采用LSTM网络的电力变压器运行状态预测方法研究

1、采用 LSTM 网络的电力变压器运行状态预测方法研究PredictionMethodforPowerTransformerRunningStateBasedonLSTMNetwork代杰杰1,宋辉1,盛戈嗥1,江秀臣1,王健一2,陈玉峰31 .上海交通大学电气工程系，上海 2002402 .中国电力科学研究院有限公司，北京 1001923 .国网山东省电力公司电力科学研究院，济南 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，主要从事输变电设备状态评估的研究工作2,CHENE-mail:盛戈嗥 1974 一,男，博士，教授，博导，主要从事输变电设备状态评估的研究工作 E-mail:基金项目：国

3、家自然科学基金(51477100);国家高技术研究发展计划(863 计划)(2015AA050204);国家电网公司科技项目(编号略)；ProjectsupportedbyNationalNaturalScienceFoundationofChina(51477100),NationalHigh-techResearchandDevelopmentProgramofChina(863Program)(2015AA050204),ScienceandTechnologyProjectofSGCC;摘要为预测电力变压器运行状态，首先分析了变压器运行过程中状态变化的影响因素，选取油中溶解特征气体体积

4、分数和运行工况、检修记录、运行时间作为关键影响因素。采用模糊综合评判思想对电力变压器运行状态进行评估，并以模糊综合隶属度为数据标签建立基于长短时记忆网络的电力变压器状态预测模型。利用变压器油中气体序列数据及技术指标参数的状态隶属度数据对长短时记忆网络进行训练，以发掘特征参量与变压器状态之间的对应关系及模型预测参数。实例分析表明，所提方法可有效预测电力变压器运行状态，基于长短时记忆网络的电力变压器状态预测模型对 1 周后变压器状态预测准确率达 94.4%,对 1 个月后状态预测准确率达 81.2%,能较准确地反映变压器的优劣状况。关键词：变压器；油中气体分析；技术指标参数；长短时记忆网络；状态预

5、测；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引言电力变压器是电力系统的关键设备之一淇运行状态关乎电网能否可靠供电。变压器在运行使用过程中，由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中，油中气体的各种成分体积分数及不同组分间的比例关系与变压器运行状况密切相关1。变压器油中溶解气体分析（DGA）技术在故障诊断及状态预测中得到广泛应用2-3。研究发现 DGA 变化趋势可通过历史数据分

9、析及数据模型进行预测，以进一步表征其与变压器运行状态变化及故障模式的密切联系。文献4利用云理论对故障变压器油色谱样本数据训练来构建油中气体状态空间，并通过 Markov 链引入历史运行状态信息，构建了加权半 Markov 退化模型对变压器运行状态进行预测。文献5利用粗糙集简化特征气体比值与变压器故障之间的规则，并利用灰色模型对特征气体比值状态进行预测，对照气体比值关系与故障之间的规则，进而得到故障 I率。文献6利用 40 组变压器过热故障案例数据建立了变压器过热故障尖点突变模型，对潜伏性过热故障变压器的损坏时间进行预测。文献7以油色谱中特征气体体积分数、产气率、设备役龄为关键参量，采用最小二乘

10、支持向量机对变压器动态故障率进行预测。随着电力设备在线监测技术的发展，变压器实时监控数据日益增多。利用设备已有的历史状态信息，如绝缘油中特征气体的产生及发展规律，分析变压器运行状态变化过程，对变压器状态评估和预测具有重要意义叱生。近年来随着神经网络的发展，循环神经网络（RNN）因具有“记忆”能力很多学者将其应用于序列信息的建模预测，取得了显著成效UE。但传统的RNN 在信息反馈过程中存在梯度消散问题,Hochreiter 和 Schmidhuber 等为解决 RNN 无法对大时间跨度序列建模问题提出了长短时记忆（LSTM）网络的策略 9-四,结合历史状态、当前记忆与当前输入引入门控单元来处理长

11、序列依赖问题。基于上述分析，本文以电力变压器状态性能指标中 DGA 特征气体体积分数为基础，综合技术指标参数中运行工况、检修记录、运行时间，采用模糊综合评判对电力变压器运行状态进行评彳 t，并以模糊综合隶属度为数据标签建立基于长短时记忆网络的电力变压器状态预测模型。并通过实例对不同时间预测尺度下模型的准确性和可靠性进行了验证分析。1 LSTM循环神经网络1.1 LSTM 循环神经网络简单的循环神经网络由输入层、1 个隐藏层和 1 个输出层组成。对一给定输入序列x=x1,X2,xt,在 t 时刻,隐藏层状态为 st,输出值为 zt,则有：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 为输出层的权重矩阵；b为输出层激活函数；U 为输入 x 的权重矩阵；亚为匕 1 时刻隐藏层状态 st-1作为 t 时刻输入的权重矩阵;g 为隐藏层激活函数。将式(2)循环代入式(1)，得zt=V&(U?t+W(U?t-1+WU?t-2+W软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 时刻，循环神经网络的输出值 zt受 xt、xt-1、xt-2、xt-3、的影响。因存在梯度消散问题传统 RNN 对长序列建模效果较差。而 LS

13、TM 网络通过增加门控单元来控制即时信息对历史信息的影响程度，使得网络模型能够较长时间保存并传递信息。在 t 时亥 I,LSTM 的输入为：t 时刻序列输入值 xt,t-1 时刻 LSTM 的输出值 ht-1以及 t-1 时刻门控单元状态 ct-1;LSTM 的输出为：t 时刻 LSTM 输出值 ht及 t 时刻门控单元状态 ct。在 LSTM 中,遗忘门决定 ct-1对 ct的影响程度，输入门决定 xt对 ct的影响程度，输出门控制 ct对 ht的影响程度。遗忘门、输入门、输出门计算分别见式(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分别为遗忘门、输入门、输出门状态结算结果；Wf、Wi、Wo分别为遗忘门、输入门、输出门权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门偏置项。LSTM 最终的输出由输出门和单元状态共同确定：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 为 t 时刻输入的单元状态；Wc为输入单元状态权重矩阵；bc为输入单元状态偏置项;tanh表示 tanh 激活函数广表示按元素相乘。LSTM 结构见图 123-14。/X/XIllustrationofLSTM1.2 LSTM 网络的训练学习LSTM 网络采用反向传播算法进行训练，步骤如下:1)前向计算每个神经元输出值。2)反向计算每个神经元的误差项。LSTM 误差项反向传播包括：沿时间反向传播；将误差项向上一层传播。3)根据相应误差项，计算每个权重的梯度。图 1LSTM示意图 Fig.1信“卜TM门控单元结构心)LWTM时序

16、图2变压器状态预测油中气体体积分数对变压器故障概率的影响本文采用相对劣化度来表征变压器当前状态与故障状态相比的劣化程度。油中溶解气体体积分数为越小越优型指标，计算式为ri(ei)=(ei-ai)/(li-ai),1,eiliei昇iri(ei)=(ei-ai)/(li-ai),eiT1,T2时刻发生故障的概率远大于 T1时刻，且随着运行时间增加，故障概率亦有所提高。经实践验证，在变压器状态评估及预测建模时考虑设备运行时间及检修状况，故障概率模型更贴近真实情况，可以对设备状态进行更加准确有效的评估预测。变压器状态模式变压器运行状态分为正常状态、一般缺陷状态参量名称最优值/注意值氏+ISOxKKC

17、ti4-仪45xi(H*加由 Q35，1MgC.2JL124-1注（220kV以上产总理小年COXX)*0一的甲Q底表 1 油中溶解气oftransformercondition2 变压器状态 Fig.2Changes（状态监测量接近或超过注意值卜严重缺陷状态和危急状态。对应的状态集为V=V1,V2,V3,V4=正常，注意，严重，危急。对油中溶解气体体积分数和技术指标参数采用模糊综合评判法以评估电力变压器运行状态。以气体体积分数相对劣化度为输入，构建神经网络以确定油中溶解气体体积分数的隶属度函数。参口文献19中的方法，油中溶解气体相对劣化度 r 对应于VIV4的隶属度函数?vi(r)?vi(r

18、)(i=1,2,3,4)如式(11)(14):r0.2LE-5.155r+2.124:02184产0412(H)1，3.155r-l.l240.218z0,6Q6r。,2183.155r-2.12410.4-12r0.606%=-5.155r+4.1240.606r0.8r0.412Qr0,8采用模糊统计实验法确定技术指标中运行工况、检修记录、运行时间的隶属度函数”。通过多位专家给出状态性能参数和技术指标参数对变压器状态确定的贡献度，依据加权求和得到对应于 V1V4的综合模糊评判结果。基于 LSTM 的变压器状态预测实现过程本文以油色谱监测数据中 H2、CH4、C2H4、C2H6、C2H2、总

19、烧、CO、CO2的体积分数及运行工况、检修记录、运行时间的隶属度为输入，将下一时刻所要预测的状态信度区间为输出。各属性值通过非线性变换同时结合 LSTM 时序联系，由 Softmax 分类器预测下一时刻所属不同状态的概率 p(vi)(i=1,2,3,4),并根据最大概率 max(p)准则确定变压器状态。基于LSTM 的变压器状态预测架构如图 3 所示，具体步骤如下：(1)收集选取样本，将样本划分为训练集和测试集。本文选取从工程现场搜集整理的 206例确认存在异常缺陷/故障的变压器和 174 例油色谱在线监测装置出现预警/报警后跟踪观察的变压器组成 LSTM 模型的样本库。样本库中变压器投运时间

20、跨度为 19892013 年，电压等级为 35750kV。(2)将训练样本中运行工况、检修记录、运行时间的隶属度及油色谱监测数据中 H2、CH4、C2H4、C2H6、C2H2、总烧、CO、CO2体积分数作为输入。为降低油色谱中特征气体体积分数数据分散性对模型的影响，采用离差标准化方法进行归一化处理。(3)对油中溶解气体体积分数利用三角形和半梯形组合的隶属度函数得到对应于不同状态的分布函数。(4)对不良工况、检修记录和运行时间根据模糊统计实验进行评判。(5)步骤 3 中状态性能和步骤 4 中技术性能参数依据加权平均得到对应于 viV4的综合模糊评判结果，将综合评判结果作为数据标签。(6)根据 1

21、.2 节中方法对 LSTM 网络模型进行训练，提取训练集油中气体及运行工况、检修记录、运行时间与所预测变压器状态之间的特征联系，获取预测模型参数。(7)利用 LSTM 预测模型参数对测试集中变压器进行状态预测。3算例分析时间依赖性分析对于变压器健康状况评估和故障预测，一般情Fig.3TransformerstatepredictionarchitecturebasedonLSTM况下油中溶解气体体积分数变化缓慢，且理论上呈单调上升趋势。然而因为通信干扰及背景噪声等原因使得气体体积分数趋势呈现不稳定，为避免这种变化使变压器状态评估和故障预测受到干扰，应考虑一段时间的变压器状态数据。为表征当前状态

22、与之前状态的相关性，文中引入条件嫡来计算时间轴上的依赖性国-21。令时序数据 d=d1,d2,dn表示从时间点 1 到 n 的测量数据，条件嫡定义为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-汇 q=1n3=1k(p(dq,yj)lg?p(yj|dq)尸-汇 q=1np(dq)Ej=1k(p(yj|dq)lgp(yj|dq)(15)式中：y 为变压器状态；k 为变压器状态数量，文中 k=4;p(dq,yj)为 dq、yj的联合分布概率;p(yj|dq)为已知 dq的情况下，yj的

23、条件分布概率；p(dq)为 dq的分布概率。条件嫡 H(y|d)表示已知 d 后y 的不确定性。条件嫡越大，已知 d 后 y 的不确定性越大，此时 y 和 d 的关联影响程度越低；反之表示 y和 d 的关联影响程度越高。技术指标学出状也计.甘沿忖间反A懂播.设不及向他播-K用户而-向1序列-出二剜-卜&总用“|.81 列I匚o?序列ISTA 闱丁侍就提取变压谩状小船厦区间IKvtXptvJpm印.2/的测出就依受压器软态为max9)对应的状态图 3 基于 LSTM 变压器状态预测架构定义变压器油色谱时序数据 d 的 m 阶相关特征表示为 d（m）=dt-m+i,dt-m+2，,dt-i

24、,dt,即t-m+1t 期间的油色谱数据对变压器状态共同作用。例如，当 m=1 时，表示 t 时刻变压器状态只与 dt有关。d 不同阶特征数据作用下的变压器状态 y 的条件嫡见图 4。由图 4 可知，条件嫡随 d 阶数增加呈降低趋势，尤其是从 1 阶到 7 阶作用下条件嫡下降趋势显著,7 阶以上条件嫡下降速率变缓至逐步稳定。说明变压器当前状态与之前时刻的状态具有较大的相关性，随着时间跨度增大，变压器状态与较早之前的状态相关性减弱。因此对变压器状态进行预测时应考虑时间轴上的相关性，并且 LSTM 网络在设计上明确地避免了长期依赖的问题。预测实例 1针对样本库中 380 例变压器数据，随机选择其中

25、的 228 例变压器数据组成训练集，其余 152例变压器数据组成测试集。利用 LSTM 网络提取所预测变压器状态与油中气体体积分数序列和技术指标参数的关联参数。为增加学习速度和效果，降低网络在学习时陷入局部极小值的风险对 LSTM 中权重矩阵首先通过服从均值为 0、方差为 1 的高斯分布随机初始化，再利用奇异值分解得到正交基矩阵作为初始化值丝。LSTM 偏置项和输出层偏置项初始化为 0,输出层权重矩阵为服从均值为 0、方差为 1 的高斯分布的随机数乘以 0.01。预测模型由 1 层 LSTM 网络和 Softmax 网络层组成。其中输入层规模为 100,LSTM 中隐层神经元个数为 128,为

26、防止过拟合，信号损失率设为0.2，输出层规模为 4。同时，利用训练样本构建支持向量机（SVM）和反向传播神经网络（BPNN）模型以对变压器状态进行预测。其中 SVM 模型选用径向基核函数（RBF）,通过交叉验证得最优惩罚因子为0.1,RBF 核参数为 10-3OBPNN 结构为输入层、隐藏层、输出层各层神经元个数分别为 100、200、4,模型中学习率为 0.03，学习周期为 1000。预测模型基于 Python 语言实现，运行环境为 CPU:IntelCorei7-3770,内存：16GB,操作系统：Ubuntu15。预测评价准则采用总体预测准确率，准确率表述的是对每一个随机样本，所预测的结

27、果与样本所对应的实际类型相一致的概率，其表达式为A=NPNTM00A=NPNTX100(16)式中：NT为样本总数；NP为预测类型与实际类型相一致的样本个数。以当前及历史变压器油中气体体积分数数据和运行工况、检修记录、运行时间的隶属度为输入，预测 1 周后变压器状态。BPNN 模型、SVM 模型、LSTM 模型在训练集和测试集上的准确率见图 5。由图 5 可知，预测时间尺度为 1 周时，预测准确率按 BPNN、SVM、LSTM 模型依次提升。LSTM 模型较 BPNN 模型和 SVM 模型在训练集上的准确率分别提升 10.7%和 6.2%,在测试集上的准确率分别提升10.6%和 6.3%。以某

28、 500kV2 号主变为例该变压器基本情况为 2006-07 出厂，2006-11 投运,2008-03-19和 2011-05-26 例行试验，未发现异常。不良工况记录中过载 30%运行时长 43min。2012-03-142012-03-26 的油色谱在线监测数据如表 2 所示。技术指标参量对应于变压器状态VIV4的模糊隶属度为0.8237,0.1763,0,0。利用2012-03-142012-03-26 数据去预测 1 周之后即 2012-04-02模型图 5 变压器状态预测准确率(预测尺度：1 周)Fig.5Predictionaccuracyoftransformerstatus(

29、predictionscale:oneweek)的该变压器状态。BPNN、SVM 和 LSTM 模型预测的应状态VIV4的信度分别为0.2134,0.6166,0.1700,0,0,0.4356,0.4419,0.1225,0,0.0191,0.7308,0.2501。依据最大信度判定原则，BPNN 预测结果对应于 V2一般缺陷状态，SVM 预测结果对应于 V3严重状态，但对于 V2和 V3状态信度区别不大，辨识效果不明显。LSTM 预测结果对应于 V3严重状态，辨0.30震QU25然 41012由的阶数图 4 不同阶 d 作用下的0.50(1451040(USOJO().15DM0条件；WF

30、ig.4Conditionalentropyfordifferentorderofd识效果明显。实际情况为：2012-04-02 油色谱数据中氢气体积分数为 185.76X10-6，乙快体积分数为 2.98X10-6,在线监测系统报警。停电检修发现，变压器铁芯下铁轲部位硅钢片伸出角变形，在磁场中发生较强的振动，伸出的 2 个尖端在较强振动状态下发生接触引起放电，导致油中溶解气体体积分数异常。放电未涉及到固体绝缘，一氧化碳、二氧化碳体积分数无明显变化。LSTM 模型预测结果与实际变压器运行状态相符。预测实例 2以当前及历史变压器油中气体体积分数数据和运行工况、检修记录、运行时间的隶属度为输入，预

31、测 1 个月后变压器状态。BPNN 模型、SVM 模型、LSTM 模型在训练集和测试集上的准确率见图 6。与图 5 相比，随预测时间尺度增大,3 种模型预测准确率均有所降低。由图 6 可知，预测时间尺度为 1 个月时，预测准确率按 BPNN、SVM、LSTM 模型依次提升。LSTM 模型较 BPNN 模型和 SVM 模型在训练集上准确率分别提升 17.9%和 8.8%,在测试集上准确率分别提升 18.3%和 9.7%。以某 220kV1 号主变为例该变压器 2000-04 出厂,2000-06-23 投入运行。投运后，该主变运行情况基本良好，总体负载率较高，色谱周期检测，发现该主变 2010

32、年迎峰过夏后主变油中总煌数值有较大增长，此后主变油中总煌数值逐年缓慢增长，但未超注意值，除总煌外其余特征气体数据均正常。2013-06-2013-07 的部分油色谱在线监测数据如表 3 所示。技术指标参量对应于变压器状态VIV4的模糊隶属度为0,0.3241,0.4756,0.2003。利用2013-06-2013-07 数据去预测 1 个月之后，即 2013-08 该变压器的状态。BPNN、SVM和 LSTM 模型预测的对应于状态 V1V4的信度分别为0,0.2173,0.2748,0.5079,0,0.1985,0.2561,0.5454和0,0.1835,0.2149,0.6016。依据

33、最大信度判定原则，3 种日期公3气体体积分数COj/C珏 ac如总径一CO03-1V32.7”弃4.汕1.640.1316.6217年693.1、03-15炉35.5SPl0.46r4.371.57ow17g17匹03-1*川阶9.9阶4力1.71P0.1516.17168.57gg.03-17,33224一2L6即O.lt048707.903-13576P103加42打1办(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、户。吠 17.5SP183小709.3%03%34sH104X5诙t.710一法1753185971”.03-2335910.61P4.6注1.7卅0.2117.2418M72403-23372的10443L89*0处i&ga1猫&7150325X55O7P15.0512.714g0.4即如印1的34 720&炉u70.171旦理如17.O4+J&g甲0/43曲185.37110%谱在线监测数据(2012-03-142012-03-26)Table2Oilchromatographyonlinemonitoring表 2 某主变油色dataforthetrans

35、former(2012-03-142012-03-26)模型图 6 变压器状态预测准确率(预测尺度：1 个月)Fig.6Predictionaccuracyoftransformerstatus(predictionscale:onemonth)thetransformer(2013-062013-07)模型预测结果均对应于 V4危急状态。结果显示在不对变压器负荷进行控制的情况下，该变压器在 2013-08 将进入危急运行状态。实际情况为：该站运维人员与调度联系，在运行方式上禁止对该主变满负荷运行，迎峰过夏后停电检彳发现，主变下夹件与油箱等电位联接线有较明显过热变色痕迹。在对负荷进行控制的情况

36、下该主变发生故障后尚未进入危急运行状态。样本集规模对预测模型的影响为确定样本数量对模型的影响，随机从 380 例样本中抽取数据组成 2 组对比集对比集 1 为156 例训练样本,104 例测试样本；对比集 2 为 72 例训练样本,48 例测试样本。BPNN 模型、SVM 模型、LSTM 模型分别以 1 周和 1 个月为时间尺度的预测结果如表 4 所示。由表 4 可以看出，在样本数量减少时，模型的预测效果降低。尤其是小样本情况下，BPNN 模型预测效果较差，LSTM 模型的预测效果虽然最佳，但 SVM 模型凭借较强的对小样本处理的泛化能力，与 LSTM 模型在预测准确率上差距较小。随着样本数量

37、增多，较其他 2 种预测模型,LSTM 网络提取的特征更完善，预测参数更准确，预测准确率大幅提高。4结论日蜘-C珏卞C汨卢一C*总羟，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亦驳口“20处22.必*12893108.15147,07-24L39969，2015白1141加1024a510.g、谱在线监测数据(2013-062013-07)Table3Oilchromatographyonli

38、nemonitoringdatafor表 3 某主变油色1）基于 DGA 产生、发展规律及运行工况、检修记录、运行时间对变压器运行状态的影响通过 LSTM 网络提取历史运行信息与未来变压器运行状态的相关性参数，所构建的基于LSTM 网络的变压器状态预测模型能较准确地实现变压器故障预测。2）通过实例分析验证，基于 LSTM 网络的预测结果符合变压器实际运行状态，与其他常用预测方法相比，预测准确率更高，所预测状态信度差距更明显。3）下一步将重点研究 LSTM 模型的改进及参数优化，在预测尺度增加的情况下，进一步提升变压器状态预测质量。对比样本预测准确率J预测尺度aBPNN模型产SYM模型口LSTM

39、模处口训练集1-种,5-4&购.3中口1周测试集1+7g.聆085.(kj训练集次73.179*测试集272.479*胡件小训练集*6L%69.748上1个月一测试集1 00.7*0S.-P73.W炉训练集.52463ag*p测试集方51&63a表 4 不同样本集规模下模型预狈 1 效果 Table4Predictionresultsfordifferentsamplesets参考文献1贾京苇,侯慧娟，杜修明，等.基于 Markov 决策过程的输变电设备最佳检修决策J.高电压技术,2017,43(7):2323-2330.JIAJingwei,HOUHuijuan,DUXium

40、ing,etal.OptimummaintenancepolicyforpowerdeliveryequipmentbasedonMarkovdecisionprocessJ.HighVoltageEngineering,2017,43(7):2323-2330.2齐波，张鹏，徐茹枝，等.基于分布模型的变压器差异化预警值计算方法J.高电压技术,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,孙超,安文斗，等.基于云推理及加权隐式半 Markov 模型的变压器故障预测J.高电压技术,2015,41(7):2268-

42、2275.ZHOUQuan,SUNChao,ANWendou,etal.Transformerfailurepredictionbasedoncloudreasoningandweightedimplicitsemi-MarkovmodelJ.HighVoltageEngineering,2015,41(7):2268-2275.5费胜巍，孙宇.融合粗糙集与灰色理论的电力变压器故障预测J.中国电机工程学报,2008,28(16):154-160.FEIShengwei,SUNYu.Faultpredictionofpowertransformerbycombinationofroughsets

43、andgreytheoryJ.ProceedingsoftheCSEE,2008,28(16):154-160.6全玉生，谟军，李巍，等.基于突变理论的油浸式变压器过热性故障预测方法J.中国电机工程学报，2011,31(18):100-106.QUANYusheng,CHENJun,LIWei,etal.Methodologyofforecastingtheoil-immersedtransformerover-hotfaulttendencybasedoncatastrophetheoryJ.ProceedingsoftheCSEE,2011,31(18):100-106.7赵婉芳,王慧芳，

44、丘险 U,等.基于油色谱监测数据的变压器动态可靠性分析J.电力系统自动化,2014,38(22):38-42,49.ZHAOWanfang,WANGHuifang,QIUJian,etal.AnalysisofdynamicreliabilityoftransformerbasedonmonitoringdataofoilchromatographyJ.AutomationofElectricPowerSystems,2014,38(22):38-42,49.8杨丰源，许永鹏，郑新龙，等.基于压缩感知的高压直流电缆局部放电模式识别J.高电压技术,2017,43(2):446-452.YANGF

45、engyuan,XUYongpeng,ZHENGXinlong,etal.PartialdischargepatternrecognitionofHVDCcablebasedoncompressivesensingJ.HighVoltageEngineering,2017,43(2):446-452.9严英杰，盛戈嗥，刘亚东，等.基于滑动窗口和聚类算法的变压器状态异常检测J.高电压技术,2016,42(12):4020-4025.YANYingjie,SHENGGehao,LIUYadong,etal.Anomalousstatedetectionofpowertransformerbased

46、onalgorithmslidingwindowsandclusteringJ.HighVoltageEngineering,2016,42(12):4020-4025.10吴广宁，倪雪松，宋臻杰，等.基于改进灰色组合模型的变电设备故障率预测J.高电压技术,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曾丹乐，杜修明，盛戈嗥，等.基于因子分析法与 D-S 证据理论的变压器关键参量提取和状态评估J.高压电器,2016,52(3):7-14.ZEN