CN112347663A - 融合变压器健康状态和役龄的故障概率预测方法 - Google Patents
融合变压器健康状态和役龄的故障概率预测方法 Download PDFInfo
- Publication number
- CN112347663A CN112347663A CN202011374332.8A CN202011374332A CN112347663A CN 112347663 A CN112347663 A CN 112347663A CN 202011374332 A CN202011374332 A CN 202011374332A CN 112347663 A CN112347663 A CN 112347663A
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault
- rate
- calculating
- service life
- 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.)
- Granted
Links
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
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明提供一种融合变压器健康状态和役龄的故障概率预测方法,所述方法包括以下步骤:S1、获取变压器热点温度信息,计算变压器等效役龄数据;S2、获取变压器历史故障信息,基于变压器等效役龄数据和变压器历史故障信息建立偶然故障率模型;S3、获取变压器健康状态信息,建立确定故障率模型;S4、基于偶然故障率模型和确定故障率模型计算变压器运行故障概率。本发明有效提高了变压器设备故障概率计算的准确率,能够为变压器风险评估和运行管理提供有效支持。
Description
技术领域
本发明涉及变压器故障概率预测技术领域,尤其涉及一种融合变压器健康状态和役龄的故障概率预测方法。
背景技术
变压器在服役阶段内遭受热、电与机械等应力的共同作用,逐步老化、劣化直至故障,设备一旦发生故障,不但会给系统带来严重损失,也极大地威胁了其他行业的正常生产。及时准确地了解变压器的故障率能定量评估出系统的可靠性与风险,为制定检修策略提供依据,保证电网的供电可靠性。目前,变压器故障率的计算方法主要有两种:一种是根据设备运行过程中各种在线/离线特征量(如泄漏电流、局部放电、DGA等)来评估设备当前状态,依据变压器设备当前运行状态评估设备故障概率,这种方法有助于实时监测变压器的运行状态,提高运行的可靠性,但忽略了设备随运行年限逐渐老化的过程,未能体现设备的故障率变化趋势;另一种是根据以运行年限为变量的设备故障率“浴盆曲线”预测变压器故障概率。这种方法只能表征设备正常与故障2种状态,无法表征设备在相同役龄不同健康状态下的故障率差别。
发明内容
鉴于此,本发明的目的在于提供一种融合变压器健康状态和役龄的故障概率预测方法,以克服或至少部分解决现有技术所存在的以上问题。
一种融合变压器健康状态和役龄的故障概率预测方法,包括以下步骤:
S1、获取变压器热点温度信息,计算变压器等效役龄数据;
S2、获取变压器历史故障信息,基于变压器等效役龄数据和变压器历史故障信息建立偶然故障率模型;
S3、获取变压器健康状态信息,建立确定故障率模型;
S4、基于偶然故障率模型和确定故障率模型计算变压器运行故障概率。
进一步的,所述步骤S1具体包括:
S11、计算变压器相对老化速率;
S12、计算变压器实际相对老化速率下的寿命损失La,计算式如式(1)所示,
其中,VX为相对老化速率,Ta为变压器实际运行周期(Ta=t2-t1);
S13、计算变压器等效役龄数据Teq,计算式如式(2)所示,
其中,Le为额定老化速率。
进一步的,在步骤S11前,还包括:获取变压器设备信息,判断变压器采用热改性纸或非热改性纸,当变压器采用非热改性纸时,其相对老化速率V通过式(3)计算,
其中θhs为变压器热点温度;
当变压器采用热改性纸时,其相对老化速率V通过式(4)计算,
进一步的,所述步骤S2具体包括以下步骤:
S21、获取变压器历史故障信息,计算故障分界点;
S22、采用灰色线性回归模型对故障率曲线进行拟合;
S23、基于变压器故障率数据和等效役龄数据建立偶然故障率模型。
进一步的,所述计算故障分界点具体包括:
S211、对变压器历史故障信息进行滤波处理;
S212、基于变压器历史故障信息生成故障率曲线,计算故障率曲线上的曲率极值点;
S213、基于曲率极值点确定故障分界点。
进一步的,步骤S23中偶然故障率模型为双参数形式Weibull分布的故障率函数,设有按时间排序的n组变压器故障率数据(t1,λ1),(t2,λ2),...,(tn,λn),则故障率函数的表达式如式(5)所示:
其中λ表示故障率,t表示变压器等效役龄,z表示形状参数,η表示尺度参数,z和η为Weibull分布参数。
进一步的,所述Weibull分布参数z和η具体通过以下步骤估计:
S233、从A(k)出发,沿方向d(k)进行非精准一维搜索,求得可接受步长β(k);
S234、计算A(k+1)=A(k)+β(k)d(k)以及对应的目标函数值Φ(A(k+1));
S235、若满足||A(k+1)-A(k)||<tol,则终止迭代,分别输出A(k+1)和Φ(A(k+1))作为求得的最优参数和最优函数值,否则,令k=k+1,返回步骤S232。
进一步的,所述确定故障率模型表达式如式(7)所示,
λ(CI)=K×e-C×100(eC×(100-CI)-1) (7)
其中,K为比例参数,C为曲率参数,λ(CI)为设备故障发生概率,CI为设备健康状态评分值。
与现有技术相比,本发明的有益效果是:
本发明所提供的融合变压器健康状态和役龄的故障概率预测方法,剥离传统健康状态概率模型中藴涵的偶然性故障因素,摆脱偶然因素对故障概率的影响,以此建立了基于健康状态的变压器确定性故障概率。另一方面,结合变压器老化速率计算方法引入等效役龄,区分变压器因老化速率不同引起的老化状态差异,提高基于Weibull分布的偶然故障概率的评估准确度。最后,结合确定故障概率和偶然故障概率计算结果,有效提高了变压器设备故障概率计算的准确率,能够为变压器风险评估和运行管理提供有效支持。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的融合变压器健康状态和役龄的故障概率预测方法整体流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。
参照图1,本发明提供一种融合变压器健康状态和役龄的故障概率预测方法,所述方法包括以下步骤:
S1、获取变压器热点温度信息,计算变压器等效役龄数据。负载运行时,变压器内部绝缘材料始终承受热老化、劣化作用,并且这种作用的长期积累将减少变压器的使用寿命。在不同老化速率V下,变压器损耗的使用寿命也存在差异,并且受热点温度θhs的影响。实际运行过程中,热点温度θhs不仅与变压器类型有关,而且受外部环境和负载率的影响。因此,即使2台相同型号、相同役龄的变压器,其使用寿命损耗率和偶然故障率也会有所差异。为了真实反应变压器的老化状态,本发明通过引入变压器相对老化速率,将变压器实际役龄转化为额定老化速率下的等效役龄,提高偶然故障率的准确度。
S2、获取变压器历史故障信息,基于变压器等效役龄数据和变压器历史故障信息建立偶然故障率模型。
S3、获取变压器健康状态信息,建立确定故障率模型。
S4、基于偶然故障率模型和确定故障率模型计算变压器运行故障概率。
作为一个示例,所述步骤S1具体包括:
S11、计算变压器相对老化速率;
S12、计算变压器实际相对老化速率下的寿命损失La,计算式如式(1)所示,
其中,VX为相对老化速率,Ta为变压器实际运行周期(Ta=t2-t1);
S13、计算变压器等效役龄数据Teq,计算式如式(2)所示,
其中,Le为额定老化速率。
一些实施方式中,在步骤S11前,还包括:获取变压器设备信息,判断变压器采用热改性纸或非热改性纸,当变压器采用非热改性纸时,其相对老化速率V通过式(3)计算,
其中θhs为变压器热点温度;
当变压器采用热改性纸时,其相对老化速率V通过式(4)计算,
所述步骤S2具体包括以下步骤:
S21、获取变压器历史故障信息,计算故障分界点。
S22、采用灰色线性回归模型对故障率曲线进行拟合。
S23、基于变压器故障率数据和等效役龄数据建立偶然故障率模型。
其中,根据变压器历史故障信息,预测下一阶段的设备故障概率,则需要充分挖掘已有故障数据的信息。但现有方法在拟合故障概率曲线时,尚未对故障稳定期与损耗期的数据进行区分,导致两个时期的数据相互干扰,使得模型的预测结果与实际情况不符。为此,本方法引入故障分界点,即变压器故障稳定区和故障损耗区的转折点,通过对故障数据分区处理,解决相邻区段故障信息相互干扰的问题。所述计算故障分界点具体包括:
S211、对变压器历史故障信息进行滤波处理。
变压器运行过程中,因随机性因素的作用会使得历史信息中存在异常数据;另外由于设备历史故障信息难以大量收集,导致少量统计数据中异常数据影响较大,因此有必要在检测故障分界点和拟合故障率曲线前对数据进行滤波处理,去除其中的异常数据。一些实施方式中,所述滤波处理可以采用中值滤波或其他可实现相同作用的滤波方法。
S212、基于变压器历史故障信息生成故障率曲线,计算故障率曲线上的曲率极值点。
S213、基于曲率极值点确定故障分界点。
计算出曲率极值点后,判断各个点是否为特征点,即故障分界点。首先将求出的曲率与阈值tv(tv∈[0.3,0.5])作比较,筛选掉曲率过小、不能作为故障分界点的点;其次,对前一步剩余的点进行筛选,去掉由于随机故障产生的极大值点,从而确定故障分界点。
作为一个示例,步骤S23中偶然故障率模型为双参数形式Weibull分布的故障率函数,设有按时间排序的n组变压器故障率数据(t1,λ1),(t2,λ2),...,(tn,λn),则故障率函数的表达式如式(5)所示:
其中λ表示故障率,t表示变压器等效役龄,z表示形状参数,η表示尺度参数,z和η为Weibull分布参数。
一些实施方式中,所述Weibull分布参数z和η具体通过以下步骤估计:
S233、从A(k)出发,沿方向d(k)进行非精准一维搜索,求得可接受步长β(k);
S234、计算A(k+1)=A(k)+β(k)d(k)以及对应的目标函数值Φ(A(k+1));
S235、若满足||A(k+1)-A(k)||<tol,则终止迭代,分别输出A(k+1)和Φ(A(k+1))作为求得的最优参数和最优函数值,否则,令k=k+1,返回步骤S232。
健康状态故障率模型以健康状态为输入量,预测变压器因组件状态缺陷引起的必然故障概率,但其中也藴涵了随机因素诱发的故障率,表现为变压器健康状态满分时,传统健康状态故障概率模型的预测结果不为0,而是存在一定的偶然故障概率。为了消除传统健康状态故障概率模型中的偶然因素,在本发明的一个实施例中,步骤S3中所述确定故障率模型表达式如式(7)所示,
λ(CI)=K×e-C×100(eC×(100-CI)-1) (7)
其中,K为比例参数,C为曲率参数,λ(CI)为设备故障发生概率,CI为设备健康状态评分值。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种融合变压器健康状态和役龄的故障概率预测方法,其特征在于,所述方法包括以下步骤:
S1、获取变压器热点温度信息,计算变压器等效役龄数据;
S2、获取变压器历史故障信息,基于变压器等效役龄数据和变压器历史故障信息建立偶然故障率模型;
S3、获取变压器健康状态信息,建立确定故障率模型;
S4、基于偶然故障率模型和确定故障率模型计算变压器运行故障概率。
4.根据权利要求1所述的一种融合变压器健康状态和役龄的故障概率预测方法,其特征在于,所述步骤S2具体包括以下步骤:
S21、获取变压器历史故障信息,计算故障分界点;
S22、采用灰色线性回归模型对故障率曲线进行拟合;
S23、基于变压器故障率数据和等效役龄数据建立偶然故障率模型。
5.根据权利要求4所述的一种融合变压器健康状态和役龄的故障概率预测方法,其特征在于,所述计算故障分界点具体包括:
S211、对变压器历史故障信息进行滤波处理;
S212、基于变压器历史故障信息生成故障率曲线,计算故障率曲线上的曲率极值点;
S213、基于曲率极值点确定故障分界点。
7.根据权利要求6所述的一种融合变压器健康状态和役龄的故障概率预测方法,其特征在于,所述Weibull分布参数z和η具体通过以下步骤估计:
S233、从A(k)出发,沿方向d(k)进行非精准一维搜索,求得可接受步长β(k);
S234、计算A(k+1)=A(k)+β(k)d(k)以及对应的目标函数值Φ(A(k+1));
S235、若满足||A(k+1)-A(k)||<tol,则终止迭代,分别输出A(k+1)和Φ(A(k+1))作为求得的最优参数和最优函数值,否则,令k=k+1,返回步骤S232。
8.根据权利要求1所述的一种融合变压器健康状态和役龄的故障概率预测方法,其特征在于,所述确定故障率模型表达式如式(7)所示,
λ(CI)=K×e-C×100(eC×(100-CI)-1) (7)
其中,K为比例参数,C为曲率参数,λ(CI)为设备故障发生概率,CI为设备健康状态评分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374332.8A CN112347663B (zh) | 2020-11-30 | 2020-11-30 | 融合变压器健康状态和役龄的故障概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374332.8A CN112347663B (zh) | 2020-11-30 | 2020-11-30 | 融合变压器健康状态和役龄的故障概率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347663A true CN112347663A (zh) | 2021-02-09 |
CN112347663B CN112347663B (zh) | 2022-02-22 |
Family
ID=74365179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011374332.8A Active CN112347663B (zh) | 2020-11-30 | 2020-11-30 | 融合变压器健康状态和役龄的故障概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347663B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116185102A (zh) * | 2023-02-14 | 2023-05-30 | 苏州新锐低温设备有限公司 | 一种智能复热器、智能复热方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
CN105956727A (zh) * | 2016-04-11 | 2016-09-21 | 重庆大学 | 一种改进的电力设备故障率计算方法 |
US20190005400A1 (en) * | 2016-09-20 | 2019-01-03 | Southwest Petroleum University | A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes |
CN109239546A (zh) * | 2018-08-28 | 2019-01-18 | 西南交通大学 | 一种变压器绝缘寿命预测与可靠性评估方法 |
CN109376451A (zh) * | 2018-11-09 | 2019-02-22 | 广东电网有限责任公司 | 一种基于拟合关联的自动化设备故障率计算方法 |
CN109856488A (zh) * | 2019-03-15 | 2019-06-07 | 长沙理工大学 | 一种基于多源数据融合的变压器状态评估及故障检测方法 |
CN110930052A (zh) * | 2019-12-02 | 2020-03-27 | 国网山东省电力公司高密市供电公司 | 一种变电设备故障率预测方法,系统,设备及可读存储介质 |
-
2020
- 2020-11-30 CN CN202011374332.8A patent/CN112347663B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
CN105956727A (zh) * | 2016-04-11 | 2016-09-21 | 重庆大学 | 一种改进的电力设备故障率计算方法 |
US20190005400A1 (en) * | 2016-09-20 | 2019-01-03 | Southwest Petroleum University | A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes |
CN109239546A (zh) * | 2018-08-28 | 2019-01-18 | 西南交通大学 | 一种变压器绝缘寿命预测与可靠性评估方法 |
CN109376451A (zh) * | 2018-11-09 | 2019-02-22 | 广东电网有限责任公司 | 一种基于拟合关联的自动化设备故障率计算方法 |
CN109856488A (zh) * | 2019-03-15 | 2019-06-07 | 长沙理工大学 | 一种基于多源数据融合的变压器状态评估及故障检测方法 |
CN110930052A (zh) * | 2019-12-02 | 2020-03-27 | 国网山东省电力公司高密市供电公司 | 一种变电设备故障率预测方法,系统,设备及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116185102A (zh) * | 2023-02-14 | 2023-05-30 | 苏州新锐低温设备有限公司 | 一种智能复热器、智能复热方法及系统 |
CN116185102B (zh) * | 2023-02-14 | 2023-09-08 | 苏州新锐低温设备有限公司 | 一种智能复热器、智能复热方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112347663B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mallor et al. | A method for detecting malfunctions in PV solar panels based on electricity production monitoring | |
JP5494034B2 (ja) | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 | |
CN114460445B (zh) | 考虑老化阈值与寿命的变压器老化不可用率评估方法 | |
CN111274546A (zh) | 一种电缆系统故障分析方法 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN112347663B (zh) | 融合变压器健康状态和役龄的故障概率预测方法 | |
CN112947290A (zh) | 基于边云协同的设备状态监测方法、监测系统及存储介质 | |
CN112433907A (zh) | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 | |
CN109001601A (zh) | 电缆局部放电在线监测方法和装置 | |
CN111339661B (zh) | 一种高压电缆巡检周期自动规划方法 | |
WO2018137980A1 (de) | Verfahren zur einsatzplanung eines elektrischen systems zur energieversorgung | |
JP5426683B2 (ja) | 保守方策決定装置、方法およびプログラム | |
CN116861797B (zh) | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 | |
CN111929579B (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
CN111413564B (zh) | 一种超级电容器失效预警方法、系统以及设备 | |
CN117196251A (zh) | 一种园区配电设施监控方法、系统、设备及介质 | |
Baboli et al. | Two-stage condition-based maintenance model of wind turbine: From diagnosis to prognosis | |
CN107633271B (zh) | 电力系统稳态可用度非精确概率计算方法 | |
CN115600879A (zh) | 一种断路器异常预警方法、系统及相关装置 | |
CN115877145A (zh) | 一种变压器重过载工况大数据交叉评估系统及方法 | |
CN116071036A (zh) | 一种变压器温度状态评价方法、设备和介质 | |
CN112766657B (zh) | 基于故障概率和设备状态的单台设备质量评价方法 | |
CN112729607A (zh) | 变电站一次设备载流元件发热温度预测监控方法和系统 | |
CN110927488B (zh) | 一种基于隶属度函数的变压器运行状态监测方法 | |
CN115455590A (zh) | 一种绝缘轴承的加速寿命建模及预测方法 |
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 |