CN112163371B - 一种变压器套管状态评估方法 - Google Patents
一种变压器套管状态评估方法 Download PDFInfo
- Publication number
- CN112163371B CN112163371B CN202010991813.7A CN202010991813A CN112163371B CN 112163371 B CN112163371 B CN 112163371B CN 202010991813 A CN202010991813 A CN 202010991813A CN 112163371 B CN112163371 B CN 112163371B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- state
- index
- weight
- membership
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 131
- 230000006870 function Effects 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 64
- 238000011208 chromatographic data Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 7
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 7
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- 239000004215 Carbon black (E152) Substances 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 6
- 229930195733 hydrocarbon Natural products 0.000 claims description 6
- 150000002430 hydrocarbons Chemical class 0.000 claims description 6
- 238000009413 insulation Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000004927 fusion Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Testing Relating To Insulation (AREA)
- Insulators (AREA)
Abstract
本发明公开一种变压器套管评估方法，本方法融合多个反应变压器套管状态的指标，基于模糊理论和神经网络算法，全面综合反映套管的状态，在模糊综合评判的基础上，引入变权重和神经网络算法，克服常规权重的局限性和人为确定隶属函数的主观性，并通过神经网络训练实现隶属函数的自更新和自适应，使模糊控制具备一定的自学习能力，从而使评价结果更加可靠。
Description
技术领域
本发明涉及电力技术领域，特别涉及一种变压器套管状态评估方法。
背景技术
电力变压器是电力系统中最重要的电气设备之一，维护其正常运行是整个系统可靠供电的基本保证。目前，对变压器整体进行状态评估可参照《油浸式变压器状态评估导则》，国内外专家及学者也提出了许多基于数学理论和人工智能算法的评估方法。然而，电力变压器本身是一个极其复杂的系统，表征绝缘状态的特征量众多，且状态信息间具有不确定性和模糊性，要实现对变压器整体的绝缘状态有效、准确评估存在很大困难，因此对变压器的关键部件进行单独评估具有重要意义。
套管作为一种出线装置，起到连接变压器内部引线与外部电网的重要作用，是变压器的核心部件之一。套管处于变压器油箱外部，长期遭受电场、风雨、污染等影响，是变压器故障多发部位，主要可能出现局部放电、绝缘受潮等故障，如果不及时检修或更换可能会影响变电器乃至电网的正常运行。
且套管位于变压器顶部，与电网直接相连，检修较为困难，因此最好提前对套管的状态进行评估，尽早提出检修或更换意见，将大大降低故障运行的风险。目前，对套管单独进行状态评估没有可以依据的标准或导则，相关研究也较少，关注程度也不够高，现有的评估方法主要采用介质损耗、电容量等参量作为评估因素，参量单一，算法的人为主观性强，不能客观全面反映套管的真实状态。部分学者提出的基于云理论、核向量空间模型等算法的评估方法由于算法过于复杂而只能停留在学术层面，不适合实际的工程应用。
发明内容
针对现有技术的缺陷，本发明提供一种多参量融合的基于模糊理论和神经网络算法的变压器套管状态评估方法，全面综合反映套管的状态，在模糊综合评判的基础上，引入变权重和神经网络算法，克服常规权重的局限性和人为确定隶属函数的主观性，并通过神经网络训练实现隶属函数的自更新和自适应，使模糊控制具备一定的自学习能力。
为了解决所述技术问题，本发明采用的技术方案是：一种变压器套管状态评估方法，包括以下步骤：
S01)、采集变压器套管的评价指标，建立评价对象的因素集，评价指标包括局部放电量、压力值、介质损耗、温度、电容偏移量、泄露电流和色谱数据，色谱数据包含多个因素；
S02)、建立状态评语集，对变压器套管的绝缘状态进行划分，将评估结果分为L个等级，并划分每一个评价指标在各个等级的界限值；
S03)、将各项指标数据进行归一化处理，使其统一为[0，1]之间的数值；
S04)、计算各个评价指标的权重向量，权重向量包括常权权重和变权权重，对评价指标权重的计算，采用常权权重与变权权重相结合的模式；
S05)、计算各个指标的隶属函数和隶属度，对于局部放电量、压力值、介质损耗、温度、电容偏移量、泄露电流，采用具有L个参数的三角形和梯形混合分布的隶属函数计算隶属度；对于色谱数据，采用神经网络训练得到隶属函数及隶属度；
S06)、将步骤S05中计算得到的各个指标的隶属度构成关系模糊矩阵R，采用加权平均型的模糊算子计算评估向量，评估向量B＝A*R，A为步骤S04计算的权重向量，根据最大隶属度原则，B中最大的元素bmax对应的模糊子集即为评估结果；
S07)、对套管状态进行打分，设定每个等级的评估结果的典型值，将典型值与步骤S06计算的评估结果加权求和，得到套管的状态得分，根据状态得分评估变压器套管的状态。
进一步的，步骤S04中，计算各个评价指标的权重向量的过程为：
S41)、采用层次分析法构造权重判断矩阵C＝(cij)n×n，其中n为评价指标的个数，采用数字1-9及其倒数作为权重判断矩阵的各个元素，其中1表示两个指标相比，具有相同重要性；3表示两个指标相比，前者比后者稍重要；5表示两个指标相比，前者比后者明显重要；7表示两个指标相比，前者比后者强烈重要；9表示两个指标相比，前者比后者极端重要；2、4、6、8表示上述相邻判断的中间值，指标i与指标j的重要性之比和指标j与指标i的重要性之比互为倒数；
S42)、采用最小二乘拟合的方法确定常权权重向量，求解如下模型使残差平方和Z最小：
其中，n为评价指标的个数，ωi为第i个指标的常权权重，由于
计算得到的权重向量已满足正则化的要求，将计算得到的常权权重向量记为A0；
S43)、引入均衡函数计算变权权重向量，计算公式如下：
其中，n为评价指标的个数，xgi为第i个指标归一化后的数值，ωi为第i个指标的常权，ωBi为第i个指标的变权权重，α为均衡函数的系数且0＜α≤1，将计算得到的变权权重向量记为AB
S44)、制定评价指标权重计算策略，由0＜α≤1可知α-1≤0，当xgi＝0时，无法使用公式4计算变权，因此对评价指标权重的计算，采用常权权重与变权权重相结合的模式，当xgi≠0时，采用公式4计算变权；当xgi＝0时，采用公式3计算常权；
将计算得到的权重向量记为A，则：
进一步的，步骤S05中，对于色谱数据，采用神经网络训练得到隶属函数及隶属度的过程为：
S521)、设色谱数据包括P个因素，将这P个因素归一化后的数值作为神经网络的输入向量，记为X，X＝(x1,x2...,xp)；
S522)、采用3层神经网络，输入层节点数为P，输出层节点数为1，隐层节点数最小值为(N-1)/(D+2)，其中N为训练样本的基数，D为X的维数；
S523)、记初始权重矩阵为W01、W02，初始偏置向量为P01、P02，隐层的激活函数为Sigmoid函数，输出层的激活函数为恒等函数，隶属函数的神经网络模型为：
S524)、对训练样本进行聚类，将样本空间划分为对应L个等级评估结果的L个子样本，分别用L个样本对公式10的模型进行训练，选择交叉熵误差作为损失函数：
其中，yk为神经网络的输出，k为输出数据的维度；
S525)、通过学习，得到使损失函数最小的权重和偏置，从而得到色谱数据对应评价等级的L个隶属函数：
S526)、对公式12所示的隶属函数进行正则化，得到满足特征要求的隶属函数：
yi′＝(yi-yi-min)/(yi-max-yi-min),(i＝1,2,...,L) (13)，
其中，yi-max＝yi[X|X＝(1,1,...,1)]，yi-min＝yi[X|X＝(0,0,...,0)]；
S527)、将色谱数据归一化后的数值带入公式12、公式13，计算得到色谱数据对L个评价等级的隶属度。
进一步的，步骤S03中，对于效益性指标，即指标数值越小对评价结果的影响越好的指标采用以下公式进行归一化：
对于成本性指标，即指标数值越大对评价结果的影响越好的指标采用以下公式进行归一化：
其中，xi为第i个指标的实测值，xgi为第i个指标归一化后的数值，ai和bi分别为效益性指标的1级和L级的等级界限，ci和di分别为成本性指标L级和1级的等级界限。
进一步的，步骤S02中，将评估结果分为4个等级，分别为1级正常状态、2级注意状态、3级异常状态、4级严重状态。
进一步的，对于局部放电量、压力值、介质损耗、温度、电容偏移量、泄露电流，采用具有L个参数的三角形和梯形混合分布的隶属函数计算隶属度的过程为：
μ1(x)、μ2(x)、μ3(x)、μ4(x)即为各评价指标对正常状态、注意状态、异常状态、严重状态4个等级的隶属函数。其中，a、b、c、d为各个指标相对劣化度的界限值。
进一步的，色谱数据包括4个因素，分别为氢气含量、乙炔含量、一氧化碳含量、总烃产气率。
进一步的，α取值小于0.5。
进一步的，α取值为0.2。
进一步的，a、b、c、d取值分别为0.2、0.4、0.6、0.8。
进一步的，关系模糊矩阵R中指标的排列顺序与计算权重向量A时相同。
进一步的，步骤S07实行满分10分制度，对应正常状态、注意状态、异常状态、严重状态4个等级的级别特征值的典型值确定为9、7、3.75、1.25，将评估向量中的分量作为权重，则套管的得分为：
S＝9*b1+7*b2+3.75*b3+1.25*b4 (15)，
b1、b2、b3、b4分别为评估向量B中的元素；
将得分范围0～10划分为4个区间，对应评价结果的4个等级；当套管得分S∈(7.5,10)时，套管处于正常状态；当套管得分S∈(5,7.5)时，套管处于注意状态；当套管得分S∈(2.5,5)时，套管处于异常状态；当套管得分S∈(0,2.5)时，套管处于严重状态。
与现有技术相比，本发明的有益技术效果在于：
本发明专利提供一种多参量融合的基于模糊理论和神经网络算法的套管状态评估模型和建模方法，全面综合反映套管的状态。求解各指标权重向量的过程中采用最小二乘法拟合，比几何平均法、算术平均法、特征向量法等方法得到的权重向量精度更高，误差更小。
采用变权模式和常权模式相结合的方式，利用数学理论方法计算获得权重，具有更强的客观性。
不同指标采用不同的隶属函数，更加准确反映各项指标对评价结果的隶属度。
当前关于综合评价的方法很多，但是人为干涉过多，主观性较强。采用神经网络训练隶属函数，使基于模糊控制的评价模型具有一定的自学习和自适应能力。采用人工智能与数学方法相结合的方式，最大程度的弱化人为带来的影响。搭建神经网络求隶属函数的方法虽然需要样本多，计算量较大，但是它可以从历史经验中获取知识，避免过多的人为干涉，结果也更接近实际。
借鉴级别特征值的概念，对套管状态实施打分制度，直观显示套管状态的同时克服bmax≤0.5时最大隶属度原则不适用的缺陷。打分制度充分利用了评估向量的每一个元素，使评价结果更加可靠。
评估方法基于模糊理论和神经网络算法，软件易实现，具有实际工程应用价值。
此外，多参量融合的综合评估方法替代单一参量评估，将多个评估模型融合为一个模型，评估结果更加准确、全面，简化了评估流程，提高了工作效率，节省人工成本，提升了变电站的智能运检水平，适应不停电作业推广和无人值守变电站建设，适应智慧变电站、智能物联网的需求。
附图说明
图1为实施例1所述方法的流程图；
图2为实施例1中变压器套管色谱数据训练神经网络模型得到隶属函数的示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
参照图1，本发明专利提供一种多参量融合的基于模糊理论和神经网络算法的变压器套管状态评估方法，结合实际数据，具体的实施过程如下：
步骤一：建立评价对象的因素集，采集变压器套管的各项评价指标的两组实测数据。
评价指标包括局部放电量K1、压力值K2、介质损耗K3、温度K4、电容偏移量K5、泄漏电流K6、色谱数据K7，其中色谱数据包含氢气含量、乙炔含量、一氧化碳含量、总烃产气率等4个子因素，如表1所示。第一只套管的各项数据基本全部在正常范围内，人工评估处于正常状态，第二只套管的局放量、压力值、温度、乙炔含量等均超出标准值，人工评估处于较严重的状态。
表1评价指标实测数据
步骤二：建立状态评语集，对变压器套管的绝缘状态进行划分，将评估结果分为4个等级，分别为1级正常状态、2级注意状态、3级异常状态、4级严重状态。根据《电力变压器(电抗器)用高压套管选用导则》，套管在最高电压下局部放电量应不大于10pC；介质损耗因数应不大于0.4％；温度极限值105℃；乙炔含量为0；氢气含量应不大于30μL/L；总烃产气率应不大于10％；一氧化碳含量应不大于100μL/L；电容偏移量小于5％；结合标准规范、文献数据、试验数据、专家经验等，划分每一个评价指标在各个等级的界限值，如表2所示。
表2评价指标等级界限值
| 指标 | 1级 | 2级 | 3级 | 4级 |
| 局部放电量(pC) | 5 | 10 | 15 | 20 |
| 压力值(MPa) | 0.125 | 0.202 | 0.355 | 0.412 |
| 介质损耗(％) | 0.29 | 0.48 | 0.59 | 0.71 |
| 温度(℃) | 50 | 110 | 150 | 200 |
| 电容偏移量(％) | 3.1 | 5 | 7 | 9 |
| 泄漏电流(mA) | 40 | 80 | 120 | 160 |
| 氢气含量(μL/L) | 20 | 50 | 100 | 150 |
| 乙炔含量(μL/L) | 2 | 4 | 6 | 8 |
| 一氧化碳含量(μL/L) | 50 | 100 | 300 | 500 |
| 总烃产气率(％) | 6.5 | 10 | 13.5 | 24 |
步骤三：将各项指标数据进行归一化处理，使其统一为[0，1]之间的数值。对于效益性指标，即指标数值越小对评价结果的影响越好的指标采用以下公式：
对于成本性指标，即指标数值越大对评价结果的影响越好的指标采用以下公式：
其中，xi为第i个指标的实测值，xgi为第i个指标归一化后的数值，ai和bi分别为效益性指标的1级和4级的等级界限，ci和di分别为成本性指标4级和1级的等级界限。
将表1中的两组数据按照公式(1)、公式(2)进行归一化，得到的数据如表3所示。
表3评价指标归一化后的数据
步骤四：计算各个评价指标的权重向量。
(1)采用层次分析法构造权重判断矩阵C＝(cij)n×n，其中n为评价指标的个数。引用数字1-9及其倒数作为标度构造矩阵的各个元素，其中1表示两个指标相比，具有相同重要性；3表示两个指标相比，前者比后者稍重要；5表示两个指标相比，前者比后者明显重要；7表示两个指标相比，前者比后者强烈重要；9表示两个指标相比，前者比后者极端重要；2,4,6,8表示上述相邻判断的中间值。指标i与指标j的重要性之比和指标j与指标i的重要性之比互为倒数。根据《变压器评估导则》、《电力变压器(电抗器)用高压套管选用导则》等相关标准和规范以及专家系统分析，确定各评价指标对套管状态评估的重要程度如下：色谱数据>局部放电量>介质损耗>电容偏移量>泄漏电流>压力值>温度。
根据上述方法得到权重判断矩阵C，并通过一致性校验：
(2)采用最小二乘拟合的方法确定常权权重向量，求解如下模型使残差平方和Z最小：
其中，n为评价指标的个数，ωi为第i个指标的常权。由于
计算得到的权重向量已满足正则化的要求。将计算得到的常权权重向量记为A0。
由计算得到的矩阵C，代入公式(3)计算得到常权权重向量：
A01＝(0.2071,0.0259,0.0518,0.0230,0.0414,0.0296,0.6213)
A02＝(0.2071,0.0259,0.0518,0.0230,0.0414,0.0296,0.6213)
(3)引入均衡函数计算变权权重向量，计算公式如下：
其中，n为评价指标的个数，xgi为第i个指标归一化后的数值，ωi为第i个指标的常权，ωBi为第i个指标的变权，α为均衡函数的系数且0＜α≤1。在套管状态评估中，需要特别关注某些关键指标对套管整体性能的影响，因此α取值应小于0.5，在本技术方案中取为0.2。将计算得到的变权权重向量记为AB。
根据公式(4)计算得到第二组数据的变权权重向量为：
AB2＝(0.1869,0.0451,0.0721,0.0327,0.0374,0.0651,0.5607)
(4)制定评价指标权重计算策略。由0＜α≤1可知α-1≤0，当xgi＝0时，无法使用式(4)的公式计算变权，因此对评价指标权重的计算，采用常权与变权相结合的模式，当xgi≠0时，采用式(4)计算变权；当xgi＝0时，采用式(3)计算常权。将计算得到的权重向量记为A，则：
由表3可知，第一组数据归一化后的数值中包含0，因此无法计算变权；第二组数据归一化后的数值全部不为0，因此可以采用公式(4)计算变权。因此，两组数据对应的权重向量如下：
A1＝A01＝＝(0.2071,0.0259,0.0518,0.0230,0.0414,0.0296,0.6213)
A2＝AB2＝(0.1869,0.0451,0.0721,0.0327,0.0374,0.0651,0.5607)
步骤五：计算各个指标的隶属函数和隶属度。将所有指标划分为两类，由于色谱数据包含氢气含量等子因素，单独作为一个子系统处理，其余指标作为另一个类别，分别采用不同的方法计算隶属度。
(1)由于评语集有4个等级，对于套管局部放电量、压力值、介质损耗、温度、电容偏移量、泄漏电流等6个评价指标采用具有4个参数的三角形和梯形混合分布的隶属函数：
μ1(x)、μ2(x)、μ3(x)、μ4(x)即为各评价指标对正常状态、注意状态、异常状态、严重状态4个等级的隶属函数。其中，a、b、c、d为各个指标相对劣化度的界限值。取a、b、c、d分别为0.2、0.4、0.6、0.8。将各个指标归一化后的数值带入式(6)-式(9)，计算得到各评价指标对4个评价等级的隶属度。
两组数据对应K1-K66个指标的隶属度矩阵分别为：
(2)参照图1和图2，将套管色谱数据作为一个子系统进行处理，对于色谱数据采用神经网络训练得到隶属函数及隶属度。色谱数据包含氢气含量、乙炔含量、一氧化碳含量、总烃产气率4个因素，将这4个因素归一化后的数值作为神经网络的输入向量，记为X，且X＝(x1,x2,x3,x4)。两组数据对应的输入向量分别为：
X1＝(0.1054,0,0.1969,0.3514)，
X2＝(1,1,0.3529,1)。
a.采用3层神经网络，输入层节点数4，因隶属函数具有单调性，输出层节点数为1，隐层节点数最小值为(N-1)/(D+2)，其中N为训练样本的基数，D为X的维数，收集的训练样本基数为100，并考虑模型的收敛性，经计算取隐层节点数为18。因为隐层节点数过多会使模型不容易收敛，计算公式为隐层节点数的最小值，权衡之后取为18。
b.记初始权重矩阵为W01、W02，初始偏置向量为P01、P02，隐层的激活函数为Sigmoid函数，由于求取隶属函数的过程是一个回归问题，输出层的激活函数选择恒等函数。由于输出层只有一个节点，输出函数是一个标量输出函数，则隶属函数的神经网络模型为：
c.对训练样本进行聚类，将样本空间划分为对应正常状态、注意状态、异常状态、严重状态的4个子样本集，记为样本1、样本2、样本3、样本4。分别用样本1-样本4对式(10)的模型进行训练，选择交叉熵误差作为损失函数：
其中，yk为神经网络的输出，k为输出数据的维度。
采集100组变压器套管的色谱数据作为训练样本，并对样本数据进行聚类，其中样本1为19组，样本2为26组，样本3为31组，样本4为24组，采用这四组数据对搭建的神经网络进行训练，网络的误差精度设置为0.001，迭代次数1043次时模型收敛，交叉熵误差达到了9.9533e-7。
d.通过学习，得到使损失函数最小的权重和偏置，从而得到色谱数据对评价等级的4个隶属函数：
4组训练样本分别得到4组权重和偏置，Wi1为第i个等级输入层和隐层之间的连接权值矩阵，是一个4*18的矩阵；Wi2为隐层和输出层之间的连接权值矩阵，是一个18*1的矩阵。Pi1为第i个等级输入层和隐层之间的偏置向量，是一个18个元素的行向量；Pi2为隐层和输出层之间的偏置向量，是一个1个元素的行向量。
e.对式(12)所示的隶属函数进行正则化，得到满足特征要求的隶属函数：
yi′＝(yi-yi-min)/(yi-max-yi-min),(i＝1,2,3,4) (13)，
其中，yi-max＝yi[X|X＝(1,1,...,1)]，yi-min＝yi[X|X＝(0,0,...,0)]。
f.将色谱数据归一化后的数值带入式(12)-式(13)，计算得到色谱数据对4个评价等级的隶属度，两组数据对应的隶属度矩阵分别为：
第一组色谱数据对“正常状态”的隶属度为1，第二组色谱数据对“严重状态”的隶属度为1，与套管的实际状态相符合。
步骤六：将步骤五中计算得到的各个指标的隶属度构造成关系模糊矩阵R并计算评估向量B。关系模糊矩阵R为：
其中，n为评价指标的个数，m为评价等级的个数，rnm为第n个评价指标对第m个评价等级的隶属度。矩阵中指标的排列顺序与计算权重向量时相同。
将两组数据K1-K6的隶属度矩阵和色谱数据的隶属度矩阵进行整合，得到关系模糊矩阵分别为：
计算评估向量的过程为：采用加权平均型的模糊算子，则评估向量B＝A*R。评估向量B中的元素
根据最大隶属度原则，B中最大的元素bmax对应模糊子集即为评估结果。
根据A1、A2、R1、R2计算得到两组数据的评估向量为：
B1＝(0.9923,0.0077,0.0000,0.0000)，
B2＝(0.0233,0.0904,0.1013,0.7849)，
B1中最大元素对应等级1“正常状态”，与第一组数据采样的套管实际状态相符合；B2中最大元素对应等级4“严重状态”，与第二组数据采样的套管实际状态相符合。
步骤七：对套管状态进行打分。实行满分10分制度，对应正常状态、注意状态、异常状态、严重状态4个等级的级别特征值的典型值确定为9、7、3.75、1.25，将评估向量中的分量作为权重，则套管的得分为：
S＝9*b1+7*b2+3.75*b3+1.25*b4 (15)，
将得分范围0～10划分为4个区间，对应评价结果的4个等级。当套管得分S∈(7.5,10)时，套管处于正常状态；当套管得分S∈(5,7.5)时，套管处于注意状态；当套管得分S∈(2.5,5)时，套管处于异常状态；当套管得分S∈(0,2.5)时，套管处于严重状态。
将两组数据评估向量中的元素分别代入式(15)，得到两只套管的评分为：
S1＝8.9847，
S2＝2.2039。
因S1∈(7.5,10)，第一组数据采样的套管处于正常状态，与步骤六中的评估结果和套管的实际状态一致；S2∈(0,2.5)，第二组数据采样的套管处于严重状态，与步骤六中的评估结果和套管的实际状态一致。
以上描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。
Claims (10)
1.一种变压器套管状态评估方法，其特征在于：包括以下步骤：
S01)、采集变压器套管的评价指标，建立评价对象的因素集，评价指标包括局部放电量、压力值、介质损耗、温度、电容偏移量、泄露电流和色谱数据，色谱数据包含多个因素；
S02)、建立状态评语集，对变压器套管的绝缘状态进行划分，将评估结果分为L个等级，并划分每一个评价指标在各个等级的界限值；
S03)、将各项指标数据进行归一化处理，使其统一为[0，1]之间的数值；
S04)、计算各个评价指标的权重向量，权重向量包括常权权重和变权权重，对评价指标权重的计算，采用常权权重与变权权重相结合的模式；
步骤S04)中，计算各个评价指标的权重向量的过程为：
S41)、采用层次分析法构造权重判断矩阵C＝(cij)n×n，其中n为评价指标的个数，采用数字1-9及其倒数作为权重判断矩阵的各个元素，其中1表示两个指标相比，具有相同重要性；3表示两个指标相比，前者比后者稍重要；5表示两个指标相比，前者比后者明显重要；7表示两个指标相比，前者比后者强烈重要；9表示两个指标相比，前者比后者极端重要；2、4、6、8表示上述相邻判断的中间值，指标i与指标j的重要性之比和指标j与指标i的重要性之比互为倒数；
S42)、采用最小二乘拟合的方法确定常权权重向量，求解如下模型使残差平方和Z最小：
其中，n为评价指标的个数，ωi为第i个指标的常权权重，由于
计算得到的权重向量已满足正则化的要求，将计算得到的常权权重向量记为A0；S43)、引入均衡函数计算变权权重向量，计算公式如下：
其中，n为评价指标的个数，xgi为第i个指标归一化后的数值，ωi为第i个指标的常权，ωBi为第i个指标的变权权重，α为均衡函数的系数且0＜α≤1，将计算得到的变权权重向量记为AB；
S44)、制定评价指标权重计算策略，由0＜α≤1可知α-1≤0，当xgi＝0时，无法使用公式(4)计算变权，因此对评价指标权重的计算，采用常权权重与变权权重相结合的模式，当xgi≠0时，采用公式(4)计算变权；当xgi＝0时，采用公式(3)计算常权；
将计算得到的权重向量记为A，则：
S05)、计算各个指标的隶属函数和隶属度，对于局部放电量、压力值、介质损耗、温度、电容偏移量、泄露电流，采用具有L个参数的三角形和梯形混合分布的隶属函数计算隶属度；对于色谱数据，采用神经网络训练得到隶属函数及隶属度；步骤S05)中，对于色谱数据，采用神经网络训练得到隶属函数及隶属度的过程为：
S521)、设色谱数据包括P个因素，将这P个因素归一化后的数值作为神经网络的输入向量，记为X，X＝(x1,x2...,xP)；
S522)、采用3层神经网络，输入层节点数为P，输出层节点数为1，隐层节点数最小值为(N-1)/(D+2)，其中N为训练样本的基数，D为X的维数；
S523)、记初始权重矩阵为W01、W02，初始偏置向量为P01、P02，隐层的激活函数为Sigmoid函数，输出层的激活函数为恒等函数，隶属函数的神经网络模型为：
S524)、对训练样本进行聚类，将样本空间划分为对应L个等级评估结果的L个子样本，分别用L个样本对公式(10)的模型进行训练，选择交叉熵误差作为损失函数：
其中，yk为神经网络的输出，k为输出数据的维度；
S525)、通过学习，得到使损失函数最小的权重和偏置，从而得到色谱数据对应评价等级的L个隶属函数：
S526)、对公式(12)所示的隶属函数进行正则化，得到满足特征要求的隶属函数：
yi′＝(yi-yi-min)/(yi-max-yi-min),(i＝1,2,...,L) (13)，
其中，yi-max＝yi[X|X＝(1,1,...,1)]，yi-min＝yi[X|X＝(0,0,...,0)]；
S527)、将色谱数据归一化后的数值带入公式(12)、公式(13)，计算得到色谱数据对L个评价等级的隶属度。
S06)、将步骤S05)中计算得到的各个指标的隶属度构成关系模糊矩阵R，采用加权平均型的模糊算子计算评估向量，评估向量B＝A*R，A为步骤S04)计算的权重向量，根据最大隶属度原则，B中最大的元素bmax对应的模糊子集即为评估结果；
S07)、对套管状态进行打分，设定每个等级的评估结果的典型值，将典型值与步骤S06)计算的评估结果加权求和，得到套管的状态得分，根据状态得分评估变压器套管的状态。
2.根据权利要求1所述的变压器套管状态评估方法，其特征在于：步骤S03)中，对于效益性指标，即指标数值越小对评价结果的影响越好的指标采用以下公式进行归一化：
对于成本性指标，即指标数值越大对评价结果的影响越好的指标采用以下公式进行归一化：
其中，xi为第i个指标的实测值，xgi为第i个指标归一化后的数值，ai和bi分别为效益性指标的1级和L级的等级界限，ci和di分别为成本性指标L级和1级的等级界限。
3.根据权利要求1所述的变压器套管状态评估方法，其特征在于：步骤S02)中，将评估结果分为4个等级，分别为1级正常状态、2级注意状态、3级异常状态、4级严重状态。
4.根据权利要求3所述的变压器套管状态评估方法，其特征在于：对于局部放电量、压力值、介质损耗、温度、电容偏移量、泄露电流，采用具有L个参数的三角形和梯形混合分布的隶属函数计算隶属度的过程为：
μ1(x)、μ2(x)、μ3(x)、μ4(x)即为各评价指标对正常状态、注意状态、异常状态、严重状态4个等级的隶属函数，其中，a、b、c、d为各个指标相对劣化度的界限值。
5.根据权利要求1所述的变压器套管状态评估方法，其特征在于：色谱数据包括4个因素，分别为氢气含量、乙炔含量、一氧化碳含量、总烃产气率。
6.根据权利要求1所述的变压器套管状态评估方法，其特征在于：α取值小于0.5。
7.根据权利要求6所述的变压器套管状态评估方法，其特征在于：α取值为0.2。
8.根据权利要求4所述的变压器套管状态评估方法，其特征在于：a、b、c、d取值分别为0.2、0.4、0.6、0.8。
9.根据权利要求1所述的变压器套管状态评估方法，其特征在于：关系模糊矩阵R中指标的排列顺序与计算权重向量A时相同。
10.根据权利要求3所述的变压器套管状态评估方法，其特征在于：步骤S07)实行满分10分制度，对应正常状态、注意状态、异常状态、严重状态4个等级的级别特征值的典型值确定为9、7、3.75、1.25，将评估向量中的分量作为权重，则套管的得分为：
S＝9*b1+7*b2+3.75*b3+1.25*b4(15)，
b1、b2、b3、b4分别为评估向量B中的元素；
将得分范围0～10划分为4个区间，对应评价结果的4个等级；当套管得分S∈(7.5,10)时，套管处于正常状态；当套管得分S∈(5,7.5)时，套管处于注意状态；当套管得分S∈(2.5,5)时，套管处于异常状态；当套管得分S∈(0,2.5)时，套管处于严重状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010991813.7A CN112163371B (zh) | 2020-09-18 | 2020-09-18 | 一种变压器套管状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010991813.7A CN112163371B (zh) | 2020-09-18 | 2020-09-18 | 一种变压器套管状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112163371A CN112163371A (zh) | 2021-01-01 |
| CN112163371B true CN112163371B (zh) | 2023-05-12 |
Family
ID=73862603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010991813.7A Active CN112163371B (zh) | 2020-09-18 | 2020-09-18 | 一种变压器套管状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163371B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779005A (zh) * | 2021-08-02 | 2021-12-10 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷评估方法和装置、存储介质 |
| CN113591402A (zh) * | 2021-08-31 | 2021-11-02 | 国网江苏省电力有限公司营销服务中心 | 一种数字化电力互感器健康状态模糊综合评价方法 |
| CN114629802B (zh) * | 2021-11-04 | 2023-12-08 | 国网浙江省电力有限公司湖州供电公司 | 一种基于业务感知的电力通信骨干网络质量评估方法 |
| CN115063049B (zh) * | 2022-08-16 | 2022-11-15 | 山东和兑智能科技有限公司 | 基于微智能传感器的高压套管多维状态监测系统与方法 |
| CN117150934B (zh) * | 2023-10-30 | 2024-01-26 | 南京中鑫智电科技有限公司 | 变压器套管状态综合监测系统及其在线数据处理方法 |
| CN117686861B (zh) * | 2024-02-04 | 2024-04-23 | 南京中鑫智电科技有限公司 | 多级参考基准的换流变阀侧套管绝缘状态监测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
| CN105046389A (zh) * | 2015-02-13 | 2015-11-11 | 国家电网公司 | 一种用于电力安全风险评估的智能风险评估方法及其系统 |
| CN107516015A (zh) * | 2017-08-29 | 2017-12-26 | 武汉大学 | 基于多特征量的复合绝缘子老化状态综合评估方法 |
| CN110782164A (zh) * | 2019-10-25 | 2020-02-11 | 贵州电网有限责任公司 | 一种基于变权重和模糊综合评价的配电设备状态评价方法 |
-
2020
- 2020-09-18 CN CN202010991813.7A patent/CN112163371B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
| CN105046389A (zh) * | 2015-02-13 | 2015-11-11 | 国家电网公司 | 一种用于电力安全风险评估的智能风险评估方法及其系统 |
| CN107516015A (zh) * | 2017-08-29 | 2017-12-26 | 武汉大学 | 基于多特征量的复合绝缘子老化状态综合评估方法 |
| CN110782164A (zh) * | 2019-10-25 | 2020-02-11 | 贵州电网有限责任公司 | 一种基于变权重和模糊综合评价的配电设备状态评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模糊综合评判的电力变压器运行状态评估模型;廖瑞金;《电力系统自动化》;20080210;第70-75页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112163371A (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112163371B (zh) | 一种变压器套管状态评估方法 | |
| CN109711663B (zh) | 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 | |
| CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
| CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN111722046A (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
| CN110688809B (zh) | 一种基于vprs-rbf神经网络的箱变故障诊断方法 | |
| CN114114002B (zh) | 一种氧化物避雷器在线故障诊断与状态评估方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
| 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 | |
| CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
| CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
| CN111639850A (zh) | 多源异构数据的质量评估方法与系统 | |
| CN114626769B (zh) | 一种电容式电压互感器运维方法及系统 | |
| Li et al. | An optimized GRNN‐enabled approach for power transformer fault diagnosis | |
| CN110045236A (zh) | 基于核主元分析优化的变压器状态参量数据预测方法及系统 | |
| CN113866552A (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
| CN113689004A (zh) | 基于机器学习的地下管网承载力评价方法及系统 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN111275292A (zh) | 一种基于模糊层次分析法的接地网状态评估方法 | |
| CN115936061A (zh) | 基于数据驱动的火电厂烟气含氧量软测量方法及系统 | |
| CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
| CN114240069A (zh) | 一种基于回归学习与特征挖掘的电网在线风险计算方法 | |
| CN113985156A (zh) | 一种基于变压器声纹大数据的智能故障识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240308 Address after: 17/F, Building 5, District 5, Hanyu Financial and Business Center, High tech Zone, Jinan, Shandong 250000 Patentee after: Shandong Electric Group Digital Technology Co.,Ltd. Country or region after: China Patentee after: SHANDONG ELECTRICAL ENGINEERING & EQUIPMENT GROUP Co.,Ltd. Address before: 250101 No.16 Chonghua Road, high tech Development Zone, Jinan City, Shandong Province Patentee before: SHANDONG ELECTRICAL ENGINEERING & EQUIPMENT GROUP Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |