CN108663501A - 一种变压器油中溶解气体浓度预测方法和系统 - Google Patents
一种变压器油中溶解气体浓度预测方法和系统 Download PDFInfo
- Publication number
- CN108663501A CN108663501A CN201711229306.4A CN201711229306A CN108663501A CN 108663501 A CN108663501 A CN 108663501A CN 201711229306 A CN201711229306 A CN 201711229306A CN 108663501 A CN108663501 A CN 108663501A
- Authority
- CN
- China
- Prior art keywords
- model
- transformer
- load
- gas concentration
- oil temperature
- 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 26
- 238000010219 correlation analysis Methods 0.000 claims abstract description 20
- 230000002596 correlated effect Effects 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 239000007789 gas Substances 0.000 description 128
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- GCNLQHANGFOQKY-UHFFFAOYSA-N [C+4].[O-2].[O-2].[Ti+4] Chemical compound [C+4].[O-2].[O-2].[Ti+4] GCNLQHANGFOQKY-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提供了一种变压器油中溶解气体浓度预测方法和系统,包括:获取变压器的各特征气体浓度、油温和负荷数据的历史数据;对各特征气体浓度之间以及特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。该方法和系统能挖掘出与待预测选定气体相关性较大的因素作为输入变量,建立变压器油中溶解气体浓度预测模型,能够准确预测变压器各特征气体浓度,提升对变压器的掌控能力。
Description
技术领域
本发明属于电网设备状态监测技术领域,具体讲涉及一种变压器油中溶解气体浓度预测方法和系统。
背景技术
变压器故障早期诊断的最佳方法主要是油中溶解气体分析法,通过变压器油中溶解特征气体浓度能够捕捉到变压器设备故障的前兆。实际中,常用变压器油中溶解气体分析方法来监测和判断变压器在油样采集时的运行情况,及时发现变压器隐藏的缺陷或故障。其原理是:充油电力变压器在长期的运行过程中受到电或热的作用会老化和劣化,产生少量的特征气体溶解在变压器油中。总体来讲溶解气体的量是一个逐步平稳积累的过程,但在故障或异常发生时,气体含量数值会发生较大的变化。当前相关的技术主要考虑气体和气体间的关联关系,缺少对其他因素,例如油温和负荷的考虑;且检测到气体浓度发生较大变化时,故障已经发生了,缺乏对变压器故障的预判能力。
发明内容
为克服上述现有技术的不足,本发明提出一种变压器油中溶解气体浓度预测方法和系统。
实现上述目的所采用的解决方案为:
一种变压器油中溶解气体浓度预测方法,其改进之处在于:
获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
对所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
本发明提供的第一优选技术方案,其改进之处在于,所述对各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型,包括:
对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理;
对无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行灰关联相关性分析;
通过支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型。
本发明提供的第二优选技术方案,其改进之处在于,所述对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理之前,还包括:
根据时间和变压器ID,对变压器的各特征气体浓度、油温和负荷的历史数据进行关联。
本发明提供的第三优选技术方案,其改进之处在于,所述根据时间和变压器ID,对变压器的各特征气体浓度数据、油温和负荷的历史数据进行关联,包括:
采集预设历史时段内每日变压器的油温和负荷时间序列数据,统计并记录变压器每日油温的最大值和每日负荷的95概率值;
采集同一时段相同时间序列的变压器的各特征气体浓度数据;
根据时间和变压器ID关联所述各特征气体浓度、油温和负荷数据。
本发明提供的第四优选技术方案,其改进之处在于,所述对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理,包括
将所述各特征气体浓度、油温和负荷的历史数据均标准化为[-1,1]之间的值。
本发明提供的第五优选技术方案,其改进之处在于,所述对无量纲化处理后的所述各特征气体历史浓度数据、历史油温和历史负荷数据进行灰关联相关性分析,包括:
利用灰色关联分析方法,计算无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间的相关性,形成相关性交叉表。
本发明提供的第六优选技术方案,其改进之处在于,所述利用支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型,包括:
以选定的某一特征气体历史时刻浓度为输出,以与所述选定的特征气体相关性大于预设阈值的其他特征气体历史上一时刻的浓度和油温、负荷数据作为输入,利用无量纲化处理后的其他特征气体浓度、油温和负荷的历史数据作为训练样本进行支持向量机模型训练;
通过设置支持向量机算法的核参数类型、惩罚参数和核函数参数,构建所述变压器油中溶解气体浓度预测模型。
本发明提供的第七优选技术方案,其改进之处在于,所述建立变压器油中溶解气体浓度预测模型之后,还包括:
根据均方误差、均方根误差、解释方差、平均绝对误差和R-平方系数,评估所述变压器油中溶解气体浓度预测模型预测结果的准确性和适用性,对支持向量机算法进行优化,直到所述变压器油中溶解气体浓度预测模型的预测结果满足预设的业务需求。
一种变压器油中溶解气体浓度预测系统,其改进之处在于,包括数据获取模块、建模模块和预测模块;
所述数据获取模块用于获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
所述建模模块用于对所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
所述预测模块用于以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
本发明提供的第八优选技术方案,其改进之处在于,所述建模模块包括:无量纲化处理子单元、相关性分析子单元和建模子单元;
所述无量纲化处理子单元用于对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理;
所述相关性分析子单元用于对无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行灰关联相关性分析;
所述建模子单元用于通关支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型。
本发明提供的第九优选技术方案,其改进之处在于,所述建模模块还包括模型优化子单元;
所述模型优化子单元用于根据均方误差、均方根误差、解释方差、平均绝对误差和R-平方系数,评估所述变压器油中溶解气体浓度预测模型预测结果的准确性和适用性,对支持向量机算法进行优化,直到所述变压器油中溶解气体浓度预测模型的预测结果满足预设的业务需求。
与现有技术相比,本发明具有的有益效果如下:
本发明提供的方法和系统综合考虑变压器特征气体的浓度,以及变压器油温、负荷对特征气体的影响,利用大数据分析算法,探索变压器油中溶解特征气体之间的相关性以及特征气体与变压器设备负荷、油温之间的相关性,挖掘出与待预测选定气体相关性较大的因素作为输入变量,建立变压器油中溶解气体浓度预测模型,能够准确预测变压器各特征气体浓度,提升对变压器的掌控能力。
附图说明
图1为本发明提供的一种变压器油中溶解气体浓度预测方法流程示意图;
图2为本发明提供的一种变压器油中溶解气体浓度预测方法原理框架图。
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详细说明。
一种变压器油中溶解气体浓度预测方法流程如图1所示,包括:
获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
对各特征气体浓度之间以及特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
一种变压器油中溶解气体浓度预测方法原理框架图如图2所示,具体的,该方法流程包括:
步骤一:采集变压器的各特征气体浓度、油温和负荷的历史数据,并以时间和设备ID为标识进行数据关联。
1-1采集预设的历史时段,每一日的变压器设备的油温和负荷时间序列数据数据,统计并记录变压器设备每日油温的最大值和每日负荷的95概率值。预设的历史时段通常可设为预测日前30日。油温和负荷的历史数据可自OMS系统采集。
这里不使用负荷最大值,而使用95概率值的原因是:负荷曲线受某些突发因素的影响,可能存在毛峰尖刺,95概率值可以有效避开这些毛刺,从而更好的刻画了当日最大负荷特性。
1-2采集同一时段相同时间序列的变压器的各特征气体浓度数据。各特征气体浓度数据的来源可以是变压器的状态监视系统。
1-3根据时间和变压器ID关联各特征气体浓度、油温和负荷数据。即将同一变压器同一时间的各特征气体浓度、油温和负荷数据联系起来。
步骤二:对原始数据进行无量纲处理,消除各变量之间的量纲关系,使数据具有可比性,进行相关性分析。
2-1对关联后的变压器油中溶解特征气体和油温、负荷等数据进行数据无量纲化处理,标准化的每个变量取值都在[-1,1]之间。
2-2利用灰色关联分析方法,计算无量纲处理后的变压器设备各特征气体之间以及各特征气体与油温、负荷之间的相关性,形成相关性交叉表。
各变量之间的相关性越大,说明各特征气体之间以及特征气体与油温、负荷之间的关联程度越高,关系越紧密,其发展的趋势和速率越接近。剔除相关性较弱的信息,找出各特征气体之间以及与气体特征气体以及与油温、负荷相关性大于0.8预设阈值的相关变量定义为预测该目标气体的自变量。其中,该阈值可设为0.8。
步骤三:变压器设备油中溶解气体浓度预测模型的构建可以利用电网大数据分析探索工具,利用建模工具提供的支持向量机算法,构建变压器油中溶解气体浓度预测模型。
3-1油中溶解气体的浓度预测主要是针对能够表征变压器故障的特征气体浓度,包括H2(氢气)、CH4(甲烷)、C2H6(乙烷)、C2H4(乙烯)、C2H2(乙炔)、CO(一氧化碳)、CO2(二氧化碳)。将与选定的特征气体相关性大于0.8的相关变量作为输入变量,以下一时刻的选定的特征气体为输出变量,利用采集的历史时段的特征气体浓度、负荷和油温数据作为训练样本进行支持向量机模型训练。下一时刻可以取值为下一日。
3-2利用电网大数据分析的支持向量机算法,通过设置支持向量机算法的核参数类型、惩罚参数、核函数参数等算法参数,构建变压器油中溶解气体浓度预测模型。
步骤四:模型优化。通过建模工具提供的模型评估的均方误差、均方根误差、解释方差、平均绝对误差和R-平方系数等模型评估指标,综合评估模型预测结果的准确性、适用性,并对支持向量机算法的惩罚参数、核函数类型和核函数参数等条件参数进行优化,直到模型预测结果满足业务需求。
4-1在油中溶解特征气体浓度预测过程中,通过优化支持向量机算法的惩罚参数、核参数类型,例如线性、多形式或径向基函数,和核函数参数等相关参数,提升模型预测的准确性。
4-2需要对几种特征气体浓度进行预测,则需要分别构建基于支持向量机算法的预测模型,然后按照上述方法分别进行训练、评估,然后按照上述方法分别进行训练。
通过对各参数条件下的模型分别运行,对比均方误差、均方根误差、解释方差、平均绝对误差和R-平方系数等模型评估指标,当算法对应的模型参数中惩罚参数为2,核函数类型为线性、核函数参数为0.01时,模型的预测效果最好,将该组参数作为模型固化的参数。
步骤五:利用训练好的模型进行预测。将设定时刻的与选定的特征气体相关性大于0.8的相关特征气体、油温、负荷等数据作为输入变量,以选定的目标特征气体下一时刻浓度为输出,代入变压器油中溶解气体浓度预测模型,即可实现预测选定的特征气体下一时刻浓度的预测。
根据同一发明构思,本发明还提供了一种变压器油中溶解气体浓度预测系统,包括数据获取模块、建模模块和预测模块;
其中,数据获取模块用于获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
建模模块用于对各特征气体浓度之间以及特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
预测模块用于以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
进一步,建模模块包括:无量纲化处理子单元、相关性分析子单元和建模子单元;
无量纲化处理子单元用于对各特征气体浓度、油温和负荷的历史数据进行无量纲化处理;
相关性分析子单元用于对无量纲化处理后的各特征气体浓度之间以及特征气体浓度与油温、负荷之间进行灰关联相关性分析;
建模子单元用于通过支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型。
进一步,建模模块还包括模型优化子单元;
模型优化子单元用于根据均方误差、均方根误差、解释方差、平均绝对误差和R-平方系数,评估所述变压器油中溶解气体浓度预测模型预测结果的准确性和适用性,对支持向量机算法进行优化,直到所述变压器油中溶解气体浓度预测模型的预测结果满足预设的业务需求。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (11)
1.一种变压器油中溶解气体浓度预测方法,其特征在于:
获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
对所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
2.如权利要求1所述的方法,其特征在于,所述对各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型,包括:
对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理;
对无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行灰关联相关性分析;
通过支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型。
3.如权利要求2所述的方法,其特征在于,所述对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理之前,还包括:
根据时间和变压器ID,对变压器的各特征气体浓度、油温和负荷的历史数据进行关联。
4.如权利要求3所述的方法,其特征在于,所述根据时间和变压器ID,对变压器的各特征气体浓度数据、油温和负荷的历史数据进行关联,包括:
采集预设历史时段内每日变压器的油温和负荷时间序列数据,统计并记录变压器每日油温的最大值和每日负荷的95概率值;
采集同一时段相同时间序列的变压器的各特征气体浓度数据;
根据时间和变压器ID关联所述各特征气体浓度、油温和负荷数据。
5.如权利要求2所述的方法,其特征在于,所述对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理,包括
将所述各特征气体浓度、油温和负荷的历史数据均标准化为[-1,1]之间的值。
6.如权利要求2所述的方法,其特征在于,所述对无量纲化处理后的所述各特征气体历史浓度数据、历史油温和历史负荷数据进行灰关联相关性分析,包括:
利用灰色关联分析方法,计算无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间的相关性,形成相关性交叉表。
7.如权利要求2所述的方法,其特征在于,所述利用支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型,包括:
以选定的某一特征气体历史时刻浓度为输出,以与所述选定的特征气体相关性大于预设阈值的其他特征气体历史上一时刻的浓度和油温、负荷数据作为输入,利用无量纲化处理后的其他特征气体浓度、油温和负荷的历史数据作为训练样本进行支持向量机模型训练;
通过设置支持向量机算法的核参数类型、惩罚参数和核函数参数,构建所述变压器油中溶解气体浓度预测模型。
8.如权利要求2所述的方法,其特征在于,所述建立变压器油中溶解气体浓度预测模型之后,还包括:
根据均方误差、均方根误差、解释方差、平均绝对误差和R-平方系数,评估所述变压器油中溶解气体浓度预测模型预测结果的准确性和适用性,对支持向量机算法进行优化,直到所述变压器油中溶解气体浓度预测模型的预测结果满足预设的业务需求。
9.一种变压器油中溶解气体浓度预测系统,其特征在于,包括数据获取模块、建模模块和预测模块;
所述数据获取模块用于获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
所述建模模块用于对所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
所述预测模块用于以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
10.如权利要求9所述的系统,其特征在于,所述建模模块包括:无量纲化处理子单元、相关性分析子单元和建模子单元;
所述无量纲化处理子单元用于对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理;
所述相关性分析子单元用于对无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行灰关联相关性分析;
所述建模子单元用于通关支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型。
11.如权利要求9所述的系统,其特征在于,所述建模模块还包括模型优化子单元;
所述模型优化子单元用于根据均方误差、均方根误差、解释方差、平均绝对误差和R-平方系数,评估所述变压器油中溶解气体浓度预测模型预测结果的准确性和适用性,对支持向量机算法进行优化,直到所述变压器油中溶解气体浓度预测模型的预测结果满足预设的业务需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711229306.4A CN108663501A (zh) | 2017-11-29 | 2017-11-29 | 一种变压器油中溶解气体浓度预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711229306.4A CN108663501A (zh) | 2017-11-29 | 2017-11-29 | 一种变压器油中溶解气体浓度预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108663501A true CN108663501A (zh) | 2018-10-16 |
Family
ID=63784990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711229306.4A Pending CN108663501A (zh) | 2017-11-29 | 2017-11-29 | 一种变压器油中溶解气体浓度预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108663501A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543197A (zh) * | 2018-12-05 | 2019-12-06 | 中车长春轨道客车股份有限公司 | 一种控制列车主变压器工作的方法及装置 |
CN111562036A (zh) * | 2020-05-14 | 2020-08-21 | 广东电网有限责任公司 | 一种变压器油温表在线校验方法 |
CN112036436A (zh) * | 2020-07-23 | 2020-12-04 | 国网江苏省电力有限公司检修分公司 | 一种调相机油温预测系统的数据噪声处理方法及处理系统 |
US20210350050A1 (en) * | 2020-05-06 | 2021-11-11 | Wuhan University | Method and system for predicting gas content in transformer oil based on joint model |
CN113959956A (zh) * | 2021-10-21 | 2022-01-21 | 河北卫讯电力自动化设备有限公司 | 一种变压器油中溶解气体双腔室光声光谱监测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735761A (zh) * | 2012-06-26 | 2012-10-17 | 河海大学 | 基于相关向量机的变压器油色谱数据预测方法 |
CN102778555A (zh) * | 2012-08-06 | 2012-11-14 | 国网技术学院 | 预测变压器油中溶解气体浓度的方法 |
CN103592374A (zh) * | 2013-11-18 | 2014-02-19 | 国家电网公司 | 一种基于d-s证据理论的变压器油色谱数据预测方法 |
CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
CN107664690A (zh) * | 2017-07-28 | 2018-02-06 | 国网信通亿力科技有限责任公司 | 一种预测变压器油中溶解气体浓度的方法 |
-
2017
- 2017-11-29 CN CN201711229306.4A patent/CN108663501A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735761A (zh) * | 2012-06-26 | 2012-10-17 | 河海大学 | 基于相关向量机的变压器油色谱数据预测方法 |
CN102778555A (zh) * | 2012-08-06 | 2012-11-14 | 国网技术学院 | 预测变压器油中溶解气体浓度的方法 |
CN103592374A (zh) * | 2013-11-18 | 2014-02-19 | 国家电网公司 | 一种基于d-s证据理论的变压器油色谱数据预测方法 |
CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
CN107664690A (zh) * | 2017-07-28 | 2018-02-06 | 国网信通亿力科技有限责任公司 | 一种预测变压器油中溶解气体浓度的方法 |
Non-Patent Citations (1)
Title |
---|
司马莉萍等: "基于灰关联和模糊支持向量机的变压器油中溶解气体浓度的预测", 《电力系统保护与控制》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543197A (zh) * | 2018-12-05 | 2019-12-06 | 中车长春轨道客车股份有限公司 | 一种控制列车主变压器工作的方法及装置 |
CN110543197B (zh) * | 2018-12-05 | 2021-04-02 | 中车长春轨道客车股份有限公司 | 一种控制列车主变压器工作的方法及装置 |
US20210350050A1 (en) * | 2020-05-06 | 2021-11-11 | Wuhan University | Method and system for predicting gas content in transformer oil based on joint model |
US11914936B2 (en) * | 2020-05-06 | 2024-02-27 | Wuhan University | Method and system for predicting gas content in transformer oil based on joint model |
CN111562036A (zh) * | 2020-05-14 | 2020-08-21 | 广东电网有限责任公司 | 一种变压器油温表在线校验方法 |
CN112036436A (zh) * | 2020-07-23 | 2020-12-04 | 国网江苏省电力有限公司检修分公司 | 一种调相机油温预测系统的数据噪声处理方法及处理系统 |
CN112036436B (zh) * | 2020-07-23 | 2024-02-13 | 国网江苏省电力有限公司检修分公司 | 一种调相机油温预测系统的数据噪声处理方法及处理系统 |
CN113959956A (zh) * | 2021-10-21 | 2022-01-21 | 河北卫讯电力自动化设备有限公司 | 一种变压器油中溶解气体双腔室光声光谱监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108663501A (zh) | 一种变压器油中溶解气体浓度预测方法和系统 | |
CN110518880B (zh) | 一种光伏电站状态诊断方法及装置 | |
WO2018176863A1 (zh) | 配电网可靠性投资经济效益分析方法及装置、存储介质 | |
CN111103565B (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
CN107992410A (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
Groba et al. | Architecture of a predictive maintenance framework | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
Lin et al. | The impact of inspection errors, imperfect maintenance and minimal repairs on an imperfect production system | |
CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 | |
CN111339661B (zh) | 一种高压电缆巡检周期自动规划方法 | |
CN112415437A (zh) | 基于多元线性回归模型的高压开关柜电缆触头故障检测方法 | |
CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及系统 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN107664690B (zh) | 一种预测变压器油中溶解气体浓度的方法 | |
CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
CN110134040B (zh) | 工业设备的运行数据的处理方法及系统 | |
CN101789091A (zh) | 视频清晰度自动识别系统及其方法 | |
Cheng et al. | Deep reinforcement learning for cost-optimal condition-based maintenance policy of offshore wind turbine components | |
CN107194529B (zh) | 基于挖掘技术的配电网可靠性经济效益分析方法及装置 | |
CN112580875B (zh) | 一种配电装置的故障预测方法及系统 | |
CN114970904A (zh) | 一种基于缺陷处理的接触网运营维修资源数字化调整方法 | |
CN115496233A (zh) | 一种基于马尔可夫模型的数据中台运行故障预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |
|
RJ01 | Rejection of invention patent application after publication |