CN111291987A - 一种互感器寿命预测方法及装置 - Google Patents

一种互感器寿命预测方法及装置 Download PDF

Info

Publication number
CN111291987A
CN111291987A CN202010076905.2A CN202010076905A CN111291987A CN 111291987 A CN111291987 A CN 111291987A CN 202010076905 A CN202010076905 A CN 202010076905A CN 111291987 A CN111291987 A CN 111291987A
Authority
CN
China
Prior art keywords
initial
state
year
state probability
preset
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
CN202010076905.2A
Other languages
English (en)
Inventor
纪伊琳
张永旺
左右宇
党三磊
彭龙
赵炳辉
欧振国
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.)
Metrology Center of Guangdong Power Grid Co Ltd
Original Assignee
Metrology Center of Guangdong Power Grid Co Ltd
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 Metrology Center of Guangdong Power Grid Co Ltd filed Critical Metrology Center of Guangdong Power Grid Co Ltd
Priority to CN202010076905.2A priority Critical patent/CN111291987A/zh
Publication of CN111291987A publication Critical patent/CN111291987A/zh
Priority to AU2020103616A priority patent/AU2020103616A4/en
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393Score-carding, benchmarking or key performance indicator [KPI] analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/29Graphical models, e.g. Bayesian networks
    • G06F18/295Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本申请公开了一种互感器寿命预测方法及装置,方法包括:获取预置个年份中每一年的一级指标的初始运行状态数据;将初始运行状态数据逐个根据预置状态取值标准进行初始运行状态的分类,得到初始状态概率向量;将预置个年份的所有初始状态概率向量转化为两个初始状态概率矩阵;基于马尔科夫链原理,根据两个初始状态概率矩阵求解状态转移矩阵;根据状态转移矩阵和求得的最近一年的初始状态概率向量计算预置目标年份对应的目标状态概率向量;根据目标状态概率向量和置信度阈值确定互感器的有效寿命。本申请解决了现有的互感器寿命预测方法未考虑互感器的实际运行状况,导致预测可靠性不高的的技术问题。

Description

一种互感器寿命预测方法及装置
技术领域
本申请涉及电力设备寿命评估技术领域,尤其涉及一种互感器寿命预测方法及装置。
背景技术
我国电力系统发展迅速,加上社会对供电质量以及可靠性提出了更高的要求,因此保证电压互感器或者电流互感器的安全、稳定运行至关重要。互感器承载着发电、输电和配电的重要作用,日常检修计划中除了对电压互感器的运行状态进行准确评估之外,有效预测电压互感器的剩余有效寿命也是非常有必要的,可以帮助运维检修人员及时发现安全隐患,做到提前更换设备,保障互感器安全稳定。
现有的互感器寿命预测技术是将设备退出运行时的时间作为其寿命,是一种统计的方法,或者利用大规模训练得到的预测模型预测互感器寿命,但是这两种方法存在一定的弊端,首先,统计的方法不仅忽略了管理制度上的年限规定,导致提前结束设备寿命,而且还未考虑检修导致的设备寿命的延长问题;其次,模型预测法需要大规模的样本数据作为训练基础,导致其对大规模的历史数据的依赖性较强,造成预测可靠性不高的技术问题。
发明内容
本申请提供了一种互感器寿命预测方法及装置,用于解决现有的互感器寿命预测方法未考虑互感器的实际运行状况,导致预测可靠性不高的的技术问题。
有鉴于此,本申请第一方面提供了一种互感器寿命预测方法,包括:
S1、获取预置个年份中每一年的一级指标的初始运行状态数据,所述初始运行状态数据的数量为多个;
S2、将所述初始运行状态数据逐个根据预置状态取值标准进行初始运行状态的分类,得到初始状态概率向量;
S3、将所述预置个年份的所有所述初始状态概率向量转化为两个初始状态概率矩阵;
S4、基于马尔科夫链原理,根据所述两个初始状态概率矩阵求解状态转移矩阵;
S5、根据所述状态转移矩阵和求得的最近一年的所述初始状态概率向量计算预置目标年份对应的目标状态概率向量;
S6、根据所述目标状态概率向量和置信度阈值确定互感器的有效寿命。
优选地,步骤S1包括:
S11、获取预置个年份中每一年的每个二级指标的多个运行参数,并进行预处理操作,所述二级指标为所述一级指标的次级指标;
S12、基于层次分析法,根据构造的第一判决矩阵计算每个所述二级指标的第一权值;
S13、根据预处理后的所述运行参数和所述第一权值计算每个所述一级指标的运行得分,所述运行得分的数量为多个;
S14、基于层次分析法,根据构造的第二判决矩阵计算每个所述一级指标的第二权值;
S15、根据所述运行得分和所述第二权值计算得到所述初始运行状态数据。
优选地,步骤S2包括:
将所述初始运行状态数据逐个按照所述预置状态取值标准中的取值区间进行分类;
统计不同所述取值区间中的所述初始运行状态数据的数量,并作归一化处理,得到所述初始状态概率向量。
优选地,所述两个初始状态概率矩阵的行数相同,且列数相同。
优选地,步骤S4包括:
基于马尔科夫原理的公式,根据所述两个初始状态概率矩阵求解状态转移矩阵,所述马尔科夫原理的公式为:
X(t+1)=X(t)×P;
其中,X(t+1)、X(t)分别为在时刻t+1和时刻t的初始状态概率矩阵,P为所述状态转移矩阵。
本申请第二方面提供了一种互感器寿命预测装置,包括:
获取模块,用于获取预置个年份中每一年的一级指标的初始运行状态数据,所述初始运行状态数据的数量为多个;
分类模块,用于将所述初始运行状态数据逐个根据预置状态取值标准进行初始运行状态的分类,得到初始状态概率向量;
准备模块,用于将所述预置个年份的所有所述初始状态概率向量转化为两个初始状态概率矩阵;
状态转移模块,用于基于马尔科夫链原理,根据所述两个初始状态概率矩阵求解状态转移矩阵;
计算模块,用于根据所述状态转移矩阵和求得的最近一年的所述初始状态概率向量计算预置目标年份对应的目标状态概率向量;
寿命预测模块,用于根据所述目标状态概率向量和置信度阈值确定互感器的有效寿命。
优选地,所述获取模块包括:获取子模块;
所述获取子模块,用于获取预置个年份中每一年的每个二级指标的多个运行参数,并进行预处理操作,所述二级指标为所述一级指标的次级指标;
基于层次分析法,根据构造的第一判决矩阵计算每个所述二级指标的第一权值;
根据预处理后的所述运行参数和所述第一权值计算每个所述一级指标的运行得分,所述运行得分的数量为多个;
基于层次分析法,根据构造的第二判决矩阵计算每个所述一级指标的第二权值;
根据所述运行得分和所述第二权值计算得到所述初始运行状态数据。
优选地,所述分类模块具体用于:
将所述初始运行状态数据逐个按照所述预置状态取值标准中的取值区间进行分类;
统计不同所述取值区间中的所述初始运行状态数据的数量,并作归一化处理,得到所述初始状态概率向量。
优选地,所述两个初始状态概率矩阵的行数相同,且列数相同。
优选地,所述状态转移模块具体用于:
基于马尔科夫原理的公式,根据所述两个初始状态概率矩阵求解状态转移矩阵,所述马尔科夫原理的公式为:
X(t+1)=X(t)×P;
其中,X(t+1)、X(t)分别为在时刻t+1和时刻t的初始状态概率矩阵,P为所述状态转移矩阵。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种互感器寿命预测方法,包括:获取预置个年份中每一年的一级指标的初始运行状态数据,初始运行状态数据的数量为多个;将初始运行状态数据逐个根据预置状态取值标准进行初始运行状态的分类,得到初始状态概率向量;将预置个年份的所有初始状态概率向量转化为两个初始状态概率矩阵;基于马尔科夫链原理,根据两个初始状态概率矩阵求解状态转移矩阵;根据状态转移矩阵和求得的最近一年的初始状态概率向量计算预置目标年份对应的目标状态概率向量;根据目标状态概率向量和置信度阈值确定互感器的有效寿命。
本申请提供的互感器寿命预测方法,以多个年份的互感器运行状态作为初始状态,采用马尔科夫链的方法,首先利用获取到的初始运行状态数据构造出两个矩阵,在马尔科夫链原理中,这两个矩阵具备一定的时间关系,在本申请获取初始运行状态数据的时候可以获取连续的年份中的互感器的运行数据,使得构造的两个矩阵满足条件,通过两个矩阵可以求得状态转移矩阵,状态转移矩阵反映的是两个矩阵在时序上的状态的转变的概率,最后以最近的一年求得的初始状态概率向量和求得的状态转移矩阵就可以得到目标年份的目标状态概率向量,这个目标年份根据实际情况设置,得到的目标状态概率向量,从初始运行状态的分类可以知道,向量中的每一个元素代表一个状态概率,设置概率阈值,即置信度阈值,就可以明确互感器不同状态下的概率代表互感器达到了什么生命状态,以此规则便可以得到互感器失效的时候的年份,从而得到互感器的有效寿命。从互感器的运行状态预估未来可能的运行状态,从而得到互感器的寿命,考虑了互感器的实际情况,又能够根据马尔科夫链原理准确地预测互感器的寿命。因此,本申请提供的互感器寿命预测方法解决了现有的互感器寿命预测方法未考虑互感器的实际运行状况,导致预测可靠性不高的的技术问题。
附图说明
图1为本申请实施例提供的一种互感器寿命预测方法的一个流程示意图;
图2为本申请实施例提供的一种互感器寿命预测方法的另一个流程示意图;
图3为本申请实施例提供的互感器寿命预测指标体系示意图;
图4为本申请实施例提供的一种互感器寿命预测装置的一个结构示意图。
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,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种互感器寿命预测方法的实施例一,包括:
步骤101、获取预置个年份中每一年的一级指标的初始运行状态数据,初始运行状态数据的数量为多个。
需要说明的是,一级指标是指互感器在运行过程中的油中溶解气体、电气试验和绝缘油试验等指标,每个一级指标下都存在多个二级指标,每个指标都需要获取多个数据值,按照三个一级指标的类别分别进行加权计算,得到三个指标的得分向量,然后再次进行加权计算,可以得到一个一级指标的得分向量,该得分向量中的所有元素就是初始运行状态数据,该向量中的元素个数与获取的每个二级指标数量一致。选择这些指标是因为这些是最能反映互感器运行过程特性的因素,最具有代表性,使得寿命预测结果也会更加准确。
步骤102、将初始运行状态数据逐个根据预置状态取值标准进行初始运行状态的分类,得到初始状态概率向量。
需要说明的是,预置取值标准是由不同的取值区间和对应的状态类别组成的,初始运行状态数据分配到对应的取值区间,完成对应状态类别的划分;统计每个取值区间的初始运行状态数据的数量,进行归一化处理,得到初始状态概率向量,是一种概率向量,反映的是当年互感器的运行状态处于对应状态类别的可能性。
步骤103、将预置个年份的所有初始状态概率向量转化为两个初始状态概率矩阵。
需要说明的是,通过以上的方法可以得到连续几年的初始状态概率向量,每个向量中的元素数量一致,将这些向量组成两个不同的初始状态概率矩阵,两个矩阵具有一定的时序关联,例如,当获取的是连续5年的初始状态概率向量,那么可以将前四年的初始状态概率向量组成一个矩阵,后四年的初始状态概率向量组成一个矩阵,构成时间上的连续性的两个初始状态概率矩阵就构造完成。
步骤104、基于马尔科夫链原理,根据两个初始状态概率矩阵求解状态转移矩阵。
需要说明的是,马尔科夫链原理为X(t+1)=X(t)×P,其中的X(t+1)、X(t)分别为在时刻t+1和时刻t的状态概率分布矩阵,P为状态转移概率矩阵,状态转移概率矩阵顾名思义是表示状态X(t)转移到状态X(t+1)的概率;基于马尔科夫链的原理,可以将构造的两个初始状态概率矩阵代入到原理公式中,两个矩阵也满足时序上的要求,因此,可以求出状态转移矩阵。
步骤105、根据状态转移矩阵和求得的最近一年的初始状态概率向量计算预置目标年份对应的目标状态概率向量。
需要说明的是,获取的连续几年的初始状态概率向量,其中离当前年份最近的一年的初始状态概率向量作为X(t),设定一个t+1的目标年份,已经求得状态转移矩阵P,因此可以得到目标年份的目标状态概率向量X(t+1),其中元素即为不同状态的概率值。
步骤106、根据目标状态概率向量和置信度阈值确定互感器的有效寿命。
需要说明的是,通过设置目标年份求得其对应的目标状态概率向量后,根据预先设置的概率阈值,即置信度阈值判定,互感器是否已经失效,因为当某一优良状态的概率值小于一定的概率阈值时,就能够确定互感器处于失效状态,此时对应的年份即为互感器的寿命期限,减去已经运行的年份,就可以得到该互感器有效的剩余寿命;倘若还未找到失效年份,可以继续根据实际情况设置更大的年份,进行计算,直至求得这个失效年份,得到该互感器的有效寿命的预测值。
本实施例提供的互感器寿命预测方法,以多个年份的互感器运行状态作为初始状态,采用马尔科夫链的方法,首先利用获取到的初始运行状态数据构造出两个矩阵,在马尔科夫链原理中,这两个矩阵具备一定的时间关系,在本申请获取初始运行状态数据的时候可以获取连续的年份中的互感器的运行数据,使得构造的两个矩阵满足条件,通过两个矩阵可以求得状态转移矩阵,状态转移矩阵反映的是两个矩阵在时序上的状态的转变的概率,最后以最近的一年求得的初始状态概率向量和求得的状态转移矩阵就可以得到目标年份的目标状态概率向量,这个目标年份根据实际情况设置,得到的目标状态概率向量,从初始运行状态的分类可以知道,向量中的每一个元素代表一个状态概率,设置概率阈值,即置信度阈值,就可以明确互感器不同状态下的概率代表互感器达到了什么生命状态,以此规则便可以得到互感器失效的时候的年份,从而得到互感器的有效寿命。从互感器的运行状态预估未来可能的运行状态,从而得到互感器的寿命,考虑了互感器的实际情况,又能够根据马尔科夫链原理准确地预测互感器的寿命。因此,本实施例提供的互感器寿命预测方法解决了现有的互感器寿命预测方法未考虑互感器的实际运行状况,导致预测可靠性不高的的技术问题。
为了便于理解,请参阅图2,本申请实施例中提供了一种互感器寿命预测方法的实施例二,包括:
步骤201、获取预置个年份中每一年的每个二级指标的多个运行参数,并进行预处理操作,二级指标为一级指标的次级指标。
需要说明的是,在本实施例中获取连续5个年份的指标信息,一级指标包括油中溶解气体、电气试验和绝缘油试验三个;三个一级指标分别包括多个二级指标,例如油中溶解气体包括H2(氢气)、CH4(甲烷)、C2H2(乙炔);电气试验包括直阻不平衡率和绝缘电阻;绝缘油试验包括击穿电压和酸值;本申请的指标布局请参阅图3,为了预测结果的准确性,每个指标都需要获取多个运行参数,本实施例中每种二级指标获取数量为1000,用ai、bi、ci、di、ei、fi、gi分别代表互感器第i个时间点的油中溶解气体H2的含量,第i个时间点的油中溶解气体CH4的含量,第i个时间点的油中溶解气体C2H2的含量,第i个时间点的电气试验的直阻不平衡率的大小,第i个时间点的电气试验的绝缘电阻的大小,第i个时间点的绝缘油试验的击穿电压的大小和第i个时间点的绝缘油试验的酸值的大小,且i∈[1,M],M为互感器运行的时间,将这些值代入到预处理公式中进行预处理操作,可以得到预处理后的运行参数的样本;预处理公式为:
Figure BDA0002378706620000081
其中,α表示各种指标,αmin、αmax为互感器正常工作时指标运行的极限值,αi为第i个时间点指标α的数据值,
Figure BDA0002378706620000082
为互感器运行时该指标对应的标准值,
Figure BDA0002378706620000083
为预处理得到的运行参数样本,共有N个样本,即,本j∈[1,N]实施例中令N=1000,本实施例中设置的不同指标在经过预处理操作后可以得到对应的运行参数:
Figure BDA0002378706620000084
求得的是每个第j个样本数据,且取值均在[0,1]之间。
步骤202、基于层次分析法,根据构造的第一判决矩阵计算每个二级指标的第一权值。
需要说明的是,构造的第一判决矩阵反映的是同一行的元素两两之间的重要程度,用Q表示判决矩阵,qxy为第x个因素对低y个因素的重要度,关于重要度具体可以参照表1,其中描述了1-9个标度与每个层中两个因素之间的重要度之间的对应关系。
表1判决矩阵的1-9标度法
Figure BDA0002378706620000085
Figure BDA0002378706620000091
首先,将判决矩阵Q的每一列作归一化处理,具体归一化公式如下:
Figure BDA0002378706620000092
其中,
Figure BDA0002378706620000093
为归一化后的矩阵中的元素,i=1,2,……m为第一判决矩阵的行数,
Figure BDA0002378706620000094
为当前列中所有元素之和。
然后,计算各行
Figure BDA0002378706620000095
的和,具体公式如下:
Figure BDA0002378706620000096
其中,wi'为第i行的和,j=1,2,……n为矩阵的列数,
Figure BDA0002378706620000097
为第i行的和。
最后,将wi'组成列向量进行归一化处理,归一化公式如下:
Figure BDA0002378706620000098
其中,
Figure BDA0002378706620000099
为求得的权值向量中的元素值,即为第一权值,m取值就是第一权值的数量。
到这里已经完成了各指标的权值求取,还可以进一步的验证判决矩阵的可靠性,即一致性检验,这步操作可以明确构造的判决矩阵的有效性,检验过程如下:
计算判决矩阵的最大特征根λmax
Figure BDA00023787066200000910
其中α=1,2,......n为判决矩阵的列的数量,(Q·w0)α表示Q·w0求得向量的第α个元素;
计算一致性指标CI:
Figure BDA0002378706620000101
由随机样本计算生成判决矩阵的平均随机一致性指标RI,请参阅表2,表2是1-15阶正互反矩阵计算1000次得到的平均随机一致性指标;
表2平均随机一致性指标RI
Figure BDA0002378706620000102
计算随机一致性比率CR:
CR=CI/RI;
当CR=0时,判决矩阵Q具有完全一致性;当CR<0.1,判决矩阵具有满意的一致性,这两种情况表明判决矩阵可以用于评估建模中,否则,就需要对因素相对重要度作出修正,直到判断矩阵满意为止。
步骤203、根据预处理后的运行参数和第一权值计算每个一级指标的运行得分,运行得分的数量为多个。
需要说明的是,二级指标供7个,每一个包括N=1000个预处理后的运行参数,指标的权值向量为w0,为了便于后续分层计算,表示求得的第一权值包括:二级指标中的油中溶解气体指标中的H2、CH4和C2H2的权值计算得到[W11,W12,W13],电气试验中的直阻不平衡率和绝缘电阻的权值计算得到[W21,W22],绝缘油试验中的击穿电压和酸值的权值计算得到[W31,W32]。根据运行参数与第一权值计算运行得分的过程为:二级指标中的油中溶解气体得分计算为:
Figure BDA0002378706620000103
电气试验得分计算为:
Figure BDA0002378706620000111
绝缘油试验得分计算为:
Figure BDA0002378706620000112
可见,计算得到的一级指标的运行得分为三个1000维的向量。
步骤204、基于层次分析法,根据构造的第二判决矩阵计算每个一级指标的第二权值。
需要说明的是,以上述求取第一权值的方法,根据构造的第二判决矩阵计算每个一级指标的第二权值,即可求得一级指标的油中溶解气体、电气试验和绝缘油试验的权值为[W1,W2,W3]。
步骤205、根据运行得分和第二权值计算得到初始运行状态数据。
需要说明的是,根据三个一级指标的运行得分向量和第二权值[W1,W2,W3],可以通过如下公式计算得到初始运行状态数据。
HIj=W1v1j+W2v2j+W3v3j
连续5年都可以计算得到这样的初始运行状态数据,即可以得到5个1000维的初始运行状态向量。
步骤206、将初始运行状态数据逐个按照预置状态取值标准中的取值区间进行分类。
需要说明的是,将每个得到的初始运行状态向量中的每个元素逐个按照取值区间分类,本实施例中的取值区间有四个,代表四种类别,分别是:良好、注意、异常和失效;代表的是互感器运行的状态情况,HI计算得到的值均在[0,1]之间,所以几个取值区间分别为(0.8,1)、(0.5,0.8)、(0.2,0.5)、(0,0.2);最后,1000个初始运行状态数据均可以分配至不同的区间对应的状态类别中。
步骤207、统计不同取值区间中的初始运行状态数据的数量,并作归一化处理,得到初始状态概率向量。
需要说明的是,统计每一个取值区间中初始运行状态数据的数量,将这些每个状态对应的初始运行状态数据的数量进行归一化,得到相应状态的概率值,这个概率值表示互感器在该年运行过程中处于这种状态的可能性;四个取值区间可以构成一个初始状态概率向量,维度为4;由此可知,连续5年可以得到5个4维的向量。
步骤208、将预置个年份的所有初始状态概率向量转化为两个初始状态概率矩阵。
需要说明的是,预置个年份为连续的5年,得到的初始状态概率向量数量为5,维度为4,用λ1=(A1,A2,A3,A4)、λ2=(B1,B2,B3,B4)、λ3=(C1,C2,C3,C4)、λ4=(D1,D2,D3,D4)和λ5=(E1,E2,E3,E4)表示连续5年的初始状态概率向量;将相邻四年的初始状态概率向量组成一个初始状态概率矩阵,可以得到两个四行四列的初始状态概率矩阵:
Figure BDA0002378706620000121
Figure BDA0002378706620000122
步骤209、基于马尔科夫原理的公式,根据两个初始状态概率矩阵求解状态转移矩阵。
其中,马尔科夫原理的公式为:
X(t+1)=X(t)×P
其中,X(t+1)、X(t)分别为在时刻t+1和时刻t的初始状态概率矩阵,P为状态转移矩阵。
需要说明的是,在本实施例中,Y1、Y2分别为X(t+1)、X(t),可以得到求取状态转移矩阵的公式为:
Figure BDA0002378706620000123
Figure BDA0002378706620000124
表示互感器由状态β1转移到状态β2的概率,这里考虑的是一步状态转移概率。
步骤210、根据状态转移矩阵和求得的最近一年的初始状态概率向量计算预置目标年份对应的目标状态概率向量。
需要说明的是,本实施例中最近一年的初始状态概率向量为λ5=(E1,E2,E3,E4),设定目标年份为T,那么可以根据如下公式求取第T年的目标状态概率向量。
Figure BDA0002378706620000131
其中T5对应的是初始状态概率向量λ5的年份,倘若T为T5后一年,那么P的指数为1,求得的λ(T)=(ξ1234),表示未来某一年T该互感器隶属于不同状态等级的概率大小。
步骤211、根据目标状态概率向量和置信度阈值确定互感器的有效寿命。
需要说明的是,置信度阈值用θ表示,本实施例中根据θ=0.6为标准,在ξ1<0.6时,认为互感器设备处于失效状态,就是在互感器运行状态良好的概率值低于0.6时,说明互感器的运行状态为注意、异常和失效的概率超过了0.5,此时的互感器运行极易出现故障;此时的T即为该互感器的最终寿命时间,将寿命时间年份T减去互感器已经运行的年份就可以得到剩余有效寿命;这里的已经运行的年份可以是T5,但也可以不是,如果不是,也不影响计算。
为了便于理解,请参与图4,本申请中还提供了一种互感器寿命预测装置的实施例,包括:
获取模块301,用于获取预置个年份中每一年的一级指标的初始运行状态数据,初始运行状态数据的数量为多个;
分类模块302,用于将初始运行状态数据逐个根据预置状态取值标准进行初始运行状态的分类,得到初始状态概率向量;
准备模块303,用于将预置个年份的所有初始状态概率向量转化为两个初始状态概率矩阵;
状态转移模块304,用于基于马尔科夫链原理,根据两个初始状态概率矩阵求解状态转移矩阵;
计算模块305,用于根据状态转移矩阵和求得的最近一年的初始状态概率向量计算预置目标年份对应的目标状态概率向量;
寿命预测模块306,用于根据目标状态概率向量和置信度阈值确定互感器的有效寿命。
进一步地,获取模块301包括:获取子模块3011;
获取子模块,用于获取预置个年份中每一年的每个二级指标的多个运行参数,并进行预处理操作,二级指标为一级指标的次级指标;
基于层次分析法,根据构造的第一判决矩阵计算每个二级指标的第一权值;
根据预处理后的运行参数和第一权值计算每个一级指标的运行得分,运行得分的数量为多个;
基于层次分析法,根据构造的第二判决矩阵计算每个一级指标的第二权值;
根据运行得分和第二权值计算得到初始运行状态数据。
进一步地,分类模块302具体用于:
将初始运行状态数据逐个按照预置状态取值标准中的取值区间进行分类;
统计不同取值区间中的初始运行状态数据的数量,并作归一化处理,得到初始状态概率向量。
进一步地,两个初始状态概率矩阵的行数相同,且列数相同。
进一步地,状态转移模块304具体用于:
基于马尔科夫原理的公式,根据两个初始状态概率矩阵求解状态转移矩阵,马尔科夫原理的公式为:
X(t+1)=X(t)×P
其中,X(t+1)、X(t)分别为在时刻t+1和时刻t的初始状态概率矩阵,P为状态转移矩阵。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种互感器寿命预测方法,其特征在于,包括:
S1、获取预置个年份中每一年的一级指标的初始运行状态数据,所述初始运行状态数据的数量为多个;
S2、将所述初始运行状态数据逐个根据预置状态取值标准进行初始运行状态的分类,得到初始状态概率向量;
S3、将所述预置个年份的所有所述初始状态概率向量转化为两个初始状态概率矩阵;
S4、基于马尔科夫链原理,根据所述两个初始状态概率矩阵求解状态转移矩阵;
S5、根据所述状态转移矩阵和求得的最近一年的所述初始状态概率向量计算预置目标年份对应的目标状态概率向量;
S6、根据所述目标状态概率向量和置信度阈值确定互感器的有效寿命。
2.根据权利要求1所述的互感器寿命预测方法,其特征在于,步骤S1包括:
S11、获取预置个年份中每一年的每个二级指标的多个运行参数,并进行预处理操作,所述二级指标为所述一级指标的次级指标;
S12、基于层次分析法,根据构造的第一判决矩阵计算每个所述二级指标的第一权值;
S13、根据预处理后的所述运行参数和所述第一权值计算每个所述一级指标的运行得分,所述运行得分的数量为多个;
S14、基于层次分析法,根据构造的第二判决矩阵计算每个所述一级指标的第二权值;
S15、根据所述运行得分和所述第二权值计算得到所述初始运行状态数据。
3.根据权利要求1所述的互感器寿命预测方法,其特征在于,步骤S2包括:
将所述初始运行状态数据逐个按照所述预置状态取值标准中的取值区间进行分类;
统计不同所述取值区间中的所述初始运行状态数据的数量,并作归一化处理,得到所述初始状态概率向量。
4.根据权利要求1所述的互感器寿命预测方法,其特征在于,所述两个初始状态概率矩阵的行数相同,且列数相同。
5.根据权利要求1所述的互感器寿命预测方法,其特征在于,步骤S4包括:
基于马尔科夫原理的公式,根据所述两个初始状态概率矩阵求解状态转移矩阵,所述马尔科夫原理的公式为:
X(t+1)=X(t)×P;
其中,X(t+1)、X(t)分别为在时刻t+1和时刻t的初始状态概率矩阵,P为所述状态转移矩阵。
6.一种互感器寿命预测装置,其特征在于,包括:
获取模块,用于获取预置个年份中每一年的一级指标的初始运行状态数据,所述初始运行状态数据的数量为多个;
分类模块,用于将所述初始运行状态数据逐个根据预置状态取值标准进行初始运行状态的分类,得到初始状态概率向量;
准备模块,用于将所述预置个年份的所有所述初始状态概率向量转化为两个初始状态概率矩阵;
状态转移模块,用于基于马尔科夫链原理,根据所述两个初始状态概率矩阵求解状态转移矩阵;
计算模块,用于根据所述状态转移矩阵和求得的最近一年的所述初始状态概率向量计算预置目标年份对应的目标状态概率向量;
寿命预测模块,用于根据所述目标状态概率向量和置信度阈值确定互感器的有效寿命。
7.根据权利要求6中所述的互感器寿命预测装置,其特征在于,所述获取模块包括:获取子模块;
所述获取子模块,用于获取预置个年份中每一年的每个二级指标的多个运行参数,并进行预处理操作,所述二级指标为所述一级指标的次级指标;
基于层次分析法,根据构造的第一判决矩阵计算每个所述二级指标的第一权值;
根据预处理后的所述运行参数和所述第一权值计算每个所述一级指标的运行得分,所述运行得分的数量为多个;
基于层次分析法,根据构造的第二判决矩阵计算每个所述一级指标的第二权值;
根据所述运行得分和所述第二权值计算得到所述初始运行状态数据。
8.根据权利要求6中所述的互感器寿命预测装置,其特征在于,所述分类模块具体用于:
将所述初始运行状态数据逐个按照所述预置状态取值标准中的取值区间进行分类;
统计不同所述取值区间中的所述初始运行状态数据的数量,并作归一化处理,得到所述初始状态概率向量。
9.根据权利要求6中所述的互感器寿命预测装置,其特征在于,所述两个初始状态概率矩阵的行数相同,且列数相同。
10.根据权利要求6中所述的互感器寿命预测装置,其特征在于,所述状态转移模块具体用于:
基于马尔科夫原理的公式,根据所述两个初始状态概率矩阵求解状态转移矩阵,所述马尔科夫原理的公式为:
X(t+1)=X(t)×P;
其中,X(t+1)、X(t)分别为在时刻t+1和时刻t的初始状态概率矩阵,P为所述状态转移矩阵。
CN202010076905.2A 2020-01-23 2020-01-23 一种互感器寿命预测方法及装置 Pending CN111291987A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010076905.2A CN111291987A (zh) 2020-01-23 2020-01-23 一种互感器寿命预测方法及装置
AU2020103616A AU2020103616A4 (en) 2020-01-23 2020-11-23 A Markov chain based method for voltage transformer life prediction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010076905.2A CN111291987A (zh) 2020-01-23 2020-01-23 一种互感器寿命预测方法及装置

Publications (1)

Publication Number Publication Date
CN111291987A true CN111291987A (zh) 2020-06-16

Family

ID=71024424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010076905.2A Pending CN111291987A (zh) 2020-01-23 2020-01-23 一种互感器寿命预测方法及装置

Country Status (2)

Country Link
CN (1) CN111291987A (zh)
AU (1) AU2020103616A4 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328430A (zh) * 2020-11-03 2021-02-05 燕山大学 一种用于降低数据中心网络系统运行成本的方法
CN113125947A (zh) * 2021-03-18 2021-07-16 国网江苏省电力有限公司检修分公司 断路器健康度确定方法和系统
CN113532497A (zh) * 2021-07-12 2021-10-22 广州广电计量检测股份有限公司 一种传感器寿命评估方法及装置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408176A (zh) * 2021-06-30 2021-09-17 国网重庆市电力公司电力科学研究院 一种换流变压器电场数字孪生模型构建方法
CN114779151B (zh) * 2022-06-16 2022-09-23 北京电科智芯科技有限公司 电容式电压互感器的综合评价方法、装置、设备及介质
CN115980647B (zh) * 2022-11-02 2023-08-11 国网安徽省电力有限公司营销服务中心 一种基于群体信息的cvt异常状态识别方法及装置
CN115982976B (zh) * 2022-12-19 2024-01-05 南京航空航天大学 一种油浸式电力变压器的剩余寿命预测方法
CN116050613B (zh) * 2023-01-06 2024-01-02 中国长江电力股份有限公司 水电机组顶盖排水泵剩余使用寿命预测方法
CN117575858B (zh) * 2023-11-21 2024-06-18 深圳市二一教育科技有限责任公司 一种智能排课系统的管理方法、系统及存储介质
CN117572178B (zh) * 2024-01-12 2024-03-22 沈阳圣祥科技有限公司 一种35-500kv油浸式电流互感器检测系统
CN117877028B (zh) * 2024-03-13 2024-05-14 浙江大学 基于微观图像特征的电机绝缘寿命预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825298A (zh) * 2016-03-14 2016-08-03 梁海东 一种基于负荷特性预估的电网计量预警系统及方法
CN106529832A (zh) * 2016-12-06 2017-03-22 贵州电网有限责任公司电力科学研究院 一种基于马尔科夫可靠性修正模型的继电保护系统风险评估方法
WO2017093560A1 (fr) * 2015-12-03 2017-06-08 Electricite De France Estimation de la fiabilite d'un systeme industriel
CN109543030A (zh) * 2018-10-12 2019-03-29 平安科技(深圳)有限公司 客服机器人会话文本分类方法及装置、设备、存储介质
CN110287543A (zh) * 2019-05-30 2019-09-27 武汉大学 一种继电保护装置寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017093560A1 (fr) * 2015-12-03 2017-06-08 Electricite De France Estimation de la fiabilite d'un systeme industriel
CN105825298A (zh) * 2016-03-14 2016-08-03 梁海东 一种基于负荷特性预估的电网计量预警系统及方法
CN106529832A (zh) * 2016-12-06 2017-03-22 贵州电网有限责任公司电力科学研究院 一种基于马尔科夫可靠性修正模型的继电保护系统风险评估方法
CN109543030A (zh) * 2018-10-12 2019-03-29 平安科技(深圳)有限公司 客服机器人会话文本分类方法及装置、设备、存储介质
CN110287543A (zh) * 2019-05-30 2019-09-27 武汉大学 一种继电保护装置寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊奇 等: "基于层次分析法的变压器剩余寿命预测分析", pages 38 - 41 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328430A (zh) * 2020-11-03 2021-02-05 燕山大学 一种用于降低数据中心网络系统运行成本的方法
CN113125947A (zh) * 2021-03-18 2021-07-16 国网江苏省电力有限公司检修分公司 断路器健康度确定方法和系统
CN113532497A (zh) * 2021-07-12 2021-10-22 广州广电计量检测股份有限公司 一种传感器寿命评估方法及装置
CN113532497B (zh) * 2021-07-12 2024-04-09 广电计量检测集团股份有限公司 一种速度传感器寿命评估方法及装置

Also Published As

Publication number Publication date
AU2020103616A4 (en) 2021-02-04

Similar Documents

Publication Publication Date Title
CN111291987A (zh) 一种互感器寿命预测方法及装置
CN111429034A (zh) 一种配电网故障预测的方法
CN112001644B (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
CN111950900A (zh) 一种电力系统源网荷储本质安全风险评估方法
CN110783964A (zh) 电网静态安全的风险评估方法和装置
CN115271238A (zh) 一种变压器的寿命预测方法及装置
CN111239516A (zh) 一种互感器寿命预测方法及装置
CN114862229A (zh) 电能质量评估方法、装置、计算机设备和存储介质
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
CN112529432B (zh) 一种电压暂降严重程度评估方法、装置及电子设备
CN114065495A (zh) 基于逆向云组合权重及模糊贴近度的变压器状态评估方法
CN107563641B (zh) 一种计及灾害偏好的配电网抗灾多场景差异化规划方法
CN116316611B (zh) 基于低压台区下的供电方法及系统
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
CN116050757A (zh) 发电企业灵活爬坡性能评价方法、装置、设备及存储介质
CN114118587B (zh) 分布式光伏的电能质量评估方法及系统、设备、存储介质
CN114971427A (zh) 基于熵权-层次分析法的储能电站并网安全评价方法
CN114037329A (zh) 主配协同下配电网供电可靠性综合评估方法与指标体系
CN114465276A (zh) 一种配电网风储联合优化配置方法及其相关装置
CN109523166B (zh) 一种有源配电网规划方案评估方法和装置
CN113962440A (zh) 一种融合dpc和gru的光伏预测方法和系统
CN112348066A (zh) 一种基于灰色聚类算法的线路不停电等级评估方法
CN112653121A (zh) 一种新能源微电网参与电网调频能力的评估方法及装置
CN115796459B (zh) 基于多源数据的低压台区电压质量分析方法、装置
CN118278812A (zh) 一种含风电电力系统脆弱性评估方法

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