CN108733921B - 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 - Google Patents
基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 Download PDFInfo
- Publication number
- CN108733921B CN108733921B CN201810481085.8A CN201810481085A CN108733921B CN 108733921 B CN108733921 B CN 108733921B CN 201810481085 A CN201810481085 A CN 201810481085A CN 108733921 B CN108733921 B CN 108733921B
- Authority
- CN
- China
- Prior art keywords
- granulation
- fuzzy information
- fuzzy
- data
- hot spot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,包括根据模糊信息粒化品质确定粒化时窗的个数,运用模糊信息粒化技术提取原始数据的有效信息;基于有效信息构建小波神经网络预测模型,并通过和声搜索算法对小波神经网络的结构参数进行优化;使用结构与参数调整后的模型对变压器绕组热点温度波动范围进行预测。本发明的预测准确率较高,对变压器的运行与维护具有一定的指导意义。
Description
技术领域
本发明涉及一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法。
背景技术
电力变压器是十分重要的输变电设备,一直以来都是重点监测与保护的对象。丧失应有的绝缘能力是大部分变压器寿命终结的主要原因,而变压器绕组热点温度又是影响其绝缘能力的重要因素之一。绕组热点温度定义为变压器绕组最热区域达到的温度,已被证实是影响变压器负载能力和可用寿命的关键因素。当变压器绕组热点温度超过允许值时会导致变压器绝缘的损坏。因此深入的研究变压器的热点温度,提前发现变压器绕组热点温度的异常,对指导变压器的运行与维护具有十分重要的意义。
国内外专家学者就变压器绕组热点温度的预测展开了大量的研究。现有方法中有的提出了基于T-S模糊模型的变压器顶层温度预测方法,模型较好的完成了顶层温度的跟踪,并与递推神经网络、IEEE导则进行了对比,但顶层温度并非真正的热点温度,因此模型具有一定的局限性。有的文献考虑了环境温度、顶层油温、底层油温、上死角温度、下死角温度5个影响因素,基于广义回归神经网络建立了变压器绕组热点温度的预测模型。有的文献考虑了负载变换与顶层油温,基于卡尔曼滤波算法建立了变压器绕组热点温度实时估计模型。有的文献基于最小二乘支持向量机构建了变压器顶层温度预测模型。有的文献将负载电流、环境温度、顶层油温、底层油温、上死角温度、下死角温度考虑在内,构建了遗传优化支持向量机的热点温度预测模型。
上述研究均较好的实现了对于变压器绕组温度的跟踪,然而这些模型提前预知变压器绕组热点温度异常的能力相对较差。
发明内容
本发明为了解决上述问题,提出了一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,针对变压器绕组热点温度时序预测和波动范围预测研究相对不完善的现状,基于模糊信息粒化与和声搜索算法(Harmony Search,HS)优化小波神经网络(Wavelet neural network,WNN)的变压器绕组热点温度波动范围组合预测模型,本发明能够较好的预知变压器绕组热点温度异常的能力。
为了实现上述目的,本发明采用如下技术方案:
一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,包括:
根据模糊信息粒化品质确定粒化时窗的个数,运用模糊信息粒化技术提取原始数据的有效信息;
基于有效信息构建小波神经网络预测模型,并通过和声搜索算法对小波神经网络的结构参数进行优化;
使用结构与参数调整后的模型对变压器绕组热点温度波动范围进行预测。
更为详细的,包括:
更新历史数据,对历史数据样本数据进行模糊信息粒化,得到平均值、下界和上界,计算模糊信息粒化品质因数,选取最优粒化结果;
筛选粒化后的历史数据,运用训练集样本初步建立多种不同结构的小波神经网络预测模型,通过该模型判断输入层节点数与隐藏层节点数,并定时更新;
确定了输入层、隐藏层与输出层即确定了需要优化的结构参数,对优化对象进行编码,定义适应度值函数,通过和声搜索对小波神经网络的结构参数进行筛选;
利用筛选后的小波神经网络分别对平均值、下界和上界进行预测,得到变压器绕组热点温度波动范围;
采用均方误差、平均绝对误差和相关系数三个指标对模型预测性能进行评估。
进一步的,运用模糊信息粒化技术提取原始数据的有效信息的过程中,具体包括:
变压器绕组热点温度时间序列按需分解成若干个小的子序列,每一个子序列作为一个操作时窗进行模糊化;
在每个子序列上建立一个三角型模糊粒子;
将时间序列按从小到大排序,求取各个三角型模糊粒子的平均值、下界和上界。
进一步的,在运用模糊信息粒化技术提取原始数据的有效信息的过程中,利用模糊信息粒化品质因数确定粒化时窗的个数,所述品质因数具体为模糊信息粒化的数据压缩比与模糊信息粒化后数据的丢失量比值的log值。
进一步的,基于有效信息构建小波神经网络预测模型中,采用Morlet基小波函数,利用模糊粒化后的变压器绕组热点温度历史数据作为小波神经网络的输入层节点的输入数据。
进一步的,利用和声搜索算法搜索最佳的小波神经网络结构参数中,将小波神经网络模型的预测误差作为目标函数,即调用小波神经网络进行预测,得到的预测结果作为和声的适应度值,将需要优化的小波神经网络的输入权重、输出权重、伸缩因子和平移因子作为每个和声的位置向量。
更进一步的,优化步骤包括:
(1)对和声记忆库容量、记忆库取值概率、音调微调概率、音调微调宽带和最大迭代次数进行初始化;
(2)产生多个和声,构成初始的和声库,调用小波神经网络进行预测,计算预测误差,得到原始记忆库中的各个体适应度值;
(3)随机生成0~1的随机数,如果满足该随机数小于记忆库取值概率,则根据从记忆库中随机选取一个个体;
(4)对选取的个体进行微调;如果不满足所述随机数小于记忆库取值概率,则在变量的取值范围里重新生成一个新解;
(5)更新和声记忆库,计算所产生的新解的适应度值,并进行记忆库的更新;
(6)判断算法是否终止,若满足最大迭代次数则算法终止,获取最优的小波神经网络结构参数,否则,返回至步骤(3)继续执行。
更进一步的,所述步骤(3)中,从记忆库中随机选取一个个体的过程包括:如果随机数小于记忆库取值概率,新的个体为和声中的随机的一个,否则,新的个体为和声向量中的一个。
更进一步的,所述步骤(4)中,如果所述随机数小于记忆库取值概率,新解为:
rand2为0~1之间的随机数,k为离散变量可能值的个数,PAR为音调微调概率。
更进一步的,所述步骤(5)中,计算新解的适应度值,按照适应度值进行记忆库的更新:
xworst为解集中的最差解,这里的函数表达式法f()为目标函数。
与现有技术相比,本发明的有益效果为:
(1)信息粒化技术可以按需从原始数据中提取出有用的信息,降低目标数据的复杂度,而小波神经网络具有很强非线性映射能力。本发明将两种方法进行组合有效实现了对于变压器绕组热点温度波动范围的预测。
(2)提出的模糊信息粒化品质的概念对信息粒化过程进行了优化;利用和声搜索算法对小波神经网络的结构参数进行了筛选,提升了预测准确度,并与多种预测模型进行了对比,验证了本发明所提模型的优越性,论证了FIG-HS-WNN模型用于变压器绕组热点温度预测的可行性。
(3)本发明预测准确率较高,对变压器的运行与维护具有一定的指导意义。该组合模型不仅能用于变压器绕组热点温度的预测,还能为其他领域的预测建模提供思路。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明的小波神经网络拓扑结构图;
图2是本发明的组合预测模型流程图;
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
针对变压器绕组热点温度时序预测和波动范围预测研究相对不完善的现状,提出了基于模糊信息粒化与和声搜索算法(Harmony Search,HS)优化小波神经网络(Waveletneural network,WNN)的变压器绕组热点温度波动范围组合预测模型。
首先根据模糊信息粒化品质确定粒化时窗的个数,进而运用模糊信息粒化技术提取原始数据的有效信息;
然后基于有效信息构建小波神经网络预测模型,并通过和声搜索算法对小波神经网络的结构参数进行了优化;
最后,使用结构与参数调整后的模型对变压器绕组热点温度波动范围进行预测。实验与数据分析结果表明,该模型能够有效的进行变压器绕组热点温度波动范围的预测,对变压器的运维有一定的指导意义。
一模糊信息粒化
1.1模糊信息粒化基本原理
信息粒化最早由Zadeh教授提出,该方法是一个将大量复杂信息按一定规则分解为多个部分的过程,每个部分都有较低的计算复杂度。在提取了原始信息有效数据的同时实现了对原始信息的压缩。信息粒化主要有基于模糊集理论、粗糙集理论和熵空间理论三种类型,本发明采用基于模糊集理论的模型,研究变压器绕组热点温度时间序列的模糊粒化过程。模糊信息粒化分为两个过程:(1)划分粒化时窗;(2)按一定规则对每个时窗中的数据进行模糊化。
粒化时窗划分就是把变压器绕组热点温度时间序列按需分解成若干个小的子序列,每一个子序列作为一个操作时窗。信息的模糊化是一个有效信息的提取过程,对每个时窗中的数据,按一定的规则建立合理的模糊集。
考虑单个时窗进行模糊化处理的情况,即把一个变压器绕组热点温度序列T=[t1,t2,…,tn]看成是一个时窗进行模糊化。模糊化的目标是在T上建立一个模糊粒子P,即寻找一个确定的函数A使得:
P=A(t),t∈T (1)
模糊粒子P主要有三角形、梯型和非对称髙斯型等基本形式,由于本发明进行变压器绕组热点温度波动范围的预测,即需要知道窗口的最大值与最小值,因此采用三角型模糊粒子,其隶属函数如式(2)所示:
模糊化的过程即要确定LOW、R、UP的值,本发明采用W.Pedrycz算法:
(1)求均值R。将时间序列T按从小到大排序,不妨设排序后仍为T,则R=median(T)。
(2)求下界LOW:
(3)求上界UP:
(4)给出模糊粒子P:
P=(LOW,R,UP) (5)
通过上述过程即可确定参数LOW、R、UP的值,其中参数LOW表示各时窗中数据变化的最小值,参数R表示各时窗中数据变化的平均水平,参数UP表示各时窗中数据变化的最大值。
1.2模糊信息粒化品质
在应用模糊信息粒化时,粒化时窗的个数需要人为给定,不可避免的带有个人主观色彩,易造成信息的冗余或损失。为了解决该问题,本发明提出了模糊信息粒化品质因数,从更加科学的角度确定粒化时窗的个数。
设绕组热点温度时间序列T=[t1,t2,…,tn],模糊信息粒化后LOW=[a1,a2,…,al],R=[m1,m2,…,ml],UP=[b1,b2,…,bl]。
定义模糊信息粒化的数据压缩比为:
CR=n/(3l) (6)
式(6)中,n为原始序列T的长度,l为LOW、R、UP的长度,CR越大则数据压缩程度越高。
信息熵能够从一定程度上代表一组数据所携带信息量的多少。为此,引入了信息熵,对粒化前后数据所携带信息量进行描述。求解T、LOW、R、UP的信息熵,设分别为HT、HLOW、HR、HUP,则模糊信息粒化后数据的丢失量定义为:
S越大,表明模糊信息粒化后数据丢失越严重。
模糊信息粒化品质因数定义为:
品质因数越高,模糊信息粒化结果越优,即在数据压缩比与数据丢失量之间寻找一个平衡点,希望模糊信息粒化后的结果数据丢失量较少的同时拥有一定的压缩比。
二和声搜索算法优化小波神经网络
2.1小波神经网络
小波神经网络是小波分析与神经网络相结合的产物,其继承了小波变换的时频局部性质,同时兼具神经网络的自学习、非线性映射的能力。按两者的结合方式划分,小波神经网络有疏松型小波神经网络和紧致型小波神经网络,疏松型小波神经网络是将小波预处理与神经网络以串联形式呈现,紧致型小波神经网络则是利用小波变换完成了神经网络隐藏层节点的设计。本发明研究围绕紧致型小波神经网络展开。
由于变压器绕组热点温度的非线性特性,采用小波神经网络的特征提取与非线性拟合能力是合适的。本发明采用单层输出的小波神经网络,其网络拓扑结构如图1所示。
图1中,{x1,…,xi,…,xn}为小波神经网络的输入层节点的输入数据,即模糊粒化后的变压器绕组热点温度历史数据,y是小波神经网络的输出层的节点预测输出数据,wij为输入层到隐藏层权重系数,wj为隐藏层到输出层权重系数。Ψ为隐藏层节点的激励函数,这里采用Morlet基小波函数。
设第i个节点输入为xi(i=1,2,…,n),则第j个隐藏层节点的输入值为:
数据进入隐藏层节点后先进行伸缩与平移变换,则基小波函数的输入值为:
(10)式中,aj为伸缩因子,bj为平移因子。Morlet基小波函数如(11)式所示,则隐藏层节点输出结果如(12)式。
小波神经网络的输出节点神经元采用Sigmoid函数,即f(x)=1/(1+e-x),则最终的模型预测结果可表示为(13)式。
定义模型的预测误差为:
式(14)中,T为训练样本的个数,YP表示第P个样本的实测数据,yP表示第P个样本的预测数据。
WNN的权重wij、wj、伸缩因子aj、平移因子bj对预测误差J影响较大,因此需要选取合理的模型参数。传统的小波神经网络通过附加动量的梯度下降法进行参数选取,使(14)式最小化,然而该方法存在收敛速度较慢、不能有效搜寻到全局最优的问题。为了有效的解决该问题,本发明对和声搜索算法展开了研究。
2.2 HS优化WNN结构参数
和声搜索算法模拟了音乐演奏的原理,该算法具有较强的全局搜索能力,而且避免了复杂的参数设定问题,在许多优化问题中都表现出了比遗传算法、模拟退火算法更加优异的性能。本发明利用该算法对小波神经网络的结构参数进行了优化,提升绕组热点温度预测的准确度。现有技术中存在文献对和声搜索算法的原理进行了详细的描述,本发明不再赘述。
利用和声搜索算法搜索最佳的小波神经网络结构参数,需要着重考虑的是适应度值函数的确立以及和声的编码问题。本发明在进行设计时将小波神经网络模型的预测误差作为目标函数,即调用小波神经网络进行预测,以式(14)得到的结果作为和声的适应度值。将需要优化的输入权重wij、输出权重wj、伸缩因子aj、平移因子bj作为每个和声的位置向量,如式(15)所示。
X(HMS)=[wij,aj,bj,wj] (15)
式中,HMS为和声数目,i为输入层节点数,j为隐藏层节点数,则和声维数D=(i+3)×j。
优化步骤如下:
(1)参数初始化。需要进行设置的参数有:和声记忆库HM容量,记忆库取值概率HMCR,音调微调概率PAR,音调微调宽带bw,最大迭代次数Tmax。
(2)初始化和声库。产生HMS个和声,构成了初始的和声库。调用小波神经网络进行预测,计算预测误差,得到原始记忆库(HM)中的各个体适应度值。
(3)生成新和声。随机生成0~1的随机数rand1,如果满足rand1<HMCR,则根据(16)式从记忆库(HM)中随机选取一个个体。
根据(17)式对选取的个体进行微调;如果不满足rand1<HMCR,则在变量的取值范围里重新生成一个新解。
式(17)中,rand2为0~1之间的随机数,k为离散变量可能值的个数。
(4)更新和声记忆库。计算由步骤3所产生的新解的适应度值,并根据下式进行记忆库(HM)的更新。
(5)判断算法是否终止。若满足最大迭代次数则算法终止,获取最优的小波神经网络结构参数。否则,算法转到步骤3继续执行。
三热点温度波动范围预测建模
在上述工作基础上,构建了基于模糊信息粒化与和声搜索优化小波神经网络(FIG-HS-WNN)的变压器绕组热点温度波动范围组合预测模型。模型的整体流程如图2所示。
建模步骤简述如下:
(1)更新历史数据,据公式(2)-(5)对样本数据进行模糊信息粒化,得到LOW、R、UP,根据公式(6)-(8)计算模糊信息粒化品质因数Q,选取最优粒化结果。
(2)筛选粒化后的历史数据,运用训练集样本初步建立多种不同结构的小波神经网络预测模型,通过该模型判断输入层节点数(即输入历史数据的天数)与隐藏层节点数。需要注意针对不同的历史数据集小波神经网络的结构会发生变化,即每天更新数据后都需要对小波神经网络重新调整。
(3)确定了输入层、隐藏层与输出层即确定了需要优化的结构参数,根据式(15)对优化对象进行编码,将式(14)定义为适应度值函数,通过和声搜索对小波神经网络的结构参数进行筛选。
(4)利用设计后的小波神经网络分别对LOW、R、UP进行预测,得到变压器绕组热点温度波动范围。
(5)采用均方误差(MSE)、平均绝对误差(MAE)、相关系数(r)三个指标对模型预测性能进行评估。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,其特征是:包括:
根据模糊信息粒化品质确定粒化时窗的个数,运用模糊信息粒化技术提取原始数据的有效信息;
基于有效信息构建小波神经网络预测模型,并通过和声搜索算法对小波神经网络的结构参数进行优化;
使用结构与参数调整后的模型对变压器绕组热点温度波动范围进行预测;
所述根据模糊信息粒化品质确定粒化时窗的个数,运用模糊信息粒化技术提取原始数据的有效信息,包括:
设绕组热点温度时间序列T=[t1,t2,…,tn],模糊信息粒化后LOW=[a1,a2,…,al],R=[m1,m2,…,ml],UP=[b1,b2,…,bl];
定义模糊信息粒化的数据压缩比为:
CR=n/(3l) (6)
式(6)中,n为原始序列T的长度,l为LOW、R、UP的长度,CR越大则数据压缩程度越高;
引入了信息熵,对粒化前后数据所携带信息量进行描述,求解T、LOW、R、UP的信息熵,设分别为HT、HLOW、HR、HUP,则模糊信息粒化后数据的丢失量定义为:
S越大,表明模糊信息粒化后数据丢失越严重;
模糊信息粒化品质因数定义为:
品质因数越高,模糊信息粒化结果越优,即在数据压缩比与数据丢失量之间寻找一个平衡点,希望模糊信息粒化后的结果数据丢失量较少的同时拥有一定的压缩比。
2.如权利要求1所述的一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,其特征是:运用模糊信息粒化技术提取原始数据的有效信息的过程中,具体包括:
变压器绕组热点温度时间序列按需分解成若干个小的子序列,每一个子序列作为一个操作时窗进行模糊化;
在每个子序列上建立一个三角型模糊粒子;
将时间序列按从小到大排序,求取各个三角型模糊粒子的平均值、下界和上界。
3.一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,其特征是:包括:
更新历史数据,对历史数据样本数据进行模糊信息粒化,得到平均值、下界和上界,计算模糊信息粒化品质因数,选取最优粒化结果;
筛选粒化后的历史数据,运用训练集样本初步建立多种不同结构的小波神经网络预测模型,通过该模型判断输入层节点数与隐藏层节点数,并定时更新;
确定了输入层、隐藏层与输出层即确定了需要优化的结构参数,对优化对象进行编码,定义适应度值函数,通过和声搜索对小波神经网络的结构参数进行筛选;
利用筛选后的小波神经网络分别对平均值、下界和上界进行预测,得到变压器绕组热点温度波动范围;
采用均方误差、平均绝对误差和相关系数三个指标对模型预测性能进行评估;
所述更新历史数据,对历史数据样本数据进行模糊信息粒化,得到平均值、下界和上界,计算模糊信息粒化品质因数,选取最优粒化结果,包括:
设绕组热点温度时间序列T=[t1,t2,…,tn],模糊信息粒化后LOW=[a1,a2,…,al],R=[m1,m2,…,ml],UP=[b1,b2,…,bl];
定义模糊信息粒化的数据压缩比为:
CR=n/(3l) (6)
式(6)中,n为原始序列T的长度,l为LOW、R、UP的长度,CR越大则数据压缩程度越高;
引入了信息熵,对粒化前后数据所携带信息量进行描述,求解T、LOW、R、UP的信息熵,设分别为HT、HLOW、HR、HUP,则模糊信息粒化后数据的丢失量定义为:
S越大,表明模糊信息粒化后数据丢失越严重;
模糊信息粒化品质因数定义为:
品质因数越高,模糊信息粒化结果越优,即在数据压缩比与数据丢失量之间寻找一个平衡点,希望模糊信息粒化后的结果数据丢失量较少的同时拥有一定的压缩比。
4.如权利要求1或3所述的一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,其特征是:基于有效信息构建小波神经网络预测模型中,采用Morlet基小波函数,利用模糊粒化后的变压器绕组热点温度历史数据作为小波神经网络的输入层节点的输入数据。
5.如权利要求1或3所述的一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,其特征是:利用和声搜索算法搜索最佳的小波神经网络结构参数中,将小波神经网络模型的预测误差作为目标函数,即调用小波神经网络进行预测,得到的预测结果作为和声的适应度值,将需要优化的小波神经网络的输入权重、输出权重、伸缩因子和平移因子作为每个和声的位置向量。
6.如权利要求5所述的一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,其特征是:优化步骤包括:
(1)对和声记忆库容量、记忆库取值概率、音调微调概率、音调微调宽带和最大迭代次数进行初始化;
(2)产生多个和声,构成初始的和声库,调用小波神经网络进行预测,计算预测误差,得到原始记忆库中的各个体适应度值;
(3)随机生成0~1的随机数,如果满足该随机数小于记忆库取值概率,则根据从记忆库中随机选取一个个体;
(4)对选取的个体进行微调;如果不满足所述随机数小于记忆库取值概率,则在变量的取值范围里重新生成一个新解;
(5)更新和声记忆库,计算所产生的新解的适应度值,并进行记忆库的更新;
判断算法是否终止,若满足最大迭代次数则算法终止,获取最优的小波神经网络结构参数,否则,返回至步骤(3)继续执行。
7.如权利要求6所述的一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法,其特征是:所述步骤(3)中,从记忆库中随机选取一个个体的过程包括:如果随机数小于记忆库取值概率,新的个体为和声中的随机的一个,否则,新的个体为和声向量中的一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810481085.8A CN108733921B (zh) | 2018-05-18 | 2018-05-18 | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810481085.8A CN108733921B (zh) | 2018-05-18 | 2018-05-18 | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108733921A CN108733921A (zh) | 2018-11-02 |
CN108733921B true CN108733921B (zh) | 2021-07-16 |
Family
ID=63938458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810481085.8A Active CN108733921B (zh) | 2018-05-18 | 2018-05-18 | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108733921B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375504B (zh) * | 2018-11-06 | 2022-04-19 | 江西北斗变电科技有限公司 | 基于模糊神经网络pid控制的绕组绝缘气泡生成控制的方法 |
CN109901030B (zh) * | 2019-02-25 | 2021-10-22 | 国网山东省电力公司济南供电公司 | 一种电抗器匝间绝缘状态监测方法、***及应用 |
CN110244225A (zh) * | 2019-06-27 | 2019-09-17 | 清华大学深圳研究生院 | 一种预测动力电池放电时表面最高温度的方法 |
CN116432406B (zh) * | 2023-03-09 | 2024-02-02 | 广东电网有限责任公司佛山供电局 | 一种油浸式变压器工作绕组热点温度计算的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6609079B1 (en) * | 1998-05-14 | 2003-08-19 | Va Tech Elin Transformatoren Gmbh | Method and arrangement for ascertaining state variables |
CN102915355A (zh) * | 2012-10-11 | 2013-02-06 | 李英明 | 一种基于和声搜索和模拟退火的多处理机任务调度的方法 |
CN103150610A (zh) * | 2013-02-28 | 2013-06-12 | 哈尔滨工业大学 | 基于模糊信息粒化与支持向量机的供热负荷预报方法 |
CN105550472A (zh) * | 2016-01-20 | 2016-05-04 | 国网上海市电力公司 | 一种基于神经网络的变压器绕组热点温度的预测方法 |
CN105590023A (zh) * | 2015-12-08 | 2016-05-18 | 三峡大学 | 一种基于信息熵的滚动轴承性能退化模糊粒化预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6445372B2 (ja) * | 2015-03-31 | 2018-12-26 | 日本碍子株式会社 | 圧電/電歪材料、圧電/電歪体及び共振駆動デバイス |
CN106073702B (zh) * | 2016-05-27 | 2019-05-28 | 燕山大学 | 基于小波-传递熵的多时频尺度间脑肌电耦合分析方法 |
CN106527141B (zh) * | 2016-12-05 | 2019-09-20 | 清华大学 | 基于变论域模糊规则迭代学习的玻璃窑炉空燃比调整方法 |
CN107784655A (zh) * | 2016-12-28 | 2018-03-09 | 中国测绘科学研究院 | 一种自适应阈值的视觉注意模型sar舰船检测算法 |
CN107368926B (zh) * | 2017-07-28 | 2018-07-10 | 中南大学 | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 |
CN107506871A (zh) * | 2017-09-08 | 2017-12-22 | 广东工业大学 | 一种区间预测的方法及*** |
-
2018
- 2018-05-18 CN CN201810481085.8A patent/CN108733921B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6609079B1 (en) * | 1998-05-14 | 2003-08-19 | Va Tech Elin Transformatoren Gmbh | Method and arrangement for ascertaining state variables |
CN102915355A (zh) * | 2012-10-11 | 2013-02-06 | 李英明 | 一种基于和声搜索和模拟退火的多处理机任务调度的方法 |
CN103150610A (zh) * | 2013-02-28 | 2013-06-12 | 哈尔滨工业大学 | 基于模糊信息粒化与支持向量机的供热负荷预报方法 |
CN105590023A (zh) * | 2015-12-08 | 2016-05-18 | 三峡大学 | 一种基于信息熵的滚动轴承性能退化模糊粒化预测方法 |
CN105550472A (zh) * | 2016-01-20 | 2016-05-04 | 国网上海市电力公司 | 一种基于神经网络的变压器绕组热点温度的预测方法 |
Non-Patent Citations (2)
Title |
---|
A New Prediction Model for Transformer Winding Hotspot Temperature Fluctuation Based on Fuzzy Information Granulation and an Optimized Wavelet Neural Network;Li Zhang 等;《energies》;20171201;第10卷(第12期);1-13 * |
基于改进变分模态分解的有载分接开关机械状态监测;王冠 等;《湖南大学学报(自然科学版)》;20171031;第44卷(第10期);75-83 * |
Also Published As
Publication number | Publication date |
---|---|
CN108733921A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108733921B (zh) | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 | |
Cordón et al. | Hybridizing genetic algorithms with sharing scheme and evolution strategies for designing approximate fuzzy rule-based systems | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN110851566A (zh) | 一种改进的可微分网络结构搜索的方法 | |
CN109978283A (zh) | 一种基于分支进化神经网络的光伏发电功率预测方法 | |
CN111832825A (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及*** | |
CN114998525A (zh) | 基于动态局部-全局图卷积神经网络的动作识别方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
Cai et al. | On-device image classification with proxyless neural architecture search and quantization-aware fine-tuning | |
Huang et al. | Ponas: Progressive one-shot neural architecture search for very efficient deployment | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
Lan et al. | A spectrum prediction approach based on neural networks optimized by genetic algorithm in cognitive radio networks | |
Cao et al. | An enhanced whale optimization algorithm with improved dynamic opposite learning and adaptive inertia weight strategy | |
CN115796358A (zh) | 一种碳排放预测的方法及终端 | |
CN116596109A (zh) | 一种基于门控时间卷积网络的交通流预测模型 | |
CN112183721A (zh) | 一种基于自适应差分进化的组合水文预测模型的构建方法 | |
CN116821452A (zh) | 一种图节点分类模型训练方法、图节点分类方法 | |
Lavaei et al. | Dynamic analysis of structures using neural networks | |
Shubha et al. | A diverse noise-resilient DNN ensemble model on edge devices for time-series data | |
Wang et al. | Elongation prediction of steel-strips in annealing furnace with deep learning via improved incremental extreme learning machine | |
Lu et al. | Laplacian deep echo state network optimized by genetic algorithm | |
CN114625886A (zh) | 基于知识图谱小样本关系学习模型的实体查询方法及*** | |
Wang et al. | Interval-valued financial time series prediction based on improved Elman neural network | |
Mirzaei et al. | Optimal matching by the transiently chaotic neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |