CN110163477A - 一种基于状态监测数据确定电力设备的运行状态的方法及系统 - Google Patents
一种基于状态监测数据确定电力设备的运行状态的方法及系统 Download PDFInfo
- Publication number
- CN110163477A CN110163477A CN201910300024.1A CN201910300024A CN110163477A CN 110163477 A CN110163477 A CN 110163477A CN 201910300024 A CN201910300024 A CN 201910300024A CN 110163477 A CN110163477 A CN 110163477A
- Authority
- CN
- China
- Prior art keywords
- power equipment
- monitoring data
- condition monitoring
- health status
- probability
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003862 health status Effects 0.000 claims abstract description 101
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 239000007789 gas Substances 0.000 claims description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 241001269238 Data Species 0.000 claims description 7
- 230000007812 deficiency Effects 0.000 claims description 7
- 230000007547 defect Effects 0.000 description 23
- 230000036541 health Effects 0.000 description 15
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000007423 decrease Effects 0.000 description 7
- 229930195733 hydrocarbon Natural products 0.000 description 7
- 150000002430 hydrocarbons Chemical class 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于状态监测数据确定电力设备的运行状态的方法及系统,包括:对电力设备的运行状况进行监测,以获取所述电力设备的至少一项状态监测数据;根据所述电力设备对应的状态监测数据按照预设的评分规则,确定所述电力设备的每项状态监测数据对应的评分;利用所述电力设备的每项状态监测数据对应的评分,根据预设的状态隶属函数,确定每项状态监测数据在每种健康状态下的概率值;基于D‑S证据理论,根据每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取所述电力设备的每种健康状态对应的概率融合结果;根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态。
Description
技术领域
本发明涉及输变电设备运行技术领域,并且更具体地,涉及一种基于状态监测数据确定电力设备的运行状态的方法及系统。
背景技术
在电网主网的架构中,变压器和GIS断路器等电力设备处于至关重要的位置,对于保证电网稳定可靠运行发挥着决定性的作用。但是随着运行年限的增长,负荷的变化和运行环境的影响,变压器、GIS(断路器)的健康状态会有所下降,且下降程度和下降的速度也各不相同,对于计划检修工作来说,在固定的检修模式和时间周期中,很难完全发现所有的隐患和缺陷,从而导致部分隐患和缺陷在不可控的条件下发展成为事故,对电网的稳定运行产生影响,故对变压器和GIS断路器的健康状态的管控十分重要。
得益于重要电力设备的在线监测设备的大量部署,对设备的实时监测能力已经获得了较大的提升,故在此基础上可以对设备健康状态进行可靠的评估,从而为设备的检修工作提供支撑。目前对变压器和GIS断路器健康状态的评估方法主要采用层次分析法、专家经验法和熵权法等,但无法兼顾客观和有效的问题,专家经验法和层次分析法受主观影响比较大,熵权法则会因为实际数据的取值问题对权重的标定出现明显不合理。
因此,需要一种能够准确地确定电力设备的运行状态,以用于对电力设备进行控制的问题。
发明内容
本发明提出一种基于状态监测数据确定电力设备的运行状态的方法及系统,以解决如何准确地确定电力设备的运行状态的问题。
为了解决上述问题,根据本发明的一个方面,提供了一种基于状态监测数据确定电力设备的运行状态的方法,其特征在于,所述方法包括:
对电力设备的运行状况进行监测,以获取所述电力设备的至少一项状态监测数据;
根据所述电力设备对应的状态监测数据按照预设的评分规则,确定所述电力设备的每项状态监测数据对应的评分;
利用所述电力设备的每项状态监测数据对应的评分,根据预设的状态隶属函数,确定所述电力设备的每项状态监测数据在每种健康状态下的概率值;
基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取所述电力设备的每种健康状态对应的概率融合结果;
根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态。
优选地,其中所述电力设备为变压器,所述状态监测数据包括:运行年限、设备缺陷情况、油中溶解气体含量、铁芯接地电流、顶层油温和微水含量中的至少一种。
优选地,其中所述电力设备为GIS断路器,所述状态监测数据包括:运行年限、设备缺陷情况和SF6气体绝缘密度中的至少一种。
优选地,其中所述方法还包括:
将获取的所述电力设备的每项状态监测数据在每种健康状态下的概率值进行去零处理,以防止Zadeh悖论。
优选地,其中所述基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取每种健康状态对应的概率融合结果,包括:
其中,SAi为健康状态为Ai时的概率融合结果;Pm(Ai)为第m项状态监测数据在健康状态为Ai时的概率值;n为健康状态个数的总量;m为状态监测数据个数的总量。
优选地,其中所述根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态,包括:
选取所述电力设备的每种健康状态对应的概率融合结果中的最大值对应的健康状态作为所述电力设备的运行状态。
根据本发明的另一个方面,提供了一种基于状态监测数据确定电力设备的运行状态的系统,其特征在于,所述系统包括:
状态监测数据获取单元,用于对电力设备的运行状况进行监测,以获取所述电力设备的至少一项状态监测数据;
评分确定单元,用于根据所述电力设备对应的状态监测数据按照预设的评分规则,确定所述电力设备的每项状态监测数据对应的评分;
概率值确定单元,用于利用所述电力设备的每项状态监测数据对应的评分,根据预设的状态隶属函数,确定所述电力设备的每项状态监测数据在每种健康状态下的概率值;
概率融合单元,用于基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取所述电力设备的每种健康状态对应的概率融合结果;
运行状态确定单元,用于根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态。
优选地,其中所述电力设备为变压器,所述状态监测数据包括:运行年限、设备缺陷情况、油中溶解气体含量、铁芯接地电流、顶层油温和微水含量中的至少一种。
优选地,其中所述电力设备为GIS断路器,所述状态监测数据包括:运行年限、设备缺陷情况和SF6气体绝缘密度中的至少一种。
优选地,其中所述系统还包括:
概率值去零处理单元,用于将获取的所述电力设备的每项状态监测数据在每种健康状态下的概率值进行去零处理,以防止Zadeh悖论。
优选地,其中所述概率融合单元,基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取每种健康状态对应的概率融合结果,包括:
其中,SAi为健康状态为Ai时的概率融合结果;Pm(Ai)为第m项状态监测数据在健康状态为Ai时的概率值;n为健康状态个数的总量;m为状态监测数据个数的总量。
优选地,其中所述运行状态确定单元,根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态,包括:
选取所述电力设备的每种健康状态对应的概率融合结果中的最大值对应的健康状态作为所述电力设备的运行状态。
本发明提供了一种基于状态监测数据确定电力设备的运行状态的方法及系统,根据电力设备的运行状况的监测按照预设的评分规则,确定所述电力设备的每项状态监测数据对应的评分;根据评分确定电力设备的每项状态监测数据在每种健康状态下的概率值;最后进行概率融合,根据概率融合结果确定所述电力设备的运行状态。本发明基于D-S证据理论对电力设备在每种健康状态下的概率值进行融合,得到电力设备的状态评估结果,能够反映电力设备的健康状况,为后续的运维检修指明了方向。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的基于状态监测数据确定电力设备的运行状态的方法100的流程图;
图2为2016年统计的投运年限与设备故障率的统计分布结果示意图;
图3为2016年统计的变压器铁芯接地电流的统计结果示意图;
图4为2016年统计的变压器顶层油温的统计结果示意图;
图5为2016年统计的变压器油中微水含量统计结果示意图;
图6为2016年统计的GIS断路器/电抗器SF6气体密度统计结果示意图;
图7为2016年统计的GIS断路器/电抗器SF6气体20℃时压强统计结果示意图;以及
图8为根据本发明实施方式的基于状态监测数据确定电力设备的运行状态的系统800的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于状态监测数据确定电力设备的运行状态的方法100的流程图。如图1所示,本发明的实施方式提供的基于状态监测数据确定电力设备的运行状态的方法,基于D-S证据理论对电力设备在每种健康状态下的概率值进行融合,得到电力设备的状态评估结果,能够反映电力设备的健康状况,为后续的运维检修指明了方向。
D-S证据理论(Dempster-Shafer evidence theory)是一种不精确推理理论,属于人工智能范畴,最早应用于专家系统中,具有处理不确定信息的能力,其不需要知道先验概率,能够很好地表示“不确定”,被广泛用来处理不确定数据。D-S证据理论不仅能够强调事物的客观性,还能强调人类对事物估计的主观性,其最大的特点就是对不确定性信息的描述采用“区间估计”,而非“点估计”,再区分不知道和不确定方面以及精确反映证据收集方面显示出很大的灵活性。它主要适用于:信息融合、专家系统、情报分析、法律案件分析、多属性决策分析作为一种不确定推理方法。因此,在本发明的实施方式在状态监测数据完整的前提下采用D-S证据理论,对设备各项独立数据反应的情况进行概率融合,从而确定电力设备的运行状态。
本发明的实施方式提供的基于状态监测数据确定电力设备的运行状态的方法100从步骤101处开始,在步骤101对电力设备的运行状况进行监测,以获取所述电力设备的至少一项状态监测数据。
优选地,其中所述电力设备为变压器,所述状态监测数据包括:运行年限、设备缺陷情况、油中溶解气体含量、铁芯接地电流、顶层油温和微水含量中的至少一种。
优选地,其中所述电力设备为GIS断路器,所述状态监测数据包括:运行年限、设备缺陷情况和SF6气体绝缘密度中的至少一种。
对于电力设备来说,具有相关数据量大和面广的特点,包括出厂试验报告、监造报告、设备台账、试验报告、状态监测、带电检测、气象、雷电等设备、电网数据和环境数据,这为输变电设备状态管控奠定了坚实的数据基础。但是由于录入人员失误、系统设计缺陷、通信异常、装置故障、融合过程导致的数据不一致等原因,使得数据存在错误、缺失、重复等质量问题,故在本发明的实施方式中应选取实时监测的数据进行分析。
在步骤102,根据所述电力设备对应的状态监测数据按照预设的评分规则,确定所述电力设备的每项状态监测数据对应的评分。
在本发明的实施方式中,当电力设备为变压器时,具体的根据变压器对应的状态监测数据按照预设的评分规则,确定所述变压器的每项状态监测数据对应的评分包括以下几部分:
(1)状态监测数据包括运行年限
投运年限是分析变压器健康状况的一种重要指标,一般来说,变压器的运行年限为20年以上,但实际投运的变压器往往未到20年就会更换,故变压器运行年限评分应根据变压器不同年限实际的健康程度来进行。
图2为2016年统计的投运年限与设备故障率的统计分布结果示意图。如图2所示,变压器在第一次5年大修后故障率会明显下降,运行年限超过5年后,故障率会明显升高,运行15年后由于容易发生故障的变压器都已进行了更换,可以稳定运行的变压器保留了下来,所以故障率又有下降的趋势,但根据整体情况来说,运行年限越久对应的风险越高。
因此,在本发明的实施方式中,根据变压器在不同年份的故障率的情况制定了如下评分规则:
其中,y为运行年限,g(y)为运行年限对应的评分,若运行年限超过35年,则直接视为风险性最高。
(2)状态监测数据包括设备缺陷
缺陷是危及变压器健康运行的主要原因,变压器的缺陷一般包括:变压器油的渗漏、冷却系统缺陷、有载调压开关动作异常和机械形变等。
因此,在本发明的实施方式中,根据电压器的缺陷程度和缺陷数量进行不同程度的扣分,其中危急缺陷扣8分,严重缺陷扣4分,一般缺陷扣1分,即评分规则为:
g=100-8×N危急-4×N严重-1×N一般,
其中,N为不同程度缺陷的数量,g为设备缺陷对应的评分。
(3)状态监测数据包括油中溶解气体
油中溶解气体包括:氢气、乙炔和烃类。在正常情况下,变压器油在热和电的作用下,逐渐老化和分解,会缓慢地产生少量的低分子烃类,当变压器内部存在潜伏性的局部过热和局部放电会加快气体的产生速度。根据模拟实验和大量的现场数据,电弧电流会导致变压器油分解出乙炔(C2H2)、氢气(H2)及部分甲烷(CH4);局部放电会导致变压器油分解出H2和CH4;变压器油过热时会分解出CH4、C2H4等。故分析得知在变压器健康状况下降(出现闪络、局部放电、过热)时会伴随着产生H2、C2H2和各种烃类,变压器油中溶解气体组分含量超极限值分别为H2<150μL/L;C2H2<5μL/L;总烃<150μL/L,如果以气体总量来评价变压器油的健康程度会造成某一气体传感器故障的时候而导致分数降低,且电弧、局部放电和过热时产生的气体种类不同,故不同气体的含量应该分开考虑,并在整体的评分中按比例分配。
因此,在本发明的实施方式中,C2H2、H2和总烃类按照3:3:4分配分数,满分100分。
对比出厂状态和运行状态后,评分规则为:
g(C2H2,H2,HC)=0.3×(100-(C2H2-5))+0.3×(100-3×(H2-150))+0.4×(100-0.5×(HC-150)),
其中,当氢气、乙炔和总烃类的浓度超过标准时,公式开始生效,当乙炔浓度超过105时公式第一项直接记为0分,同理每项得分最低位零分。
(4)状态监测数据包括铁芯接地电流
铁芯正常运行时单点接地,由于铁芯对地存在悬浮电位,故存在非常小的铁芯接地电流,但若系统中还存在另一点接地,形成回路接地电流就会变大,可能引起铁芯过热,破坏绝缘造成隐患。故铁芯接地电流的大小直接反映着系统的接地情况和铁芯是否出现过热的情况。一般来说,主变的铁芯接地电流不应超过0.1安培(A)。2016年统计的变压器铁芯接地电流的统计结果如图3所示,因此,根据变压器铁芯接地电流实际统计结果,评分规则为:
g(i)=100-0.5×(i-70),i∈[70,270],
其中,i为铁芯全电流,取值范围为[70,270],如果铁芯接地电流过270mA,直接按照零分计算,g(i)为对应的得分。
(5)状态监测数据包括顶层油温
变压器油的温度根据试验得出:当平均温度每升高10℃,油的劣化速度就会增加1.5~2倍,故对变压器顶层油温的监测对于变压器健康状况的评估非常重要,国家标准对顶层油温的要求一般为85℃左右(根据是否接触大气或环境温度不同而不同)。
图4为2016年统计的变压器顶层油温的统计结果示意图。如图4所示,对现场实际变压器的顶层油温测量后发现,大部分变压器顶层油温并不会接近标准值区间的上限。
因此,在本发明的实施方式中,设置当变压器顶层油温超过45摄氏度时开始对变压器顶层油温进行评分,评分规则为:
g(t)=100-2(t-45)t∈[45,95],
其中,t为摄氏温度,取值范围为[45,95],如果顶层油温超过95摄氏度,直接按照零分计算,g(t)为顶层油温对应的评分。
(6)状态监测数据包括微水含量
对于变压器油,水分会破坏变压器油的绝缘特性,并对电力设备的安全构成隐患,故变压器绝缘油中微水的含量也是确定变压器绝缘质量的参数。变压器在线智能诊断设备能够自动采集、分析油中微水的含量并得出故障原因,提供解决方案,使用户及时解决变压器中存在的隐患,防止事故发生,所以对变压器油中的微量水分进行持续检测就非常有意义。
其中,对变压器微水含量的要求可参考GB/T 7595-2008,规定运行中的变压器油微水含量不超过25mg/L。2016年统计的变压器油中微水含量统计结果如图5所示,从图中可以看出大部分设备的微水含量都在10mg/L以下。
因此,微水含量对应的评分规则从10mg/L开始计算,为:
g(w)=100-3(w-10)w∈[10,43],
其中,w为微水含量,取值范围为[10,43],如果微水含量超过43mg/L,直接按照零分计算,g(w)为微水含量对应的评分。
当电力设备为GIS断路器时,具体的根据变压器对应的状态监测数据按照预设的评分规则,确定所述变压器的每项状态监测数据对应的评分包括以下几部分:
(1)状态监测数据包括运行年限
电力设备为GIS短路器的计算方法与变压器相似,一般来说,断路器的运行期限以其实际分合次数作为参考标准,但由于部分断路器的分合次数统计数据不全且不准确,无法采用分合次数来衡量断路器健康状况,但对GIS(断路器)实际投运年限进行统计后发现,投运20年后的断路器占在运行断路器总数的比例低于5%,故我们可以规定断路器一般的运行年限不超过20年。投运12年内的断路器总数占在运行总数的近80%,属于断路器的稳定运行期,由于断路器运行年限越久对应的风险越高。、
因此,根据GIS断路器的运行年限制定了如下评分规则:
其中,y为运行年限,g(y)为运行年限对应的评分,若运行年限超过20年,则直接视为风险性最高。
(2)状态监测数据包括设备缺陷
电力设备为GIS断路器的计算方法与变压器相似,评分函数为:
g=100-8×N危急-4×N严重-1×N一般,,
其中,N为不同程度缺陷的数量,g为断路器缺陷对应的得分。
(3)状态监测数据包括SF6气体绝缘(气体密度、20℃时气体压力)
SF6气体作为一种高电气绝缘强度的绝缘介质,是设备绝缘的主要组成部分,当气体压力下降时,设备的绝缘强度将随之下降。造成GIS承受过电压的能力下降。当气体压力下降超过一定的阈值后,GIS甚至不能保障工频电压的绝缘强度,设备的内部导体将会对设备外壳放电造成接地短路故障。SF6气体不仅是设备绝缘的重要组成部分,而且是GIS断路器气室的主要灭弧介质。当断路器气室气体压力下降时,其灭弧能力随之下降、如果断路器气室的气体压力下降超过一定的阈值,气体的灭弧能力严重下降。
由《中华人民共和国能源部部标准SD 290—88气体绝缘金属封闭电器技术条件》中的相关规定4.4.9,GIS在绝缘气体的额定密度下运行。额定密度、警报和闭锁密度及释放压力由制造厂规定最小运行密度。低于此密度值,设备的额定绝缘水平不能保证。由于现场的设备厂家并不统一,故在本发明的实施方式中根据实际情况进行打分。如图6和图7所示,大部分的设备20摄氏度时的气体压力分布与0.4-0.64MPa之间,对应的气体密度分布在在32-49kg/m3范围内,两个指标权重各占50%,故评分规则为:
g(ρ,p)=100-0.5×(|ρ-40.5|-8.5)×3-0.5×(|p-0.52|-0.12)×2.5,
其中,g(ρ,p)为断路器的气体绝缘对应的得分,ρ为气体密度,p为气体气压;当密度和压力在合理范围内时直接视为满分,不用代入打分函数进行计算。
对于电力设备来说,不同的电力设备包括的状态监测数据均不同,具体以实际情况为准,并不局限于本发明的实施方式中所提到的状态监测数据。
在步骤103,利用所述电力设备的每项状态监测数据对应的评分,根据预设的状态隶属函数,确定所述电力设备的每项状态监测数据在每种健康状态下的概率值。
在本发明的实施方式中,健康状态包括:良好、一般、可疑和异常。
其中,健康状态为良好时,状态隶属函数为:
其中,健康状态为一般时,状态隶属函数为:
其中,健康状态为可疑时,状态隶属函数为:
其中,健康状态为异常时,状态隶属函数为:
其中,f(x)为不同状态下状态监测数据x对应的概率值。
将电力设备的各项状态监测数据对应的评分代入各类健康状态对应的状态隶属函数中,即可得出每项状态监测数据在各个健康状态下的概率值。
在步骤104,基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取所述电力设备的每种健康状态对应的概率融合结果。
优选地,其中所述方法还包括:将获取的所述电力设备的每项状态监测数据在每种健康状态下的概率值进行去零处理,以防止Zadeh悖论。
优选地,其中所述基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取每种健康状态对应的概率融合结果,包括:
其中,SAi为健康状态为Ai时的概率融合结果;Pm(Ai)为第m项状态监测数据在健康状态为Ai时的概率值;n为健康状态个数的总量;m为状态监测数据个数的总量。
在步骤105,根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态。
优选地,其中所述根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态,包括:
选取所述电力设备的每种健康状态对应的概率融合结果中的最大值对应的健康状态作为所述电力设备的运行状态。
在本发明的实施方式中,选取的电力设备为变压器,数量为20台,选取20台变压器的数据,对所有的变压器进行监测,获取的状态监测数据如表1所示。
表1监测的不同变压器的状态监测数据
序号 | 投运日期 | 微水 | 危急缺陷 | 严重缺陷 | 一般缺陷 | 氢气 | 烃类 | 乙炔 | 接地电流 | 顶层油温 |
1 | 2012/1/17 | 0.3 | 0 | 0 | 1 | 34 | 45 | 0 | 34.743 | 49.87 |
2 | 2014/1/27 | 0.1 | 0 | 0 | 0 | 83 | 150 | 4.4 | 37.322 | 39.52 |
3 | 2014/1/27 | 0.6 | 0 | 0 | 1 | 59 | 44 | 7.4 | 21.74 | 36.45 |
4 | 2004/8/3 | 19.1 | 0 | 1 | 0 | 50 | 141 | 6.7 | 30.712 | 47.04 |
5 | 1993/10/27 | 0.2 | 1 | 0 | 0 | 51 | 95 | 9.3 | 112 | 53.606 |
6 | 2013/9/30 | 0.1 | 0 | 0 | 0 | 186 | 179 | 9 | 45.92 | 47.508 |
7 | 2010/11/20 | 0.2 | 0 | 0 | 1 | 92 | 166 | 5.1 | 106 | 45.549 |
8 | 2014/12/12 | 2 | 0 | 0 | 0 | 95 | 113 | 0 | 20.2 | 48.966 |
9 | 2013/5/31 | 0.1 | 0 | 0 | 0 | 90 | 37 | 10.2 | 20.92 | 44.803 |
10 | 2015/6/11 | 0.2 | 0 | 0 | 0 | 73 | 21 | 8.9 | 20.26 | 33.606 |
11 | 2002/12/27 | 0.3 | 0 | 0 | 0 | 37 | 96 | 8 | 46.75 | 85.121 |
12 | 2007/6/28 | 0.2 | 0 | 0 | 1 | 192 | 193 | 8.5 | 103.87 | 47.419 |
13 | 2007/12/25 | 0.3 | 0 | 0 | 0 | 33 | 187 | 7.4 | 46.47 | 47.097 |
14 | 2014/7/9 | 0.5 | 0 | 0 | 1 | 171 | 33 | 5.4 | 42.81 | 40.22 |
15 | 2011/12/24 | 0.3 | 0 | 0 | 0 | 120 | 188 | 7.2 | 103.17 | 42.34 |
16 | 2013/11/25 | 0.1 | 0 | 0 | 0 | 183 | 119 | 2.1 | 112.23 | 40.04 |
17 | 2006/10/31 | 0.2 | 0 | 0 | 0 | 120 | 187 | 9.2 | 107.82 | 37.04 |
18 | 2015/10/24 | 0.1 | 0 | 0 | 0 | 196 | 17 | 8 | 100.31 | 36.39 |
19 | 2015/10/24 | 0.2 | 0 | 0 | 0 | 221 | 146 | 7.1 | 20.83 | 35.1 |
20 | 1988/6/30 | 2 | 0 | 0 | 1 | 99 | 230 | 8.1 | 998.36 | 48.419 |
根据不同状态监测数据对应的评分规则进行评分,获取的评分结果如表2所示。
表2不同变压器的不同状态监测数据对应的评分
根据不同状态监测数据的得分情况,可以计算设备对应方向的健康状态的概率值,以5号变压器为例,计算结果如表3所示。
表3 5号变压器的不同状态监测数据在每种健康状态下的概率值
隶属度 | 运行年限 | 现存缺陷 | 微水含量 | 油中气体 | 接地电流 | 顶层油温 |
良好 | 0 | 0 | 1 | 0.6775 | 0 | 0.1394 |
一般 | 0 | 0 | 0 | 0.3225 | 0.95 | 0.8606 |
可疑 | 0 | 1 | 0 | 0 | 0.05 | 0 |
异常 | 1 | 0 | 0 | 0 | 0 | 0 |
为防止Zadeh悖论的出现,对概率分布进行去零处理,包括:将所有的概率值乘以第一预设系数,然后再加上第二预设系数作为最终的每项状态监测数据在每种健康状态下的概率值,修改后的概率分布如表4所示。其中,设置第一预设系数为0.99,第二预设系数为0.01。
需要说明的是,第一预设系数和第二预设系数的数值根据实际情况中确定的不同状态监测数据在每种健康状态下的概率值确定。
表4去零处理后确定的不同状态监测数据在每种健康状态下的概率值
隶属度 | 运行年限 | 现存缺陷 | 微水含量 | 油中气体 | 接地电流 | 顶层油温 |
良好 | 0.01 | 0.01 | 1 | 0.6805 | 0.01 | 0.1480 |
一般 | 0.01 | 0.01 | 0.01 | 0.3295 | 0.9505 | 0.8606 |
可疑 | 0.01 | 1 | 0.01 | 0.01 | 0.46 | 0.01 |
异常 | 1 | 0.01 | 0.01 | 0.01 | 0.01 | 0.01 |
根据表4中的概率值,带入概率融合公式:
其中,SAi为健康状态为Ai时的概率融合结果;Pm(Ai)为第m项状态监测数据在健康状态为Ai时的概率值;n为健康状态个数的总量;m为状态监测数据个数的总量;
可以得到:
i=1,即健康状态为良好时的概率融合结果为:SA1==0.2734762113365904;
i=2,即健康状态为一般时的概率融合结果为:SA2=0.7246381483884037;
i=3,即健康状态为可疑时的概率融合结果为:SA3=:0.0016139574393774381;
i=4,即健康状态为异常时的概率融合结果为:SA4=0.0002689929065629064;
因此,可以确定5号变压器的运行状态为一般。
图8为根据本发明实施方式的基于状态监测数据确定电力设备的运行状态的系统800的结构示意图。如图8所示,本发明的实施方式提供的基于状态监测数据确定电力设备的运行状态的系统800,包括:状态监测数据获取单元801、评分确定单元802、概率值确定单元803、概率融合单元804和运行状态确定单元805。
优选地,所述状态监测数据获取单元801,用于对电力设备的运行状况进行监测,以获取所述电力设备的至少一项状态监测数据。
优选地,其中所述电力设备为变压器,所述状态监测数据包括:运行年限、设备缺陷情况、油中溶解气体含量、铁芯接地电流、顶层油温和微水含量中的至少一种。
优选地,其中所述电力设备为GIS断路器,所述状态监测数据包括:运行年限、设备缺陷情况和SF6气体绝缘密度中的至少一种。
优选地,所述评分确定单元802,用于根据所述电力设备对应的状态监测数据按照预设的评分规则,确定所述电力设备的每项状态监测数据对应的评分。
优选地,所述概率值确定单元803,用于利用所述电力设备的每项状态监测数据对应的评分,根据预设的状态隶属函数,确定所述电力设备的每项状态监测数据在每种健康状态下的概率值。
优选地,其中所述系统还包括:概率值去零处理单元,用于将获取的所述电力设备的每项状态监测数据在每种健康状态下的概率值进行去零处理,以防止Zadeh悖论。
优选地,所述概率融合单元804,用于基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取所述电力设备的每种健康状态对应的概率融合结果。
优选地,其中所述概率融合单元804,基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取每种健康状态对应的概率融合结果,包括:
其中,SAi为健康状态为Ai时的概率融合结果;Pm(Ai)为第m项状态监测数据在健康状态为Ai时的概率值;n为健康状态个数的总量;m为状态监测数据个数的总量。
优选地,所述运行状态确定单元805,用于根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态。
优选地,其中所述运行状态确定单元805,根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态,包括:选取所述电力设备的每种健康状态对应的概率融合结果中的最大值对应的健康状态作为所述电力设备的运行状态。
本发明的实施例的基于状态监测数据确定电力设备的运行状态的系统800与本发明的另一个实施例的基于状态监测数据确定电力设备的运行状态的方法100相对应,在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (12)
1.一种基于状态监测数据确定电力设备的运行状态的方法,其特征在于,所述方法包括:
对电力设备的运行状况进行监测,以获取所述电力设备的至少一项状态监测数据;
根据所述电力设备对应的状态监测数据按照预设的评分规则,确定所述电力设备的每项状态监测数据对应的评分;
利用所述电力设备的每项状态监测数据对应的评分,根据预设的状态隶属函数,确定所述电力设备的每项状态监测数据在每种健康状态下的概率值;
基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取所述电力设备的每种健康状态对应的概率融合结果;
根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述电力设备为变压器,所述状态监测数据包括:运行年限、设备缺陷情况、油中溶解气体含量、铁芯接地电流、顶层油温和微水含量中的至少一种。
3.根据权利要求1所述的方法,其特征在于,所述电力设备为GIS断路器,所述状态监测数据包括:运行年限、设备缺陷情况和SF6气体绝缘密度中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将获取的所述电力设备的每项状态监测数据在每种健康状态下的概率值进行去零处理,以防止Zadeh悖论。
5.根据权利要求1所述的方法,其特征在于,所述基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取每种健康状态对应的概率融合结果,包括:
其中,SAi为健康状态为Ai时的概率融合结果;Pm(Ai)为第m项状态监测数据在健康状态为Ai时的概率值;n为健康状态个数的总量;m为状态监测数据个数的总量。
6.根据权利要求1所述的方法,其特征在于,所述根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态,包括:
选取所述电力设备的每种健康状态对应的概率融合结果中的最大值对应的健康状态作为所述电力设备的运行状态作为所述电力设备的运行状态。
7.一种基于状态监测数据确定电力设备的运行状态的系统,其特征在于,所述系统包括:
状态监测数据获取单元,用于对电力设备的运行状况进行监测,以获取所述电力设备的至少一项状态监测数据;
评分确定单元,用于根据所述电力设备对应的状态监测数据按照预设的评分规则,确定所述电力设备的每项状态监测数据对应的评分;
概率值确定单元,用于利用所述电力设备的每项状态监测数据对应的评分,根据预设的状态隶属函数,确定所述电力设备的每项状态监测数据在每种健康状态下的概率值;
概率融合单元,用于基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取所述电力设备的每种健康状态对应的概率融合结果;
运行状态确定单元,用于根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态。
8.根据权利要求7所述的系统,其特征在于,所述电力设备为变压器,所述状态监测数据包括:运行年限、设备缺陷情况、油中溶解气体含量、铁芯接地电流、顶层油温和微水含量中的至少一种。
9.根据权利要求7所述的系统,其特征在于,所述电力设备为GIS断路器,所述状态监测数据包括:运行年限、设备缺陷情况和SF6气体绝缘密度中的至少一种。
10.根据权利要求7所述的系统,其特征在于,所述系统还包括:
概率值去零处理单元,用于将获取的所述电力设备的每项状态监测数据在每种健康状态下的概率值进行去零处理,以防止Zadeh悖论。
11.根据权利要求7所述的系统,其特征在于,所述概率融合单元,基于D-S证据理论,根据所述电力设备的每项状态监测数据在每种健康状态下的概率值进行概率融合,以获取每种健康状态对应的概率融合结果,包括:
其中,SAi为健康状态为Ai时的概率融合结果;Pm(Ai)为第m项状态监测数据在健康状态为Ai时的概率值;n为健康状态个数的总量;m为状态监测数据个数的总量。
12.根据权利要求7所述的系统,其特征在于,所述运行状态确定单元,根据所述电力设备的每种健康状态对应的概率融合结果确定所述电力设备的运行状态,包括:
选取所述电力设备的每种健康状态对应的概率融合结果中的最大值对应的健康状态作为所述电力设备的运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300024.1A CN110163477A (zh) | 2019-04-15 | 2019-04-15 | 一种基于状态监测数据确定电力设备的运行状态的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300024.1A CN110163477A (zh) | 2019-04-15 | 2019-04-15 | 一种基于状态监测数据确定电力设备的运行状态的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163477A true CN110163477A (zh) | 2019-08-23 |
Family
ID=67639349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300024.1A Pending CN110163477A (zh) | 2019-04-15 | 2019-04-15 | 一种基于状态监测数据确定电力设备的运行状态的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163477A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672947A (zh) * | 2019-09-29 | 2020-01-10 | 龙岩学院 | 一种智能化电气工程测量系统及测量方法 |
CN111080179A (zh) * | 2020-02-04 | 2020-04-28 | 深圳市霍克威尔科技有限公司 | 变压器状态风险评估系统、方法、计算机可读存储介质 |
CN111142491A (zh) * | 2019-12-31 | 2020-05-12 | 无锡军创工程技术有限公司 | 一种基于物联网与云计算技术的智慧能源管理平台系统 |
CN112345678A (zh) * | 2020-11-10 | 2021-02-09 | 重庆大学 | 变压器故障率预测模型获取方法及系统、可读存储介质 |
CN112444577A (zh) * | 2020-11-17 | 2021-03-05 | 广东电网有限责任公司电力科学研究院 | 一种真空有载分接开关切换状态评估方法及系统 |
CN115331822A (zh) * | 2022-10-11 | 2022-11-11 | 南京从景生物技术有限公司 | 一种基于微信小程序的客户健康资料收集管理系统 |
CN115713027A (zh) * | 2022-10-31 | 2023-02-24 | 国网江苏省电力有限公司泰州供电分公司 | 一种变压器状态评估方法、装置及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
CN103926491A (zh) * | 2014-04-21 | 2014-07-16 | 国家电网公司 | 一种计及直流偏磁影响的变压器状态评估方法 |
CN106447210A (zh) * | 2016-10-10 | 2017-02-22 | 国家电网公司 | 一种计及可信度评价的配网设备健康度动态诊断方法 |
-
2019
- 2019-04-15 CN CN201910300024.1A patent/CN110163477A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
CN103926491A (zh) * | 2014-04-21 | 2014-07-16 | 国家电网公司 | 一种计及直流偏磁影响的变压器状态评估方法 |
CN106447210A (zh) * | 2016-10-10 | 2017-02-22 | 国家电网公司 | 一种计及可信度评价的配网设备健康度动态诊断方法 |
Non-Patent Citations (1)
Title |
---|
曾丹乐;杜修明;盛戈;王辉;陈玉峰;江秀臣;: "基于因子分析法与D-S证据理论的变压器关键参量提取和状态评估", 高压电器, no. 03, pages 7 - 14 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672947A (zh) * | 2019-09-29 | 2020-01-10 | 龙岩学院 | 一种智能化电气工程测量系统及测量方法 |
CN111142491A (zh) * | 2019-12-31 | 2020-05-12 | 无锡军创工程技术有限公司 | 一种基于物联网与云计算技术的智慧能源管理平台系统 |
CN111080179A (zh) * | 2020-02-04 | 2020-04-28 | 深圳市霍克威尔科技有限公司 | 变压器状态风险评估系统、方法、计算机可读存储介质 |
CN112345678A (zh) * | 2020-11-10 | 2021-02-09 | 重庆大学 | 变压器故障率预测模型获取方法及系统、可读存储介质 |
CN112345678B (zh) * | 2020-11-10 | 2022-03-01 | 重庆大学 | 变压器故障率预测模型获取方法及系统、可读存储介质 |
CN112444577A (zh) * | 2020-11-17 | 2021-03-05 | 广东电网有限责任公司电力科学研究院 | 一种真空有载分接开关切换状态评估方法及系统 |
CN115331822A (zh) * | 2022-10-11 | 2022-11-11 | 南京从景生物技术有限公司 | 一种基于微信小程序的客户健康资料收集管理系统 |
CN115713027A (zh) * | 2022-10-31 | 2023-02-24 | 国网江苏省电力有限公司泰州供电分公司 | 一种变压器状态评估方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163477A (zh) | 一种基于状态监测数据确定电力设备的运行状态的方法及系统 | |
Su et al. | A fuzzy dissolved gas analysis method for the diagnosis of multiple incipient faults in a transformer | |
Ahmed et al. | Power transformer fault diagnosis using fuzzy logic technique based on dissolved gas analysis | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
US20210278464A1 (en) | Condition assessment method and device for an outdoor post-mounted vacuum switch | |
Butler | An expert system based framework for an incipient failure detection and predictive maintenance system | |
CN108491990A (zh) | 一种风电场设备状态评价及检修决策支持检测方法及系统 | |
CN104331843A (zh) | 一种基于蝴蝶结模型的变压器故障风险评估方法 | |
CN103513125A (zh) | 一种220kv级以上变压器一体化智能诊断系统及其方法 | |
CN107563620A (zh) | 一种基于设备全寿命信息的综合评价方法 | |
CN116885716B (zh) | 基于边缘计算的低压配电网电能质量态势感知方法及系统 | |
CN116881827A (zh) | 一种适用于变压器的运行安全监管系统 | |
CN110954812B (zh) | 一种基于调度自动化数据的断路器电寿命诊断方法和系统 | |
CN113779005A (zh) | 一次设备的缺陷评估方法和装置、存储介质 | |
CN112116276A (zh) | 一种计及电气主设备时变状态的变电站运行风险评估方法 | |
Bhalla et al. | Transformer incipient fault diagnosis based on DGA using fuzzy logic | |
CN104360194A (zh) | 一种智能电网故障诊断方法 | |
GU et al. | Research on intelligent early warning algorithm for distribution network considering extreme climate conditions | |
CN115169932A (zh) | 一种高压断路器状态综合评估方法 | |
Moldoveanu et al. | Intelligent system for the on-line real time monitoring of high voltage substations | |
Jagers et al. | Transformer reliability and condition assessment in a south african utility | |
CN113807461A (zh) | 基于贝叶斯网络的变压器故障诊断方法 | |
Afiqah et al. | Fuzzy logic application in DGA methods to classify fault type in power transformer | |
Moldoveanu et al. | Smart grids: On-line monitoring and condition assessment of high voltage substations | |
Zhou et al. | A new model of transformer operation state evaluation based on analytic hierarchy process and association rule mining |
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 |