CN116911155A - 用于变压器油中溶解气体在线监测的浓度预测方法、装置、设备及存储介质 - Google Patents
用于变压器油中溶解气体在线监测的浓度预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116911155A CN116911155A CN202310575957.8A CN202310575957A CN116911155A CN 116911155 A CN116911155 A CN 116911155A CN 202310575957 A CN202310575957 A CN 202310575957A CN 116911155 A CN116911155 A CN 116911155A
- Authority
- CN
- China
- Prior art keywords
- svr
- prediction
- concentration
- transformer oil
- dissolved gas
- 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 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 17
- 238000010845 search algorithm Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 46
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 5
- 239000001257 hydrogen Substances 0.000 description 5
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明涉及监测算法领域，公开了一种用于变压器油中溶解气体在线监测的浓度预测方法。该方法包括：将气体浓度时间序列进行集合经验模态分解，得到IMFj分量；将所述IMFj分量分别代入SVR模型中进行训练，得到初步预测模型；采用布谷鸟搜索算法对SVR模型参量进行优化，得到EEMD‑CS‑SVR预测模型；根据所述EEMD‑CS‑SVR预测模型，获取气体浓度的预测值。本发明的方案与SVR，EEMD－SVR预测方法相比，1)有效地降低噪声对预测的影响；2)预测值最接近真实值，提高变压器油中溶解气体预测的精确性；3)收敛速度更快，泛化能力得到提升。
Description
技术领域
本发明涉及仓储物流领域，尤其涉及一种用于变压器油中溶解气体在线监测的浓度预测方法、装置、设备及存储介质。
背景技术
变压器油中溶解气体在线监测技术是一种利用检测变压器作为液体绝缘介质的绝缘油中的9种特征故障气体的成分、含量来判断变压器内部运行状态的技术，进而获得变压器实时状态。与传统的电气试验相比，油中溶解气体在线监测技术具有无需停电、检测快速、准确度高、易于操作等优点，可以实现对变压器在线、实时、连续监测。特别是变压器运行状态不稳定时，可以根据实际要求增加采样频次，例如4h或者8h一次，大大缩减了人力成本。因此，变压器油中溶解气体在线监测技术得到了广泛的应用，受到世界上各国研究者的广泛关注。
油中溶解气体在线监测系统用特定的采样周期进行连续不间断采集油中溶解气体数据，监测特征气体含量，形成特征气体含量的时间序列。对该时间序列进行深度挖掘，探究其随时间变化的演变规律，可将未来某时间段的气体浓度进行预测，则能及时掌握变压器内部状态，预判出绝缘劣化及内部故障情况。由于变压器在实际运行中会受到周围环境、运行工况及设备器身构造等多方面因素的影响，导致其内部绝缘劣化机理复杂，产生的故障具有不确定性。油中溶解气体的产生与内部故障密切相关，因此溶解气体时间序列也呈现出复杂性和非线性的特质，增加了气体浓度的预测难度。
传统的气体浓度预测是基于数理统计预测，但油中溶解气体浓度序列具有较强的非线性程度，时间序列在处理非线性序列上存在一定的局限性。为了克服数理统计预测的缺点，一些研究团队实现了传统智能算法预测，其不能获取序列数据之间的时序关联性。但是无论哪种油中溶解气体浓度预测都存在达不到较高的精度，影响变压器运行状态评估的准确率。
发明内容
本发明的主要目的在于解决现有技术中对于需要修改地址的快件无法实时重新分配或者调整派送规划，而导致快件滞留时间过长的问题。
本发明第一方面提供了一种用于变压器油中溶解气体在线监测的浓度预测方法，所述浓度预测方法包括：
将气体浓度时间序列进行集合经验模态分解，得到IMFj分量；
将所述IMFj分量分别代入SVR模型中进行训练，得到初步预测模型；
采用布谷鸟搜索算法对SVR模型参量进行优化，得到EEMD-CS-SVR预测模型；
根据所述EEMD-CS-SVR预测模型，获取气体浓度的预测值。
所述将气体浓度时间序列进行集合经验模态分解，得到IMFj分量，包括：
(1)获得气体浓度时间序列x(t)，加入高斯白噪声后，白噪声幅值α＝0.2，重复次数N＝100，得到新的气体时间序列xi(t):
xi(t)＝x(t)+ωi(t)
其中，添加的白噪声为ωi(t)，i＝1～N则表示原序列的长度为N；
(2)对xi(t)进行经验模态分解，则可表示成IMFij分量和残余分量ri(t)：
其中IMFij为第i次分解最终获取的第j个分量；
(3)将IMFij分量和残余分量ri(t)进行平均值求取，则得到最终的IMFj和r(t)；
(4)气体浓度时间序列x(t)通过以上EEMD分解，得到M个IMFj分量和残余分量r(t)则x(t)表示如下：
所述将所述IMFj分量分别代入SVR模型中进行训练，得到初步预测模型，包括：
(5)将分解后的数据按照比例划分为训练集和测试集，并进行数据归一化处理；
(6)初始化SVR模型，通过训练集完成模拟拟合，得到初步预测模型，并获取对应的适应度，即均方误差(MSE)：
yk和yk'分别为第k个数据的实际值与估算值，若MSE值越接近0，那么实际值与估算值之间的偏差就越小，因而模型的拟合性能就越好。
所述采用布谷鸟搜索算法对SVR模型参量进行优化，得到EEMD-CS-SVR预测模型，包括：
设置CS搜索初始信息，包括迭代次数、巢穴数量被宿主发现的概率、需要寻优的参数个数，计算每一个布谷鸟位置的适应度，得到最好的点及其适应度的值；
通过路径更新搜所完成种群迭代，保留上一代布谷鸟最优位置；
再根据设定的迭代次数，不断更新提取种群中适应度最大的布谷鸟对应的参数信息，也是最优解γ与C；
最优解γ与C作为SVR的参数，得到最终的EEMD-CS-SVR预测模型。
所述浓度预测方法还包括以下步骤：
获取变压器油中溶解气体的在线监测数据；
获取EEMD-CS-SVR预测模型的预测数据；
根据所述在线监测数据和预测数据，计算所述变压器油中溶解气体浓度的平均绝对误差MAE和均方根误差RMSE。
所述平均绝对误差MAE和均方根误差RMSE计算公式如下：
本发明第二方面提供了一种用于变压器油中溶解气体在线监测的浓度预测装置，包括：
分解模块，用于将气体浓度时间序列进行集合经验模态分解，得到IMFj分量；
训练模块，用于将所述IMFj分量分别代入SVR模型中进行训练，得到初步预测模型；
优化模块，用于采用布谷鸟搜索算法对SVR模型参量进行优化，得到EEMD-CS-SVR预测模型；
预测模块，用于根据所述EEMD-CS-SVR预测模型，获取气体浓度的预测值。
所述浓度预测方法还包括：
第一获取模块，用于获取变压器油中溶解气体的在线监测数据；
第二获取模块，用于获取EEMD-CS-SVR预测模型的预测数据；
准确性评价模块，用于根据所述在线监测数据和预测数据，计算所述变压器油中溶解气体浓度的平均绝对误差MAE和均方根误差RMSE。
本发明第三方面提供了一种电子设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执行上述的如上所述的用于变压器油中溶解气体在线监测的浓度预测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的如上所述的用于变压器油中溶解气体在线监测的浓度预测方法。
本发明的技术方案中，通过把气体浓度时间序列进行集合经验模态分解(EEMD)，成为一组去除噪声且相对稳定的子序列，借助布谷鸟搜索(CS)算法对支持向量回归(SVR)参量加以优化，进而构建以SVR为基础的预测模型，由此获取气体浓度的预测值。与SVR，EEMD－SVR预测方法相比，1)有效地降低噪声对预测的影响；2)预测值最接近真实值，提高变压器油中溶解气体预测的精确性；3)收敛速度更快，泛化能力得到提升。
附图说明
图1为本发明的一种用于变压器油中溶解气体在线监测的浓度预测方法的流程框图；
图2为本发明的氢气EEMD各频段分解结果；
图3为本发明的氢气浓度预测结果；
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中用于变压器油中溶解气体在线监测的浓度预测方法的第一个实施例包括：
结合附图和实施例对本发明的一种用于变压器油中溶解气体在线监测的浓度预测方法进行说明：
如图1所示，为本发明的一种用于变压器油中溶解气体在线监测的浓度预测方法的流程框图。该方法的具体实施步骤如下：
(1)通过变压器油中溶解气体在线监测系统获得气体浓度时间序列x(t)，加入高斯白噪声后，白噪声幅值α＝0.2，重复次数N＝100，得到新的气体时间序列xi(t):
xi(t)＝x(t)+ωi(t)
其中，添加的白噪声为ωi(t)，i＝1～N则表示原序列的长度为N；
(2)对xi(t)进行经验模态分解(EMD)，则可表示成IMFij分量和残余分量ri(t)：
其中IMFij为第i次分解最终获取的第j个分量；
(3)将IMFij分量和残余分量ri(t)进行平均值求取，则得到最终的IMFj和r(t)；
(4)气体浓度时间序列x(t)通过以上EEMD分解，得到M个IMFj分量和残余分量r(t)则x(t)表示如下：
(5)将分解后的数据按照4：1划分为训练集和测试集，并进行数据归一化处理；
(6)初始化SVR模型，通过训练集完成模拟拟合，并获取对应的适应度，即均方误差(MSE)：
yk和yk'分别为第k个数据的实际值与估算值，若MSE值越接近0，那么实际值与估算值之间的偏差就越小，因而模型的拟合性能就越好。
(7)设置CS搜索初始信息，包括迭代次数、巢穴数量被宿主发现的概率、需要寻优的参数个数，计算每一个布谷鸟位置的适应度，得到最好的点及其适应度的值，CS通过路径更新搜所完成种群迭代，保留上一代布谷鸟最优位置，再根据设定的迭代次数，不断更新提取种群中适应度最大的布谷鸟对应的参数信息，也是最优解γ与C。
(8)通过最优解γ与C，得到了EEMD-CS-SVR预测模型。
(9)将(5)中测试集数据进行EEMD-CS-SVR模型预测，准确性评价如下：
如图2所示，为本发明的氢气EEMD各频段分解结果。本实施例中，噪声标准差为0.1，加噪次数为10，迭代次数为100。可以看出，最终获取9个含有不同时间、频率刻度的IMF分量与1个剩余量。此外，高、低频分量分别处于上部与下部，也就是气体浓度在不同时间尺度下分解，该发明实现减弱或消除模式混叠。
如图3所示，为本发明的氢气浓度预测结果。为验证本发明的有效性，实施例中还引入三种预测方法作为对比，即SVR、CS-SVR和EEMD-SVR。如下所示，本发明的氢气浓度预测准确性评价结果。
| 预测方法 | MAPE | RMESP |
| SVR | 0.2883 | 0.7502 |
| CS-SVR | 0.2653 | 0.7071 |
| EEMD-SVR | 0.2083 | 0.5502 |
| EEMD-CS-SVR | 0.1211 | 0.3613 |
实施例中，通过四种方法的预测结果中可知SVR模型误差值最大，将训练值进行模态分解后的EEMD-SVR模型进行预测，一定程度上提升了模型的精度，误差值有所降低，证明EEMD方法可以有效地降低噪声对预测的影响。优化后的RMSE值明显减小，说明优化后的SVR预测误差离散性较小，借助EEMD组合模型，可以对单一模型预测精准度进行一定提升，将其与CS算法优化的SVR进行结合，由此本发明不仅能够去除高频噪声的影响，同时还能对SVR参量进行优化，使之具有更高的预测精度。
本发明涉及的电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)(例如，一个或一个以上处理器)和存储器，一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块，每个模块可以包括对电子设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在电子设备上执行存储介质中的一系列指令操作。
电子设备还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，一个或一个以上输入输出接口，和/或，一个或一个以上操作系统，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行用于变压器油中溶解气体在线监测的浓度预测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于变压器油中溶解气体在线监测的浓度预测方法，其特征在于，所述浓度预测方法包括：
将气体浓度时间序列进行集合经验模态分解，得到IMFj分量；
将所述IMFj分量分别代入SVR模型中进行训练，得到初步预测模型；
采用布谷鸟搜索算法对SVR模型参量进行优化，得到EEMD-CS-SVR预测模型；
根据所述EEMD-CS-SVR预测模型，获取气体浓度的预测值。
2.根据权利要求1所述用于变压器油中溶解气体在线监测的浓度预测方法，其特征在于，所述将气体浓度时间序列进行集合经验模态分解，得到IMFj分量，包括：
(1)获得气体浓度时间序列x(t)，加入高斯白噪声后，白噪声幅值α＝0.2，重复次数N＝100，得到新的气体时间序列xi(t):
xi(t)＝x(t)+ωi(t)
其中，添加的白噪声为ωi(t)，i＝1～N则表示原序列的长度为N；
(2)对xi(t)进行经验模态分解，则可表示成IMFij分量和残余分量ri(t)：
其中IMFij为第i次分解最终获取的第j个分量；
(3)将IMFij分量和残余分量ri(t)进行平均值求取，则得到最终的IMFj和r(t)；
(4)气体浓度时间序列x(t)通过以上EEMD分解，得到M个IMFj分量和残余分量r(t)则x(t)表示如下：
3.根据权利要求1所述用于变压器油中溶解气体在线监测的浓度预测方法，其特征在于，所述将所述IMFj分量分别代入SVR模型中进行训练，得到初步预测模型，包括：
(5)将分解后的数据按照比例划分为训练集和测试集，并进行数据归一化处理；
(6)初始化SVR模型，通过训练集完成模拟拟合，得到初步预测模型，并获取对应的适应度，即均方误差(MSE)：
yk和yk'分别为第k个数据的实际值与估算值，若MSE值越接近0，那么实际值与估算值之间的偏差就越小，因而模型的拟合性能就越好。
4.根据权利要求1所述用于变压器油中溶解气体在线监测的浓度预测方法，其特征在于，所述采用布谷鸟搜索算法对SVR模型参量进行优化，得到EEMD-CS-SVR预测模型，包括：
设置CS搜索初始信息，包括迭代次数、巢穴数量被宿主发现的概率、需要寻优的参数个数，计算每一个布谷鸟位置的适应度，得到最好的点及其适应度的值；
通过路径更新搜所完成种群迭代，保留上一代布谷鸟最优位置；
再根据设定的迭代次数，不断更新提取种群中适应度最大的布谷鸟对应的参数信息，也是最优解γ与C；
最优解γ与C作为SVR的参数，得到最终的EEMD-CS-SVR预测模型。
5.根据权利要求1所述用于变压器油中溶解气体在线监测的浓度预测方法，其特征在于，所述浓度预测方法还包括以下步骤：
获取变压器油中溶解气体的在线监测数据；
获取EEMD-CS-SVR预测模型的预测数据；
根据所述在线监测数据和预测数据，计算所述变压器油中溶解气体浓度的平均绝对误差MAE和均方根误差RMSE。
6.根据权利要求1所述用于变压器油中溶解气体在线监测的浓度预测方法，其特征在于，所述平均绝对误差MAE和均方根误差RMSE计算公式如下：
7.一种用于变压器油中溶解气体在线监测的浓度预测装置，所述装置包括：
分解模块，用于将气体浓度时间序列进行集合经验模态分解，得到IMFj分量；
训练模块，用于将所述IMFj分量分别代入SVR模型中进行训练，得到初步预测模型；
优化模块，用于采用布谷鸟搜索算法对SVR模型参量进行优化，得到EEMD-CS-SVR预测模型；
预测模块，用于根据所述EEMD-CS-SVR预测模型，获取气体浓度的预测值。
8.根据权利要求7所述用于变压器油中溶解气体在线监测的浓度预测装置，其特征在于，所述浓度预测方法还包括：
第一获取模块，用于获取变压器油中溶解气体的在线监测数据；
第二获取模块，用于获取EEMD-CS-SVR预测模型的预测数据；
准确性评价模块，用于根据所述在线监测数据和预测数据，计算所述变压器油中溶解气体浓度的平均绝对误差MAE和均方根误差RMSE。
9.一种电子设备，所述电子设备包括存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执行如权利要求1-6中任一项所述的用于变压器油中溶解气体在线监测的浓度预测方法的各个步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述用于变压器油中溶解气体在线监测的浓度预测方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310575957.8A CN116911155A (zh) | 2023-05-22 | 2023-05-22 | 用于变压器油中溶解气体在线监测的浓度预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310575957.8A CN116911155A (zh) | 2023-05-22 | 2023-05-22 | 用于变压器油中溶解气体在线监测的浓度预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116911155A true CN116911155A (zh) | 2023-10-20 |
Family
ID=88358984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310575957.8A Pending CN116911155A (zh) | 2023-05-22 | 2023-05-22 | 用于变压器油中溶解气体在线监测的浓度预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911155A (zh) |
-
2023
- 2023-05-22 CN CN202310575957.8A patent/CN116911155A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
| CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
| CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
| CN111046979A (zh) | 一种基于小样本学习的badcase发现方法及系统 | |
| CN111814956A (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
| CN114742345B (zh) | 一种配电设备健康评价方法、系统及装置 | |
| CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
| CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
| CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
| CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| CN116911155A (zh) | 用于变压器油中溶解气体在线监测的浓度预测方法、装置、设备及存储介质 | |
| CN114819267B (zh) | 一种短期负荷的预测方法、装置、电子设备和存储介质 | |
| CN116521495A (zh) | 一种基于强化学习的系统性能瓶颈检测方法 | |
| CN111310996A (zh) | 基于图自编码网络的用户信任关系预测方法及系统 | |
| CN114297385A (zh) | 模型训练方法、文本分类方法、系统、设备及介质 | |
| CN116975742A (zh) | 局部放电模式识别方法、装置、设备和存储介质 | |
| CN110298690B (zh) | 对象类目的周期判断方法、装置、服务器及可读存储介质 | |
| CN118332478B (zh) | 基于改进eemd算法的光伏功率短期分段预测方法及系统 | |
| CN113987909B (zh) | 油纸绝缘老化预测方法、装置、计算机设备和存储介质 | |
| CN118585766A (zh) | 一种风速预测方法、介质及设备 | |
| Guo et al. | A hybrid residual correction method with auxiliary particle filtering and conditional kernel density estimation for remaining useful life prediction |
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 |