关键词:
电力变压器
油中溶解气体
异常数据识别
气体含量预测
摘要:
采用神经网络模型对油中溶解气体含量进行预测是目前评估电力变压器运行状态的重要方法,数据质量是影响神经网络模型预测精度的关键因素,然而,由于变压器复杂的运行环境,使得采集到的气体数据中不可避免地存在多种类型的异常数据,进而造成数据质量下降,严重影响模型的预测精度。此外,神经网络模型的参数是否匹配也是影响其预测性能的重要因素,然而,传统依据人工经验选择参数存在主观性、低效性和不可扩展性等缺点,也在一定程度上影响了模型的预测性能。为解决上述问题,该文通过对最近邻集成隔离法(isolation using nearest neighbor ensemble,iNNE)进行修正,提出了修正最近邻集成隔离法(modified isolation using nearest neighbor ensemble,MiNNE),利用MiNNE综合考虑局部度量与全局度量的特性实现气体异常数据的准确识别,有效提升数据质量。同时,对鹈鹕优化算法进行改进,提出了改进鹈鹕优化算法(improved pelican optimization algorithm,IPOA),并利用IPOA对影响神经网络模型预测精度的关键参数进行优化,有效克服了传统依据经验选参而导致模型预测精度低与传统POA易陷入局部最优的问题,提高了模型的预测性能。采用电力变压器实际运行数据对所提模型进行验证,结果表明,相较于其他模型,所提模型在7种特征气体预测中均取得了最佳的预测效果,充分证明了所提模型的优越性。