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

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...

Full description

Saved in:
Bibliographic Details
Published in中国电力 Vol. 56; no. 1; pp. 132 - 141
Main Authors 陈铁, 张治藩, 李咸善, 陈一夫, 李鸿鑫
Format Magazine Article
LanguageChinese
Published 三峡大学 电气与新能源学院,湖北 宜昌 443002 2023
梯级水电站运行与控制湖北省重点实验室(三峡大学),湖北 宜昌 443002
Subjects
变压器
长短期记忆网络
注意力机制
卷积网络
油中溶解气体
混合模态分解
Online AccessGet full text
ISSN1004-9649
DOI10.11930/j.issn.1004-9649.202210089

Cover

More Information
Summary: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.
ISSN:1004-9649
DOI:10.11930/j.issn.1004-9649.202210089