关注高电压技术，关注科学发展
《Prediction of dissolved gas content in transformer oil based on multi-information fusion》
题目：基于多信息融合的变压器油溶解气体含量预测
作者：杨童亮，方云，张丞鸣，唐超，胡东
更多详情可进入《高电压技术》视频号进行观看哦~
变压器油中溶解气体的含量及其变化趋势与变压器内部故障的发生之间存在因果关系。精确预测变压器油中溶解气体的含量及其未来趋势，对于提前判断故障发生的时间及类型具有重大意义。但变压器油中溶解气体的历史数据序列会受到复杂产气机理及多种外部因素的影响，表现出非线性和非平稳的特点，为精准预测带来了挑战；为了突破这一局限，本课题从数据清洗、气体非线性与非平稳特性、多变量影响以及参数优化等多个角度出发，构建了一个泛化性强、精度高的多信息融合预测模型。
变压器油中溶解气体历史采集数据普遍存在非线性、非平稳特性，该特性也是导致现有预测模型预测效果欠佳与可靠性低的主要原因。
本研究首先研究了变压器油历史序列中溶解气体的缺失值和病值，并在气体预测前对数据进行预处理。此外，利用HBA优化算法确定预测过程中的时间步长和过渡点。最后，分别构建最优单变量分解预测模型和多变量预测模型，并通过交叉熵法确定两种预测方法的权重，构建基于单变量分解和多变量加权融合的组合预测模型。如图1所示。
图1基于单变量分解和多变量加权融合的组合预测模型
为了验证所提组合预测模型方法的有效性，选取平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为预测模型的评价指标。本研究采用变压器1、2号数据样本前400天的各种气体数据作为预测模型训练集，后50天的数据作为预测模型测试集。
采用单变量分解预测模型HBA‐VMD‐TCN、多变量Informer预测模型和本文提出的组合预测模型进行对比实验，如图2a所示。将预测模型LSTM、TCN和Transformer与本文提出的预测模型进行了比较，如图2b所示。
图2a数据预测结果对比(a)H2，(b)C2H4，(c)CH4，(d)THC，(e)CO
图2b数据预测结果对比(a)H2，(b)C2H4，(c)CH4，(d)THC，(e)CO
综合以上实验结果分析，提出的组合预测模型则涵盖了单变量分解模型和多变量预测的优点，使其能够对多种气体达到更好的预测精度，能够较好地预测具有较强非线性、非平稳性的多气序列。
在人工智能技术快速发展的背景下，基于提高变压器油中溶解气体浓度预测精度的要求，提出了一种基于多信息融合的组合预测模型，用于跟踪油中溶解气体浓度的变化规律。通过变压器异常的实例分析，并设计一系列模型对比和变压器异常预测的仿真实验，验证了组合预测模型的准确性和有效性。
Yang, Tongliang;Fang, Yun;Zhang, Chengming;Tang, Chao;Hu, Dong：Prediction of dissolved gas content in transformer oil based on multi-information fusion. High Voltage. 9(3), 685-699 (2024).
胡东，讲师，主要从事智能设备软硬件平台化设计、电力设备状态监测与故障诊断等方面研究。
唐超，教授，博导，主要从事高电压与绝缘技术、电气设备在线监测技术、电介质材料改性技术等方面研究。
杨童亮，研究方向为电力设备状态评价与故障诊断。
方云，硕士研究生，研究方向为电力设备状态评价与故障诊断。
张丞鸣，研究方向为电力设备状态评价与故障诊断。
联系我们
