《电网技术》2017年第8期：2737-2742

变压器在运行过程中，因老化、电、热故障等会产生少量气体溶解于绝缘油中，气体含量及不同组分间的比例关系与变压器运行状况密切相关。对油中溶解气体浓度进行预测，可为变压器状态评估提供依据，具有重要现实意义。

传统方法在变压器油中气体浓度预测时往往只考虑单一气体的发展趋势，忽略了气体间及气体浓度与环境因素的关联性分析，使得预测效果不够科学，稳定性较差。常用的关联分析技术在数据预处理过程中计算量较大，并且关联度阀值在选取上有一定的主观性。受深度学习方法的启发，本文将深度信念网络应用于油中气体浓度预测的关联特征提取，简化了计算过程同时避免人工干预，提高了油中气体浓度预测的精度与稳定性。

1. 考虑各气体组分之间的相关性，同时综合环境温度、变压器油温对油中气体浓度的影响，将H2、CH4、C2H6、C2H4、C2H2、CO、CO2浓度及环境温度和油温作为特征参量。

2. 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，通过对基于受限玻尔兹曼机的多隐层机器学习模型训练，自动提取气体浓度自身发展规律及相关影响因素耦合关系。

3. 分析了训练样本、网络结构等对预测精度的影响作用。

结论

该预测模型自动提取特征参量间关联特征，避免了数据预处理计算及因主观选择阈值而引入误差。比单一气体含量预测方法更加科学，预测精度和稳定性更高。随着训练集的增大，本文所提方法预测准确率提升幅度较高。

随着电力大数据技术的发展，变压器状态监测信息量将会快速增长，深度学习方法为处理大数据问题提供了新思路。因此，下一阶段将重点研究电力大数据平台下基于深度学习预测模型的改进及应用。

．

作者简介

代杰杰(1986)，女，博士研究生，主要研究输变电设备状态监测和评估诊断，E-mail：secess@163.com

上海交通大学智能输配电研究团队依托国家能源智能电网(上海)研发中心，由江秀臣教授、盛戈皞教授、钱勇博士、刘亚东博士等人组成，目前拥有教授3人，副教授2人，讲师5人，研究生40余人。主要从事输变电设备状态检测与故障诊断的基础理论研究及高新技术产品开发。近年来，在相关领域承担国家自然科学基金8项、973课题“直流管道及电缆输电线路长期运行故障演变过程及老化规律(2014CB239506)”、863课题"大数据分析技术在输变电设备状态评估中的研究与应用(2015AA050204)”、“设备海量信息分析与评估应用技术(SS2012AA050803)”；国家重点研发计划“±500kV 直流电缆系统试验及运维技术(2016YFB0900705)”、科技部国际合作项目“智能电网智能输电关键技术与实施方案(2016YFB0900705)”等国家级科技项目10余项，国家电网公司总部项目8项以及网省电力公司科技项目数十项，多次参与撰写行业和电网公司相关标准和培训教材，研究成果获国家二等奖1项、省部级一等奖3项，其他省部级奖励10余项。

声明：本文为原创作品，所涉及文字及图片版权均属电网技术编辑部所有，根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编我社的作品，务请提前联系我编辑部。个人请按本微信原文转发、分享。

编辑联系方式

Hello，伙伴们