基于LSTM神经网络的地铁变压器绕组温度预测

摘要：

传统的地铁状态监测系统仅能反映变压器绕组当前的温度状态及其历史温度趋势,当绕组温度超过阈值时系统报警,但不能对绕组未来的温度变化进行预测.绕组温度受设备运行功率和环境温度等多重因素影响,其变化呈现非线性和周期性,传统预测方法精度难以提升.本文基于长短期记忆网络(long short-term memory,LSTM)算法预测变压器绕组温度,选取绕组温度、环境温度、运行功率、运行电流作为输入变量,收集变压器历史状态数据构成训练数据进行离线训练,通过训练完成的绕组温度预测模型反映多重影响因素与绕组温度的变化关系.最后将算法应用于某地铁站动力变压器,收集样本数据进行训练得到温度预测模型,将测试数据输入模型中,计算绕组温度真实值和预测值之间的相对温差,分析验证算法可行性与模型准确度.结果表明:LSTM算法面对大数据量样本可充分挖掘多重影响因素与绕组温度之间的深层关系,温度预测模型可准确预测绕组温度的变化.

关键词：长短期记忆网络、地铁变压器、温度预测、状态监测

所属期刊栏目：36

分类号：U231(特种铁路)

资助基金：中央高校基本科研业务费重大项目2018JBZ004

在线出版日期：2023-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：77-81