基于CEEMD联合TGSCSO-LSTM算法的变压器油中气体浓度预测方法

作     者：彭继慎 夏玲云 王燚增 

作者机构：辽宁工程技术大学电气与控制工程学院 国网冀北电力有限公司超高压分公司 

出 版 物：《电气工程学报》 (Journal of Electrical Engineering)

年 卷 期：2024年

学科分类：12[管理学] 080801[工学-电机与电器] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：辽宁省自然科学基金(2019-ZD-0039) 辽宁省教育厅科学技术研究创新团队(LT2019007)资助项目 

主　　题：油中溶解气体 互补集合经验模态分解 沙丘猫群优化算法 长短时记忆神经网络 

摘      要：油中溶解气体浓度的预测可为电力变压器状态评估与早期故障诊断提供重要的数据依据。由此，针对长短期记忆网络(Long short-term memory network,LSTM)预测模型参数选择困难的问题，同时为提高变压器油中溶解气体浓度预测的精度，提出一种基于CEEMD联合TGSCSO-LSTM算法的变压器油中气体浓度预测方法。利用互补集合经验模态分解算法(Complementaryensembleempiricalmodedecomposition,CEEMD)将原始气体浓度序列分解为一系列具有一定频率特征的分量，以提高原始序列的可预测性能；针对各分量分别建立LSTM预测模型，同时利用经Tent映射随机初始化种群与高斯扰动改进的沙丘猫群优化算法(Sand cat swarm optimization,SCSO)对LSTM网络参数进行优化选取，以提高算法的预测精度；最后重构各个分量的预测结果以获取最终的油中溶解气体浓度预测结果。利用某500kV变压器实际气体浓度数据对所提方法进行对比试验，试验结果表明，所提方法油中溶解气体浓度预测性能优良，具有较好的应用价值。