基于灰色最小二乘支持向量机的变压器油溶解气体预测

变压器油中溶解气体的体积分数是进行变压器绝缘故障诊断的重要依据,对变压器油中溶解气体进行预测有助于及时预测变压器的故障。将灰色预测方法与支持向量机相结合,通过使用对原始数列进行一次累加生成的处理方法,以提取数列所具有的深层规律特征,建立了基于灰色最小二乘支持向量机的变压器油中溶解气体预测模型,并对最小二乘支持向量机参数的选取进行了优化,最终通过实例与BPNN、灰色模型预测结果相比较,验证了该模型的准确性和有效性。

基于CEEMD和ABC-LSTM的电力变压器油中溶解气体预测

对电力变压器油中溶解气体进行预测有助于及时发现电力变压器潜伏性故障.针对油中溶解气体数据测量过程中存在噪声以及采用经验模态分解法会出现混叠现象的问题,提出应用补充集合经验模态分解抑制噪声,消除时间序列数据间噪声耦合的方法;同时根据分解后的固有模态函数(intrinsic mode function,IMF)之间的非线性程度将其重构为微尺度、中尺度和宏尺度3种分量,使序列具备更强的平稳性和规律性;并应用人工蜂群优化的长短期记忆神经网络对3种尺度分别进行预测.通过算例分析表明,相比于传统机器学习支持向量机、BP神经网络以及长短期记忆神经网络等预测方法,所提方法提高了气体预测精度,具有较高的预测稳定性与可靠性.

基于灰色理论的变压器油中气体预测

提出一种基于灰色理论的变压器油中气体预测的方法,建立变压器油中溶解气体的预测模型。以某变压器提取气体数据作为原始数据,根据预测模型对变压器油中气体随时间的变化进行预测,将预测到的数据与实际数据对比分析,验证该预测模型具有可行性和有效性。

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

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(long short-term memory,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(correlation variational mode decomposition,CVMD)、1维卷积神经网络(one dimensional convolutional neural network,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。

基于VMD-Transformer-ECM模型的空气中有害气体浓度预测

空气中有害气体的浓度序列具有较强的复杂性、非线性及波动性,为气体浓度的准确预测带来了很大挑战。针对该问题,提出了一种基于变分模态分解(VMD)和误差补偿(ECM)的Transformer预测模型(VMD-Transformer-ECM)。首先通过VMD将气体浓度时间序列分解成不同频率的本征模态函数(IMF),以降低预测模型输入的复杂性和非平稳性;然后通过Transformer模型对分解所得的各模态分量进行预测,并对预测结果进行重构以得到初步预测值;最后通过ECM模型对误差序列进行预测,并使用误差预测值来补偿初步预测值,以进一步提高模型的预测精度。在不同数据集中对所提模型进行了验证,结果显示,与其他模型相比,VMD-Transformer-ECM模型对CO_(2)及其他有害气体浓度预测的平均绝对百分比误差(MAPE)和均方根误差(RMSE)最小,决定系数(R2)最大,其中在预测步长为3 h时,本模型对CO_(2)浓度预测的MAPE为4.38%,RMSE为35.44×10^(-6),R^(2)为0.94,表明所提模型的预测精度较高,预测性能较好。

基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法

油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模态分解将气体体积分数序列分解为多个子序列,降低其非平稳性;其次,利用多模型融合策略,将4种不同单模型的预测结果进行融合重构,因单模型权重系数对预测结果有显著影响,利用改进黏菌算法对权重系数进行优化,以提高预测精度;最后,通过算例验证表明,相比于传统的预测模型,所提方法具有更高的预测精度,可以更好地预测油中气体体积分数的变化趋势。

煤自燃过程中气体产物特性及预测指标气体选择实验研究

采集大海则煤矿20101工作面煤样,分别在氧浓度为20.96%、18%、12%、7%、5%、3%的条件下开展了程序升温实验,研究煤自燃过程中气体产物特性,获得了不同氧浓度下煤自燃生成的气体产物类别及浓度变化规律,分析了不同氧浓度下O_(2)、CO、CO_(2)、CH_(4)、C_(2)H_(6)、C_(3)H_(8)、C_(2)H_(4)、链烷比、烷烯比随温度变化的规律,在此基础上对大海则20101工作面煤自燃预测预报的指标气体进行了优选。研究结果为大海则煤矿煤自燃预测预报提供了依据。

基于SMA-VMD-GRU模型的变压器油中溶解气体含量预测

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H_(2)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CH_(4)、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。

小甘沟煤矿B_(2)煤层自然发火标志气体及临界值确定研究

针对小甘沟煤矿B2煤层自然发火的问题,通过程序升温实验和建立气体预测数学模型的方法,先选取11121工作面煤样,煤样采集经过处理后,利用实验设备对煤自然发火过程进行模拟分析,测试并分析各温度段气体产物的种类、浓度及煤样温度变化特性,测试得到的气体产物有CO、CO_(2)、CH_(4)、C_(2)H_(6)、C_(3)H_(8)和C_(2)H_(4),根据分析结果优选适用的自然发火标志气体,然后利用采煤工作面回风隅角煤层自然发火标志气体预测数学模型和采煤工作面标志气体浓度预测数学模型,并进一步对其进行计算,从而得到小甘沟B2煤层采煤工作面回风隅角自然发火标志气体CO浓度临界值。结果表明:CO、C2H4和C2H2被选为B2煤层自然发火标志气体,此外确定了B2煤层采煤工作面回风隅角自然发火标志气体CO浓度临界值为60.0×10^(-6)。

煤自燃多参数气体主辅预测指标体系研究

深入研究煤自燃进程中的指标气体变化规律,对煤矿火灾的早期预测预防起到至关重要的作用。基于此,本文开展了煤样程序升温实验,分析了氧化产物、烷烃气体、烯烃气体以及各指标气体比值随温度的变化趋势。结合灰色关联分析的数学方法获得了11个指标气体浓度或指标气体浓度比值与煤温度之间关联程度的具体数值,根据数值大小排序判别各指标与温度变化趋势的匹配程度,进而优选出五个不同温度阶段适合预测煤自燃排名前六名的指标,构建了以前三名预测指标为主、后三名预测指标为辅的煤自燃预测体系。其中,温度为>70~110℃的前三名预测指标为C_(2)H_(6)、C_(2)H_(6)/C_(3)H_(8)和C_(3)H_(8),灰色关联程度分别为0.810 4、0.807 5、0.763 8。由此可知,该预测指标体系主要以烷烃气体、链烷比及烯烷比为基础,其与温度变化趋势有着更强的相关度。研究结果为丰富完善煤自燃预测指标体系以及更合理地预测预报煤自燃进程提供了支撑。

基于极限学习机的变压器油中气体浓度预测模型

为提前感知变压器故障状态,根据变压器油中特征气体的特点,通过对主变油温、变压器负荷及油色谱数据进行分析,利用极限学习机算法,构建变压器油中气体浓度预测模型,从而预测出变压器在未来时刻的气体浓度状态,解决传统的离线溶解气体分析间隔时间较长和间隔期间变压器状态难以评估的问题。利用本文提出的基于极限学习机的变压器油中气体浓度预测模型,可以实现对变压器油中的气体浓度预测,为变压器检修提供数据支撑。

变压器油中故障气体的复合预测方法

为了提高对变压器故障的预测能力,提出了灰色粗预测、自学习神经网络在线修正的复合预测法.此法是利用GM(1,1)模型初步预测油中溶解气体的浓度及变化趋势,通过分析故障气体组分之间的影响及气体浓度时间序列之间的关系确定修正参数,将初步预测结果与修正参数作为自学习BP网络的输入,从而完成预测结果的在线修正.该方法已用于实际变压器油中溶解气体的预测,结果验证了其有效性.

姚桥煤矿煤炭自燃预测预报指标气体的探索与研究

通过对预测预报气体指标的探索与研究,确定了判断煤炭自燃的指标气体,形成了姚桥煤矿一套综合的煤炭自燃预测预报气体指标判断体系,有力地促进了矿井的防灭火工作,减少了矿井煤炭自燃发火事故,减少了矿井因煤炭自燃造成的经济损失、人员伤亡和负面影响,为矿井的安全生产提供了有力的保障。

敏感性红外传感器对瓦斯隧道有害气体含量预测分析

针对以往使用的基于质量传感器有害气体含量预测技术,过分依赖传感器敏感性,导致有害气体含量预测精准度较低的问题,提出了基于敏感性红外传感器的有害气体含量预测技术。以铜黄高速焦坪隧道为研究对象,提取瓦斯隧道有害气体特征,构建有害气体含量提取与映射模型。依据该模型采集数据并进行降维处理后,计算特征向量相似度,由此识别各种混合气体。通过炸药的氧平衡、成分、性能和变质情况,分析有害气体产生机理。布设敏感性红外传感器,采集气体数据并进行预处理,结合映射模拟技术完成有害气体含量预测。由实验结果可知,该技术只有在风速为0.8 m/s时,出现0.1 mg/m~3的误差,其余均与实际测量结果一致,说明该技术预测结果精准。

基于XGBoost和网格搜索的变压器油中溶解气体含量预测

对变压器的故障检测通常使用油中溶解气分析的方法,目前对变压器油中溶解气体的含量预测逐渐成为了研究热点.将XGBoost算法应用于油中溶解气体含量的预测,并且与支持向量机等5种算法进行比较,验证了XGBoost算法的可行性和精确性;并构建了XGBoost和网格搜索相结合的模型,该模型利用网格搜索法对XGBoost算法进行超参数筛选和优化,显著提升了XGBoost算法的性能.最后,利用内蒙古根河市110kV变压器油中溶解气体数据,经过网格搜索法筛选出5个超参数,并对其优化.油中溶解气体含量预测仿真结果表明,超参数优化后的XGBoost算法的均方根误差和平均绝对百分比误差都有所下降,预测精度明显优于未进行超参数优化的模型.

基于DN-LSSVM模型的危险气体定量识别

本文设计了一套高性能且便于操作的电子鼻系统,采用树突神经网络和最小二乘支持向量机模型,可以实现对甲烷、一氧化碳和氢气三种气体的高精度定性识别与浓度预测。

带参数优化的随机森林变压器油中溶解气体浓度预测

变压器作为电网运行中的关键设备,其油中溶解气体浓度预测一直是研究热点.随机森林算法作为一种泛化能力很强的集中机器学习算法,算法性能与算法参数选择存在密切影响关系.现已报道的利用随机森林算法解决变压器油中溶解气体浓度预测问题的研究,忽略了对参数取值问题的讨论.利用遗传算法对随机森林算法中的5个重要参数进行优化,将优化结果代入随机森林算法,以乙炔为例,所得油中溶解气体预测相对误差为2.66%,结果小于不进行参数优化时的相对误差(3.24%),算例结果验证了模型的有效性.

基于非线性理论的CO_2预测方法

通过对世界能源消耗产生的 CO2 增长趋势的分析 ,运用非线性预测理论对能源消费和环境保护提出了控制要求 .特别是提出逻辑增长曲线和小波分析的结合使用 。

基于GC-FD分析及GM(1,N)模型预测的变压器故障监测与保护

提出基于灰关联(grey connection,GC)-模糊距离(fuzzy distance,FD)综合分析以及GM(1,N)模型的色谱气体浓度预测的变压器故障监测与保护体系的实现方法。根据变压器在线监测的现状和实时保护的需要,提出变压器故障前主动保护的思路。在GM(1,N)建模获取色谱气体近期预测数据的基础上,综合静态灰关联分析、动态灰关联分析和模糊距离分析,提出把综合关联系数用于变压器故障准确预报,并将试调整数据回代GM(1,N)模型进行故障再预测,确定应对故障的调整措施和数据。该体系能准确可靠地预报并帮助解除变压器故障,适于软件实现并配合变压器主保护,算例分析表明了体系的实用性和有效性。

基于高斯模型与模糊评价的气体污染风险赔偿

本文以高斯模型与模糊数学评价为基础,并针对某一发电厂所得数据进行了污染气体浓度预测和评价,对该地区居民提出合理的赔偿方案,实证分析表明运用经典的高斯模型预测的污染气体浓度比较准确,赔偿方案也比较合理.