其他
【好文推荐】基于混合模态分解和LSTM-CNN的变压器油中溶解气体浓度预测
引文信息
陈铁, 张治藩, 李咸善, 等. 基于混合模态分解和LSTM-CNN的变压器油中溶解气体浓度预测[J]. 中国电力, 2023, 56(1): 132-141.
CHEN Tie, ZHANG Zhifan, LI Xianshan, et al. Prediction of dissolved gas concentration in transformer oil based on hybrid mode decomposition and LSTM-CNN[J]. Electric Power, 2023, 56(1): 132-141.
摘要
对油中溶解气体浓度进行预测,可提前掌握变压器运行趋势。提出一种基于混合模态分解和LSTM-CNN(long short-term memory network-convolution network)网络的预测方法,实现精准的气体浓度预测。首先,为消除分解中模态混叠和残余白噪声的影响,对气体序列进行ICEEMDAN分解,以削弱序列的非平稳性;然后,使用VMD对聚合重构后的高频分量进行二次分解,降低高频分量的复杂度;最后,为了增强模型对序列时间特征和空间特征的拟合,采用结合时间注意力机制的LSTM-CNN网络对分解分量分别进行预测并重构气体浓度数据。算例验证表明,所提出的模型相比其他模型具有更强的预测性能,为后续故障预测提供有力支撑。
结论本文结合模态分解和深度学习,提出了一种变压器油中溶解气体预测方法,实现了气体序列的精准预测,结合后续的故障诊断和状态评估模型,能够提前对变压器即将发生的故障和异常状态进行预测。得出如下结论。(1)使用混合模态分解方法对强非平稳性序列进行分解,有效解决了一次分解产生的高频分量仍然具有较高的非线性和难预测性的问题;使分解分量的平均复杂度有效减低,降低了整体预测难度。(2)将LSTM模型、注意力机制和CNN模型有机结合,提高了预测模型对于单变量数据的自相关时序特征的提取,从而提高预测精度。
欢迎点击文后“阅读原文”跳转期刊官网,获取更多信息!
往期回顾
审核:方彤