基于PSO-HKELM的变压器顶层油温预测模型

被引：56

作者：

李可军 ^{[1
]}

徐延顺 ^{[1
]}

魏本刚 ^{[2
]}

黄华 ^{[2
]}

亓孝武 ^{[3
]}

胡爽 ^{[1
]}

机构：

[1] 山东大学电气工程学院

[2] 国网上海市电力公司电力科学研究院

[3] 国网山东省电力公司济宁供电公司

来源：

高电压技术 | 2018年 / 44卷 / 08期

关键词：

电力变压器; 顶层油温度; 混合核函数; 核极限学习机; 粒子群算法;

D O I：

暂无

中图分类号：

TM41 [电力变压器];

学科分类号：

080810 [电力电子与电能变换];

摘要：

为精确预估变压器的热状态以指导变压器的载荷运行,基于粒子群优化的混合核极限学习机提出一种变压器顶层油温度预测模型。使用核极限学习机对顶层油温度与其影响因素之间的映射关系进行拟合回归预测,模型全面考虑了包括环境风速在内的顶层油温的主要影响因素,并采用混合核函数提高模型的学习能力和泛化性能来取得更佳的预测精度。粒子群算法用来进行模型的训练并同时进行混合核函数参数的优化,对正负训练误差采用不同容许限度处理,使得模型的预测值大于实测值,预测结果在提高精度的同时更加具有保守可靠性。通过不同季节的实测数据进行算例验证,结果表明该模型预测值与实测值基本一致,且预测误差均为正值;该模型的最大预测误差为1.97℃,分别为同条件下BP神经网络和最小二乘支持向量机模型的78.49%和82.43%;该模型具有更佳的顶油温度预测精度,能够更加可靠地实现变压器的热状态估计。

引用

页码：2501 / 2508

页数：8

共 13 条

[1]

Heat analysis of the power transformer bushings using the finite element method.[J].Mehdi Allahbakhshi;Milad Akbari.Applied Thermal Engineering.2016,

[2]

An Insight into Extreme Learning Machines: Random Neurons, Random Features and Kernels [J].

Huang, Guang-Bin .

COGNITIVE COMPUTATION, 2014, 6 (03) :376-390

[3]

Acceptability of Three Transformer Hottest-Spot Temperature Models [J].

Amoda, Oluwaseun A. ;

Tylavsky, Daniel J. ;

McCulla, Gary A. ;

Knuth, Wesley A. .

IEEE TRANSACTIONS ON POWER DELIVERY, 2012, 27 (01) :13-22

[4]

Extreme learning machine: Theory and applications.[J].Guang-Bin Huang;Qin-Yu Zhu;Chee-Kheong Siew.Neurocomputing.2006, 1

[5]

A fundamental approach to transformer thermal modeling. I. Theoryand equivalent circuit.[J].Swift G.;Molinski T.S.;Lehn W..IEEE Transactions on Power Delivery.2001, 2

[6]

基于分布模型的变压器差异化预警值计算方法 [J].