浓度的真实值和预测值；
表示预测样本真实值的平均值；其中yMAPE与yRMSE数值越小，yFA数值越大、R2的值越接近1，表示拟合优度越大，模型预测结果越准确。
实施例
电力变压器正常运行情况下，由于内部绝缘固体的老化会产生少量气体溶解于绝缘油中，主要有H2、CH4、C2H6、C2H4、C2H2、CO、CO2等气体。根据油中溶解气体含量比例的不同可判别变压器的不同运行状况，例如：产生高能放电时氢气H2和乙炔C2H2的含量会增加；遇到强烈磁场的情况下，烃类气体的含量会增加，且表现出一定的关联，本发明选择H2、CH4、C2H6、C2H4、C2H2、CO、 CO2等7种气体的浓度作为特征参量。
本实施例针对变压器油中溶解气体浓度的预测，首先以变压器油中溶解的 7种特征气体的浓度进行归一化处理后作为预测模型的输入，然后利用变压器油中溶解特征参量的样本数据对长短期记忆网络预测模型进行粒子群算法迭代寻优，得到最优的长短期记忆网络预测模型参数即学习率lr与神经元个数m；以此为基础建立基于粒子群算法优化后的长短期记忆网络预测模型，以7种特征气体的浓度为输入变量，特征参量之一的浓度为输出变量，实现变压器油中溶解气体浓度的预测。
使用上述样本数据在不同模型下进行预测，验证本发明提出的基于 PSO-LSTM的变压器油中溶解气体浓度预测方法的有效性。
以某220KV变压器油色谱在线监测数据为例，样本数据为2018年9月1日至2019年7月1日，共计300组检测数据，检测周期为1天；将2018年9月至 2019年5月的油色谱数据作为训练集数据，将2019年6月至2019年7月的数据作为测试集数据。使用粒子群算法优化长短期记忆网络预测模型的过程中，模型参数的设置如表1所示，进行不同预测模型对比，优化前的LSTM模型、RNN 模型、SVM模型和RF模型的模型参数设置如表2所示。
表1粒子群算法优化长短期记忆网络模型的参数
| 参数 | 取值 | 参数 | 取值 |
| 迭代次数T<sub>max</sub> | 100 | 惯性权重最大值ω<sub>max</sub> | 0.9 |
| 种群数量pop | 30 | 惯性权重最小值ω<sub>min</sub> | 0.4 |
| m取值范围 | [1,20] | 加速因子初始值c<sub>1,ini</sub> | 2 |
| m搜索范围 | [-4,4] | 加速因子最终值c<sub>1,fin</sub> | 0.5 |
| lr取值范围 | [0.0001,0.01] | 加速因子初始值c<sub>2,ini</sub> | 0.5 |
| lr搜索范围 | [-0.001,0.001] | 加速因子最终值c<sub>2,fin</sub> | 2 |
表2 LSTM、RNN、SVM及RF模型参数
图2、3和4分别表示使用粒子群算法优化长短期记忆网络预测模型的粒子适应度值、神经元个数和学习率随迭代次数变化而变化的规律，可以看出随着迭代次数的变化，粒子适应度值最终稳定在0.771、神经元个数稳定在8 个、学习率最终稳定在0.0022。
图4是利用30组测试集数据对不同预测模型对变压器油中溶解乙烯C2H4浓度的预测值与真实值对比的折线图；图5是各种预测模型对应的相对误差变化。从图4、5中可以看出，所涉及的粒子群算法优化后的长短期记忆网络预测模型模型PSO-LSTM、长短期记忆网络模型LSTM、随机森林模型RF、循环神经网络模型RNN和支持向量机模型SVM等5种模型均有较好的预测性能，本发明所提的基于粒子群算法优化后的长短期记忆网络预测模型的变压器油中溶解气体浓度预测方法得到的乙烯C2H4浓度预测曲线精度最高，模型整体预测误差小，可以更准确地追踪溶解气体浓度的变化趋势。
结合评价指标，将本发明所提出的基于粒子群算法优化后的长短期记忆网络预测模型PSO-LSTM与长短期记忆网络模型LSTM、随机森林模型RF、循环神经网络模型RNN和支持向量机模型SVM预测乙烯C2H4浓度的结果对比如表3所示，相较于长短期记忆网络模型LSTM、随机森林模型RF、循环神经网络模型RNN和支持向量机模型SVM的yMAPE指标分别降低了7.76％、 10.29％和54.50％，yRMSE指标分别降低了8.61％、9.8％、和53.38％，yFA分别提高了0.083％、0.042％、和0.435％，说明LSTM预测模型在处理时间序列问题上面有着更好的预测效果；基于粒子群算法优化后的长短期记忆网络预测模型 PSO-LSTM模型对比长短期记忆网络模型LSTM预测效果，其中yMAPE、yRMSE分别降低了15.74％、23.19％，yFA提高了0.144％，表明经粒子群算法优化后的长短期记忆网络预测模型PSO-LSTM提高了预测准确率，也体现出了对长短期记忆网络预测模型LSTM进行参数优化的必要性。
表3不同预测模型预测结果对比
采用经粒子群算法优化后的长短期记忆网络预测模型PSO-LSTM以2018年 9月1日至2019年7月1日之间的数据为例，对其他几种特征气体浓度进行预测，预测结果如表4所示：可知本发明所提的经粒子群算法优化后的长短期记忆网络预测模型PSO-LSTM的预测误差均低于长短期记忆网络模型LSTM、随机森林模型RF、循环神经网络模型RNN和支持向量机模型SVM的预测误差，具有较高的预测稳定性与可靠性。
表4其他气体浓度预测结果对比
本发明提出的一种基于粒子群算法优化长短期记忆网络预测模型的变压器油中溶解气体浓度预测方法，使用该方法能够快速搜索确定长短期记忆网络模型的最优参数，训练效率高、解决了依据经验选取参数而导致的模型拟合能力不够、预测精度低的问题，进而提高预测精度，可为后续变压器的故障诊断、状态评估提供理论指导。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种PSO-LSTM的变压器油中溶解气体浓度预测方法，其特征在于，包括如下步骤：
A、选择变压器油中溶解的氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6)浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为特征参量；
B、获取步骤A中的特征参量在历史时间维度变压器油中的色谱样本数据，并对样本数据进行归一化处理，随机划分训练集数据和测试集数据；
C、构建包括输入层、隐藏层、输出层的长短期记忆网络预测模型LSTM；
D、使用步骤B中获得的训练集数据对步骤C中构建的长短期记忆网络预测模型LSTM进行粒子群算法优化，在满足预测模型评价指标最优的基础上确定长短期记忆网络预测模型LSTM的最优参数，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；
E、使用步骤B中获得的测试集数据作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输入变量，选取步骤A中的特征参量之一作为步骤D中经优化的长短期记忆网络预测模型PSO-LSTM的输出变量，得到预测结果。
2.根据权利要求1所述的PSO-LSTM的变压器油中溶解气体浓度预测方法，其特征在于：所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0，1]之间，其归一化的公式为式(1)：
式(1)中，x*为归一化后的数据；xmin、xmax分别为样本数据集的最小值与最大值，x为原始样本数据；
所述步骤B中划分训练集数据和测试集数据指随机将归一化处理后的样本数据的90％作为训练集数据，将归一化处理后的样本数据的10％作为测试集数据。
3.根据权利要求1所述的一种PSO-LSTM的变压器油中溶解气体浓度预测方法，其特征在于：所述步骤C中长短期记忆网络预测模型LSTM的具体构建过程如下：
C1、收集变压器的在线油色谱样本数据，取特征参量氢气(H2)浓度、甲烷(CH4)浓度、乙烷(C2H6)浓度、乙烯(C2H4)浓度、乙炔(C2H2)浓度、一氧化碳(CO)浓度、二氧化碳(CO2)浓度作为长短期记忆网络预测模型LSTM输入层的样本数据；
C2、将步骤C1中各特征参量的样本数据进行归一化处理，映射到[0，1]之间，随机划分得到训练集数据和测试集数据；
C3、隐藏层采用步骤C2得到的训练集数据对长短期记忆网络预测模型LSTM进行训练，在预测结果评价标准误差较小的情况下，确定长短期记忆网络预测模型LSTM的参数；
C4、采用步骤C3得到的长短期记忆网络预测模型LSTM对测试集数据进行预测，得到预测结果P1、P2、…Pn；
C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。
4.根据权利要求1所述的一种PSO-LSTM的变压器油中溶解气体浓度预测方法，其特征在于：所述步骤D中使用粒子群算法优化长短期记忆网络预测模型LSTM的过程如下：
D1、初始化步骤C中构建的长短期记忆网络预测模型LSTM参数，设置神经元个数m和学习率lr各自的取值范围、搜索范围，确定最大迭代次数Tmax与种群数量pop、惯性权重最大值ωmax、惯性权重最小值ωmin、加速因子c1初始值c1,ini、加速因子c1最终值c1,fin、加速因子c2初始值c2,ini、加速因子c2最终值c2,fin；
D2、根据步骤D1中初始化后的神经元个数m与学习率lr的取值，以步骤C构建的长短期记忆预测模型LSTM对测试集数据进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的适应度值，适应度函数fiti定义如式(7)：
式中，n表示测试集数据的样本容量；Xact(i)和Xpred(i)分别为i时刻气体浓度的真实值和预测值；
D3、以神经元个数m和学习率lr两个参数为粒子，以步骤D2得到的预测结果的平均绝对百分比误差作为粒子适应度值，采用公式(2)～(6)迭代更新两个粒子的速度和位置，即更新长短期记忆网络预测模型LTSM两个参数的值；通过粒子群算法寻优获得两个参数的最优值后，以此为基础重新建立优化后的长短期记忆网络预测模型PSO-LSTM；
ω＝ωmax-(ωmax-ωmin)(k/Tmax)2 (4)
c1＝c1,ini-(c1,ini-c1,fin)(k/Tmax) (5)
c2＝c2,ini+(c2,fin-c2,ini)(k/Tmax) (6)
上式中，k表示当前迭代次数；Tmax表示最大迭代数；
分别表示粒子的速度、位置、个体局部最优解和全局最优解；r1与r2为[0，1]之间的随机数；ω为惯性因子，ωmax和ωmin表示迭代惯性权重最大和最小值；c1,ini、c1,fin与c2,ini、c2,fin分别表示加速因子c1与c2的初始值及最终值；
D4、以粒子群算法的公式(2)-(6)迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解；当粒子适应度值趋于稳定或迭代次数达到最大，则满足终止条件，获取最优的神经元个数m与学习率lr参数，得到经粒子群算法优化后的长短期记忆网络预测模型PSO-LSTM；否则返回步骤D3继续进行迭代更新。
5.根据权利要求1所述的一种PSO-LSTM的变压器油中溶解气体浓度预测方法，其特征在于：所述步骤E中得到的预测结果使用平均相对百分误差yMAPE、根均方误差yRMSE、预测精度yFA以及决定系数R2四个实验评价指标进行评价，公式(8)-(11)所示：
上式中：n表示测试数据集的样本容量；Xact(i)和Xpred(i)(i＝1,2,…n)分别为第i时刻变压器油中溶解气体浓度的真实值和预测值；
表示预测样本真实值的平均值；其中yMAPE与yRMSE数值越小，yFA数值越大、R2的值越接近1，表示拟合优度越大，模型预测结果越准确。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010277959.5A CN111426816A (zh) | 2020-04-10 | 2020-04-10 | 一种基于pso-lstm的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 |
|---|---|---|---|
| CN202010277959.5A CN111426816A (zh) | 2020-04-10 | 2020-04-10 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111426816A true CN111426816A (zh) | 2020-07-17 |
Family
ID=71557772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010277959.5A Pending CN111426816A (zh) | 2020-04-10 | 2020-04-10 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111426816A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111765449A (zh) * | 2020-09-03 | 2020-10-13 | 浙江省能源集团有限公司 | 一种基于长短期记忆网络的过热器爆泄预警方法 |
| CN112067960A (zh) * | 2020-09-30 | 2020-12-11 | 广东电网有限责任公司中山供电局 | 基于pso和双向lstm的高压电缆局部放电模式识别方法 |
| CN112101466A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种变压器的故障诊断方法及装置 |
| CN112116058A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
| CN112132340A (zh) * | 2020-09-22 | 2020-12-25 | 云南电力技术有限责任公司 | 一种基于改进粒子群的气体浓度的预测方法及装置 |
| CN112329335A (zh) * | 2020-10-22 | 2021-02-05 | 杭州电力设备制造有限公司 | 一种变压器油中溶解气体含量的长期预测方法 |
| CN112396152A (zh) * | 2020-11-17 | 2021-02-23 | 郑州大学 | 一种基于cs-lstm的洪水预报方法 |
| CN112580198A (zh) * | 2020-12-03 | 2021-03-30 | 国网山西省电力公司晋城供电公司 | 一种用于变压器状态评估的改进优化分类方法 |
| CN112836431A (zh) * | 2021-02-05 | 2021-05-25 | 河北工业大学 | 基于pso-lstm的青霉素发酵过程故障预测方法 |
| CN112881869A (zh) * | 2021-01-12 | 2021-06-01 | 国网山西省电力公司晋城供电公司 | 一种电缆接头局部放电超声波序列预测方法 |
| CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
| CN113359451A (zh) * | 2021-06-10 | 2021-09-07 | 江苏舜高智能科技有限公司 | 一种基于大型燃煤电站co2捕集系统经济性预测控制方法 |
| CN113705922A (zh) * | 2021-09-06 | 2021-11-26 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
| CN113705094A (zh) * | 2021-08-27 | 2021-11-26 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
| CN113780420A (zh) * | 2021-09-10 | 2021-12-10 | 湖南大学 | 基于gru-gcn的变压器油中溶解气体浓度预测方法 |
| CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
| CN114234392A (zh) * | 2021-11-14 | 2022-03-25 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于改进pso-lstm的空调负荷精细预测方法 |
| CN114839356A (zh) * | 2022-04-07 | 2022-08-02 | 昆明理工大学 | 一种预测碱矿渣混凝土高温后抗压强度损失率的方法 |
| CN115951755A (zh) * | 2023-02-06 | 2023-04-11 | 广芯微电子（广州）股份有限公司 | 基于pso-lstm的光伏最大功率点追踪方法及装置 |
| CN116662862A (zh) * | 2023-06-05 | 2023-08-29 | 西安工程大学 | 基于油中溶解气体含量预测和诊断的变压器故障预警方法 |
| CN116712035A (zh) * | 2023-05-31 | 2023-09-08 | 苏州海神联合医疗器械有限公司 | 基于CNN-PSO-BiLSTM睡眠分期方法及系统 |
| CN117408299A (zh) * | 2023-09-08 | 2024-01-16 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于深度学习的变压器油中溶解气体浓度预测方法 |
| 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 |
| CN117540265A (zh) * | 2023-10-09 | 2024-02-09 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于IPSO-Transformer模型的混凝土大坝变形预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
| CN109033513A (zh) * | 2018-06-15 | 2018-12-18 | 广州供电局有限公司 | 电力变压器故障诊断方法与电力变压器故障诊断装置 |
| CN109213122A (zh) * | 2018-08-10 | 2019-01-15 | 合肥工业大学 | 用于冲压设备的故障诊断方法及计算机存储介质 |
| CN109272139A (zh) * | 2018-07-24 | 2019-01-25 | 东华大学 | 一种基于非线性集成深度学习的短期风速预测方法 |
| CN109299827A (zh) * | 2018-09-30 | 2019-02-01 | 南京地铁集团有限公司 | 基于长短时记忆循环神经网络的城轨设备故障预测方法 |
| US20190130273A1 (en) * | 2017-10-27 | 2019-05-02 | Salesforce.Com, Inc. | Sequence-to-sequence prediction using a neural network model |
| CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
| CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
| CN110705743A (zh) * | 2019-08-23 | 2020-01-17 | 国网浙江省电力有限公司 | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 |
| CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
-
2020
- 2020-04-10 CN CN202010277959.5A patent/CN111426816A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130273A1 (en) * | 2017-10-27 | 2019-05-02 | Salesforce.Com, Inc. | Sequence-to-sequence prediction using a neural network model |
| CN109033513A (zh) * | 2018-06-15 | 2018-12-18 | 广州供电局有限公司 | 电力变压器故障诊断方法与电力变压器故障诊断装置 |
| CN109272139A (zh) * | 2018-07-24 | 2019-01-25 | 东华大学 | 一种基于非线性集成深度学习的短期风速预测方法 |
| CN109213122A (zh) * | 2018-08-10 | 2019-01-15 | 合肥工业大学 | 用于冲压设备的故障诊断方法及计算机存储介质 |
| CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
| CN109299827A (zh) * | 2018-09-30 | 2019-02-01 | 南京地铁集团有限公司 | 基于长短时记忆循环神经网络的城轨设备故障预测方法 |
| CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
| CN110705743A (zh) * | 2019-08-23 | 2020-01-17 | 国网浙江省电力有限公司 | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 |
| CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
| CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 殷青等: "基于 LSTM算法的严寒地区办公建筑过渡季室内温度预测模型构建", 《低温建筑技术》 * |
| 秦文虎等: "基于长短时记忆网络的水质预测模型研究", 《安全与环境学报》 * |
| 罗宇等: "基于深度 LSTM 神经网络的大气可降水量估算模型", 《湖北农业科学》 * |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111765449A (zh) * | 2020-09-03 | 2020-10-13 | 浙江省能源集团有限公司 | 一种基于长短期记忆网络的过热器爆泄预警方法 |
| CN112116058A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
| CN112116058B (zh) * | 2020-09-16 | 2022-05-31 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
| CN112101466A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种变压器的故障诊断方法及装置 |
| CN112132340A (zh) * | 2020-09-22 | 2020-12-25 | 云南电力技术有限责任公司 | 一种基于改进粒子群的气体浓度的预测方法及装置 |
| CN112067960A (zh) * | 2020-09-30 | 2020-12-11 | 广东电网有限责任公司中山供电局 | 基于pso和双向lstm的高压电缆局部放电模式识别方法 |
| CN112329335A (zh) * | 2020-10-22 | 2021-02-05 | 杭州电力设备制造有限公司 | 一种变压器油中溶解气体含量的长期预测方法 |
| CN112329335B (zh) * | 2020-10-22 | 2024-03-01 | 杭州电力设备制造有限公司 | 一种变压器油中溶解气体含量的长期预测方法 |
| CN112396152A (zh) * | 2020-11-17 | 2021-02-23 | 郑州大学 | 一种基于cs-lstm的洪水预报方法 |
| CN112580198A (zh) * | 2020-12-03 | 2021-03-30 | 国网山西省电力公司晋城供电公司 | 一种用于变压器状态评估的改进优化分类方法 |
| CN112881869A (zh) * | 2021-01-12 | 2021-06-01 | 国网山西省电力公司晋城供电公司 | 一种电缆接头局部放电超声波序列预测方法 |
| CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
| CN112836431A (zh) * | 2021-02-05 | 2021-05-25 | 河北工业大学 | 基于pso-lstm的青霉素发酵过程故障预测方法 |
| CN113359451A (zh) * | 2021-06-10 | 2021-09-07 | 江苏舜高智能科技有限公司 | 一种基于大型燃煤电站co2捕集系统经济性预测控制方法 |
| CN113705094A (zh) * | 2021-08-27 | 2021-11-26 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
| CN113705094B (zh) * | 2021-08-27 | 2024-01-23 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
| CN113705922A (zh) * | 2021-09-06 | 2021-11-26 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
| CN113705922B (zh) * | 2021-09-06 | 2023-09-12 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
| CN113780420A (zh) * | 2021-09-10 | 2021-12-10 | 湖南大学 | 基于gru-gcn的变压器油中溶解气体浓度预测方法 |
| CN113780420B (zh) * | 2021-09-10 | 2023-11-07 | 湖南大学 | 基于gru-gcn的变压器油中溶解气体浓度预测方法 |
| CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
| CN114234392A (zh) * | 2021-11-14 | 2022-03-25 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于改进pso-lstm的空调负荷精细预测方法 |
| CN114839356A (zh) * | 2022-04-07 | 2022-08-02 | 昆明理工大学 | 一种预测碱矿渣混凝土高温后抗压强度损失率的方法 |
| CN114839356B (zh) * | 2022-04-07 | 2023-09-15 | 昆明理工大学 | 一种预测碱矿渣混凝土高温后抗压强度损失率的方法 |
| CN115951755A (zh) * | 2023-02-06 | 2023-04-11 | 广芯微电子（广州）股份有限公司 | 基于pso-lstm的光伏最大功率点追踪方法及装置 |
| CN116712035A (zh) * | 2023-05-31 | 2023-09-08 | 苏州海神联合医疗器械有限公司 | 基于CNN-PSO-BiLSTM睡眠分期方法及系统 |
| CN116662862A (zh) * | 2023-06-05 | 2023-08-29 | 西安工程大学 | 基于油中溶解气体含量预测和诊断的变压器故障预警方法 |
| CN117408299A (zh) * | 2023-09-08 | 2024-01-16 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于深度学习的变压器油中溶解气体浓度预测方法 |
| CN117540265A (zh) * | 2023-10-09 | 2024-02-09 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于IPSO-Transformer模型的混凝土大坝变形预测方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111426816A (zh) | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 | |
| Qu et al. | A neural-network-based method for RUL prediction and SOH monitoring of lithium-ion battery | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
| CN106529124A (zh) | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 | |
| CN116204794A (zh) | 一种考虑多维数据的变压器油中溶解气体预测方法及系统 | |
| CN113591256B (zh) | 一种山区输电线路杆塔雷击概率结果评估方法 | |
| Zhao et al. | On-line least squares support vector machine algorithm in gas prediction | |
| Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
| 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 | |
| CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN115689114A (zh) | 一种基于组合神经网络的海底电缆运行状态预测方法 | |
| CN109784362B (zh) | 一种基于迭代knn和插补优先级的dga数据缺失值插补方法 | |
| Liu et al. | Energy storage battery SOC estimate based on improved BP neural network | |
| CN110967471A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
| Ullah et al. | Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids | |
| CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
| Mahrukh et al. | Prediction of power transformer oil chromatography based on LSTM and RF model | |
| CN116432856A (zh) | 基于cnn-glstm模型的管道动态预警方法及装置 | |
| CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
| CN116263814A (zh) | 一种油浸式变压器故障诊断方法 | |
| Hu et al. | Neural network-assisted expensive optimisation algorithm for pollution source rapid positioning of drinking water | |
| CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
| CN115545316A (zh) | 基于深度学习混合模型的大气臭氧预测方法 | |
| Kaplan | A new approach based on moving least square method for calculating the Weibull coefficients |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |