CN112183610A - 变压器故障预测方法及变压器故障预测装置 - Google Patents

变压器故障预测方法及变压器故障预测装置 Download PDF

Info

Publication number
CN112183610A
CN112183610A CN202011010149.XA CN202011010149A CN112183610A CN 112183610 A CN112183610 A CN 112183610A CN 202011010149 A CN202011010149 A CN 202011010149A CN 112183610 A CN112183610 A CN 112183610A
Authority
CN
China
Prior art keywords
fault
data
transformer
power grid
current
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
CN202011010149.XA
Other languages
English (en)
Inventor
甄岩
贺金红
白晖峰
霍超
王立城
张港红
尹志斌
侯莹莹
罗安琴
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.)
State Grid Information and Telecommunication Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
Beijing Smartchip Microelectronics Technology 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 State Grid Information and Telecommunication Co Ltd, Beijing Smartchip Microelectronics Technology Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202011010149.XA priority Critical patent/CN112183610A/zh
Publication of CN112183610A publication Critical patent/CN112183610A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及变压器技术领域，提供一种变压器故障预测方法及装置，所述方法包括：获取目标变压器的当前DGA数据、目标变压器的当前运行数据，以及目标变压器所在电网的当前电网潮流数据；将所述当前DGA数据、所述当前运行数据和所述电网潮流数据输入已训练的故障预测模型，以获得所述已训练的故障预测模型输出的预设故障类型集中各故障类型的发生概率；根据所述各故障类型的发生概率判断所述目标变压器是否会发生相应类型的故障。本发明提供的技术方案，能够对变压器故障类型进行快速、准确地预测。

Description

变压器故障预测方法及变压器故障预测装置
技术领域
本发明涉及变压器技术领域，特别涉及一种变压器故障预测方法及一种变压器故障预测装置。
背景技术
变压器作为输配电系统的关键设备，其性能的优良将直接影响电力用户，因此最大程度的减少电力变压器发生故障具有重要意义。
变压器故障类型可分为低能放电、高能放电、局部放电、低温过热(温度小于300℃时)、中温过热(温度在300℃和700℃之间时)、高温过热(温度大于700℃时)、低能放电兼过热和高能放电兼过热8种故障类型。
目前对于变压器故障类型的智能诊断和预测，主要基于变压器油中溶解的气体成分来进行，即将变压器油中溶解的气体成分作为特征向量，建立该特征向量与变压器故障类型之间的非线性映射关系，通过实时检测分析变压器油中溶解的气体成分(DissolvedGasses Analysis，DGA)来预测或诊断变压器故障。但在目前的实际应用中，充电桩、分布式电源等新型能源的利用，使得电力系统网络环境越来越复杂，上述这种单一的只考虑变压器油中气体成分的方式，使得对变压器故障类型的预测并不准确。
发明内容
有鉴于此，本发明旨在提出一种变压器故障预测方法及装置，能够对变压器故障类型进行快速、准确地预测。
为达到上述目的，本发明的技术方案是这样实现的：
一种变压器故障预测方法，所述方法包括：
获取目标变压器的当前DGA数据、所述目标变压器的当前运行数据，以及所述目标变压器所在电网的当前电网潮流数据；
将所述当前DGA数据、所述当前运行数据和所述当前电网潮流数据输入已训练的故障预测模型，以获得所述已训练的故障预测模型输出的预设故障类型集中各故障类型的发生概率；
根据所述各故障类型的发生概率判断所述目标变压器是否会发生相应类型的故障。
优选地，所述已训练的故障预测模型采用如下方式获得：
采集在预设历史时间段内的以下数据，获得历史故障数据：所述目标变压器发生故障的故障类型集、所述目标变压器的DGA数据、所述目标变压器的运行数据，以及所述目标变压器所在电网的电网潮流数据；其中，所述故障类型集属于所述预设故障类型集的子集；
采用深度强化学习技术对所述历史故障数据进行学习，以建立所述故障预测模型；
根据所述历史故障数据，采用深度强化学习技术计算所述预设历史时间段内每一时刻对应的所述预设故障类型集中各故障类型的发生概率；
将所述预设历史时间段内每一时刻对应的所述预设故障类型集中各故障类型的发生概率和所述历史故障数据作为训练样本，对所述故障预测模型进行训练，获得所述已训练的故障预测模型。
优选地，所述故障预测模型的训练框架包括DQN网络模型。
进一步地，所述方法还包括：
当判断出所述目标变压器会发生相应类型的故障时，进行故障预警。
进一步地，所述方法还包括：
当判断出所述目标变压器不会发生相应类型的故障时，判断所述当前DGA数据是否位于预设的边界警戒值内；
当判断出所述当前DGA数据位于预设的边界警戒值内时，进行故障预警。
进一步地，在判断出所述当前DGA数据位于预设的边界警戒值内之后，所述方法还包括：
预测所述目标变压器所在电网的当前电网潮流数据在预设未来时间段内的走势，获得电网潮流走势数据；
当所述电网潮流走势数据偏离预设正常值时，进行故障预警。
优选地，所述目标变压器的DGA数据包括：变压器油中溶解的气体成分、各气体成分占总烃的百分比和各气体成分占总氢烃的百分比。
优选地，所述目标变压器的运行数据包括：变压器容量、运行方式和运行年限。
本发明的另一目的在于提出一种变压器故障预测装置，能够对变压器故障类型进行快速、准确地预测。
为达到上述目的，本发明的技术方案是这样实现的：
一种变压器故障预测装置，所述装置包括：
数据获取单元，用于获取目标变压器的当前DGA数据、所述目标变压器的当前运行数据，以及所述目标变压器所在电网的当前电网潮流数据；
故障类型发生概率获取单元，用于将所述当前DGA数据、所述当前运行数据和所述当前电网潮流数据输入已训练的故障预测模型，以获得所述已训练的故障预测模型输出的预设故障类型集中各故障类型的发生概率；
第一判断单元，用于根据所述各故障类型的发生概率判断所述目标变压器是否会发生相应类型的故障。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项变压器故障预测方法。
本发明所述的变压器故障预测方法及装置，由于综合考虑了目标变压器的当前DGA数据、当前运行数据和目标变压器所在电网的当前电网潮流数据，避免了只考虑单一因素对变压器故障的影响，且采用已训练的故障预测模型基于上述数据对变压器故障类型的发生概率进行预测，能够明确、直观地得到每种故障类型的发生概率，通过该故障类型发生概率即可判断目标变压器是否会发生相应类型的故障。可见，本发明提供的技术方案相对于现有技术能够快速、准确地对变压器故障类型进行预测，尽可能减少变压器故障对电网生产运行的影响，从而进一步提高电网的智能化程度。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例的方法流程图一；
图2为本发明实施例的方法流程图二；
图3为本发明实施例中获得已训练的故障预测模型的方法流程图；
图4为本发明实施例的装置结构图一；
图5为本发明实施例的装置结构图二。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
本发明实施例提供的一种变压器故障预测方法如图1所示，包括以下步骤：
步骤S101，获取目标变压器的当前DGA数据、所述目标变压器的当前运行数据，以及所述目标变压器所在电网的当前电网潮流数据。
本实施例中，所述目标变压器即为待预测其故障的变压器，所述目标变压器的DGA(Dissolved Gasses Analysis，溶解气体分析)数据包括：变压器油中溶解的气体成分、各气体成分占总烃的百分比和各气体成分占总氢烃的百分比等能反映变压器油中溶解气体成分情况的各类数据。对变压器DGA数据的采集和分析，可采用各种专门的在线检测分析仪器，例如，变压器高精度光声光谱检测仪等。
变压器内部故障点的温度较低时，产生气体的主要成分为CH4，然而随着故障点温度的逐步上升，变压器油中的溶解气体逐步产生C2H6、C2H4以及C2H2，而C2H6及其不稳定，易分解为H2和C2H4，因此两者总是同步产生，但通常CH4的含量大于C2H6。低温过热时，变压器油中溶解气体中的H2含量占总氢烃(即CH4、C2H6、C2、C2H4、C2H2含量之和)含量的27％以上；中温过热时，H2含量占总氢烃含量的27％以下；高温过热时，气体中的主要成分为C2H4，其次是CH4，二者含量占总烃的80％以上。
变压器发生局部放电时，产生气体的主成分为H2，其次是CH4。通常CH4占总烃含量的90％以上，H2占总氢烃含量的90％以上。当放电能量密度较大时，气体中可能会出现少量的C2H2，但含量一般会小于总烃含量的2％。低能放电时，总烃含量不高，产生气体的主要成分是H2和C2H2。高能放电时，产生气体的主要成分是H2和C2H2以及部分CH4和C2H4。因此，可基于变压器的DGA数据来分析变压器在未来一段时间内是否会发生故障，以及可能会发生的故障类型。
本实施例中，所述目标变压器的运行数据包括：变压器容量、运行方式和运行年限等涉及变压器自身运行参数的数据。所述目标变压器所在电网的电网潮流数据指的是该电网中各节点电压、线路上有功功率、无功功率等数据的稳态分布，电网潮流数据可通过电网调度系统实时获取。
本发明实施例对于当前DGA数据、当前运行数据，以及当前电网潮流数据的获取，即获取当前同一时刻下的DGA数据、运行数据和电网潮流数据，以作为已训练的故障预测模型的输入数据。
步骤S102，将所述当前DGA数据、所述当前运行数据和所述当前电网潮流数据输入已训练的故障预测模型，以获得所述已训练的故障预测模型输出的预设故障类型集中各故障类型的发生概率。
本实施例中，所述已训练的故障预测模型采用如下方式获得：
步骤S1021，采集在预设历史时间段内的以下数据，获得历史故障数据：所述目标变压器发生故障的故障类型集、所述目标变压器的DGA数据、所述目标变压器的运行数据，以及所述目标变压器所在电网的电网潮流数据；其中，所述故障类型集属于所述预设故障类型集的子集；
本实施例中，所述历史故障数据，可以是目标变压器的历史故障数据，在目标变压器没有历史故障数据的情况下，也可以采用与该目标变压器相同型号的变压器的历史故障数据来作为后续的经验学习库和训练样本。所述预设故障类型集包括低能放电、高能放电、局部放电、低温过热(温度小于300℃时)、中温过热(温度在300℃和700℃之间时)、高温过热(温度大于700℃时)、低能放电兼过热和高能放电兼过热8种类型的变压器故障，所采集的历史故障数据中的故障类型集应该属于上述8种类型中的一种或多种。
所采集的历史故障数据中的目标变压器的DGA数据、运行数据和电网潮流数据均为时间序列数据，且每一时刻的DGA数据、运行数据和电网潮流数据相对应。上述采集的历史故障数据形成经验学习库，以供深度强化学习技术对该经验学习库进行深度强化学习。
步骤S1022，采用深度强化学习技术对所述历史故障数据进行学习，以建立所述故障预测模型；
本步骤中，采用深度强化学习技术学习上述采集到的历史故障数据，即学习步骤S1021中形成的经验学习库，并进一步明确DGA数据、变压器的运行数据、电网潮流数据对变压器故障的影响程度和权重，初步建立针对目标变压器的故障预测模型。
步骤S1023，根据所述历史故障数据，采用深度强化学习技术计算所述预设历史时间段内每一时刻对应的所述预设故障类型集中各故障类型的发生概率；
步骤S1024，将所述预设历史时间段内每一时刻对应的所述预设故障类型集中各故障类型的发生概率和所述历史故障数据作为训练样本，对所述故障预测模型进行训练，获得所述已训练的故障预测模型。
本实施例中，对所述故障预测模型进行一轮训练之后，还包括对故障预测模型进行验证。具体地，从采集到的历史故障数据中随机抽取验证样本数据，以验证故障预测模型的预测效果。进一步地，将历史故障数据分为用于深度强化学习的数据和用于验证故障预测模型的数据，其中，前者专门供深度强化学习技术进行深度强化学习，后者作为预留数据，则上述验证样本数据，可以从用于深度强化学习的数据中随机抽取，也可以从用于验证故障预测模型的数据中抽取，或者从上述两部分数据中各抽取一部分。
若该故障预测模型对各验证样本数据均预测准确，则说明该故障预测模型准确有效，可进行实际的故障预测工作，对该故障预测模型的训练结束；若该故障预测模型对某些验证样本数据预测错误，则进一步判断发生预测错误的验证样本数据是从哪部分抽取的验证样本数据——若是从上述深度强化学习的数据中抽取的，说明模型训练还未达到最优策略，需要观察当前模型训练结束时的损失函数和收敛性能，调整输入项权值后继续训练；若是从上述用于验证故障预测模型的数据中抽取的，则从用于验证故障预测模型的数据中继续抽取一部分验证样本数据加入上述用于深度强化学习的数据中、重新启动模型自学习过程。如此循环往复，直至故障预测模型对所有的验证样本数据均预测准确，则学习和训练过程结束。
本实施例中，所述故障预测模型的训练框架包括DQN(Deep Q-Learning)网络模型。在学习和训练过程中，以故障类型概率作为输出，以DGA数据、变压器运行数据和电网潮流数据作为输入，基于DQN网络模型进行学习和训练，获得已训练的故障预测模型。
步骤S103，根据所述各故障类型的发生概率判断所述目标变压器是否会发生相应类型的故障。
具体地，将各故障类型发生概率的大小依次排列，判断目标变压器是否会发生概率最大的数值所对应类型的故障。例如，可以设定概率数值超过60％时，变压器将会发生对应类型的故障，当然，也可根据实际情况设置上述故障发生时的概率数值阈值。
进一步地，本实施例所述的方法还包括：当判断出所述目标变压器会发生相应类型的故障时，进行故障预警，提醒相关检修人员和设备专职人员对该变压器进行及时检修，避免故障的实际发生；当判断出所述目标变压器不会发生相应类型的故障时，则进一步判断所述当前DGA数据是否位于预设的边界警戒值内，当判断出所述当前DGA数据位于预设的边界警戒值内时，说明当前DGA数据不正常，变压器可能会发生与当前DGA数据对应的故障类型，此时，需进行故障预警。当判断出所述当前DGA数据没有位于预设的边界警戒值内时，说明当前DGA数据正常，变压器在未来一段时间内不会发生故障，则无需进行故障预警。其中，预设的边界警戒值可由检修人员和设备专职人员根据变压器监控管理需要自行设定，例如，可将正常DGA数据的正负偏差0.5％以内的数据作为上述边界警戒值。上述正负偏差值的设定也可以通过数据的相关性分析来确定，例如，在研究故障历史数据时，若发现偏差在正负0.5％以内时80％以上的概率会发生故障、偏差在±0.5-1％时50％的概率会发生故障，则把偏差值设定为0.5％。
为了更加精确地进行故障预警，本实施例中，在判断出所述当前DGA数据位于预设的边界警戒值内之后，所述方法还包括：预测所述目标变压器所在电网的当前电网潮流数据在预设未来时间段内的走势，获得电网潮流走势数据，当所述电网潮流走势数据偏离预设正常值时，进行故障预警。在实际应用中，在电网潮流预期会发生较大变化——例如新能源周期性大规模并网等将极大影响电网环境时，变压器运行状况需重点关注，此时仍需要进行故障预警，提醒相关检修人员和设备专职人员对目标变压器进行及时检修，尽可能避免因变压器故障造成的电网运行损失。
与上述实施方式相对应地，本发明还提供一种变压器故障预测装置，如图4所示，本实施例提供的装置包括：
数据获取单元201，用于获取目标变压器的当前DGA数据、所述目标变压器的当前运行数据，以及所述目标变压器所在电网的当前电网潮流数据；
故障类型发生概率获取单元202，用于将所述当前DGA数据、所述当前运行数据和所述当前电网潮流数据输入已训练的故障预测模型，以获得所述已训练的故障预测模型输出的预设故障类型集中各故障类型的发生概率；
第一判断单元203，用于根据所述各故障类型的发生概率判断所述目标变压器是否会发生相应类型的故障。
进一步地，如图5所示，所述装置还包括：
故障预警单元204，用于当判断出所述目标变压器会发生相应类型的故障时，进行故障预警。
进一步地，如图5所示，所述装置还包括：
第二判断单元205，用于当判断出所述目标变压器不会发生相应类型的故障时，判断所述当前DGA数据是否位于预设的边界警戒值内；则，所述故障预警单元204还用于当判断出所述当前DGA数据位于预设的边界警戒值内时，进行故障预警。
进一步地，如图5所示，所述装置还包括：
预测单元206，用于在判断出所述当前DGA数据位于预设的边界警戒值内之后，预测所述目标变压器所在电网的当前电网潮流数据在预设未来时间段内的走势，获得电网潮流走势数据；则，所述故障预警单元204还用于当所述电网潮流走势数据偏离预设正常值时，进行故障预警。
上述装置的工作原理、工作流程等涉及具体实施方式的内容可参见本发明所提供的变压器故障预测方法的具体实施方式，此处不再对相同的技术内容进行详细描述。
本发明还提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本实施例所述的变压器故障预测方法。
本发明还提供一种终端设备，包括处理器，该处理器用于执行本实施例所述的变压器故障预测方法。
本发明所述的变压器故障预测方法及装置，由于综合考虑了目标变压器的当前DGA数据、当前运行数据和目标变压器所在电网的当前电网潮流数据，避免了只考虑单一因素对变压器故障的影响，且采用已训练的故障预测模型基于上述数据对变压器故障类型的发生概率进行预测，能够明确、直观地得到每种故障类型的发生概率，通过该故障类型发生概率即可判断目标变压器是否会发生相应类型的故障。可见，本发明提供的技术方案相对于现有技术能够快速、准确地对变压器故障类型进行预测，尽可能减少变压器故障对电网生产运行的影响，从而进一步提高电网的智能化程度。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的不同实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种变压器故障预测方法，其特征在于，所述方法包括：
获取目标变压器的当前DGA数据、所述目标变压器的当前运行数据，以及所述目标变压器所在电网的当前电网潮流数据；
将所述当前DGA数据、所述当前运行数据和所述当前电网潮流数据输入已训练的故障预测模型，以获得所述已训练的故障预测模型输出的预设故障类型集中各故障类型的发生概率；
根据所述各故障类型的发生概率判断所述目标变压器是否会发生相应类型的故障。
2.根据权利要求1所述的变压器故障预测方法，其特征在于，所述已训练的故障预测模型采用如下方式获得：
采集在预设历史时间段内的以下数据，获得历史故障数据：所述目标变压器发生故障的故障类型集、所述目标变压器的DGA数据、所述目标变压器的运行数据，以及所述目标变压器所在电网的电网潮流数据；其中，所述故障类型集属于所述预设故障类型集的子集；
采用深度强化学习技术对所述历史故障数据进行学习，以建立所述故障预测模型；
根据所述历史故障数据，采用深度强化学习技术计算所述预设历史时间段内每一时刻对应的所述预设故障类型集中各故障类型的发生概率；
将所述预设历史时间段内每一时刻对应的所述预设故障类型集中各故障类型的发生概率和所述历史故障数据作为训练样本，对所述故障预测模型进行训练，获得所述已训练的故障预测模型。
3.根据权利要求2所述的变压器故障预测方法，其特征在于，所述故障预测模型的训练框架包括DQN网络模型。
4.根据权利要求1所述的变压器故障预测方法，其特征在于，所述方法还包括：
当判断出所述目标变压器会发生相应类型的故障时，进行故障预警。
5.根据权利要求1所述的变压器故障预测方法，其特征在于，所述方法还包括：
当判断出所述目标变压器不会发生相应类型的故障时，判断所述当前DGA数据是否位于预设的边界警戒值内；
当判断出所述当前DGA数据位于预设的边界警戒值内时，进行故障预警。
6.根据权利要求5所述的变压器故障预测方法，其特征在于，在判断出所述当前DGA数据位于预设的边界警戒值内之后，所述方法还包括：
预测所述目标变压器所在电网的当前电网潮流数据在预设未来时间段内的走势，获得电网潮流走势数据；
当所述电网潮流走势数据偏离预设正常值时，进行故障预警。
7.根据权利要求1所述的变压器故障预测方法，其特征在于，所述目标变压器的DGA数据包括：变压器油中溶解的气体成分、各气体成分占总烃的百分比和各气体成分占总氢烃的百分比。
8.根据权利要求1所述的变压器故障预测方法，其特征在于，所述目标变压器的运行数据包括：变压器容量、运行方式和运行年限。
9.一种变压器故障预测装置，其特征在于，所述装置包括：
数据获取单元，用于获取目标变压器的当前DGA数据、所述目标变压器的当前运行数据，以及所述目标变压器所在电网的当前电网潮流数据；
故障类型发生概率获取单元，用于将所述当前DGA数据、所述当前运行数据和所述当前电网潮流数据输入已训练的故障预测模型，以获得所述已训练的故障预测模型输出的预设故障类型集中各故障类型的发生概率；
第一判断单元，用于根据所述各故障类型的发生概率判断所述目标变压器是否会发生相应类型的故障。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任意一项所述的变压器故障预测方法。
CN202011010149.XA 2020-09-23 2020-09-23 变压器故障预测方法及变压器故障预测装置 Pending CN112183610A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011010149.XA CN112183610A (zh) 2020-09-23 2020-09-23 变压器故障预测方法及变压器故障预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011010149.XA CN112183610A (zh) 2020-09-23 2020-09-23 变压器故障预测方法及变压器故障预测装置

Publications (1)

Publication Number Publication Date
CN112183610A true CN112183610A (zh) 2021-01-05

Family

ID=73956295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011010149.XA Pending CN112183610A (zh) 2020-09-23 2020-09-23 变压器故障预测方法及变压器故障预测装置

Country Status (1)

Country Link
CN (1) CN112183610A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378375A (zh) * 2021-06-08 2021-09-10 云南电网有限责任公司电力科学研究院 一种变压器绝缘结构的故障预测方法、装置、设备及介质
CN113985207A (zh) * 2021-10-28 2022-01-28 国网北京市电力公司 一种电网运行设备故障监测方法、系统、装置及存储介质
CN117849498A (zh) * 2023-12-27 2024-04-09 慧之安信息技术股份有限公司 基于多目标识别的电网变压器缺陷检测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108152612A (zh) * 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质
CN109298258A (zh) * 2018-09-18 2019-02-01 四川大学 结合rvm和dbn的变压器故障诊断方法及系统
CN110766059A (zh) * 2019-10-14 2020-02-07 四川西部能源股份有限公司郫县水电厂 一种变压器故障的预测方法、装置和设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108152612A (zh) * 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质
CN109298258A (zh) * 2018-09-18 2019-02-01 四川大学 结合rvm和dbn的变压器故障诊断方法及系统
CN110766059A (zh) * 2019-10-14 2020-02-07 四川西部能源股份有限公司郫县水电厂 一种变压器故障的预测方法、装置和设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378375A (zh) * 2021-06-08 2021-09-10 云南电网有限责任公司电力科学研究院 一种变压器绝缘结构的故障预测方法、装置、设备及介质
CN113378375B (zh) * 2021-06-08 2023-04-28 云南电网有限责任公司电力科学研究院 一种变压器绝缘结构的故障预测方法、装置、设备及介质
CN113985207A (zh) * 2021-10-28 2022-01-28 国网北京市电力公司 一种电网运行设备故障监测方法、系统、装置及存储介质
CN117849498A (zh) * 2023-12-27 2024-04-09 慧之安信息技术股份有限公司 基于多目标识别的电网变压器缺陷检测方法和系统

Similar Documents

Publication Publication Date Title
CN112183610A (zh) 变压器故障预测方法及变压器故障预测装置
Yue et al. Proton exchange membrane fuel cell system prognostics and decision-making: Current status and perspectives
Sharma et al. Review of artificial intelligence techniques application to dissolved gas analysis on power transformer
JP5684813B2 (ja) 油入電気機器の異常予測診断方法
CN117408162B (zh) 基于数字孪生的电网故障控制方法
CN111008485A (zh) 基于神经网络的三相交流异步电机多参数寿命预测方法
Goerdin et al. Monte Carlo simulation applied to support risk-based decision making in electricity distribution networks
CN117992776B (zh) 基于人工智能的电网设备健康状态实时预测方法
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
Milosavljevic et al. Integrated transformer health estimation methodology based on Markov chains and evidential reasoning
CN117689373A (zh) 一种柔性直流牵引供电系统能量路由器维护决策支持方法
CN117117258B (zh) 一种氢燃料电池系统的故障监测方法及装置
CN116578869A (zh) 电力系统的故障诊断方法、故障诊断装置与电子装置
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法
CN114595883A (zh) 基于元学习的油浸式变压器剩余寿命个性化动态预测方法
Su et al. Opportunistic maintenance optimisation for offshore wind farm with considering random wind speed
CN111628498A (zh) 一种考虑配电网可靠性的多目标配电网重构方法和装置
Aizpurua et al. Determining appropriate data analytics for transformer health monitoring
CN112183609A (zh) 变压器故障诊断方法及变压器故障诊断装置
Patil et al. DGA Based Ensemble learning and Random Forest Models for Condition Assessment of Transformers
CN115587331A (zh) 电网设备运行状态诊断预测方法及系统
CN114066163A (zh) 一种基于三层架构模式的电力设备状态分析方法及装置
CN116774107A (zh) 基于多维信息的变压器状态评估方法及装置
Petrone et al. Diagnostics and prognostics for the wind-hydrogen plant
CN112241511A (zh) 交通工具辅助电气系统的性能检测方法及装置、终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210105

RJ01 Rejection of invention patent application after publication