1、采用 LSTM 網絡的電力變壓器運行狀態預測方法研究PredictionMethodforPowerTransformerRunningStateBasedonLSTMNetwork代杰杰1,宋輝1,盛戈嗥1,江秀臣1,王健一2,陳玉峰31 .上海交通大學電氣工程系，上海 2002402 .中國電力科學研究院有限公司，北京 1001923 .國網山東省電力公司電力科學研究院，濟南 250002DAIJiejie1,SONGHui1,SHENGGehao1,JIANGXiuchen1,WANGJianyiYufeng31. DepartmentofElectricalEngineering,Sh

2、anghaiJiaoTongUniversity,Shanghai200240,China2. ChinaElectricPowerResearchInstitute,Beijing100192,China3. ElectricPowerResearchInstituteofShandongPowerSupplyCompanyofStateGrid,Jinan250002,China代杰杰（通信作者）1986 一,女，博士生，主要從事輸變電設備狀態評估的研究工作2,CHENE-mail:盛戈嗥 1974 一,男，博士，教授，博導，主要從事輸變電設備狀態評估的研究工作 E-mail:基金項目：國

3、家自然科學基金(51477100);國家高技術研究發展計劃(863 計劃)(2015AA050204);國家電網公司科技項目(編號略)；ProjectsupportedbyNationalNaturalScienceFoundationofChina(51477100),NationalHigh-techResearchandDevelopmentProgramofChina(863Program)(2015AA050204),ScienceandTechnologyProjectofSGCC;摘要為預測電力變壓器運行狀態，首先分析了變壓器運行過程中狀態變化的影響因素，選取油中溶解特征氣體體積

4、分數和運行工況、檢修記錄、運行時間作為關鍵影響因素。采用模糊綜合評判思想對電力變壓器運行狀態進行評估，并以模糊綜合隸屬度為數據標簽建立基于長短時記憶網絡的電力變壓器狀態預測模型。利用變壓器油中氣體序列數據及技術指標參數的狀態隸屬度數據對長短時記憶網絡進行訓練，以發掘特征參量與變壓器狀態之間的對應關系及模型預測參數。實例分析表明，所提方法可有效預測電力變壓器運行狀態，基于長短時記憶網絡的電力變壓器狀態預測模型對 1 周后變壓器狀態預測準確率達 94.4%,對 1 個月后狀態預測準確率達 81.2%,能較準確地反映變壓器的優劣狀況。關鍵詞：變壓器；油中氣體分析；技術指標參數；長短時記憶網絡；狀態預

5、測；DOI:10.13336/j.1003-6520.hve.20180329008ABSTRACTInordertopredicttherunningstateofpowertransformers,wefirstlyanalyzedtheinfluencingfactorsofthestateduringtheoperationoftransformers,andselectedtheGasesconcentrationdissolvedininsulationoil,operationcondition,maintenancerecordsandrunningtimeasthekeyin

6、fluencingfactors.Then,weusedthefuzzysyntheticjudgmentmethodtoevaluatetherunningstatusofpowertransformers,andestablishedastatepredictionmodelforpowertransformersbasedonthelongshort-termmemorynetworkwiththefuzzysyntheticmembership.Thekeyparametersweretrainedtoexplorethepredictioncharacteristics.Thecas

7、estudiesshowthattheproposedmethodcaneffectivelypredicttherunningstateofthepowertransformer.Theaccuracyofaweekshort-termpredictionforpowertransformerstateis94.4%,andtheaccuracyofamonthlong-termpredictionforpowertransformerstateis81.2%.Theproposedpredictionmodelcanaccuratelyreflectthereliabilityofthet

8、ransformers.KEYWORDS:transformer;dissolvedgasanalysis;technicalindicatorparameter;longshort-termmemorynetwork;stateprediction;0引言電力變壓器是電力系統的關鍵設備之一淇運行狀態關乎電網能否可靠供電。變壓器在運行使用過程中，由于老化、電、熱故障等原因會產生少量氣體溶解于絕緣油中，油中氣體的各種成分體積分數及不同組分間的比例關系與變壓器運行狀況密切相關1。變壓器油中溶解氣體分析（DGA）技術在故障診斷及狀態預測中得到廣泛應用2-3。研究發現 DGA 變化趨勢可通過歷史數據分

9、析及數據模型進行預測，以進一步表征其與變壓器運行狀態變化及故障模式的密切聯系。文獻4利用云理論對故障變壓器油色譜樣本數據訓練來構建油中氣體狀態空間，并通過 Markov 鏈引入歷史運行狀態信息，構建了加權半 Markov 退化模型對變壓器運行狀態進行預測。文獻5利用粗糙集簡化特征氣體比值與變壓器故障之間的規則，并利用灰色模型對特征氣體比值狀態進行預測，對照氣體比值關系與故障之間的規則，進而得到故障 I率。文獻6利用 40 組變壓器過熱故障案例數據建立了變壓器過熱故障尖點突變模型，對潛伏性過熱故障變壓器的損壞時間進行預測。文獻7以油色譜中特征氣體體積分數、產氣率、設備役齡為關鍵參量，采用最小二乘

10、支持向量機對變壓器動態故障率進行預測。隨著電力設備在線監測技術的發展，變壓器實時監控數據日益增多。利用設備已有的歷史狀態信息，如絕緣油中特征氣體的產生及發展規律，分析變壓器運行狀態變化過程，對變壓器狀態評估和預測具有重要意義叱生。近年來隨著神經網絡的發展，循環神經網絡（RNN）因具有“記憶”能力很多學者將其應用于序列信息的建模預測，取得了顯著成效UE。但傳統的RNN 在信息反饋過程中存在梯度消散問題,Hochreiter 和 Schmidhuber 等為解決 RNN 無法對大時間跨度序列建模問題提出了長短時記憶（LSTM）網絡的策略 9-四,結合歷史狀態、當前記憶與當前輸入引入門控單元來處理長

11、序列依賴問題。基于上述分析，本文以電力變壓器狀態性能指標中 DGA 特征氣體體積分數為基礎，綜合技術指標參數中運行工況、檢修記錄、運行時間，采用模糊綜合評判對電力變壓器運行狀態進行評彳 t，并以模糊綜合隸屬度為數據標簽建立基于長短時記憶網絡的電力變壓器狀態預測模型。并通過實例對不同時間預測尺度下模型的準確性和可靠性進行了驗證分析。1 LSTM循環神經網絡1.1 LSTM 循環神經網絡簡單的循環神經網絡由輸入層、1 個隱藏層和 1 個輸出層組成。對一給定輸入序列x=x1,X2,xt,在 t 時刻,隱藏層狀態為 st,輸出值為 zt,則有：zt=o(V?St)zt=(r(v?st)(I)St=g(

12、U?Xt+W金t-1)st=g(U?xt+W?st-1)(2)式中：V 為輸出層的權重矩陣；b為輸出層激活函數；U 為輸入 x 的權重矩陣；亞為匕 1 時刻隱藏層狀態 st-1作為 t 時刻輸入的權重矩陣;g 為隱藏層激活函數。將式(2)循環代入式(1)，得zt=V&(U?t+W(U?t-1+WU?t-2+W軟U?t-3+)zt=V?g(U?xt+W?g(U?xt-1+W?g(U?xt-2+W?g(U?xt-3+-)(3)由式(3)可知，在 t 時刻，循環神經網絡的輸出值 zt受 xt、xt-1、xt-2、xt-3、的影響。因存在梯度消散問題傳統 RNN 對長序列建模效果較差。而 LS

13、TM 網絡通過增加門控單元來控制即時信息對歷史信息的影響程度，使得網絡模型能夠較長時間保存并傳遞信息。在 t 時亥 I,LSTM 的輸入為：t 時刻序列輸入值 xt,t-1 時刻 LSTM 的輸出值 ht-1以及 t-1 時刻門控單元狀態 ct-1;LSTM 的輸出為：t 時刻 LSTM 輸出值 ht及 t 時刻門控單元狀態 ct。在 LSTM 中,遺忘門決定 ct-1對 ct的影響程度，輸入門決定 xt對 ct的影響程度，輸出門控制 ct對 ht的影響程度。遺忘門、輸入門、輸出門計算分別見式(4)、(5)、(6):ft=o(Wf?lt-1+Wf?t+bf)ft=b(Wf?ht-1+Wf?xt

14、+bf)(4)it=o(Wi?!t-1+Wi?t+bi)it=(y(Wi?ht-1+Wi?xt+bi)(5)Ot=o(Wo?1t-1+Wo?t+bo)ot=(r(Wo?ht-1+Wo?xt+bo)(6)式中：ft、it、ot分別為遺忘門、輸入門、輸出門狀態結算結果；Wf、Wi、Wo分別為遺忘門、輸入門、輸出門權重矩陣；bf、bi、bo分別為遺忘門、輸入門、輸出門偏置項。LSTM 最終的輸出由輸出門和單元狀態共同確定：ct=tanh(Wc?ht-1+Wc?(t+bc)ct=tanh?(Wc?ht-1+Wc?xt+bc)(7)ct=ftCt-1+11ctct=ftct-1+itc-t(8)ht=o

15、ttanh(ct)ht=ottanh?(ct)(9)式中：ctct 為 t 時刻輸入的單元狀態；Wc為輸入單元狀態權重矩陣；bc為輸入單元狀態偏置項;tanh表示 tanh 激活函數廣表示按元素相乘。LSTM 結構見圖 123-14。/X/XIllustrationofLSTM1.2 LSTM 網絡的訓練學習LSTM 網絡采用反向傳播算法進行訓練，步驟如下:1)前向計算每個神經元輸出值。2)反向計算每個神經元的誤差項。LSTM 誤差項反向傳播包括：沿時間反向傳播；將誤差項向上一層傳播。3)根據相應誤差項，計算每個權重的梯度。圖 1LSTM示意圖 Fig.1信“卜TM門控單元結構心)LWTM時序

16、圖2變壓器狀態預測油中氣體體積分數對變壓器故障概率的影響本文采用相對劣化度來表征變壓器當前狀態與故障狀態相比的劣化程度。油中溶解氣體體積分數為越小越優型指標，計算式為ri(ei)=(ei-ai)/(li-ai),1,eiliei昇iri(ei)=(ei-ai)/(li-ai),eiT1,T2時刻發生故障的概率遠大于 T1時刻，且隨著運行時間增加，故障概率亦有所提高。經實踐驗證，在變壓器狀態評估及預測建模時考慮設備運行時間及檢修狀況，故障概率模型更貼近真實情況，可以對設備狀態進行更加準確有效的評估預測。變壓器狀態模式變壓器運行狀態分為正常狀態、一般缺陷狀態參量名稱最優值/注意值氏+ISOxKKC

17、ti4-儀45xi(H*加由 Q35，1MgC.2JL124-1注（220kV以上產總理小年COXX)*0一的甲Q底表 1 油中溶解氣oftransformercondition2 變壓器狀態 Fig.2Changes（狀態監測量接近或超過注意值卜嚴重缺陷狀態和危急狀態。對應的狀態集為V=V1,V2,V3,V4=正常，注意，嚴重，危急。對油中溶解氣體體積分數和技術指標參數采用模糊綜合評判法以評估電力變壓器運行狀態。以氣體體積分數相對劣化度為輸入，構建神經網絡以確定油中溶解氣體體積分數的隸屬度函數。參口文獻19中的方法，油中溶解氣體相對劣化度 r 對應于VIV4的隸屬度函數?vi(r)?vi(r

18、)(i=1,2,3,4)如式(11)(14):r0.2LE-5.155r+2.124:02184產0412(H)1，3.155r-l.l240.218z0,6Q6r。,2183.155r-2.12410.4-12r0.606%=-5.155r+4.1240.606r0.8r0.412Qr0,8采用模糊統計實驗法確定技術指標中運行工況、檢修記錄、運行時間的隸屬度函數”。通過多位專家給出狀態性能參數和技術指標參數對變壓器狀態確定的貢獻度，依據加權求和得到對應于 V1V4的綜合模糊評判結果。基于 LSTM 的變壓器狀態預測實現過程本文以油色譜監測數據中 H2、CH4、C2H4、C2H6、C2H2、總

19、燒、CO、CO2的體積分數及運行工況、檢修記錄、運行時間的隸屬度為輸入，將下一時刻所要預測的狀態信度區間為輸出。各屬性值通過非線性變換同時結合 LSTM 時序聯系，由 Softmax 分類器預測下一時刻所屬不同狀態的概率 p(vi)(i=1,2,3,4),并根據最大概率 max(p)準則確定變壓器狀態。基于LSTM 的變壓器狀態預測架構如圖 3 所示，具體步驟如下：(1)收集選取樣本，將樣本劃分為訓練集和測試集。本文選取從工程現場搜集整理的 206例確認存在異常缺陷/故障的變壓器和 174 例油色譜在線監測裝置出現預警/報警后跟蹤觀察的變壓器組成 LSTM 模型的樣本庫。樣本庫中變壓器投運時間

20、跨度為 19892013 年，電壓等級為 35750kV。(2)將訓練樣本中運行工況、檢修記錄、運行時間的隸屬度及油色譜監測數據中 H2、CH4、C2H4、C2H6、C2H2、總燒、CO、CO2體積分數作為輸入。為降低油色譜中特征氣體體積分數數據分散性對模型的影響，采用離差標準化方法進行歸一化處理。(3)對油中溶解氣體體積分數利用三角形和半梯形組合的隸屬度函數得到對應于不同狀態的分布函數。(4)對不良工況、檢修記錄和運行時間根據模糊統計實驗進行評判。(5)步驟 3 中狀態性能和步驟 4 中技術性能參數依據加權平均得到對應于 viV4的綜合模糊評判結果，將綜合評判結果作為數據標簽。(6)根據 1

21、.2 節中方法對 LSTM 網絡模型進行訓練，提取訓練集油中氣體及運行工況、檢修記錄、運行時間與所預測變壓器狀態之間的特征聯系，獲取預測模型參數。(7)利用 LSTM 預測模型參數對測試集中變壓器進行狀態預測。3算例分析時間依賴性分析對于變壓器健康狀況評估和故障預測，一般情Fig.3TransformerstatepredictionarchitecturebasedonLSTM況下油中溶解氣體體積分數變化緩慢，且理論上呈單調上升趨勢。然而因為通信干擾及背景噪聲等原因使得氣體體積分數趨勢呈現不穩定，為避免這種變化使變壓器狀態評估和故障預測受到干擾，應考慮一段時間的變壓器狀態數據。為表征當前狀態

22、與之前狀態的相關性，文中引入條件嫡來計算時間軸上的依賴性國-21。令時序數據 d=d1,d2,dn表示從時間點 1 到 n 的測量數據，條件嫡定義為H(y|d尸-Eq=1nEj=1k(p(dq,yj)lgp(yj|dq)尸-Eq=1np(dq)Ej=1k(p(yj|dq)lgp(yj|dq)H(y|d 尸-匯 q=1n3=1k(p(dq,yj)lg?p(yj|dq)尸-匯 q=1np(dq)Ej=1k(p(yj|dq)lgp(yj|dq)(15)式中：y 為變壓器狀態；k 為變壓器狀態數量，文中 k=4;p(dq,yj)為 dq、yj的聯合分布概率;p(yj|dq)為已知 dq的情況下，yj的

23、條件分布概率；p(dq)為 dq的分布概率。條件嫡 H(y|d)表示已知 d 后y 的不確定性。條件嫡越大，已知 d 后 y 的不確定性越大，此時 y 和 d 的關聯影響程度越低；反之表示 y和 d 的關聯影響程度越高。技術指標學出狀也計.甘沿忖間反A懂播.設不及向他播-K用戶而-向1序列-出二剜-卜&總用“|.81 列I匚o?序列ISTA 闈丁侍就提取變壓謾狀小船廈區間IKvtXptvJpm印.2/的測出就依受壓器軟態為max9)對應的狀態圖 3 基于 LSTM 變壓器狀態預測架構定義變壓器油色譜時序數據 d 的 m 階相關特征表示為 d（m）=dt-m+i,dt-m+2，,dt-i

24、,dt,即t-m+1t 期間的油色譜數據對變壓器狀態共同作用。例如，當 m=1 時，表示 t 時刻變壓器狀態只與 dt有關。d 不同階特征數據作用下的變壓器狀態 y 的條件嫡見圖 4。由圖 4 可知，條件嫡隨 d 階數增加呈降低趨勢，尤其是從 1 階到 7 階作用下條件嫡下降趨勢顯著,7 階以上條件嫡下降速率變緩至逐步穩定。說明變壓器當前狀態與之前時刻的狀態具有較大的相關性，隨著時間跨度增大，變壓器狀態與較早之前的狀態相關性減弱。因此對變壓器狀態進行預測時應考慮時間軸上的相關性，并且 LSTM 網絡在設計上明確地避免了長期依賴的問題。預測實例 1針對樣本庫中 380 例變壓器數據，隨機選擇其中

25、的 228 例變壓器數據組成訓練集，其余 152例變壓器數據組成測試集。利用 LSTM 網絡提取所預測變壓器狀態與油中氣體體積分數序列和技術指標參數的關聯參數。為增加學習速度和效果，降低網絡在學習時陷入局部極小值的風險對 LSTM 中權重矩陣首先通過服從均值為 0、方差為 1 的高斯分布隨機初始化，再利用奇異值分解得到正交基矩陣作為初始化值絲。LSTM 偏置項和輸出層偏置項初始化為 0,輸出層權重矩陣為服從均值為 0、方差為 1 的高斯分布的隨機數乘以 0.01。預測模型由 1 層 LSTM 網絡和 Softmax 網絡層組成。其中輸入層規模為 100,LSTM 中隱層神經元個數為 128,為

26、防止過擬合，信號損失率設為0.2，輸出層規模為 4。同時，利用訓練樣本構建支持向量機（SVM）和反向傳播神經網絡（BPNN）模型以對變壓器狀態進行預測。其中 SVM 模型選用徑向基核函數（RBF）,通過交叉驗證得最優懲罰因子為0.1,RBF 核參數為 10-3OBPNN 結構為輸入層、隱藏層、輸出層各層神經元個數分別為 100、200、4,模型中學習率為 0.03，學習周期為 1000。預測模型基于 Python 語言實現，運行環境為 CPU:IntelCorei7-3770,內存：16GB,操作系統：Ubuntu15。預測評價準則采用總體預測準確率，準確率表述的是對每一個隨機樣本，所預測的結

27、果與樣本所對應的實際類型相一致的概率，其表達式為A=NPNTM00A=NPNTX100(16)式中：NT為樣本總數；NP為預測類型與實際類型相一致的樣本個數。以當前及歷史變壓器油中氣體體積分數數據和運行工況、檢修記錄、運行時間的隸屬度為輸入，預測 1 周后變壓器狀態。BPNN 模型、SVM 模型、LSTM 模型在訓練集和測試集上的準確率見圖 5。由圖 5 可知，預測時間尺度為 1 周時，預測準確率按 BPNN、SVM、LSTM 模型依次提升。LSTM 模型較 BPNN 模型和 SVM 模型在訓練集上的準確率分別提升 10.7%和 6.2%,在測試集上的準確率分別提升10.6%和 6.3%。以某

28、 500kV2 號主變為例該變壓器基本情況為 2006-07 出廠，2006-11 投運,2008-03-19和 2011-05-26 例行試驗，未發現異常。不良工況記錄中過載 30%運行時長 43min。2012-03-142012-03-26 的油色譜在線監測數據如表 2 所示。技術指標參量對應于變壓器狀態VIV4的模糊隸屬度為0.8237,0.1763,0,0。利用2012-03-142012-03-26 數據去預測 1 周之后即 2012-04-02模型圖 5 變壓器狀態預測準確率(預測尺度：1 周)Fig.5Predictionaccuracyoftransformerstatus(

29、predictionscale:oneweek)的該變壓器狀態。BPNN、SVM 和 LSTM 模型預測的應狀態VIV4的信度分別為0.2134,0.6166,0.1700,0,0,0.4356,0.4419,0.1225,0,0.0191,0.7308,0.2501。依據最大信度判定原則，BPNN 預測結果對應于 V2一般缺陷狀態，SVM 預測結果對應于 V3嚴重狀態，但對于 V2和 V3狀態信度區別不大，辨識效果不明顯。LSTM 預測結果對應于 V3嚴重狀態，辨0.30震QU25然 41012由的階數圖 4 不同階 d 作用下的0.50(1451040(USOJO().15DM0條件；WF

30、ig.4Conditionalentropyfordifferentorderofd識效果明顯。實際情況為：2012-04-02 油色譜數據中氫氣體積分數為 185.76X10-6，乙快體積分數為 2.98X10-6,在線監測系統報警。停電檢修發現，變壓器鐵芯下鐵軻部位硅鋼片伸出角變形，在磁場中發生較強的振動，伸出的 2 個尖端在較強振動狀態下發生接觸引起放電，導致油中溶解氣體體積分數異常。放電未涉及到固體絕緣，一氧化碳、二氧化碳體積分數無明顯變化。LSTM 模型預測結果與實際變壓器運行狀態相符。預測實例 2以當前及歷史變壓器油中氣體體積分數數據和運行工況、檢修記錄、運行時間的隸屬度為輸入，預

31、測 1 個月后變壓器狀態。BPNN 模型、SVM 模型、LSTM 模型在訓練集和測試集上的準確率見圖 6。與圖 5 相比，隨預測時間尺度增大,3 種模型預測準確率均有所降低。由圖 6 可知，預測時間尺度為 1 個月時，預測準確率按 BPNN、SVM、LSTM 模型依次提升。LSTM 模型較 BPNN 模型和 SVM 模型在訓練集上準確率分別提升 17.9%和 8.8%,在測試集上準確率分別提升 18.3%和 9.7%。以某 220kV1 號主變為例該變壓器 2000-04 出廠,2000-06-23 投入運行。投運后，該主變運行情況基本良好，總體負載率較高，色譜周期檢測，發現該主變 2010

32、年迎峰過夏后主變油中總煌數值有較大增長，此后主變油中總煌數值逐年緩慢增長，但未超注意值，除總煌外其余特征氣體數據均正常。2013-06-2013-07 的部分油色譜在線監測數據如表 3 所示。技術指標參量對應于變壓器狀態VIV4的模糊隸屬度為0,0.3241,0.4756,0.2003。利用2013-06-2013-07 數據去預測 1 個月之后，即 2013-08 該變壓器的狀態。BPNN、SVM和 LSTM 模型預測的對應于狀態 V1V4的信度分別為0,0.2173,0.2748,0.5079,0,0.1985,0.2561,0.5454和0,0.1835,0.2149,0.6016。依據

33、最大信度判定原則，3 種日期公3氣體體積分數COj/C玨 ac如總徑一CO03-1V32.7”棄4.汕1.640.1316.6217年693.1、03-15爐35.5SPl0.46r4.371.57ow17g17匹03-1*川階9.9階4力1.71P0.1516.17168.57gg.03-17,33224一2L6即O.lt048707.903-13576P103加42打1辦(M7甲16.52有546971%03-193863P1065P工挈PI&01317a小701.703-2W4。5”10.4443”1.知01弘169818056823、03-21-379”10.8打4.6UL89

34、戶。吠 17.5SP183小709.3%03%34sH104X5詼t.710一法1753185971”.03-2335910.61P4.6注1.7卅0.2117.2418M72403-23372的10443L89*0處i&ga1貓&7150325X55O7P15.0512.714g0.4即如印1的34 720&爐u70.171旦理如17.O4+J&g甲0/43曲185.37110%譜在線監測數據(2012-03-142012-03-26)Table2Oilchromatographyonlinemonitoring表 2 某主變油色dataforthetrans

35、former(2012-03-142012-03-26)模型圖 6 變壓器狀態預測準確率(預測尺度：1 個月)Fig.6Predictionaccuracyoftransformerstatus(predictionscale:onemonth)thetransformer(2013-062013-07)模型預測結果均對應于 V4危急狀態。結果顯示在不對變壓器負荷進行控制的情況下，該變壓器在 2013-08 將進入危急運行狀態。實際情況為：該站運維人員與調度聯系，在運行方式上禁止對該主變滿負荷運行，迎峰過夏后停電檢彳發現，主變下夾件與油箱等電位聯接線有較明顯過熱變色痕跡。在對負荷進行控制的情況

36、下該主變發生故障后尚未進入危急運行狀態。樣本集規模對預測模型的影響為確定樣本數量對模型的影響，隨機從 380 例樣本中抽取數據組成 2 組對比集對比集 1 為156 例訓練樣本,104 例測試樣本；對比集 2 為 72 例訓練樣本,48 例測試樣本。BPNN 模型、SVM 模型、LSTM 模型分別以 1 周和 1 個月為時間尺度的預測結果如表 4 所示。由表 4 可以看出，在樣本數量減少時，模型的預測效果降低。尤其是小樣本情況下，BPNN 模型預測效果較差，LSTM 模型的預測效果雖然最佳，但 SVM 模型憑借較強的對小樣本處理的泛化能力，與 LSTM 模型在預測準確率上差距較小。隨著樣本數量

37、增多，較其他 2 種預測模型,LSTM 網絡提取的特征更完善，預測參數更準確，預測準確率大幅提高。4結論日蜘-C玨卞C汨盧一C*總羥，COCCh+.O&-15+326-5s35-2275P23.59值104.69F110*5163-06-2的2.37*-6635+2支打25.14114.76116.4-7S.7O-2Z35P*L21.64-11785193%07-1“2亦駁口“20處22.必*12893108.15147,07-24L39969，2015白1141加1024a510.g、譜在線監測數據(2013-062013-07)Table3Oilchromatographyonli

38、nemonitoringdatafor表 3 某主變油色1）基于 DGA 產生、發展規律及運行工況、檢修記錄、運行時間對變壓器運行狀態的影響通過 LSTM 網絡提取歷史運行信息與未來變壓器運行狀態的相關性參數，所構建的基于LSTM 網絡的變壓器狀態預測模型能較準確地實現變壓器故障預測。2）通過實例分析驗證，基于 LSTM 網絡的預測結果符合變壓器實際運行狀態，與其他常用預測方法相比，預測準確率更高，所預測狀態信度差距更明顯。3）下一步將重點研究 LSTM 模型的改進及參數優化，在預測尺度增加的情況下，進一步提升變壓器狀態預測質量。對比樣本預測準確率J預測尺度aBPNN模型產SYM模型口LSTM

39、模處口訓練集1-種,5-4&購.3中口1周測試集1+7g.聆085.(kj訓練集次73.179*測試集272.479*胡件小訓練集*6L%69.748上1個月一測試集1 00.7*0S.-P73.W爐訓練集.52463ag*p測試集方51&63a表 4 不同樣本集規模下模型預狽 1 效果 Table4Predictionresultsfordifferentsamplesets參考文獻1賈京葦,侯慧娟，杜修明，等.基于 Markov 決策過程的輸變電設備最佳檢修決策J.高電壓技術,2017,43(7):2323-2330.JIAJingwei,HOUHuijuan,DUXium

40、ing,etal.OptimummaintenancepolicyforpowerdeliveryequipmentbasedonMarkovdecisionprocessJ.HighVoltageEngineering,2017,43(7):2323-2330.2齊波，張鵬，徐茹枝，等.基于分布模型的變壓器差異化預警值計算方法J.高電壓技術,2016,42:2290-2298.QIBo,ZHANGPeng,XURuzhi,etal.Calculationmethodondifferentiatedwarningvalueofpowertransformerbasedondistributio

41、nmodelJ.HighVoltageEngineering,2016,42(7):2290-2298.3Mineraloil-impregnatedelectricalequipmentinserviceguidetotheinterpretationofdissolvedandfreegasesanalysis:IEC-60599S.Geneva,Switzerland:InternationalElectrotechnicalCommission,2007.4周淙,孫超,安文斗，等.基于云推理及加權隱式半 Markov 模型的變壓器故障預測J.高電壓技術,2015,41(7):2268-

42、2275.ZHOUQuan,SUNChao,ANWendou,etal.Transformerfailurepredictionbasedoncloudreasoningandweightedimplicitsemi-MarkovmodelJ.HighVoltageEngineering,2015,41(7):2268-2275.5費勝巍，孫宇.融合粗糙集與灰色理論的電力變壓器故障預測J.中國電機工程學報,2008,28(16):154-160.FEIShengwei,SUNYu.Faultpredictionofpowertransformerbycombinationofroughsets

43、andgreytheoryJ.ProceedingsoftheCSEE,2008,28(16):154-160.6全玉生，謨軍，李巍，等.基于突變理論的油浸式變壓器過熱性故障預測方法J.中國電機工程學報，2011,31(18):100-106.QUANYusheng,CHENJun,LIWei,etal.Methodologyofforecastingtheoil-immersedtransformerover-hotfaulttendencybasedoncatastrophetheoryJ.ProceedingsoftheCSEE,2011,31(18):100-106.7趙婉芳,王慧芳，

44、丘險 U,等.基于油色譜監測數據的變壓器動態可靠性分析J.電力系統自動化,2014,38(22):38-42,49.ZHAOWanfang,WANGHuifang,QIUJian,etal.AnalysisofdynamicreliabilityoftransformerbasedonmonitoringdataofoilchromatographyJ.AutomationofElectricPowerSystems,2014,38(22):38-42,49.8楊豐源，許永鵬，鄭新龍，等.基于壓縮感知的高壓直流電纜局部放電模式識別J.高電壓技術,2017,43(2):446-452.YANGF

45、engyuan,XUYongpeng,ZHENGXinlong,etal.PartialdischargepatternrecognitionofHVDCcablebasedoncompressivesensingJ.HighVoltageEngineering,2017,43(2):446-452.9嚴英杰，盛戈嗥，劉亞東，等.基于滑動窗口和聚類算法的變壓器狀態異常檢測J.高電壓技術,2016,42(12):4020-4025.YANYingjie,SHENGGehao,LIUYadong,etal.Anomalousstatedetectionofpowertransformerbased

46、onalgorithmslidingwindowsandclusteringJ.HighVoltageEngineering,2016,42(12):4020-4025.10吳廣寧，倪雪松，宋臻杰，等.基于改進灰色組合模型的變電設備故障率預測J.高電壓技術,2017,43(7):2249-2255.WUGuangning,NIXuesong,SONGZhenjie,etal.PredictionforsubstationequipmentfailureratebasedonimprovedgreycombinationmodelJ.HighVoltageEngineering,2017,43(

47、7):2249-2255.HINTONG,SIMONO,YEE-WHYET.AfastlearningalgorithmfordeepbeliefnetsJ.NeuralComputation,2006,18(7):1527-1554.HUANGP,KIMM,HASEGAWA-JOHNSONM,etal.JointoptimizationofmasksanddeeprecurrentneuralnetworksformonauralsourceseparationJ.IEEE/ACMTransactionsonAudio,SpeechandLanguageProcessing,2015,23(

48、12):2136-2147.HOCHREITERS,SCHMIDHUBERJ.Longshort-termmemoryJ.NeuralComputation,1997,9(8):1735-1780.SUNDERMEYERM,NEYH,SCHLUTERR.FromfeedforwardtorecurrentLSTMneuralnetworksforlanguagemodelingJ.IEEE/ACMTransactionsonAudio,SpeechandLanguageProcessing,2015,23(3):517-529.15曾丹樂，杜修明，盛戈嗥，等.基于因子分析法與 D-S 證據理論的變壓器關鍵參量提取和狀態評估J.高壓電器,2016,52(3):7-14.ZEN