基于自监督预训练与时序注意力机制的变压器顶层油温预测OA北大核心CSTPCD

变压器故障预警依赖于更精确可信的变压器顶层油温预测。应用自监督预训练方法将预测模型训练过程中的油温预测任务转变为油温重建任务,泛化模型训练方式的同时提升模型对历史油温态势信息的抽取能力。该文提出双通道预训练时序注意力网络(dual-channel pre-trained time-series attention network,DPAnet)模型,模型是采用时序注意力机制和趋势周期分支的深度神经网络,分别针对油温数据的趋势规律和周期规律实现单时间步级别的建模,从而加强在多时间步上的预测能力。算例分析表明,在以小时为颗粒度的1~72 h短期预测场景下,该文所提出的顶层油温预测模型平均预测损失为1.847,平均确定性系数为0.862,相比其他模型提升预测精度,且具有较强的泛化能力和鲁棒性,有效支撑变压器顶层油温变化趋势分析。