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

一种变压器群平均寿命损失的监测方法 Download PDF

Info

Publication number
CN109598061A
CN109598061A CN201811464865.8A CN201811464865A CN109598061A CN 109598061 A CN109598061 A CN 109598061A CN 201811464865 A CN201811464865 A CN 201811464865A CN 109598061 A CN109598061 A CN 109598061A
Authority
CN
China
Prior art keywords
hot
transformer
test
spot temperature
value
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
Application number
CN201811464865.8A
Other languages
English (en)
Inventor
黄林
郭蕾
唐浩龙
王健
袁帅
王路伽
周利军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201811464865.8A priority Critical patent/CN109598061A/zh
Publication of CN109598061A publication Critical patent/CN109598061A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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,θhs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,θhs为热点温度;Ipu为负载系数,θamb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Ipu(k),所获取的环境温度数据θamb(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Nm、适应度函数权系数α1和α2、交叉概率Pc及变异概率Pm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,Jg,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,εmax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Pc、变异概率Pm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:
|Fmax(Jg,i+1)-Fmax(Jg,i)|<γ
式中Fmax(Jg,i+1)和Fmax(Jg,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,fi为通过预测模型得到的热点温度预测值,yi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,θhs为热点温度;Ipu为负载系数,θamb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Ipu(k),所获取的环境温度数据θamb(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,Jg,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,εmax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:
|Fmax(Jg,i+1)-Fmax(Jg,i)|<γ (3)
式(3)中Fmax(Jg,i+1)和Fmax(Jg,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Nm、适应度函数权系数α1和α2、交叉概率Pc及变异概率Pm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Pc、变异概率Pm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,fi为通过预测模型得到的热点温度预测值,yi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,θhs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,θhs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,θhs为热点温度;Ipu为负载系数,θamb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Ipu(k),所获取的环境温度数据θamb(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Nm、适应度函数权系数α1和α2、交叉概率Pc及变异概率Pm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,Jg,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,εmax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Pc、变异概率Pm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:
|Fmax(Jg,i+1)-Fmax(Jg,i)|<γ
式中Fmax(Jg,i+1)和Fmax(Jg,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,fi为通过预测模型得到的热点温度预测值,yi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。
CN201811464865.8A 2018-12-03 2018-12-03 一种变压器群平均寿命损失的监测方法 Pending CN109598061A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811464865.8A CN109598061A (zh) 2018-12-03 2018-12-03 一种变压器群平均寿命损失的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811464865.8A CN109598061A (zh) 2018-12-03 2018-12-03 一种变压器群平均寿命损失的监测方法

Publications (1)

Publication Number Publication Date
CN109598061A true CN109598061A (zh) 2019-04-09

Family

ID=65959438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811464865.8A Pending CN109598061A (zh) 2018-12-03 2018-12-03 一种变压器群平均寿命损失的监测方法

Country Status (1)

Country Link
CN (1) CN109598061A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125915A (zh) * 2019-12-25 2020-05-08 石家庄科林物联网科技有限公司 一种变压器绝缘寿命损耗的计算方法
CN111177907A (zh) * 2019-12-21 2020-05-19 国网浙江省电力有限公司杭州供电公司 电抗器寿命自动评估方法及装置
CN111709136A (zh) * 2020-06-16 2020-09-25 国网山东省电力公司威海供电公司 一种计算在不同外界环境温度下电力变压器绝缘老化程度的方法
CN111931293A (zh) * 2020-08-25 2020-11-13 西南交通大学 一种轻量化车载牵引变压器相对老化率的计算方法
CN111999608A (zh) * 2020-07-27 2020-11-27 北京智芯微电子科技有限公司 配电变压器的监测方法、监测系统与智能终端
CN112698161A (zh) * 2020-12-02 2021-04-23 西南交通大学 一种牵引变压器套管油纸绝缘剩余寿命预测方法
WO2021098307A1 (zh) * 2019-11-18 2021-05-27 许继变压器有限公司 一种干式变压器剩余寿命的检测方法、装置及存储介质
CN113945299A (zh) * 2021-09-15 2022-01-18 广西电网有限责任公司电力科学研究院 一种变压器绕组温度分布与剩余寿命预测方法
CN114034344A (zh) * 2021-11-12 2022-02-11 广东电网有限责任公司江门供电局 一种变压器模型测量分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2019467A1 (en) * 2007-07-23 2009-01-28 K.N. Toosi University of Technology Automated Load Balancing for distribution substation feeders
CN102411728A (zh) * 2011-07-12 2012-04-11 江苏镇安电力设备有限公司 基于混合模型的变压器热点温度在线监测方法
CN105207210A (zh) * 2015-09-22 2015-12-30 广州供电局有限公司 配电网络优化运行方法和系统
CN107122506A (zh) * 2016-09-19 2017-09-01 华南理工大学 一种考虑变压器油非线性时间常数的顶层油温热模型
CN108089077A (zh) * 2017-12-05 2018-05-29 武汉大学 应用于变压器热点反演的特征量选取方法及系统
CN108647382A (zh) * 2018-04-02 2018-10-12 西南交通大学 一种卷铁心牵引变压器涡流损耗的测评方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2019467A1 (en) * 2007-07-23 2009-01-28 K.N. Toosi University of Technology Automated Load Balancing for distribution substation feeders
CN102411728A (zh) * 2011-07-12 2012-04-11 江苏镇安电力设备有限公司 基于混合模型的变压器热点温度在线监测方法
CN105207210A (zh) * 2015-09-22 2015-12-30 广州供电局有限公司 配电网络优化运行方法和系统
CN107122506A (zh) * 2016-09-19 2017-09-01 华南理工大学 一种考虑变压器油非线性时间常数的顶层油温热模型
CN108089077A (zh) * 2017-12-05 2018-05-29 武汉大学 应用于变压器热点反演的特征量选取方法及系统
CN108647382A (zh) * 2018-04-02 2018-10-12 西南交通大学 一种卷铁心牵引变压器涡流损耗的测评方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
(英)艾玛•A.穆萨(IMAD A.MOOSA): "《汇率预测 技术与应用》", 30 April 2004 *
ALIREZA TASHAKORI ABKENAR 等: "Fuel Cell Power Management Using Genetic Expression Programming in All-Electric Ships", 《IEEE TRANSACTIONS ON ENERGY CONVERSION》 *
ANDREW SEIER 等: ""Data-Driven Thermal Modeling of Residential Service Transformers", 《IEEE TRANSACTIONS ON SMART GRID》 *
唐文虎: "用于变压器负载能力评估的改进热电类比模型", 《华南理工大学学报( 自然科学版)》 *
白焰 等: "基于遗传编程的火电厂主汽温系统建模研究", 《系统仿真学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021098307A1 (zh) * 2019-11-18 2021-05-27 许继变压器有限公司 一种干式变压器剩余寿命的检测方法、装置及存储介质
CN111177907A (zh) * 2019-12-21 2020-05-19 国网浙江省电力有限公司杭州供电公司 电抗器寿命自动评估方法及装置
CN111125915A (zh) * 2019-12-25 2020-05-08 石家庄科林物联网科技有限公司 一种变压器绝缘寿命损耗的计算方法
CN111125915B (zh) * 2019-12-25 2024-02-02 石家庄科林物联网科技有限公司 一种变压器绝缘寿命损耗的计算方法
CN111709136A (zh) * 2020-06-16 2020-09-25 国网山东省电力公司威海供电公司 一种计算在不同外界环境温度下电力变压器绝缘老化程度的方法
CN111709136B (zh) * 2020-06-16 2023-08-25 国网山东省电力公司威海供电公司 计算不同外界环境温度下电力变压器绝缘老化程度的方法
CN111999608B (zh) * 2020-07-27 2023-04-18 北京智芯微电子科技有限公司 配电变压器的监测方法、监测系统与智能终端
CN111999608A (zh) * 2020-07-27 2020-11-27 北京智芯微电子科技有限公司 配电变压器的监测方法、监测系统与智能终端
CN111931293A (zh) * 2020-08-25 2020-11-13 西南交通大学 一种轻量化车载牵引变压器相对老化率的计算方法
CN111931293B (zh) * 2020-08-25 2021-07-20 西南交通大学 一种轻量化车载牵引变压器相对老化率的计算方法
CN112698161B (zh) * 2020-12-02 2021-09-28 西南交通大学 一种牵引变压器套管油纸绝缘剩余寿命预测方法
CN112698161A (zh) * 2020-12-02 2021-04-23 西南交通大学 一种牵引变压器套管油纸绝缘剩余寿命预测方法
CN113945299A (zh) * 2021-09-15 2022-01-18 广西电网有限责任公司电力科学研究院 一种变压器绕组温度分布与剩余寿命预测方法
CN113945299B (zh) * 2021-09-15 2024-07-02 广西电网有限责任公司电力科学研究院 一种变压器绕组温度分布与剩余寿命预测方法
CN114034344A (zh) * 2021-11-12 2022-02-11 广东电网有限责任公司江门供电局 一种变压器模型测量分析方法

Similar Documents

Publication Publication Date Title
CN109598061A (zh) 一种变压器群平均寿命损失的监测方法
CN110083908B (zh) 基于有限元分析的电缆缆芯温度预测方法
Zhou et al. A method for hot-spot temperature prediction and thermal capacity estimation for traction transformers in high-speed railway based on genetic programming
CN109344559A (zh) 一种对比光纤测温的变压器热点温升预测方法
Illias et al. Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms
Djamali et al. Real-time evaluation of the dynamic loading capability of indoor distribution transformers
CN106874534A (zh) 一种变压器过载能力评估方法
CN115952698B (zh) 一种锂电池储能箱热能管理优化方法及系统
CN107370169B (zh) 基于anfis短期负荷预测的大规模储能电站调峰控制器及方法
CN105404780B (zh) 一种多参数综合分析的变压器过载能力评估方法
CN110969306A (zh) 基于深度学习的配电低压台区负荷预测方法及装置
KR20150026230A (ko) Bim 데이터를 이용한 셀프 러닝 건물 에너지 관리 시스템
CN115730256A (zh) 一种基于油温自适应控制的变压器负载增容策略
Galdi et al. Parameter identification of power transformers thermal model via genetic algorithms
CN106228033B (zh) 基于rbf神经网络的三芯电缆导体温度实时计算方法
Karimi et al. A probabilistic estimation for dynamic thermal rating of transmission lines
CN111666690B (zh) 输电线路导线的弧垂分析方法、装置、设备和介质
Dong et al. Battery equivalent model for residential HVAC
CN102722660A (zh) 空气击穿电压的预测方法与装置
CN117708523A (zh) 户内环氧树脂绝缘设备电气绝缘特性分析管理系统
Yang et al. Overhead conductor thermal dynamics identification by using echo state networks
CN110516309A (zh) 同塔双回500kV输电线路附近屋顶工频电场预测控制方法
Ippolito et al. Identification of Tagaki–Sugeno–Kang fuzzy model for power transformers' predictive overload system
Lai et al. Prediction of top oil temperature for oil-immersed transformer based on Kalman filter algorithm
CN113868916B (zh) 基于lfvpso-bpnn的多回路沟槽敷设电缆温升预测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190409