基于SMA-VMD-GRU模型的变压器油中溶解气体含量预测.pdfVIP

2023 年 1 月 电 工 技 术 学 报 Vol.38 No. 1 第 38 卷第 1 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Jan. 2023 DOI:10.19595/ki.1000-6753.tces.221085 基于SMA-VMD-GRU 模型的变压器 油中溶解气体含量预测 1,2 1 1 1 1,2 杨童亮 胡 东 唐 超 方 云 谢菊芳 （1. 西南大学工程技术学院 重庆 400715 2. 西南大学智能电网及装备新技术国际研发中心 重庆 400715 ） 摘要 针对电力变压器油中溶解气体浓度序列非线性、非平稳特性影响预测精度问题，该文 基于黏菌算法（SMA ）和变分模态分解（VMD ）构成黏菌算法优化的变分模态分解（SMA-VMD ）， 结合门控循环单元（GRU ）组成分解-预测-重构的变压器油中溶解气体含量预测模型。首先，采用 差分法提取原始序列趋势项；然后利用SMA-VMD 对剩余序列进行分解，得到一组平稳的模态分 量；之后通过GRU 对分解所得各模态分量分别进行预测；最后对预测结果进行重构。该研究通过 对变压器油中溶解气体H2 进行仿真实验，并与另外五种预测模型对比，得出SMA-VMD-GRU 模 型预测结果平均绝对百分比误差为0.36% ，方均根误差为 1.76μL/L ，有效地提高了变压器油中溶 解气体含量含量预测精度。通过对变压器油中溶解气体成分CH4 、CO 、总烃进行仿真实验，证明 了该研究所提预测模型的有效性。 关键词：差分法 黏菌算法 变分模态分解 油中溶解气体预测 门控循环单元 中图分类号：TM411 0 引言 时有着明显的优势[9,11] ，但是传统的机器学习模型 在预测过程中没有考虑其数据在时间上的联系，因 变压器作为电力系统的关键枢纽设备，其安全 此对时间序列数据预测存在一定的不足。近些年，由 稳定运行是优质电能正常供应的必要基础[1] 。变压器 于人工智能飞速发展，相应的深度学习模型也被很 主要采用油纸绝缘结构，在变压器运行过程中，油纸 多国内外学者应用到变压器油中溶解气体含量预测 绝缘材料受热应力、电应力、催化剂等因素的影响， 中。文献[12]利用深度学习模型中的长短期记忆神经 会逐渐老化分解，在油中产生少量的溶解气体 （H2 、 CH [2] 网络（Long Short-Term Memory, LSTM ）模型对变压 、C H 、C H 、C H 、CO 、CO 等） 。油中溶 4 2 6 2 2 2 4 2 器油中溶解气体含量进行预测，且从实验中可以看 解气体分析（Dissolved Gas Analysis, DGA ）技术依据 出在变压器溶解气体含量预测方面，深度学习模型 气体组分含量、比值、相对百分比的变化，能够有效 预测效果相较于传统机器学习预测结果精度更高， 地发现变压器内部潜在故障，追踪故障发展趋势[2-5] 。 且能更准