基于LSTM神经网络的地铁变压器绕组温度预测_温建民.pdf
《基于LSTM神经网络的地铁变压器绕组温度预测_温建民.pdf》由会员分享,可在线阅读,更多相关《基于LSTM神经网络的地铁变压器绕组温度预测_温建民.pdf(5页珍藏版)》请在咨信网上搜索。
1、都市快轨交通第 36 卷 第 3 期 2023 年 6 月 收稿日期:2022-03-15 修回日期:2022-06-06 第一作者:温建民,男,正高级工程师,主要从事城市轨道交通、电气化铁路供电系统设计和智能化研究工作, 基金项目:中央高校基本科研业务费重大项目(2018JBZ004)引用格式:温建民,何斌,王开康,等.基于 LSTM 神经网络的地铁变压器绕组温度预测J.都市快轨交通,2023,36(3):77-81.WEN Jianmin,HE Bin,WANG Kaikang,et al.Temperature prediction of subway transformer windi
2、ngs based on LSTMJ.Urban rapid rail transit,2023,36(3):77-81.77URBAN RAPID RAIL TRANSIT学术探讨doi:10.3969/j.issn.1672-6073.2023.03.013 基于 LSTM 神经网络的 地铁变压器绕组温度预测 温建民1,何 斌1,王开康1,叶 飞1,刘红健2,陈 杰2,刘志刚2(1.中铁第四勘察设计院集团有限公司,武汉 430063;2.北京交通大学电气工程学院,北京 100044)摘 要:传统的地铁状态监测系统仅能反映变压器绕组当前的温度状态及其历史温度趋势,当绕组温度超过阈值时系统报警
3、,但不能对绕组未来的温度变化进行预测。绕组温度受设备运行功率和环境温度等多重因素影响,其变化呈现非线性和周期性,传统预测方法精度难以提升。本文基于长短期记忆网络(long short-term memory,LSTM)算法预测变压器绕组温度,选取绕组温度、环境温度、运行功率、运行电流作为输入变量,收集变压器历史状态数据构成训练数据进行离线训练,通过训练完成的绕组温度预测模型反映多重影响因素与绕组温度的变化关系。最后将算法应用于某地铁站动力变压器,收集样本数据进行训练得到温度预测模型,将测试数据输入模型中,计算绕组温度真实值和预测值之间的相对温差,分析验证算法可行性与模型准确度。结果表明:LST
4、M 算法面对大数据量样本可充分挖掘多重影响因素与绕组温度之间的深层关系,温度预测模型可准确预测绕组温度的变化。关键词:长短期记忆网络;地铁变压器;温度预测;状态监测 中图分类号:U231 文献标志码:A 文章编号:1672-6073(2023)03-0077-05 Temperature Prediction of Subway Transformer Windings Based on LSTM WEN Jianmin1,HE Bin1,WANG Kaikang1,YE Fei1,LIU Hongjian2,CHEN Jie2,LIU Zhigang2(1.China Railway Siy
5、uan Survey and Design Group Co.,Ltd.,Wuhan 430063;2.School of Electrical Engineering,Beijing Jiaotong University,Beijing 100044)Abstract:Traditional subway condition monitoring systems can only reflect the current temperature state of a transformer winding and its historical temperature trend.When t
6、he winding temperature exceeds the threshold,the system provides an alarm.However,the system cannot predict future temperature changes in the transformer or changes in the equipment operating state.The winding temperature is affected by multiple factors,such as operating power and ambient temperatur
7、e,and its change is nonlinear and periodic.However,improving the accuracy of traditional prediction methods is challenging.With the development of deep-learning technology,the transformer winding temperature has been predicted using a long short-term memory(LSTM)algorithm.The winding temperature,amb
8、ient temperature,operating power,and operating current were selected as the input variables,and the historical state data of the transformer were collected to form a large amount of training data for offline training.The transformer temperature prediction model reflects the relationship between mult
9、iple influencing factors and winding temperature.Finally,the algorithm was applied to a subway power transformer.Sample data were collected for training to obtain the temperature prediction model.The test data were input into the trained model.The relative difference between the real and predicted v
10、alues of the winding temperature was calculated to analyze and verify the feasibility and accuracy of the algorithm.The results showed that the LSTM algorithm can fully mine the relationship 都市快轨交通第 36 卷 第 3 期 2023 年 6 月 78 URBAN RAPID RAIL TRANSIT between multiple influencing factors and winding te
11、mperature in the face of large data samples.The temperature prediction model can accurately predict changes in the winding temperature.Keywords:long short-term memory;subway transformer;temperature prediction;condition monitoring 地铁状态监测系统被用于掌握系统内各供电设备的实时运行状况,帮助运维人员提前发现设备故障和潜在隐患,以便进行预防性维修。传统的地铁状态监测系统
12、在变压器各处设置传感器进行数据采集,汇总后如实反映设备当前的运行状态,当绕组温度超过阈值时进行报警,提醒运维人员及时处理。现有的故障检测只有温度检测能用于阈值报警,对于恶性故障由于热阻影响阈值报警经常不及时,对于缓变故障则由于并未达到报警阈值会存在长时间的带病运行而不能及时发现。绕组温度预测能有效克服上述弊端,有助于提前感知设备状态,它使用变压器过去一段时间的历史状态数据计算得到当前绕组温度预测值,根据温度预测值与传感器反馈的当前绕组温度真实值的差值判断设备当前运行状态,若差值过大则代表设备运行出现问题。传统电力变压器承担负荷变化相对稳定和可预见,其绕组温度变化也比较规律。地铁变压器受地铁列车
13、影响,功率变化非常剧烈,通常区段内有列车运行时,变压器负荷会非常大,没有列车运行时则负荷很小,这个变化周期非常快。随着地铁迈向智能运维,收集设备历史状态数据并为每台变压器建立独特准确的绕组温度预测模型,有助于推动监测数据从“重监测轻应用”向“重分析和挖掘”的转变,推动城轨供电系统由“故障修”、“计划修”转向“状态修”,提前发现系统运行存在的安全隐患,提高运维效率,降低运维成本。鉴于变压器结构的复杂性和多因素影响下温度变化的非线性,传统的计算方法难以准确地描述绕组温度变化的特性曲线,当前人工智能算法逐渐被应用于绕组温度预测中,通过大样本数据的学习,建立负载和环境温度等影响因素与绕组温度之间的关系
14、模型1。变压器温度预测算法主要包括基于时间序列的支持向量机2、Kalman 滤波3和神经网络4等算法。支持向量机和Kalman 滤波适用于样本量较少时的变压器温度预测,面对长时间序列的大样本数据,神经网络更加适合5。传统的循环神经网络(recurrent neural network,RNN)存在长程依赖问题,而长短期记忆网络(long short-term memory,LSTM)可以更好地挖掘长时间序列中的隐藏信息。文献6将 LSTM 算法应用于变电设备热点温度预测,通过温度预测值判断设备当前缺陷性质。文献7采用 LSTM 算法选取油中溶解特征气体体积分数等作为输入变量对油式变压器进行状态
15、预测。鉴于神经网络对大样本数据的适应性,本文采用LSTM 算法进行绕组温度预测,以变压器历史运行数据和环境气象数据为基础,根据影响大小选取合适的状态变量作为模型输入,通过变压器绕组温度预测模型建立多重影响因素与变压器绕组温度之间的关联关系,对绕组温度进行准确预测,为地铁变压器运维检修方案的制定提供参考。1 LSTM 算法原理 1.1 LSTM 网络结构 LSTM 网络为解决普通 RNN 网络长程依赖问题而提出,其特点是引入输入门(Input gate)、遗忘门(Forget gate)、输出门(Output gate)来筛选信息并暂时储存在候选记忆单元(Candidate memory cel
16、l)中,最后通过记忆单元(Memory cell)来存储长程信息8。LSTM 网络结构如图 1 所示。图 1 LSTM 网络结构 Figure 1 Structure of LSTM 当前时间输入 Xt和前一个时间隐藏状态 Ht-1送入LSTM 网络中,通过采用 sigmoid(x)激活函数的全连接层处理,以计算输入门、遗忘门和输出门的值。计算公式为:1sigmoid()1exp()xx=+-(1)1sigmoid()ttxithiiIX WHWb-=+(2)1sigmoid()ttxfthffFX WHWb-=+(3)1sigmoid()ttxothooOX WHWb-=+(4)式中:It为
17、输入门参数,Wxi、Whi为输入门权重参数,bi为输入门偏置参数;Ft为遗忘门参数,Wxf、Whf为遗忘门权重参数,bf为遗忘门偏置参数;Ot为输出门基于 LSTM 神经网络的地铁变压器绕组温度预测 79URBAN RAPID RAIL TRANSIT参数,Wxo、Who为输出门权重参数,bo为输出门偏置参数。候选记忆单元通过使用 tanh(x)激活函数的全连接层进行处理,从而将单元值限制在(1,1),计算公式为:tanh()2sigmoid(2)1xx=-(5)1tanh()ttxcthccCX WHWb-=+?(6)式中:Wxc,Whc为候选记忆单元权重参数;bc为候选记忆单元偏置参数。记
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSTM 神经网络 地铁 变压器 绕组 温度 预测 温建民
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。