导读:本文包含了顶层油温论文开题报告文献综述及选题提纲参考文献，主要关键词:油浸式变压器,机器学习,半监督学习,油温异常预测
顶层油温论文文献综述
王喜秋[1]（2019）在《基于机器学习的变压器顶层油温异常预警研究》一文中研究指出油浸式变压器是最为广泛使用的变压器,其顶层油温状态研究具有重要的生产和研究价值。当前的顶层油温异常相关技术,具有设备成本高昂,技术操作复杂且难以推广的特点。本文根据国网变压器油温异常标注不足的数据现状,提出了一种新型的两阶段油温异常预警策略。其中:第一阶段为基于半监督学习的顶层油温异常标注,第二阶段为基于LSTM循环神经网络的油温异常预警算法。相关研究归纳如下。第一阶段:首先采用k-means算法寻找油温无标签训练集的不同工况聚类;然后根据油温异常标注阈值对油温无标签训练集各个聚类类簇下的各个油温区间的数据进行油温异常标注;其次基于规则抽取与实际应用需要,将进行异常标注后的油温训练集中引入随机森林模型,训练后可获得油温异常判定决策规则及油温异常分类器;最后将模型在人工标注测试集中进行测试,如果达到指定准确率加召回率的要求则达到了目标,否则通过阈值优化算法优化阈值并重新进行标注和测试。第二阶段:首先将第一阶段标注了异常标签的油温训练集经过数据集转换算法获得训练数据集,并导入到LSTM循环神经网络模型;依靠隐藏层的特征提取和LSTM循环神经网络具有学习长短期依赖知识的能力,进而完成模型的训练;最后利用训练完成的模型便可以进行油温异常预测。由于LSTM循环神经网络具有学习长短期依赖知识的能力,在油温异常预测场景中使用LSTM循环神经网络的预测效果相比传统的数据挖掘方法更好。本文通过多角度对比实验对提出的相关算法进行了验证,证明了其有效性和可行性。同时本文方案在S市的油浸式变压器中投入生产实测,进一步证明了上述方案的可行性和有效性。本文基于半监督学习,同时使用了有标签和无标签的样本,降低了样本标注的代价且取得了不错的效果。同时不需要额外的检测设备,可适用于不同类型的变压器,具有良好的可推广性。(本文来源于《南昌大学》期刊2019-05-23）
李可军,徐延顺,魏本刚,黄华,亓孝武[2]（2018）在《基于PSO-HKELM的变压器顶层油温预测模型》一文中研究指出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。(本文来源于《高电压技术》期刊2018年08期）
杨欢红,丁宇涛,宋亮,俞京锋,阮远峰[3]（2018）在《基于热路和BP神经网络的变压器顶层油温预测研究》一文中研究指出变压器的顶层油温会影响变压器的绝缘性能和运行寿命,精确预测顶层油温对提高变压器的利用率至关重要。针对目前顶层油温预测准确度不高的现状,提出一种提高顶层油温预测精度的组合模型,并以实际算例验证了模型的有效性。首先,利用Susa D热路模型预测顶层油温得到初始值;其次,建立BP神经网络模型预测热路模型的误差;最后,利用预测的误差结果修正热路模型的初始值。实例分析表明,组合模型较Susa D热路模型及单一预测模型预测精度更高。(本文来源于《水电能源科学》期刊2018年08期）
李冉[4]（2018）在《基于支持向量回归的变压器顶层油温预测》一文中研究指出油浸式电力变压器的热特性影响着变压器的运行寿命和负载能力,顶层油温作为热特性的一个指标,一旦超过限值,绕组内部绝缘就会下降而导致变压器故障。因此预测顶层油温,提前采取措施防止变压器运行在高温环境显得至关重要。结合问题提出了利用支持向量回归预测顶层油温的方案,首先选定影响顶层油温的特征参量以建立支持向量机模型。其次,利用监测到的各组特征参量训练模型,再通过遗传算法对模型参数进行优化,最终得到变压器顶层油温预测模型。将模型预测值与实际值进行比较,结果显示:支持向量机模型具有较高的预测准确度。(本文来源于《电气应用》期刊2018年12期）
李冉[5]（2018）在《基于贝叶斯网络的变压器顶层油温预测方法研究》一文中研究指出电力变压器在电网系统中的地位是很多设备不可替代的,其安全可靠是确保电网系统安全稳定运行的前提,顶层油温则是影响油浸式电力变压器使用寿命和负载能力的一个重要因素。在总结变压器顶层油温研究成果的基础上,阐述变压器内部热量传递过程,提出了考虑空气湿度的顶层油温改进方法。通过对变压器顶层油温影响因素的分析,构建了基于贝叶斯网络的油温预测模型,完成了油浸式变压器顶层油温的预测,将预测结果应用于电网系统中调度员决策,可取得一定效益,论文主要工作如下:首先,通过对油浸式变压器内部复杂的发热、散热过程的分析,将内部产热损耗进行分类,并确定了热量的流通方向和流通路线,明确了变压器顶层油温上升的热量来源。在此基础上,演绎出绕组、铁心、变压器油的升、降温特性方程。在经典的顶层油温计算模型的基础上,考虑变压器所处环境的空气湿度对其造成的影响,引进象征空气湿度的因子,新建一种简单的顶层油温改进模型。将该模型计算值、半物理模型的计算值和实测值进行对比,验证了考虑空气湿度因素的油温模型具有更高的精度。其次,利用贝叶斯网络预测变压器顶层油温,着重介绍了贝叶斯网络模型的构建、推理过程。利用历史监测数据,构造贝叶斯网络顶层油温预测模型。以BP神经网络和遗传算法优化的支持向量机模型为比较对象,验证贝叶斯网络模型的正确性,对比结果显示本文构建的预测模型的相对误差和均方根误差分别为1.0845和1.1731,均相应的小于此外两种模型的误差,说明了本文模型的预测效果更精确。在保存大部分原始信息的基础上,通过主成分分析法对变压器顶层油温的影响因素进行降维处理,减少模型的输入变量,建立基于主成分分析的贝叶斯网络模型。最后,迎峰度夏期间,变压器顶层油温监测值普遍较高,导致调度任务繁重、电网负荷调整次数多。针对此问题,利用文中提出的贝叶斯网络模型的顶层油温预测值辅助调度员决策,以提高电力调度效率。(本文来源于《西南交通大学》期刊2018-05-01）
史方正,陆斌,赵莉莉[6]（2018）在《变压器热点温度及顶层油温预测模型》一文中研究指出运行温度是影响变压器绝缘的重要指标。为确保变压器安全运行,工程中常对变压器顶层油温进行实时监测,但在高峰负荷来临前,只依赖于温度传感器实时监测的方法不能通过预测油温提前采取措施防止变压器温度越限。本文基于变压器热电等值电路,通过非线性最小二乘法估计电路参数,建立变压器内部温度动态方程,在负荷改变后预测变压器各组件的稳态温度,能够有效预防变压器热点温度、铁芯温度及顶层油温越限。(本文来源于《内燃机与配件》期刊2018年06期）
李冉[7]（2018）在《基于支持向量回归的变压器顶层油温预测》一文中研究指出油浸式电力变压器的热特性影响着变压器的运行寿命和负载能力,顶层油温作为热特性的一个指标,一旦超过限值,绕组内部绝缘就会下降,而导致变压器故障。因此预测顶层油温,提前采取措施防止变压器运行在高温环境显得至关重要。结合问题提出了利用支持向量回归预测顶层油温的思想,首先选定影响顶层油温的特征参量以建立支持向量机模型。其次,利用监测到的各组特征参量训练模型,再通过遗传算法对模型参数进行优化,最终得到变压器顶层油温预测模型。将模型预测值与实际值进行比较,结果显示:支持向量机模型具有较高的预测准确度。(本文来源于《电气应用》期刊2018年05期）
王志斌[8]（2018）在《变压器顶层油温普查及余热利用分析》一文中研究指出为了合理利用变压器负载损耗产生的热量,以13座500 k V变电站作为统计对象,统计了变电站的基础信息和主变压器的负载率等运行信息。根据主变压器平均负载率、平均油温、平均环境温度和平均温差等数据,对变压器油余热利用的可行性进行了分析,提出了一种变压器油余热回收利用技术,并分别在实验室和青冈220 k V变电站进行了模拟应用和工程实际应用。分析结果表明,变压器油温受到变压器负荷功率、环境温度和投入使用变压器散热器数量等因素影响,可以通过控制散热器开启数量来实现变压器油温的调节。用热泵将变压器油中低位热源转换为可用于变电站供暖的高位热源,满足了变电站冬季供暖需求,提高了能源利用热效率。工程实际应用结果验证了利用变压器余热的采暖系统较传统电加热采暖具有良好的经济效益和环保效益。(本文来源于《黑龙江电力》期刊2018年01期）
李可军,亓孝武,魏本刚,黄华,王景山[9]（2017）在《基于核极限学习机误差预测修正的变压器顶层油温预测》一文中研究指出为准确估算变压器热点温度,给变压器负载能力估计、热故障预防、绝缘寿命预测提供辅助依据,建立了基于核极限学习机误差预测修正的变压器顶层油温预测模型。该模型采用核极限学习机对典型的Susa热路模型顶层油温的预测误差进行建模预测,并以核极限学习机的预测值修正热路模型顶层油温预测结果。为提高核极限学习机的预测精度,采用引力搜索算法对核极限学习机的惩罚系数和核参数进行优化。算例结果表明,所提模型的预测结果与实测值基本一致,预测精度高于未经误差修正的半物理模型——Susa热路模型和典型的非线性拟合回归模型——引力搜索优化的核极限学习机模型,并且采用的引力搜索优化的核极限学习机算法在训练时间上显着优于引力搜索优化的支持向量机和Elman神经网络算法,且预测精度略优于后2种算法。(本文来源于《高电压技术》期刊2017年12期）
易亚元[10]（2017）在《基于辅助调度员决策的变压器顶层油温预测方法研究》一文中研究指出油浸式变压器是电力系统中最重要的设备之一,它起着变换电能的作用。变压器的损坏不仅影响电网的安全、稳定运行,而且会带来巨额的经济损失。大部分变压器损坏是由于其失去了应有的绝缘能力,而顶层油温是表征变压器绝缘能力的重要因素,特别是在迎峰度夏和度冬期间,顶层油温超限将直接限制变压器的负载能力与使用寿命。因此,为了准确预判变压器的运行状态,提升变压器的安全、可靠性,有必要对顶层油温进行计算与预测。本文从变压器顶层油温的计算模型、预测方法和辅助调度员决策叁个方面进行研究,主要内容如下:首先,本文深入分析油浸式变压器的热特性,详细描述变压器的内部油流循环过程以及传热散热理论,绘制出变压器的升温曲线和冷却曲线。接着,对常见、经典的变压器顶层油温计算方法进行介绍,指出其中存在的不足之处,引入代表空气湿度的修正项,提出变压器顶层油温改进计算模型。在相同的输入条件下,比较IEEE经典模型和改进计算模型的预测效果,结果表明所提改进模型的顶层油温预测精度更高。其次,根据变压器在线监测的实际情况,为了更好地预测变压器顶层油温,本文选取变压器的负载电流、环境温度、空气湿度、有功功率、无功功率及前一时刻顶层油温作为特征参量,建立一种基于Elman神经网络的变压器顶层油温预测模型。在两台并列运行的变压器上应用Elman神经网络预测模型,并与BP神经网络模型的预测值进行比较。结果显示Elman神经网络模型的预测值与实测值具有更好的一致性,且对实际运行的变压器顶层油温有较好的预测效果。最后,针对用电高峰时期,四川某地区变电站变压器故障突出的实际情况,探讨变压器在线监测的常见故障类型和异常情况。选取一种变压器的故障情况作为研究对象,利用前述的Elman神经网络顶层油温预测模型辅助调度员决策,对具体流程、实现方法进行详尽分析,且给出了辅助决策建议。(本文来源于《西南交通大学》期刊2017-05-01）
顶层油温论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
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。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
顶层油温论文参考文献
[1].王喜秋.基于机器学习的变压器顶层油温异常预警研究[D].南昌大学.2019
[2].李可军,徐延顺,魏本刚,黄华,亓孝武.基于PSO-HKELM的变压器顶层油温预测模型[J].高电压技术.2018
[3].杨欢红,丁宇涛,宋亮,俞京锋,阮远峰.基于热路和BP神经网络的变压器顶层油温预测研究[J].水电能源科学.2018
[4].李冉.基于支持向量回归的变压器顶层油温预测[J].电气应用.2018
[5].李冉.基于贝叶斯网络的变压器顶层油温预测方法研究[D].西南交通大学.2018
[6].史方正,陆斌,赵莉莉.变压器热点温度及顶层油温预测模型[J].内燃机与配件.2018
[7].李冉.基于支持向量回归的变压器顶层油温预测[J].电气应用.2018
[8].王志斌.变压器顶层油温普查及余热利用分析[J].黑龙江电力.2018
[9].李可军,亓孝武,魏本刚,黄华,王景山.基于核极限学习机误差预测修正的变压器顶层油温预测[J].高电压技术.2017
[10].易亚元.基于辅助调度员决策的变压器顶层油温预测方法研究[D].西南交通大学.2017