《表3 不同模型预测平均误差Tab.3 Prediction errors of different models》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《考虑复杂关联关系深度挖掘的变压器状态参量预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

其中AR模型中，历史油温数据为非平稳序列，采用一阶差分运算将油温序列平稳化处理[26]，如图6所示。经验证，对未来60天内的数据进行预测，因步长过大，AR模型预测误差较大，均超过50%。RBFNN模型中，输入层、隐藏层和输出层神经元结构为33-70-60，学习速率为0.001，循环迭代最大周期为1500，采用随机梯度下降和反向传播方法对网络进行训练学习。SVR模型中，核函数选择用径向基函数时误差最小。通过交叉验证方法，惩罚系数为10，核函数系数为0.1，损失距离度量为0.1，模型拟合情况及支持向量数量合理。多参量GM模型中，顶层油温序列数据为母序列，其他序列数据为子序列，依次计算各子序列与母序列之间的灰关联度。序列自身的关联度为1，通常灰关联度≥0.5，即认为母、子序列有较强关联性[12]。经计算，油中溶解乙炔浓度、平均气温和负荷电流与顶层油温的灰关联度大于0.5，有较强关联关系，预测模型确定为多参量GM（1，4）形式。传统模型与GLSTM模型对未来60天内的顶层油温预测结果如表3所示。