导读:本文包含了变压器油中气体浓度预测论文开题报告文献综述及选题提纲参考文献，主要关键词:油中溶解气体,经验模态分解,长短期记忆神经网络,预测
变压器油中气体浓度预测论文文献综述
刘云鹏,许自强,董王英,李哲,高树国[1]（2019）在《基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法》一文中研究指出对油中溶解气体浓度进行有效预测,可为电力变压器故障诊断及预警提供重要依据。提出一种基于经验模态分解与长短期记忆神经网络的变压器油中溶解气体浓度预测方法。首先,运用经验模态分解将气体浓度序列分解为一组相对平稳的子序列分量,以减少不同趋势信息间的相互影响;然后,针对各子序列分别构建基于长短期记忆神经网络的时序预测模型,并利用贝叶斯理论对网络相关超参数进行优化,以提高单个模型的预测精度;最后,迭加各子序列预测结果得到气体浓度预测值。算例研究结果表明,相较于传统预测算法,所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。(本文来源于《中国电机工程学报》期刊2019年13期）
李忠明[2]（2018）在《基于组合预测模型的变压器油中溶解气体浓度预测》一文中研究指出结合BP神经网络和灰色理论两种单项预测模型算法,提出组合优化预测模型算法,实现对变压器油中溶解气体浓度更为精确的预测。该组合模型算法机理是根据预测误差平方和最小化的原则,首先计算各单项预测模型的权重,然后将各单项模型的权重进行加权综合计算,建立组合最优预测模型。以变压器中溶解的H_2为例验证了该组合算法汲取了两种单项算法的优点,不仅使各单项预测算法的预报误差降低,也有效提高了预测模型的预报性能。(本文来源于《化工自动化及仪表》期刊2018年08期）
唐勇波,丰娟[3]（2017）在《KTA-SVM的变压器油中溶解气体浓度预测》一文中研究指出针对变压器油中溶解气体浓度预测中存在的变量取值范围影响预测精度问题,提出了基于核目标度量规则(Kernel Target Alignment,KTA)和支持向量机(Support Vector Machines,SVM)的油中溶解气体浓度预测方法。在分析油中溶解气体产生机理的基础上选取输入变量,采用KTA对输入变量进行尺度缩放来避免变量的取值范围影响SVM泛化性能问题,利用交叉验证法选择SVM的参数,建立油中溶解气体浓度的KTA-SVM预测模型。将所提出的方法与SVM和灰色模型进行比较,均方根误差分别为0.156 8、0.179 1、0.220 5,实验结果表明了所提出的方法具有较优的预测精度和泛化性能。(本文来源于《控制工程》期刊2017年11期）
代杰杰,宋辉,杨祎,陈玉峰,盛戈皞[4]（2017）在《基于深度信念网络的变压器油中溶解气体浓度预测方法》一文中研究指出对油中溶解气体浓度发展趋势进行预测,可为变压器状态评估提供重要依据。提出一种基于深度信念网络的变压器油中溶解气体浓度预测模型。该模型以7种特征气体浓度、环境温度、变压器油温为可视输入,通过对基于受限玻尔兹曼机的多隐层机器学习模型训练,可自动提取气体浓度自身发展规律,逐层激活各气体组分之间及温度对气体浓度影响的强相关性,抑制、弱化无关和冗余信息。该模型具有较高预测精度,克服了传统单一变量预测方法稳定性差的问题,同时避免了人工干预过程。通过算例分析,验证了该方法的有效性。(本文来源于《电网技术》期刊2017年08期）
李艳,程宏波,辛建波,康琛[5]（2017）在《变压器油中溶解气体浓度的GM(1,n)预测》一文中研究指出电力变压器是电力系统的关键设备,其状态的发展演变是一个随时间累积的过程,变压器油中溶解气体的含量会随着时间变化逐步发展,对变压器油中溶解气体的浓度进行预测可以提前发现变压器存在的故障隐患,为预防性维修提供依据。在分析变压器油中溶解气体产生机理的基础上,采用灰色模型,利用在线监测系统获取的溶解气体浓度数据,应用GM(1,n)模型进行预测的结果表明,该模型能够预测出精度较高的油中溶解气体浓度,由此可对变压器未来的状态进行预警,为预防性维修提供依据。(本文来源于《华东交通大学学报》期刊2017年03期）
林湘宁,黄京,熊卫红,翁汉璃,朱黎明[6]（2016）在《变压器油中溶解气体浓度的区间预测》一文中研究指出应用灰色关联度分析方法确定了与待预测状态量关联度较高的因素,并利用熵理论建立了具有客观权重的组合预测模型。预测区间可有效量化由不确定因素引起的油中溶解气体浓度波动,应用比例系数法和粒子群优化算法建立了一定置信水平下油中溶解气体浓度的区间预测模型,且不受传统区间预测方法中必须服从正态分布的限制。实例结果验证了所提模型的有效性。(本文来源于《电力自动化设备》期刊2016年04期）
刘亚南,范立新,徐钢,唐一铭,刘全[7]（2016）在《基于非负矩阵分解与改进极端学习机的变压器油中溶解气体浓度预测模型》一文中研究指出变压器油中溶解气体浓度是评估变压器绝缘状态的重要依据,对气体浓度进行有效预测,可以及时识别变压器潜伏性故障。文中提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)与改进极端学习机(extreme learning machine,ELM)组合的变压器中溶解气体浓度预测模型。该方法通过NMF算法对输入样本进行分解,同时引入Adaboost算法对极端学习机进行改进;将低维矩阵作为模型的训练样本输入,剔除冗余数据,提高预测精度。实例分析结果表明,文中提出的方法能有效地降低输入样本维数,提高预测精度,能较好地解决变压器油中溶解气体浓度预测问题。(本文来源于《高压电器》期刊2016年01期）
李洪超,王伟刚,董雪梅[8]（2016）在《基于M-LS-SVR的变压器油中溶解气体浓度预测》一文中研究指出为预测变压器油中溶解气体的浓度,提出了混合最小二乘支持向量机回归(Mixed Least Square Support Vector Regression,M-LS-SVR)算法。该算法使用线性和非线性核函数的组合作为预测函数,利用真实数据自适应选择其混合比例因子。实验结果表明,与目前比较流行的BP神经网络方法、SVR方法和LS-SVR方法的预测结果相比,该方法具有更小的预测误差,更低的复杂性以及更好的泛化能力。(本文来源于《电气技术》期刊2016年01期）
唐勇波,桂卫华,彭涛,欧阳伟[9]（2013）在《基于互信息变量选择的变压器油中溶解气体浓度预测》一文中研究指出针对变压器油中溶解气体浓度预测中存在的输入变量选择结果受噪声影响的问题,提出了改进的互信息变量选择和支持向量回归机的油中溶解气体浓度预测方法。首先,对油中溶解气体各变量进行相空间重构,利用独立成分分析方法进行信噪分离;然后,提出改进的标准化互信息方法进行输入变量选择,以降低噪声对互信息变量选择的影响;最后,采用支持向量回归机作为预测器对变压器油中溶解气体浓度进行预测。实验结果表明,改进的标准化互信息的输入变量选择结果吻合油劣化热动力学研究结果,具有较优的预测精度和泛化能力。(本文来源于《仪器仪表学报》期刊2013年07期）
张美金,鄂小雪[10]（2013）在《基于改进LS-SVM的变压器油中气体浓度预测》一文中研究指出目前变压器油中气体浓度预测普遍采用灰色模型,但灰色模型的使用存在一定局限性。为提高预测的精度和可靠性,应用改进的最小二乘支持向量机的鲁棒性及稀疏性理论建立了同时预测变压器油中氢气的浓度预测模型。该模型既综合考虑了气体之间的相互影响,又充分发挥了LS-SVM解决有限样本问题的优势,具有较高的预测精度和泛化能力。并且通过实例分析验证了该模型的有效性。(本文来源于《仪表技术与传感器》期刊2013年05期）
变压器油中气体浓度预测论文开题报告
（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：
结合BP神经网络和灰色理论两种单项预测模型算法,提出组合优化预测模型算法,实现对变压器油中溶解气体浓度更为精确的预测。该组合模型算法机理是根据预测误差平方和最小化的原则,首先计算各单项预测模型的权重,然后将各单项模型的权重进行加权综合计算,建立组合最优预测模型。以变压器中溶解的H_2为例验证了该组合算法汲取了两种单项算法的优点,不仅使各单项预测算法的预报误差降低,也有效提高了预测模型的预报性能。
（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。
变压器油中气体浓度预测论文参考文献
[1].刘云鹏,许自强,董王英,李哲,高树国.基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法[J].中国电机工程学报.2019
[2].李忠明.基于组合预测模型的变压器油中溶解气体浓度预测[J].化工自动化及仪表.2018
[3].唐勇波,丰娟.KTA-SVM的变压器油中溶解气体浓度预测[J].控制工程.2017
[4].代杰杰,宋辉,杨祎,陈玉峰,盛戈皞.基于深度信念网络的变压器油中溶解气体浓度预测方法[J].电网技术.2017
[5].李艳,程宏波,辛建波,康琛.变压器油中溶解气体浓度的GM(1,n)预测[J].华东交通大学学报.2017
[6].林湘宁,黄京,熊卫红,翁汉璃,朱黎明.变压器油中溶解气体浓度的区间预测[J].电力自动化设备.2016
[7].刘亚南,范立新,徐钢,唐一铭,刘全.基于非负矩阵分解与改进极端学习机的变压器油中溶解气体浓度预测模型[J].高压电器.2016
[8].李洪超,王伟刚,董雪梅.基于M-LS-SVR的变压器油中溶解气体浓度预测[J].电气技术.2016
[9].唐勇波,桂卫华,彭涛,欧阳伟.基于互信息变量选择的变压器油中溶解气体浓度预测[J].仪器仪表学报.2013
[10].张美金,鄂小雪.基于改进LS-SVM的变压器油中气体浓度预测[J].仪表技术与传感器.2013