CN104376202A - 基于离散灰色模型的电力变压器特征状态量预测方法 - Google Patents
基于离散灰色模型的电力变压器特征状态量预测方法 Download PDFInfo
- Publication number
- CN104376202A CN104376202A CN201410630617.1A CN201410630617A CN104376202A CN 104376202 A CN104376202 A CN 104376202A CN 201410630617 A CN201410630617 A CN 201410630617A CN 104376202 A CN104376202 A CN 104376202A
- Authority
- CN
- China
- Prior art keywords
- prediction
- sequence
- transformer
- state
- power transformer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 2
- 238000005457 optimization Methods 0.000 abstract 1
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
Abstract
本发明公开了一种基于离散灰色模型的电力变压器特征状态量预测方法,通过将非等间隔序列进行等间隔化预处理后变换成等间隔序列、将强随机性序列进行平滑处理来对变压器状态特征参量进行预测,在确认电力变压器状态特征参量灰色预测的适应性基础上,将离散灰色模型引入到电力变压器状态特征参量的参数预测中而解决传统灰色预测可能出现的不稳定问题,并根据电力变压器特征参量数据预处理以及预测数据连续化的改进优化,以适用于电力变压器特征参数原始数据的预测,提高变压器状态特征参量的预测精度,扫清了通过状态特征参量数据预测对变压器未来的设备状态进行预测从理论分析工程实际应用中的所有障碍,实现了对电力变压器状态或故障的准确预测。
Description
技术领域:
本发明涉及一种电力设备状态或故障的预测方法,特别是涉及一种基于离散灰色模型的电力变压器特征状态量预测方法。
背景技术:
电力变压器室电力系统的核心设备之一,其正常运行对整个电力系统的可靠安全经济运行起着非常关键的作用,一旦变压器发生故障,将会给电力公司甚至全社会带来巨大的损失,因此对电力变压器实施科学有效的状态评估与预测,用以指导适时适当的变压器维护或更新工作,对于构筑安全可靠、经济高效、高度信息化和智能化的先进电网系统具有非常重要的意义。电力变压器特征参数是指反映电力变压器状态的一个数据或一组数据集合,通过电力变压器特征参量的参数预测,应用科学有效的状态评估或故障诊断方法根据预测参量值进行状态评估,从而实现对变压器未来状态的预测或变压器故障预测是一条简便有效的电力变压器中短期状态预测途径,此方法的特点是数据量需求小,能够充分反映设备个体发展变化特性,避免通过大量特征参量的历史数据回归拟合建模过程中数据收集工作难度大和设备多样性造成的分散性大的问题。
灰色模型是以灰色生成函数概念为基础,以微分拟合为核心的建模方法,灰色模型预测就是根据过去和现在已知或不确定的信息,通过对原始数据的累加或累减处理,弱化随机扰动因素影响,强化数据本身的规律性,运用时间序列数据确定微分方程的参量,逐步使灰量白化,对系统的未来状态做出科学的定量预测。灰色系统理论进行预测具有要求数据少、不考虑分布规律、短期预测精度高、易于检验等优点,现已在众多领域得到应用。
一般情况下,电力变压器设备特征参量数据具有“小样本”、“贫信息”的特点,决定了现行的预测技术并非都适用于其状态原始参数预测建模。回归拟合法要求大量的原始样本数据,而且不能正确预测非正态分布的数据;指数平滑法是将历史数据根据其对当前数据的影响的权重不同进行加权平均,初值和权重系数的选取没有严格的要求。而灰色动态预测模型具有所需样本少、预测准确度高、运算量小等特性,并能够逐步去除老旧数据和加入可信度更高的最新数据,同时由于变压器自身的故障机理十分复杂,反映变压器状态特征参量和状态之间的关系,具有不确定性和灰色性,变压器可以视为灰色系统,故灰色预测非常适合于电力变压器特征参量的中短期预测。
发明内容:
本发明所要解决的技术问题是:提供一种基于离散灰色模型的电力变压器特征状态量预测方法,建立在变压器状态评估基础上,通过对表征变压器状态的状态特征参量的原始参数进行预测而实现对电力系统变压器状态或故障的准确预测。
本发明为解决技术问题所采取的技术方案是:
一种基于离散灰色模型的电力变压器特征状态量预测方法,建立在变压器状态评估基础上,通过对表征变压器状态的状态特征参量的原始参数进行预测而实现对其状态的预测,其具体方法如下:
A、将非等间隔序列进行等间隔化预处理后,变换成等间隔序列:
设某状态特征参量的非等间隔原始序列为:X(0) =(x(0)(t1),x(0)(t2),L,x(0)(tn)),其中:t1< t2< L< tn,且各时段间隔△ti=ti-ti-1≠const,i∈{2,3,4L,n},则非等间隔序列转化处理步骤如下:
令平均时间间隔△t0,则△t0= n-1∑i=1-△ti=(tn-t1),
记ψ=x(0)(ti)- x(0)(ti-1)/ti-ti-1·(t1+(i-1)△t0-ti-1),
则: x1 (0)(i)=x(0)(ti) i=1.n;
x1 (0)(i)=x(0)(ti-1)+ψ i=2,3,L,n-1
于是得到该状态参量的等间隔序列:X(0)=(x1 (0)(2),…,x1 (0)(n));
B、将强随机性序列进行平滑处理:
采用时间序列一次指数加上平滑公式对强随机性序列的原始数据进行平滑处理:Y(0)(k)=∝x(0)(k)+(1-∝)y(0)(k-1)·k=2,3,L,n
对于任意随机序列{x(0)(k),k为正整数},新序列y(0)(k)的方差不大于原始序列的方差,即新序列的随机性弱于原始序列的随机性;
设拟合值与实测值差的绝对值的平均残差为α,对等间隔化处理过的原始序列进行灰色预测后,预测值可还原为:x(0)(k)=[y(0)(k)-(1-α)y(0)(k-1)]/ α;
C、变压器状态特征参量预测:
根据灰色预测的建模原理,假定两点之间的累加拟合值序列为X(0)={x(1)(1),x(1)(2),…,x(1)(n)}以及离散预测值为x(1)(n+1),在p时刻的特征参量的预测值为x(0)(p),其中n<p<n+1,则:
x(0)(p)=x(1)(p)- x(1)(n)+(n+1-p)·x(0)(n)
=(β1p-β1n)(x(0)(1)+ β3)+ β1n-β1p/1-β1·β2 +(n+1-p)·x(0)(n)
根据状态评估或故障诊断方法对特征参量预测值进行评估,从而可以实现对变压器的状态预测或故障预测。
采用等维新息递补数据处理技术来对灰色预测模型进行改进,即每当预测出一个新值时,将其加入到样本序列中最早的一个数据信息中,重新建立离散灰色预测模型,这样周而复始直到完成预测目标为止。
本发明可以用于电力设备状态或故障的预测上,在确认电力变压器状态特征参量灰色预测的适应性基础上,将离散灰色模型引入到电力变压器状态特征参量的参数预测中而解决传统灰色预测可能出现的不稳定问题,并根据电力变压器特征参量数据预处理以及预测数据连续化等方面的改进优化,以适用于电力变压器特征参数原始数据的预测,提高变压器状态特征参量的预测精度,扫清了通过状态特征参量数据预测对变压器未来的设备状态进行预测从理论分析工程实际应用中的所有障碍,实现了对电力变压器状态或故障的准确预测。
附图说明:
图1为本发明的预测原理流程图。
具体实施方式:
下面结合附图对本发明作进一步的解释和说明:
参见图1,一种基于离散灰色模型的电力变压器特征状态量预测方法,建立在变压器状态评估基础上,通过对表征变压器状态的状态特征参量的原始参数进行预测而实现对其状态的预测,其具体方法如下:
A、将非等间隔序列进行等间隔化预处理后,变换成等间隔序列:
设某状态特征参量的非等间隔原始序列为:X(0) =(x(0)(t1),x(0)(t2),L,x(0)(tn)),其中:t1< t2< L< tn,且各时段间隔△ti=ti-ti-1≠const,i∈{2,3,4L,n},则非等间隔序列转化处理步骤如下:
令平均时间间隔△t0,则△t0= n-1∑i=1-△ti=(tn-t1),
记ψ=x(0)(ti)- x(0)(ti-1)/ti-ti-1·(t1+(i-1)△t0-ti-1),
则: x1 (0)(i)=x(0)(ti) i=1.n;
x1 (0)(i)=x(0)(ti-1)+ψ i=2,3,L,n-1
于是得到该状态参量的等间隔序列:X(0)=(x1 (0)(2),…,x1 (0)(n));
B、将强随机性序列进行平滑处理:
采用时间序列一次指数加上平滑公式对强随机性序列的原始数据进行平滑处理:Y(0)(k)=∝x(0)(k)+(1-∝)y(0)(k-1)·k=2,3,L,n
对于任意随机序列{x(0)(k),k为正整数},新序列y(0)(k)的方差不大于原始序列的方差,即新序列的随机性弱于原始序列的随机性;
设拟合值与实测值差的绝对值的平均残差为α,对等间隔化处理过的原始序列进行灰色预测后,预测值可还原为:x(0)(k)=[y(0)(k)-(1-α)y(0)(k-1)]/ α;
C、变压器状态特征参量预测:
根据灰色预测的建模原理,假定两点之间的累加拟合值序列为X(0)={x(1)(1),x(1)(2),…,x(1)(n)}以及离散预测值为x(1)(n+1),在p时刻的特征参量的预测值为x(0)(p),其中n<p<n+1,则:
x(0)(p)=x(1)(p)- x(1)(n)+(n+1-p)·x(0)(n)
=(β1p-β1n)(x(0)(1)+ β3)+ β1n-β1p/1-β1·β2 +(n+1-p)·x(0)(n)
根据状态评估或故障诊断方法对特征参量预测值进行评估,从而可以实现对变压器的状态预测或故障预测。
采用等维新息递补数据处理技术来对灰色预测模型进行改进,即每当预测出一个新值时,将其加入到样本序列中最早的一个数据信息中,重新建立离散灰色预测模型,这样周而复始直到完成预测目标为止。
本发明可以用于电力设备状态或故障的预测上,在确认电力变压器状态特征参量灰色预测的适应性基础上,将离散灰色模型引入到电力变压器状态特征参量的参数预测中而解决传统灰色预测可能出现的不稳定问题,并根据电力变压器特征参量数据预处理以及预测数据连续化等方面的改进优化,以适用于电力变压器特征参数原始数据的预测,提高变压器状态特征参量的预测精度,扫清了通过状态特征参量数据预测对变压器未来的设备状态进行预测从理论分析工程实际应用中的所有障碍,实现了对电力变压器状态或故障的准确预测。
Claims (2)
1.一种基于离散灰色模型的电力变压器特征状态量预测方法,建立在变压器状态评估基础上,通过对表征变压器状态的状态特征参量的原始参数进行预测而实现对其状态的预测,其特征在于:
A、将非等间隔序列进行等间隔化预处理后,变换成等间隔序列:
设某状态特征参量的非等间隔原始序列为:X(0) =(x(0)(t1),x(0)(t2),L,x(0)(tn)),其中:t1< t2< L< tn,且各时段间隔△ti=ti-ti-1≠const,i∈{2,3,4L,n},则非等间隔序列转化处理步骤如下:令平均时间间隔△t0,则△t0= n-1∑i=1-△ti=(tn-t1),
记ψ=x(0)(ti)- x(0)(ti-1)/ti-ti-1·(t1+(i-1)△t0-ti-1),
则: x1 (0)(i)=x(0)(ti) i=1.n;
x1 (0)(i)=x(0)(ti-1)+ψ i=2,3,L,n-1
于是得到该状态参量的等间隔序列:X(0)=(x1 (0)(2),…,x1 (0)(n));
B、将强随机性序列进行平滑处理:
采用时间序列一次指数加上平滑公式对强随机性序列的原始数据进行平滑处理:Y(0)(k)=∝x(0)(k)+(1-∝)y(0)(k-1)·k=2,3,L,n
对于任意随机序列{x(0)(k),k为正整数},新序列y(0)(k)的方差不大于原始序列的方差,即新序列的随机性弱于原始序列的随机性;
设拟合值与实测值差的绝对值的平均残差为α,对等间隔化处理过的原始序列进行灰色预测后,预测值可还原为:x(0)(k)=[y(0)(k)-(1-α)y(0)(k-1)]/ α;
C、变压器状态特征参量预测:
根据灰色预测的建模原理,假定两点之间的累加拟合值序列为X(0)={x(1)(1),x(1)(2),…,x(1)(n)}以及离散预测值为x(1)(n+1),在p时刻的特征参量的预测值为x(0)(p),其中n<p<n+1,则:
x(0)(p)=x(1)(p)- x(1)(n)+(n+1-p)·x(0)(n)
=(β1p-β1n)(x(0)(1)+ β3)+ β1n-β1p/1-β1·β2 +(n+1-p)·x(0)(n)
根据状态评估或故障诊断方法对特征参量预测值进行评估,从而可以实现对变压器的状态预测或故障预测。
2.根据权利要求1所述的基于离散灰色模型的电力变压器特征状态量预测方法,其特征在于:采用等维新息递补数据处理技术来对灰色预测模型进行改进,即每当预测出一个新值时,将其加入到样本序列中最早的一个数据信息中,重新建立离散灰色预测模型,这样周而复始直到完成预测目标为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410630617.1A CN104376202A (zh) | 2014-11-11 | 2014-11-11 | 基于离散灰色模型的电力变压器特征状态量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410630617.1A CN104376202A (zh) | 2014-11-11 | 2014-11-11 | 基于离散灰色模型的电力变压器特征状态量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104376202A true CN104376202A (zh) | 2015-02-25 |
Family
ID=52555106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410630617.1A Pending CN104376202A (zh) | 2014-11-11 | 2014-11-11 | 基于离散灰色模型的电力变压器特征状态量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376202A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm(1,1)模型变压器故障预测方法 |
CN107862108A (zh) * | 2017-10-12 | 2018-03-30 | 成都阜特科技股份有限公司 | 一种工业机械设备健康状态分析与预测方法及其系统 |
CN108229760A (zh) * | 2018-02-08 | 2018-06-29 | 北京航空航天大学 | 面向灾害预测的不等间距时间序列异常趋势分析方法 |
CN108318786A (zh) * | 2017-01-18 | 2018-07-24 | 中国电力科学研究院 | 一种配电网电缆线路绝缘老化风险的辨识方法和装置 |
CN112182830A (zh) * | 2019-08-06 | 2021-01-05 | 长春工业大学 | 一种水质参数的预测方法 |
CN113269350A (zh) * | 2021-04-28 | 2021-08-17 | 长春工业大学 | 基于灰色gm(1,1)模型的变压器故障预测方法 |
CN113268885A (zh) * | 2021-06-17 | 2021-08-17 | 苏州热工研究院有限公司 | 基于灰色马尔可夫模型的变压器故障预测方法及电子设备 |
-
2014
- 2014-11-11 CN CN201410630617.1A patent/CN104376202A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108318786A (zh) * | 2017-01-18 | 2018-07-24 | 中国电力科学研究院 | 一种配电网电缆线路绝缘老化风险的辨识方法和装置 |
CN108318786B (zh) * | 2017-01-18 | 2022-02-25 | 中国电力科学研究院 | 一种配电网电缆线路绝缘老化风险的辨识方法和装置 |
CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm(1,1)模型变压器故障预测方法 |
CN107862108A (zh) * | 2017-10-12 | 2018-03-30 | 成都阜特科技股份有限公司 | 一种工业机械设备健康状态分析与预测方法及其系统 |
CN108229760A (zh) * | 2018-02-08 | 2018-06-29 | 北京航空航天大学 | 面向灾害预测的不等间距时间序列异常趋势分析方法 |
CN112182830A (zh) * | 2019-08-06 | 2021-01-05 | 长春工业大学 | 一种水质参数的预测方法 |
CN113269350A (zh) * | 2021-04-28 | 2021-08-17 | 长春工业大学 | 基于灰色gm(1,1)模型的变压器故障预测方法 |
CN113269350B (zh) * | 2021-04-28 | 2023-09-05 | 长春工业大学 | 基于灰色gm(1,1)模型的变压器故障预测方法 |
CN113268885A (zh) * | 2021-06-17 | 2021-08-17 | 苏州热工研究院有限公司 | 基于灰色马尔可夫模型的变压器故障预测方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104376202A (zh) | 基于离散灰色模型的电力变压器特征状态量预测方法 | |
Wang et al. | A new wind power prediction method based on chaotic theory and Bernstein Neural Network | |
Liao et al. | Forecasting dissolved gases content in power transformer oil based on weakening buffer operator and least square support vector machine–Markov | |
CN103730006A (zh) | 一种短时交通流量的组合预测方法 | |
WO2015196133A2 (en) | Energy infrastructure sensor data rectification using regression models | |
CN108549955B (zh) | 一种充电桩异常率确定方法及装置 | |
CN106199267B (zh) | 一种电力设备故障特征分析方法 | |
Chen et al. | Demand forecasting for water distribution systems | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN104993966B (zh) | 一种电力综合业务网流量预测方法 | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
Xu et al. | An adaptive gamma process based model for residual useful life prediction | |
CN108491958B (zh) | 一种短时公交客流弦不变量预测方法 | |
Jiang et al. | Mode matching pursuit for estimating dominant modes in bulk power grid | |
Chen et al. | A prediction model based on unbiased grey Markov for airport energy consumption prediction | |
Xin et al. | Short-term load forecasting for electric vehicle charging stations based on time series distance measuring | |
CN104376367A (zh) | 基于气温和非线性自回归时序模型的短期负荷预测方法 | |
Chen et al. | Analyzing the correlation and predictability of wind speed series based on mutual information | |
Lu et al. | Chaos-based Modified GM (1, 1) Power Model in Time Series Prediction. | |
JP2017539027A (ja) | 物理システムの経時変化プロファイリングエンジン | |
Pang | Improving building performance at urban scale with a framework for real-time data sharing | |
Klyatis | The role of accurate simulation of real world conditions and ART/ADT technology for accurate efficiency predicting of the product/process | |
Katz | The role of Big Data and analytics in utility innovation | |
Loecher | Are Multi-Armed Bandits Susceptible to Peeking? | |
Rabatel et al. | Sensitivity Analysis of a Lagrangian Sea Ice Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150225 |
|
RJ01 | Rejection of invention patent application after publication |