CN109657872A - 一种配网变压器运行状态的预测方法 - Google Patents
一种配网变压器运行状态的预测方法 Download PDFInfo
- Publication number
- CN109657872A CN109657872A CN201811634306.7A CN201811634306A CN109657872A CN 109657872 A CN109657872 A CN 109657872A CN 201811634306 A CN201811634306 A CN 201811634306A CN 109657872 A CN109657872 A CN 109657872A
- Authority
- CN
- China
- Prior art keywords
- transformer
- state
- gas content
- characteristic gas
- operating status
- 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 39
- 230000015556 catabolic process Effects 0.000 claims abstract description 20
- 238000004587 chromatography analysis Methods 0.000 claims abstract description 20
- 238000006731 degradation reaction Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006735 deficit Effects 0.000 claims abstract description 12
- 238000005315 distribution function Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 9
- 239000004215 Carbon black (E152) Substances 0.000 claims description 6
- 229930195733 hydrocarbon Natural products 0.000 claims description 6
- 150000002430 hydrocarbons Chemical class 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009413 insulation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 22
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 41
- 230000009466 transformation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000007257 malfunction Effects 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
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Immunology (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本申请公开了一种配网变压器运行状态的预测方法,包括:采集油色谱中特征气体含量并进行归一化,得到训练样本;采集特征气体含量对应变压器的状态指标数据,划分变压器4种状态;通过劣化函数求得变压器状态指标的相对劣化度,加权求得综合劣化度;通过分布函数确定变压器状态和综合劣化度之间的分布关系,得到特征气体含量相对应变压器状态的隶属度;将隶属度作为网络训练数据集标签,构建变压器运行状态预测模型;向变压器运行状态预测模型输入油色谱中特征气体含量,取输出值中最大置信值对应的变压器状态为预测状态。本申请通过深度学习、多参数融合分析及时捕捉变压器的状态信息,实现状态智能预测,提升变压器设备评价与状态预测的准确性。
Description
技术领域
本申请涉及配电网变压器监测技术领域,尤其涉及一种配网变压器运行状态的预测方法。
背景技术
配网变压器在电能输送中起着调节电压等级和分配电能的作用,其运行环境始终有热、电及机械等应力的影响,随着服役期限的延长,变压器会由完全良好状态逐步劣化直至故障。对变压器运行期间状态进行监测,有助于及时感知变压器潜在威胁,掌握变压器故障发展趋势。
目前,对配网变压器运行状态的监测与维修工作中,只是对配网变压器中的状态指标参量设定报警值。具体的,当其中一个或多个状态指标参量超过了其对应的报警值,并且长时间保持越限,操作人员根据上述情况计划安排配网变压器的维修。
在上述配网变压器运行状态的检测工作中,只能当配网变压器中某一指标参量超出报警值后,才能对其进行维修,并无法对配网变压器的运行状态进行预测,从而无法针对变压器的运行状态对其进行维护。
发明内容
本申请提供了一种配网变压器运行状态的预测方法,以解决现有技术中无法预测配网变压器运行状态的技术问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
本申请实施例公开了一种配网变压器运行状态的预测方法,所述方法包括:
采集油色谱中特征气体含量并进行归一化,得到训练样本;
采集所述特征气体含量对应变压器的状态指标数据,划分变压器状态,所述变压器状态包括正常、注意、严重及危急;
通过劣化函数求得变压器状态指标的相对劣化度,加权求得综合劣化度;
通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系,得到所述特征气体含量相对应变压器4种状态的隶属度;
将所述隶属度作为网络训练数据集标签,构建变压器运行状态预测模型;
向所述变压器运行状态预测模型输入油色谱中特征气体含量,取输出值中最大置信值对应的变压器状态为预测状态。
可选地,在上述配网变压器运行状态的预测方法中,所述采集油色谱中特征气体含量并进行归一化,得到训练样本,包括:
采集油色谱中特征气体含量,所述特征气体包括:H2、CH4、C2H4、C2H6、C2H2、总烃、CO以及CO2;
通过离差标准化方法对所述特征气体含量数据进行归一化,归一化公式表示为:
式中,x为特征气体含量,为归一化后的特征气体含量,xmin为样本数据最小值,xmax为样本数据最大值。
可选地,在上述配网变压器运行状态的预测方法中,所述劣化函数表示为:
lk=G(a,b,x)
式中,lk为特征气体含量中参数k的相对劣化度,G为劣化函数,a为最优值或出厂值,b为注意值,x为当前实测数值。
可选地,在上述配网变压器运行状态的预测方法中,所述变压器状态指标包括绝缘特性试验和变压器油试验指标,
当所述变压器状态指标为极大型指标时,所述劣化函数表示为:
当所述变压器状态指标为极小型指标时,所述劣化函数表示为:
可选地,在上述配网变压器运行状态的预测方法中,所述分布函数中以特征气体含量为输入特征量,以特征气体含量的相对劣化度为输出量,构建变压器状态指标对应于4种变压器状态的映射关系,得到所述特征气体含量相对应变压器4种状态的隶属度。
可选地,在上述配网变压器运行状态的预测方法中,通过误差反向传播方法中沿时间反向传播法提取所述变压器运行状态预测模型特征。
可选地,在上述配网变压器运行状态的预测方法中,通过层次分析法加权求得综合劣化度。
与现有技术相比,本申请的有益效果为:
本申请提供了一种配网变压器运行状态的预测方法,所述方法包括:采集油色谱中特征气体含量并进行归一化,得到训练样本;采集所述特征气体含量对应变压器的状态指标数据,划分变压器状态,所述变压器状态包括正常、注意、严重及危急;通过劣化函数求得变压器状态指标的相对劣化度,加权求得综合劣化度;通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系,得到所述特征气体含量相对应变压器4种状态的隶属度;将所述隶属度作为网络训练数据集标签,构建变压器运行状态预测模型;向所述变压器运行状态预测模型输入油色谱中特征气体含量,取输出值中最大置信值对应的变压器状态为预测状态。本申请通过深度学习、多参数融合分析及时捕捉设备的故障信息,追溯配网变压器故障发展过程,实现故障模式智能诊断,提升配网变压器设备评价与异常诊断的准确性。深度挖掘配网变压器全景状态信息与运行状态及故障趋势的潜在联系,利用深度网络结构实现状态智能预测,提升变压器设备评价与状态预测的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种配网变压器运行状态的预测方法的流程示意图;
图2为本发明实施例提供的三角形梯形隶属函数分布图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
参见图1,为本发明实施例提供的一种配网变压器运行状态的预测方法的流程示意图。结合图1可得,本申请中的配网变压器运行状态的预测方法包括以下步骤:
步骤S101:采集油色谱中特征气体含量并进行归一化,得到训练样本;
本申请以配网变压器监测数据作为数据基础,将油色谱中特征气体含量数据归一化后得到特征变量,作为训练样本数据。采集油色谱中特征气体含量,所述特征气体包括:H2、CH4、C2H4、C2H6、C2H2、总烃、CO以及CO2。采用离差标准化方法对所述特征气体含量数据进行归一化,处理降低特征气体含含量数据分散性对变压器运行状态预测模型的影响,归一化公式表示为:
式中,x为特征气体含量,为归一化后的特征气体含量,xmin为样本数据最小值,xmax为样本数据最大值。
步骤S102:采集所述特征气体含量对应变压器的状态指标数据,划分变压器状态,所述变压器状态包括正常、注意、严重及危急;
配网变压器的状态划分为4种,包括:v1正常、v2注意、v3严重和v4危急。变压器的状态指标包括:油中溶解气体、吸收比及泄漏电流等绝缘特性试验和变压器油试验标准中指标参数,变压器状态、检修策略及变压器状态指标值的对应关系如表1所示。
表1:
步骤S103:通过劣化函数求得变压器状态指标的相对劣化度,加权求得综合劣化度;
对变压器状态指标值,使用相对劣化度来表征变压器当前状态与故障状态相比的劣化程度,相对劣化度反映了变压器状态由正常向故障模式的转化程度,用[0,1]之间的数值表示,数值越小,状态越优,0表示变压器处于良好的正常状态,1表示变压器处于危急故障状态。相对劣化度的求解过程如下:
设变压器状态指标值中参数k的最优值或出厂值为a,注意值为b,当前实测数值为x,则参数k的相对劣化度表示为:
lk=G(a,b,x)
式中,lk为特征气体含量中参数k的相对劣化度,G为劣化函数。
从自然劣化角度建立变压器状态指标值的劣化函数。当所述变压器状态指标为极大型指标时,如绝缘特性试验中的吸收比,数据越大,状态越优。当所述变压器状态指标为极小型指标时,如绝缘特性试验中的油中溶解气体,数据越小,状态越优。因此,劣化函数的表达式不同,具体如下:
当所述变压器状态指标为极大型指标时,所述劣化函数表示为:
当所述变压器状态指标为极小型指标时,所述劣化函数表示为:
步骤S104:通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系,得到所述特征气体含量相对应变压器4种状态的隶属度;
参见图2,为本发明实施例提供的三角形梯形隶属函数分布图。由图2所示,所述分布函数中以特征气体含量为输入特征量,以特征气体含量的相对劣化度为输出量,构建变压器状态指标对应于4种变压器状态的映射关系,得到所述特征气体含量相对应变压器4种状态的隶属度。
以油中溶解气体含量指标为例,利用样本数据拟合三角形梯形隶属函数分布图,即油中溶解气体含量相对劣化度f对应于v1~v4的隶属度函数,图2中配网变压器4种状态划分,v1正常、v2注意、v3严重和v4危急的函数表达式分别如下:
同样地,对所有变压器状态指标值,计算出隶属度,通过层次分析法加权求得变压器4种状态的综合隶属度。
步骤S105:将所述隶属度作为网络训练数据集标签,构建变压器运行状态预测模型;
构建并训练变压器运行状态预测模型,具体为:为降低长短时记忆网络在学习时陷入局部极小值的风险,本申请中权重矩阵首先通过服从均值为0,方差为1的高斯分布随机初始化。网络偏置项和输出层偏置项初始化为0,输出层权重矩阵为服从均值为0方差为1的高斯分布的随机数乘以0.01系数,变压器运行状态预测模型由一层长短时记忆网络和Softmax网络层组成。长短时记忆网络输入层规模为100,隐层神经元个数为128,为防止过拟合信号损失率设为0.2,对应变压器的4种运行状态将输出层规模为4,通过误差反向传播方法中沿时间反向传播法提取所述变压器运行状态预测模型特征。
步骤S106:向所述变压器运行状态预测模型输入油色谱中特征气体含量,取输出值中最大置信值对应的变压器状态为预测状态。
以状态性能数据中油色谱监测H2、CH4、C2H4、C2H6、C2H2、总烃、CO及CO2的含量以及其对应的隶属度输入所述变压器运行状态预测模型,取输出结果中最大置信值对应的状态作为预测状态。
本申请以某一配网变压器为例,以油色谱监测H2、CH4、C2H4、C2H6、C2H2、总烃、CO及CO2的含量以及其对应的隶属度为输入,将下一时刻所要预测的状态信度区间为输出。各属性值通过非线性变换同时结合长短时记忆网络时序联系,由Softmax分类器输出下一时刻变压器4种状态隶属度,取最大隶属度对应的变压器状态作为变压器预测值。
配网变压器运行状态预测的步骤为:(1)收集选取样本,将样本划分为训练集和测试集;(2)将训练样本中油色谱监测数据中H2、CH4、C2H4、C2H6、C2H2、总烃、CO及CO2的含量输入;(3)利用三角形和半梯形组合的隶属度函数描述各变压器状态指标值对应于不同变压器状态的分布函数,将各变压器状态指标值隶属度函数输出值分配加权求值得到对应变压器4种状态的综合隶属度计算结果;(4)将上述计算结果作为网络训练数据集标签,构建变压器运行状态预测模型;(5)根据沿时间反向传播方法对变压器运行状态预测模型进行训练,提取输入量与变压器状态之间的特征联系,获取模型参数;(6)利用变压器运行状态预测模型参数对测试集中变压器进行状态预测。
综上,本申请中配网变压器运行状态的预测方法中,首先采集油色谱中特征气体含量并进行归一化,得到训练样本,再采集所述特征气体含量对应变压器的状态指标数据,划分变压器状态,所述变压器状态包括正常、注意、严重及危急,然后,通过劣化函数求得变压器状态指标的相对劣化度,加权求得综合劣化度,并通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系,得到所述特征气体含量相对应变压器4种状态的隶属度,最后将所述隶属度作为网络训练数据集标签,构建变压器运行状态预测模型,向所述变压器运行状态预测模型输入油色谱中特征气体含量,取输出值中最大置信值对应的变压器状态为预测状态。本申请通过深度学习、多参数融合分析及时捕捉设备的故障信息,追溯配网变压器故障发展过程,实现故障模式智能诊断,提升配网变压器设备评价与异常诊断的准确性。深度挖掘配网变压器全景状态信息与运行状态及故障趋势的潜在联系,利用深度网络结构实现状态智能预测,提升变压器设备评价与状态预测的准确性。
由于以上实施方式均是在其他方式之上引用结合进行说明,不同实施例之间均具有相同的部分,本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
需要说明的是,在本说明书中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种电路结构、物品或者设备所固有的要素。在没有更多限制的情况下,有语句“包括一个……”限定的要素,并不排除在包括所述要素的电路结构、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (7)
1.一种配网变压器运行状态的预测方法,其特征在于,所述方法包括:
采集油色谱中特征气体含量并进行归一化,得到训练样本;
采集所述特征气体含量对应变压器的状态指标数据,划分变压器状态,所述变压器状态包括正常、注意、严重及危急;
通过劣化函数求得变压器状态指标的相对劣化度,加权求得综合劣化度;
通过分布函数确定所述变压器状态和所述综合劣化度之间的分布关系,得到所述特征气体含量相对应变压器4种状态的隶属度;
将所述隶属度作为网络训练数据集标签,构建变压器运行状态预测模型;
向所述变压器运行状态预测模型输入油色谱中特征气体含量,取输出值中最大置信值对应的变压器状态为预测状态。
2.根据权利要求1所述的配网变压器运行状态的预测方法,其特征在于,所述采集油色谱中特征气体含量并进行归一化,得到训练样本,包括:
采集油色谱中特征气体含量,所述特征气体包括:H2、CH4、C2H4、C2H6、C2H2、总烃、CO以及CO2;
通过离差标准化方法对所述特征气体含量数据进行归一化,归一化公式表示为:
式中,x为特征气体含量,为归一化后的特征气体含量,xmin为样本数据最小值,xmax为样本数据最大值。
3.根据权利要求1所述的配网变压器运行状态的预测方法,其特征在于,所述劣化函数表示为:
lk=G(a,b,x)
式中,lk为特征气体含量中参数k的相对劣化度,G为劣化函数,a为最优值或出厂值,b为注意值,x为当前实测数值。
4.根据权利要求3所述的配网变压器运行状态的预测方法,其特征在于,所述变压器状态指标包括绝缘特性试验和变压器油试验指标,
当所述变压器状态指标为极大型指标时,所述劣化函数表示为:
当所述变压器状态指标为极小型指标时,所述劣化函数表示为:
5.根据权利要求1所述的配网变压器运行状态的预测方法,其特征在于,所述分布函数中以特征气体含量为输入特征量,以特征气体含量的相对劣化度为输出量,构建变压器状态指标对应于4种变压器状态的映射关系,得到所述特征气体含量相对应变压器4种状态的隶属度。
6.根据权利要求1所述的配网变压器运行状态的预测方法,其特征在于,通过误差反向传播方法中沿时间反向传播法提取所述变压器运行状态预测模型特征。
7.根据权利要求1所述的配网变压器运行状态的预测方法,其特征在于,通过层次分析法加权求得综合隶属度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634306.7A CN109657872A (zh) | 2018-12-29 | 2018-12-29 | 一种配网变压器运行状态的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634306.7A CN109657872A (zh) | 2018-12-29 | 2018-12-29 | 一种配网变压器运行状态的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657872A true CN109657872A (zh) | 2019-04-19 |
Family
ID=66118282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811634306.7A Pending CN109657872A (zh) | 2018-12-29 | 2018-12-29 | 一种配网变压器运行状态的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657872A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161382A (zh) * | 2019-04-30 | 2019-08-23 | 国网江苏省电力有限公司电力科学研究院 | 一种判断变压器是否需要停电试验的方法和装置 |
CN112561231A (zh) * | 2020-11-09 | 2021-03-26 | 广东电网有限责任公司广州供电局 | 一种开关柜质量判定方法及系统 |
CN113379182A (zh) * | 2021-04-27 | 2021-09-10 | 云南电网有限责任公司昆明供电局 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030032987A (ko) * | 2003-03-17 | 2003-04-26 | 삼일변압기 주식회사 | 변압기의 고장진단 시스템 및 방법 |
CN102981108A (zh) * | 2012-11-29 | 2013-03-20 | 重庆大学 | 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法 |
CN103728517A (zh) * | 2014-01-10 | 2014-04-16 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 不良工况对变压器状态评估的修正算法 |
CN104266677A (zh) * | 2014-09-15 | 2015-01-07 | 国家电网公司 | 磁控并联电抗器运行健康状态评估方法 |
CN105868912A (zh) * | 2016-04-06 | 2016-08-17 | 清华大学 | 基于数据融合的电力变压器状态评价方法及装置 |
CN108037378A (zh) * | 2017-10-26 | 2018-05-15 | 上海交通大学 | 基于长短时记忆网络的变压器运行状态预测方法及系统 |
-
2018
- 2018-12-29 CN CN201811634306.7A patent/CN109657872A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030032987A (ko) * | 2003-03-17 | 2003-04-26 | 삼일변압기 주식회사 | 변압기의 고장진단 시스템 및 방법 |
CN102981108A (zh) * | 2012-11-29 | 2013-03-20 | 重庆大学 | 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法 |
CN103728517A (zh) * | 2014-01-10 | 2014-04-16 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 不良工况对变压器状态评估的修正算法 |
CN104266677A (zh) * | 2014-09-15 | 2015-01-07 | 国家电网公司 | 磁控并联电抗器运行健康状态评估方法 |
CN105868912A (zh) * | 2016-04-06 | 2016-08-17 | 清华大学 | 基于数据融合的电力变压器状态评价方法及装置 |
CN108037378A (zh) * | 2017-10-26 | 2018-05-15 | 上海交通大学 | 基于长短时记忆网络的变压器运行状态预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
陈安伟编: "《输变电设备状态检修》", 31 August 2012, 北京:中国电力出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161382A (zh) * | 2019-04-30 | 2019-08-23 | 国网江苏省电力有限公司电力科学研究院 | 一种判断变压器是否需要停电试验的方法和装置 |
CN110161382B (zh) * | 2019-04-30 | 2022-06-10 | 国网江苏省电力有限公司电力科学研究院 | 一种判断变压器是否需要停电试验的方法和装置 |
CN112561231A (zh) * | 2020-11-09 | 2021-03-26 | 广东电网有限责任公司广州供电局 | 一种开关柜质量判定方法及系统 |
CN112561231B (zh) * | 2020-11-09 | 2023-09-01 | 广东电网有限责任公司广州供电局 | 一种开关柜质量判定方法及系统 |
CN113379182A (zh) * | 2021-04-27 | 2021-09-10 | 云南电网有限责任公司昆明供电局 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
CN113379182B (zh) * | 2021-04-27 | 2022-09-16 | 云南电网有限责任公司昆明供电局 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gholami et al. | Detecting the location of short-circuit faults in active distribution network using PMU-based state estimation | |
CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
CN106202886B (zh) | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 | |
CN103778575B (zh) | 变压器状态评估方法及系统 | |
CN103001328B (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN106932670B (zh) | 一种基于d-s证据理论的配电自动化终端状态诊断方法 | |
CN109657872A (zh) | 一种配网变压器运行状态的预测方法 | |
CN110689234A (zh) | 一种基于多源数据融合的电力变压器状态评估方法 | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
CN111598490B (zh) | 一种基于多状态量融合的光电复合海底电缆状态评估方法及系统 | |
Liu et al. | Health assessment and prediction of overhead line based on health index | |
CN108199891B (zh) | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 | |
CN109902373A (zh) | 一种辖区变电站故障诊断、定位方法及系统 | |
van der Velde et al. | Methods for actors in the electric power system to prevent, detect and react to ICT attacks and failures | |
CN105574669A (zh) | 时空联合数据聚类分析的输变电设备状态异常检测方法 | |
CN106603274A (zh) | 一种基于多维通信数据的配电网故障定位方法 | |
Catterson et al. | The impact of smart grid technology on dielectrics and electrical insulation | |
CN107037278A (zh) | 一种iec61850标准下的智能变电站故障诊断方法 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
Akhmetov et al. | A bootstrapping solution for effective interpretation of transformer winding frequency response | |
DE102019204301A1 (de) | Verfahren und System zum Überwachen des Betriebszustandes eines Energieversorgungsnetzes | |
CN112329821A (zh) | 电力互感器智能诊断系统及基于决策树分类的诊断方法 | |
Tippannavar et al. | Smart transformer-An analysis of recent technologies for monitoring transformer | |
Tang | Anomaly inference based on heterogeneous data sources in an electrical distribution system |
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: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |