CN113516310B - 一种变压器故障预警方法及系统 - Google Patents

一种变压器故障预警方法及系统 Download PDF

Info

Publication number
CN113516310B
CN113516310B CN202110782887.4A CN202110782887A CN113516310B CN 113516310 B CN113516310 B CN 113516310B CN 202110782887 A CN202110782887 A CN 202110782887A CN 113516310 B CN113516310 B CN 113516310B
Authority
CN
China
Prior art keywords
sample
transformer
dissolved gas
residual
data set
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.)
Active
Application number
CN202110782887.4A
Other languages
English (en)
Other versions
CN113516310A (zh
Inventor
郭瑞君
张国斌
周磊
刘永江
于海存
孙启德
王宏刚
孟瑞钧
张谦
辛晓钢
韦鹏健
吕游
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Inner Mongolia Electric Power Research Institute of Inner Mongolia Power Group Co Ltd
Original Assignee
North China Electric Power University
Inner Mongolia Electric Power Research Institute of Inner Mongolia Power Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, Inner Mongolia Electric Power Research Institute of Inner Mongolia Power Group Co Ltd filed Critical North China Electric Power University
Priority to CN202110782887.4A priority Critical patent/CN113516310B/zh
Publication of CN113516310A publication Critical patent/CN113516310A/zh
Application granted granted Critical
Publication of CN113516310B publication Critical patent/CN113516310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明涉及一种变压器故障预警方法及系统，采用每种溶解气体的训练好的长短期记忆神经网络模型能够实现对每种溶解气体含量的预测，并基于滑动窗口计算残差分布特性，能够有效剔除随机信号的影响，防止出现误报警的情况，有效提高了变压器故障预警的准确度。

Description

一种变压器故障预警方法及系统
技术领域
本发明涉及变压器电力技术领域，特别是涉及一种变压器故障预警方法及系统。
背景技术
随着我国近年来电力建设行业的快速发展，能源需求也随之不断增加，对电力系统的安全可靠运行提出了更高的要求。变压器在电力系统设备中占据着十分重要的地位，其能否正常稳定的运行直接影响到电力系统的状态，一旦变压器产生任何故障，都有可能影响电力系统的正常供电甚至导致系统故障，从而造成巨大的经济损失。因此，能否正确的提前预测到变压器发生故障，对电力系统的正常运行具有重要的意义。
变压器常见的故障包括高温故障、局部放电故障和电弧放电故障等，当故障发生时，会产生多种气体溶解在油中。油中分析技术(dissolved gas analysis，DGA)是一种检测变压器故障的方法，基于DGA的传统预警方法包括特征气体法、气体含量三比值法和气体比值图示法等，这些方法操作简单，方便计算，近些年来广泛应用在变压器故障诊断与预警的实际工作中，但在实际使用中仍然存在如边界模糊、比值范围不足、气体测量成分含量需求较高等问题，这就导致诊断故障容易出现误判。
发明内容
本发明的目的是提供一种变压器故障预警方法及系统，以提高变压器故障预警的准确度。
为实现上述目的，本发明提供了如下方案：
一种变压器故障预警方法，所述方法包括：
获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集；
按照预设时间序列步长将所述变压器运行数据集划分为多个运行输入矩阵；
将多个运行输入矩阵分别输入每种溶解气体的训练好的长短期记忆神经网络模型中，输出每种溶解气体的预测含量序列；
确定每种溶解气体的预测含量序列中每个预测含量与实际含量的差的绝对值，构成每种溶解气体的残差序列；
利用滑动窗口算法将每种溶解气体的残差序列划分为多个残差滑动窗口；
获取每种溶解气体的每个残差滑动窗口内的残差平均值；
若所有溶解气体的残差平均值中存在至少一个残差平均值大于或等于残差阈值，则确定变压器出现了故障。
可选的，每种溶解气体的训练好的长短期记忆神经网络模型的训练过程具体包括：
获取历史时间段内的变压器运行样本数据集；所述变压器运行样本数据集包括：变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
将变压器运行样本数据集中预设时间段内的变压器无故障运行过程的多种气体含量构成初始训练样本集，将变压器运行样本数据集中训练样本集以外的气体含量构成初始测试样本集；所述测试样本集包括变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
按照预设时间序列步长将所述初始训练样本集划分为多个训练样本输入矩阵，并按照预设时间序列步长将所述初始测试样本集划分为多个测试样本输入矩阵；
将每个训练样本输入矩阵与所述初始训练样本集中第w种溶解气体的含量作为一条训练数据，构成第w种溶解气体的训练样本集，并将每个测试样本输入矩阵与所述初始测试样本集中第w种溶解气体的含量作为一条测试数据，构成第w种溶解气体的测试样本集；
利用第w种溶解气体的训练样本集对第w种溶解气体的长短期记忆神经网络模型进行训练，获得训练后的第w种溶解气体的长短期记忆神经网络模型；
利用第w种溶解气体的测试样本集对训练后的第w种溶解气体的长短期记忆神经网络模型进行测试，获得训练好的第w种溶解气体的长短期记忆神经网络模型。
可选的，残差阈值的确定，具体包括：
将第w种溶解气体的训练样本集输入训练好的第w种溶解气体的长短期记忆神经网络模型中，输出第w种溶解气体的预测含量样本序列；
确定第w种溶解气体的预测含量样本序列中每个预测样本含量与实际样本含量的差的绝对值，构成第w种溶解气体的残差样本序列；
利用滑动窗口算法将第w种溶解气体的残差样本序列划分为多个样本残差滑动窗口；
获取第w种溶解气体的每个样本残差滑动窗口内的样本残差平均值，并确定第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值；
根据第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值，利用公式
Figure BDA0003157808180000031
确定第w种溶解气体的残差阈值；
其中，xw为第w种溶解气体的残差阈值，k为阈值系数，
Figure BDA0003157808180000032
为第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值。
可选的，所述获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集，之后还包括：
对所述变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集。
可选的，对所述变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集，具体包括：
基于3σ原则确定所述变压器运行数据集中的运行数据离群点，并删除；
对删除离群点的变压器运行数据集进行线性插值，获得插值后的变压器运行数据集；
将插值后的变压器运行数据集中的每个运行数据进行归一化，获得归一化后的变压器运行数据集，作为预处理之后的变压器运行数据集。
一种变压器故障预警系统，所述系统包括：
变压器运行数据集构建模块，用于获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集；
运行输入矩阵划分模块，用于按照预设时间序列步长将所述变压器运行数据集划分为多个运行输入矩阵；
预测含量序列输出模块，用于将多个运行输入矩阵分别输入每种溶解气体的训练好的长短期记忆神经网络模型中，输出每种溶解气体的预测含量序列；
残差序列构成模块，用于确定每种溶解气体的预测含量序列中每个预测含量与实际含量的差的绝对值，构成每种溶解气体的残差序列；
残差滑动窗口划分模块，用于利用滑动窗口算法将每种溶解气体的残差序列划分为多个残差滑动窗口；
残差平均值获取模块，用于获取每种溶解气体的每个残差滑动窗口内的残差平均值；
故障确定模块，用于若所有溶解气体的残差平均值中存在至少一个残差平均值大于或等于残差阈值，则确定变压器出现了故障。
可选的，所述预测含量序列输出模块，具体包括：
运行样本数据集获取子模块，用于获取历史时间段内的变压器运行样本数据集；所述变压器运行样本数据集包括：变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
训练样本集构成子模块，用于将变压器运行样本数据集中预设时间段内的变压器无故障运行过程的多种气体含量构成初始训练样本集，将变压器运行样本数据集中训练样本集以外的气体含量构成初始测试样本集；所述测试样本集包括变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
训练样本输入矩阵划分子模块，用于按照预设时间序列步长将所述初始训练样本集划分为多个训练样本输入矩阵，并按照预设时间序列步长将所述初始测试样本集划分为多个测试样本输入矩阵；
测试样本集构成子模块，用于将每个训练样本输入矩阵与所述初始训练样本集中第w种溶解气体的含量作为一条训练数据，构成第w种溶解气体的训练样本集，并将每个测试样本输入矩阵与所述初始测试样本集中第w种溶解气体的含量作为一条测试数据，构成第w种溶解气体的测试样本集；
神经网络模型训练子模块，用于利用第w种溶解气体的训练样本集对第w种溶解气体的长短期记忆神经网络模型进行训练，获得训练后的第w种溶解气体的长短期记忆神经网络模型；
训练好的神经网络模型获得子模块，用于利用第w种溶解气体的测试样本集对训练后的第w种溶解气体的长短期记忆神经网络模型进行测试，获得训练好的第w种溶解气体的长短期记忆神经网络模型。
可选的，所述系统还包括：
预测含量样本序列输出模块，用于将第w种溶解气体的训练样本集输入训练好的第w种溶解气体的长短期记忆神经网络模型中，输出第w种溶解气体的预测含量样本序列；
残差样本序列构成模块，用于确定第w种溶解气体的预测含量样本序列中每个预测样本含量与实际样本含量的差的绝对值，构成第w种溶解气体的残差样本序列；
样本残差滑动窗口划分模块，用于利用滑动窗口算法将第w种溶解气体的残差样本序列划分为多个样本残差滑动窗口；
最大残差确定模块，用于获取第w种溶解气体的每个样本残差滑动窗口内的样本残差平均值，并确定第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值；
残差阈值确定模块，用于根据第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值，利用公式
Figure BDA0003157808180000051
确定第w种溶解气体的残差阈值；
其中，xw为第w种溶解气体的残差阈值，k为阈值系数，
Figure BDA0003157808180000061
为第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值。
可选的，所述系统还包括：
预处理模块，用于对所述变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集。
可选的，所述预处理模块，具体包括：
离群点删除子模块，用于基于3σ原则确定所述变压器运行数据集中的运行数据离群点，并删除；
线性插值子模块，用于对删除离群点的变压器运行数据集进行线性插值，获得插值后的变压器运行数据集；
归一化子模块，用于将插值后的变压器运行数据集中的每个运行数据进行归一化，获得归一化后的变压器运行数据集，作为预处理之后的变压器运行数据集。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种变压器故障预警方法及系统，采用每种溶解气体的训练好的长短期记忆神经网络模型能够实现对每种溶解气体含量的预测，并基于滑动窗口计算残差分布特性，能够有效剔除随机信号的影响，防止出现误报警的情况，有效提高了变压器故障预警的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种变压器故障预警方法的流程图；
图2为本发明实施例提供的一种变压器故障预警方法的原理图；
图3为本发明实施例提供的神经元结构图；
图4为本发明实施例提供的残差滑动窗口的示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种变压器故障预警方法及系统，以提高变压器故障预警的准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明为了解决传统变压器故障预警和诊断精度不高的问题，提供了一种变压器故障预警方法，如图1所示，方法包括：
S101，获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集；
S102，按照预设时间序列步长将变压器运行数据集划分为多个运行输入矩阵；
S103，将多个运行输入矩阵分别输入每种溶解气体的训练好的长短期记忆神经网络模型中，输出每种溶解气体的预测含量序列；
S104，确定每种溶解气体的预测含量序列中每个预测含量与实际含量的差的绝对值，构成每种溶解气体的残差序列；
S105，利用滑动窗口算法将每种溶解气体的残差序列划分为多个残差滑动窗口；
S106，获取每种溶解气体的每个残差滑动窗口内的残差平均值；
S107，若所有溶解气体的残差平均值中存在至少一个残差平均值大于或等于残差阈值，则确定变压器出现了故障。
整个方法总结为以下步骤：正常运行数据采集、输入输出变量集合确定、LSTM网络完成对输入特性在时间维度上的建模和使用建立好的模型结合滑动窗口实现故障预警。
具体实现过程为：
步骤S101，电力变压器大多都为油浸式变压器，在长时间的运行过程中，变压器在电与热的影响下逐渐老化分解，产生能够溶解在油中的气体，当变压器发生故障时会加速这一过程，从而影响这些油中溶解气体的含量。
步骤S101之后，对变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集，具体包括：
基于3σ原则确定变压器运行数据集中的运行数据离群点，并删除；
对删除离群点的变压器运行数据集进行线性插值，获得插值后的变压器运行数据集；
将插值后的变压器运行数据集中的每个运行数据进行归一化，获得归一化后的变压器运行数据集，作为预处理之后的变压器运行数据集。
步骤S103中，变压器的每种溶解气体对应一个训练好的长短期记忆神经网络模型，长短期记忆(Long Short-TermMemory，LSTM)网络是一种改进结构之后的循环神经网络，由于其具有长时间记忆的功能，可以解决一般RNN(Recurrent Neural Network，循环神经网络)无法处理长距离依赖的问题。LSTM的结构在RNN的基础上添加了3种门单元，分别为输入门(Input Gate)、遗忘门(Forget Gate)、输出门(Output Gate)3个逻辑控制单元。通过上述门的使用，LSTM能够对上一节点传递的信息进行选择性的遗忘和记忆，通过不断的记忆重要信息、遗忘不重要信息来实现神经网络的训练。因此，LSTM神经网络在时间序列数据的预测和处理方面应用广泛。采用LSTM能够实现对油中溶解气体含量的预测，当变压器工作异常时，其动态特性将偏离正常区间，其预测残差的分布特性也将随之改变。
每种溶解气体的训练好的长短期记忆神经网络模型的训练过程具体包括：
获取历史时间段内的变压器运行样本数据集；变压器运行样本数据集包括：变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
将变压器运行样本数据集中预设时间段内的变压器无故障运行过程的多种气体含量构成初始训练样本集，将变压器运行样本数据集中训练样本集以外的气体含量构成初始测试样本集；测试样本集包括变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
按照预设时间序列步长将初始训练样本集划分为多个训练样本输入矩阵，并按照预设时间序列步长将初始测试样本集划分为多个测试样本输入矩阵；
将每个训练样本输入矩阵与初始训练样本集中第w种溶解气体的含量作为一条训练数据，构成第w种溶解气体的训练样本集，并将每个测试样本输入矩阵与初始测试样本集中第w种溶解气体的含量作为一条测试数据，构成第w种溶解气体的测试样本集；
利用第w种溶解气体的训练样本集对第w种溶解气体的长短期记忆神经网络模型进行训练，获得训练后的第w种溶解气体的长短期记忆神经网络模型；
利用第w种溶解气体的测试样本集对训练后的第w种溶解气体的长短期记忆神经网络模型进行测试，获得训练好的第w种溶解气体的长短期记忆神经网络模型。
步骤S105，滑动窗口法能够根据指定的单位长度来框住时间序列，通过不断滑动指定长度的窗口，从而计算框内的统计指标。因此，基于滑动窗口计算残差分布特性，能够有效剔除随机信号的影响，防止出现误报警的情况，利用滑动窗口计算残差分布特性并基于残差确定预警策略，能够有效提高预警准确度。
步骤S107，残差阈值的确定，具体包括：
将第w种溶解气体的训练样本集输入训练好的第w种溶解气体的长短期记忆神经网络模型中，输出第w种溶解气体的预测含量样本序列；
确定第w种溶解气体的预测含量样本序列中每个预测样本含量与实际样本含量的差的绝对值，构成第w种溶解气体的残差样本序列；
利用滑动窗口算法将第w种溶解气体的残差样本序列划分为多个样本残差滑动窗口；
获取第w种溶解气体的每个样本残差滑动窗口内的样本残差平均值，并确定第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值；
根据第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值，利用公式
Figure BDA0003157808180000101
确定第w种溶解气体的残差阈值；
其中，xw为第w种溶解气体的残差阈值，k为阈值系数，
Figure BDA0003157808180000102
为第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值。
综上，本发明以提高变压器故障预警作为目标，通过采集DGA分析的油中溶解气体含量作为输入输出变量，训练LSTM神经网络得到预测残差值，将滑动窗口残差处理方法应用于LSTM模型的变压器故障预警过程中，可以有效地提高在变压器故障预警问题上的精度。
为了进一步说明本发明的变压器故障预警方法，该提供了一种具体实施例，如图2所示。
步骤1：从电站系统运行数据库中，选择包含故障时间段所在月份及其往前时间跨度为23个月的变压器运行数据，共计24个月数据，采样频率为每天1个数据样本，在这个采集数据时间跨度范围内，数据样本应包括变压器系统运行无故障过程和故障停机过程，采集的参数涉及DGA技术中所分析的气体含量，包含氢气(H2)、乙炔(C2H2)、乙烷(C2H6)、甲烷(CH4)和乙烯(C2H4)；
步骤2：对获取的数据进行预处理，针对原始数据进行补充、清洗，为了消除奇异样本数据导致的不良影响，还需对处理后的数据进行归一化处理；
步骤2-1：基于3σ原则进行离群点处理，根据统计学中的正态分布的假设之上，将样本数据偏离平均值超过3倍的标准差则认为该样本为离群点，对之进行删除操作。
步骤2-2：删除离群点后，对于缺失数据的处理，为了保持数据的连续性，确保神经网络样本的完整性，对其进行线性插值补充，如下式：
Figure BDA0003157808180000103
其中，xt为t时刻单个气体含量插值，xt为t前一时刻单个气体含量变量值，xt-1为t后一时刻单个气体含量变量值，U(xt)为xt时刻数据线性函数取值，U(xt)为xt时刻缺失的数据线性函数取值。
步骤2-3：对数据进行归一化计算，其中归一化计算的计算公式为：
Figure BDA0003157808180000111
其中，x′ij代表变压器某一种溶解气体参数归一化后的数据，i代表第i时刻，j代表第j个气体种类，xij为变压器当前某一种溶解气体参数，ximax为变压器某一种气体样本最大值，ximin为变压器某一种气体样本最小值。
步骤3：根据采集的数据样本，选取变压器正常运行状态下连续20个月的数据构造训练样本，共计600天数据，选取同时包含变压器正常运行状态和故障停机状态下的连续4个月的数据构造测试样本，共计120天数据；
步骤4：构造样本时间序列输入输出矩阵，设置LSTM神经网络参数，使用训练样本对LSTM神经网络进行训练，具体步骤如下；
步骤4-1：初始化LSTM模型的参数，随机生成权值w和偏差b，导入参数：输入向量维度为5、输出向量维度为1、时间序列步长为5天、隐藏层神经元数目为50、学习率为0.01和训练次数为1000次；
步骤4-2：确定氢气、乙炔、乙烷、甲烷和乙烯气体含量作为模型输入，分别选取其中一个气体作为模型输出，一共建立5个5输入-1输出矩阵，根据步骤4-1输入向量个数和步长构建神经网络输入矩阵，一共构造595天训练样本输入输出矩阵和115天的测试样本输入输出矩阵。
Figure BDA0003157808180000112
yti＝yi+5(k)
其中，xti为LSTM模型第i时刻输入矩阵，x′为输入变量，yti为LSTM模型第i时刻输出，yi+5(k)为i+5时刻输出变量，k为选取的输出样本气体类型，t时刻隐藏层的状态ht。
步骤4-3：确定激活函数，采用tanh激活函数，用以将输出控制在[0，1]的范围内，设置输入门、遗忘门和输出门，具体神经元结构如图3所示。
it＝σ(wi·[ht-1，xt]+bi) (1)
ot＝σ(wo·[ht-1，xt]+bo) (2)
ft＝σ(wf·[ht-1，xt]+bf) (3)
Figure BDA0003157808180000121
Figure BDA0003157808180000122
ht＝ot*tanh(ct) (6)
其中，σ为将括号内的数值转换为0到1之间的数值；it为输入门；wi为输入门权值；bi为输入门偏差；ot为输出门；wo为输出门权值；bo为输出门偏差；ft为遗忘门；wf为遗忘门权值；bf为遗忘门偏差；ct-1为上一时刻状态值；ct为当前时刻状态值；ht-1为前一时刻输入；ht为当前时刻输出，当其为输出神经元时等于yt；xt为当前时刻输入。
步骤4-4：将步骤4-2中其中一种气体训练样本输入矩阵xti导入步骤4-3中LSTM神经元模型中，将前一时刻神经元输出ht-1(若t为第一时刻则ht-1为0)、初始化随机生成权值w和偏差b与当前时刻输入xt带入公式(1～4)中，其中σ表示按元素乘(对应位置元素相乘)，[A，B]代表A，B的增广矩阵，将所求的值带入公式(5～6)中求得该神经元当前时刻状态值ct和神经元输出ht，作为下一个神经元状态值和输入继续计算，重复上述动作直到完成输出神经元计算得到最后的输出yt，随后按公式(7～8)通过计算输出ht与实际输出yt的差值，以减少差值为目标反向计算权值w与b。
εt＝|ht-yt| (7)
Figure BDA0003157808180000123
上述动作完成之后，向下滑动1天为单位的时间窗口，采用下一时刻的时间序列数据按照上述过程训练神经网络。重复这个过程，不断滑动时间窗口，不断计算神经网络权值和偏差以减少误差，直至第595天，实现对LSTM模型的参数全部计算，得到LSTM油中溶解气体预测模型，从而完成对LSTM神经网络的训练；
步骤5：将训练样本xt重新带入步骤4-4训练完成后的LSTM神经网络，得到训练样本的变压器溶解某一种气体含量预测值ypred，与实际值相减后的绝对值构造模型输出的残差向量。确定滑动窗口长度为20，如图4所示，建立残差滑动窗口，带入式(9～11)得到处理后的该气体残差最大值确定警报阈值；
ε＝|ypred-yt|＝[ε1ε2……εT] (9)
Figure BDA0003157808180000131
Figure BDA0003157808180000132
Figure BDA0003157808180000133
式中，ε为训练残差，ypred为训练样本预测值，yt为训练样本输出值，
Figure BDA0003157808180000134
为滑动窗口处理后的残差值，T为训练样本长度600，N为窗口长度，xw为警报阈值，k为阈值系数，
Figure BDA0003157808180000135
为训练样本残差中的最大值；
步骤6：导入测试样本xt作为输入时间序列矩阵，利用训练后的LSTM神经网络对目标溶解气体含量进行预测，按照步骤5中训练样本残差处理方法计算测试样本的残差，采用残差滑动窗口得到测试样本的残差分布特性，通过与警报阈值xw进行比较，判断变压器选取的目标溶解气体是否正常；重复步骤4-4到步骤6，依次选取不同气体作为样本，重复5次，进而判断变压器5种目标溶解气体是否正常，从而判断变压器是否发生故障。
变压器的故障将会导致油中溶解气体含量的变化，不同类型的故障对于不同气体的影响差别明显，传统的变压器故障预警策略大多依靠以专家经验为主的三比值等方法，故障预警与诊断的准确率不高，无法提前发出预警信号。本专利使用LSTM神经网络建立溶解气体预测模型实现变量预测，通过滑动窗口法分析残差分布特性给出预警策略，能够有效的实现变压器故障预警功能，提高故障预警的及时性和准确度。
本发明还提供了一种变压器故障预警系统，系统包括：
变压器运行数据集构建模块，用于获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集；
运行输入矩阵划分模块，用于按照预设时间序列步长将变压器运行数据集划分为多个运行输入矩阵；
预测含量序列输出模块，用于将多个运行输入矩阵分别输入每种溶解气体的训练好的长短期记忆神经网络模型中，输出每种溶解气体的预测含量序列；
残差序列构成模块，用于确定每种溶解气体的预测含量序列中每个预测含量与实际含量的差的绝对值，构成每种溶解气体的残差序列；
残差滑动窗口划分模块，用于利用滑动窗口算法将每种溶解气体的残差序列划分为多个残差滑动窗口；
残差平均值获取模块，用于获取每种溶解气体的每个残差滑动窗口内的残差平均值；
故障确定模块，用于若所有溶解气体的残差平均值中存在至少一个残差平均值大于或等于残差阈值，则确定变压器出现了故障。
预测含量序列输出模块，具体包括：
运行样本数据集获取子模块，用于获取历史时间段内的变压器运行样本数据集；变压器运行样本数据集包括：变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
训练样本集构成子模块，用于将变压器运行样本数据集中预设时间段内的变压器无故障运行过程的多种气体含量构成初始训练样本集，将变压器运行样本数据集中训练样本集以外的气体含量构成初始测试样本集；测试样本集包括变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
训练样本输入矩阵划分子模块，用于按照预设时间序列步长将初始训练样本集划分为多个训练样本输入矩阵，并按照预设时间序列步长将初始测试样本集划分为多个测试样本输入矩阵；
测试样本集构成子模块，用于将每个训练样本输入矩阵与初始训练样本集中第w种溶解气体的含量作为一条训练数据，构成第w种溶解气体的训练样本集，并将每个测试样本输入矩阵与初始测试样本集中第w种溶解气体的含量作为一条测试数据，构成第w种溶解气体的测试样本集；
神经网络模型训练子模块，用于利用第w种溶解气体的训练样本集对第w种溶解气体的长短期记忆神经网络模型进行训练，获得训练后的第w种溶解气体的长短期记忆神经网络模型；
训练好的神经网络模型获得子模块，用于利用第w种溶解气体的测试样本集对训练后的第w种溶解气体的长短期记忆神经网络模型进行测试，获得训练好的第w种溶解气体的长短期记忆神经网络模型。
系统还包括：
预测含量样本序列输出模块，用于将第w种溶解气体的训练样本集输入训练好的第w种溶解气体的长短期记忆神经网络模型中，输出第w种溶解气体的预测含量样本序列；
残差样本序列构成模块，用于确定第w种溶解气体的预测含量样本序列中每个预测样本含量与实际样本含量的差的绝对值，构成第w种溶解气体的残差样本序列；
样本残差滑动窗口划分模块，用于利用滑动窗口算法将第w种溶解气体的残差样本序列划分为多个样本残差滑动窗口；
最大残差确定模块，用于获取第w种溶解气体的每个样本残差滑动窗口内的样本残差平均值，并确定第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值；
残差阈值确定模块，用于根据第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值，利用公式
Figure BDA0003157808180000151
确定第w种溶解气体的残差阈值；
其中，xw为第w种溶解气体的残差阈值，k为阈值系数，
Figure BDA0003157808180000152
为第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值。
系统还包括：
预处理模块，用于对变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集。
预处理模块，具体包括：
离群点删除子模块，用于基于3σ原则确定变压器运行数据集中的运行数据离群点，并删除；
线性插值子模块，用于对删除离群点的变压器运行数据集进行线性插值，获得插值后的变压器运行数据集；
归一化子模块，用于将插值后的变压器运行数据集中的每个运行数据进行归一化，获得归一化后的变压器运行数据集，作为预处理之后的变压器运行数据集。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种变压器故障预警方法，其特征在于，所述方法包括：
获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集；
按照预设时间序列步长将所述变压器运行数据集划分为多个运行输入矩阵；
将多个运行输入矩阵分别输入每种溶解气体的训练好的长短期记忆神经网络模型中，输出每种溶解气体的预测含量序列；
确定每种溶解气体的预测含量序列中每个预测含量与实际含量的差的绝对值，构成每种溶解气体的残差序列；
利用滑动窗口算法将每种溶解气体的残差序列划分为多个残差滑动窗口；
获取每种溶解气体的每个残差滑动窗口内的残差平均值；
若所有溶解气体的残差平均值中存在至少一个残差平均值大于或等于残差阈值，则确定变压器出现了故障；
其中，每种溶解气体的训练好的长短期记忆神经网络模型的训练过程具体包括：
获取历史时间段内的变压器运行样本数据集；所述变压器运行样本数据集包括：变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
将变压器运行样本数据集中预设时间段内的变压器无故障运行过程的多种气体含量构成初始训练样本集，将变压器运行样本数据集中训练样本集以外的气体含量构成初始测试样本集；所述测试样本集包括变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
按照预设时间序列步长将所述初始训练样本集划分为多个训练样本输入矩阵，并按照预设时间序列步长将所述初始测试样本集划分为多个测试样本输入矩阵；
将每个训练样本输入矩阵与所述初始训练样本集中第w种溶解气体的含量作为一条训练数据，构成第w种溶解气体的训练样本集，并将每个测试样本输入矩阵与所述初始测试样本集中第w种溶解气体的含量作为一条测试数据，构成第w种溶解气体的测试样本集；
利用第w种溶解气体的训练样本集对第w种溶解气体的长短期记忆神经网络模型进行训练，获得训练后的第w种溶解气体的长短期记忆神经网络模型；
利用第w种溶解气体的测试样本集对训练后的第w种溶解气体的长短期记忆神经网络模型进行测试，获得训练好的第w种溶解气体的长短期记忆神经网络模型。
2.根据权利要求1所述的变压器故障预警方法，其特征在于，残差阈值的确定，具体包括：
将第w种溶解气体的训练样本集输入训练好的第w种溶解气体的长短期记忆神经网络模型中，输出第w种溶解气体的预测含量样本序列；
确定第w种溶解气体的预测含量样本序列中每个预测样本含量与实际样本含量的差的绝对值，构成第w种溶解气体的残差样本序列；
利用滑动窗口算法将第w种溶解气体的残差样本序列划分为多个样本残差滑动窗口；
获取第w种溶解气体的每个样本残差滑动窗口内的样本残差平均值，并确定第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值；
根据第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值，利用公式
Figure FDA0003519949380000021
确定第w种溶解气体的残差阈值；
其中，xw为第w种溶解气体的残差阈值，k为阈值系数，
Figure FDA0003519949380000022
为第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值。
3.根据权利要求1所述的变压器故障预警方法，其特征在于，所述获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集，之后还包括：
对所述变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集。
4.根据权利要求3所述的变压器故障预警方法，其特征在于，对所述变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集，具体包括：
基于3σ原则确定所述变压器运行数据集中的运行数据离群点，并删除；
对删除离群点的变压器运行数据集进行线性插值，获得插值后的变压器运行数据集；
将插值后的变压器运行数据集中的每个运行数据进行归一化，获得归一化后的变压器运行数据集，作为预处理之后的变压器运行数据集。
5.一种变压器故障预警系统，其特征在于，所述系统包括：
变压器运行数据集构建模块，用于获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集；
运行输入矩阵划分模块，用于按照预设时间序列步长将所述变压器运行数据集划分为多个运行输入矩阵；
预测含量序列输出模块，用于将多个运行输入矩阵分别输入每种溶解气体的训练好的长短期记忆神经网络模型中，输出每种溶解气体的预测含量序列；
残差序列构成模块，用于确定每种溶解气体的预测含量序列中每个预测含量与实际含量的差的绝对值，构成每种溶解气体的残差序列；
残差滑动窗口划分模块，用于利用滑动窗口算法将每种溶解气体的残差序列划分为多个残差滑动窗口；
残差平均值获取模块，用于获取每种溶解气体的每个残差滑动窗口内的残差平均值；
故障确定模块，用于若所有溶解气体的残差平均值中存在至少一个残差平均值大于或等于残差阈值，则确定变压器出现了故障；
其中，所述预测含量序列输出模块，具体包括：
运行样本数据集获取子模块，用于获取历史时间段内的变压器运行样本数据集；所述变压器运行样本数据集包括：变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
训练样本集构成子模块，用于将变压器运行样本数据集中预设时间段内的变压器无故障运行过程的多种气体含量构成初始训练样本集，将变压器运行样本数据集中训练样本集以外的气体含量构成初始测试样本集；所述测试样本集包括变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；
训练样本输入矩阵划分子模块，用于按照预设时间序列步长将所述初始训练样本集划分为多个训练样本输入矩阵，并按照预设时间序列步长将所述初始测试样本集划分为多个测试样本输入矩阵；
测试样本集构成子模块，用于将每个训练样本输入矩阵与所述初始训练样本集中第w种溶解气体的含量作为一条训练数据，构成第w种溶解气体的训练样本集，并将每个测试样本输入矩阵与所述初始测试样本集中第w种溶解气体的含量作为一条测试数据，构成第w种溶解气体的测试样本集；
神经网络模型训练子模块，用于利用第w种溶解气体的训练样本集对第w种溶解气体的长短期记忆神经网络模型进行训练，获得训练后的第w种溶解气体的长短期记忆神经网络模型；
训练好的神经网络模型获得子模块，用于利用第w种溶解气体的测试样本集对训练后的第w种溶解气体的长短期记忆神经网络模型进行测试，获得训练好的第w种溶解气体的长短期记忆神经网络模型。
6.根据权利要求5所述的变压器故障预警系统，其特征在于，所述系统还包括：
预测含量样本序列输出模块，用于将第w种溶解气体的训练样本集输入训练好的第w种溶解气体的长短期记忆神经网络模型中，输出第w种溶解气体的预测含量样本序列；
残差样本序列构成模块，用于确定第w种溶解气体的预测含量样本序列中每个预测样本含量与实际样本含量的差的绝对值，构成第w种溶解气体的残差样本序列；
样本残差滑动窗口划分模块，用于利用滑动窗口算法将第w种溶解气体的残差样本序列划分为多个样本残差滑动窗口；
最大残差确定模块，用于获取第w种溶解气体的每个样本残差滑动窗口内的样本残差平均值，并确定第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值；
残差阈值确定模块，用于根据第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值，利用公式
Figure FDA0003519949380000051
确定第w种溶解气体的残差阈值；
其中，xw为第w种溶解气体的残差阈值，k为阈值系数，
Figure FDA0003519949380000052
为第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值。
7.根据权利要求5所述的变压器故障预警系统，其特征在于，所述系统还包括：
预处理模块，用于对所述变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集。
8.根据权利要求7所述的变压器故障预警系统，其特征在于，所述预处理模块，具体包括：
离群点删除子模块，用于基于3σ原则确定所述变压器运行数据集中的运行数据离群点，并删除；
线性插值子模块，用于对删除离群点的变压器运行数据集进行线性插值，获得插值后的变压器运行数据集；
归一化子模块，用于将插值后的变压器运行数据集中的每个运行数据进行归一化，获得归一化后的变压器运行数据集，作为预处理之后的变压器运行数据集。
CN202110782887.4A 2021-07-12 2021-07-12 一种变压器故障预警方法及系统 Active CN113516310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110782887.4A CN113516310B (zh) 2021-07-12 2021-07-12 一种变压器故障预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110782887.4A CN113516310B (zh) 2021-07-12 2021-07-12 一种变压器故障预警方法及系统

Publications (2)

Publication Number Publication Date
CN113516310A CN113516310A (zh) 2021-10-19
CN113516310B true CN113516310B (zh) 2022-04-19

Family

ID=78066629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110782887.4A Active CN113516310B (zh) 2021-07-12 2021-07-12 一种变压器故障预警方法及系统

Country Status (1)

Country Link
CN (1) CN113516310B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114084024A (zh) * 2021-12-27 2022-02-25 青岛科技大学 基于充电网的电动汽车大功率充电监控与多级预报警方法
CN114692969B (zh) * 2022-03-29 2023-05-12 西门子交通技术(北京)有限公司 转辙机故障预测方法、装置、电子设备和存储介质
CN116881648A (zh) * 2023-06-06 2023-10-13 华能上海燃机发电有限责任公司 一种基于数据融合的燃气蒸汽联合循环机组故障预警系统
CN116561707B (zh) * 2023-07-11 2023-09-05 南京大全电气研究院有限公司 一种变压器故障校验、预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN109214527A (zh) * 2018-08-09 2019-01-15 南瑞集团有限公司 一种变压器故障早期诊断预警方法和系统
CN110163332A (zh) * 2019-06-17 2019-08-23 沈阳天眼智云信息科技有限公司 一种变压器故障诊断方法
CN111060221A (zh) * 2019-12-31 2020-04-24 云领电气智能科技(苏州)有限公司 基于循环神经网络的变压器过热故障预警方法
CN112884089A (zh) * 2021-04-12 2021-06-01 国网上海市电力公司 一种基于数据挖掘的电力变压器故障预警系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460144B (zh) * 2018-03-14 2021-11-12 西安华光信息技术有限责任公司 一种基于机器学习的煤炭设备故障预警系统及方法
CN111612128A (zh) * 2020-05-14 2020-09-01 国网江苏省电力有限公司电力科学研究院 一种sf6高压断路器状态主动预警方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN109214527A (zh) * 2018-08-09 2019-01-15 南瑞集团有限公司 一种变压器故障早期诊断预警方法和系统
CN110163332A (zh) * 2019-06-17 2019-08-23 沈阳天眼智云信息科技有限公司 一种变压器故障诊断方法
CN111060221A (zh) * 2019-12-31 2020-04-24 云领电气智能科技(苏州)有限公司 基于循环神经网络的变压器过热故障预警方法
CN112884089A (zh) * 2021-04-12 2021-06-01 国网上海市电力公司 一种基于数据挖掘的电力变压器故障预警系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于ANFIS和SOM的抽水蓄能电站主变压器健康状态监测;陈磊等;《水电能源科学》;20200325(第03期);183-186 *
基于滑动窗口和多元高斯分布的变压器油色谱异常值检测;何尧等;《高压电器》;20200116(第01期);209-215 *

Also Published As

Publication number Publication date
CN113516310A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN113516310B (zh) 一种变压器故障预警方法及系统
CN112131212A (zh) 基于集成学习技术面向混合云场景的时序数据异常预测方法
CN112734028B (zh) 一种变压器油中溶解气体浓度预测模型建模方法
CN111813084A (zh) 一种基于深度学习的机械装备故障诊断方法
CN109088407B (zh) 基于深度信念网络伪量测建模的配电网状态估计方法
CN113298297A (zh) 一种基于孤立森林与wgan网络的风电输出功率预测方法
CN106156434A (zh) 基于局部时滞重构的滑动窗时间差‑高斯过程回归建模方法
Lu Research on GDP forecast analysis combining BP neural network and ARIMA model
CN113569928A (zh) 一种列车运行状态检测数据缺失处理模型及重建的方法
CN114065667A (zh) 一种基于Prophet-LSTM模型的SF6设备气体压力预测方法
CN111898673A (zh) 一种基于emd与lstm的溶解氧含量预测方法
Zhang et al. Research on water quality prediction method based on AE-LSTM
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
Chen et al. Satellite on-orbit anomaly detection method based on a dynamic threshold and causality pruning
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
CN116307773A (zh) 一种变电站二次设备可靠性估计方法
CN111061708A (zh) 一种基于lstm神经网络的电能量预测与修复方法
Yin et al. Deep learning based transformer fault diagnosis method
CN113962431B (zh) 一种两阶段特征处理的母线负荷预测方法
CN115796000A (zh) 一种基于堆叠机器学习算法的短期气温预报集合订正方法
CN115688865A (zh) 面向脱硫工艺烟气的长短期记忆网络工业软测量方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
Fan et al. Ultra-short-term bus load forecasting method based on multi-source data and hybrid neural network
CN115577854A (zh) 一种基于eemd-rbf组合的分位数回归风速区间预测方法

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
GR01 Patent grant
GR01 Patent grant