CN107358366B - 一种配电变压器故障风险监测方法及系统 - Google Patents
一种配电变压器故障风险监测方法及系统 Download PDFInfo
- Publication number
- CN107358366B CN107358366B CN201710594531.1A CN201710594531A CN107358366B CN 107358366 B CN107358366 B CN 107358366B CN 201710594531 A CN201710594531 A CN 201710594531A CN 107358366 B CN107358366 B CN 107358366B
- Authority
- CN
- China
- Prior art keywords
- equipment
- fault
- model
- data
- result
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000012795 verification Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000011208 chromatographic data Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 6
- 239000005977 Ethylene Substances 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 101100299693 Schizosaccharomyces pombe (strain 972 / ATCC 24843) ade3 gene Proteins 0.000 claims description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种配电变压器故障风险监测方法及系统，属于变压器技术领域。通过构建一套完备的故障分析监测方法及系统，克服了由于配电变压器种类、型号、部署环境呈现出多样化特征，且各类型配电变压器技术参数、运行原理不同，单一模型无法解决所有问题的技术问题。采用由配电网变压器、设备故障根因库、分析及预测模块、断路器、线路等模块及设备组成的方法及系统，有效的完成整体配电变压器故障风险监测。
Description
技术领域
本发明属于变压器技术领域，涉及一种配电变压器故障风险监测方法及系统。
背景技术
电力变压器是电力系统的枢纽设备,在电力系统中承担着电压变换、电能分配和转移的重任,变压器的正常运行是电力系统安全、可靠、优质、经济运行的重要保证,其运行可靠性直接关系到电力系统的安全与稳定。电压等级越高,容量越大,电力变压器的故障率也就越高。而且由于电力变压器故障的复杂性和多样性,如果发生故障,影响的范围都比较大,同时引起这些故障的原因却非常复杂且不明显,要准确地判断电力变压器故障类型及故障发生部位相当困难,检修时间和难度都会大大提高。
目前，现有技术对变压器的评估方法很多，大多以预防性试验为主。CN201410605718.3公开了一种基于蝴蝶节模型的变压器故障风险评估方法等。然而，现有技术的分析方法只是对设备状态数据进行采集，在发生故障后对配电变压器进行检修，对于设备的定期监测与提前检修预防故障风险并没有相对应的方法，导致检修成本增加、供电服务质量较差。缺乏针对配电变压器的状态监测、故障诊断、需检修的时间、内容、方式进行分析的方法。由于缺乏完整且合理的闭环体系对配电变压器的风险预测、检修计划的制定、检修结果的反馈、后续状态的跟踪这一系列生命周期的活动进行综合管理，使得现有的设备状态指标或检修数据只是零散的存放在系统数据库中，无法建立起合理的分析与管理体系。
发明内容
为了弥补现有技术中存在的不足，克服现有技术缺乏针对配电变压器的状态监测、故障诊断、需检修的时间、内容、方式分析技术不足，本发明提供一种配电变压器故障风险监测方法及系统，以解决现有技术不足。
为实现上述目的，本发明的技术方案是：
一种配电变压器故障风险监测系统整体架构主要由配电网变压器、设备故障根因库、分析及预测模块(包含数据输入模块、知识模块、故障预测模块与分析结果输出模块)、断路器、线路等设备组成，整个系统满足功率需求。一种配电变压器故障风险监测方法，该方法的步骤如下(如图1所示)：
步骤一：开始程序启动；
步骤二：获取当前在线变压器运行状态；
步骤三：数据输入，已发生故障的设备信息进行收集汇总；
进一步的，构建所需的6大类数据输入数据源：设备基础数据、设备试验报告数据、设备在线监测数据、设备运行数据、故障分析报告、设备状态评价导则。
将输变电在线监测系统中某一台当前的油色谱数据输入模型，并通过油色谱数据计算三比值。三比值法是电力行业推荐的作为判断充油电气设备故障类型的主要方法。三比值法是用5种气体的3对比值以不同的编码表示。
步骤四：分解各类型设备的不同故障关键影响因素，构建设备故障根因库；
首先，输入同一批次设备每一天(该频率可任意设定，只需小于在线监测频率即可)的油色谱数据，并计算出每一天的三比值。之后，剔除可以依据设备状态评价导则直接判断出已经发生故障的那些日期的三比值，最后用聚类算法对剩余的三比值数据进行聚类分析。
接下来，根据聚类分析的结果确定出能够判断配电变压器将要发生故障的三比值的阈值，而这一问题等同于找出每一类中三比值的最大值和最小值。
通过分析每一类中三比值的最大值和最小值，可以推断出设备发生故障前t(t≥1)天之内的三比值的阈值范围是：乙炔/乙烯为MIN11≤Ratio≤MAX11；甲烷/氢气为MIN12≤Ratio≤MAX12；乙烯/乙烷为MIN13≤Ratio≤MAX13。
步骤五：依据不同设备的各种故障特征选取合适的算法建立预测分析模型；
在数据输入及知识库建立的基础上，针对各类型设备，分别按照其对应知识层归集的规则(包括形成的综合指标、影响因素异常判定标准等)创建故障预测模型，对各类型故障的发生概率进行预估，从而实现对配电变压器未来发生故障可能性的预测。
步骤六：进入分析及监测模块；
进一步的，分析结果输出与验证层作为设备故障风险分析模型的重要层级，其主要作用体现在模型结果输出、模型优化及反馈验证、模型优化、输出结果反馈验证。
步骤七：检测变压器设备是否正常，如果正常，检测结束；如果不正常，返回步骤四，查找分析故障原因，进行配电变压器的风险预测、检修计划的制定、检修结果的反馈，检修完毕后返回步骤七。
本发明的有益效果是，本发明通过构建一套完备的故障分析监测方法及系统，克服了由于配电变压器种类、型号、部署环境呈现出多样化特征，且各类型配电变压器技术参数、运行原理不同，单一模型无法解决所有问题的技术问题。完整且合理的闭环监测方法及系统可以对配电变压器的风险预测、检修计划的制定、检修结果的反馈、后续状态的跟踪进行完整而合理的分析监控，避免了人工操作的不足。
附图说明
图1是本发明配电变压器故障风险监测整体架构示意图；
图2是本发明配电变压器故障风险监测分析与监测模块流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明，数据输入层是配电变压器故障风险分析模型的建立的基础，依靠大量数据的输入作为支撑，并对数据进行逻辑梳理、数据清洗和预处理。知识库是将专家的故障分析经验制定成标准化的规则，知识库的建立需要大量数据的支撑，即需要对故障分析报告的全量挖掘，最终全部设备类型的知识链构成了整个体系的第二个层级知识库。针对各类型设备，分别按照其对应知识层归集的规则(包括形成的综合指标、影响因素异常判定标准等)创建故障预测模型，对各类型故障的发生概率进行预估，从而实现对设备未来发生故障可能性的预测。分析结果输出与验证层作为设备故障风险分析模型的重要层级，其主要作用体现在模型结果输出、模型优化及反馈验证两方面。经过不断训练和优化状态/故障预测模型，模型的预测准确率将呈现递增趋势，知识库也将更加完善。下面分层详细介绍配电变压器故障风险分析监测方法的详细技术方案，包括以下步骤：
一种配电变压器故障风险监测方法，该方法的步骤如下：
步骤一：开始程序启动；
步骤二：获取当前在线变压器运行状态；
步骤三：数据输入，已发生故障的设备信息进行收集汇总，如附图2所示；
数据输入层是配电变压器故障风险分析和监测的基础，依靠大量数据的输入作为支撑，并对数据进行逻辑梳理、数据清洗和预处理。
进一步的，构建所需的6大类数据输入数据源：设备基础数据、设备试验报告数据、设备在线监测数据、设备运行数据、故障分析报告、设备状态评价导则。
设备基础数据和设备试验报告数据来源于PMS2.0系统，设备在线监测数据来源于调度EMS系统和输变电在线监测系统，设备运行数据(状态评价、不良工况、故障记录、隐患记录和缺陷记录)来源于PMS2.0系统，故障分析报告来源于国网辽宁省电力科学研究院，设备状态评价导则来源于国家标准和电力行业标准。
将输变电在线监测系统中某一台当前的油色谱数据输入模型，并通过油色谱数据计算三比值。三比值法是电力行业推荐的作为判断充油电气设备故障类型的主要方法。三比值法是用5种气体的3对比值以不同的编码表示。
步骤四：分解各类型设备的不同故障关键影响因素，构建设备故障根因库，如附图2所示；
通过数据输入层的数据计算，仅仅只能判断出配电变压器发生故障时所对应的三比值的组合，但无法判断出设备发生故障前的三比值的情况，因此难以用于对设备未来状态的预测。接下来需要建立以配电变压器故障记录为基础的知识库。针对各类型设备，分别按照其对应知识层归集的规则(包括形成的综合指标、影响因素异常判定标准等)创建故障预测模型，对各类型故障的发生概率进行预估，从而实现对设备未来发生故障可能性的预测。
首先，输入同一批次设备每一天(该频率可任意设定，只需小于在线监测频率即可)的油色谱数据，并计算出每一天的三比值。
其次，剔除可以依据设备状态评价导则直接判断出已经发生故障的那些日期的三比值，最后用聚类算法对剩余的三比值数据进行聚类分析。
接下来，根据聚类分析的结果确定出能够判断配电变压器将要发生故障的三比值的阈值，而这一问题等同于找出每一类中三比值的最大值和最小值。
通过分析每一类中三比值的最大值和最小值，可以推断出设备发生故障前t(t≥1)天之内的三比值的阈值范围是：乙炔/乙烯为MIN11≤Ratio≤MAX11；甲烷/氢气为MIN12≤Ratio≤MAX12；乙烯/乙烷为MIN13≤Ratio≤MAX13。
步骤五：依据不同设备的各种故障特征选取合适的算法建立预测分析模型，如附图2所示；
在数据输入及知识库建立的基础上，针对各类型设备，分别按照其对应知识层归集的规则(包括形成的综合指标、影响因素异常判定标准等)创建故障预测模型，对各类型故障的发生概率进行预估，从而实现对配电变压器未来发生故障可能性的预测。
通过在输入层输入设备的实验数据和缺陷记录的当前值，实时监测记录以及运行工况的预测值等，调取知识库层对应设备的知识块及故障预测层人工神经网络模型，进行遍历的故障预测。神经网络是一组连接的输入/输出单元，其中每个连接都与一个权重相关联，在学习阶段，通过调整这些权重，使得它能够预测输入元组的正确类标号来学习。训练前需确定网络拓扑，说明输入层的单元数、隐藏层数、每个隐藏层的单元数和输出层的单元数。属性规范化有助于加快学习过程。通过使用准确率估计的交叉验证技术，帮助确定可接受的网络。
通过知识库中调取出的规则，模型将根据三比值对配电变压器未来的状态进行预测。设备状态的预测结果分为了分正常情况和警示情况。若模型对设备状态预测出的结果属于正常情况，则不作处理，若模型对设备状态预测出的结果属于警示情况，则说明设备未来状态不良，有较高的机率发生故障。
在此情况下，需要给出相应的可能发生的故障类型，例如低温过热(低于150℃)、中温过热(150-300℃)、高温过热(高于700℃)、局部放电、低能放电、低能放电兼过热、电弧放电及电弧放电兼过热等，利用知识库中的关联规则，简单统计所有含一个类型故障出现的频率，并找出那些不小于最小支持度的故障事件，从第二步开始循环处理直到再没有最大项集生成，然后对知识库进行搜索，得到侯选项集的项集支持度，与最小支持度比较，从而找到k维最大项集，即根据设备基础信息、外部环境数据及历史三比值情况分别计算发生各类故障的概率，得出设备最有可能发生的故障的类型。
步骤六：进入分析及监测模块，如附图2所示；
进一步的，分析结果输出与验证层作为设备故障风险分析模型的重要层级，包括以下方面：
模型结果输出。通过输入层、知识库层和状态/故障预测层的建模分析输出模型计算结果，以及计算结果的理论解释。模型结果是针对要预测的设备，通过调用知识库层中设备相关数据作为输入，并在状态/故障预测层中经过数据挖掘算法计算得出。最后输出的模型结果不仅描述设备是否发生故障，而且针对不同故障类型，得出设备可能发生的概率。
模型优化及反馈验证是继输出分析结果之后，对模型作进一步完善。根据输出结果对建模的输入层、知识库层和状态/故障预测层进行反馈验证，反复验证并优化建立的模型。
模型优化方面，主要是模型精度及预测准确率的改善。设备运行环境及状态是实时变化的，易知设备故障预测模型受实时状态量、实验数据等多方面因素影响，通过设备实际状态与模型输出结果比照，对模型进行优化。例如，部分因素对设备状态/故障影响占比增高，则需要训练模型作权重调整；模型输出结果未能明确鉴别属于某类故障类型时，若由于某些因素未被考虑，则需要增加变量来提高模型精度。
输出结果反馈验证方面，主要是通过结果反馈，更新和完善输入层、知识库和状态/故障预测层。输出结果的准确率指导输入层中需要输入的自变量，即增、删、调整相应的自变量。输出结果对知识层的反馈与完善：输出结果即预测准确度，体现建立模型需要的知识范畴，以及故障类型与知识间的关联性；模型输出结果也结合输入信息、知识库形成新的知识被存放在知识库，从而不断完善知识库。输出结果可以对分析层中预测模型进行调整，例如类似模型间的差异化考虑。经过不断训练和优化状态/故障预测模型，模型的预测准确率呈现递增趋势，知识库较完善。
步骤七：检测变压器设备是否正常，如果正常，检测结束；如果不正常，返回步骤四，查找分析故障原因，进行配电变压器的风险预测、检修计划的制定、检修结果的反馈，检修完毕后返回步骤七。
若故障预测层中预测结果属于正常情况，则业务人员不安排检修，若预测结果为设备将会发生某一类型的故障，则业务人员安排检修，或安排电科院专家进一步进行更加精确的完整试验流程试验以检验设备故障风险分析模型的预测结果。
配电变压器故障风险监测系统，采用上述方法完成，整体架构主要由配电网变压器、设备故障根因库、分析及预测模块(包含数据输入模块、知识模块、故障预测模块与分析结果输出模块)、断路器、线路等设备组成，整个系统满足功率需求。
以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。
Claims (6)
1.一种配电变压器故障风险监测方法，其特征在于，该方法包括以下步骤：
步骤一：开始程序启动；
步骤二：获取当前在线变压器运行状态；
步骤三：数据输入，已发生故障的设备信息进行收集汇总；
步骤四：分解各类型设备的不同故障关键影响因素，构建设备故障根因库；
步骤五：依据不同设备的各种故障特征选取合适的算法建立预测分析模型；
步骤六：进入分析及监测模块：进行模型结果输出、模型优化及反馈验证、模型优化、输出结果反馈验证；
步骤七：检测变压器设备是否正常，如果正常，检测结束；如果不正常，返回步骤四，查找分析故障原因，进行配电变压器的风险预测、检修计划的制定、检修结果的反馈，检修完毕后返回步骤七；
步骤三所述的故障设备信息步骤，构建6大类数据输入数据源：设备基础数据、设备试验报告数据、设备在线监测数据、设备运行数据、故障分析报告、设备状态评价导则；
步骤四故障根因库构建方法包括：
首先，输入同一批次设备每一天的油色谱数据，并计算出每一天的三比值。其次，剔除可以依据设备状态评价导则直接判断出已经发生故障的那些日期的三比值，最后用聚类算法对剩余的三比值数据进行聚类分析；
再次，根据聚类分析的结果确定出能够判断配电变压器将要发生故障的三比值的阈值，而这一问题等同于找出每一类中三比值的最大值和最小值；
步骤五建立预测分析模型，通过在输入层输入设备的实验数据和缺陷记录的当前值，实时监测记录以及运行工况的预测值，调取知识库层对应设备的知识块及故障预测层人工神经网络模型，进行遍历的故障预测；
步骤六分析结果输出与验证层包括模型结果输出、模型优化及反馈验证、模型优化、输出结果反馈验证；
模型结果输出；通过输入层、知识库层和状态/故障预测层的建模分析输出模型计算结果，以及计算结果的理论解释；模型结果是针对要预测的设备，通过调用知识库层中设备相关数据作为输入，并在状态/故障预测层中经过数据挖掘算法计算得出；最后输出的模型结果描述设备是否发生故障，且针对不同故障类型，得出设备可能发生的概率；
模型优化及反馈验证是根据输出结果对建模的输入层、知识库层和状态/故障预测层进行反馈验证，反复验证并优化建立的模型；
输出结果反馈验证方面，通过结果反馈，更新和完善输入层、知识库和状态/故障预测层；
神经网络是一组连接的输入/输出单元，其中每个连接都与一个权重相关联，在学习阶段，通过调整这些权重，使得它能够预测输入元组的正确类标号来学习。训练前需确定网络拓扑，说明输入层的单元数、隐藏层数、每个隐藏层的单元数和输出层的单元数。属性规范化有助于加快学习过程， 通过使用准确率估计的交叉验证技术，帮助确定可接受的网络；
利用知识库中的关联规则，简单统计所有含一个类型故障出现的频率，并找出那些不小于最小支持度的故障事件，从第二步开始循环处理直到再没有最大项集生成，然后对知识库进行搜索，得到侯选项集的项集支持度，与最小支持度比较，从而找到k维最大项集，即根据设备基础信息、外部环境数据及历史三比值情况分别计算发生各类故障的概率，得出设备最有可能发生的故障的类型。
2.如权利要求1所述的一种配电变压器故障风险监测方法，其特征在于，步骤三所述的故障设备信息步骤，采用三比值法，将输变电在线监测系统中某一台当前的油色谱数据输入模型，并通过油色谱数据计算三比值。
3.如权利要求1所述的一种配电变压器故障风险监测方法，其特征在于，步骤四故障根因库构建方法，通过分析每一类中三比值的最大值和最小值，推断出设备发生故障前t(t≥1)天之内的三比值的阈值范围是：乙炔/乙烯为MIN11≤Ratio≤MAX11；甲烷/氢气为MIN12≤Ratio≤MAX12；乙烯/乙烷为MIN13≤Ratio≤MAX13。
4.如权利要求1所述的一种配电变压器故障风险监测方法，其特征在于，步骤五分析预测模型：在数据输入及知识库建立的基础上，针对各类型设备，分别按照其对应知识层归集的规则创建故障预测模型，对各类型故障的发生概率进行预估，从而实现对配电变压器未来发生故障可能性的预测。
5.如权利要求1所述的一种配电变压器故障风险监测方法，其特征在于，步骤五建立预测分析模型，通过知识库中调取出的规则，模型根据三比值对配电变压器未来的状态进行预测。
6.如权利要求1所述的一种配电变压器故障风险监测方法，其特征在于，步骤五设备状态的预测结果分为分正常情况和警示情况；若模型对设备状态预测出的结果属于正常情况，则不作处理；若模型对设备状态预测出的结果属于警示情况，则设备未来状态不良，有较高的机率发生故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710594531.1A CN107358366B (zh) | 2017-07-20 | 2017-07-20 | 一种配电变压器故障风险监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710594531.1A CN107358366B (zh) | 2017-07-20 | 2017-07-20 | 一种配电变压器故障风险监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107358366A CN107358366A (zh) | 2017-11-17 |
| CN107358366B true CN107358366B (zh) | 2020-11-06 |
Family
ID=60284579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710594531.1A Active CN107358366B (zh) | 2017-07-20 | 2017-07-20 | 一种配电变压器故障风险监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107358366B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020029155A1 (en) * | 2018-08-09 | 2020-02-13 | Abb Schweiz Ag | Method for monitoring circuit breaker and apparaus and internet of things using the same |
| CN109471376A (zh) * | 2018-11-06 | 2019-03-15 | 江西北斗变电科技有限公司 | 一种基于数据融合的变压器远程智能控制系统及控制方法 |
| CN109655712A (zh) * | 2019-01-14 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网线路故障原因分析方法与系统 |
| CN109768625A (zh) * | 2019-03-29 | 2019-05-17 | 国网山东省电力公司费县供电公司 | 一种电力系统检修管理终端及方法 |
| CN110244188A (zh) * | 2019-07-10 | 2019-09-17 | 南方电网科学研究院有限责任公司 | 一种电网故障诊断方法、装置及配电开关监控终端 |
| CN110472671B (zh) * | 2019-07-24 | 2023-05-12 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
| CN111884803B (zh) * | 2020-05-29 | 2021-04-20 | 成都德承科技有限公司 | 一种基于图形化建模结果的数据处理方法 |
| CN112016743A (zh) * | 2020-08-24 | 2020-12-01 | 广东电网有限责任公司 | 电网设备的检修预测方法、装置、计算机设备和存储介质 |
| CN113610167B (zh) * | 2021-08-10 | 2022-06-24 | 宿迁旺春机械制造有限公司 | 基于度量学习与视觉感知的设备风险检测方法 |
| CN113916289A (zh) * | 2021-09-30 | 2022-01-11 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种矿山设备的健康状态监测系统及方法 |
| CN114142468A (zh) * | 2021-12-01 | 2022-03-04 | 重庆锦禹云能源科技有限公司 | 一种配电变台的异常监控和运维系统及方法 |
| CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及系统 |
| CN115561565B (zh) * | 2022-12-05 | 2023-03-03 | 济宁矿业集团海纳科技机电股份有限公司 | 一种基于网络通信的高压变频器监测装置及方法 |
| CN115796434B (zh) * | 2023-01-29 | 2023-05-23 | 北京飞利信信息安全技术有限公司 | 一种用于配电网的管控方法、装置、电子设备及存储介质 |
| CN116466237B (zh) * | 2023-03-23 | 2024-04-02 | 苏州腾圣技术有限公司 | 一种锂电池的充电安全监测预警方法及系统 |
| CN117630543A (zh) * | 2023-11-30 | 2024-03-01 | 国网湖北省电力有限公司超高压公司 | 基于物联网数据的变压器故障状态监管方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663535A (zh) * | 2012-03-01 | 2012-09-12 | 广东电网公司广州供电局 | 变压器的技术性能及财务信息的管理方法及装置 |
| CN103675518A (zh) * | 2013-09-29 | 2014-03-26 | 广州供电局有限公司 | 油浸式高压设备检修方法及装置 |
| CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
| CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
| CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
| CN105223293A (zh) * | 2015-11-09 | 2016-01-06 | 江苏省电力公司电力科学研究院 | 基于油色谱在线监测的变压器状态预警方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106066432B (zh) * | 2016-05-26 | 2018-02-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
| CN106874511B (zh) * | 2017-03-06 | 2020-05-05 | 云南电网有限责任公司电力科学研究院 | 一种基于绝缘子金属附件腐蚀电荷量预测系统的数据库 |
-
2017
- 2017-07-20 CN CN201710594531.1A patent/CN107358366B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663535A (zh) * | 2012-03-01 | 2012-09-12 | 广东电网公司广州供电局 | 变压器的技术性能及财务信息的管理方法及装置 |
| CN103675518A (zh) * | 2013-09-29 | 2014-03-26 | 广州供电局有限公司 | 油浸式高压设备检修方法及装置 |
| CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
| CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
| CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
| CN105223293A (zh) * | 2015-11-09 | 2016-01-06 | 江苏省电力公司电力科学研究院 | 基于油色谱在线监测的变压器状态预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107358366A (zh) | 2017-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
| CN106054104B (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
| MX2013000577A (es) | Aprendizaje de maquina para redes electricas. | |
| CN107967485A (zh) | 用电计量设备故障分析方法及装置 | |
| CN108051709A (zh) | 基于人工智能技术的变压器状态在线评估分析方法 | |
| CN110222889B (zh) | 基于多种智能算法的配电网馈线自动化终端配置方法 | |
| CN104917085A (zh) | 一种优化可靠性与经济性的变压器检修决策方法 | |
| CN103926490A (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
| CN112949874B (zh) | 一种配电终端缺陷特征自诊断方法及系统 | |
| CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
| CN114397526A (zh) | 状态全息感知数据驱动的电力变压器故障预测方法及系统 | |
| CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
| CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
| CN113850017A (zh) | 一种基于潮流变化图谱的系统级故障分析系统及方法 | |
| CN103675518A (zh) | 油浸式高压设备检修方法及装置 | |
| CN111091292A (zh) | 一种核电站实时风险动态建模分析系统 | |
| CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
| CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
| CN114399177A (zh) | 一种基于Apriori的调度处置规则挖掘与生成方法及系统 | |
| Zhang et al. | Research on intelligent operation and maintenance technology of primary equipment in substation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |