CN109598061A - 一种变压器群平均寿命损失的监测方法 - Google Patents

Abstract

本发明公开了一种变压器群平均寿命损失的监测方法，包括以下步骤：获取变压器实测的热点温度、环境温度、负载电流数据；基于遗传编程建立显式的热点温度预测模型；结合所建热点预测模型及相对老化率模型计算变压器相对老化率；由相对老化率和寿命损失模型计算得出变压器平均寿命损失；根据变电所实时监测的环境温度、负载电流，实时监测同一线路或同一区域下同等容量型号变压器群的平均寿命损失。本发明的有益效果在于，仅需变电所实时监测的环境温度及负载电流，即可实现变压器平均寿命损失的在线监测；根据同一线路或同一区域中同等容量型号变压器的相似热特性及负荷特性，可实现该类变压器群平均寿命损失的批量监测。

Description

一种变压器群平均寿命损失的监测方法

技术领域

本发明涉及电气绝缘在线监测与故障诊断领域，特别是一种变压器群平均寿命损失的监测方法。

背景技术

变压器作为电力系统的核心设备，其高效安全运行对电力行业的运营发展起着至关重要的作用。变压器的工作寿命取决于内部绝缘性能，而热老化是其绝缘性能劣化的主要影响因素，温升对其设备的老化和绝缘的影响是变压器技术研究的重点和热点问题。温度越高，老化的速度越快，直接影响设备的使用寿命及经济效益。所以监测变压器内部绕组热点温度，进而求得平均寿命损失，可为变压器剩余寿命年限评估、维修替换、容量利用提供重要参考。

目前对于评估变压器平均寿命损失的方法普遍采用国标GB/T1094.7-2008里的计算公式，通过计算出相对老化率求得寿命损失，进而得到平均寿命损失，其中热点温度是计算相对老化率的关键参数，因而对于平均寿命损失的计算具有非常重大的影响。热点温度的计算方法一般有直接测量法与间接测量法。直接测量法由于运行维护困难、成本较高，难以推广应用；间接测量法误差较大，求解过程过于复杂，因此，以上方法均有一定局限性。若能有效利用关键影响因素进行热点温度建模，不仅可以精确评估变压器的平均寿命损失，而且可以进一步对同一线路或同一区域下同等容量型号的变压器群平均寿命损失进行批量监测，最大程度防止突发事故发生，减少运维成本，降低变压器寿命损失。

发明内容

针对上述技术问题，本发明的目的是提出一种变压器群平均寿命损失的监测方法，获取变压器的负载电流、热点温度和环境温度数据，利用遗传编程算法对数据进行驱动建模，建立热点温度预测模型，再结合实测数据、热点温度预测模型和平均寿命损失计算相关公式，求解出变压器的平均寿命损失，进而可实现同一线路或同一区域下同等容量型号的变压器群平均寿命损失的批量监测。

实现本发明目的的技术方案如下：

一种变压器群平均寿命损失的监测方法，包括：

第一步、依据实测的变压器负载电流、环境温度，结合热点温度预测模型，计算热点温度；

第二步、根据相对老化率模型计算变压器相对老化率，如下：

式中，V为相对老化率，θ_hs为热点温度；

第三步、根据变压器相对老化率和寿命损失模型，计算变压器平均寿命损失，如下：

式中，L为平均寿命损失，t₁为测量的起始时间，t₂为测量的终止时间，T为寿命损失的时间段，T＝t₂-t₁；

第四步、依据变电所监测变压器群中每台变压器的负载电流、环境温度，结合第一步到第三步，计算每台变压器的平均寿命损失，进而实现变压器群平均寿命损失的监测；

第一步中所述热点温度预测模型的获取方法如下：

(1)、获取一台装设光纤测温设备的变压器的热点温度、环境温度、负载电流数据；

(2)、设定热点温度预测模型的基本框架如下：

式中，θ_hs为热点温度；I_pu为负载系数，θ_amb为环境温度，t表示时间变量；

(3)、计算(1)中所获取的热点温度数据在时间上的微分值并将负载电流比上额定电流得到负载系数I_pu(k)，所获取的环境温度数据θ_amb(k)不变，其中k表示离散时间变量，即所得数据为采样得到的一组离散值，进一步将热点温度微分值、热点温度、负载系数及环境温度数据划分为训练集和预测集；

(4)、采用遗传编程算法对训练集数据进行驱动建模，建立显式的热点温度预测模型，具体如下：

1)初始化种群：设置遗传编程算法运行控制参数，由算法随机生成具有Z个函数个体的初代种群；

所述遗传编程算法运行控制参数包括：种群的函数个体数目Z、训练代数G、满足遗传编程终止规则所设阈值γ、函数个体的最大节点数N_m、适应度函数权系数α₁和α₂、交叉概率P_c及变异概率P_m的初始值、函数集、叶节点；

2)基于训练集数据通过适应度函数计算函数个体适应度大小，适应度值越小，函数个体越优，其中适应度函数设置如下：

式中，J_g,i为第g代种群中第i个函数个体的计算值，R(k)为训练集中的热点温度微分值，M为训练集大小，即训练集的数据组数，N₁为函数个体的节点数，ε_max为当前函数个体计算的最大平均绝对误差，α₁和α₂为适应度函数权系数；

3)选择：由轮盘赌法选择出用于进行遗传操作的函数个体；

4)对选出的函数个体执行遗传操作，生成下代种群，其中遗传操作包括函数个体的交叉及变异，对于交叉概率P_c、变异概率P_m将随着进化迭代不断地自适应变化，函数个体适应度越小，其被分配的交叉、变异概率越大；

5)重复执行以上第2)至第4)步，直到满足算法终止规则为止，其中终止规则具体设置为：

①相邻两代最大适应度值的差值达到预先设定的阈值γ，即：

|F_max(J_g,i+1)-F_max(J_g,i)|＜γ

式中F_max(J_g,i+1)和F_max(J_g,i)分别为相邻两代的最大适应度值；

②进化到预先确定的训练代数G；

满足以上其中一条规则即终止遗传编程算法的建模运行过程；

6)将遗传编程算法最后一代中适应度值最小的函数个体作为热点温度预测模型；

(5)、将预测集中负载系数、环境温度输入热点温度预测模型，预测变压器热点温度，并利用下式计算预测模型得到的热点温度预测值和预测集中的热点温度值二者的平均绝对误差MAE、平均相对误差MRE及拟合优度R²，若模型预测的平均绝对误差MAE小于2℃，平均相对误差MRE小于1.20％且拟合优度R²大于0.9，则预测精度达标，且选定该模型作为最终热点温度预测模型；否则视为预测精度不达标，改变遗传编程算法运行控制参数的取值，重复第(4)步至第(5)步，直到选定预测精度达标的热点温度预测模型；

式中，n为数据点数，f_i为通过预测模型得到的热点温度预测值，y_i为预测集中的热点温度的实测值，为预测集中热点温度的平均值；

第四步所述变压器群平均寿命损失的监测是指对变压器群中每一台变压器分别进行平均寿命损失的监测，其中的变压器群是指同一线路或同一区域下，同种容量型号的多台变压器。

本发明的有益效果在于，一种变压器群平均寿命损失的监测方法，具有以下优点：

1)仅需变电所实时监测的环境温度及负载电流，即可实现变压器平均寿命损失的在线监测；

2)根据同一线路或同一区域中同种容量型号变压器的相似热特性及负荷特性，所提方法可实现该类变压器群平均寿命损失的批量监测。

附图说明

图1为本发明建立的变压器群平均寿命损失的监测方法流程图。

具体实施方式

下面结合附图和具体实施过程对本发明进行进一步说明。需要强调的是，此处所描述的具体实施案例仅仅用于解释本发明，并不限定本发明构思及其权利要求之范围。

第一步、实测一台装设光纤测温设备的变压器的热点温度、环境温度、负载电流数据；

第二步、设定热点温度预测模型的基本框架如下：

式(1)中，θ_hs为热点温度；I_pu为负载系数，θ_amb为环境温度，t表示时间变量；

第三步、计算第一步所获取的热点温度数据在时间上的微分值并将负载电流比上额定电流得到负载系数I_pu(k)，所获取的环境温度数据θ_amb(k)不变，其中k表示数据的离散时间变量，即所得数据为采样得到的一组离散值，进一步将热点温度微分值、热点温度、负载系数及环境温度数据划分为训练集和预测集；

第四步、采用遗传编程算法对训练集数据进行驱动建模，建立显式热点温度的预测模型，具体如下：

1)设置遗传编程算法所需适应度函数，如下：

式(2)中，J_g,i为第g代种群中第i个函数个体的计算值，R(k)为训练集中的热点温度微分值，M为训练集大小，即训练集的数据组数，N₁为函数个体的节点数，ε_max为当前函数个体计算的最大平均绝对误差，α₁和α₂为适应度函数权系数；

2)设置遗传编程算法终止规则，如下：

(1)相邻两代最大适应度值的差值达到预先设定的阈值γ，即：

|F_max(J_g,i+1)-F_max(J_g,i)|＜γ (3)

式(3)中F_max(J_g,i+1)和F_max(J_g,i)为相邻两代的最大适应度值；

(2)进化到预先指定的训练代数G；

满足以上其中一条规则即终止遗传编程算法的建模运行过程；

3)设置遗传编程控制参数：包括进化控制参数中的初始化种群，所设置的算法控制参数，包括种群的函数个体数目Z、训练代数G、满足遗传编程终止规则所设阈值γ、函数个体的最大节点数N_m、适应度函数权系数α₁和α₂、交叉概率P_c及变异概率P_m的初始值、函数集、叶节点；

4)根据1)、2)、3)步所设条件，遗传编程算法将自动在计算机中实现如下运行步骤：

(1)初始化种群：根据设置遗传编程算法运行控制参数，由算法随机生成具有Z个函数个体的初代种群；

(2)根据适应度函数计算函数个体适应度大小，适应度值越小，函数个体越优；

(3)选择：根据轮盘赌法选择出用于进行遗传操作的函数个体；

(4)遗传操作：将选出函数个体进行交叉及变异操作，生成下代种群，其中交叉概率P_c、变异概率P_m将随着进化迭代不断地自适应变化，函数个体适应度越小，其被分配的交叉、变异概率越大；

(5)重复执行以上第(2)步至第(4)步，直到满足算法终止规则为止：

(6)将遗传编程算法最后一代中适应度值最小的函数个体作为热点温度预测模型；

第五步、将预测集中负载系数、环境温度输入热点温度预测模型，预测变压器热点温度，并利用下式计算预测模型得到的热点温度预测值和预测集中的热点温度值二者的平均绝对误差MAE、平均相对误差MRE及拟合优度R²，若模型预测的平均绝对误差MAE小于2℃，平均相对误差MRE小于1.20％且拟合优度R²大于0.9，则预测精度达标，且选定该模型作为最终热点温度预测模型；否则视为预测精度不达标，改变遗传编程算法运行控制参数的取值，重复第四步至第五步，直到选定预测精度达标的热点温度预测模型；

式中，n为数据点数，f_i为通过预测模型得到的热点温度预测值，y_i为预测集中的热点温度的实测值，为预测集中热点温度的平均值；

第六步、实测变压器的负载电流、环境温度，t₁为测量的起始时间，t₂为测量的终止时间；

第七步、依据实测数据结合热点温度预测模型，计算该变压器热点温度；

第八步、根据相对老化率模型计算该变压器相对老化率，如下：

式(5)中，V为相对老化率，θ_hs为热点温度；

第九步、根据变压器相对老化率和寿命损失模型，计算该变压器平均寿命损失，如下：

式(6)中，L为平均寿命损失，t₁为测量的起始时间，t₂为测量的终止时间，T为寿命损失的时间段，T＝t₂-t₁；

第十步、依据变电所监测的同一线路或同一区域下同种容量型号的变压器群中每台变压器的负载电流、环境温度，结合第七步到第十步，计算每台变压器的平均寿命损失。

Claims (1)

1.一种变压器群平均寿命损失的监测方法，其特征在于，包括以下步骤：

第一步、依据实测的变压器负载电流、环境温度，结合热点温度预测模型，计算热点温度；

第二步、根据相对老化率模型计算变压器相对老化率，如下：

式中，V为相对老化率，θ_hs为热点温度；

第三步、根据变压器相对老化率和寿命损失模型，计算变压器平均寿命损失，如下：

式中，L为平均寿命损失，t₁为测量的起始时间，t₂为测量的终止时间，T为寿命损失的时间段，T＝t₂-t₁；

第四步、依据变电所监测变压器群中每台变压器的负载电流、环境温度，结合第一步到第三步，计算每台变压器的平均寿命损失，进而实现变压器群平均寿命损失的监测；

第一步中所述热点温度预测模型的获取方法如下：

(1)、获取一台装设光纤测温设备的变压器的热点温度、环境温度、负载电流数据；

(2)、设定热点温度预测模型的基本框架如下：

式中，θ_hs为热点温度；I_pu为负载系数，θ_amb为环境温度，t表示时间变量；

(3)、计算(1)中所获取的热点温度数据在时间上的微分值并将负载电流比上额定电流得到负载系数I_pu(k)，所获取的环境温度数据θ_amb(k)不变，其中k表示离散时间变量，即所得数据为采样得到的一组离散值，进一步将热点温度微分值、热点温度、负载系数及环境温度数据划分为训练集和预测集；

(4)、采用遗传编程算法对训练集数据进行驱动建模，建立显式的热点温度预测模型，具体如下：

1)初始化种群：设置遗传编程算法运行控制参数，由算法随机生成具有Z个函数个体的初代种群；

所述遗传编程算法运行控制参数包括：种群的函数个体数目Z、训练代数G、满足遗传编程终止规则所设阈值γ、函数个体的最大节点数N_m、适应度函数权系数α₁和α₂、交叉概率P_c及变异概率P_m的初始值、函数集、叶节点；

2)基于训练集数据通过适应度函数计算函数个体适应度大小，适应度值越小，函数个体越优，其中适应度函数设置如下：

式中，J_g,i为第g代种群中第i个函数个体的计算值，R(k)为训练集中的热点温度微分值，M为训练集大小，即训练集的数据组数，N₁为函数个体的节点数，ε_max为当前函数个体计算的最大平均绝对误差，α₁和α₂为适应度函数权系数；

3)选择：由轮盘赌法选择出用于进行遗传操作的函数个体；

4)对选出的函数个体执行遗传操作，生成下代种群，其中遗传操作包括函数个体的交叉及变异，对于交叉概率P_c、变异概率P_m将随着进化迭代不断地自适应变化，函数个体适应度越小，其被分配的交叉、变异概率越大；

5)重复执行以上第2)至第4)步，直到满足算法终止规则为止，其中终止规则具体设置为：

①相邻两代最大适应度值的差值达到预先设定的阈值γ，即：

|F_max(J_g,i+1)-F_max(J_g,i)|＜γ

式中F_max(J_g,i+1)和F_max(J_g,i)分别为相邻两代的最大适应度值；

②进化到预先确定的训练代数G；

满足以上其中一条规则即终止遗传编程算法的建模运行过程；

6)将遗传编程算法最后一代中适应度值最小的函数个体作为热点温度预测模型；

(5)、将预测集中负载系数、环境温度输入热点温度预测模型，预测变压器热点温度，并利用下式计算预测模型得到的热点温度预测值和预测集中的热点温度值二者的平均绝对误差MAE、平均相对误差MRE及拟合优度R²，若模型预测的平均绝对误差MAE小于2℃，平均相对误差MRE小于1.20％且拟合优度R²大于0.9，则预测精度达标，且选定该模型作为最终热点温度预测模型；否则视为预测精度不达标，改变遗传编程算法运行控制参数的取值，重复第(4)步至第(5)步，直到选定预测精度达标的热点温度预测模型；

式中，n为数据点数，f_i为通过预测模型得到的热点温度预测值，y_i为预测集中的热点温度的实测值，为预测集中热点温度的平均值；

第四步所述变压器群平均寿命损失的监测是指对变压器群中每一台变压器分别进行平均寿命损失的监测，其中的变压器群是指同一线路或同一区域下，同种容量型号的多台变压器。