基于改进门控循环单元的变压器油中气体浓度预测

摘要
图/表
参考文献(17)
相关文章 (5)

全文: PDF (918 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要

对油浸式电力变压器油中溶解气体浓度进行预测,可为变压器状态评估及故障诊断提供重要参考依据。为进一步提高预测精度,本文将RAdam优化器和门控循环单元（GRU）相结合,提出一种改进GRU的变压器油中气体浓度预测模型。改进模型以7种典型气体浓度作为输入,使用RAdam优化器进行训练,以对应待测气体浓度作为输出。算例分析结果表明,相比于普通GRU模型和长短期记忆神经网络（LSTM）模型,改进GRU模型能更好地预测变压器油中溶解气体浓度变化趋势,并扩大了对初始学习率的选择范围。

	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
	卫永鹏
	苏益辉
	王胜利
	张鑫
	王衡

关键词 ：变压器油, 油中溶解气体, 改进门控循环单元, 浓度预测

Abstract：

Predicting the dissolved gas concentration in oil-immersed power transformer oil can provide important reference for transformer condition assessment and fault diagnosis. In order to further improve the prediction accuracy, an improved gated recurrent unit (GRU) prediction model for gas concentration in transformer oil is proposed by combining RAdam optimizer and GRU. The improved model takes seven typical gas concentrations as input, uses RAdam optimizer to train the model, and predicts the corresponding gas concentration as output. The results show that the improved GRU model can better predict the change trend of dissolved gas concentration in transformer oil and expand the selection range of initial learning rate compared with the ordinary GRU model and long short-term memory (LSTM) model.

Key words： transformer oil dissolved gas in oil improved gated recurrent unit (GRU) con- centration prediction

收稿日期: 2021-09-06

作者简介: 卫永鹏（1974—）,男,本科,高级工程师,主要从事变电站设备运维检修、设备异常事故的分析及处理工作。

引用本文:

卫永鹏, 苏益辉, 王胜利, 张鑫, 王衡. 基于改进门控循环单元的变压器油中气体浓度预测[J]. 电气技术, 2022, 23(2): 55-60. WEI Yongpeng, SU Yihui, WANG Shengli, ZHANG Xin, WANG Heng. Prediction of gas concentration in transformer oil based on improved gated recurrent unit. Electrical Engineering, 2022, 23(2): 55-60.

链接本文:

http://dqjs.cesmedia.cn/CN/Y2022/V23/I2/55

[1] 李恩文, 王力农, 宋斌, 等. 基于改进模糊聚类算法的变压器油色谱分析[J]. 电工技术学报, 2018, 33(19): 4594-4602.
[2] 张燕, 方瑞明. 基于油中溶解气体动态网络标志物模型的变压器缺陷预警与辨识[J]. 电工技术学报, 2020, 35(9): 2032-2041.
[3] 蒲天骄, 乔骥, 韩笑, 等. 人工智能技术在电力设备运维检修中的研究及应用[J]. 高电压技术, 2020, 46(2): 369-383.
[4] 江秀臣, 盛戈皞. 电力设备状态大数据分析的研究和应用[J]. 高电压技术, 2018, 44(4): 1041-1050.
[5] 罗运柏, 于萍, 宋斌, 等. 用灰色模型预测变压器油中溶解气体的含量[J]. 中国电机工程学报, 2001, 21(3): 65-69.
[6] 孙丽萍, 杨江天. 基于离散灰色模型的变压器油中溶解气体浓度预测[J]. 电力自动化设备, 2006, 26(9): 58-60.
[7] 肖燕彩, 朱衡君, 陈秀海. 用灰色多变量模型预测变压器油中溶解的气体浓度[J]. 电力系统自动化, 2006, 30(13): 64-67.
[8] 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.
[9] 徐肖伟, 李鹤健, 于虹, 等. 基于随机森林的变压器油中溶解气体浓度预测[J]. 电子测量技术, 2020, 335(3): 71-75.
[10] 杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38(增刊2): 1-6, 26.
[11] 张金磊, 罗玉玲, 付强. 基于门控循环单元神经网络的金融时间序列预测[J]. 广西师范大学学报(自然科学版), 2019, 37(2): 82-89.
[12] LIU Liyuan, JIANG Haoming, HE Pengcheng, et al.On the variance of the adaptive learning rate and beyond[C]//8th International Conference on Learning Representations, Ethiopia, 2020.
[13] FU Rui, ZHANG Zuo, LI Li.Using LSTM and GRU neural network methods for traffic flow prediction[C]// 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC), Wuhan, China, 2016: 324-328.
[14] 赵兵, 王增平, 纪维佳, 等. 基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 电网技术, 2019, 43(12): 4370-4376.
[15] 岑健, 王付宇, 伍银波, 等. 基于GRU神经网络的建筑能耗预测方法研究[J]. 自动化与仪器仪表, 2021(4): 156-159.
[16] 杨观赐, 杨静, 李少波, 等. 基于Dopout与ADAM优化器的改进CNN算法[J]. 华中科技大学学报(自然科学版), 2018, 427(7): 122-127.
[17] REDDI S J, KALE S, KUMAR S.On the convergence of adam and beyond[C]//6th International Conference on Learning Representations, Vancouver, Canada, 2018.