期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测
被引量：
8
1
作者
范志远
杜江
《高电压技术》
EI
CAS
CSCD
北大核心
2024年第1期263-273,I0020,共12页
为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网络(long short-term memory,LSTM)无法对数据间的深层特征进行有效提取的问题,提出了一种融合了相关变分模态分解(correlation variationa...
为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网络(long short-term memory,LSTM)无法对数据间的深层特征进行有效提取的问题,提出了一种融合了相关变分模态分解(correlation variational mode decomposition,CVMD)、1维卷积神经网络(one dimensional convolutional neural network,1D-CNN)和LSTM的组合预测模型。首先,利用CVMD去除原始气体序列中的噪声信号,并将去噪序列分解为1组相对平稳的子序列分量;然后,针对各子序列分量分别构建CNN-LSTM预测模型,利用1D-CNN挖掘数据间的深层特征形成特征向量,并将其输入到LSTM中进行预测;最后,对各子序列预测结果叠加重构,得到最终的气体预测值。并通过4组对比实验对所提模型进行了全方位、多角度的验证。算例研究结果表明,所提模型单步和多步预测的平均绝对百分比误差分别为1.53%和2.09%。相较于现有模型,该文所提模型在单步和多步预测性能上均有明显提升,为变压器在线监测和故障预警提供了重要技术支撑。
展开更多
关键词
油中溶解
气体
相关变分模态分解
1维卷积神经网络
长短期记忆神经网络
气体体积分数预测
在线阅读
下载PDF
职称材料
基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法
被引量：
1
2
作者
曹正江
付文龙
+1 位作者
文斌
花雅文
《高压电器》
CAS
CSCD
北大核心
2024年第8期156-166,共11页
油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模...
油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模态分解将气体体积分数序列分解为多个子序列,降低其非平稳性;其次,利用多模型融合策略,将4种不同单模型的预测结果进行融合重构,因单模型权重系数对预测结果有显著影响,利用改进黏菌算法对权重系数进行优化,以提高预测精度;最后,通过算例验证表明,相比于传统的预测模型,所提方法具有更高的预测精度,可以更好地预测油中气体体积分数的变化趋势。
展开更多
关键词
油中溶解
气体体积分数预测
时变滤波经验模态分解
改进黏菌算法
多模型融合
在线阅读
下载PDF
职称材料
题名
基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测
被引量：
8
1
作者
范志远
杜江
机构
河北省电磁场与电器可靠性重点实验室(河北工业大学)
省部共建电工装备可靠性与智能化国家重点实验室(河北工业大学)
出处
《高电压技术》
EI
CAS
CSCD
北大核心
2024年第1期263-273,I0020,共12页
基金
国家自然科学基金(52007047)
天津市自然科学基金重点项目(19JCZDJC32100)
河北省自然科学基金(E2018202282)。
文摘
为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网络(long short-term memory,LSTM)无法对数据间的深层特征进行有效提取的问题,提出了一种融合了相关变分模态分解(correlation variational mode decomposition,CVMD)、1维卷积神经网络(one dimensional convolutional neural network,1D-CNN)和LSTM的组合预测模型。首先,利用CVMD去除原始气体序列中的噪声信号,并将去噪序列分解为1组相对平稳的子序列分量;然后,针对各子序列分量分别构建CNN-LSTM预测模型,利用1D-CNN挖掘数据间的深层特征形成特征向量,并将其输入到LSTM中进行预测;最后,对各子序列预测结果叠加重构,得到最终的气体预测值。并通过4组对比实验对所提模型进行了全方位、多角度的验证。算例研究结果表明,所提模型单步和多步预测的平均绝对百分比误差分别为1.53%和2.09%。相较于现有模型,该文所提模型在单步和多步预测性能上均有明显提升,为变压器在线监测和故障预警提供了重要技术支撑。
关键词
油中溶解
气体
相关变分模态分解
1维卷积神经网络
长短期记忆神经网络
气体体积分数预测
Keywords
dissolved gas in oil
correlation variational mode decomposition
one dimensional convolutional neural network
long short-term memory
gas volume fraction prediction
分类号
TM40 [电气工程—电器]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法
被引量：
1
2
作者
曹正江
付文龙
文斌
花雅文
机构
三峡大学梯级水电站运行与控制湖北省重点实验室
三峡大学电气与新能源学院
出处
《高压电器》
CAS
CSCD
北大核心
2024年第8期156-166,共11页
基金
梯级水电站运行与控制湖北省重点实验室开放基金(2017KJX06)。
文摘
油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模态分解将气体体积分数序列分解为多个子序列,降低其非平稳性;其次,利用多模型融合策略,将4种不同单模型的预测结果进行融合重构,因单模型权重系数对预测结果有显著影响,利用改进黏菌算法对权重系数进行优化,以提高预测精度;最后,通过算例验证表明,相比于传统的预测模型,所提方法具有更高的预测精度,可以更好地预测油中气体体积分数的变化趋势。
关键词
油中溶解
气体体积分数预测
时变滤波经验模态分解
改进黏菌算法
多模型融合
Keywords
prediction of dissolved gas in oil
time varying filter empirical mode decomposition
improved slime mould algorithm
multi-model fusion
分类号
TM407 [电气工程—电器]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测
范志远
杜江
《高电压技术》
EI
CAS
CSCD
北大核心
2024
8
在线阅读
下载PDF
职称材料
2
基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法
曹正江
付文龙
文斌
花雅文
《高压电器》
CAS
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
