CN113268885A - 基于灰色马尔可夫模型的变压器故障预测方法及电子设备 - Google Patents

基于灰色马尔可夫模型的变压器故障预测方法及电子设备 Download PDF

Info

Publication number
CN113268885A
CN113268885A CN202110674800.1A CN202110674800A CN113268885A CN 113268885 A CN113268885 A CN 113268885A CN 202110674800 A CN202110674800 A CN 202110674800A CN 113268885 A CN113268885 A CN 113268885A
Authority
CN
China
Prior art keywords
gray
characteristic quantity
time
original characteristic
model
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
CN202110674800.1A
Other languages
English (en)
Inventor
杜预
高超
冯玉辉
刘卓
刘定勇
姚林
柳杨
冯光明
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.)
China General Nuclear Power Corp
CGN Power Co Ltd
Guangdong Nuclear Power Joint Venture Co Ltd
Suzhou Nuclear Power Research Institute Co Ltd
Original Assignee
China General Nuclear Power Corp
CGN Power Co Ltd
Guangdong Nuclear Power Joint Venture Co Ltd
Suzhou Nuclear Power Research Institute 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 China General Nuclear Power Corp, CGN Power Co Ltd, Guangdong Nuclear Power Joint Venture Co Ltd, Suzhou Nuclear Power Research Institute Co Ltd filed Critical China General Nuclear Power Corp
Priority to CN202110674800.1A priority Critical patent/CN113268885A/zh
Publication of CN113268885A publication Critical patent/CN113268885A/zh
Pending legal-status Critical Current

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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

本发明涉及基于灰色马尔可夫模型的变压器故障预测方法及电子设备，包括以下步骤：获取原始特征量的时间序列及时间间隔；根据原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得原始特征量的灰色预测模型；基于马尔可夫链对灰色预测模型进行修正，获得原始特征量的预测值。本发明对预测的时间节点没有要求，可以是等时距的，也可以是非等时距的，可灵活地改变预测的未来时间点；既可以预测单调变化的特征量变化趋势，也可以预测随时间上下波动的特征量变化趋势，可准确预测变压器故障，可靠性更高。

Description

基于灰色马尔可夫模型的变压器故障预测方法及电子设备
技术领域
本发明涉及变压器故障预测的技术领域，更具体地说，涉及一种基于灰色马尔可夫模型的变压器故障预测方法及电子设备。
背景技术
电力变压器作为电力系统中最重要的电气设备之一，确保其安全可靠运行对保障供电可靠性具有重要的意义。变压器状态评估和故障诊断作为检测变压器内部故障的技术手段，都是基于实时或者近期的测量结果，判断的是变压器目前所处的状态。当状态评估结果为异常状态或者故障诊断结果为存在内部故障时，不得不将变压器退出运行进行故障排除，造成较大的经济损失。这种方式虽然可以较大程度上防止潜伏性故障发展成为严重故障，但是预留的检修调整空间确是非常小。电网实际运行过程中，为了尽量减少由于设备检修造成的供电中断时间，各类电气设备的检修往往是互相配合进行，但如果不能合理预测变压器未来一段时间的状态发展态势，制定完备的电力设备状态检修计划将会变得困难。因此，需要对变压器的故障进行预测。
目前，变压器的故障预测主要是通过预测油中溶解气体含量未来一段时期的变化趋势，然后基于油中溶解气体的变压器故障诊断方法判断未来某时间节点的变压器是否发生故障。因此，变压器的故障预测的关键在于准确地预测变压器油中溶解气体含量在未来一段时间的变化趋势。目前，比较常见的变压器油中溶解气体含量预测模型是GM(1,1)灰色模型。GM(1,1)灰色模型基于等时距的油中溶解气体含量(特征量)时间序列值，通过一阶累加得到一阶累加时间序列值，然后对一阶累加参量建立白化微分方程，最后利用一阶累加时间序列值求解白化微分方程，得到一阶累加参量的预测模型，对一阶累加参量进行一阶累减还原即可得到原始特征量的预测模型。该方法存在两个缺陷：
一、油中溶解气体含量时间序列值必须是等时间间隔的，同时预测的时间节点也是等时间间隔的，不能灵活地改变预测的未来时间点；
二、GM(1,1)灰色模型只能预测单调变化的特征量变化趋势，然而，大量的实际测量数据显示油中溶解气体含量并非总是单调递增，即特征量变化可能是随时间上下波动的，但是GM(1,1)灰色模型无法描述出这种波动变化，因此，无法准确预测变压器的故障。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于灰色马尔可夫模型的变压器故障预测方法及电子设备。
本发明解决其技术问题所采用的技术方案是：构造一种基于灰色马尔可夫模型的变压器故障预测方法，包括以下步骤：
获取原始特征量的时间序列及时间间隔；
根据所述原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得所述原始特征量的灰色预测模型；
基于马尔可夫链对所述灰色预测模型进行修正，获得所述原始特征量的预测值。
在本发明所述的基于灰色马尔可夫模型的变压器故障预测方法中，所述方法还包括：
基于所述预测值对变压器故障进行预测。
在本发明所述的基于灰色马尔可夫模型的变压器故障预测方法中，所述根据所述原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得所述原始特征量的灰色预测模型包括：
根据所述原始特征量的时间序列和所述时间间隔进行非等时距一阶累加，获得非等时距的一阶累加值；
建立一阶白化微分方程；
根据所述一阶累加值对所述一阶白化微分方程进行处理，获得所述原始特征量的灰色预测模型。
在本发明所述的基于灰色马尔可夫模型的变压器故障预测方法中，所述根据所述一阶累加值对所述一阶白化微分方程进行处理，获得所述原始特征量的灰色预测模型包括：
对所述一阶白化微分方程进行离散化，获得离散方程；
根据所述一阶累加值和所述离散方程，获得所述一阶白化微分方程的待定参数的值；
根据所述待定参数的值对所述一阶白化微分方程进行求解，获得所述一阶白化微分方程的解；
基于所述一阶白化微分方程的解进行一阶累减，获得所述原始特征量的灰色预测模型。
在本发明所述的基于灰色马尔可夫模型的变压器故障预测方法中，所述基于马尔可夫链对所述灰色预测模型进行修正，获得所述原始特征量的预测值包括：
计算所述灰色预测模型的输出值与所述原始特征量的时间序列之间的相对误差；
根据所述相对误差并结合斐波那契数列进行状态空间划分，获得所述原始特征量的状态空间分布；
根据所述原始特征量的状态空间分布修正所述灰色预测模型，获得所述原始特征量的预测值。
在本发明所述的基于灰色马尔可夫模型的变压器故障预测方法中，所述计算所述灰色预测模型的输出值与所述原始特征量的时间序列之间的相对误差包括：
计算所述灰色预测模型的输出值与所述原始特征量的时间序列之间的误差；
根据所述误差与所述原始特征量的时间序列，计算所述灰色预测模型的输出值与所述原始特征量的时间序列之间的相对误差。
在本发明所述的基于灰色马尔可夫模型的变压器故障预测方法中，所述根据所述原始特征量的状态空间分布修正所述灰色预测模型，获得所述原始特征量的预测值包括：
根据所述原始特征量的状态空间分布，计算状态转移矩阵；
根据所述状态转移矩阵对所述灰色预测模型的预测值进行修正，获得所述原始特征量的预测值。
本发明还提供一种基于灰色马尔可夫模型的变压器故障预测装置，包括：
获取单元，用于获取原始特征量的时间序列及时间间隔；
建模单元，用于根据所述原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得所述原始特征量的灰色预测模型；
修正单元，用于基于马尔可夫链对所述灰色预测模型进行修正，获得所述原始特征量的预测值。
本发明还提供一种存储介质，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如上所述的基于灰色马尔可夫模型的变压器故障预测方法。
本发明还提供一种电子设备，包括处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序以实现如上所述的基于灰色马尔可夫模型的变压器故障预测方法。
实施本发明的基于灰色马尔可夫模型的变压器故障预测方法及电子设备，具有以下有益效果：包括以下步骤：获取原始特征量的时间序列及时间间隔；根据原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得原始特征量的灰色预测模型；基于马尔可夫链对灰色预测模型进行修正，获得原始特征量的预测值。本发明对预测的时间节点没有要求，可以是等时距的，也可以是非等时距的，可灵活地改变预测的未来时间点；既可以预测单调变化的特征量变化趋势，也可以预测随时间上下波动的特征量变化趋势，可准确预测变压器故障，可靠性更高。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例提供的基于灰色马尔可夫模型的变压器故障预测方法的流程示意图；
图2是本发明实施例提供的灰色预测模型的建模流程示意图；
图3是本发明实施例提供的利用马尔可夫链对灰色预测模型进行修正的流程示意图；
图4是本发明实施例提供的基于马尔可夫模型的状态分布及预测模型输出示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明通过预测油浸式变压器油中溶解气体含量在未来时期的变化趋势，从而可借助基于油中溶解气体的变压器故障诊断来预测未来某个时间点可能发生的变压器故障。
具体的，参考图1，为本发明提供的基于灰色马尔可夫模型的变压器故障预测方法一可选实施例的流程示意图。
如图1所示，该基于灰色马尔可夫模型的变压器故障预测方法，包括以下步骤：
步骤S101、获取原始特征量的时间序列及时间间隔。
需要说明的是，原始特征量指的是变压器油中所溶解的气体含量。
步骤S102、根据原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得原始特征量的灰色预测模型。
一些实施例中，如图2所示，该步骤S102可包括：
步骤S1021、根据原始特征量的时间序列和时间间隔进行非等时距一阶累加，获得非等时距的一阶累加值。
本发明实施例通过在一阶累加中加入时间间隔，基于原始特征量的时间序列获得一阶累加值。
具体的，如下公式(1)所示：
Figure BDA0003120302730000061
其中，Δt(k)表示原始特征量的第k个时间序列和第k-1个时间序列之间的时间间隔，需要说明的是，本发明实施例的时间间隔表示的是归一化之后的时间间隔；x(0)(i)为原始特征量的第i个时间序列；x(1)(k)为一阶累加的第k个时间序列；n为原始特征量的时间序列数目。Δt(1)为第一个时间间隔，Δt(i)表示原始特征量的第i个时间序列和第i-1个时间序列之间的时间间隔。
步骤S1022、建立一阶白化微分方程。
具体的，一阶白化微分方程可表示为：
Figure BDA0003120302730000062
其中，a和u是一阶白化微分方程的待定参数。
步骤S1023、根据一阶累加值对一阶白化微分方程进行处理，获得原始特征量的灰色预测模型。
一些实施例中，根据一阶累加值对一阶白化微分方程进行处理，获得原始特征量的灰色预测模型包括：对一阶白化微分方程进行离散化，获得离散方程；根据一阶累加值和离散方程，获得一阶白化微分方程的待定参数的值；根据待定参数的值对一阶白化微分方程进行求解，获得一阶白化微分方程的解；基于一阶白化微分方程的解进行一阶累减，获得原始特征量的灰色预测模型。
具体的，对一阶白化微分议程进行离散化可以采用差分代替微分可得：
Figure BDA0003120302730000071
进而使用均权背景值：
Figure BDA0003120302730000072
结合公式(2)、公式(3)和公式(4)可知，当k从2变化到n时，可以获得如下方程组：
Figure BDA0003120302730000073
对公式(5)进行称项整理并写成矩阵的形式可以得到：
Figure BDA0003120302730000074
令：
Figure BDA0003120302730000075
则方程组(6)可以表示为：Y＝Bθ。
因此，通过求解方程组(6)即可计算出参数a和u。
可选的，可以通过直接求解方程组(6)超定方程计算得到参数a和u的值。或者，在其他一些实施例中，可以通过矩阵θ＝(BTB)-1BTY，求解得到参数a和u和值。
接着，将所计算得到的参数a和u代入公式(2)中，按照正常求解一阶微分方程的步骤即可求得微分方程的解。其中，一阶白化微分方程的解为：
Figure BDA0003120302730000081
其中，公式(8)中的t(1)为第一个时间点，一般可设置为1，当然，也可以根据实际需求进行更改。
根据非等时距一阶累加的定义，通过一阶累减还原，即可得到非等时距灰色预测模型的模型输出，即：
Figure BDA0003120302730000082
其中，公式(9)中的
Figure BDA0003120302730000083
表示灰色预测模型原始特征量输出值。
由一阶累加定义和公式(8)可知，当k＝1时有
Figure BDA0003120302730000084
因此，非等时距灰色预测模型(如GM(1，1))的第一个时间点不存在建模误差。
步骤S103、基于马尔可夫链对灰色预测模型进行修正，获得原始特征量的预测值。
一些实施例中，如图3所示，基于马尔可夫链对灰色预测模型进行修正，获得原始特征量的预测值包括：
步骤S1031、计算灰色预测模型的输出值与原始特征量的时间序列之间的相对误差。
具体的，计算灰色预测模型的输出值与原始特征量的时间序列之间的相对误差包括：计算灰色预测模型的输出值与原始特征量的时间序列之间的误差；根据误差与原始特征量的时间序列，计算灰色预测模型的输出值与原始特征量的时间序列之间的相对误差。
其中，灰色预测模型的输出值与原始特征量的时间序列之间的误差可表示为：
Figure BDA0003120302730000091
x(0)(k)和
Figure BDA0003120302730000092
分别表示第k个时间序列和灰色预测模型的输出值。
根据公式(10)可以计算出灰色预测模型的输出值与原始特征量的时间序列之间的相对误差。具体可以表示如下：
Figure BDA0003120302730000093
其中，δi表示的是第i个时间序列和灰色预测模型的输出值之间的相对误差。需要说明的是，这里的i与公式(10)中的k所代表的含义相同。
步骤S1032、根据相对误差并结合斐波那契数列进行状态空间划分，获得原始特征量的状态空间分布。
具体的，设每一个时刻划分出m个状态，则每个状态的范围可以表示为：
Figure BDA0003120302730000094
(11)式中，
Figure BDA0003120302730000095
是基于样本数据计算的平均值，n是原始特征量的时间序列数目。其中，参数λj满足如下关系：
λ1＜λ2＜…＜λm+1(12)。
需要说明的是，参数λ的取值需要根据具体问题分析，灰色模型的建模误差大时，λ的取值范围大；灰色模型的建模误差小时，λ的取值范围小。本发明实施例可根据灰色预测模型建模误差自动调整λ取值。首先，确定λm+1的取值，其取值方法如下：
λm+1＝1.2×max(|δi|)(i＝1,2,…,n)
Figure BDA0003120302730000101
对于状态空间的划分，遵循的原则是，从最靠近中心线(即λ＝0对应的线)的状态空间开始，往远离中心线的方向状态空间带宽逐渐增大。考虑到状态空间通常设置成根据中心线对称分布，因此m是偶数，其最小取值为2。对于m＝2的情况，不存在状态空间划分问题。因此，状态空间划分从m＝4开始，这里采用斐波那契数列实现状态空间的自动划分。
其中，斐波那契数列递推公式为：
F(0)＝0
F(1)＝1
F(k)＝F(k-1)+F(k-2) (14)。
F(0)是斐波那契数列的第一个值，F(1)是斐波那契数列的第二个值，F(k)是斐波那契数列的第k+1个值。
进行状态空间划分时，从斐波那契数列第4个数(F(3))开始，往后取m/2个数，利用这m/2个数进行状态空间带宽分配。先对中心线上半状态空间(即λ≥0部分)进行划分，具体为：
Figure BDA0003120302730000102
根据(14)的递推公式，即可确定上半状态空间的划分。对于下半状态空间，根据对称性即可确定其状态空间划分。
步骤S1033、根据原始特征量的状态空间分布修正灰色预测模型，获得原始特征量的预测值。
一些实施例中，根据原始特征量的状态空间分布修正灰色预测模型，获得原始特征量的预测值包括：
步骤S10331、根据原始特征量的状态空间分布，计算状态转移矩阵。
具体的，根据原始特征量的状态空间分布，先统计n-1个(最后一个数据除去，因为最后一个数据无法确定其一步转移状态)时间序列的x(0)落在各个状态区间的数目，假设使用nk(k＝1,2,…,m)表示时间序列落入状态k区间的样本数目，nks(s＝1,2,…,m)表示由状态k一步转移到状态s的时间序列数目，则状态转移矩阵的计算如下：
Figure BDA0003120302730000111
步骤S10332根据状态转移矩阵对灰色预测模型的预测值进行修正，获得原始特征量的预测值。
具体的，设在第i个时间点，判断出x(0)(i)落入了状态j中，则x(0)的模型预测值修正为：
Figure BDA0003120302730000112
因此，根据公式(17)可以确定原始特征量的预测值。
进一步地，一些实施例中，在步骤S103之后还包括：
步骤S104、基于预测值对变压器故障进行预测。
需要说明的是，基于变压器油中溶解气体含量预测进行变压器故障预测，需要对每一种特征气体建立一个灰色马尔可夫模型，采用本发明实施例公开预测模型可以预测未来某个时间节点上，各特征气体含量。根据预测得到的各特征气体含量，结合基于油中溶解气体含量的变压器故障诊断方法，比如传统的“三比值”法、大卫三角法，或者神经网络、支持向量机等人工智能方法，即可预测该时间节点上变压器是否会发生故障。
以下采用一个具体实施例进行说明。
具体的，以一组实际测量的C2H4气体数据为例，利用本发明提出的方法建立预测模型。测量数据如表1所示，特征量包含6个时间序列，其中前5个时间序列作为建模数据，最后一个时间序列用作灰色预测模型的预测值的对比。
Figure BDA0003120302730000121
表1C2H4预测模型建模数据
如图4所示，展示了灰色预测模型输出(λ3对应的曲线)，本例中一共划分4个状态，采用本发明提出的状态空间划分方法划分出的状态空间如图4所示。灰色预测模型的建模误差通过如下公式计算：
Figure BDA0003120302730000122
根据公式(18)可以算出，本发明实施例中的基于灰色马尔可夫模型的建模误差为0.93％，由此可见，相比于传统的灰色模型(如GM(1，1))具有更好的建模精度。
本发明实施例基于灰色马尔可夫模型进行第一期预测(即预测第6个时间点的C2H4气体含量)的流程如下：
(1)利用非等时距的灰色预测模型(如GM(1，1))计算原始特征量的预测值。
该实施例中，非等时距的灰色预测模型(如GM(1，1))的第一期预测值为428.80。
(2)状态空间划分：
采用本发明提出的状态空间划分方法，最终得到的状态空间划分为：
状态1：
Figure BDA0003120302730000131
状态2：
Figure BDA0003120302730000132
状态3：
Figure BDA0003120302730000133
状态4：
Figure BDA0003120302730000134
该实施例中
Figure BDA0003120302730000135
图4中展示了该灰色马尔可夫模型的状态划分，从图中可以看出，每个状态都是带状分布，并且带宽在时间尺度上恒定。
(3)计算一步状态转移矩阵：
构建一步状态转移矩阵，首先需要确定C2H4测量值前4个时间序列所处的状态类型，观察图4很容易可以得到4个状态各自包含的时间序列数目：
n1＝1,n2＝1,n3＝1,n4＝1 (20)。
确定时间序列所处的状态之后，即可得到灰色马尔可夫模型的模型输出值，模型的输出值取为时间序列所处状态空间的中点(第一个时间点除外，因为第一个时间点不存在建模误差)。
进一步根据图4，可以得到一步状态转移矩阵为如下：
Figure BDA0003120302730000136
(4)根据状态转移矩阵修正预测值：
显然，从图4中可以看出，最后一个时间序列处于第4个状态，因此状态向量为π(0)＝[0 0 0 1]，一步状态转移之后的状态计算如下：
Figure BDA0003120302730000141
因此，马尔可夫模型预测下一个时间点处于第1个状态，根据预测状态对灰色预测模型的预测值进行修正，得到灰色马尔可夫模型的预测值：
Figure BDA0003120302730000142
灰色预测模型的预测值是428.80，马尔可夫模型的预测值是413.50，真实值为375.00(由表1可知)，则灰色预测模型的预测误差为14.35％，灰色马尔可夫模型的预测误差为10.27％。由此可见，灰色马尔可夫模型的预测效果好于灰色预测模型。
本发明还提供一种基于灰色马尔可夫模型的变压器故障预测装置，包括：获取单元，用于获取原始特征量的时间序列及时间间隔。建模单元，用于根据原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得原始特征量的灰色预测模型。修正单元，用于基于马尔可夫链对灰色预测模型进行修正，获得原始特征量的预测值。其中，该基于灰色马尔可夫模型的变压器故障预测装置可用于实现本发明实施例公开的基于灰色马尔可夫模型的变压器故障预测装置。
本发明还提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例公开的基于灰色马尔可夫模型的变压器故障预测方法。
本发明还提供一种电子设备，包括处理器和存储器；存储器用于存储计算机程序；处理器用于执行存储器存储的计算机程序以实现本发明实施例公开的基于灰色马尔可夫模型的变压器故障预测方法。
本发明通过重新定义一阶累加的方式，将传统的等时距灰色模型(如GM(1,1))发展成非等时距的灰色预测模型。对于非等时距的灰色预测模型，不要求原始特征量的时间序列是等时距的(当然，如果原始特征量的时间序列值是等时距的，同样可以利用本方法的方法进行建模，等时距的情况对于非等时距GM(1，1)灰色模型，只是其中一种实例)。此外，采用非等时距的GM(1，1)灰色模型，可以任意地根据需要灵活地修改被预测的未来时间节点位置。
本发明将灰色预测模型与马尔可夫链相结合，构建出的灰色马尔可夫模型，可以在特征量在时间域上非单调变化时仍然建出比较精确的预测模型。灰色马尔可夫模型的一大难点在于合理地划分状态空间，状态空间的划分需要根据灰色模型的建模误差进行调整。本发明通过采用斐波那契数列进行状态空间划分的方法，可以根据状态数目、灰色模型的建模误差，自动地进行状态空间划分。
本发明对特征量的时间序列的时间间隔并无任何要求，特征量的时间序列既可以是等时距的，也可以是非等时距的；既可以是单调变化的，也可以是随时间上下波动的。另外，可以根据实际需要指定任意未来时间节点作为预测时点，建立了一个实用性更强的变压器油中溶解气体含量预测模型，从而可以更加可靠地进行变压器故障预测。
本发明实施例中，原始特征量的时间序列表示的是测量值，即气体含量测量值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。

Claims (10)

1.一种基于灰色马尔可夫模型的变压器故障预测方法，其特征在于，包括以下步骤：
获取原始特征量的时间序列及时间间隔；
根据所述原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得所述原始特征量的灰色预测模型；
基于马尔可夫链对所述灰色预测模型进行修正，获得所述原始特征量的预测值。
2.根据权利要求1所述的基于灰色马尔可夫模型的变压器故障预测方法，其特征在于，所述方法还包括：
基于所述预测值对变压器故障进行预测。
3.根据权利要求1所述的基于灰色马尔可夫模型的变压器故障预测方法，其特征在于，所述根据所述原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得所述原始特征量的灰色预测模型包括：
根据所述原始特征量的时间序列和所述时间间隔进行非等时距一阶累加，获得非等时距的一阶累加值；
建立一阶白化微分方程；
根据所述一阶累加值对所述一阶白化微分方程进行处理，获得所述原始特征量的灰色预测模型。
4.根据权利要求3所述的基于灰色马尔可夫模型的变压器故障预测方法，其特征在于，所述根据所述一阶累加值对所述一阶白化微分方程进行处理，获得所述原始特征量的灰色预测模型包括：
对所述一阶白化微分方程进行离散化，获得离散方程；
根据所述一阶累加值和所述离散方程，获得所述一阶白化微分方程的待定参数的值；
根据所述待定参数的值对所述一阶白化微分方程进行求解，获得所述一阶白化微分方程的解；
基于所述一阶白化微分方程的解进行一阶累减，获得所述原始特征量的灰色预测模型。
5.根据权利要求1所述的基于灰色马尔可夫模型的变压器故障预测方法，其特征在于，所述基于马尔可夫链对所述灰色预测模型进行修正，获得所述原始特征量的预测值包括：
计算所述灰色预测模型的输出值与所述原始特征量的时间序列之间的相对误差；
根据所述相对误差并结合斐波那契数列进行状态空间划分，获得所述原始特征量的状态空间分布；
根据所述原始特征量的状态空间分布修正所述灰色预测模型，获得所述原始特征量的预测值。
6.根据权利要求5所述的基于灰色马尔可夫模型的变压器故障预测方法，其特征在于，所述计算所述灰色预测模型的输出值与所述原始特征量的时间序列之间的相对误差包括：
计算所述灰色预测模型的输出值与所述原始特征量的时间序列之间的误差；
根据所述误差与所述原始特征量的时间序列，计算所述灰色预测模型的输出值与所述原始特征量的时间序列之间的相对误差。
7.根据权利要求5所述的基于灰色马尔可夫模型的变压器故障预测方法，其特征在于，所述根据所述原始特征量的状态空间分布修正所述灰色预测模型，获得所述原始特征量的预测值包括：
根据所述原始特征量的状态空间分布，计算状态转移矩阵；
根据所述状态转移矩阵对所述灰色预测模型的预测值进行修正，获得所述原始特征量的预测值。
8.一种基于灰色马尔可夫模型的变压器故障预测装置，其特征在于，包括：
获取单元，用于获取原始特征量的时间序列及时间间隔；
建模单元，用于根据所述原始特征量的时间序列和时间间隔进行非等时距灰色模型建模，获得所述原始特征量的灰色预测模型；
修正单元，用于基于马尔可夫链对所述灰色预测模型进行修正，获得所述原始特征量的预测值。
9.一种存储介质，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如权利要求1-7任一项所述的基于灰色马尔可夫模型的变压器故障预测方法。
10.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序以实现如权利要求1-7任一项所述的基于灰色马尔可夫模型的变压器故障预测方法。
CN202110674800.1A 2021-06-17 2021-06-17 基于灰色马尔可夫模型的变压器故障预测方法及电子设备 Pending CN113268885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110674800.1A CN113268885A (zh) 2021-06-17 2021-06-17 基于灰色马尔可夫模型的变压器故障预测方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110674800.1A CN113268885A (zh) 2021-06-17 2021-06-17 基于灰色马尔可夫模型的变压器故障预测方法及电子设备

Publications (1)

Publication Number Publication Date
CN113268885A true CN113268885A (zh) 2021-08-17

Family

ID=77235266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110674800.1A Pending CN113268885A (zh) 2021-06-17 2021-06-17 基于灰色马尔可夫模型的变压器故障预测方法及电子设备

Country Status (1)

Country Link
CN (1) CN113268885A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916843A (zh) * 2021-10-26 2022-01-11 中国人民解放军91315部队 基于灰色模型的机械设备润滑油性能预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376202A (zh) * 2014-11-11 2015-02-25 国家电网公司 基于离散灰色模型的电力变压器特征状态量预测方法
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN107203690A (zh) * 2017-04-21 2017-09-26 南京理工大学 一种gm（1,1）模型变压器故障预测方法
CN111723982A (zh) * 2020-06-11 2020-09-29 电子科技大学 基于灰色-马尔可夫链的中长期电力负荷组合预测方法
CN112257265A (zh) * 2020-10-22 2021-01-22 国网河北省电力有限公司石家庄供电分公司 一种基于健康指数和非等间距灰色模型的电力变压器寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376202A (zh) * 2014-11-11 2015-02-25 国家电网公司 基于离散灰色模型的电力变压器特征状态量预测方法
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN107203690A (zh) * 2017-04-21 2017-09-26 南京理工大学 一种gm（1,1）模型变压器故障预测方法
CN111723982A (zh) * 2020-06-11 2020-09-29 电子科技大学 基于灰色-马尔可夫链的中长期电力负荷组合预测方法
CN112257265A (zh) * 2020-10-22 2021-01-22 国网河北省电力有限公司石家庄供电分公司 一种基于健康指数和非等间距灰色模型的电力变压器寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG LIU ET.AL: "Fault Prediction using a Grey-Markov Model from the Dissolved Gases Contents in Transformer Oils" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916843A (zh) * 2021-10-26 2022-01-11 中国人民解放军91315部队 基于灰色模型的机械设备润滑油性能预测方法

Similar Documents

Publication Publication Date Title
CN105069535B (zh) 一种基于arima模型的配电网运行可靠性的预测方法
US20200327435A1 (en) Systems and methods for sequential power system model parameter estimation
EP3514908B1 (en) Methods and devices for condition classification of power network assets
KR102479755B1 (ko) 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법
WO2010138452A1 (en) Apparatus and method for model quality estimation and model adaptation in multivariable process control
CN109978259B (zh) 基于q型威布尔分布的产品剩余寿命预测方法及系统
CN111932024A (zh) 一种能源负荷预测方法、装置、计算机设备及存储介质
CN114329347B (zh) 一种电能表计量误差预测方法、装置及存储介质
CN110633859A (zh) 一种两阶段分解集成的水文序列预测方法
CN113268885A (zh) 基于灰色马尔可夫模型的变压器故障预测方法及电子设备
CN111523727B (zh) 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法
CN114840375B (zh) 一种半导体存储产品的老化性能测试方法及系统
CN114978956A (zh) 智慧城市网络设备性能异常突变点检测方法及装置
CN113539382B (zh) 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统
US7359842B1 (en) Soft sensor device and device for evaluating the same
CN114722529B (zh) 一种基于人工智能的推杆设备寿命预测方法及系统
US20220317189A1 (en) Deterioration state estimation system of secondary battery, deterioration state estimation method of secondary battery, and storage medium
CN115839617A (zh) 一种烧结温度的控制方法及装置
CN114580151A (zh) 一种基于灰色线性回归-马尔科夫链模型的需水预测方法
CN112214934B (zh) 一种基于多传感器的悬浮系统寿命预测方法及相关装置
CN110532698B (zh) 一种基于数据模型的工业设备振动特征值趋势预测方法
CN113569324A (zh) 边坡形变监测异常数据分析与优化方法
CN112330009A (zh) 一种电网负荷预测方法
CN112329197A (zh) 一种基于灰色模型的综合原子时建立方法
CN113868848B (zh) 加权灰靶算法和模拟退火法的变压器状态评估方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210817

RJ01 Rejection of invention patent application after publication