CN113657677B - 一种基于变权组合模型的变压器油温预测方法及系统 - Google Patents
一种基于变权组合模型的变压器油温预测方法及系统 Download PDFInfo
- Publication number
- CN113657677B CN113657677B CN202110962330.9A CN202110962330A CN113657677B CN 113657677 B CN113657677 B CN 113657677B CN 202110962330 A CN202110962330 A CN 202110962330A CN 113657677 B CN113657677 B CN 113657677B
- Authority
- CN
- China
- Prior art keywords
- oil temperature
- model
- matrix
- transformer oil
- variable weight
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 239000013598 vector Substances 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 9
- 238000001816 cooling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本公开提出了一种基于变权组合模型的变压器油温预测方法,包括:获取预设历史时间段内的变压器油温真实值数据;将变压器油温真实值数据输入至变权组合预测模型中,得到变压器油温预测值;其中,变权组合预测模型的构建过程为:根据变压器油温真实值数据,分别获取每一个单一预测模型的变压器油温预测值;计算每一个单一预测模型变压器油温的预测值与油温真实值之间的灰色关联度,得到灰色关联度矩阵;根据灰色关联度矩阵采用层次分析法计算所有时间段内每一个单一预测模型的权重向量,将每一个单一预测模型的权重向量组合得到变权组合模型的权重矩阵,根据权重矩阵得到变权组合预测模型。
Description
技术领域
本公开涉及变压器油温预测的技术领域,特别是涉及一种基于变权组合模型的变压器油温预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
变压器作为输配电系统中的基础设备,被广泛应用在各个领域当中,目前在变压器冷却方法中油浸式风冷占主导地位,变压器的油温可间接反应出变压器绕组的温度。当变压器长时间处于高负荷状态时,油温会逐渐上升,油温过高会严重影响变压器的安全运行,因此对变压器油温进行预测,掌握变压器油温的变化趋势,对保证变压器安全运行有重要意义。
预测是通过数学模型对已有数据进行线性或非线性分析,进而对未来尚未发生或还未明确的事物进行推测,目前对于变压器油温的预测的模型常见的有人工神经网络、支持向量机、灰色理论、自回归移动平均模型等,而组合预测模型是将不同的预测模型采用合适的方式相结合以提高预测精度的模型。组合预测模型按权重的性质可划分为定权重组合模型与变权重组合模型,其中定权重的确定方法包括简单算术平均法、熵值法、二项式系数法等。定权重组合模型的权重值在每一个样本点处是恒定不变的,而不同种类的模型在每一个样本点处可能会表现出不同的预测性能,若权重值恒定不变,会在一些样本点处弱化性能优异的预测模型导致组合模型的预测精度下降。变权重组合模型可避免这种情况的发生,变权重组合模型的权重值随样本点的变化而变化,常见的变权重计算方法包括线性回归法、加权几何平均法、非线性规划法等,这些方法虽可以得到变化的权重值,但在求解权重向量时依然是从每种单一预测模型的整体预测效果的角度上进行的,预测效果并不理想。
发明内容
本说明书实施方式的目的是提供一种基于变权组合模型的变压器油温预测方法及系统,从单一预测模型在每一个样本点处预测值与真实值之间的相关性的角度上计算权重,采用变权组合模型的使变压器油温预测精度有明显的提升。
本发明的第一个方面提供一种基于变权组合模型的变压器油温预测方法通过以下技术方案实现:
一种基于变权组合模型的变压器油温预测方法,包括:
获取预设历史时间段内的变压器油温真实值数据;
将变压器油温真实值数据输入至变权组合预测模型中,得到变压器油温预测值;其中,变权组合预测模型的构建过程为:
根据变压器油温真实值数据,分别获取每一个单一预测模型的变压器油温预测值;
计算每一个单一预测模型变压器油温的预测值与油温真实值之间的灰色关联度,得到灰色关联度矩阵;
根据灰色关联度矩阵采用层次分析法计算所有时间段内每一个单一预测模型的权重向量,将每一个单一预测模型的权重向量组合得到变权组合模型的权重矩阵,根据权重矩阵得到变权组合预测模型。
进一步的技术方案,计算所有时间段内每一个单一预测模型的权重向量的过程包括:
对每一个判别矩阵进行一致性检验,当不满足一致性时对判别矩阵进行修正,直至判别矩阵满足一致性检验。
进一步的技术方案,判别矩阵满足一致性检验后,计算判别矩阵的最大特征根,对最大特征根对应的特征向量进行归一化处理得到每一个单一预测模型权重向量,将每一个单一预测模型权重向量组成变权组合模型的权重矩阵。
进一步的技术方案,构建判别矩阵具体为:将变权组合模型的灰色关联度差值矩阵的元素的取值范围划分出子区间,每个子区间与其标度一一对应,得到判别矩阵。
进一步的技术方案,所述变权组合模型的灰色关联度差值矩阵计算方法为:将灰色关联度矩阵行与行之间两两作差得到每一个单一预测模型的灰色关联度差值矩阵,将每一个单一预测模型的灰色关联度差值矩阵合并可得到所有时刻的变权组合模型的灰色关联度差值矩阵。
进一步的技术方案,所述标度为根据灰色关联度矩阵对判别矩阵中的每一个元素赋值,每一个元素用来表示关联的单一预测模型的性能比较。
进一步的技术方案,所述单一预测模型包括灰色模型、BP神经网络以及差分整合移动平均自回归模型三种模型。
本发明的第二个方面提供一种基于变权组合模型的变压器油温预测系统,通过以下技术方案实现:
一种基于变权组合模型的变压器油温预测系统,包括:
变压器油温数据获取模块,被配置为:获取预设历史时间段内的变压器油温真实值数据;
变压器油温预测模块,被配置为:将变压器油温真实值数据输入至变权组合预测模型中,得到变压器油温预测值;
变权组合预测模型的构建模块,被配置为:根据变压器油温真实值数据,分别获取每一个单一预测模型的变压器油温预测值;
计算每一个单一预测模型变压器油温的预测值与油温真实值之间的灰色关联度,得到灰色关联度矩阵;
根据灰色关联度矩阵采用层次分析法计算所有时间段内每一个单一预测模型的权重向量,将每一个单一预测模型的权重向量组合得到变权组合模型的权重矩阵,根据权重矩阵得到变权组合预测模型。
本发明的第三个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述任意一种基于变权组合模型的变压器油温预测方法的步骤。
本发明的第四个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述任意一种基于变权组合模型的变压器油温预测方法的步骤。
与现有技术相比,本公开的有益效果是:
(1)本申请通过灰色关联度矩阵采用层次分析法建立了变权组合预测模型,将获取的油温真实值数据输入至变权组合预测模型中,得到变压器油温预测值;解决了权重值恒定不变,解决了样本点处弱化性能优异的预测模型导致组合模型的预测精度下降的问题,
(2)在构建层次分析法中的判别矩阵时,借助灰色关联度的相关概念来确定判别矩阵中的标度元素,避免了主观赋值方法并不能准确地表征出组合模型中两两模型之间的性能差异。
(3)通过采用权重矩阵得到变权组预测合模型进行变压器油温预测,有效的提升组合模型的预测精度,在每一时刻对性能优异的单一预测模型赋予较高的权重值。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本发明公开的基于变权组合模型的变压器油温预测方法流程图;
图2(a)是本发明实施例一公开的单一的灰色模型预测效果图;
图2(b)是本发明实施例一公开的单一的BP神经网络预测效果图;
图2(c)是本发明实施例一公开的单一的差分整合移动平均自回归模型预测效果图;
图3是本发明实施例一公开的熵值法定权组合模型预测效果图;
图4是本发明实施例一公开的三种模型的灰色关联度变化曲线;
图5是本发明实施例一公开的变权组合模型预测效果效果图;
图6是本发明实施例一公开的变权组合模型权重值变化曲线。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
该实施例公开了一种基于变权组合模型的变压器油温预测方法,正如背景技术所介绍的,现有的变权组合方法虽可以得到变化的权重值,但在求解权重向量时依然是从每种单一预测模型的整体预测效果的角度上进行的,预测效果并不理想的,本申请从单一预测模型在每一个样本点处预测值与真实值之间的相关性的角度上计算权重对变压器油温进行预测,预测精度有明显的提升。
如图1所示,本申请提供了一种基于变权组合模型的变压器油温预测方法,该方法包括以下步骤:
步骤1:获取预设历史时间段内de变压器油温真实值数据,对变压器油温历史数据进行预处理;
所述预处理包括将变压器油温历史数据转化为时间间隔相同的时间序列yit;
步骤2:将变压器油温真实值数据输入至变权组合预测模型中,得到变压器油温预测值。
其中,变权组合预测模型的构建过程为:
步骤201:根据变压器油温历史数据,分别获取每一个单一预测模型的变压器油温预测值将油温预测值/>结合构成单一预测模型油温预测值矩阵/>
其中,i=1,2,3,t=1,2,…,N,i表示单一预测模型的序号,t表示油温采集的序列号。
所述单一预测模型包括灰色模型(GM)、BP神经网络以及差分整合移动平均自回归模型(ARIMA)三种模型。
步骤201:计算每一个单一预测模型变压器油温的预测值与油温真实值之间的灰色关联度ξit;
所述灰色关联度ξit为:
其中,ρ为分辨率系数,取值范围为[0,1],ξit的取值范围为[0,1]。
将所有单一预测模型的灰色关联度ξit结合构成灰色关联度矩阵ξ,
步骤203:构建判别矩阵A,根据灰色关联度矩阵ξ采用层次分析法计算N个时刻内每一个单一预测模型的权重向量Wt,将每一个单一预测模型的权重向量Wt组合得到变权组合模型的权重矩阵W;
其中,构建判别矩阵A具体包括:
1)根据灰色关联度矩阵对判别矩阵A中的每一个元素aij通过标度法赋值,每一个元素用来表示关联的单一预测模型的性能比较,具体包括:
当aij=1时,表示两种模型的性能一致;
当aij=3时,表示第i种模型比第j种模型性能稍微优异;
当aij=5时,表示第i种模型比第j种模型性能明显优异;
当aij=7时,表示第i种模型比第j种模型性能非常优异;
当aij=9时,表示第i种模型比第j种模型性能极端优异;
当aij=2,4,6,8时,表示相邻标度的中间值;
当aij为倒数时,若第i种模型与第j种模型性能之比为aij,则第j种模型比第i种模型的性能之比为1/aij。
上述方案的优点在于,对aij进行专家打分的主观赋值方法并不能准确地表征出组合模型中两两模型之间的性能差异,因此借助3种单一预测模型的灰色关联度矩阵对aij赋值。
2)灰色关联度矩阵行与行之间两两作得到三种模型的灰色关联度差值矩阵z1t、z2t、z3t;
其中,z1t=ξ1t-ξ2t,z2t=ξ1t-ξ3t,z3t=ξ2t-ξ3t,t=1,2,…,N;z1t、z2t、z3t内元素的取值范围为[-1,1]。
三种模型的灰色关联度差值矩阵可以在客观的角度上表征单一预测模型之间的性能差异,|zit|的值越大,说明两个模型之间的性能差异越大。
3)将三种模型的灰色关联度差值矩阵z1t、z2t、z3t合并可得到所有时刻的组合模型的灰色关联度差值矩阵Z。
所述组合模型的灰色关联度差值矩阵Z为:
4)将组合模型的灰色关联度差值矩阵的元素的取值范围以步长0.125在[-1,1]内划分出16个子区间,每个子区间与其标度一一对应,同一模型的灰色关联度差值为0,aij的值赋予1。划分的结果如表2所示:
表2灰色关联度差值矩阵每个子区间与标度一一对应关系
5)根据每个子区间与标度一一对应的关系得到判别矩阵A:
其中,根据灰色关联度矩阵ξ采用层次分析法计算N个时刻内每一个单一预测模型的权重向量Wt的过程包括:
对每一个判别矩阵进行一致性检验,当不满足一致性时对判别矩阵进行修正,直至判别矩阵满足一致性检验;通过一致性检验后,计算判别矩阵A的最大特征根λmax,对λmax对应的特征向量进行归一化处理得到3种单一预测模型在t时刻的权重向量Wt,将N个时刻的权重向量Wt组成变权组合模型的权重矩阵W:
3种单一预测模型在t时刻的权重向量为:
Wt=[ω1t ω2t ω3t]T,其中t=1,2,…,N。
变权组合模型的权重矩阵W为:
步骤204:根据变权组合模型的变权组合模型的权重矩阵W进行变压器油温预测。
权重组合预测模型在t时刻处的油温预测值的表达式为:
式中,ωit满足
以某地区变电站内的主变压器366天的油温现场数据做为数据集建立灰色模型GM(1,1)、BP神经网络和ARIMA模型,对三种模型分别进行定权重与变权重组合,以后66天数据做为验证集用以评价模型的性能,评价指标为均方误差MSE、平均绝对误差MAE和平均相对误差MPE。三种单一预测模型的拟合效果如图1所示为三种单一预测模型拟合效果,图2(a)为灰色模型GM预测效果图;图2(b)为BP神经网络预测效果图;图2(c)为ARIMA模型预测效果图;
定权重组合模型的权重计算方法选择熵值法,得到三种单一预测模型的权重值为[0.2707 0.3047 0.4246],如图3所示为对应的熵值法定权组合模型拟合效果。
三种模型的灰色关联度变化曲线如图4所示,三种模型的灰色关联度呈振荡的变化趋势,这说明相较于定权重组合,变权重组合是更为合理的方式。
使用层次分析法-灰色关联度法确定变权组合模型的权重值,得到66天的权值矩阵,计算得到变权组合模型预测结果,其拟合效果如图5所示。
表2展示了三种单一预测模型、定权重组合模型与变权重组合模型的误差指标,三种单一预测模型中性能最优异的是ARIMA模型,对应的均方误差为0.5259,平均绝对误差为0.5177,平均相对误差为0.0225。在组合预测模型中,基于AHP-GRA的变权组合预测模型的三种指标分别为0.0794、0.2105、0.0088,预测精度相较于定权组合模型分别提高了35%、23%、26%,相较于单一预测模型中性能最优异的ARIMA模型提升了84%、59%、60%。
表2五种模型的误差指标
通过使用层次分析法-灰色关联度法确定的变权组合模型权重值变化曲线如图6所示。
根据上述的结论,基于AHP-GRA的变压器油温变权组合预测模型能够较为准确的预测油温未来的变化,基于AHP-GRA的权重计算方法可有效的提升组合模型的预测精度,在每一时刻对性能优异的单一预测模型赋予较高的权重值。
实施例二
本说明书实施方式提供一种基于变权组合模型的变压器油温预测系统,通过以下技术方案实现:
包括:
单一预测模型预测模块,被配置为:根据变压器油温真实值数据,分别获取每一个单一预测模型的变压器油温预测值;
变权组合模型的权重确定模块,被配置为:计算每一个单一预测模型变压器油温的预测值与油温真实值之间的灰色关联度,得到灰色关联度矩阵;构建判别矩阵,根据灰色关联度矩阵采用层次分析法计算所有时间段内每一个单一预测模型的权重向量,将每一个单一预测模型的权重向量组合得到变权组合模型的权重矩阵;
变压器油温预测模块,被配置为:根据权重矩阵得到变权组预测合模型进行变压器油温预测。
该实施例子中的具体模块的实现可参见实施例子一中的相关技术内容,此处不再进行具体的描述。
实施例三
本说明书实施方式提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现实施例一中的一种基于变权组合模型的变压器油温预测方法的步骤。
实施例四
本说明书实施方式提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现实施例一中的一种基于变权组合模型的变压器油温预测方法的步骤。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种基于变权组合模型的变压器油温预测方法,其特征是,包括:
获取预设历史时间段内的变压器油温真实值数据;
将变压器油温真实值数据输入至变权组合预测模型中,得到变压器油温预测值;其中,变权组合预测模型的构建过程为:
根据变压器油温真实值数据,分别获取每一个单一预测模型的变压器油温预测值;
计算每一个单一预测模型变压器油温的预测值与油温真实值之间的灰色关联度,得到灰色关联度矩阵;
构建判别矩阵,根据灰色关联度矩阵采用层次分析法计算所有时间段内每一个单一预测模型的权重向量,将每一个单一预测模型的权重向量组合得到变权组合模型的权重矩阵,根据权重矩阵得到变权组合预测模型;
所述构建判别矩阵具体为:将变权组合模型的灰色关联度差值矩阵的元素的取值范围划分出子区间,每个子区间与其标度一一对应,得到判别矩阵。
2.如权利要求1所述的一种基于变权组合模型的变压器油温预测方法,其特征是,计算所有时间段内每一个单一预测模型的权重向量的过程包括:
对每一个判别矩阵进行一致性检验,当不满足一致性时对判别矩阵进行修正,直至判别矩阵满足一致性检验。
3.如权利要求2所述的一种基于变权组合模型的变压器油温预测方法,其特征是,判别矩阵满足一致性检验后,计算判别矩阵的最大特征根,对最大特征根对应的特征向量进行归一化处理得到每一个单一预测模型权重向量,将每一个单一预测模型权重向量组成变权组合模型的权重矩阵。
4.如权利要求1所述的一种基于变权组合模型的变压器油温预测方法,其特征是,所述变权组合模型的灰色关联度差值矩阵计算方法为:将灰色关联度矩阵行与行之间两两作差得到每一个单一预测模型的灰色关联度差值矩阵,将每一个单一预测模型的灰色关联度差值矩阵合并可得到所有时刻的变权组合模型的灰色关联度差值矩阵。
5.如权利要求1所述的一种基于变权组合模型的变压器油温预测方法,其特征是,所述标度为根据灰色关联度矩阵对判别矩阵中的每一个元素赋值,每一个元素用来表示关联的单一预测模型的性能比较。
6.如权利要求1所述的一种基于变权组合模型的变压器油温预测方法,其特征是,所述单一预测模型包括灰色模型、BP神经网络以及差分整合移动平均自回归模型三种模型。
7.一种基于变权组合模型的变压器油温预测系统,其特征在于,包括:
变压器油温数据获取模块,被配置为:获取预设历史时间段内的变压器油温真实值数据;
变压器油温预测模块,被配置为:将变压器油温真实值数据输入至变权组合预测模型中,得到变压器油温预测值;
变权组合预测模型的构建模块,被配置为:根据变压器油温真实值数据,分别获取每一个单一预测模型的变压器油温预测值;
计算每一个单一预测模型变压器油温的预测值与油温真实值之间的灰色关联度,得到灰色关联度矩阵;
构建判别矩阵,根据灰色关联度矩阵采用层次分析法计算所有时间段内每一个单一预测模型的权重向量,将每一个单一预测模型的权重向量组合得到变权组合模型的权重矩阵,根据权重矩阵得到变权组合预测模型;
所述构建判别矩阵具体为:将变权组合模型的灰色关联度差值矩阵的元素的取值范围划分出子区间,每个子区间与其标度一一对应,得到判别矩阵。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-6任一项所述的一种基于变权组合模型的变压器油温预测方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6任一项所述的一种基于变权组合模型的变压器油温预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110962330.9A CN113657677B (zh) | 2021-08-20 | 2021-08-20 | 一种基于变权组合模型的变压器油温预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110962330.9A CN113657677B (zh) | 2021-08-20 | 2021-08-20 | 一种基于变权组合模型的变压器油温预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657677A CN113657677A (zh) | 2021-11-16 |
CN113657677B true CN113657677B (zh) | 2024-02-27 |
Family
ID=78480591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110962330.9A Active CN113657677B (zh) | 2021-08-20 | 2021-08-20 | 一种基于变权组合模型的变压器油温预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657677B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005690A (zh) * | 2015-07-07 | 2015-10-28 | 同济大学建筑设计研究院(集团)有限公司 | 一种基于灰关联-层次分析法的海绵城区潜力指数的评价方法 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN110991011A (zh) * | 2019-11-14 | 2020-04-10 | 广东电网有限责任公司 | 一种变压器实时热点温度预测方法 |
CN111798055A (zh) * | 2020-07-06 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 基于灰色关联度的变权重组合光伏出力预测方法 |
CN111931354A (zh) * | 2020-07-20 | 2020-11-13 | 南京南瑞信息通信科技有限公司 | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 |
CN112464566A (zh) * | 2020-12-07 | 2021-03-09 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
-
2021
- 2021-08-20 CN CN202110962330.9A patent/CN113657677B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005690A (zh) * | 2015-07-07 | 2015-10-28 | 同济大学建筑设计研究院(集团)有限公司 | 一种基于灰关联-层次分析法的海绵城区潜力指数的评价方法 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN110991011A (zh) * | 2019-11-14 | 2020-04-10 | 广东电网有限责任公司 | 一种变压器实时热点温度预测方法 |
CN111798055A (zh) * | 2020-07-06 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 基于灰色关联度的变权重组合光伏出力预测方法 |
CN111931354A (zh) * | 2020-07-20 | 2020-11-13 | 南京南瑞信息通信科技有限公司 | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 |
CN112464566A (zh) * | 2020-12-07 | 2021-03-09 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
Non-Patent Citations (1)
Title |
---|
基于灰色关联度的变权组合模型的齿轮箱温度故障预测;梁涛等;太阳能学报;第第41卷卷(第第12期期);第199-207页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657677A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
CN108304355B (zh) | 一种基于sarima-wnn模型预测弹性云计算资源的方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
Kedong et al. | Improved grey prediction model based on exponential grey action quantity | |
CN109637196A (zh) | 航路扇区交通概率密度预测方法 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN105631532A (zh) | 一种基于模糊决策的神经网络模型电力系统负荷预测方法 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN109740818A (zh) | 一种应用于航路扇区交通的概率密度预测系统 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN113359435B (zh) | 用于火电机组动态工况数据的修正方法 | |
CN113657677B (zh) | 一种基于变权组合模型的变压器油温预测方法及系统 | |
CN113139701A (zh) | 一种基于层次分析方法的区域内能源健康度评价方法 | |
CN105677936B (zh) | 机电复合传动系统需求转矩的自适应递归多步预测方法 | |
CN111091301A (zh) | 一种省级电网可持续发展策略的优选方法 | |
CN115759469A (zh) | 一种针对峰值负荷及其出现时间的预测方法及其装置 | |
CN115660425A (zh) | 风偏闪络风险评价方法、系统、设备、可读存储介质 | |
CN115967092A (zh) | 一种数据驱动的新能源电力系统非参数概率最优潮流预测-分析一体化方法 | |
CN115171816A (zh) | 一种用于航空装备关键材料应用验证的综合评价方法 | |
CN114510872A (zh) | 基于自注意力机制dlstm的云服务器老化预测方法 |
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 |