变压器的运行寿命与变压器绝缘性能直接相关。对于特高压换流变压器来说,油温预测可作为其绝缘性能评估的重要依据。为提高换流变油温预测精度,提出一种基于长短期记忆网络(long-short term memory network,LSTM)、自注意力机制(self-at...变压器的运行寿命与变压器绝缘性能直接相关。对于特高压换流变压器来说,油温预测可作为其绝缘性能评估的重要依据。为提高换流变油温预测精度,提出一种基于长短期记忆网络(long-short term memory network,LSTM)、自注意力机制(self-attention mechanism,SA)和门控循环单元(gated recurrent unit,GRU)串并行混合模型的换流变顶层油温预测方法。首先,对换流变顶层油温数据进行滚动滑窗预处理;然后,建立LSTM与SA并行的预测模型,并利用GRU对并行预测的结果进行融合,经全连接层调节后输出最终预测结果。对比实验表明,相较于单一预测模型,采用混合预测模型在换流变顶层油温预测中可以取得更高的精度。展开更多
变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为...变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为特征量,提出了一种基于长短时记忆(Long Short Term Memory Network,LSTM)网络算法的变压器顶层油温预测模型。以变电站真实数据做实例仿真分析,训练所提的LSTM预测模型,并选取5个随机样本进行预测;同时,分别搭建BP神经网络(BPNN)和循环神经网络(RNN)预测模型对相同样本做预测,并截取前30时刻预测数据与LSTM模型的预测值做对比。仿真结果表明,基于LSTM的温度预测模型的计算精度最高,误差率控制在5%以内,预测值与实际值变化趋势基本一致。该模型可有效实现变压器顶层油温的预测。展开更多
文摘变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为特征量,提出了一种基于长短时记忆(Long Short Term Memory Network,LSTM)网络算法的变压器顶层油温预测模型。以变电站真实数据做实例仿真分析,训练所提的LSTM预测模型,并选取5个随机样本进行预测;同时,分别搭建BP神经网络(BPNN)和循环神经网络(RNN)预测模型对相同样本做预测,并截取前30时刻预测数据与LSTM模型的预测值做对比。仿真结果表明,基于LSTM的温度预测模型的计算精度最高,误差率控制在5%以内,预测值与实际值变化趋势基本一致。该模型可有效实现变压器顶层油温的预测。