CN106908674B - 一种基于多状态量预测的变压器状态评估方法 - Google Patents

Abstract

本发明公开了一种基于多状态量预测的变压器状态评估方法，包含以下过程：变压器主要故障状态量的选取；对选取好的变压器主要故障状态量分成静态参数，动态参数，准动态参数，外部参数这四类；基于分类好的变压器主要故障状态量采用状态量预测算法对变压器的状态进行预测得到预测状态值；通过采用神经网络预测算法判定待评估变压器运行状态的趋势；最后综合变压器实时运行状态及其趋势，给出变压器状态的综合评估结果。本发明具有能够对变压器的大量状态信息进行综合分析，发现及预测变压器潜伏性故障的优点。

Description

一种基于多状态量预测的变压器状态评估方法

技术领域

本发明涉及电力设备状态评估技术领域,特别涉及一种基于多状态量预测的变压器状态评估方法。

背景技术

在“十三五”规划时期，中国电力体制改革将不断深化，供电企业必须以更加安全、可靠、优质的服务来满足用户的需求。随着电网结构的发展、电网改革的深化，各种电压等级的变电站分布范围越来越广，数量也在急剧增加，与之相适应的电力设备也越来越多，变电站是输配电系统中关键的环节，所以对变电站关键设备的检修、维护工作也更加复杂,对设备健康状态分析准确性和电网可靠性的标准越来越高。

变电设备数据的主要来源包括在线监测、带电检测、机器人巡检等,设备的状态信息量众多，要对设备的状态进行全面和准确的状态评价，必须结合设备的当前和历史状态进行综合分析。然而,现有设备状态评价和诊断模型主要基于单一或少数状态参量进行分析和判断，多数局限于阈值诊断的范畴，尚无法达到全面掌握设备真实健康状态与运行风险的需要，信息综合应用水平低下,无法充分利用设备大量状态信息进行综合分析，状态评价结果片面，同时也无法全面反映故障演变与表现特征之间的客观规律，难实现潜伏性故障的发现和预测。

变压器故障状态信息极为繁多，比如，预防性试验、不良运行工况记录、家族缺陷记录、检修记录、自身质量记录、在线监测等，如果考虑所有故障状态信息的话，状态评估体系将极为复杂，同时有些状态信息比较模糊，不宜定量的描述，不利于对变压器全面而准确的评估，另外检/监测数据采集范围广、价值密度低。

随着电网的建设与发展，变电设备状态监测、生产管理、运行调度、环境气象等数据逐步在统一的信息平台上的集成共享，推动设备状态评估和预测向基于全景状态的信息集成和综合分析方向发展。

发明内容

本发明的目的是提供一种基于多状态量预测的变压器状态评估方法，通过综合考虑设备多个状态量的当前值、历史值与预测值对变压器的状态进行全方面评估，实现对变压器的大量状态信息进行综合分析，发现及预测变压器潜伏性故障的目的。

为了实现以上目的，本发明通过以下方案实现：

一种基于多状态量预测的变压器状态评估方法，包含以下过程：

对选取的变压器主要故障状态量根据更新周期分成静态参数，动态参数，准动态参数，外部参数这四类；所述静态参数不更新；所述动态参数更新周期≤1个月；所述准动态参数定期或不定期更新，更新周期≥1个月；所述外部参数为变压器所处的外部环境因素以及社会经济因素；

通过采用状态量预测算法对所述动态参数，准动态参数在之后一个检修周期内的状态值进行预测得到预测状态值；将所述预测状态值代入神经网络预测算法进而判定待评估变压器运行状态的趋势。

优选地，所述静态参数包含：设备台帐参数和设备投运前的试验参数。

优选地，所述动态参数包含：H₂含量、C₂H₆含量、C₂H₄含量、CO相对产气速率、CO₂相对产气速率、C₂H₂含量、CH₄含量等变压器故障状态量。优选地，所述准动态参数包含：绝缘电阻吸收比、极化指数、体积电阻率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、局部放电量、铁心接地电流、铁心绝缘电阻、绕组直流电阻互差、中性点油流静电电流、绝缘油介损、油中含水量、油击穿电压、油中含气量、糠醛含量、纸板聚合度。

优选地，所述状态量预测算法包含：

待观测量为一时间序列函数y(t)，基于最小二乘法采用线性函数对y(t)进行分段拟合，

y(t)＝p(t-t₀)+y₀

式中，t₀为时间区间的起点；y₀为时刻t₀对应的数值；p为斜率，反应观测量的变化趋势，p＞0表示观测量在该时间区间整体趋势是上升，p＜0表示观测量在该时间区间整体趋势是下降，p＝0表示观测量在该时间区间整体趋势保持不变；所述待观测量对应所述动态和准动态参数；

t₁时刻对应的线性近似值的特征分别为t₀₁、y₀₁和p₁，则

个采样时间以后，在t₁+kΔt时刻有

式中，Δt为步长。

优选地，所述神经网络算法为三层神经网络模型，定义误差：

E_p＝0.5∑(T_pi-Y_pi)²

式中，Y_pi为输出节点p_i的计算输出，T_pi为对应的教师数据，激活函数为 Sigmoid型函数，权值修正公式为：

ΔW_ij(n+1)＝hφ_iY_j+αΔW_ij(n)

式中：h为学习因子；φ_i为输出节点i的计算误差；Y_j为输出节点j的计算输出；α为动量因子；n代表迭代次数，ΔW_ij(n+1)代表第n+1次迭代计算得到的权值修正量，ΔW_ij(n)代表第n次迭代计算得到的权值修正量。

本发明另一个技术方案为：一种基于多状态量预测的变压器状态评估方法，包含以下过程：

将实时监测得到的待评估变压器的故障状态量以及历史数据作为所述神经网络预测算法的初始值，对变压器设备运行状态是否正常进行第一次预测，将得到的结果预测值参照静态参数，判断待评估的变压器是否正常；

之后，通过采用状态量预测算法对变压器的主要故障状态量中的动态参数，准动态参数在之后一个检修周期内的状态值进行预测得到预测状态值；将所述预测状态值代入神经网络预测算法对变压器设备运行状态是否正常进行第二次预测；综合第一与第二次故障预测结果，分别得到四种评估结果；

若第一次故障预测结果为否，第二次故障预测结果也为否，则得出评估结果为正常态；

若第一次故障预测结果为否，第二次故障预测结果为是，则得出评估结果为需注意态；

如第一次故障预测结果为是，第二次故障预测结果为否，则得出评估结果为异常态；

如第一次故障预测结果为是，第二次故障预测结果为是，则得出评估结果为严重态；

所述静态参数不更新；所述动态参数更新周期≤1个月；所述准动态参数定期或不定期更新，更新周期≥1个月。

优选地，所述动态参数包含：H₂含量、C₂H₆含量、C₂H₄含量、CO相对产气速率、CO₂相对产气速率、C₂H₂含量、CH₄含量等变压器故障状态量；所述准动态参数包含：绝缘电阻吸收比、极化指数、体积电阻率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、局部放电量、铁心接地电流、铁心绝缘电阻、绕组直流电阻互差、中性点油流静电电流、绝缘油介损、油中含水量、油击穿电压、油中含气量、糠醛含量、纸板聚合度；

所述静态参数包含：设备台帐参数和设备投运前的试验参数。

优选地，所述状态量预测算法包含：

待观测量为一时间序列函数y(t)，基于最小二乘法采用线性函数对y(t)进行分段拟合，

y(t)＝p(t-t₀)+y₀

式中，t₀为时间区间的起点；y₀为时刻t₀对应的数值；p为斜率，反应观测量的变化趋势，p＞0表示观测量在该时间区间整体趋势是上升，p＜0表示观测量在该时间区间整体趋势是下降，p＝0表示观测量在该时间区间整体趋势保持不变；

所述待观测量对应所述动态和准动态参数；

t₁时刻对应的线性近似值的特征分别为t₀₁、y₀₁和p₁，则

个采样时间以后，在t₁+kΔt时刻有

式中，Δt为步长。

优选地，所述神经网络算法为三层神经网络模型，定义误差：

E_p＝0.5∑(T_pi-Y_pi)²

式中，Y_pi为输出节点p_i的计算输出，T_pi为对应的教师数据，激活函数为 Sigmoid型函数，权值修正公式为：

ΔW_ij(n+1)＝hφ_iY_j+αΔW_ij(n)

式中：h为学习因子；φ_i为输出节点i的计算误差；Y_j为输出节点j的计算输出；α为动量因子。n代表迭代次数，ΔW_ij(n+1)代表第n+1次迭代计算得到的权值修正量，ΔW_ij(n)代表第n次迭代计算得到的权值修正量。

本发明与现有技术相比具有以下优点：

通过综合考虑设备多个状态量的当前值、历史值与预测值对变压器的状态进行全方面评估，具有实现对变压器的大量状态信息进行综合分析，发现及预测变压器潜伏性故障的优点。

附图说明

图 1 为 本发明一种基于多状态量预测的变压器状态评估方法的结构框图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

本发明首先基于变压器主要状态量实时监测信息，采用神经网络预测算法辨识变压器实时运行状态；然后通过状态量预测算法预测状态值，采用神经网络预测算法判定变压器运行状态的趋势；最后综合变压器实时运行状态及其趋势，给出变压器状态的综合评估结果。本发明所提出的变压器状态评估方法兼顾设备的当前状态及其变化趋势，可有效实现变压器状态的评估和预测，同时为实现变压器潜伏性故障的发现和预测提供了一种有效的解决方案。

本发明一种基于多状态量预测的变压器状态评估方法，包含以下步骤：

步骤1变压器主要故障状态量的选取；

步骤2对选取的变压器主要故障状态量进行分类；

步骤3基于分类好的变压器主要故障状态量采用状态量预测算法对变压器的状态进行预测得到预测状态值；

步骤4通过采用经网络预测算法判定变压器运行状态的趋势；最后综合变压器实时运行状态及其趋势，给出变压器状态的综合评估结果。

所述步骤1进一步包含：

对变压器可能出现的故障进行分类；根据变压器结构可以将变压器故障划分为短路故障、绕组故障、铁芯故障和绝缘故障等四种故障类型。

短路故障；变压器的短路故障主要有三种类型：相与相之间短路故障、变压器出口短路、内部引线或绕组间对地短路故障。其中短路故障发生概率最高的是变压器出口短路故障，其对变压器影响非常严重，如果变压器出口短路故障突然发生，相当额定值的数十倍的短路电流会同时通过高、低压绕组，产生的热量会使变压器严重发热。如果变压器热稳定性不足、承受短路电流的能力差，会损坏变压器绝缘材料，造成变压器击穿及损毁事故的发生。变压器的出口短路主要有以下四种类型：两相短路、三相短路、单相接地短路及两相接地短路。据资料统计，单相接地短路发生概率占全部短路故障的 65％，两相短路约占10％～15％，两相接地短路占15％～20％，三相短路仅仅占5％，虽然三相短路发生的概率最低，但是三相短路发生时的短路电流值最大。

绕组故障；变压器的绕组是由带绝缘层的绕组导线按一定排列规律和绕向经绕制、整形、浸烘、套装而成。因外界因素影响，变压器受到短路冲击时，若短路电流较小，继电保护能正确动作，此时绕组变形将是轻微的；如果短路电流很大，而继电保护延时动作或者拒动，绕组变形将会非常严重，绕组绝缘会开始损伤，老化和劣化，甚至可能造成绕组损坏，发生短路、断路和变形等故障。引起变压器内出现局部放电、过热、电弧放电等现象。即便是对于较轻微的变形，如果不及时进行检修，在经历多次的短路冲击后，长期的累积效应也会使变压器损坏。

绝缘故障；供电系统中电力变压器的绝缘材料组成了绝缘系统来实现绝缘功能的，变压器正常工作和运行的基本就是绝缘系统。于此同时变压器的使用寿命与绝缘材料的寿命直接相关。历史实践证明，大多变压器的损坏和故障都源于绝缘系统的损坏，据统计，变压器全部事故的85％都是绝缘事故。其中影响变压器绝缘性能的主要因素包括温度、湿度、油保护方式、过电压等等。进一步看，变压器整体温度的高低和变压器内绝缘油的微水含量成正比；湿度过大，水分过多，会导致绝缘油的火花放电电压降低，介质损耗因数增大，加速绝缘油老化。

铁芯故障；传递和交换电磁能量的主要部件就是变压器的铁芯，变压器的正常运行要求铁芯质量好且单点接地。当铁芯出现多点接地的问题时，会使铁芯中产生祸流，增加铁耗，引起铁芯局部过热，遇到这种情况，要及时进行处理，如果处理不及时，变压器油将会劣化分解，产生可燃性气体，引起气体继电器动作，造成停电事故。据统计，铁芯问题引起的故障在变压器全部事故中也占相当大的比例。

根据上述电力变压器的故障，选取最具代表性且能够灵敏反映变压器运行状况的故障状态量来作为表征变压器各种故障类型的故障征兆，主要故障状态量选取详见表1。

表1变压器故障状态量

序号	状态量	序号	状态量
				1	绝缘油介损	13	CO相对产气速率
2	油中含水量	14	CO<sub>2</sub>相对产气速率
				3	油击穿电压	15	绕组短路阻抗初值差
4	绝缘电阻吸收比	16	绕组绝缘介损
				5	极化指数	17	绕组电容量初值差
6	体积电阻率	18	C<sub>2</sub>H<sub>2</sub>含量
				7	H<sub>2</sub>含量	19	局部放电量
8	铁心接地电流	20	油中含气量
				9	铁心绝缘电阻	21	CH<sub>4</sub>含量
10	C<sub>2</sub>H<sub>6</sub>含量	22	中性点油流静电电流
				11	C<sub>2</sub>H<sub>4</sub>含量	23	糠醛含量
12	绕组直流电阻互差	24	纸板聚合度

所述步骤2进一步包含：

多元多维度数据源是开展设备状态评估大数据挖掘分析的基础条件。设备状态信息包括设备全生命周期范围内适用于设备健康状态及风险评估的各种资料、数据、记录等，以更新频率和数据来源为依据，可以将所有数据划分为四大类参数。

一、静态参数

所述静态参数包括设备台帐参数和设备投运前的试验参数等。静态参数自记录后不再发生变化，作为某项状态参量评分时的参考值和判断依据，用作初始值、限制阈值等。

二、动态参数

所述动态参数包括运行记录数据、巡视记录参数、带电检测参数、在线监测参数等，定期获取并更新，其更新周期通常以天为单位，最大周期不超过1个月。上述表1中的变压器故障状态量包括：H₂含量、C₂H₆含量、C₂H₄含量、CO相对产气速率、CO₂相对产气速率、C₂H₂含量、CH₄含量作为动态参数。动态参数数据更新周期较短，时效性较好，是最主要、最关键的设备状态评估数据来源，能最及时地反应设备的健康状态及风险。

三、准动态参数

所述准动态参数包括检修试验参数、缺陷/故障参数等。准动态参数通常定期或不定期获取并更新，所述准动态参数更新周期通常以月为单位。相比动态参数，其时效性相对较差，但对于设备状态评估的准确性起到关键作用。上述表1中的变压器故障状态量包括：绝缘电阻吸收比、极化指数、体积电阻率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、局部放电量、铁心接地电流、铁心绝缘电阻、绕组直流电阻互差、中性点油流静电电流、绝缘油介损、油中含水量、油击穿电压、油中含气量、糠醛含量、纸板聚合度作为准动态参数。采用多维度设备状态评估方法分析设备潜在的具体缺陷/故障时，准动态参数的作用尤为重要。

四、外部参数

所述外部参数主要包括:温度、风力、降水等气象因素，地震、洪水等环境因素，以及用电量、经济态势等社会经济因素。

所述步骤3进一步包含：

选取步骤2中的动态参数和准动态参数对变压器进行故障状态量预测。设待观测量为一时间序列函数y(t)，为获取y(t)的变化趋势，并满足在线趋势分析的需要，基于最小二乘法采用线性函数对y(t)进行分段拟合。设分段后的某个片段数据的线性拟合函数为：

y(t)＝p(t-t₀)+y₀ (1)

式中，t₀为时间区间的起点；y₀为时刻t₀对应的数值；p为斜率，反应观测量的变化趋势，p＞0表示观测量在该时间区间整体趋势是上升，p＜0 表示观测量在该时间区间整体趋势是下降，p＝0表示观测量在该时间区间整体趋势保持不变。所述待观测量对应所述动态或准动态参数。

假设现已计算出t₁时刻对应的线性近似值的特征t₀₁、y₀₁和p₁，则 k(k＝1，2，3，…)个采样时间以后，由式(1)模型外推可得，在t₁+kΔt时刻有

式中，Δt为步长。

基于式(1)和(2)，对步骤2中的动态参数和准动态参数在之后一个检修周期内的状态值进行预测。

所述步骤4进一步包含：

综合评估如图1所示，变压器设备运行状态的评估结果应考虑两个因素：设备当前状态以及设备运行状态的趋势。

变压器状态的评估首先通过设备运行中的众多状态监测量，辨识设备实时运行状态，通过神经网络预测算法对变压器设备运行状态是否有故障进行第一次预测，参照上述步骤2中设有的静态参数，判断待评估的变压器是否正常，若是，则通过步骤3对步骤2中的动态参数以及准动态参数进行预测，再次通过神经网络预测算法对变压器设备运行状态是否有故障进行第二次预测，再次以上述步骤2中设有的静态参数作为判断依据，若判断上述待评估变压器是正常状态，则综合第一次故障预测结果输出评估结果为正常态，如判断上述待评估变压器是故障状态，则综合第一次故障预测结果输出评估结果为需注意态。

如第一次故障预测结果为否，则也通过步骤3对步骤2中的动态参数以及准动态参数进行预测，也再次通过神经网络预测算法对变压器设备运行状态是否有故障进行第二次预测，还是以上述步骤2中设有的静态参数作为判断依据，若第二次判断上述待评估变压器是处于正常状态，则综合第一次故障预测结果输出评估结果为异常态，若第二次判断上述待评估变压器是故障状态，则综合第一次故障预测结果输出评估结果为严重态。

上述BP(Back Propagation)神经网络是目前研究和应用最广泛和最成熟的神经网络，这里对BP神经网络算法进行并行化设计。设计三层神经网络模型，定义误差：

E_p＝0.5∑(T_pi-Y_pi)² (3)

其中Y_pi为输出节点p_i的计算输出，T_pi为对应的教师数据，激活函数为Sigmoid型函数，权值修正公式为：

ΔW_ij(n+1)＝hφ_iY_j+αΔW_ij(n) (4)

式中：h为学习因子；φ_i为输出节点i的计算误差；Y_j为输出节点j的计算输出；α为动量因子。n代表迭代次数，ΔW_ij(n+1)代表第n+1次迭代计算得到的权值修正量，ΔW_ij(n)代表第n次迭代计算得到的权值修正量。

所述BP神经网络算法的学习步骤包含：

1.随机生成各个节点间的连接初始权值和隐含层和输出层节点的阈值，设定训练次数和误差阈值。

2.重复下面两个过程直至收敛或者到了最大训练次数。

正向学习过程：针对每个样例从输入层开始正向学习，计算隐含层的输入和输出，求得输出层的实际输出。通过与期望输出比较计算出误差和总误差，若总误差满足要求，则跳出循环，否则进行下一步。

反向传播误差过程：根据上一步得到的误差来计算并调整权值和偏置矩阵的值。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (5)

1.一种基于多状态量预测的变压器状态评估方法，其特征在于，包含以下过程：

对选取的变压器主要故障状态量根据更新周期分成静态参数，动态参数，准动态参数，外部参数这四类；所述静态参数不更新；所述动态参数更新周期≤1个月；所述准动态参数定期或不定期更新，更新周期≥1个月；所述外部参数为变压器所处的外部环境因素以及社会经济因素；

通过采用状态量预测算法对所述动态参数，准动态参数在之后一个检修周期内的状态值进行预测得到预测状态值；将所述预测状态值代入神经网络预测算法进而判定待评估变压器运行状态的趋势；

所述动态参数包含：H₂含量、C₂H₆含量、C₂H₄含量、CO相对产气速率、CO₂相对产气速率、C₂H₂含量、CH₄含量变压器故障状态量；

所述准动态参数包含：绝缘电阻吸收比、极化指数、体积电阻率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、局部放电量、铁心接地电流、铁心绝缘电阻、绕组直流电阻互差、中性点油流静电电流、绝缘油介损、油中含水量、油击穿电压、油中含气量、糠醛含量、纸板聚合度；

所述状态量预测算法包含：

待观测量为一时间序列函数y(t)，基于最小二乘法采用线性函数对y(t)进行分段拟合，

y(t)＝p(t-t₀)+y₀

式中，t₀为时间区间的起点；y₀为时刻t₀对应的数值；p为斜率，反应观测量的变化趋势，p＞0表示观测量在该时间区间整体趋势是上升，p＜0表示观测量在该时间区间整体趋势是下降，p＝0表示观测量在该时间区间整体趋势保持不变；所述待观测量对应所述动态和准动态参数；

t₁时刻对应的线性近似值的特征分别为t₀₁、y₀₁和p₁，则k个采样时间以后，在t₁+kΔt时刻有

式中，Δt为步长。

2.如权利要求1所述一种基于多状态量预测的变压器状态评估方法，其特征在于，所述静态参数包含：设备台帐参数和设备投运前的试验参数。

3.如权利要求1所述一种基于多状态量预测的变压器状态评估方法，其特征在于，所述神经网络预测算法为三层神经网络模型，定义误差：

E_p＝0.5∑(T_pi-Y_pi)²

式中，Y_pi为输出节点p_i的计算输出，T_pi为对应的教师数据，激活函数为Sigmoid型函数，权值修正公式为：

ΔW_ij(n+1)＝hφ_iY_j+αΔW_ij(n)

式中：h为学习因子；φ_i为输出节点i的计算误差；Y_j为输出节点j的计算输出；α为动量因子；n代表迭代次数，ΔW_ij(n+1)代表第n+1次迭代计算得到的权值修正量，ΔW_ij(n)代表第n次迭代计算得到的权值修正量。

4.一种基于多状态量预测的变压器状态评估方法，其特征在于，包含以下过程：

将实时监测得到的待评估变压器的故障状态量以及历史数据作为神经网络预测算法的初始值，对变压器设备运行状态是否正常进行第一次预测，将得到的结果预测值参照静态参数，判断待评估的变压器是否正常；

之后，通过采用状态量预测算法对变压器的主要故障状态量中的动态参数，准动态参数在之后一个检修周期内的状态值进行预测得到预测状态值；将所述预测状态值代入神经网络预测算法对变压器设备运行状态是否正常进行第二次预测；综合第一与第二次故障预测结果，分别得到四种评估结果；

若第一次故障预测结果为否，第二次故障预测结果也为否，则得出评估结果为正常态；

若第一次故障预测结果为否，第二次故障预测结果为是，则得出评估结果为需注意态；

如第一次故障预测结果为是，第二次故障预测结果为否，则得出评估结果为异常态；

如第一次故障预测结果为是，第二次故障预测结果为是，则得出评估结果为严重态；

所述静态参数不更新；所述动态参数更新周期≤1个月；所述准动态参数定期或不定期更新，更新周期≥1个月；

所述动态参数包含：H₂含量、C₂H₆含量、C₂H₄含量、CO相对产气速率、CO₂相对产气速率、C₂H₂含量、CH₄含量变压器故障状态量；

所述准动态参数包含：绝缘电阻吸收比、极化指数、体积电阻率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、局部放电量、铁心接地电流、铁心绝缘电阻、绕组直流电阻互差、中性点油流静电电流、绝缘油介损、油中含水量、油击穿电压、油中含气量、糠醛含量、纸板聚合度；

所述静态参数包含：设备台帐参数和设备投运前的试验参数；

所述状态量预测算法包含：

待观测量为一时间序列函数y(t)，基于最小二乘法采用线性函数对y(t)进行分段拟合，

y(t)＝p(t-t₀)+y₀

式中，t₀为时间区间的起点；y₀为时刻t₀对应的数值；p为斜率，反应观测量的变化趋势，p＞0表示观测量在该时间区间整体趋势是上升，p＜0表示观测量在该时间区间整体趋势是下降，p＝0表示观测量在该时间区间整体趋势保持不变；

所述待观测量对应所述动态和准动态参数；

t₁时刻对应的线性近似值的特征分别为t₀₁、y₀₁和p₁，则k个采样时间以后，在t₁+kΔt时刻有

式中，Δt为步长。

5.如权利要求4所述一种基于多状态量预测的变压器状态评估方法，其特征在于，所述神经网络预测算法为三层神经网络模型，定义误差：

E_p＝0.5∑(T_pi-Y_pi)²

式中，Y_pi为输出节点p_i的计算输出，T_pi为对应的教师数据，激活函数为Sigmoid型函数，权值修正公式为：

ΔW_ij(n+1)＝hφ_iY_j+αΔW_ij(n)

式中：h为学习因子；φ_i为输出节点i的计算误差；Y_j为输出节点j的计算输出；α为动量因子，n代表迭代次数，ΔW_ij(n+1)代表第n+1次迭代计算得到的权值修正量，ΔW_ij(n)代表第n次迭代计算得到的权值修正量。

Images