基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测.docxVIP

下载本文档

3
0
约2.68万字
约 21页
2024-04-17 发布于江苏
举报
版权申诉

基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测.docx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

高电压技术Vol.50,No.1:263-274第50卷第1期：263-274

高电压技术

Vol.50,No.1:263-274

2024年1月31日HighVoltageEngineeringJanuary31,2024

DOI:10.13336/j.1003-6520.hve基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测

范志远1,2，杜江1,2

（1.河北省电磁场与电器可靠性重点实验室(河北工业大学)，天津300130；

2.省部共建电工装备可靠性与智能化国家重点实验室(河北工业大学)，天津300130）

摘要：为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网络(longshort-termmemory，LSTM)无法对数据间的深层特征进行有效提取的问题，提出了一种融合了相关变分模态分解(correlationvariationalmodedecomposition，CVMD)、1维卷积神经网络(onedimensionalconvolutionalneuralnetwork，1D-CNN)和LSTM的组合预测模型。首先，利用CVMD去除原始气体序列中的噪声信号，并将去噪序列分解为1组相对平稳的子序列分量；然后，针对各子序列分量分别构建CNN-LSTM预测模型，利用1D-CNN挖掘数据间的深层特征形成特征向量，并将其输入到LSTM中进行预测；最后，对各子序列预测结果叠加重构，得到最终的气体预测值。并通过4组对比实验对所提模型进行了全方位、多角度的验证。算例研究结果表明，所提模型单步和多步预测的平均绝对百分比误差分别为1.53%和2.09%。相较于现有模型，该文所提模型在单步和多步预测性能上均有明显提升，为变压器在线监测和故障预警提供了重要技术支撑。

关键词：油中溶解气体；相关变分模态分解；1维卷积神经网络；长短期记忆神经网络；气体体积分数预测

PredictionofDissolvedGasVolumeFractioninTransformerOilBasedonCorrelationVaria-tionalModeDecompositionandCNN-LSTM

FANZhiyuan1,2,DUJiang1,2

(1.KeyLaboratoryofElectromagneticFieldandElectricalApparatusReliabilityofHebeiProvince,HebeiUniversityofTechnology,

Tianjin300130,China;2.StateKeyLaboratoryofReliabilityandIntelligenceofElectricalEquipment,HebeiUniversityofTech-

nology,Tianjin300130,China)

Abstract：Toaddresstheissuesofnoiseinterferenceinactualmonitoringdataofdissolvedgasesintransformeroilandtheineffectiveextractionofdeepfeaturesbetweendatabyasinglelongshort-termmemory(LSTM)neuralnetwork,acombinedpredictionmodelcombiningcorrelationvariationalmodedecomposition(CVMD),1Dconvolutionalneuralnetwork(1D-CNN)andLSTMisproposed.Firstly,CVMDisusedtoremovethenoisesignalfromtheoriginalgasse-quence,andthedenoisingsequenceisdecomposedintoagroupofrelativelystablesubse