基于集合经验模态分解和极限学习机的变压器油中溶解气体体积分数预测方法

被引：48

作者：

周锋 ^{[1
]}

孙廷玺 ^{[1
]}

权少静 ^{[1
]}

刘敏 ^{[1
]}

王恒超 ^{[2
]}

王树田 ^{[2
]}

机构：

[1] 广东电网有限责任公司珠海供电局

[2] 北京路遥科技有限公司

来源：

高电压技术 | 2020年 / 46卷 / 10期

关键词：

油中溶解气体; 气体体积分数; 集合经验模态分解; 极限学习机; 粒子群算法; 固有模态函数;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; TM41 [电力变压器];

学科分类号：

080810 [电力电子与电能变换]; 140502 [人工智能];

摘要：

为准确估计变压器油中溶解气体体积分数的发展趋势,提出一种基于集合经验模态分解和极限学习机的油中溶解气体体积分数预测模型。首先,对原始油中溶解气体体积分数序列进行集合经验模态分解获得若干个子序列;其次,采用极限学习机算法对各个子序列分别建立不同的预测模型,并利用改进的粒子群算法对极限学习机相关参数进行优化,以提高预测精度;最后,通过叠加各子序列的预测结果得到最终的气体体积分数预测结果。研究结果表明:基于集合经验模态分解的改进粒子群极限学习机算法模型均方根误差为0.13,平均相对误差为0.502%,最大相对误差为1.914%,对比其他模型的预测效果可知,改进后的粒子群算法能够获得更优的极限学习机网络输入权值和隐层阈值,从而提高预测精度。仿真结果证明所提方法能够更好地反映油中溶解气体体积分数的变化趋势。

引用

页码：3658 / 3665

页数：8

共 17 条

[1]

基于区域划分自适应粒子群优化的超短基线定位算法 [J].