logo资料库

基于PSO_LSTM模型的变压器油中溶解气体浓度预测方法_刘可真.pdf

发布时间：2022-06-08 发布人：admin 分类：说明书 资料大小：0.85M 资料格式：pdf 举报 版权申诉
第1页 / 共10页
第2页 / 共10页
第3页 / 共10页
第4页 / 共10页
第5页 / 共10页
第6页 / 共10页
第7页 / 共10页
第8页 / 共10页
资料共10页，剩余部分请下载后查看
    电网技术 Power System Technology ISSN 1000-3673,CN 11-2410/TM 《电网技术》网络首发论文 基于 PSO-LSTM 模型的变压器油中溶解气体浓度预测方法 题目： 刘可真，苟家萁，骆钊，王科，徐肖伟，赵勇军 作者： 10.13335/j.1000-3673.pst.2019.2608 DOI： 收稿日期： 2019-12-19 网络首发日期： 2020-04-10 引用格式： 刘可真，苟家萁，骆钊，王科，徐肖伟，赵勇军．基于 PSO-LSTM 模型的变 压器油中溶解气体浓度预测方法．电网技术. https://doi.org/10.13335/j.1000-3673.pst.2019.2608 网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶 段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期 刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出 版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出 版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编 辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、 出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。 为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容， 只可基于编辑规范进行少量文字的修改。 出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国 学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷 出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出 版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首 发论文视为正式出版。
    网络首发时间：2020-04-10 08:59:43 网络首发地址：http://kns.cnki.net/kcms/detail/11.2410.TM.20200409.1708.004.html 电 网 技 术 Power System Technology 中图分类号：TM 411，TP183 文献标志码：A 学科代码：470·4037 基于 PSO-LSTM 模型的变压器油中溶解 气体浓度预测方法 刘可真 1，苟家萁 1，骆钊 1，王科 2，徐肖伟 2，赵勇军 3 （1．昆明理工大学 电力工程学院，云南省 昆明市 650500； 2．云南电网有限责任公司电力科学研究院，云南省 昆明市 650217； 3. 云南电力技术有限责任公司，云南省 昆明市 650000） Prediction Method of Dissolved Gas Concentration in Transformer Oil Based on PSO-LSTM Model LIU Kezhen1, GOU Jiaqi1, LUO Zhao1,WANG Ke2, XU Xiaowei2, ZHAO Yongjun3 (1. Faculty of Electric Power Engineering, Kunming University of Science and Technology, Kunming 650500, Yunnan Province, China; 2.Electric Power Research Institute of Yunnan Power Grid Co., Ltd., Kunming 3. Yunnan Electric Power Technology Co.，Ltd.，Kunming 650000, Yunnan Province, China) 650217, Yunnan Province, China; ABSTRACT：As the main equipment of power transmission 对油中溶解气体的浓度进行有效预测，可为变压器的故障诊断 and transformation in microgrid, the effective prediction of 及状态评估技术提供一定的理论依据。鉴于此，提出一种基于 dissolved gas concentration in transformer oil can provide a certain theoretical basis for transformer fault diagnosis and state assessment technology. Therefore, this paper proposes a method 粒子群优化算法（PSO）与长短期记忆网络（LSTM）的变压 器油中溶解气体浓度预测方法。首先该模型以油中溶解的 7 种特征气体浓度序列作为可视输入；然后通过使用粒子群优化 for predicting the concentration of dissolved gas in transformer 算法对长短期记忆网络中相关超参数进行迭代优化；最后构建 oil based on particle swarm optimization (PSO) and long-short term memory (LSTM). Firstly, the model takes seven PSO-LSTM 组合模型对油中溶解气体的浓度进行预测。该模 型克服了依据经验选取参数而导致预测精度低的问题。算例分 characteristic gas concentration sequences dissolved in oil are 析结果表明，相较于传统预测算法，所提方法可以更好地追踪 used as visual input. Then, the (PSO) is used to optimize the 油中溶解气体浓度的变化规律，提高了预测精度，为电力变压 relevant super parameters in the LSTM. Finally, a PSO-LSTM 器安全稳定运行提供了有力保障。 combined model is constructed to predict the concentration of dissolved gas in oil. The model overcomes the problem of low prediction accuracy caused by selecting parameters based on 关键词：变压器；粒子群优化；长短期记忆网络；油中溶解 气体；预测 DOI： 10.13335/j.1000-3673.pst.2019.2608 experience. The results of examples show that, compared with traditional prediction algorithms, the proposed method in this 0 引言 paper can better track the variation rule of dissolved gas concentration in oil, effectively improve the prediction accuracy, provide a strong guarantee for the safe and stable operation of the power transformer. KEY WORDS：transformer; particle swarm optimization; long- and short-term memory network; dissolved gas in oil; prediction 摘要：电力变压器作为微电网中传输和变换电能的主要设备， 基金项目：国家自然科学基金项目（51907084）；云南电网有限责任 公司科技项目（YNKJXM20180736）；昆明理工大学引进人才科研启动基 金项目(KKSY201704027)。 Project supported by the National Natural Science Foundation of China (51907084); Science and Technology Project of Yunnan Power Grid Co., Ltd. (YNKJXM20180736).Scientific Research Foundation of Kunming University of Science and Technology (KKSY201704027). 电力变压器作为微电网系统中的主要设备之 一，确保其安全稳定运行对整个电力系统至关重要 [1]。变压器在正常运行过程中，由于其内部绝缘油 与绝缘固体的老化、电、热等故障原因会产生少量 气体溶解于绝缘油中，主要有 H2、CH4、C2H6、C2H2、 C2H4 、 CO 、 CO2 等 气 体 。 油 中 溶 解 气 体 分 析 （dissolved gas analysis，DGA）[2-3]是目前国际上公 认的及时准确发现变压器故障缺陷的方法，通过在 线油色谱监测装置提取出油中各溶解气体的含量 值，形成历史检测数据序列，进而对溶解气体浓度 变化趋势进行预测，可为变压器的故障诊断和状态 评估技术提供重要的依据[4]。
    电 网 技 术 迄今为止国内外众多学者已经对 DGA 技术开 展了大量的分析研究，可概括为三大类：统计预测 法、组合模型预测法和人工智能预测法。 统计预测法包含灰色模型（grey model，GM） [5]、时间序列模型[6]和模糊预测模型[7]等，其预测结 果的准确率主要取决于实验数据集的分布特点， GM 和时间序列模型各自在处理指数、线性数据序 列方面存在优势；模糊预测可以有效解决数据难以 量化的难题，适用于非确定性的事件预测。 组合预测模型主要分为两大类，一类是运用数 据优化方法，对模型的关键参数进行优化，提高预 测准确率，另一类是运用数据预处理方法对在线监 测到的数据进行有效处理，然后结合预测模型进行 预测，取得更高的预测精度，数据预处理方法主要 有卷积神经网络（Convolutional Neural Network， CNN）[8]、经验模态分解（Empirical Mode Decompo- sition，EMD）[9]等。 人工智能预测法是通过计算机技术对监测到的 数据进行处理分析，进而建立预测模型，常见的有 随机森林（Random Forest，RF）[10]，循环神经网络 （Recurrent Neural Network，RNN）[11-12]，支持向 量机（Support Sector Machine，SVM）[13]等。由于 传统的人工智能预测算法在处理长时间序列问题方 面存在不足，对数据预测结果存在较大误差，随着 机器学习的快速发展，RNN 由于其在时序建模时存 在更强的适应性与稳定性，预测精度更高，现已被 应用于处理长时间的序列预测问题。长短期记忆网 络（Long short-term memory network，LSTM）[14-15] 作为一种特殊的 RNN 模型，由于在其结构中引入 具有“记忆功能”的模块，因此被广泛应用于时间 序列的预测事件，但其存在 2 方面不足：一是模型 学习率 lr 难以确定，二是隐藏层神经元个数 m 难确 定，其中 lr 决定模型的训练效果，m 影响着模型的 拟合效果；通常情况下这些参数依靠经验来确定， 具有不确定性，导致模型的预测精度降低。 鉴于此，本文提出了一种基于粒子群优化算法 （Particle Swarm Optimization，PSO）与长短期记 忆网络的变压器油中溶解气体浓度组合预测方法， PSO 算法在满足模型评价指标最优的前提下，通过 不断迭代寻优过程可以找到模型的最优参数，克服 了传统依据经验选取参数而导致预测精度低的问 题。首先利用 PSO 优化算法对 LSTM 模型中的两 个关键参数（m 与 lr）进行迭代优化；然后根据优 化后的参数搭建 PSO-LSTM 组合预测模型；最后利 用该模型对变压器油中溶解气体浓度序列进行预 测。算例分析结果表明，本文所提出的预测模型相 比于传统的预测模型有着更高的预测精度，可以更 准确地追踪溶解气体浓度的变化趋势。 1 长短期记忆网络（LSTM） LSTM 是由 Hochreiter 和 Schmidhuber 提出来 的[16]，解决了因 RNN 存在长期依赖问题而无法建 立较长时间跨度的预测模型问题，RNN 在处理时间 序列问题方面优于其他神经网络模型[17]，模型结构 如图 1 所示。 图 1 循环神经网络结构 Fig. 1 Cyclic neural network structure LSTM 模型，其网络拓扑结构中引入了门控单 元来控制当前时刻信息对此前信息的影响程度，使 得模型具有较长时间的“记忆功能”，适用于长时间 非线性序列预测问题。 LSTM 网络结构由输入门、 输出门和遗忘门所构成，相较于 RNN 不同的是： 其内部有多个隐藏层，隐藏层的神经元被替换为具 有门控机制的记忆单元，网络基本结构如图 2 所示。 图 2 LSTM 记忆网络结构 Fig. 2 LSTM memory network structure 记忆细胞单元是 LSTM 网络的核心组件，模型 的输入包含 t 时刻序列输入 xt，t-1 时刻隐藏层细胞 状态 ht-1 和记忆单元 ct-1；输出包含记忆单元状态 ct 与隐藏层状态 ht，其中 ct 与 ht 各自包含了模型的长 期、短期记忆信息，通过控制输入门、遗忘门和输 出门来实现记忆细胞单元的读取和修改，进行网络 之间的信息流动。输入门利用 sigmoid 激活函数对 参数进行录入，将变量控制在[0，1]之间，实现 xt hht-1htht+1yyt-1ytyt+1xxt+1xtxt-1UUUUVVVVWWWtitgtanh+totanhtf输入门输出门遗忘门细胞状态thtxhtctct-1ht-1
    电 网 技 术 对 ct 的控制；遗忘门的是将上一时刻的神经元状态 选择性遗忘，具体表现形式是利用记忆单元 ct-1 对 ct 的控制；输出门用来输出和控制参数变量，即利 用 ct 对 ht 的影响程度。计算公式分别如下： （1） （2） （3） 上式中，it、ft、ot 分别表示输入门、遗忘门与 输出门的状态计算结果；Wih、Wfh、Wox 与 bi、bf、 bo 分别表示相应门的权重矩阵与偏置项；σ代表 sigmoid 激活函数。 LSTM 模型中在 t 时刻记忆模块的输出结果由 输出门与单元状态共同决定，具体公式如下： （4） （5） （6） 式中， 表示时刻 t 的单元状态输入；tanh 为 双曲正切激活函数；Wc、bc 分别代表输入层的状态 权重矩阵与偏置项； 表示各元素按位置相乘。 2 基于 PSO-LSTM 预测模型的实现过程 2.1 自适应粒子群优化算法 PSO 最早是由 Eberhart 和 Kennedy 于 1995 年 根据鸟群的觅食行为提出的一种基于种群的随机优 化技术[18-19]。 PSO 算法首先初始化粒子状态，得 到一组随机解，粒子在空间运动过程中，通过追踪 个体局部最优解（Pbest）与全局最优解（Gbest）不断 更新自己的状态。Pbest、Gbest 分别表示个体在空间 位置迭代过程中、整个群体中的粒子适应度值的最 优位置，每迭代一次，计算一次适应度值，进而更 新一次 Pbest 与 Gbest。在一个 D 维空间中，由 n 个粒 子组成的种群 X=（X1,X2,… Xn），第 i 个粒子在 D 维空间中的位置为 Xi=[xi1,xi2,…xiD]T，根据目标函数 求解出每个粒子对应的适应度值，第 i 个粒子的速 度、Pbest 和 Gbest 分别为 Vi=[Vi1,Vi2,…ViD]T、Pi=[Pi1,Pi2, …PiD]T 和 Pg=[Pg1,Pg2,…PgD]T。粒子在迭代过程中， 通过公式（7）-（8）来更新自身的速度和位置。 k id 、P k 式中， k 表示当前迭代次数；V k （ 7 ） （8） id 、X k id 、P gd 分别表示粒子的速度、位置、个体局部最优解和 全局最优解；C1 与 C2 为加速因子，通常取正数；r1 与 r2 为[0，1]之间的随机数；ω 为惯性因子。 本文对惯性因子采用线性微分递减，加速因子 采用线性调整的两种方式对 PSO 模型寻优过程中 进行改进[20]，以调整粒子局部和全局的搜索能力， 公式如下： （9） （10） （11） 式中，ωmax 和 ωmin 表示迭代惯性权重最大和最 小值；k 表示此前迭代次数；Tmax 表示最大迭代数； c1,ini 、c1,fin 与 c2,ini、c2,fin 分别表示加速因子 c1 与 c2 的初始值及最终值。 2.2 PSO-LSTM 网络的预测模型 变压器油中溶解气体的含量作为判别其运行 状态的重要依据，但气体含量的产生过程受到油温、 压强等因素的影响，其浓度存在非线性特征，考虑 到 LSTM 在信息处理方面克服了传统神经网络存 在的“梯度消散”问题，可以有效处理非线性序列 预测问题，本文提出一种基于 PSO-LSTM 网络的预 测模型，具体建模流程如图 3 所示，具体步骤如下： 图 3 基于 PSO-LSTM 网络预测模型 Fig. 3 PSO-LSTM network prediction model Step1：将搜集到的变压器油色谱数据，取 H2、 CH4、C2H6、C2H4、C2H2、CO、CO27 种特征气体 的浓度作为模型的输入。 Step2：将样本数据采用最大最小归一化处理， 映射到[0，1]之间，进一步对样本数据集按 9:1 的比 例划分出训练集与测试集，其中归一化的公式为： 1()tixtihtiiWxWhb−=++1()tfxtfhtffWxWhb−=++1()toxtohtooWxWhb−=++'1tanh(..)tctftccWhWxb−=++'1tttttcfcic−=+tanh()ttthoc='tc11122()()kkkkkkididididgdidvVcrPXcrPX+=+−+−11kkkidididXXV++=+2maxmaxminmax=()(/)kT−−11,ini1,ini1,finmax()(/)cccckT=−−22,ini2,fin2,inimax+()(/)cccckT=−随机初始化种群变压器油中溶解气体CH4、C2H6、C2H2、H2、C2H4等浓度序列数据标准化处理训练集测试集计算粒子的适应度是否达到终止条件否是PSO-LSTM网络预测模型PSO优化粒子数据处理气体浓度预测对结果进行反归一化处理，结合评价指标进行评价设置最大迭代次数、种群规模、LSTM模型隐藏层神经元个数m与学习率lr的取值范围、搜索速度范围LSTM网络预测模型获得最优的神经元个数m和学习率lr更新pbest和gbest更新粒子的速度与位移更新惯性权重与加速因子进行迭代预测，输出预测结果结束
    电 网 技 术 3 算例分析 式中，x*为归一化后的数据；xmin、xmax 分别为 样本数据集的最小值与最大值；x 为原始样本数据。 Step 3：初始化模型参数，设置神经元个数 m 与学习率 lr 的取值范围、搜索范围，确定最大迭代 次数 Tmax 与种群数量 pop。 Step4：根据初始化 m 与 lr 的取值建立 LSTM 网络模型，对训练集、测试集的数据分别进行模型 训练与预测，将预测结果的平均绝对百分比误差作 为各粒子的适应度值。 Step5：根据粒子的初始适应度值确定 Pbest 与 Gbest 的位置，并将每个粒子的最优位置作为历史最 佳位置，以式（7）-（8）迭代更新粒子的速度与位 置，计算对应的粒子适应度值，并比较局部与全局 的最优解，使预测准确率最高。 Step6：判断终止条件（当粒子的适应度值趋于 稳定或迭代次数达到最大时），若满足终止条件，获 取最优的 m 与 lr 参数大小，否则返回 Step4。 Step7：根据 PSO 优化获得的最优参数构建 PSO-LSTM 预测模型，结合评价指标对预测结果进 行分析。 2.3 模型评价标准 为了准确验证本文所提的 PSO-LSTM 网络模 型的预测性能，选取平均绝对百分比误差（yMAPE）、 根均方误差（yRMSE）、预测精度（yFA）和决定系数 R2 作为评价指标对模型预测效果进行分析，其中 yMAPE 与 yRMSE 数值越小，yFA 数值越大、R2 的值越接 近 1，表示拟合优度越大，模型预测结果越准确， 具体定义公式如下： （12） （13） （14） （15） 式中，n 表示测试集的样本容量；Xact(i)和 Xpred(i) （i=1,2,…n）分别为第 i 时刻油中溶解气体浓度的 真实值和预测值； 表示预测样本真实值的平均值； SSR 与 SST 分别表示回归平方和、总离差平方和。 为验证本文所提出的 PSO-LSTM 网络预测模 型的科学性与可靠性，本文算例分析使用云南省某 220KV 变压器的在线监测的油色谱数据为例，特征 向量输入如附录表 A1 所示，文中以 C2H4 的检测数 据序列为例展开介绍，构建预测模型结构如图 3 所 示，最后将实验预测结果与 LSTM、RNN 、RF 和 SVM 网络模型预测结果进行对比，分析不同模型的 预测精度。 3.1 实验数据集与实验环境 样本数据为 2018 年 9 月 1 日到 2019 年 7 月 1 日，共计 300 组检测的油色谱数据，监测周期为 1 天，以 2018 年 9 月到 2019 年 6 月油色谱数据作为 训练数据集，以 2019 年 6 月到 2019 年 7 月作为测 试数据集，具体划分如附录表 A2 所示。 实 验 软 件 平 台 为 Anacaoda ， 编 程 语 言 为 Python3.5；Keras 具有模块化、支持训练模型层的 自由组合等 优点， 实验 采用 Keras 来实现基于 PSO-LSTM 网络模型的变压器油中溶解气体预测。 3.2 PSO-LSTM 网络模型参数选择与优化结果 将收集到的在线油色谱数据标准化处理后作为 特征参量输入 LSTM 网络模型，实现两个关键参数 的优化：神经元个数 m 与学习率 lr，取粒子适应度 为预测结果的平均绝对百分比误差，优化过程中模 型参数的设置如附录表 A3 所示。 PSO-LSTM 网络模型由输入层、一个隐藏层和 输出层组成[21]，采用 Adam 算法训练 LSTM 内部参 数，隐藏层中的激活函数使用 tanh 函数，网络节点 的舍弃率取 0.2，为防止过度拟合，迭代次数取 100； 同时，利用训练集样本数据构建 LSTM 网络、RNN 网络、SVM 网络、RF 网络预测模型，结合参考文 献[22-23]可将 LSTM 模型中学习率设置为 0.001、 隐藏层神经元个数可由经验公式（16）进一步通过 控制变量的方法，不断增加神经元的个数来调试模 型的预测效果，实验结果如表 1 所示，分析可知最 终选取神经元的个数为 10；RNN 网络模型中激活 函数使用 Relu，初始学习率为 0.01，隐藏层单元数 为 10，训练次数 100 次；SVM 网络模型中采用径 向核函数（RBF），其中核参数为 8.4193，惩罚因子 C 取 1000，停止训练误差取 0.001；RF 网络模型中 决策树棵树为 500，分裂特征数取 4。 表 1 模型组合结构实验结果 Tab.1 Model combined structure experimental results 平均相对误差 LSTM 网络层数 神经元个数 1 1 3 6 1.459 1.201 1()()1()nactpredMAPEiactXiXiynXi=−=21(()())nactprediRMSEXiXiyn=−=()()(1)100%()actpredFAactXiXiyXi−=−22121(())(())npredinactiXiXSSRRSSTXiX==−==−X*minmaxminxxxxx−=−
    电 网 技 术 1 1 1 9 12 15 0.952 1.157 1.269 （a）粒子适应度变化 （b）隐藏层神经元个数变化 （c）学习率变化 （a）Particle fitness change （b）Hidden layer neurons （c）Learning rate change 图 4 PSO-LSTM 最优粒子 m、lr 和 Tmax 的变化 Fig. 4 Variation of optimal particle m, lr and Tmax of PSO-LSTM （16） 式中，p 和 q 分别为输出层和输入层的节点数， a 为[0，10]之间的常数，本文 p、q 分别为 1 和 7。 隐藏层神经元个数 m 与学习率 lr 的优化结果如 图 4 所示：分别表示粒子适应度、隐藏层神经元个 数和学习率随迭代次数变化而变化的规律，从图 4 （a）可以得出随着迭代次数的增加，粒子适应度最 终稳定在 0.771，图 4（b）显示了隐藏层神经元个 数随着迭代次数的变化，最终稳定在 8 个，图 4（c） 表明了学习率随着迭代次数的变化，最终稳定在 0.0022。 3.3 PSO-LSTM 模型预测结果 本文选取 PSO-LSTM 组合模型来实现油中溶 解气体浓度的预测，实际气体含量曲线与其他模型 预测气体含量曲线如图 5 所示，预测结果的评价指 标如表 2 所示。 LSTM 预测模型的 yMAPE 指标分别降低了 7.76%、 10.29%和 54.50%，yRMSE 指标分别降低了 8.61%、 9.8%、和 53.38%，yFA 分别提高了 0.083%、0.042%、 和 0.435%，说明 LSTM 预测模型在处理时间序列问 题上面有着更好的预测效果；PSO-LSTM 模型对比 LSTM 预测效果，其中 yMAPE、yRMSE 分别降低了 15.74%、23.19%，yFA 提高了 0.144%，表明经粒子 群优化后的 LSTM 模型提高了预测准确率，也体现 出了对 LSTM 模型进行参数优化的必要性。 表 2 不同预测模型对比 Table 2 Comparison of different predictive model 模型 PSO-LSTM LSTM RNN SVM RF 平均相对误 根均方误差 预测精度 决定系数 差(yMAPE/%) (yRMSE/%) 0.771 0.915 0.992 1.020 2.011 0.106 0.138 0.151 0.153 0.296 yFA 99.228 99.085 99.002 99.043 98.656 R2 0.990 0.891 0.851 0.792 0.683 进一步量化分析 5 种预测模型的效果，由决定 系数 R2 的计算结果可知：本文所提的 PSO-LSTM 预测模型的 R2 值为 0.990，最接近于 1，即模型预 测结果最好；图 6 也说明了 PSO-LSTM 组合预测 模型整体预测误差小，具有较好的预测效果。 图 5 乙烯浓度预测曲线与实际对比图 Fig. 5 Ethylene concentration prediction curve and actual comparison chart 分析可知：相较于 RNN、SVM 与 RF 预测模型， ()mpqa=++
    电 网 技 术 图 6 样本相对误差对比 Fig. 6 Sample relative error comparison 表 3 实际值和预测值及绝对百分比误差 Table 3 Actual and predicted values and absolute percentage error PSO-LSTM 模型 LSTM 模型 RNN 模型 SVM 模型 RF 模型 序号 真实值 预测值 绝对百分比 预测值 绝对百分比 预测值 绝对百分比 预测值 绝对百分比 预测值 绝对百分比 (μL/L) 误差（%） (μL/L) 误差（%） (μL/L) 误差（%） (μL/L) 误差（%） (μL/L) 误差（%） 10.612 10.649 10.350 10.273 10.697 10.755 10.854 11.004 8.785 8.883 9.024 8.955 8.848 8.799 9.110 8.968 10.121 10.080 10.104 10.079 9.356 9.178 9.890 9.211 9.574 9.882 10.936 10.782 10.554 10.399 — — — — 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 平均误 差% 最大误 差% 0.351 0.751 0.535 1.377 0.716 0.944 0.955 0.152 0.406 0.252 1.553 4.314 0.077 1.404 1.466 1.017 4.314 10.561 10.233 10.688 10.968 8.886 8.853 9.144 8.984 10.024 10.030 9.226 9.732 9.837 10.718 10.311 — — 0.479 1.134 0.091 1.044 1.145 0.345 1.331 0.328 0.954 0.741 1.396 6.039 0.537 1.996 2.299 1.324 6.039 10.679 10.322 10.794 10.321 8.943 8.916 9.212 9.099 10.154 10.155 9.833 9.198 10.167 10.923 10.533 — — 0.629 0.273 0.907 4.911 1.793 0.370 2.081 1.614 0.329 0.501 5.098 0.218 2.800 0.123 0.195 1.456 5.098 10.681 10.308 10.802 11.116 8.771 8.891 9.177 8.906 10.184 10.194 9.337 9.811 10.006 11.029 10.622 — — 0.648 0.406 0.973 2.413 0.165 0.089 1.702 0.538 0.620 0.882 0.203 6.898 1.182 0.854 0.647 1.215 6.898 10.601 10.414 10.607 10.675 9.353 8.771 9.021 9.485 10.071 10.064 9.556 9.161 9.955 10.613 10.486 — — 0.100 0.615 0.849 1.650 6.463 1.259 0.035 5.928 0.497 0.403 2.138 0.182 0.658 2.951 0.636 1.624 6.463 表 3 为不同算法模型验证连续 15 天乙烯浓度实 际值和预测值及绝对百分比误差的汇总表。本文所 提出的 PSO-LSTM 模型在连续 15 天的测试中，平 均绝对百分比误差为 1.017%，最大绝对百分比误差 4.314%，yMAPE 指标相较于 LSTM、RNN、SVM 和 RF 模型分别降低了 23.19%、30.15%、16.30%和 37.38%，预测结果无论是平均预测误差还是最大预 测误差均优于其他模型预测方法，精度更高。 同理，继续以 2018 年 9 月 1 日到 2019 年 7 月 1 日之间的油色谱数据为例，采用 PSO-LSTM 预测 模型对变压器油中溶解的其他气体浓度进行预测， 结果如表 4 所示。由表 4 可知，PSO-LSTM 方法的 预测误差均低于 LSTM、RNN、SVM、RF 方法， 具有较高的预测稳定性与可靠性。 表 4 其他气体浓度预测结果对比 Table 4 Comparison of other gas concentration 气体 类型 评价 标准 prediction results 预测模型类型 PSO-LSTM LSTM RNN SVM RF yMAPE/% 0.873 1.188 1.206 1.087 2.879 H2 yRMSE/% 0.126 0.203 0.142 0.153 0.666 yFA 99.216 99.018 99.032 98.931 99.304 yMAPE/% 0.973 1.058 1.117 1.126 2.469 CH4 yRMSE/% 0.128 0.172 0.193 0.189 0.503 yFA 99.013 98.987 98.876 99.001 98.405 yMAPE/% 0.892 1.081 1.172 1.183 2.034 C2H6 yRMSE/% 0.132 0.161 0.169 0.172 0.317 yFA 99.212 99.017 98.324 98.982 98.473
    电 网 技 术 yMAPE/% 0.911 0.982 1.092 1.203 2.671 System Technology，2015，39(11)：3298-3304. C2H2 yRMSE/% 0.136 0.151 0.184 0.201 0.362 [5] Z. Rui-rui, Z. Ji-yin and Z. Ting-ting, "Prediction of Power Transformer Oil Dissolved Gas Concentration Based on Modified Gray Model," yFA 99.102 99.089 98.981 98.803 98.287 2010 International Conference on Electrical and Control Engineering, yMAPE/% 0.902 1.045 1.236 1.432 2.983 CO yRMSE/% 0.138 0.157 0.239 0.288 0.487 yFA 99.092 99.071 98.820 98.675 98.132 yMAPE/% 0.876 0.992 1.089 1.167 3.153 Wuhan, 2010, pp. 1499-1502. [6] 林屹，严洪森，周博. 基于多维泰勒网的非线性时间序列预测方法 及其应用[J]. 控制与决策，2014，29(5)：795-801. LIN Yi，YAN Hongsen，ZHOU Bo，Nonlinear time series prediction method based on multi-dimensional Taylor network and applications[J]. Control and Decision，2014，29(5)：795-801. its CO2 yRMSE/% 0.128 0.137 0.187 0.204 0.703 [7] 金阳忻. 基于模糊神经网络的电能表误差超差风险预测模型[J].电网 yFA 99.135 99.043 98.731 98.801 98.259 4 结论 本文结合目前人工智能技术的快速发展，对于 变压器油中溶解气体浓度预测精度逐渐提高的要 求，提出了一种基于 PSO-LSTM 网络模型来追踪油 中溶解气体浓度的变化规律。得到如下结论： （1）采用 PSO 优化算法对 LSTM 模型中的超 参数进行优化，解决了依据经验选取参数而导致的 模型拟合能力不够、预测精度低的问题。 （2）利用 LSTM 网络适用于时序性的特点， 相较于其他 4 种模型，本文构建的 PSO-LSTM 组合 预测模型预测精度方面有着较大的提升。 （3）计算机技术的快速发展结合大数据平台的 综合运用，将模型运用到其他预测领域，可能挖掘 出更多的有效信息，进而提高预测精度，可为后续 变压器的故障诊断、状态评估提供理论指导。 本文得到了云南省教育厅科学研究基金项目 (2018JS032)资助，谨此致谢! 附录见本刊网络版(http://www.dwjs.com.cn/CN/volumn/ current.shtml)。 参考文献 [1] 李刚，于长海，刘云鹏，等. 电力变压器故障预测与健康管理:挑战 与展望[J].电力系统自动化，2017，41(23)：156-167. Li Gang，YU Changhai，LIU Yunpeng，et al．Challenges and Prospects of Fault Prognostic for Power Transformer[J].Automation of Electric Power Systems，2017，41(23)： and Health Management 156-167. [2] 汪可，李金忠，张书琦, 等. 变压器故障诊断用油中溶解气体新特征 参量[J].中国电机工程学报，2016，36(23)：6570-6578+6625. WANG Ke，LI Jinzhong，ZHANG Shuqi，et al．New Features Derived from Dissolved Gas Analysis Transformers[J]. Proceedings of 6570-6578+6625. for Fault Diagnosis of Power the CSEE ， 2016 ， 36(23) ： [3] Mirowski P, LeCun Y. Statistical Machine Learning and Dissolved Gas Analysis: A Review[J]. IEEE Transactions on Power Delivery, 2012, 27(4): 1791-1799. [4] 吴广宁，姚梦熙，辛东立，等. 油浸绝缘纸在不均匀热老化下的试 验研究[J].电网技术，2015，39(11)：3298-3304. WU Guangning，YAO Mengxi，XINdongli，et al．Experimental Study on Oil-Impregnated Paper With Non-Uniform Thermal Aging[J]. Power 技术，2019，43(6)：1962-1968. JIN Yangxin，Electrical Power Meter Error Overproof Calculation Model Based on Fuzzy Neural Network[J]. Power System Technology， 2019，43(6)：1962-1968. [8] 陆继翔，张琪培，杨志宏，等.基于 CNN-LSTM 混合神经网络模型 的短期负荷预测方法[J].电力系统自动化，2019，43(8)：131-137. LU Jixiang，ZHANG Qipei，YANG Zhihong，et al．Short-term Load Forecasting Method Based on CNN-LSTM Hybrid Neural Network Model [J].Automation of Electric Power Systems，2019，43(8)：131-137. [9] 邓带雨，李坚，张真源，滕予非，黄琦.基于 EEMD-GRU-MLR 的短 期电力负荷预测[J].电网技术，2020，44(2):593-602. DENG Daiyu， LI Jian ， ZHANG Zhenyuan ，et al．Short-term Electric Load Forecasting Based on EEMD-GRU-MLR[J]. Power System Technology，2020，44(2):593-602. [10] 贺建章，王海波，季知祥，等.基于随机森林理论的配电变压器重过 载预测[J]. 电网技术，2017，41(8)：2593-2597. HE Jianzhang，WANG Haibo，JI Zhixiang，et al．Heavy Overload Forecasting of Distribution Transformers Based on Random Forest Theory[J]. Power System Technology，2017，41(8)：2593-2597. [11] 胡玉可，夏维，胡笑旋，孙海权,王云辉.基于循环神经网络的船舶航 迹预测[J/OL].系统工程与电子技术:1-9[2020-03-20] HU Yuke，XIA Wei，HU Xiaoxuan，et al．Vessel trajectory prediction based on recurrent neural network[J/OL]. Systems Engineering and Electronics:1-9[2020-03-20] [12] Jordan M I ． Serial order ： a parallel distributed processing approach[J]．Advanced in Psychology，1997，121(4)：471-495． [13] 周艳真，吴俊勇，冀鲁豫, 等. 基于两阶段支持向量机的电力系统暂 态 稳 定 预 测 及 预 防 控 制 [J]. 中 国 电 机 工 程 学 报 ， 2018 ， 38(1) ： 137-147+350. ZHOU Yanzhen，WU Junyong，JI Luyu，et al．Two-stage Support Vector Machines for Transient Stability Prediction and Preventive Control of Power Systems[J]. Proceedings of the CSEE ， 2018 ， 38(1) ： 137-147+350. [14] 刘云鹏，许自强，董王英，等. 基于经验模态分解和长短期记忆神 经网络的变压器油中溶解气体浓度预测方法[J].中国电机工程学报， 2019，39(13)：3998-4008. LIU Yunpeng，XU Ziqiang， DONG Wangying，et al．Concentration Prediction of Dissolved Gases in Transformer Oil Based on Empirical Mode Decomposition and Long Short-term Memory Neural Networks[J]. Proceedings of the CSEE，2019，39(13)：3998-4008. [15] 朱乔木，李弘毅，王子琪，等.基于长短期记忆网络的风电场发电功 率超短期预测[J].电网技术，2017，41(12)：3797-3802. ZHU Qiaomu，LI Hongyi，WANG Ziqi1，et al．Short-Term Wind Power Forecasting Based on LSTM[J]. Power System Technology，2017， 41(12)：3797-3802. [16] Hochreiter S，Schmidhuber J. Long short-term memory[J]. Neural Computation，1997，9(8): 1735-1780. [17] 吕海灿，王伟峰，赵兵，张毅，郭秋婷，胡伟.基于 Wide&Deep-LSTM 模型的短期台区负荷预测[J].电网技术,，2020，44(2):428-436.
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料