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

作者：范志远; 杜江

来源：高电压技术, 2023, 1-11.

DOI：10.13336/j.1003-6520.hve.20221805

• 油中溶解气体
• 相关变分模态分解
• 一维卷积神经网络
• 长短期记忆神经网络
• 气体体积分数预测

为了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)、一维卷积神经网络(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一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。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，本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的技术支撑。

• 单位
  河北工业大学