CN113204922B - 一种变压器运行状态监控与预测方法 - Google Patents

一种变压器运行状态监控与预测方法 Download PDF

Info

Publication number
CN113204922B
CN113204922B CN202110532215.8A CN202110532215A CN113204922B CN 113204922 B CN113204922 B CN 113204922B CN 202110532215 A CN202110532215 A CN 202110532215A CN 113204922 B CN113204922 B CN 113204922B
Authority
CN
China
Prior art keywords
transformer
temperature
monitoring
parameter distribution
state
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
Application number
CN202110532215.8A
Other languages
English (en)
Other versions
CN113204922A (zh
Inventor
刘亚东
严英杰
江秀臣
陈思
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110532215.8A priority Critical patent/CN113204922B/zh
Publication of CN113204922A publication Critical patent/CN113204922A/zh
Application granted granted Critical
Publication of CN113204922B publication Critical patent/CN113204922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/21—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
    • G06F18/24—Classification techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种变压器运行状态监控与预测方法，包括：利用多物理场仿真策略建立变压器温度场参数反演模型并计算得到变压器内部温度场的参数分布情况；基于变压器内部温度场的参数分布情况实时监控变压器运行特征，并采用变压器健康状态评估策略对变压器内部温度变化进行评估；根据变压器的历史运行数据以及内部温度场变化数据，采用时滞特性预测算法对变压器的未来内部运行状态进行预测分析；当评估的温度变化结果超过了警戒值或预测分析到异常现象则发出预警信息，完成变压器运行状态的监控与预测。本发明能够为运维人员处理异常现象提供重要的依据，并为故障的提前处理创造了宝贵的时间，提高了用电可靠性。

Description

一种变压器运行状态监控与预测方法
技术领域
本发明涉及电力装备行业数字孪生的技术领域，尤其涉及一种变压器运行状态监控与预测方法。
背景技术
近几年数字线程、边缘计算、物联网、云计算、机器学习、大数据、区块链、人工智能等技术的快速发展，为数字孪生技术应用场景的实现提供了更多的技术支持，数字孪生技术迎来了在各行业的大规模扩展应用期。各行业的专家和学者们致力于推进数字孪生技术在各领域的应用，如产品制造领域、卫星工程领域、智慧城市领域、医疗领域、建筑领域等，数字孪生技术在各行业的开创式应用，推动了各行业的快速发展，同时也展现了其广阔的应用价值和应用前景。
在电力装备行业，一些设备生产公司或电网公司已经开展了数字孪生技术应用的案例，电力装备数字孪生技术可广泛应用于装备的设计、生产制造、运行维护和报废回收等全生命周期所有环节对装备全生命周期信息的闭环管理。总体上来说，数字孪生技术在电力装备行业的应用处于初级阶段，采用数字孪生技术来解决电力装备行业中存在的问题仅处于理论研究和试点应用阶段，需要投入更多的研究与实践。
当前关于电力装备全生命周期过程中的设计、制造、安装、运维等环节呈现离线、开环、缺少在线反馈的特点，如何打破产业链条各环节之间的技术隔阂，实现各环节的衔接与融合，是电力装备领域实现数字化转型面临的难题。数字孪生技术作为一项联系物理世界和信息世界的关键技术，可以实现物理实体与数字孪生体之间的双向映射、动态交互和实时连接，通过实时测量、动态感知物理实体的实际状态，并通过相关数字模型进行优化与决策，来调控物理实体的动作，以达到对物理实体全生命周期监测与控制的目标，给电力装备制造和运行全行业产业链的数字化转型升级提供技术手段。本发明根据数字孪生的核心思想，为数字孪生技术在电力装备行业的应用提供了借鉴和参考。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有技术无法提前或实时准确的得到电力设备的运行状态信息，从而无法提前或及时地判断故障信息，可靠性差。
为解决上述技术问题，本发明提供如下技术方案：利用多物理场仿真策略建立变压器温度场参数反演模型并计算得到变压器内部温度场的参数分布情况；基于所述变压器内部温度场的参数分布情况实时监控变压器运行特征，并采用变压器健康状态评估策略对所述变压器内部温度变化进行评估；根据所述变压器的历史运行数据以及所述内部温度场变化数据，采用时滞特性预测算法对变压器的未来内部运行状态进行预测分析；当评估的温度变化结果超过了警戒值或预测分析到异常现象则发出预警信息，完成变压器运行状态的监控与预测。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述变压器健康状态评估策略包括，获取不同状态下的温度参数分布数据集；根据若干个时刻不同状态下的温度参数分布数据集，构建变压器健康状态评估模型；获取待识别的温度参数分布数据集，将所述待识别的温度参数分布数据集输入所述变压器健康状态评估模型，得到所述变压器内部温度变化评估结果。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述温度参数分布数据集和所述待识别的温度参数分布数据集的表现形式包括，
Figure BDA0003068284130000021
其中，A表示温度参数分布数据集或待识别温度参数分布数据集，Tn表示第n个时刻下的温度参数，yn1、yn2…ynm表示第n个时刻下的温度参数的m个评估因子。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述变压器健康状态评估模型包括，
Figure BDA0003068284130000022
其中，T表示最大温度输出值，n表示第n个时刻，ωk表示评估因子的权重。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述采用时滞特性预测算法对变压器的未来内部运行状态进行预测分析包括，采用时滞特性预测算法与反馈神经网络构建运行状态预测分析模型；根据所述变压器异常现象对应的历史运行数据，采用所述时滞特性预测算法对所述异常现象具体情况进行再分类，得到分类结果；利用所述反馈神经网络对所述分类结果进行验证，得到概率最大的分类类别作为最终输出的异常现象。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述运行状态预测分析模型的损失函数包括，
L(g，f(x))＝ln(1+log(-2gf(x)))
其中，x表示训练集，g表示训练集对应的运行状态，f(x)表示训练集对应运行状态的预测值。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述概率的计算包括，
Figure BDA0003068284130000031
其中，P(g＝0|x)表示训练集对应的异常现象的概率。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述变压器温度场参数反演模型的建立包括，基于多物理场仿真策略建立变压器内部温度场的正演计算模型；计算所述变压器内部温度损耗分布；将所述变压器内部温度损耗分布导入所述正演计算模型，建立目标函数和约束条件，获得变压器内部温度场参数反演模型。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述变压器多物理场仿真策略的计算公式包括，
Figure BDA0003068284130000032
其中，ρ1表示流体密度，n表示微元面积矢量dS外法线的单位矢量，U表示流体速度，f表示单位质量流体所受到的质量力，∏表示微元面积矢量dS的应力张量，c表示流体的比热容，T表示控制体的温度，k表示导热系数，Q表示对应微元的生热量，
Figure BDA0003068284130000033
表示调和算子，x，y，z表示空间坐标系的三个轴，u、v、w分别表示流体速度U在x，y，z方向上的速度分量。
作为本发明所述的变压器运行状态监控与预测方法的一种优选方案，其中：所述目标函数和约束条件包括，所述目标函数：
Q(c)＝argminckQ42(1-Q)58
所述约束条件：
c≥0，c∈Ds
其中，Ds表示求解域。
本发明的有益效果：本发明能够实时监测电力设备的运行状态信息且能够预测未来几小时或几天的异常现象，为运维人员处理异常现象提供了重要的依据，并为故障的提前处理创造了宝贵的时间，提高了用电可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种变压器运行状态监控与预测方法的基本流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种变压器运行状态监控与预测方法，包括：
S1：利用多物理场仿真策略建立变压器温度场参数反演模型并计算得到变压器内部温度场的参数分布情况；需要说明的是，
变压器温度场参数反演模型的建立包括，
基于多物理场仿真策略建立变压器内部温度场的正演计算模型；
计算变压器内部温度损耗分布；
将变压器内部温度损耗分布导入正演计算模型，建立目标函数和约束条件，获得变压器内部温度场参数反演模型。
变压器多物理场仿真策略的计算公式包括，
Figure BDA0003068284130000051
其中，ρl表示流体密度，n表示微元面积矢量dS外法线的单位矢量，U表示流体速度，f表示单位质量流体所受到的质量力，Π表示微元面积矢量dS的应力张量，c表示流体的比热容，T表示控制体的温度，k表示导热系数，Q表示对应微元的生热量，
Figure BDA0003068284130000062
表示调和算子，x,y,z表示空间坐标系的三个轴，u、v、w分别表示流体速度U在x,y,z方向上的速度分量。
其中，计算变压器内部温度损耗分布过程包括：
根据监测系统测量到的电压、电流以及负荷等参数信息，反演计算得到变压器的内部电磁场分布参数，进而计算出变压器内部的温度损耗分布，电磁反演计算采用的麦克斯韦方程组：
Figure BDA0003068284130000061
其中，E表示电场强度，D表示电通量密度，H表示磁场强度，B表示磁通量密度，J表示电流密度，σ表示电荷密度。
进一步的，目标函数和约束条件包括，
目标函数：
Q(c)＝argminCkQ42(1-Q)58
约束条件：
c≥0，c∈Ds
其中，Ds表示求解域。
将变压器表面温度信息作为反演模型的输入数据，采用梯度下降法对变压器内部各部件的多点温度进行反演计算，得到变压器内部的温度场参数分布情况。
S2：基于变压器内部温度场的参数分布情况实时监控变压器运行特征，并采用变压器健康状态评估策略对变压器内部温度变化进行评估；需要说明的是，
变压器健康状态评估策略包括，
获取不同状态下的温度参数分布数据集；
根据若干个时刻不同状态下的温度参数分布数据集，构建变压器健康状态评估模型；
获取待识别的温度参数分布数据集，将待识别的温度参数分布数据集输入变压器健康状态评估模型，得到变压器内部温度变化评估结果。
温度参数分布数据集和待识别的温度参数分布数据集的表现形式包括，
Figure BDA0003068284130000071
其中，A表示温度参数分布数据集或待识别温度参数分布数据集，Tn表示第n个时刻下的温度参数，yn1、yn2…ynm表示第n个时刻下的温度参数的m个评估因子。
进一步的，变压器健康状态评估模型包括，
Figure BDA0003068284130000072
其中，T表示最大温度输出值，n表示第n个时刻，ωk表示评估因子的权重。
S3：根据变压器的历史运行数据以及内部温度场变化数据，采用时滞特性预测算法对变压器的未来内部运行状态进行预测分析；需要说明的是，
采用时滞特性预测算法对变压器的未来几小时或几天的内部运行状态进行预测分析包括，
采用时滞特性预测算法与反馈神经网络构建运行状态预测分析模型；
根据变压器异常现象对应的历史运行数据，采用时滞特性预测算法对异常现象具体情况进行再分类，得到分类结果；
分类过程包括：利用时滞特性预测算法建立分类模型，输入待分类的异常现象并进行具体情况的再分类，分类模型为：
Figure BDA0003068284130000073
其中，u表示常规系数，Fg,Σ(x)表示分类结果。
利用反馈神经网络对分类结果进行验证，得到概率最大的分类类别作为最终输出的异常现象。
其中，运行状态预测分析模型的损失函数包括，
L(g，f(x))＝ln(1+1og(-2gf(x)))
其中，x表示训练集，g表示训练集对应的运行状态，f(x)表示训练集对应运行状态的预测值。
进一步的，概率的计算包括，
Figure BDA0003068284130000081
其中，P(g＝0|x)表示训练集对应的异常现象的概率。
S4：当评估的温度变化结果超过了警戒值或预测分析到异常现象则发出预警信息，完成变压器运行状态的监控与预测；需要说明的是，
警戒值参照历史运行数据中发生异常现象的温度值。
本发明将单场反演的结果作为多温度场多参数反演寻优的初始值，以达到缩小解空间的目的，最后对电力装备的内部温度参数分布进行反演计算，根据计算结果可以对电力装备进行运行状态监测，并预测精度高且适用于时滞特性预测的算法对电力装备的未来几小时或几天的内部运行状态进行预测分析，及时预测异常现象并发出预警信息，为运维人员处理异常现象提供重要的依据，并为故障的提前处理创造了宝贵的时间。
实施例2
为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
传统的技术方案：效率低，判断准确度低，且无法预判未来几小时或几天内的异常现象。为验证本方法相对传统方法具有较高效率及准确度，且具有异常现象的预判能力。本实施例中将采用传统运行状态检测方法即利用采集计算得到的功率进行异常现象判断和本方法分别对仿真电力设备的故障测量效率及准确度进行实时测量对比。测试环境：在仿真平台模拟运行电力设备，采用不同场景或不同状态的温度值引起的异常现象为测试样本，分别利用传统方法和本发明方法，开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试，根据实验结果得到仿真数据。每种方法各测试50组数据，计算获得每组数据不同温度值引起异常现象的时间，与仿真模拟输入的实际时间进行对比计算误差。结果如下表所示：
表1：实验结果对比表。
Figure BDA0003068284130000082
Figure BDA0003068284130000091
从上表可以看出本发明方法相较于传统方法在效率上有一定的提升，且准确度较高，并且可以预判异常现象的发生，从而为故障的提前处理创造了宝贵的时间，提高了用电可靠性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种变压器运行状态监控与预测方法，其特性在于，包括：
利用多物理场仿真策略建立变压器温度场参数反演模型并计算得到变压器内部温度场的参数分布情况；
基于所述变压器内部温度场的参数分布情况实时监控变压器运行特征，并采用变压器健康状态评估策略对所述变压器内部温度变化进行评估；
根据所述变压器的历史运行数据以及所述内部温度场变化数据，采用时滞特性预测算法对变压器的未来内部运行状态进行预测分析；
当评估的温度变化结果超过了警戒值或预测分析到异常现象则发出预警信息，完成变压器运行状态的监控与预测；
所述变压器健康状态评估策略包括，
获取不同状态下的温度参数分布数据集；
根据若干个时刻不同状态下的温度参数分布数据集，构建变压器健康状态评估模型；
获取待识别的温度参数分布数据集，将所述待识别的温度参数分布数据集输入所述变压器健康状态评估模型，得到所述变压器内部温度变化评估结果；
所述采用时滞特性预测算法对变压器的未来内部运行状态进行预测分析包括，
采用时滞特性预测算法与反馈神经网络构建运行状态预测分析模型；
根据所述变压器异常现象对应的历史运行数据，采用所述时滞特性预测算法对所述异常现象具体情况进行再分类，得到分类结果；
利用所述反馈神经网络对所述分类结果进行验证，得到概率最大的分类类别作为最终输出的异常现象；
所述变压器温度场参数反演模型的建立包括，
基于多物理场仿真策略建立变压器内部温度场的正演计算模型；
计算所述变压器内部温度损耗分布；
将所述变压器内部温度损耗分布导入所述正演计算模型，建立目标函数和约束条件，获得变压器内部温度场参数反演模型；
所述变压器多物理场仿真策略的计算公式包括，
Figure FDA0004003775320000021
其中，ρl表示流体密度，n表示微元面积矢量dS外法线的单位矢量，U表示流体速度，f表示单位质量流体所受到的质量力，Π表示微元面积矢量dS的应力张量，c表示流体的比热容，T表示控制体的温度，k表示导热系数，Q表示对应微元的生热量，▽表示调和算子，x,y,z表示空间坐标系的三个轴，u、v、w分别表示流体速度U在x,y,z方向上的速度分量；
所述目标函数和约束条件包括，
所述目标函数：
Q(c)＝argminckQ42(1-Q)58
所述约束条件：
c≥0，c∈Ds
其中，Ds表示求解域。
2.如权利要求1所述的变压器运行状态监控与预测方法，其特征在于：所述温度参数分布数据集和所述待识别的温度参数分布数据集的表现形式包括，
Figure FDA0004003775320000022
其中，A表示温度参数分布数据集或待识别温度参数分布数据集，Tn表示第n个时刻下的温度参数，yn1、yn2…ynm表示第n个时刻下的温度参数的m个评估因子。
3.如权利要求2所述的变压器运行状态监控与预测方法，其特征在于：所述变压器健康状态评估模型包括，
Figure FDA0004003775320000023
其中，T表示最大温度输出值，n表示第n个时刻，ωk表示评估因子的权重。
4.如权利要求3所述的变压器运行状态监控与预测方法，其特征在于：所述运行状态预测分析模型的损失函数包括，
L(g,f(x))＝ln(1+log(-2gf(x)))
其中，x表示训练集，g表示训练集对应的运行状态，f(x)表示训练集对应运行状态的预测值。
5.如权利要求4所述的变压器运行状态监控与预测方法，其特征在于：所述概率的计算包括，
Figure FDA0004003775320000031
其中，P(g＝0|x)表示训练集对应的异常现象的概率。
CN202110532215.8A 2021-05-17 2021-05-17 一种变压器运行状态监控与预测方法 Active CN113204922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110532215.8A CN113204922B (zh) 2021-05-17 2021-05-17 一种变压器运行状态监控与预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110532215.8A CN113204922B (zh) 2021-05-17 2021-05-17 一种变压器运行状态监控与预测方法

Publications (2)

Publication Number Publication Date
CN113204922A CN113204922A (zh) 2021-08-03
CN113204922B true CN113204922B (zh) 2023-03-28

Family

ID=77031303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110532215.8A Active CN113204922B (zh) 2021-05-17 2021-05-17 一种变压器运行状态监控与预测方法

Country Status (1)

Country Link
CN (1) CN113204922B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114678962B (zh) * 2022-05-24 2023-01-13 山东科华电力技术有限公司 基于电力物联网的分布式阵列测温异常数据传输监控系统
CN115392056A (zh) * 2022-10-26 2022-11-25 广东电网有限责任公司中山供电局 一种高压架空输电线路运行状态监测及预警方法及装置
CN116245502B (zh) * 2022-12-26 2023-09-29 北京国网富达科技发展有限责任公司 一种基于数字孪生的变压器设备虚实交互运检方法和系统
CN115983140B (zh) * 2023-03-16 2023-06-09 河北工业大学 一种基于大数据深度学习的电磁场数值预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106199305A (zh) * 2016-07-01 2016-12-07 太原理工大学 煤矿井下供电系统用干式变压器绝缘健康状态评估方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991123A (zh) * 2019-11-26 2020-04-10 国网山西省电力公司电力科学研究院 基于l-m算法优化的变压器绕组热点瞬态温度计算方法
CN111880415B (zh) * 2020-09-02 2022-08-02 辽宁石油化工大学 一种具有执行器故障的cstr温度系统随机预测容错控制方法
CN112685949A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器健康预测方法
CN112597628B (zh) * 2020-11-30 2022-11-04 广西电网有限责任公司电力科学研究院 一种变压器温升估计的方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106199305A (zh) * 2016-07-01 2016-12-07 太原理工大学 煤矿井下供电系统用干式变压器绝缘健康状态评估方法

Also Published As

Publication number Publication date
CN113204922A (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN113204922B (zh) 一种变压器运行状态监控与预测方法
CN106934168A (zh) 一种材料多轴蠕变失效应变预测方法
CN114281047A (zh) 一种流程工业生产过程监控管理方法及系统
CN117252051A (zh) 一种基于数字孪生的电缆隧道监测预警方法及系统
CN115563897A (zh) 一种基于数字孪生的变压器状态评价方法
Yin et al. A double layer BRB model for health prognostics in complex electromechanical system
CN112632692A (zh) 基于积木式试验的数字孪生模型确认和可信度评估方法
CN113239623B (zh) 一种适用于电力装备的故障定位方法
Ma et al. A reliability evaluation framework for smart meters based on AGG-ARIMA and PFR
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
Bai et al. Fault data screening and failure rate prediction framework-based bathtub curve on industrial robots
Ge et al. Remaining useful life prediction of machinery based on KS distance and LSTM neural network
CN114111892B (zh) 不确定性信息融合的配电变压器监测预警装置及方法
Li et al. An overview of digital twin concept for key components of renewable energy systems
Yang et al. Modeling and analysis of transformer fault diagnosis
Sayar et al. Real-time prediction of electricity distribution network status using artificial neural network model: A case study in Salihli (Manisa, Turkey)
CN117688834B (zh) 一种水氢氢汽轮发电机线圈绝缘过热故障预警方法
CN113406537A (zh) 一种电力设备故障程度的定量评估方法
Mei et al. A novel fusion prognostic approach for the prediction of the remaining useful life of a lithiumion battery
CN117374977B (zh) 一种储能系统负荷预测及风险分析方法
Alyunov et al. Identification of parameters of power transformer models using artificial intelligence methods
CN116258467B (zh) 一种电力施工管控系统
CN117390348B (zh) 金属化薄膜电容器容量衰减处理方法及系统
Ma et al. Automated and Systematic Digital Twins Testing for Industrial Processes
Ma et al. Method of detecting power equipment data based on LSTM-LOF

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