优化NRBO-VMD-AM-BiLSTM混合架构,用于改进变压器油软传感器中的溶解气体度预测

科学领域:

• 电气工程
• 材料科学
• 数据科学

背景情况:

• 溶解气体分析 (DGA) 对于变压器故障诊断至关重要,但直接测量具有挑战性.
• 目前用于预测气体度的软传感器方法经常存在不准确性.
• 准确预测溶解的气体,如 (H2) 对于防止变压器故障至关重要.

研究的目的:

• 开发一种新的混合软传感器架构,用于更好地预测变压器油中的溶解气体度.
• 通过提高预测准确性和稳定性来解决现有方法的局限性.
• 通过先进的数据分析建立可靠的变压器故障诊断框架.

主要方法:

• 混合架构集成时间序列分解 (变量模式分解 - VMD),深度学习预测 (注意力机制双向长期内存 - AM-BiLSTM) 和信号重建.
• 使用基于牛顿-拉普森的优化 (NRBO) 算法优化VMD参数,以最大限度地减少包裹并保持稀疏性.
• 通过AM-BiLSTM独立预测内在模式函数 (IMF),然后重建最终度趋势.

主要成果:

• 拟议的NRBO-VMD-AM-BiLSTM模型实现了0.51μL/L的根平均平方误差和1.27%的平均绝对百分比误差 (MAPE) 的 (H2) 预测.
• 在多种溶解气体中表现出卓越的性能和特殊的稳定性.
• 在变压机油DGA的预测准确性方面显著超过现有方法.

结论:

• 该NRBO-VMD-AM-BiLSTM框架提供了用于准确预测变压器油中溶解气体度的转换解决方案.
• 这种先进的方法提高了变压器故障诊断的可靠性,有助于提高电网稳定性.
• 该研究强调了将VMD优化与深度学习整合到电力系统中复杂的时间序列预测的潜力.