油浸式變壓器是最為廣泛使用的變壓器,其頂層油溫狀態(tài)研究具有重要的生產(chǎn)和研究價值。當(dāng)前的頂層油溫異常相關(guān)技術(shù),具有設(shè)備成本高昂,技術(shù)操作復(fù)雜且難以推廣的特點。本文根據(jù)國網(wǎng)變壓器油溫異常標(biāo)注不足的數(shù)據(jù)現(xiàn)狀,提出了一種新型的兩階段油溫異常預(yù)警策略。其中:第一階段為基于半監(jiān)督學(xué)習(xí)的頂層油溫異常標(biāo)注,第二階段為基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的油溫異常預(yù)警算法。相關(guān)研究歸納如下。第一階段:首先采用k-means算法尋找油溫?zé)o標(biāo)簽訓(xùn)練集的不同工況聚類;然后根據(jù)油溫異常標(biāo)注閾值對油溫?zé)o標(biāo)簽訓(xùn)練集各個聚類類簇下的各個油溫區(qū)間的數(shù)據(jù)進(jìn)行油溫異常標(biāo)注;其次基于規(guī)則抽取與實際應(yīng)用需要,將進(jìn)行異常標(biāo)注后的油溫訓(xùn)練集中引入隨機(jī)森林模型,訓(xùn)練后可獲得油溫異常判定決策規(guī)則及油溫異常分類器;最后將模型在人工標(biāo)注測試集中進(jìn)行測試,如果達(dá)到指定準(zhǔn)確率加召回率的要求則達(dá)到了目標(biāo),否則通過閾值優(yōu)化算法優(yōu)化閾值并重新進(jìn)行標(biāo)注和測試。第二階段:首先將第一階段標(biāo)注了異常標(biāo)簽的油溫訓(xùn)練集經(jīng)過數(shù)據(jù)集轉(zhuǎn)換算法獲得訓(xùn)練數(shù)據(jù)集,并導(dǎo)入到LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型;依靠隱藏層的特征提取和LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)長短期依賴知識的能力,進(jìn)而完成模型的訓(xùn)... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

隨機(jī)森林示意圖

圖 2.3 K-means 算法示意圖上述步驟便是 k-means 算法的步驟說明�？梢钥闯鍪且粋�理解起來比較簡聚類算法。k-means 算法重要的是距離的度量方式，例如歐式距離、曼哈頓和馬氏距離等等。k-means 算法的初始聚類中心是隨機(jī)選取的，但是 k-means++算法不同。算法庫的實際采用的都是 k-means++算法。K-means++按照如下的思想選取聚類中心：k-means++在第n個類簇中心(0<n<k)確定之后，在選取第n+1個類簇中心時離當(dāng)前 n 個聚類中心越遠(yuǎn)的點會有更高的概率被選為第 n+1 個聚類中心。個類簇中心時是通過隨機(jī)選取的方法。通常也是各種算法庫的默認(rèn)實現(xiàn)方式2.1.3 LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM 是為了解決模型的長期依賴學(xué)習(xí)的問題而設(shè)計的，RNN[55]具有一復(fù)神經(jīng)網(wǎng)絡(luò)的鏈?zhǔn)叫问�。與 RNN 中重復(fù)單元的簡單的結(jié)構(gòu)（如 tanh 單元）

圖 2.4 LSTM 結(jié)構(gòu)圖相關(guān)的名詞解釋如圖 2.5 所示。黑色箭頭代表著傳輸某一個向量，粉色的圓代表 pointwise 操作，黃色為模型學(xué)得的神經(jīng)網(wǎng)絡(luò)層。合并到一起的線代表著向量的鏈接，分開的箭頭代表內(nèi)容被復(fù)制了。圖 2.5 LSTM 各結(jié)構(gòu)說明圖LSTM通過輸入輸出和遺忘門來控制細(xì)胞的狀態(tài)。其中遺忘門如圖2.6所示

【參考文獻(xiàn)】：
期刊論文
[1]基于核極限學(xué)習(xí)機(jī)和Bootstrap方法的變壓器頂層油溫區(qū)間預(yù)測[J]. 亓孝武,李可軍,于小晏,張正發(fā),婁杰.  中國電機(jī)工程學(xué)報. 2017(19)
[2]基于優(yōu)化模糊Petri網(wǎng)的礦用變壓器故障診斷[J]. 李世光,薛寒,李珍,高正中,李瑩.  工礦自動化. 2017(05)
[3]基于優(yōu)化神經(jīng)網(wǎng)絡(luò)和DGA的變壓器故障診斷[J]. 苗長新,申坤,鐘世華,柳狄.  高壓電器. 2016(11)
[4]配電網(wǎng)電力電子變壓器技術(shù)綜述[J]. 盧子廣,趙剛,楊達(dá)亮,曾憲金.  電力系統(tǒng)及其自動化學(xué)報. 2016(05)
[5]基于變壓器馬爾可夫狀態(tài)評估模型和熵權(quán)模糊評價方法的風(fēng)險評估技術(shù)研究[J]. 張樺,魏本剛,李可軍,梁永亮.  電力系統(tǒng)保護(hù)與控制. 2016(05)
[6]變壓器油溫異常狀態(tài)識別方法[J]. 杜雙育,王紅斌,李峰.  電氣應(yīng)用. 2015(S2)
[7]基于深度信念網(wǎng)絡(luò)的電力變壓器故障分類建模[J]. 石鑫,朱永利,薩初日拉,王劉旺,孫崗.  電力系統(tǒng)保護(hù)與控制. 2016(01)
[8]變壓器頂層油溫短期預(yù)測模型研究及應(yīng)用[J]. 陳錦銘,吳奕,朱海兵,郭雅娟,李斌,胡成博.  電氣應(yīng)用. 2015(22)
[9]一種基于MIA的油浸式變壓器放電性故障定位新方法[J]. 魏云冰,王東暉,韓立峰,張捷.  電力系統(tǒng)保護(hù)與控制. 2015(21)
[10]基于MCD穩(wěn)健統(tǒng)計分析的變壓器油色譜異常值檢測及分布特性[J]. 高樹國,王學(xué)磊,李慶民,楊芮.  高電壓技術(shù). 2014(11)



本文編號：3456777