基于M-LS-SVR的变压器油中溶解气体浓度预测

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (1820 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要为预测变压器油中溶解气体的浓度,提出了混合最小二乘支持向量机回归（Mixed Least Square Support Vector Regression, M-LS-SVR）算法。该算法使用线性和非线性核函数的组合作为预测函数,利用真实数据自适应选择其混合比例因子。实验结果表明,与目前比较流行的BP神经网络方法、SVR方法和LS-SVR方法的预测结果相比,该方法具有更小的预测误差,更低的复杂性以及更好的泛化能力。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	李洪超
	王伟刚
	董雪梅

关键词 ：电力变压器, 油中溶解气体分析, 浓度预测, 最小二乘支持向量机

Abstract：To predict the concentration of dissolved gases in transformer oil, we proposed mixed least square support vector regression (M-LS-SVR) algorithm in this paper. This algorithm combined linear and nonlinear kernel functions as prediction function, the mixed scaling factor was chosen adaptively by real data. The experiment results showed that this method had less prediction error, lower complexity and better generalization ability than those of the current popular methods, such as BP neural network, support vector machine regression (SVR) and least squares support vector machine regression (LS-SVR).

Key words： power transformer dissolved gas analysis concentration prediction least squares support vector machine regression

出版日期: 2016-01-13

基金资助:国家自然科学基金（11371321,11201420）; 浙江省自然科学基金（LY13A010003,LQ12A01016）; 浙江省教育厅基金（Y201326953）; 浙江工商大学人文社科统计学基地资助项目

作者简介: 李洪超（1991-）,男,硕士,研究方向为电力变压器在线监测故障分析及技术,机器学习算法分析及应用。

引用本文:

李洪超, 王伟刚, 董雪梅. 基于M-LS-SVR的变压器油中溶解气体浓度预测[J]. 电气技术, 2016, 17(1): 76-80. Li Hongchao, Wang Weigang, Dong Xuemei. Concentration Prediction of Dissolved Gases in Transformer Oil based on M-LS-SVR. Electrical Engineering, 2016, 17(1): 76-80.

链接本文:

http://dqjs.cesmedia.cn/CN/Y2016/V17/I1/76

[1] 张公永, 李伟. 基于灰色最小二乘支持向量机的变压器油溶解气体预测[J]. 电力学报, 2012, 27(2): 111-115.
[2] 任双赞, 曹晓珑, 钟力生. 变压器油中腐蚀性硫对铜导线及油浸绝缘纸特性影响[J]. 电工技术学报, 2011, 26(10): 129-135.
[3] 王学磊, 李庆民, 李成榕, 等. 基于统计分布和相关分析的变压器油中溶解气体注意值计算方法(英文)[J]. 高电压技术, 2013(8): 1960-1965.
[4] 肖燕彩, 陈秀海. 变压器油中故障特征气体体积分数的预测[J]. 中国电力, 2007, 40(3): 53-55.
[5] 张丽萍, 杨柳, 黄锷, 等. 综合灰色模型在电力变压器故障预测中的应用[J]. 陕西电力, 2013, 41(10): 44-47.
[6] 毛自娟. 基于灰色马尔可夫模型的变压器油中溶解气体体积分数预测[J]. 高压电器, 2012, 48(10): 47-51, 57.
[7] 司马莉萍, 舒乃秋, 左婧, 等. 基于灰关联和模糊支持向量机的变压器油中溶解气体浓度的预测[J]. 电力系统保护与控制, 2012, 40(19): 41-46.
[8] 胡导福, 文闪闪, 何益鸣. 基于BP神经网络的变压器故障诊断及其应用[J]. 电力科学与技术学报, 2008, 23(2): 72-75.
[9] 曲朝阳, 计超, 郭晓利, 等. 基于传递函数自我优化的BP网络算法改进[J]. 电测与仪表, 2014, 51(11): 56-59, 64.
[10] Dong Xiucheng, Wang Shouchun, Sun Renjin, et al. Design of artificial neural networks using a genetic algorithm to predict saturates of vacuum gas oil[J]. Petroleum Science, 2010, 7(1): 118-122.
[11] 黄世震, 林淑玲. 基于GSA-BP神经网络的压力传感器温度补偿[J]. 电子器件, 2013, 36(5): 680-684.
[12] 张小奇, 朱永利, 王芳. 基于支持向量机的变压器油中溶解气体浓度预测[J]. 华北电力大学学报, 2006, 33(6): 6-9.
[13] Cristianini N, Shawe-Taylor J. An introduction to support vector machines and other kernel-based learning methods[M]. Cambridge: cambridge univer- sity press, 2005.
[14] Xu Yongli, Chen Dirong. Partially-Linear Least- Squares regularized regression for system identifi-
cation[J]. IEEE Transactions on Automatic Control, 2009, 54(11): 2637-2641.
[15] 李方方, 赵英凯, 颜昕. 基于Matlab的最小二乘支持向量机的工具箱及其应用[J]. 计算机应用, 2006, 26(z2): 358-360.