欢迎来到天天文库
浏览记录
ID:46292907
大小:246.12 KB
页数:4页
时间:2019-11-22
《基于广义回归神经网络的变压器油中特征气体发展趋势预测研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、2014年12月吉林电力Dec.2014第42卷第6期(总第235期)JilinElectricPowerVo1.42No.6(Ser.No.235)基于广义回归神经网络的变压器油中特征气体发展趋势预测研究PredictiononFeatureGasTrendofTransformerOilbasedonGeneralRegressionNeuralNetwork冷传东,姜欣,金宝旭。(1.国网长春供电公司,长春130021;2.吉林电力技术开发公司,长春130021;3.国网通化供电公司,吉林通化134001)摘要:通过对广义回归神经网络(GRNN)在预测
2、方面的研究,结合变压器特征气体检测的实际情况,建立了一种基于GRNN的变压器油中特征气体发展趋势的预测模型,用于等时间间隔和非等时间间隔采样,预测未来任意时刻变压器油中特征气体值、产气速率以及产气速率超出限定值的时间点,在吉林省多台变压器上应用,证明该方法预测误差均在允许范围之内,可避免设备故障的发生,提升了电网的运行水平。关键词:变压器;特征气体;广义回归神经网络(GRNN);发展趋势预测Abstract:Withthestudyongeneralregressionneuralnetworkinpredictionandcombingwiththepra
3、cticalresultoftransformerfeaturegas,anewfeaturegasdevelopmenttrendforecastingmethodfortransformeroilbasedongeneralregressionneuralnetworkhasbeenproposed.Thismethodisusedforintervalandnon—intervalsamplingandforecastingthefeaturegasvalue,productionrateatanytimeinthefuture,thetimethat
4、gasproductionrateexceedsthelimitvalue.Thismethodhasbeenverifiedbycertainamountofpracticalexamplesoftransformeroilfeaturegasdevelopmenttrend.Keywords:transformer;featuregas;developmenttrendforecast中图分类号:TM406;TP311文献标志码:A文章编号:1009—5306(2014)06—0011—04电力变压器由于在设计、制造以及运行过程中靠的科学依据[】
5、3】。
6、受到多方面因素的影响,常常导致一些潜伏性故障目前变压器油中特征气体发展趋势预测主要采的发生,最终发展为恶性事故。在潜伏性故障发生用灰色模型、BP神经网络等方法,但此类方法都存时,变压器内部的油中会产生多种特征气体。通过对在局限性。广义回归神经网络克服了灰色模型的不特征气体的检测(色谱分析),能有效发现变压器内足,可针对非等间隔的原始数据,预测变压器油中异部潜伏性故障的存在。在设备不具备停运检修的情常气体值及气体超出预定值时刻,进而在异常发生况下,专业人员将根据潜伏性故障的性质,重新规定前采取停运检修的措施,能有效地避免变压器在运设备的色谱检测周期。然而,由于
7、人为确定的色谱检行中发生严重的事故,使变压器的运行状态可控、能测周期会因不同人和不同专业水平的差异,难免存控、在控。在误判断情况,一旦误判就会造成检测周期的选择不当,导致下个色谱检测时间尚未到来前,变压器就1广义回归神经网络发生了不可逆转的故障;相反,人为拟定的检测周期过短,则会增加色谱试验工作的次数,浪费大量人力和物力。因此,科学地制定变压器油中特征气体检测广义回归神经网络(GRNN)与径向基网络结构周期是十分必要的。准确预测油中特征气体发展趋十分相似,以函数逼近理论为基础构造的~类前向势,就能为色谱检测周期的制定和及时调整提供可网络,由四层构成,分别为输
8、入层、模式层、求和层和收稿日期:2014—10—20作者简介:冷传东(1967),男,高级工程师,从事电力系统物资管理工作。2014年I2月Dec.2014第42卷第6期(总第235期)Vo1.42No.6(Ser.No.235)输出层,由于它具有结构自适应、输出与初始权值无∑Yfe‘’关的优良特性,在多维曲面拟合、自由曲面重构、函多()一上}——~(3)数逼近等领域有较多应用。GRNN具有较强泛化能∑e-d(xo,_力,且其算法易于实现,结构简单,便于编程,收敛较i1估计值(。)为所有样本观测值y的加权平均快⋯。值,每个观测值y的权重因子为对应样本z和。G
9、RNN的理论基础是非线性(核)回归分析],之间的Eu
此文档下载收益归作者所有