基于机器学习的变压器顶层油温异常预警研究
发布时间：2021-10-25 05:50
油浸式变压器是最为广泛使用的变压器,其顶层油温状态研究具有重要的生产和研究价值。当前的顶层油温异常相关技术,具有设备成本高昂,技术操作复杂且难以推广的特点。本文根据国网变压器油温异常标注不足的数据现状,提出了一种新型的两阶段油温异常预警策略。其中:第一阶段为基于半监督学习的顶层油温异常标注,第二阶段为基于LSTM循环神经网络的油温异常预警算法。相关研究归纳如下。第一阶段:首先采用k-means算法寻找油温无标签训练集的不同工况聚类;然后根据油温异常标注阈值对油温无标签训练集各个聚类类簇下的各个油温区间的数据进行油温异常标注;其次基于规则抽取与实际应用需要,将进行异常标注后的油温训练集中引入随机森林模型,训练后可获得油温异常判定决策规则及油温异常分类器;最后将模型在人工标注测试集中进行测试,如果达到指定准确率加召回率的要求则达到了目标,否则通过阈值优化算法优化阈值并重新进行标注和测试。第二阶段:首先将第一阶段标注了异常标签的油温训练集经过数据集转换算法获得训练数据集,并导入到LSTM循环神经网络模型;依靠隐藏层的特征提取和LSTM循环神经网络具有学习长短期依赖知识的能力,进而完成模型的训...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
随机森林示意图
图 2.3 K-means 算法示意图上述步骤便是 k-means 算法的步骤说明。可以看出是一个理解起来比较简聚类算法。k-means 算法重要的是距离的度量方式，例如欧式距离、曼哈顿和马氏距离等等。k-means 算法的初始聚类中心是随机选取的，但是 k-means++算法不同。算法库的实际采用的都是 k-means++算法。K-means++按照如下的思想选取聚类中心：k-means++在第n个类簇中心(0<n<k)确定之后，在选取第n+1个类簇中心时离当前 n 个聚类中心越远的点会有更高的概率被选为第 n+1 个聚类中心。个类簇中心时是通过随机选取的方法。通常也是各种算法库的默认实现方式2.1.3 LSTM 循环神经网络LSTM 是为了解决模型的长期依赖学习的问题而设计的，RNN[55]具有一复神经网络的链式形式。与 RNN 中重复单元的简单的结构（如 tanh 单元）
图 2.4 LSTM 结构图相关的名词解释如图 2.5 所示。黑色箭头代表着传输某一个向量，粉色的圆代表 pointwise 操作，黄色为模型学得的神经网络层。合并到一起的线代表着向量的链接，分开的箭头代表内容被复制了。图 2.5 LSTM 各结构说明图LSTM通过输入输出和遗忘门来控制细胞的状态。其中遗忘门如图2.6所示
【参考文献】：
期刊论文
[1]基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测[J]. 亓孝武,李可军,于小晏,张正发,娄杰. 中国电机工程学报. 2017(19)
[2]基于优化模糊Petri网的矿用变压器故障诊断[J]. 李世光,薛寒,李珍,高正中,李莹. 工矿自动化. 2017(05)
[3]基于优化神经网络和DGA的变压器故障诊断[J]. 苗长新,申坤,钟世华,柳狄. 高压电器. 2016(11)
[4]配电网电力电子变压器技术综述[J]. 卢子广,赵刚,杨达亮,曾宪金. 电力系统及其自动化学报. 2016(05)
[5]基于变压器马尔可夫状态评估模型和熵权模糊评价方法的风险评估技术研究[J]. 张桦,魏本刚,李可军,梁永亮. 电力系统保护与控制. 2016(05)
[6]变压器油温异常状态识别方法[J]. 杜双育,王红斌,李峰. 电气应用. 2015(S2)
[7]基于深度信念网络的电力变压器故障分类建模[J]. 石鑫,朱永利,萨初日拉,王刘旺,孙岗. 电力系统保护与控制. 2016(01)
[8]变压器顶层油温短期预测模型研究及应用[J]. 陈锦铭,吴奕,朱海兵,郭雅娟,李斌,胡成博. 电气应用. 2015(22)
[9]一种基于MIA的油浸式变压器放电性故障定位新方法[J]. 魏云冰,王东晖,韩立峰,张捷. 电力系统保护与控制. 2015(21)
[10]基于MCD稳健统计分析的变压器油色谱异常值检测及分布特性[J]. 高树国,王学磊,李庆民,杨芮. 高电压技术. 2014(11)
本文编号：3456777
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
随机森林示意图
图 2.3 K-means 算法示意图上述步骤便是 k-means 算法的步骤说明。可以看出是一个理解起来比较简聚类算法。k-means 算法重要的是距离的度量方式，例如欧式距离、曼哈顿和马氏距离等等。k-means 算法的初始聚类中心是随机选取的，但是 k-means++算法不同。算法库的实际采用的都是 k-means++算法。K-means++按照如下的思想选取聚类中心：k-means++在第n个类簇中心(0<n<k)确定之后，在选取第n+1个类簇中心时离当前 n 个聚类中心越远的点会有更高的概率被选为第 n+1 个聚类中心。个类簇中心时是通过随机选取的方法。通常也是各种算法库的默认实现方式2.1.3 LSTM 循环神经网络LSTM 是为了解决模型的长期依赖学习的问题而设计的，RNN[55]具有一复神经网络的链式形式。与 RNN 中重复单元的简单的结构（如 tanh 单元）
图 2.4 LSTM 结构图相关的名词解释如图 2.5 所示。黑色箭头代表着传输某一个向量，粉色的圆代表 pointwise 操作，黄色为模型学得的神经网络层。合并到一起的线代表着向量的链接，分开的箭头代表内容被复制了。图 2.5 LSTM 各结构说明图LSTM通过输入输出和遗忘门来控制细胞的状态。其中遗忘门如图2.6所示
【参考文献】：
期刊论文
[1]基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测[J]. 亓孝武,李可军,于小晏,张正发,娄杰. 中国电机工程学报. 2017(19)
[2]基于优化模糊Petri网的矿用变压器故障诊断[J]. 李世光,薛寒,李珍,高正中,李莹. 工矿自动化. 2017(05)
[3]基于优化神经网络和DGA的变压器故障诊断[J]. 苗长新,申坤,钟世华,柳狄. 高压电器. 2016(11)
[4]配电网电力电子变压器技术综述[J]. 卢子广,赵刚,杨达亮,曾宪金. 电力系统及其自动化学报. 2016(05)
[5]基于变压器马尔可夫状态评估模型和熵权模糊评价方法的风险评估技术研究[J]. 张桦,魏本刚,李可军,梁永亮. 电力系统保护与控制. 2016(05)
[6]变压器油温异常状态识别方法[J]. 杜双育,王红斌,李峰. 电气应用. 2015(S2)
[7]基于深度信念网络的电力变压器故障分类建模[J]. 石鑫,朱永利,萨初日拉,王刘旺,孙岗. 电力系统保护与控制. 2016(01)
[8]变压器顶层油温短期预测模型研究及应用[J]. 陈锦铭,吴奕,朱海兵,郭雅娟,李斌,胡成博. 电气应用. 2015(22)
[9]一种基于MIA的油浸式变压器放电性故障定位新方法[J]. 魏云冰,王东晖,韩立峰,张捷. 电力系统保护与控制. 2015(21)
[10]基于MCD稳健统计分析的变压器油色谱异常值检测及分布特性[J]. 高树国,王学磊,李庆民,杨芮. 高电压技术. 2014(11)
本文编号：3456777
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3456777.html
