油中溶解气体组合预测方案及其在设备状态检修中的应用.pdf
《油中溶解气体组合预测方案及其在设备状态检修中的应用.pdf》由会员分享,可在线阅读,更多相关《油中溶解气体组合预测方案及其在设备状态检修中的应用.pdf(9页珍藏版)》请在咨信网上搜索。
1、湖北电力Vol.47 No 1 Feb.2023DOI:10.19308/j.hep.2023.01.011第 47 卷第 1 期2023 年 2月油中溶解气体组合预测方案及其在设备状态检修中的应用叶任时,马书民*(长江设计集团有限公司,湖北 武汉 430061)摘要 变压器油中溶解气体组成及浓度变化可以有效反映变压器的运行状态。若能准确预测其变化趋势,则能为变压器状态检修提供有效依据。为此,提出了一种基于信息熵的油中溶解气体组合预测方法。首先,对单一预测方法的平均预测误差进行扫描,选择在油中气体预测场景下表现优异的径向基函数神经网络算法(RBF)和支持向量机算法(SVM);其次,采用信息熵理
2、论对上述两种预测方法进行赋权,形成一种组合预测方案;最后,采用一系列实例验证了组合预测方法的准确性以及预测结果在实际工程中的有效性。关键词 油中溶解气体;组合预测;优选方法;信息熵;状态检修中图分类号 TM76 文献标志码 A 文章编号 1006-3986(2023)01-0076-09Combined Prediction Scheme of Dissolved Gases in Oil and Its Application in Equipment Condition MaintenanceYE Renshi,MA Shumin*(Changjiang Design Group Co.,
3、Ltd.,Wuhan Hubei 430061,China)Abstract The variation of dissolved gas composition and concentration in transformer oil can reflect the running state of transformer effectively.If the change trend can be predicted accurately,it will provide an effective basis for transformer condition-based maintenan
4、ce.In view of this,the paper proposes a combined prediction method of dissolved gas in oil based on information entropy.Firstly,the paper scans the average prediction error of a single prediction method,and selects support vector machine(SVM)algorithm and the radial basis function(RBF)neural network
5、 algorithm which performs well in the gas prediction scenario in oil,and then uses information entropy theory to weight the above two forecasting methods and form a combined prediction scheme.Finally,the paper employs a series of examples to verify the accuracy of the combined prediction method and
6、the effectiveness of the prediction results in practical projects.Key words dissolved gases in oil;combined prediction;optimal selection method;information entropy;condition-based maintenance0 引言变压器内部的绝缘油是由许多不同分子量的碳氢化合物组成,一旦变压器内部发生潜伏性故障,放电或过热现象会导致绝缘油中CH键和CC键断裂,由此产生的氢原子或自由基通过复杂的化学反应迅速重新化合,进而快速形成氢气和低分
7、子烃类气体。特别是,随着故障进程的不断发展,绝缘油中的溶解气体组成也随之慢慢发生变化。因此,分析油中溶解气体的组分和含量是监视充油电气设备安全运行最有效的措施之一。在此基础上,若能通过大量数据分析归纳绝缘油内部气体含量的变化规律,并在一定程度上对其发展趋势进行预测,则能在变压器内部故障严重之前,甚至在故障发生之前提前安排相关检修,避免可能出现的事故。值得注意的是,电弧放电、局部放电等故障由于具有瞬发性和高能性,不是简单的随机过程,而是混沌过程,只能通过当前油色谱数据进行检测判断,不在预测评估的范畴之内1。目前,国内外已有部分学者针对绝缘油内部的气体量预测开展了相关研究2-4,现有研究工作表明,
8、油收稿日期 2023-02-01作者简介 叶任时(1987),男,硕士,高级工程师,研究方向为新能源发电。通讯作者 马书民(1998),男,湖北武汉人,硕士,助理工程师,研究方向为新型电力系统发电。基金项目 国家自然科学基金项目(项目编号:5187070126)。76湖北电力Vol.47 No 1 Feb.2023第 47 卷第 1 期2023 年 2月中气体溶解浓度变化趋势具有一定的规律性或可预测性,但总体而言现有预测方法的精度还有进一步提高的空间5-6,而且变压器在不同工况下的油色谱发展规律不尽相同,仅采用单一算法难以保证不同工况下的预测精度,同时当历史油色谱数据出现较大幅度的波动时,单一
9、预测算法会得到误差较大的离散点,方法的鲁棒性有待提高7。此外,对于相同的数据样本,单一算法的预测结果可能是正误差(预测结果大于实测值),也可能是负误差(预测结果小于实测值)8。因此,针对这样的特征,有学者提出将多种单一预测方法进行组合9-11,在某种准则下构建最优化模型,以期实现中和预测误差、减小误差波动范围、提高预测精度的目标。但是,这些组合方法均是针对某一特定应用场景、以固定的几种单一预测方法进行组合,方法的普适性有待提高。组合预测方法的关键在于组合权重的确定,目前有学者通过计算预测误差的协方差矩阵构建最优化组合预测模型,求解得到最优的自适应变权重系数11,为本文油气组合预测方案中权重系数
10、的确定提供了有益的启迪。但上述方法采用均方误差作为概率分布预测模型的损失函数,在梯度参量下降时存在学习速率降低的问题。此外,现有的研究成果绝大部分侧重于预测方法理论的研究,缺乏实际工程场景的应用。在目前的实际运维中,工作人员仅能通过关注状态量数值是否超标来对设备的异常状态进行判断及处理,无法基于预测结果进行设备状态变化的预警。针对上述不足并结合现场实际情况,本文提出了一种基于信息熵组合的油中溶解气体含量预测方法。首先基于前期收集到的变压器运行数据样本对常用的预测算法进行比较,选取相对表现最优的两种算法建立本文的预测模型,其次利用多信息融合技术,运用信息熵组合预测算法,将选取的神经网络与支持向量
11、机算法进行有机组合,综合考虑多项造成预测误差因素的影响,并运用熵权法分配各因素的权重。最后,通过与常用的最优权重组合预测算法以及原有算法的对比,验证本文所提算法的优越性与可靠性。1 预测算法简述1.1预测算法适应性评价目前预测算法种类繁多,但不同的预测方法对不同场景具有不同的适应性。为寻找到最适合预测油中气体含量变化规律的方法,本文选取平均误差以及最大误差作为预测方法的筛选指标,其数值上越小,则预测精度越高,对油中气体预测的适应性也越强。其中,平均误差的定义如式(1)所示:i=1nj=1n|yij-y ij|yij 100%(1)式(1)中,i表示第i种预测算法的平均误差,n表示数据样本的总量
12、,yij表示实际测量值,y ij表示算法预测值。在此基础上,选择了支持向量机、RBF神经网络、灰色理论、回归分析、遗传算法、蚁群算法、模糊数学法以及贝叶斯网络这8种常见的预测算法作为待选算法,并利用收集到的1 000多组油浸绝缘电气主设备正常工况下的运行数据进行预测训练,得到的训练误差如表1所示。从表1可以看出,支持向量机和RBF神经网络算法在进行油色谱预测时,相比于其他预测方法,预测平均误差与最大误差都能有较优异的表现。因此,本文选用支持向量机与RBF神经网络算法进行预测。但值得注意的是,并不是所有场景都要选取支持向量机和RBF神经网络预测方法两种算法,也并没有规定只能选取两种方法进行组合。
13、事实上,如果有多种预测方法同时表现得较为优异,此时可以选取多种预测方法进行组合,本文只是提供一个组合预测思路,具体选取方法根据实际场景决定。1.2径向基神经网络预测算法RBF神经网络属于前向神经网络类型,网络的结构与多层前向网络类似,是一种三层的前向网络,具体如图1所示12-13。第一层为输入层,由信号源结点组成;第二层为隐含层,隐含层节点数由所描述问题的需要而定,隐含层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负非线性函数,该函数是局部响应函数,而以前的前向网络变换函数都是全局响应的函数;第三层为输出层,它对输入模式做出响应。表1常见预测算法的误差比较Table 1Error
14、 comparison of common prediction algorithms选用算法支持向量机RBF神经网络灰色理论回归分析遗传算法蚁群算法模糊数学法贝叶斯网络平均误差/%6.797.389.2112.437.677.8210.7515.94最大误差/%15.8417.4234.5532.7841.9132.9041.2938.81 77湖北电力Vol.47 No 1 Feb.2023第 47 卷第 1 期2023 年 2月在 RBF 网络中,输入层仅仅起到传输信号的作用,与神经网络相比,输入层和隐含层之间可以看作连接权值为1的连接。输出层和隐含层所完成的任务是不同的,因而它们的学习
15、策略也不相同。输出层是对线性权进行调整,采用的是线性优化策略。因而学习速度较快。而隐含层是对激活函数(格林函数或高斯函数,一般取高斯函数)的参数进行调整,采用的是非线性优化策略,因而学习速度较慢。RBF神经网络算法用于点预测时自身需要确定3个参数:基函数的中心、方差及隐含层到输出层的权重,这几个参数会影响 RBF 神经网络的泛化性能。RBF的输出可表述为:y(dist,wi)=i=1NwiR(dist)(2)式(2)中,N为隐层单元总数,t=1,2,m,m为训练样本总数。1.3支持向量机预测算法SVM利用回归算法解决预测问题,其中回归算法分为线性回归和非线性回归14。其中线性回归给定训 练 样
16、 本 集(x1,y1),(x2,y2),(xt,yt),其 中xi Rn,yi R,则回归线性方程可以用式(3)表示:f(x)=wTx+b(3)最佳线性回归函数可以转化为求解式(4)中函数的最小值得到,如式(4)所示:(w,)=12|w|2+C(i=1ti+i=1ti)(4)式(4)中,C表示惩罚因子,、表示松弛变量的上下限,且满足约束条件如式(5)和式(6)所示:f(xi)-yi i+,i=1,k(5)yi-f(xi)i+,i=1,k(6)式(5)、式(6)中,0,*0,i=1,k。在此基础上,为求解该最优问题,本文引入Lagrange函数,如式(7)所示。L(w,b,a,a,)=12|w|
17、2-Ci=1t(i+i)-i=1tai i+-yi+f(xi)-i=1tai i+yi-f(xi)-i=1t(ii+ii)(7)式(7)中,0,*0,0,*0,0,*0,i=1,k。根据定义,Lagrange函数L应对w,b,i,i求最小值,因此应满足以下条件Lw=0,Lb=0,Li=0,Li=0,进而可以得到优化问题的凸二次对偶形式:w(a,a)=-12i,j=1t(ai-ai)(aj-aj)(xTixj)+i=1t(ai-ai)yi-j=1t(aj-aj)yj(8)其约束条件应满足:i=1t(ai-ai)=0,0 ai,aiC,i=1,k。此 外,对 于 非 线 性 回 归 问 题f(x)
18、=i=1n(ai-ai)k(xi,x)+b,首先使用一个非线性映射函数把原样本空间映射到一个高维空间中,再在高维空间中利用线性回归的方法来进行分析,这种情况下关键是要求得这个映射函数,这里非线性回归问题变成求w(a,a)在约束条件下的最大值,其中w=i=1t(ai-ai)(xi),式中参数求解方式与线性回归问题相同15,在这里不再过多叙述。影响SVM预测精度的主要有三方面因素:正则化参数、不敏感参数以及核参数。其中正则化参数影响了模型的泛化特性,不敏感参数影响了支持向量的数量,而核参数则反映了训练样本数据的分布或范围特性。适当的参数选择可以更精确地对数据进行预测。2 基于信息熵的组合预测算法算
19、法的选择只是预测的第一步,为了得到准确的预测结果,还需要对算法本身进行相应的优化调整与改进。不同的函数模型均有其自身对应的参数需要根据数据样本进行拟合,而这些参数需要随着数据样本的变化作出自适应改变,从而更好地对数据进行预测。特别是在训练数据样本不完善的情况下,预测误差将显著增大。因此,需要将不同算法进行有机组合,扬长避短,充分发挥算法的优势,尽可能地减小预测误差。考虑到影响充油设备油中溶解气体浓度的因素很多,但暂时无法获取完整的相关因素的统计数据,所以仅能划分不同的时间区间(日、周、月),通过分析待预图1径向基神经网络结构示意图Fig.1Diagram of radial basis fun
20、ction neural network structure 78湖北电力Vol.47 No 1 Feb.2023第 47 卷第 1 期2023 年 2月测气体的历史数据来预测其未来发展趋势。事实上,仅用单一预测模型进行预测时,因其考虑角度的局限性、信息选择的片面性以及信息利用程度的差异性,导致其预测精度不高且稳定性差。而组合预测法能很好地综合各种单一预测算法的优势,更大限度地发挥不同方法的优点,做出正确的预测16。经调研可知,目前主要使用的组合预测算法是最优权重组合预测,具体步骤是:对于各种单项预测模块,先计算各自的最优权重,形成组合预测模型,然后加权综合求出最终的预测结果。目前对于最优的标
21、准,多是按照测量误差平方和最小为原则,采用拉格朗日乘子,进行最优权重的计算。然而,最优权重组合预测算法也存在着问题,在计算中往往只能考虑单一因素的影响,因而精度还是受限17-18。为了解决这个问题,本文引入了基于信息熵的组合预测算法,该算法可以综合考虑多项因素的影响,并运用熵权法智能分配各因素的权重,使预测精度进一步提高19。熵权法可以综合各预测模型的重要性和指标提供的信息量这两方面更客观地确定各模型的最终权重。某个预测模型的信息熵越小,表示该模型的变异程度越大,所提供的信息量越多,即在整个预测过程中起到的作用越大,其权重也越大 20。本文采用的组合预测模型使用多种评价指标来评判各单一预测方法
22、的预测精度,评价指标j(j=1,2,q)的重要性熵值如式(9)所示:e(dj)=-k()nijdjlnnijdj(9)dj=i=1mnij(10)nij=Nijj=1ni=1mNij(11)k=(lnm)-1(12)Nij=(maxi nxij-xij)/(maxi nxij-mini nxij)(13)式(9)-式(13)中,Nij为各评价指标参数值相对于各评价指标的接近程度,x表示训练样。由于信息熵e(dj)可用来衡量评价指标j信息的有用程度,信息熵越小则评价指标j的有效程度越高,因此用hj来评价指标j的信息效用程度hj=1-e(dj)。利用熵权法计算各评价指标的客观权重,实质上是利用该评
23、价指标信息的效用价值系数来计算的,效用价值系数越高,对评价的重要性就越大,于是得到评价指标的客观权重值j如式(14)所示。j=hjj=1nhj(14)最后,利用上个步骤求出的信息熵,可求出预测方法i的熵权值,即对应的权重值21:i=j=1n()jNiji=1mj=1n()jNij(15)由 Q/GDW169-2008油浸式变压器(电抗器)状态评价导则22可知,充油设备内部的绝缘材料在放电或过热情况下,会产生各种特征气体。其中对充油设备故障诊断分析有价值的特征气体主要有氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)。这里以H2为例,对其含量进行预测分析。为了比
24、较预测值与实测值,采用预测的相对误差和平均相对误差来评价算法的预测结果,定义如下:=y-yy 100%(16)=1ni=1ny-yy 100%(17)式(16)、式(17)中y为实际监测值,y为模型预测值,n为样本个数。综上,所提基于信息熵的组合预测算法的具体思路如图2所示。3 仿真验证3.1组合预测方法的优越性验证为验证所提算法的优越性,本文以北京某220 kV发电厂主变在线监测数据为样本,分别采用 RBF、SVM、最优权重算法以及组合算法进行预测。需要说图2基于信息熵的组合预测算法思路流程图Fig.2Flow chart of combined prediction algorithm b
25、ased on information entropy 79湖北电力Vol.47 No 1 Feb.2023第 47 卷第 1 期2023 年 2月明的是,不同的预测场景存在不同的最优预测算法,然而本文的重点在于比较组合算法相较于单一算法以及传统最优权重算法的优越性,单一预测算法的最适性或者最优权重算法的优化并非本文研究的重点。在此基础上,本文所采用的在线监测数据以天为监测间隔,使用2017/11/2至2018/5/10的数据作为预测模型的训练样本,且数据样本中不包含突变型数据,最终预测未来31 d(2018/5/11至2018/6/10)H2含量的变化,实际值与预测结果如表2所示。其中,x表
- 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:
- 溶解 气体 组合 预测 方案 及其 设备 状态 检修 中的 应用
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。