首页|基于LSTM神经网络的地铁变压器绕组温度预测

基于LSTM神经网络的地铁变压器绕组温度预测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.
Temperature Prediction of Subway Transformer Windings Based on LSTM

温建民、何斌、王开康、叶飞、刘红健、陈杰、刘志刚

展开 >

中铁第四勘察设计院集团有限公司,武汉430063

北京交通大学电气工程学院,北京100044

长短期记忆网络 地铁变压器 温度预测 状态监测

中央高校基本科研业务费重大项目

2018JBZ004

2023

10.3969/j.issn.1672-6073.2023.03.013

都市快轨交通
北京交通大学,北京城建设计研究总院有限责任公司

都市快轨交通

CSTPCD北大核心
影响因子：0.785
ISSN：1672-6073
年,卷(期)：2023.36(3)
  • 10