Arquitectura híbrida optimizada NRBO-VMD-AM-BiLSTM para la predicción mejorada de la concentración de gas disuelto en...

Área de la Ciencia:

• Ingeniería eléctrica
• Ciencias de los materiales
• Ciencia de los datos

Sus antecedentes:

• El análisis de gases disueltos (DGA) es crucial para el diagnóstico de fallas en el transformador, pero la medición directa es un desafío.
• Los métodos de sensores blandos existentes para predecir las concentraciones de gas a menudo sufren inexactitudes.
• La predicción precisa de gases disueltos como el hidrógeno (H2) es vital para prevenir las fallas del transformador.

Objetivo del estudio:

• Desarrollar una nueva arquitectura de sensores blandos híbridos para una mejor predicción de las concentraciones de gases disueltos en el aceite del transformador.
• Abordar las limitaciones de los métodos existentes mejorando la precisión y la robustez de las predicciones.
• Establecer un marco fiable para el diagnóstico de fallas de transformadores utilizando análisis de datos avanzados.

Principales métodos:

• Arquitectura híbrida que integra la descomposición de series temporales (Variational Mode Decomposition - VMD), la predicción de aprendizaje profundo (Attention-Mechanism Bidirectional Long Short-Term Memory - AM-BiLSTM) y la reconstrucción de señales.
• Los parámetros de VMD se optimizan utilizando un algoritmo de optimización basado en Newton-Raphson (NRBO) para minimizar la entropía de la envolvente y preservar la escasez.
• Pronóstico independiente de las funciones de modo intrínseco (IMF) por AM-BiLSTM, seguido de la reconstrucción de las tendencias de concentración final.

Principales resultados:

• El modelo NRBO-VMD-AM-BiLSTM propuesto logró un error cuadrado medio de la raíz (RMSE) de 0,51 μL/L y un error porcentual absoluto medio (MAPE) de 1,27% para la predicción del hidrógeno (H2).
• Demostró un rendimiento superior y una robustez excepcional en múltiples gases disueltos.
• Superó significativamente los métodos existentes en precisión de predicción para el aceite de transformador DGA.

Conclusiones:

• El marco NRBO-VMD-AM-BiLSTM ofrece una solución transformadora para la predicción precisa de la concentración de gas disuelto en el aceite del transformador.
• Este enfoque avanzado mejora la fiabilidad del diagnóstico de fallos del transformador, contribuyendo a mejorar la estabilidad de la red.
• El estudio destaca el potencial de la integración de la optimización de VMD con el aprendizaje profundo para el pronóstico de series temporales complejas en sistemas de energía.