典型文献
基于CNN-GRU组合神经网络的变压器短期故障预测方法
文献摘要：
为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法.首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量.其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集.然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势.最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性.该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率.
文献关键词：
变压器;状态参量;故障预测;卷积神经网络;门控循环单元
中图分类号：
作者姓名：
杨威;蒲彩霞;杨坤;张安安;曲广龙
作者机构：
西南石油大学,四川 成都 610500;国网四川省电力公司广元供电公司,四川 广元 628000
文献出处：
引用格式：
[1]杨威;蒲彩霞;杨坤;张安安;曲广龙-.基于CNN-GRU组合神经网络的变压器短期故障预测方法)[J].电力系统保护与控制,2022(06):107-116
A类：
B类：
GRU,组合神经网络,故障预测,状态参量,关联关系,化外,门控循环单元,元组,过关,关联规则挖掘,变压器状态,变权,想进,状态评估,指数函数,故障率模型,气象因素,工艺因素,变压器故障,征集,高维空间,提取特征,特征向量,入门,海上平台,预测趋势,长短期记忆模型,支持向量机模型
AB值：
0.276802
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。
