CN110689234B - 一种基于多源数据融合的电力变压器状态评估方法 - Google Patents
一种基于多源数据融合的电力变压器状态评估方法 Download PDFInfo
- Publication number
- CN110689234B CN110689234B CN201910835135.2A CN201910835135A CN110689234B CN 110689234 B CN110689234 B CN 110689234B CN 201910835135 A CN201910835135 A CN 201910835135A CN 110689234 B CN110689234 B CN 110689234B
- Authority
- CN
- China
- Prior art keywords
- index
- power transformer
- indexes
- evidence
- index group
- 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.)
- Active
Links
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
- G06Q10/06—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
一种基于多源数据融合的电力变压器状态评估方法,该方法先构建电力变压器状态评估指标体系,再基于模糊综合评判法、采用半梯形与半岭形相结合的隶属度函数计算得出各指标群的隶属度函数矩阵P(X),并根据各指标的主客观权重、基于离差平方和确定各指标的最优原始权重分配,得出其模糊综合评判结果,然后以模糊综合评判结果为子证据,将其带入D‑S证据模型中进行融合,其中,评估指标体系包括油中溶解气体试验指标群、绝缘油试验指标群、电气试验指标群。本设计不仅能够准确、客观的评估变压器状态,而且可操作性强。
Description
技术领域
本发明属于状态评估领域,具体涉及一种综合考虑设备油中溶解气体、绝缘油试验、电气试验等多源数据融合的电力变压器状态评估方法。
背景技术
油浸式电力变压器是电力系统的关键变电设备,是由油、纸、铜、钢、铁等材料组成的高度集成的复杂系统,运行环境复杂多变,故障机理复杂且维修成本高昂,一旦发生故障将造成巨大的经济损失。随着传感监测设备及信息化技术的发展,电力设备自投运以来的各种运行数据、监测数据、试验数据和检修数据不断生成,数据呈现出多源异构的大数据特征。除了分别存储于各信息系统的静态数据外,随着设备的老化、故障、检修、报废等行为,电力资产信息中相关主体和关系将随时间演变而产生不同时间节点上的动态数据。多维数据分别从不同侧面、不同程度和不同层次上反映了设备运行状态的好坏,且状态信息间具有耦合性、模糊性、随机性等特征,使得电力变压器的健康状态评估更加困难。目前,针对各电压等级的输变电设备,还未出现普遍适用的故障诊断与健康管理方法准则。在电力设备实际运维中,应用最普遍的仍是基于导则的累计扣分制评价方法,该方法简单易行却忽视了状态信息的不确定性问题。因此,如何实现多源异构数据的充分融合与高效利用,对电力设备进行“精准画像”,实现精细化差异化的状态评估,是亟待解决的问题。
电力设备在运行中会积累大量的监测试验数据,多维数据是设备健康管理的基础。自国家电网提出状态检修的概念,在电力设备状态评估领域已进行了大量的学术研究。目前用于电力变压器健康监测的状态指标主要有:油中溶解气体DGA、局部放电、红外热像、糠醛含量、酸值、绕组热点温度、以及振动信号等。由于变压器油中溶解气体数据的获取相对容易,目前变压器的状态评估主要是基于DGA分析,缺点在于气体间关系复杂,且无法响应换油等检修行为带来的故障率降低的效果。现有建立在变压器试验数据基础上的状态评估方法大多根据单一或有限的状态变量,未充分利用多源信息来进行综合判断,评估结果不够准确全面。目前,变压器的状态评估有多种方法:传统方法有基于油中溶解气体的三比值法、基于导则的阈值判断法等;也提出了许多智能化算法,如支持向量机法、马尔可夫模型、模糊综合评判法、粗糙集理论、神经网络、D-S证据理论等,这些研究成果一定程度上保证了电力变压器的安全可靠运行。
目前,电力变压器状态评估与健康管理工作仍存在以下几个方面的制约因素:(1)资产信息被割裂于PMS、EMS、IMS、ERP等多个信息系统,多源异构数据间的共享融合问题,无形中增加了设备状态评估和数据发掘的难度;(2)由于电力设备的高可靠性,缺陷故障样本数量难以满足深度学习等智能算法的建模需求,对于数据驱动设备健康管理提出了一定的难度。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种能够准确、客观的评估变压器状态的基于多源数据融合的电力变压器状态评估方法。
为实现以上目的,本发明的技术方案如下:
一种基于多源数据融合的电力变压器状态评估方法,依次包括以下步骤:
步骤A、构建电力变压器状态评估指标体系,其中,所述电力变压器状态评估指标体系包括油中溶解气体试验指标群、绝缘油试验指标群、电气试验指标群;
步骤B、基于模糊综合评判法、采用半梯形与半岭形相结合的隶属度函数计算得出各指标群的隶属度函数矩阵P(X);
步骤C、根据矩阵P(X)确定各指标的最优原始权重分配;
步骤D、根据各指标的最优原始权重、依据加权求和得到各指标群的模糊综合评判结果M(X);
步骤E、以各指标群的模糊综合评判结果为子证据、以最大基本概率赋值作为评估结果、采用D-S证据理论对各子证据进行融合,得到电力变压器的状态评估结果。
所述步骤C依次包括以下步骤:
步骤B1、根据各指标的特征值计算其相对劣化度,并将电力变压器的运行状态划分为4种状态,Ai={A1,A2,A3,A4}={正常,注意,异常,严重};
步骤B2、按下式计算各指标在上述四种运行状态下的隶属度μ(x):
上式中,μ1(xi)为正常状态下的隶属度函数,μ2(xi)为注意状态下的隶属度函数,μ3(xi)为异常状态下的隶属度函数,μ4(xi)为严重状态下的隶属度函数,xi为第i个指标的相对劣化度,sk为[0,1]区间中第k个指标的边界值,{S1,S2,S3,S4,S5,S6}={0.2,0.4,0.5,0.6,0.7,0.8};
步骤B3、根据以下公式确定各指标群的隶属度函数矩阵P(X):
上式中,n为指标群内的指标个数。
所述步骤B1中,
对于相对劣化度数值越小越优型的指标,其相对劣化度采用以下公式计算得到:
对于相对劣化度数值越大越优型的指标,其相对劣化度采用以下公式计算得到:
上式中,xi为第i个指标的相对劣化度,其取值范围为[0,1],C0为该指标的初值即最优值,Cmax、Cmin分别为该指标的最大、最小值,Ci为该指标的实测值。
所述步骤C依次包括以下步骤:
步骤C1、采用层次分析法计算指标群中各指标的主观权重,并根据各指标的原始数据、选用变异系数法计算获得其客观权重;
步骤C2、根据矩阵P(X)、基于离差平方和确定各指标群的组合赋权矩阵Wc:
maxJ(Wc)
Wc=θ1W1+θ2W2+…+θlWl
Wk=(w1k,w2k,…,wnk)T
上式中,wcj为矩阵Wc中第j列元素的权重,xij为矩阵P(X)中第i行第j列元素,xij’为矩阵P(X)中第i行非第j列元素,m为样本个数,n为评价指标个数,l为n个指标所具有的赋权方案总数,θk为第k种赋权方案的组合权重,Wk为第k种赋权方案的权向量值,k=1,2,…,l,wjk为第j个指标采用第k种赋权方案的权向量值,wjk≥0且∑wjk=1;
步骤C3、对Wc进行归一化处理以得到各指标的最优原始权重分配。
所述步骤C1中,各指标的客观权重根据以下公式计算得到:
上式中,m为样本个数,n为评价指标个数,xij为各指标的原始数据矩阵X中第i行第j列元素,wj为矩阵X中第j列指标的客观权重。
所述步骤D根据以下公式计算各指标群的模糊综合评判结果M(X),即各指标群下电力变压器状态信度区间:
M(X)=WcP(X)
上式中,Wc为指标群中各指标的最优原始权重分配。
所述步骤E利用以下模型对子证据进行融合:
上式中,m(Ψ)为识别框架Θ的子集Ψ的基本概率分配,m1(A1)为第一个子证据支持命题A1即正常运行状态发生的程度,K为证据冲突程度,{w1,…,wr,…,wR}为各子证据{X1,…,Xr,…,XR}所对应的权重,wmax为权重最大值,αk为优先置信度系数,Mr(X)为模糊综合评判结果M(X),mr(X)为修订后的基本概率分配,mr(Θ)为不确定证据的概率信度分配。
步骤A中,所述油中溶解气体试验指标群包括H2含量、CH4含量、C2H4含量、C2H6含量、C2H2含量、CO含量、CO2含量、总烃含量以及总烃产气速率指标,所述绝缘油试验指标群包括油中微水、击穿电压、油介损以及酸值指标,所述电气试验指标群包括绝缘电阻、吸收比、绕组介损、绕组直流电阻以及铁芯接地电流指标。
与现有技术相比,本发明的有益效果为:
1、本发明一种基于多源数据融合的电力变压器状态评估方法先以多种试验数据为基础建立了电力变压器状态评估指标体系,再基于模糊综合评判法、采用半梯形与半岭形相结合的隶属度函数计算得出各指标群的隶属度函数矩阵P(X),并根据矩阵P(X)确定各指标的最优原始权重分配,得出其模糊综合评判结果,然后以模糊综合评判结果为子证据,将其带入D-S证据模型中进行融合,该方法不仅能够对电力变压器的状态做出准确、客观的评估,得到的评估结论可为后续故障诊断、寿命预测乃至检修决策环节提供重要的参考依据,而且具有较强的可操作性。因此,本发明不仅能够准确、客观的评估变压器状态,而且可操作性强。
2、本发明一种基于多源数据融合的电力变压器状态评估方法针对所选用的评估指标的特点采用半梯形与半岭形相结合的隶属度函数进行指标状态映射,能够更好地模拟评估指标间的模糊性,同时,该方法采用基于离差平方和的主客观综合赋权法保证了原始权重分配的精确度,从而有效提高了评估结果的合理性。因此,本发明有效提高了评估结果的合理性。
3、本发明一种基于多源数据融合的电力变压器状态评估方法仅以油中溶解气体试验指标、绝缘油试验指标、电气试验指标这些不可修复的老化失效故障因素作为电力变压器状态评估指标体系,而不考虑由绝缘套管、分接开关、冷却系统等附件引起的可修复的随机性故障因素,可更好地反映电力变压器的老化绝缘状态,有利于实现变压器状态的有效评估。因此,本发明所采用的评估指标体系有利于实现变压器状态的有效评估。
附图说明
图1为本发明所述电力变压器状态评估指标体系示意图。
图2为本发明所述半梯形与半岭形相结合的隶属度函数的分布。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的说明。
参见图1、图2,一种基于多源数据融合的电力变压器状态评估方法,依次包括以下步骤:
步骤A、构建电力变压器状态评估指标体系,其中,所述电力变压器状态评估指标体系包括油中溶解气体试验指标群、绝缘油试验指标群、电气试验指标群;
步骤B、基于模糊综合评判法、采用半梯形与半岭形相结合的隶属度函数计算得出各指标群的隶属度函数矩阵P(X);
步骤C、根据矩阵P(X)确定各指标的最优原始权重分配;
步骤D、根据各指标的最优原始权重、依据加权求和得到各指标群的模糊综合评判结果M(X);
步骤E、以各指标群的模糊综合评判结果为子证据、以最大基本概率赋值作为评估结果、采用D-S证据理论对各子证据进行融合,得到电力变压器的状态评估结果。
所述步骤C依次包括以下步骤:
步骤B1、根据各指标的特征值计算其相对劣化度,并将电力变压器的运行状态划分为4种状态,Ai={A1,A2,A3,A4}={正常,注意,异常,严重};
步骤B2、按下式计算各指标在上述四种运行状态下的隶属度μ(x):
上式中,μ1(xi)为正常状态下的隶属度函数,μ2(xi)为注意状态下的隶属度函数,μ3(xi)为异常状态下的隶属度函数,μ4(xi)为严重状态下的隶属度函数,xi为第i个指标的相对劣化度,sk为[0,1]区间中第k个指标的边界值,{S1,S2,S3,S4,S5,S6}={0.2,0.4,0.5,0.6,0.7,0.8};
步骤B3、根据以下公式确定各指标群的隶属度函数矩阵P(X):
上式中,n为指标群内的指标个数。
所述步骤B1中,
对于相对劣化度数值越小越优型的指标,其相对劣化度采用以下公式计算得到:
对于相对劣化度数值越大越优型的指标,其相对劣化度采用以下公式计算得到:
上式中,xi为第i个指标的相对劣化度,其取值范围为[0,1],C0为该指标的初值即最优值,Cmax、Cmin分别为该指标的最大、最小值,Ci为该指标的实测值。
所述步骤C依次包括以下步骤:
步骤C1、采用层次分析法计算指标群中各指标的主观权重,并根据各指标的原始数据、选用变异系数法计算获得其客观权重;
步骤C2、根据矩阵P(X)、基于离差平方和确定各指标群的组合赋权矩阵Wc:
maxJ(Wc)
Wc=θ1W1+θ2W2+…+θlWl
Wk=(w1k,w2k,…,wnk)T
上式中,wcj为矩阵Wc中第j列元素的权重,xij为矩阵P(X)中第i行第j列元素,xij’为矩阵P(X)中第i行非第j列元素,m为样本个数,n为评价指标个数,l为n个指标所具有的赋权方案总数,θk为第k种赋权方案的组合权重,Wk为第k种赋权方案的权向量值,k=1,2,…,l,wjk为第j个指标采用第k种赋权方案的权向量值,wjk≥0且∑wjk=1;
步骤C3、对Wc进行归一化处理以得到各指标的最优原始权重分配。
所述步骤C1中,各指标的客观权重根据以下公式计算得到:
上式中,m为样本个数,n为评价指标个数,xij为各指标的原始数据矩阵X中第i行第j列元素,wj为矩阵X中第j列指标的客观权重。
所述步骤D根据以下公式计算各指标群的模糊综合评判结果M(X),即各指标群下电力变压器状态信度区间:
M(X)=WcP(X)
上式中,Wc为指标群中各指标的最优原始权重分配。
所述步骤E利用以下模型对子证据进行融合:
上式中,m(Ψ)为识别框架Θ的子集Ψ的基本概率分配,m1(A1)为第一个子证据支持命题A1即正常运行状态发生的程度,K为证据冲突程度,{w1,…,wr,…,wR}为各子证据{X1,…,Xr,…,XR}所对应的权重,wmax为权重最大值,αk为优先置信度系数,Mr(X)为模糊综合评判结果M(X),mr(X)为修订后的基本概率分配,mr(Θ)为不确定证据的概率信度分配。
步骤A中,所述油中溶解气体试验指标群包括H2含量、CH4含量、C2H4含量、C2H6含量、C2H2含量、CO含量、CO2含量、总烃含量以及总烃产气速率指标,所述绝缘油试验指标群包括油中微水、击穿电压、油介损以及酸值指标,所述电气试验指标群包括绝缘电阻、吸收比、绕组介损、绕组直流电阻以及铁芯接地电流指标。
本发明的原理说明如下:
本发明以多种试验数据为基础建立了电力变压器多维状态评估指标体系及最优权重分配,引入了相对劣化度表征变压器实际状态向故障态转化的程度,采用综合模糊评判法计算出各指标的隶属度函数,以各参数子空间的计算结果作为子证据,带入D-S证据模型进行融合,实现了基于多源数据融合的电力变压器状态评估。与现有技术相比,本方法能很好地处理数据不确定性、赋权主观性等问题,提供了精细化的电力变压器状态评估方法。
变压器状态评估指标体系:变压器故障可分为不可修复的老化失效故障和可修复的随机故障2类,前者指变压器本体油纸绝缘材料的机械电气功能的丧失;后者包括绝缘套管、分接开关、冷却系统等附件的随机性故障,而变压器安全运行寿命主要由其绝缘老化程度所决定。考虑到状态评估的可实施性,本发明主要选取表征本体内部绝缘的多项试验数据共同构成变压器状态评估指标体系。
相对劣化度xi:相对劣化度xi的取值范围为[0,1],xi=0时指标处于最优状态,xi=1时指标处于最差状态,在进行相对劣化度计算时,若计算得到的xi大于1则取1,小于0则取0,从而保证指标结果的归一化。
D-S证据理论:用证据理论进行决策时需满足以下决策规则,以最大基本概率赋值作为评估结果,且与其他任何基本概率赋值的差值要大于某一设定阈值,本发明取ε0=0.001,不确定性的赋值概率要小于某一设定阈值,本发明取ε1=0.04。若无法同时满足上述决策规则,则评估结果无效,可能需要重新定义识别框架或进行更多证据融合。
实施例1:
一种基于多源数据融合的电力变压器状态评估方法,本实施例以湖北省某台110kV变压器作为对象,依次按照以下步骤进行:
步骤1、参见图1,构建电力变压器状态评估指标体系,其中,所述电力变压器状态评估指标体系包括油中溶解气体试验指标群、绝缘油试验指标群、电气试验指标群,所述油中溶解气体试验指标群包括H2含量75.4μL/L、CH4含量20.65μL/L、C2H4含量45μL/L、C2H6含量22.5μL/L、C2H2含量0.76μL/L、CO含量878.5μL/L、CO2含量2609.3μL/L、总烃含量88.91μL/L、总烃产气速率3.72%/月,所述绝缘油试验指标群包括油中微水14mg/L、击穿电压50kV、油介损0.62%、酸值0.032mg KOH/g,所述电气试验指标群包括绝缘电阻3000MΩ、吸收比1.57、绕组介损0.425%、绕组直流电阻1.19%、铁芯接地电流50mA;
步骤2、采用层次分析法,咨询多位行业专家,各专家根据先验知识和经验,按AHP要求给出两两指标间的重要性比较,计算权重并做适当修正,得出多指标主观权重;
步骤3、选用变异系数法、根据各指标的原始数据通过以下公式获得其客观权重:
上式中,m为样本个数,n为评价指标个数,xij为各指标的原始数据矩阵X中第i行第j列元素,wj为矩阵X中第j列指标的客观权重;
步骤4、根据矩阵P(X)、基于离差平方和确定各指标的组合赋权矩阵Wc:
maxJ(Wc)
Wc=θ1W1+θ2W2+…+θlWl
Wk=(w1k,w2k,…,wnk)T
上式中,wcj为矩阵Wc中第j列元素的权重,xij为矩阵P(X)中第i行第j列元素,xij’为矩阵P(X)中第i行非第j列元素,m为样本个数,n为评价指标个数,l为n个指标所具有的赋权方案总数,θk为第k种赋权方案的组合权重,Wk为第k种赋权方案的权向量值,k=1,2,…,l,wjk为第j个指标采用第k种赋权方案的权向量值,wjk≥0且∑wjk=1;
步骤5、对Wc进行归一化处理以得到各指标的最优原始权重分配;
本实施例得到的各指标的最优原始权重如表1所述:
表1 多维评估指标的原始权重
指标 | 下层指标的权重 |
X | [0.3713 0.3221 0.2576] |
X1 | [0.0985 0.0689 0.0939 0.0913 0.2391 0.0499 0.0588 0.0940 0.2057] |
X2 | [0.3026 0.1938 0.2443 0.2593] |
X3 | [0.1438 0.1237 0.1945 0.3044 0.2336] |
步骤6、根据各指标的特征值计算其相对劣化度,并将电力变压器的运行状态划分为4种状态,Ai={A1,A2,A3,A4}={正常,注意,异常,严重},其中,
对于相对劣化度数值越小越优型的指标,其相对劣化度采用以下公式计算得到:
对于相对劣化度数值越大越优型的指标,其相对劣化度采用以下公式计算得到:
上式中,xi为第i个指标的相对劣化度,其取值范围为[0,1],C0为该指标的初值即最优值,Cmax、Cmin分别为该指标的最大、最小值,Ci为该指标的实测值;
步骤7、按下式计算各指标在上述四种运行状态下的隶属度μ(x):
上式中,μ1(xi)为正常状态下的隶属度函数,μ2(xi)为注意状态下的隶属度函数,μ3(xi)为异常状态下的隶属度函数,μ4(xi)为严重状态下的隶属度函数,xi为第i个指标的相对劣化度,sk为[0,1]区间中第k个指标的边界值,{S1、S2,S3、S4、S5、S6}={0.2、0.4、0.5、0.6、0.7、0.8};
步骤8、根据以下公式确定各指标群的隶属度函数矩阵P(X):
上式中,n为指标群内的指标个数;
本实施例得到的各指标群的隶属度函数矩阵分别为:
步骤9、根据指标群中各指标的最优原始权重、依据加权求和计算各指标群的模糊综合评判结果M(X),即各指标群下电力变压器状态信度区间:
M(X)=WcP(X)
上式中,Wc为指标群中各指标的最优原始权重分配;
本实施例得到的各指标群的模糊综合评判结果为:
步骤10、以各指标群的模糊综合评判结果为子证据、以最大基本概率赋值作为评估结果、采用D-S证据理论对各子证据进行融合,得到电力变压器的状态评估结果:
上式中,m(Ψ)为识别框架Θ的子集Ψ的基本概率分配,m1(A1)为第一个子证据支持命题A1即正常运行状态发生的程度,K为证据冲突程度,{w1,…,wr,…,wR}为各子证据{X1,…,Xr,…,XR}所对应的权重,wmax为权重最大值,αk为优先置信度系数,Mr(X)为模糊综合评判结果M(X),mr(X)为修订后的基本概率分配,mr(Θ)为不确定证据的概率信度分配;
本实施例得到的电力变压器的状态评估结果如表2所示:
表2 电力变压器在不同运行状态下的评估结果
结果 | m(Θ) | A1 | A2 | A3 | A4 |
X12 | 0.0405 | 0.3422 | 0.4379 | 0.1794 | 0 |
X123 | 0.0256 | 0.2737 | 0.4865 | 0.2142 | 0 |
将上述融合结果与决策规则进行对比,满足设定的阈值条件,表明本融合方法是有效的。
针对该台变压器,由原始试验报告可知,由于无任一指标超过注意值,因此所有检测结果均为合格,然而多项指标均有劣化趋势。利用本文的评估方法最终评价结果为“A2注意状态”,符合该变压器后续运行中出现状态告警的实际情况。本文所提方法对变压器的初期老化情况有一个量化结果,相比于试验规程中的阈值判断法,评估结果更加合理,由D-S证据理论对子证据进行融合后,变压器处在A2区间的信度0.4865更加明确,与单项目因素评估相比,结果更加有效。
Claims (6)
1.一种基于多源数据融合的电力变压器状态评估方法,其特征在于:
所述方法依次包括以下步骤:
步骤A、构建电力变压器状态评估指标体系,其中,所述电力变压器状态评估指标体系包括油中溶解气体试验指标群、绝缘油试验指标群、电气试验指标群;
步骤B、基于模糊综合评判法、采用半梯形与半岭形相结合的隶属度函数计算得出各指标群的隶属度函数矩阵P(X),包括:
步骤B1、根据各指标的特征值计算其相对劣化度,并将电力变压器的运行状态划分为4种状态,Ai={A1,A2,A3,A4}={正常,注意,异常,严重};
步骤B2、按下式计算各指标在上述四种运行状态下的隶属度μ(x):
上式中,μ1(xi)为正常状态下的隶属度函数,μ2(xi)为注意状态下的隶属度函数,μ3(xi)为异常状态下的隶属度函数,μ4(xi)为严重状态下的隶属度函数,xi为第i个指标的相对劣化度,sk为[0,1]区间中第k个指标的边界值,{S1,S2,S3,S4,S5,S6}={0.2,0.4,0.5,0.6,0.7,0.8};
步骤B3、根据以下公式确定各指标群的隶属度函数矩阵P(X):
上式中,n为指标群内的指标个数;
步骤C、根据矩阵P(X)确定各指标的最优原始权重分配,包括:
步骤C1、采用层次分析法计算指标群中各指标的主观权重,并根据各指标的原始数据、选用变异系数法计算获得其客观权重;
步骤C2、根据矩阵P(X)、基于离差平方和确定各指标群的组合赋权矩阵Wc:
max J(Wc)
Wc=θ1W1+θ2W2+…+θlWl
Wk=(w1k,w2k,…,wnk)T
上式中,wcj为矩阵Wc中第j列元素的权重,xij为矩阵P(X)中第i行第j列元素,xij’为矩阵P(X)中第i行非第j列元素,m为样本个数,n为评价指标个数,l为n个指标所具有的赋权方案总数,θk为第k种赋权方案的组合权重,Wk为第k种赋权方案的权向量值,k=1,2,…,l,wjk为第j个指标采用第k种赋权方案的权向量值,wjk≥0且∑wjk=1;
步骤C3、对Wc进行归一化处理以得到各指标的最优原始权重分配;
步骤D、根据各指标的最优原始权重、依据加权求和得到各指标群的模糊综合评判结果M(X);
步骤E、以各指标群的模糊综合评判结果为子证据、以最大基本概率赋值作为评估结果、采用D-S证据理论对各子证据进行融合,得到电力变压器的状态评估结果。
2.根据权利要求1所述的一种基于多源数据融合的电力变压器状态评估方法,其特征在于:
所述步骤B1中,
对于相对劣化度数值越小越优型的指标,其相对劣化度采用以下公式计算得到:
对于相对劣化度数值越大越优型的指标,其相对劣化度采用以下公式计算得到:
上式中,xi为第i个指标的相对劣化度,其取值范围为[0,1],C0为该指标的初值即最优值,Cmax、Cmin分别为该指标的最大、最小值,Ci为该指标的实测值。
3.根据权利要求1所述的一种基于多源数据融合的电力变压器状态评估方法,其特征在于:
所述步骤C1中,各指标的客观权重根据以下公式计算得到:
上式中,m为样本个数,n为评价指标个数,xij为各指标的原始数据矩阵X中第i行第j列元素,wj为矩阵X中第j列指标的客观权重。
4.根据权利要求1或2所述的一种基于多源数据融合的电力变压器状态评估方法,其特征在于:
所述步骤D根据以下公式计算各指标群的模糊综合评判结果M(X),即各指标群下电力变压器状态信度区间:
M(X)=WcP(X)
上式中,Wc为指标群中各指标的最优原始权重分配。
5.根据权利要求1或2所述的一种基于多源数据融合的电力变压器状态评估方法,其特征在于:
所述步骤E利用以下模型对子证据进行融合:
上式中,m(Ψ)为识别框架Θ的子集Ψ的基本概率分配,m1(A1)为第一个子证据支持命题A1即正常运行状态发生的程度,K为证据冲突程度,{w1,…,wr,…,wR}为各子证据{X1,…,Xr,…,XR}所对应的权重,wmax为权重最大值,αk为优先置信度系数,Mr(X)为模糊综合评判结果M(X),mr(X)为修订后的基本概率分配,mr(Θ)为不确定证据的概率信度分配。
6.根据权利要求1或2所述的一种基于多源数据融合的电力变压器状态评估方法,其特征在于:
步骤A中,所述油中溶解气体试验指标群包括H2含量、CH4含量、C2H4含量、C2H6含量、C2H2含量、CO含量、CO2含量、总烃含量以及总烃产气速率指标,所述绝缘油试验指标群包括油中微水、击穿电压、油介损以及酸值指标,所述电气试验指标群包括绝缘电阻、吸收比、绕组介损、绕组直流电阻以及铁芯接地电流指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835135.2A CN110689234B (zh) | 2019-09-05 | 2019-09-05 | 一种基于多源数据融合的电力变压器状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835135.2A CN110689234B (zh) | 2019-09-05 | 2019-09-05 | 一种基于多源数据融合的电力变压器状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689234A CN110689234A (zh) | 2020-01-14 |
CN110689234B true CN110689234B (zh) | 2023-08-04 |
Family
ID=69108751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910835135.2A Active CN110689234B (zh) | 2019-09-05 | 2019-09-05 | 一种基于多源数据融合的电力变压器状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689234B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368255B (zh) * | 2020-03-06 | 2021-07-20 | 西南交通大学 | 一种组合指标下车载变压器运行平稳性的评估方法 |
CN111537939B (zh) * | 2020-04-17 | 2022-05-27 | 武汉格蓝若智能技术有限公司 | 一种基于多指标融合的电压互感器状态评估方法及装置 |
CN111539625A (zh) * | 2020-04-23 | 2020-08-14 | 中国北方车辆研究所 | 一种面向地面目标的多源信息融合评估方法 |
CN111815137A (zh) * | 2020-06-30 | 2020-10-23 | 同济大学 | 一种电力系统脆弱性综合评估方法 |
CN111784168A (zh) * | 2020-07-02 | 2020-10-16 | 航天物联网技术有限公司 | 一种基于多源数据融合模型的军事训练水平综合评估方法 |
CN112486057B (zh) * | 2020-11-03 | 2021-11-09 | 江苏核电有限公司 | 干式变压器多信息量在线综合监测方法及系统 |
CN112508360A (zh) * | 2020-11-24 | 2021-03-16 | 国网山西省电力公司晋城供电公司 | 一种改进模糊综合评价的电缆运行状态评估方法 |
CN113341241A (zh) * | 2021-04-25 | 2021-09-03 | 国网山东省电力公司淄博供电公司 | 基于多要素的变压器运行状态诊断方法 |
CN112966990B (zh) * | 2021-05-18 | 2021-09-10 | 国网江西省电力有限公司电力科学研究院 | 一种变电设备综合状态评价方法 |
CN113589199A (zh) * | 2021-06-28 | 2021-11-02 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种变压器状态评估方法 |
CN113340357B (zh) * | 2021-07-05 | 2022-09-30 | 山东国稳电气有限公司 | 一种gis设备状态在线监测系统 |
CN113591985B (zh) * | 2021-07-30 | 2023-12-15 | 国网安徽省电力有限公司电力科学研究院 | 基于数据融合的特高压gis运行状态综合诊断方法和系统 |
CN113743801B (zh) * | 2021-09-08 | 2022-08-16 | 山东财经大学 | 一种电力变压器状态评估方法 |
CN115859223A (zh) * | 2023-02-27 | 2023-03-28 | 四川省计算机研究院 | 多源数据行业融合分析方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778575A (zh) * | 2014-03-04 | 2014-05-07 | 国网浙江宁波市鄞州区供电公司 | 变压器状态评估方法及系统 |
CN109711663A (zh) * | 2018-11-15 | 2019-05-03 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及系统 |
CN110009208A (zh) * | 2019-03-26 | 2019-07-12 | 武汉理工大学 | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2981036A1 (en) * | 2017-08-21 | 2019-02-21 | Delta-X Research Inc. | Method and system for assessment of fault severity, risk exposure, and gassing status for liquid-filled high-voltage apparatus |
-
2019
- 2019-09-05 CN CN201910835135.2A patent/CN110689234B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778575A (zh) * | 2014-03-04 | 2014-05-07 | 国网浙江宁波市鄞州区供电公司 | 变压器状态评估方法及系统 |
CN109711663A (zh) * | 2018-11-15 | 2019-05-03 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及系统 |
CN110009208A (zh) * | 2019-03-26 | 2019-07-12 | 武汉理工大学 | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110689234A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689234B (zh) | 一种基于多源数据融合的电力变压器状态评估方法 | |
CN107843718B (zh) | 一种变压器绝缘油老化状态评估的方法 | |
CN110297141A (zh) | 基于多层评估模型的故障定位方法及系统 | |
CN103778575B (zh) | 变压器状态评估方法及系统 | |
CN107831415B (zh) | 一种变压器绝缘纸老化状态评估的区间值模糊集方法 | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
CN106651189B (zh) | 一种基于多层复合规则的变压器状态评价方法 | |
CN107843816B (zh) | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 | |
Yang et al. | State evaluation of power transformer based on digital twin | |
CN104992377B (zh) | 一种基于服役年龄和负荷水平的变压器可靠性分析方法 | |
CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
CN107831300B (zh) | 一种基于三维梯形概率模糊集的变压器绝缘油劣化评估方法 | |
Gouda et al. | Enhancing the diagnostic accuracy of DGA techniques based on IEC-TC10 and related databases | |
CN110503305A (zh) | 一种变压器性能评估方法 | |
Zeinoddini-Meymand et al. | An efficient approach with application of linear and nonlinear models for evaluation of power transformer health index | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN116862478A (zh) | 基于分层架构与动态赋权的变压器健康评估方法 | |
CN110580578A (zh) | 一种智能变电站二次系统运行质量多分层评价方法 | |
Zhang et al. | Fuzzy failure rate model of power transformer based on condition monitoring | |
Jing et al. | State evaluation of power cable based on RBF information fusion algorithm using multi-parameters | |
Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
Sun et al. | Fault diagnosis of power transformer based on DGA and information fusion | |
Li et al. | Evaluation method of switchgear state based on adaptive DBSCAN algorithm | |
Liao et al. | A condition assessment model of oil-immersed transformers using cloud and matter element integrated method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |