基于深度信念网络的变压器油中溶解气体浓度预测方法

发布时间：2018-03-08 09:17

  本文选题：变压器　切入点：油中溶解气体　出处：《电网技术》2017年08期 　论文类型：期刊论文

【摘要】：对油中溶解气体浓度发展趋势进行预测,可为变压器状态评估提供重要依据。提出一种基于深度信念网络的变压器油中溶解气体浓度预测模型。该模型以7种特征气体浓度、环境温度、变压器油温为可视输入,通过对基于受限玻尔兹曼机的多隐层机器学习模型训练,可自动提取气体浓度自身发展规律,逐层激活各气体组分之间及温度对气体浓度影响的强相关性,抑制、弱化无关和冗余信息。该模型具有较高预测精度,克服了传统单一变量预测方法稳定性差的问题,同时避免了人工干预过程。通过算例分析,验证了该方法的有效性。
[Abstract]:The development trend of dissolved gas concentration in oil is predicted, which can provide an important basis for transformer condition evaluation. A prediction model of dissolved gas concentration in transformer oil based on depth belief network is proposed. The model is based on seven characteristic gas concentrations. The ambient temperature and transformer oil temperature are visually input. By training the multi-hidden layer machine learning model based on the constrained Boltzmann machine, the self-development law of gas concentration can be automatically extracted. It activates the strong correlation between gas components and temperature on gas concentration layer by layer, suppresses and weakens irrelevant and redundant information. The model has high prediction accuracy and overcomes the problem of poor stability of traditional single variable prediction method. At the same time, the artificial intervention process is avoided, and the effectiveness of the method is verified by an example.
【作者单位】： 上海交通大学电气工程系;国网山东省电力公司电力科学研究院;
【基金】：国家自然科学基金项目(51477100) 国家863高技术基金项目(2015AA050204) 国家电网公司科技项目(520626150032)~~
【分类号】：TM41

【参考文献】

相关期刊论文 前10条

1 张新伯;唐炬;潘成;张晓星;金淼;杨东;郑建;汪挺;;用于局部放电模式的深度置信网络方法[J];电网技术;2016年10期

2 周晓莉;张丰;杜震洪;曹敏杰;刘仁义;;基于CRBM算法的时间序列预测模型研究[J];浙江大学学报(理学版);2016年04期

3 林湘宁;黄京;熊卫红;翁汉t ;朱黎明;张贞;谢志成;;变压器油中溶解气体浓度的区间预测[J];电力自动化设备;2016年04期

4 酆勇;熊庆宇;石为人;曹俊华;;一种基于受限玻尔兹曼机的说话人特征提取算法[J];仪器仪表学报;2016年02期

5 石鑫;朱永利;萨初日拉;王刘旺;孙岗;;基于深度信念网络的电力变压器故障分类建模[J];电力系统保护与控制;2016年01期

6 徐征宇;汪可;孙建涛;赵晓宇;李原;;直流电压下油纸绝缘局部放电发展过程的潜伏期特征[J];电网技术;2016年02期

7 吴广宁;姚梦熙;辛东立;高波;;油浸绝缘纸在不均匀热老化下的试验研究[J];电网技术;2015年11期

8 刘凯;王鹏;王伟;;直流电场下变压器油中电场分布特性[J];电网技术;2015年06期

9 魏振;齐波;左健;李成榕;;基于局部放电图像特征的换流变压器油纸绝缘缺陷诊断方法[J];电网技术;2015年04期

10 余滨;李绍滋;徐素霞;纪荣嵘;;深度学习:开启大数据时代的钥匙[J];工程研究-跨学科视野中的工程;2014年03期

相关硕士学位论文 前1条

1 付宝英;基于粒子群优化的变压器故障诊断与预测研究[D];华侨大学;2012年

【共引文献】

相关期刊论文 前10条

1 田妍;刘宇舜;熊俊;李鹏飞;周文俊;钟少泉;;基于时频分布图像纹理特征的局部放电特高频信号的特征参数提取方法[J];高压电器;2017年07期

2 代杰杰;宋辉;杨yN;陈玉峰;盛戈v，

本文编号：1583297