トランスフォーマーオイルソフトセンサにおける溶けたガス濃度の予測を向上させるための最適化されたNRBO-VMD-AM-BiLSTMハイブリッドアーキテクチャ

科学分野:

• 電気工学
• 材料科学
• データサイエンス

背景:

• 溶けたガス分析 (DGA) は,変圧器の故障診断に不可欠ですが,直接測定は困難です.
• ガス濃度を予測するための既存のソフトセンサ方法は,しばしば不正確です.
• 水素 (H2) のような溶けたガスの正確な予測は,変圧器の故障を防ぐために不可欠です.

研究 の 目的:

• トランスフォーマーオイルに溶けたガスの濃度を予測するための新しいハイブリッドソフトセンサアーキテクチャを開発する.
• 予測の精度と信頼性を向上させることで,既存の方法の限界を解決する.
• 先進的なデータ分析を用いたトランスフォーマー故障診断のための信頼性の高い枠組みを確立する.

主な方法:

• タイムシリーズ分解 (Variational Mode Decomposition - VMD),ディープラーニング予測 (Attention-Mechanism Bidirectional Long Short-Term Memory - AM-BiLSTM),および信号再構築を統合したハイブリッドアーキテクチャ.
• VMDパラメータはニュートン-ラプソンベースの最適化 (NRBO) アルゴリズムを使用して最適化され,エンベロープエントロピーを最小限に抑え,稀量性を保持します.
• AM-BiLSTMによる内在モード関数 (IMFs) の独立予測,その後の最終濃度傾向の再構築.

主要な成果:

• 提案されたNRBO-VMD-AM-BiLSTMモデルは,水素 (H2) の予測で0.51μL/Lの平均平方誤差 (RMSE) と1.27%の平均絶対誤差 (MAPE) を達成した.
• 複数の溶けたガスを介して優れた性能と例外的な強度を示した.
• トランスフォーマーオイルDGAの予測精度において,既存の方法を大幅に上回った.

結論:

• NRBO-VMD-AM-BiLSTMフレームワークは,トランスフォーマーオイルにおける溶けたガス濃度の正確な予測のための変形的なソリューションを提供します.
• この高度なアプローチは,変圧器の故障診断の信頼性を高め,ネットワークの安定性を向上させます.
• この研究は,電力システムにおける複雑なタイムシリーズ予測のためのディープラーニングとVMDの最適化を統合する可能性を強調しています.