一种以最低维护成本为基准的变压器故障检测方法

为解决变压器传统故障诊断方法准确率低、故障维修费用高等问题,本文提出一种以最低维护成本为基准的变压器故障检测方法。首先,以变压器处于正常运行状态和发生故障这两种情况下的油中溶解气体含量测量值之间的相关性作为随机变量,并提出两种假设;其次,建立变压器故障检测模型;最后,利用核主成分分析(Kernel Principal Component Analysis,KPCA)对采集的故障数据进行有效的特征提取和去噪处理。KPCA处理后的数据输入到该模型中进行故障诊断,试验结果表明,该方法的故障检测正确率达到93.67%,同时维护费用最低,本文方法具有一定的可行性。

基于PSO优化BiLSTM的联合循环电厂输出功率预测

针对联合循环电厂发电能力受环境温度、压力、相对湿度和电力需求等条件变化影响而造成对输出功率预测精度较差的问题,提出粒子群算法(PSO,particle swarm optimization)与BiLSTM(BiLSTM,bi-directional long short-term memory)相结合的预测模型PSO-Bi LSTM。利用PSO的寻优能力对BiLSTM的隐含层神经元个数、周期次数、学习率、批大小值等参数进行优化,不仅实现自动调参,而且进一步提高了BiLSTM模型在电厂输出功率预测性能。最后依据优化参数建立PSO-BiLSTM预测模型对UCI标准数据集进行预测。实验结果表明,PSO-Bi LSTM模型的均方根误差、平均绝对百分比误差等指标均优于所列举的典型算法以及优化组合算法,模型在预测电力负荷数据方面有较高的精度。