典型文献
基于CNN-BiLSTM模型的机车变压器油中溶解气体浓度预测方法
文献摘要：
针对现有变压器油中溶解气体浓度预测方法未考虑气体参量之间存在的关联关系,以及模型训练时未考虑数据的时序关联性,从而导致预测精度不高的问题,提出一种基于卷积神经网络-双向长短期记忆模型的变压器油中溶解气体浓度预测方法.利用卷积神经网络提取变压器油中溶解气体参量之间的关联关系,利用双向长短期记忆网络提取变压器油中溶解气体浓度数据中的时序特征,通过全连接层实现变压器油中溶解气体浓度预测输出,同时引入Dropout方法进行过拟合处理,提高泛化能力.以某机务段HXD1C型电力机车变压器最近2年油中溶解气体检测数据进行试验,结果表明,利用本文提出的方法对油中溶解气体浓度进行预测,平均绝对百分比误差降到了2.41％,比CNN-LSTM方法减少1.55％.
文献关键词：
变压器;油中溶解气体;浓度预测;CNN-BiLSTM模型
中图分类号：
作者姓名：
李小平;白超;石森
作者机构：
兰州交通大学机电工程学院,甘肃兰州 730070
文献出处：
引用格式：
[1]李小平;白超;石森-.基于CNN-BiLSTM模型的机车变压器油中溶解气体浓度预测方法)[J].铁道学报,2022(05):42-48
A类：
机车变压器油
B类：
BiLSTM,油中溶解气体,气体浓度预测,有变,参量,关联关系,模型训练,时序关联,双向长短期记忆模型,双向长短期记忆网络,时序特征,全连接层,Dropout,过拟合,泛化能力,机务段,HXD1C,电力机车,气体检测,检测数据,平均绝对百分比误差
AB值：
0.14394
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
