基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测.pdf

第50卷第1期：263-274高电压技术Vol.50,No.1:263-274

2024年1月31日HighVoltageEngineeringJanuary31,2024

DOI:10.13336/j.1003-6520.hve2024年1月31日第50卷January

基于相关变分模态分解和CNN-LSTM的变压器油

中溶解气体体积分数预测

1,21,2

范志远，杜江

1.()300130

（河北省电磁场与电器可靠性重点实验室河北工业大学，天津；

2.()300130

省部共建电工装备可靠性与智能化国家重点实验室河北工业大学，天津）

摘要：为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网

(longshort-termmemoryLSTM)

络，无法对数据间的深层特征进行有效提取的问题，提出了一种融合了相关变分模

(correlationvariationalmodedecompositionCVMD)1(onedimensionalconvolutionalneural

态分解，、维卷积神经网络

network，1D-CNN)和LSTM的组合预测模型。首先，利用CVMD去除原始气体序列中的噪声信号，并将去噪序

列分解为1组相对平稳的子序列分量；然后，针对各子序列分量分别构建CNN-LSTM预测模型，利用1D-CNN

挖掘数据间的深层特征形成特征向量，并将其输入到LSTM中进行预测；最后，对各子序列预测结果叠加重构，

得到最终的气体预测值。并通过4组对比实验对所提模型进行了全方位、多角度的验证。算例研究结果表明，所

提模型单步和多步预测的平均绝对百分比误差分别为1.53%和2.09%。相较于现有模型，该文所提模型在单步和

多步预测性能上均有明显提升，为变压器在线监测和故障预警提供了重要技术支撑。

1

关键词：油中溶解气体；相关变分模态分解；维卷积神经网络；长短期记忆神经网络；气体体积分数预测

PredictionofDissolvedGasVolumeFractioninTransformerOilBasedonCorrelationVaria-

tionalModeDecompositionandCNN-LSTM