论文部分内容阅读
进入21世纪以来,我国经济飞速发展,人们的物质生活水平不断提升,电器设备使用率也不断提高,导致对电力资源的需求不断加大。所以近几年来,我国的电网系统规模不断扩大,电力资源的输送规模也不断提高,造成了电力设备的负荷不断增加,而电力变压器在电力资源输送过程中起着至关重要的作用,同时也是故障多发的设备。当电力变压器发生故障时,轻者设备损坏,重则造成整片区域断电,不仅影响人们的生活,同时还可能影响到工业生产,对经济造成重大的影响。所以对电力变压器的故障进行预测是一项非常有意义的工作。基于上述现状,本文主要从一下四个方面展开了研究。第一,针对电力变压器数据的特性进行研究。分析发现,电力变压器数据是多维的时序流数据,通过引入时间粒度的思想,建立相应的电力变压器多维度时序模型。基于此模型进一步研究各维度之间可能存在的关系,并从预测的角度出发,进一步分析了多时间粒度的构造。该研究为本文基于时序流数据分析研究提供了理论基础。第二,对集成学习电力变压器故障预测算法模型的研究。本文采用集成学习思想,避免了单一机器学习的局限性和片面性。通过引入集成学习的思想,建立集成学习的故障预测模型。采用该模型对单维时序流数据进行综合分析并给出一个确切的预测结果。为基于多维时序流数据故障预测提供了思想基础。第三,多分类器竞争策略的研究。由于电力变压器数据是多维的时序流数据,每次采用集成学习思想时,只对某一维数据进行预测。在所有维度的数据预测过程中可能会出现两组不同的预测结果,而故障预测的结果必须唯一,所以必须采用故障预测机制,在两组预测结果中得出唯一的预测结果。本研究对电力变压器故障预测提供解决方案。第四,为了提高电力变压器故障预测的效果,采用多时间粒度的思想以及多种数据预处理手段对原始数据进行预处理,通过实验效果对比论证了集成学习电力变压器故障预测算法模型的优越性及多分类器竞争策略的实用性。