CN113393102A - 一种基于数据驱动的配电变压器运行状态趋势预测方法 - Google Patents
一种基于数据驱动的配电变压器运行状态趋势预测方法 Download PDFInfo
- Publication number
- CN113393102A CN113393102A CN202110615550.4A CN202110615550A CN113393102A CN 113393102 A CN113393102 A CN 113393102A CN 202110615550 A CN202110615550 A CN 202110615550A CN 113393102 A CN113393102 A CN 113393102A
- Authority
- CN
- China
- Prior art keywords
- index
- distribution transformer
- time
- real
- running 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000013210 evaluation model Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于数据驱动的配电变压器运行状态趋势预测方法，主要步骤为：1)构建一套配电变压器运行状态评估指标体系；2)利用层次分析‑德尔菲算法(AHP‑Delphi)计算指标权重值；3)建立配电变压器运行状态实时评估模型；4)利用LSTM‑SVM算法建立指标预测模型；5)将指标预测值输入步骤3配电变压器运行状态实时评估模型中，得到配电变压器运行状态的预测结果。本发明具有较好的通用性和应用性，适用于油浸式配电变压器和干式配电变压器，能够及时反映配电变压器未来运行状态的变化趋势，预测结果能在满足准确性要求的前提下为配电运维管理人员提供辅助决策支撑。
Description
技术领域
本发明涉及智能配电网领域，具体是一种基于数据驱动的配电变压器运行状态趋势预测方法。
技术背景
配电变压器作为配电网的核心设备，对其进行有效的运行状态评估与预测，对于建设坚强配电网、保障电力系统的安全平稳运行具有重要意义。
目前，配电变压器运行状态预测的研究还处于探索初期。配电变压器运行状态预测的方法可以分为两类，一类是对评估指标建模预测，再将指标预测值输入评估模型实现对配电变压器未来运行状态的评估，达到运行状态预测的目的；另外一类是对少数评估指标建模预测，直接通过对指标发展规律进行分析，进而对配电变压器的运行状态进行预测。由于涉及的评估指标较多，并且存在指标数据获取困难、数据无规律等问题，第一类配电变压器运行状态预测方法较难实现。第二类配电变压器运行状态预测方法聚焦于容易建模预测的评估指标，能够在一定程度上预测配电变压器的故障风险，但考虑的信息较少，存在预测精度不足的问题。
随着电网在线监测技术的广泛应用，配电变压器的实时监控数据增多，以数据为驱动的人工智能方法渐渐应用于配电变压器的运行状态的预测。未来配电变压器的实时监控数据逐渐完备，如何挖掘并利用数据背后的价值是建立配电变压器运行状态预测模型的关键。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采取的技术方案是这样的，一种基于数据驱动的配电变压器运行状态趋势预测方法，主要包括以下步骤：
1)从配电变压器低压侧三相电压、电流数据中提取特征，结合配电变压器固有特性，构建一套配电变压器运行状态评估指标体系，具体包含负载率f1、三相不平衡度f2、电压偏差f3、重载累计时间f4、重载持续时间f5、过载累计时间f6、过载持续时间f7、三相不平衡累计时间f8、三相不平衡持续时间f9、电压偏差累计时间f10、电压偏差持续时间f11、配电变压器家族缺陷系数f12和配电变压器寿命系数f13等指标。其中，指标f1、指标f2、指标f3为配电变压器的即时状态特征，指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10、指标f11为配电变压器的累积状态特征，指标f12和指标f13为配电变压器的固有属性特征。
进一步，将评估指标体系划分为三个层次，依次向下分别为目标层、准则层和指标层。目标层为配电变压器运行状态评估指标体系。准则层为实时型、统计型和基础型指标，其中实时型指标包含配电变压器的即时状态特征，统计型指标包含配电变压器的累积状态特征，基础型指标包含配电变压器的固有属性特征。指标层为指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10、指标f11、指标f12和指标f13。统计型指标可由实时型指标算出。
2)利用层次分析-德尔菲算法(AHP-Delphi)计算准则层中实时型和统计型指标的权重值、指标层中指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10和指标f11的权重值。
进一步，指标权重值的计算步骤如下：
2.1)让多个专家为指标的两两判断矩阵赋值，利用Delphi法计算指标的两两判断矩阵的平均判断矩阵。
2.2)计算平均判断矩阵的离散度，检验专家意见一致性，若专家意见一致，将平均判断矩阵作为AHP算法的输入矩阵，若不一致，返回步骤2.1。
2.3)计算输入矩阵的最大特征值λmax以及对应的特征向量α，利用AHP算法检验输入矩阵的一致性，若通过检验，将α归一化后的数值结果作为指标权重值，若检验不通过，返回步骤2.1。
3)建立配电变压器运行状态实时评估模型。
进一步，建立配电变压器运行状态实时评估模型的主要步骤如下：
3.1)获取指标层中各指标的数据。
3.2)对指标层中指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10和指标f11建立分段评分规则，评估结果采用百分制。
3.3)将上述指标的评估结果在指标层次上进行加权综合。
3.4)将指标层次上的加权综合评估结果进一步在准则层次上进行加权综合，得到配电变压器运行状态的初步评估结果。
3.5)将配电变压器运行状态的初步评估结果乘以指标f12的计算结果，再乘以指标f13的计算结果，得到配电变压器运行状态的最终评估结果。
3.6)利用配电变压器运行状态实时评估模型对配电变压器进行连续评估，得到配电变压器运行状态实时动态画像图。
4)利用LSTM-SVM算法建立指标f1、指标f2和指标f3的预测模型。
进一步，建立指标f1、指标f2、和指标f3预测模型的主要步骤如下：
4.1)获取指标f1、指标f2和指标f3时间尺度为d1的历史数据，构建时序特征和标签，主要步骤如下：
4.1.1)以滑动窗口方式构建时序特征和标签，滑动窗口大小为d2，滑动窗口步长为d3。
4.1.2)将滑动窗口内前d2-1个时刻的数据作为时序特征，并归一化处理，将滑动窗口内d2时刻的数据作为标签。
4.1.3)将时序特征数据和标签数据划分为训练样本集和测试样本集。
4.2)利用长短期记忆神经网络LSTM提取上述指标历史数据的变化规律特征，设置LSTM神经网络的输入数据格式，输入数据格式为三维数组，包括数据样本个数n_samples、时间展开步数n_steps和每个时间步输入的特征个数n_features。设置LSTM神经网络参数，包括网络层数n_layers和神经单元的循环核个数n_kernels。
4.3)将指标f1、指标f2和指标f3历史数据的变化规律特征输入到支持向量回归SVM模型中，设置SVM模型参数，包括核函数kernel_function和惩罚系数C。利用SVM模型对指标f1、指标f2和指标f3未来时刻的指标值进行预测。
4.4)将训练样本集输入到LSTM-SVM预测模型中，完成LSTM-SVM预测模型的训练。
4.5)将测试样本集输入到训练后的LSTM-SVM预测模型中，输出指标f1、指标f2和指标f3的预测值，计算指标f1、指标f2和指标f3的预测值与真实标签之间的均方误差mse。判断mse≤阈值ε是否成立，若成立，则保留LSTM-SVM预测模型的参数，若不成立，则返回步骤4.2。
5)将指标f1、指标f2和指标f3前d2-2个时刻的历史数据以及当前时刻的实时数据输入到LSTM-SVM预测模型中，得到指标的预测结果。
6)根据指标f1的预测值，计算出指标f4、指标f5、指标f6和指标f7的预测值；根据指标f2的预测值，计算出指标f8和指标f9的预测值；根据指标f3的预测值，计算出指标f10和f11的预测值。
7)将指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10和指标f11的预测值输入步骤3配电变压器运行状态实时评估模型中，进行连续评估，得到配电变压器运行状态趋势的预测结果。
本发明的技术效果是毋庸置疑的。在电力物联网的背景下，本发明提出一种基于数据驱动的配电变压器运行状态趋势预测方法。该方法具有较好的通用性和应用性，适用于油浸式配电变压器和干式配电变压器，预测结果能在满足准确性要求的前提下为配电运维管理人员提供辅助决策支撑。
附图说明
图1为配电变压器运行状态评估指标体系图；
图2为基于数据驱动的配电变压器运行状态趋势预测方法架构图；
图3为指标f1预测结果图
图4为指标f2预测结果图
图5为指标f3预测结果图
图6为配电变压器运行状态趋势预测结果图
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思路的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例
1)获取配电变压器低压侧三相电压、电流数据，计算指标f1、f2、f3、f4、f5、f6、f7、f8、f9、f10和f11的指标值，根据配电变压器的基本信息和运行年限计算指标f12和f13的指标值；
2)利用层次分析-德尔菲算法(AHP-Delphi)计算准则层中实时型和统计型指标的权重值、指标层中指标f1、f2、f3、f4、f5、f6、f7、f8、f9、f10和f11的权重值；
3)建立配电变压器运行状态实时评估模型。
进一步，建立配电变压器运行状态实时评估模型的主要步骤如下：
3.1)获取指标层中各指标的数据。
3.2)对指标层中指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10和指标f11建立分段评分规则，评估结果采用百分制。
3.3)将上述指标的评估结果在指标层次上进行加权综合。
3.4)将指标层次上的加权综合评估结果进一步在准则层次上进行加权综合，得到配电变压器运行状态的初步评估结果。
3.5)将配电变压器运行状态的初步评估结果乘以指标f12的计算结果，再乘以指标f13的计算结果，得到配电变压器运行状态的最终评估结果。
3.6)利用配电变压器运行状态实时评估模型对配电变压器进行连续评估，得到配电变压器运行状态实时动态画像图。
4)利用LSTM-SVM算法建立指标f1、指标f2和指标f3的预测模型。
进一步，建立指标f1、指标f2、和指标f3预测模型的主要步骤如下：
4.1)获取指标f1、指标f2和指标f3时间尺度d1为半年的历史数据，构建时序特征和标签，主要步骤如下：
4.1.1)以滑动窗口方式构建时序特征和标签，滑动窗口大小d2为25小时，滑动窗口步长d3为1小时。
4.1.2)将滑动窗口内前24个时刻的数据作为时序特征，并归一化处理，将滑动窗口内第25时刻的数据作为标签。
4.1.3)将时序特征数据和标签数据划分为训练样本集和测试样本集。
4.2)利用长短期记忆神经网络LSTM提取上述指标历史数据的变化规律特征，设置LSTM神经网络的输入数据格式，输入数据格式为三维数组，包括数据样本个数n_samples为4320、时间展开步数n_steps为24和每个时间步输入的特征个数n_features为1。设置LSTM神经网络参数，包括网络层数n_layers和神经单元的循环核个数n_kernels。
4.3)将指标f1、指标f2和指标f3历史数据的变化规律特征输入到支持向量回归SVM模型中，设置SVM模型参数，包括核函数kernel_function和惩罚系数C。利用SVM模型对指标f1、指标f2和指标f3未来时刻的指标值进行预测。
4.4)将训练样本集输入到LSTM-SVM预测模型中，完成LSTM-SVM预测模型的训练。
4.5)将测试样本集输入到训练后的LSTM-SVM预测模型中，输出指标f1、指标f2和指标f3的预测值，计算指标f1、指标f2和指标f3的预测值与真实标签之间的均方误差mse。判断mse≤阈值ε是否成立，若成立，则保留LSTM-SVM预测模型的参数，若不成立，则返回步骤4.2。
5)将指标f1、指标f2和指标f3前23个时刻的历史数据以及当前时刻的实时数据输入到LSTM-SVM预测模型中，得到指标的预测结果。
6)根据指标f1的预测值，计算出指标f4、指标f5、指标f6和指标f7的预测值；根据指标f2的预测值，计算出指标f8和指标f9的预测值；根据指标f3的预测值，计算出指标f10和f11的预测值。
7)将指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10和指标f11的预测值输入步骤3配电变压器运行状态实时评估模型中，进行连续评估，得到配电变压器运行状态趋势的预测结果。
Claims (6)
1.一种基于数据驱动的配电变压器运行状态趋势预测方法，其特征在于，主要包括以下步骤：
1)构建一套配电变压器运行状态评估指标体系；
2)利用层次分析-德尔菲算法(AHP-Delphi)计算指标权重值；
3)建立配电变压器运行状态实时评估模型；
4)利用LSTM-SVM算法建立指标预测模型；
5)将指标预测值输入步骤3配电变压器运行状态实时评估模型中，得到配电变压器运行状态的预测结果。
2.根据权利要求1所述的一种基于数据驱动的配电变压器运行状态趋势预测方法，其特征在于，配电变压器运行状态评估指标体系划分为三个层次，依次向下分别为目标层、准则层和指标层；目标层为配电变压器运行状态评估指标体系；准则层为实时型、统计型和基础型指标，其中实时型指标包含配电变压器的即时状态特征，统计型指标包含配电变压器的累积状态特征，基础型指标包含配电变压器的固有属性特征；指标层为指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10、指标f11、指标f12和指标f13，其中指标f1、指标f2、指标f3为实时型指标，指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10、指标f11为统计型指标，指标f12和指标f13为基础型指标；统计型指标可由实时型指标算出。
3.根据权利要求1所述的一种基于数据驱动的配电变压器运行状态趋势预测方法，其特征在于，建立配电变压器运行状态实时评估模型的主要步骤如下：
1)获取指标层中各指标的数据；
2)对指标层中指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10和指标f11建立分段评分规则，评估结果采用百分制；
3)将上述指标的评估结果在指标层次上进行加权综合；
4)将指标层次上的加权综合评估结果进一步在准则层次上进行加权综合，得到配电变压器运行状态的初步评估结果；
5)将配电变压器运行状态的初步评估结果乘以指标f12的计算结果，再乘以指标f13的计算结果，得到配电变压器运行状态的最终评估结果；
6)利用配电变压器运行状态实时评估模型对配电变压器进行连续评估，得到配电变压器运行状态实时动态画像图。
4.根据权利要求1所述的一种基于数据驱动的配电变压器运行状态趋势预测方法，其特征在于，利用LSTM-SVM算法建立指标f1、指标f2和指标f3预测模型的主要步骤如下：
1)获取指标f1、指标f2和指标f3时间尺度为d1的历史数据，构建时序特征和标签，主要步骤如下：
1.1)以滑动窗口方式构建时序特征和标签，滑动窗口大小为d2，滑动窗口步长为d3。
1.2)将滑动窗口内前d2-1个时刻的数据作为时序特征，并归一化处理，将滑动窗口内d2时刻的数据作为标签。
1.3)将时序特征数据和标签数据划分为训练样本集和测试样本集。
2)利用长短期记忆神经网络LSTM提取上述指标历史数据的变化规律特征，设置LSTM神经网络的输入数据格式，输入数据格式为三维数组，包括数据样本个数n_samples、时间展开步数n_steps和每个时间步输入的特征个数n_features。设置LSTM神经网络参数，包括网络层数n_layers和神经单元的循环核个数n_kernels。
3)将指标f1、指标f2和指标f3历史数据的变化规律特征输入到支持向量回归SVM模型中，设置SVM模型参数，包括核函数kernel_function和惩罚系数C。利用SVM模型对指标f1、指标f2和指标f3未来时刻的指标值进行预测。
4)将训练样本集输入到LSTM-SVM预测模型中，完成LSTM-SVM预测模型的训练。
5)将测试样本集输入到训练后的LSTM-SVM预测模型中，输出指标f1、指标f2和指标f3的预测值，计算指标f1、指标f2和指标f3的预测值与真实标签之间的均方误差mse。判断mse≤阈值ε是否成立，若成立，则保留LSTM-SVM预测模型的参数，若不成立，则返回步骤2。
5.根据权利要求2和权利要求4所述的一种基于数据驱动的配电变压器运行状态趋势预测方法，其特征在于，根据指标f1的预测值，计算出指标f4、指标f5、指标f6和指标f7的预测值；根据指标f2的预测值，计算出指标f8和指标f9的预测值；根据指标f3的预测值，计算出指标f10和f11的预测值。
6.根据权利要求3和权利要求5所述的一种基于数据驱动的配电变压器运行状态趋势预测方法，其特征在于，将指标f1、指标f2、指标f3、指标f4、指标f5、指标f6、指标f7、指标f8、指标f9、指标f10和指标f11的预测值输入配电变压器运行状态实时评估模型中，进行连续评估，得到配电变压器运行状态趋势的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110615550.4A CN113393102B (zh) | 2021-06-02 | 2021-06-02 | 一种基于数据驱动的配电变压器运行状态趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110615550.4A CN113393102B (zh) | 2021-06-02 | 2021-06-02 | 一种基于数据驱动的配电变压器运行状态趋势预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113393102A true CN113393102A (zh) | 2021-09-14 |
| CN113393102B CN113393102B (zh) | 2022-08-12 |
Family
ID=77619967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110615550.4A Expired - Fee Related CN113393102B (zh) | 2021-06-02 | 2021-06-02 | 一种基于数据驱动的配电变压器运行状态趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393102B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115436767A (zh) * | 2022-11-07 | 2022-12-06 | 江苏黑马高科股份有限公司 | 一种变压器局部放电监测分析方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767088A (zh) * | 2017-12-07 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种基于设备缺陷的变压器风险评估方法及装置 |
| US20180101313A1 (en) * | 2016-10-07 | 2018-04-12 | Prophetstor Data Services, Inc. | Method for extending life expectancy of disks in cloud-based service system and system using the same |
| CN107918830A (zh) * | 2017-11-20 | 2018-04-17 | 国网重庆市电力公司南岸供电分公司 | 一种基于大数据技术的配电网运行状态评估系统及方法 |
| CN109031014A (zh) * | 2017-12-28 | 2018-12-18 | 国网湖北省电力公司宜昌供电公司 | 一种基于运行数据的变压器综合可靠性评估及预测方法 |
| CN109460846A (zh) * | 2018-06-19 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于数据挖掘的设备状态预测分析方法 |
| CN109492866A (zh) * | 2018-10-08 | 2019-03-19 | 南昌科晨电力试验研究有限公司 | 一种配电网运行状态智能评估方法 |
| CN110222897A (zh) * | 2019-06-11 | 2019-09-10 | 国网上海市电力公司 | 一种配电网可靠性分析方法 |
| CN111144638A (zh) * | 2019-12-24 | 2020-05-12 | 东南大学 | 一种基于大数据的配电网运行态势预测方法 |
| CN111582571A (zh) * | 2020-04-30 | 2020-08-25 | 中国电力科学研究院有限公司 | 模型驱动和数据驱动融合的电网运行态势感知方法及系统 |
| CN111753093A (zh) * | 2020-07-02 | 2020-10-09 | 东北电力大学 | 一种网络舆情危机等级评价方法和装置 |
| CN111831895A (zh) * | 2019-04-19 | 2020-10-27 | 天津科技大学 | 一种基于lstm模型的网络舆情预警方法 |
-
2021
- 2021-06-02 CN CN202110615550.4A patent/CN113393102B/zh not_active Expired - Fee Related
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180101313A1 (en) * | 2016-10-07 | 2018-04-12 | Prophetstor Data Services, Inc. | Method for extending life expectancy of disks in cloud-based service system and system using the same |
| CN107918830A (zh) * | 2017-11-20 | 2018-04-17 | 国网重庆市电力公司南岸供电分公司 | 一种基于大数据技术的配电网运行状态评估系统及方法 |
| CN107767088A (zh) * | 2017-12-07 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种基于设备缺陷的变压器风险评估方法及装置 |
| CN109031014A (zh) * | 2017-12-28 | 2018-12-18 | 国网湖北省电力公司宜昌供电公司 | 一种基于运行数据的变压器综合可靠性评估及预测方法 |
| CN109460846A (zh) * | 2018-06-19 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于数据挖掘的设备状态预测分析方法 |
| CN109492866A (zh) * | 2018-10-08 | 2019-03-19 | 南昌科晨电力试验研究有限公司 | 一种配电网运行状态智能评估方法 |
| CN111831895A (zh) * | 2019-04-19 | 2020-10-27 | 天津科技大学 | 一种基于lstm模型的网络舆情预警方法 |
| CN110222897A (zh) * | 2019-06-11 | 2019-09-10 | 国网上海市电力公司 | 一种配电网可靠性分析方法 |
| CN111144638A (zh) * | 2019-12-24 | 2020-05-12 | 东南大学 | 一种基于大数据的配电网运行态势预测方法 |
| CN111582571A (zh) * | 2020-04-30 | 2020-08-25 | 中国电力科学研究院有限公司 | 模型驱动和数据驱动融合的电网运行态势感知方法及系统 |
| CN111753093A (zh) * | 2020-07-02 | 2020-10-09 | 东北电力大学 | 一种网络舆情危机等级评价方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115436767A (zh) * | 2022-11-07 | 2022-12-06 | 江苏黑马高科股份有限公司 | 一种变压器局部放电监测分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113393102B (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
| CN111080002A (zh) | 基于深度学习的建筑用电负荷多步预测方法及系统 | |
| CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
| Ma et al. | Short term load forecasting based on iForest-LSTM | |
| CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN109000930A (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
| CN112488235A (zh) | 一种基于深度学习的电梯时序数据的异常诊断方法 | |
| CN111325403A (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
| CN112884008A (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN112734131A (zh) | 一种基于深度学习算法的风机叶片覆冰状态预测方法 | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN113393102B (zh) | 一种基于数据驱动的配电变压器运行状态趋势预测方法 | |
| CN112580254B (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
| CN113486291A (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
| CN115204362A (zh) | 一种机械设备剩余寿命区间预测方法 | |
| Yang et al. | Wind turbine fault detection and diagnosis using LSTM neural network | |
| CN112598186B (zh) | 一种基于改进的lstm-mlp的小型发电机故障预测方法 | |
| CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
| Peng et al. | Remaining useful life prediction for aircraft engines based on grey model | |
| Tran et al. | Building Machine learning datasets for oil-immersed service transformer health assessment using Fuzzy logic method | |
| CN113269400A (zh) | 一种基于历史运维信息的低压配电网设备状态评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220812 |