CN113742993A - 干式变压器寿命损失预测方法、装置、设备及存储介质 - Google Patents
干式变压器寿命损失预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113742993A CN113742993A CN202110853103.2A CN202110853103A CN113742993A CN 113742993 A CN113742993 A CN 113742993A CN 202110853103 A CN202110853103 A CN 202110853103A CN 113742993 A CN113742993 A CN 113742993A
- Authority
- CN
- China
- Prior art keywords
- dry
- type transformer
- life loss
- operation data
- aging rate
- 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 51
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000032683 aging Effects 0.000 claims abstract description 30
- 238000004804 winding Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了干式变压器寿命损失预测方法、装置、设备及存储介质,包括:获取待预测干式变压器的实际运行数据,所述实际运行数据包括三相绕组平均温度和功率损耗;将所述三相绕组平均温度和功率损耗输入预先构建的干式变压器寿命损失预测模型,输出干式变压器的老化率;根据所述干式变压器的老化率,计算得到干式变压器寿命损失结果。本发明提高了干式变压器寿命损失的预测精度。
Description
技术领域
本发明属于于电力系统领域,具体涉及干式变压器寿命损失预测方法、装置、设备及存储介质。
背景技术
长期以来,电力企业对变压器推行的定期检修机制存在着“维护不足”和“过度维护”等问题,不仅造成重大资源浪费,同时在一定程度上影响了变压器的可靠性。且目前针对变压器状态评估大多侧重于某项指标超标的警示,只能反映变压器的部分情况。因此,亟需开展一种表征变压器运行条件、各种试验、设备历史信息等和变压器健康状态之间的综合关系的有效方法来提升运维评估人员对变压器健康状态的深度了解和评价,为变压器状态检修提供参考,为电网安全、可靠与经济运行提供保障。同时,得益于智能电网的快速发展,电力行业数据爆炸式增长,为开展基于大数据分析的工作奠定了基础。
目前用于干式变压器的寿命预测的智能化方法主要有基于人工神经网络的干式变压器寿命预测、基于支持向量机的干式变压器寿命预测和基于模糊逻辑法的干式变压器寿命预测等。但是在实际中,上述方法所用到的变压器很多状态指标数据很难采集到或者收集的数据与实际的运行状态相差甚远。这些方法所提出的变压器健康等级的划分、隶属函数的选择、评估指标的权重量化等问题只能在理论阶段上得到解决,存在不可避免的主观性;对于环境因素对变压器健康状态所产生的影响亦考虑不足。因此,亟需探索出一种更加接近变压器实际运行状况的变压器健康状态评估方法。
发明内容
针对现有技术中存在的问题,本发明提供了干式变压器寿命损失预测方法、装置、设备及存储介质,提高了干式变压器寿命损失的预测精度。
为了解决上述技术问题,本发明通过以下技术方案予以实现:
一种干式变压器寿命损失预测方法,包括:
获取待预测干式变压器的实际运行数据,所述实际运行数据包括三相绕组平均温度和功率损耗;
将所述三相绕组平均温度和功率损耗输入预先构建的干式变压器寿命损失预测模型,输出干式变压器的老化率;
根据所述干式变压器的老化率,计算得到干式变压器寿命损失结果。
进一步地,所述干式变压器寿命损失预测模型的构建方法为:
获取干式变压器的历史运行数据,所述历史运行数据包括三相绕组平均温度、功率损耗和老化率;
利用所述历史运行数据进行BP神经网络训练,所述历史运行数据中,所述三相绕组平均温度和功率损耗作为BP神经网络的输入数据,所述老化率作为BP神经网络的输出数据,得到所述干式变压器寿命损失预测模型。
进一步地,在所述利用所述历史运行数据进行BP神经网络训练之前,还包括:
对所述历史运行数据进行预处理,所述预处理包括数据重复值清洗和缺失值填补;
利用聚类对所述预处理后的历史运行数据进行极端值去噪;
对去噪后的所述历史运行数据进行归一化处理。
进一步地,所述聚类方法为K-means;所述归一化方法为最大最小值法;所述缺失值填补方法为均值填充法。
进一步地,所述BP神经网络的层数为四层,其中隐藏层节点数为10。
进一步地,根据所述干式变压器的老化率,计算得到干式变压器寿命损失结果,具体计算公式为:
T=∑Ti'*t
式中,T为干式变压器寿命损失结果;Ti'为干式变压器在第i个采样时刻的老化率;t为采样周期。
一种干式变压器寿命损失预测装置,包括:
运行数据获取模块,用于获取待预测干式变压器的实际运行数据,所述实际运行数据包括三相绕组平均温度和功率损耗;
干式变压器的老化率输出模块,用于将所述三相绕组平均温度和功率损耗输入预先构建的干式变压器寿命损失预测模型,输出干式变压器的老化率;
一种干式变压器寿命损失预测方法,其中用于模型训练的干式变压器历史运行数据均计算模块,用于根据所述干式变压器的老化率,计算得到干式变压器寿命损失结果。
一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的一种干式变压器寿命损失预测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现一种干式变压器寿命损失预测方法的步骤。
与现有技术相比,本发明至少具有以下有益效果:本发明提供的一种干式变压器寿命损失预测方法,用于电力变压器寿命评估的数据来源于干式变压器实际工作整一年的状态监测数据,充分保证了数据的真实性和有效性并考虑到了干式变压器工作环境温度变化对干式变压器寿命损失的影响。实际运行数据包括三相绕组平均温度和功率损耗;将三相绕组平均温度和功率损耗输入预先构建的干式变压器寿命损失预测模型,输出干式变压器的老化率,然后根据干式变压器的老化率,计算得到干式变压器寿命损失结果。本发明利用BP神经网络能够以任意精度逼近任何非线性连续函数的非线性映射能力和能够通过学习自动提取输入和输出数据间的“合理规则”的自学习和自适应能力来建立干式变压器运行状态与其寿命损失之间的关系模型,避免了人为选择隶属函数和评估指标的权重量化值问题。本发明利用聚类分析数据预处理方法对上述数据进行处理,提高了样本数据质量,从而有助于提高从样本数据中挖掘出“合理规则”的准确率和效率。相比于传统的干式变压器寿命损失预测方法,本发明有效的提高了干式变压器寿命损失的预测精度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明的一种干式变压器寿命损失预测模型构建流程图;
图2为本发明的寿命损失预测模型拓扑图;
图3为本发明的干式变压器寿命损失预测模型拟合能力示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
如图1所示,本发明提供的一种干式变压器寿命损失预测方法,具体包括:
步骤1:获取待预测干式变压器的实际运行数据,实际运行数据包括三相绕组平均温度和功率损耗;
步骤2:将三相绕组平均温度和功率损耗输入预先构建的干式变压器寿命损失预测模型,输出干式变压器的老化率;
具体地,干式变压器寿命损失预测模型的构建方法为:
S1:从公司数据库中获取干式变压器的历史运行数据并计算得到模型训练所需数据类型,历史运行数据包括三相绕组平均温度、功率损耗和老化率;其中三相绕组平均温度、功率损耗和老化率具体计算方法如表1所示:
表1数据信息
S2:对历史运行数据进行预处理;
具体地,预处理包括:
S201:数据重复值清洗和缺失值填补;
S202:利用聚类对预处理后的历史运行数据进行极端值去噪,优选的,本实施例中的聚类方法为K-means;
S203:对去噪后的历史运行数据进行归一化处理,优选的,本实施例中的归一化方法为最大最小值法;
S3:利用历史运行数据进行BP神经网络训练,历史运行数据中,三相绕组平均温度和功率损耗作为BP神经网络的输入数据,老化率作为BP神经网络的输出数据,得到干式变压器寿命损失预测模型,优选的,如图2所示,本实施例中的BP神经网络的层数为四层,其中隐藏层节点数为10。
如图3所示,本发明得到的干式变压器寿命损失预测模型拟合能力R=0.89356,极为接近0.9,足见应用本发明得到的干式变压器寿命损失预测模型预测得到的预测值和实际值极为相关,本发明寿命损失预测结果具有较高的精度。
步骤3:根据干式变压器的老化率,计算得到干式变压器寿命损失结果,具体计算公式为:
T=∑Ti'*t
式中,T为干式变压器寿命损失结果;Ti'为干式变压器在第i个采样时刻的老化率;t为采样周期。
本发明一种干式变压器寿命损失预测装置,包括:
运行数据获取模块,用于获取待预测干式变压器的实际运行数据,实际运行数据包括三相绕组平均温度和功率损耗;
干式变压器的老化率输出模块,用于将三相绕组平均温度和功率损耗输入预先构建的干式变压器寿命损失预测模型,输出干式变压器的老化率;
计算模块,用于根据干式变压器的老化率,计算得到干式变压器寿命损失结果。
本发明在一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于一种干式变压器寿命损失预测方法的操作。
本发明在一个实施例中,一种干式变压器寿命损失预测方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种干式变压器寿命损失预测方法,其特征在于,包括:
获取待预测干式变压器的实际运行数据,所述实际运行数据包括三相绕组平均温度和功率损耗;
将所述三相绕组平均温度和功率损耗输入预先构建的干式变压器寿命损失预测模型,输出干式变压器的老化率;
根据所述干式变压器的老化率,计算得到干式变压器寿命损失结果。
2.根据权利要求1所述的一种干式变压器寿命损失预测方法,其特征在于,所述干式变压器寿命损失预测模型的构建方法为:
获取干式变压器的历史运行数据,所述历史运行数据包括三相绕组平均温度、功率损耗和老化率;
利用所述历史运行数据进行BP神经网络训练,所述历史运行数据中,所述三相绕组平均温度和功率损耗作为BP神经网络的输入数据,所述老化率作为BP神经网络的输出数据,得到所述干式变压器寿命损失预测模型。
3.根据权利要求2所述的一种干式变压器寿命损失预测方法,其特征在于,在所述利用所述历史运行数据进行BP神经网络训练之前,还包括:
对所述历史运行数据进行预处理,所述预处理包括数据重复值清洗和缺失值填补;
利用聚类分析对所述预处理后的历史运行数据进行处理可以检测出噪声点并得到样本数据的基本概况;
对去噪后的所述历史运行数据进行归一化处理。
4.根据权利要求3所述的一种干式变压器寿命损失预测方法,其特征在于,所述聚类方法为K-means;所述归一化方法为最大最小值法;所述缺失值填补方法为均值填充法。
5.根据权利要求2所述的一种干式变压器寿命损失预测方法,其特征在于,所述BP神经网络的层数为四层,其中隐藏层节点数为10。
7.一种干式变压器寿命损失预测装置,其特征在于,包括:
运行数据获取模块,用于获取待预测干式变压器的实际运行数据,所述实际运行数据包括三相绕组平均温度和功率损耗;
干式变压器的老化率输出模块,用于将所述三相绕组平均温度和功率损耗输入预先构建的干式变压器寿命损失预测模型,输出干式变压器的老化率;
计算模块,用于根据所述干式变压器的老化率,计算得到干式变压器寿命损失结果。
8.一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的一种干式变压器寿命损失预测方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至6任一项的一种干式变压器寿命损失预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853103.2A CN113742993B (zh) | 2021-07-27 | 2021-07-27 | 干式变压器寿命损失预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853103.2A CN113742993B (zh) | 2021-07-27 | 2021-07-27 | 干式变压器寿命损失预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742993A true CN113742993A (zh) | 2021-12-03 |
CN113742993B CN113742993B (zh) | 2024-04-05 |
Family
ID=78729266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853103.2A Active CN113742993B (zh) | 2021-07-27 | 2021-07-27 | 干式变压器寿命损失预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742993B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252807A (zh) * | 2021-12-24 | 2022-03-29 | 国网湖北省电力有限公司经济技术研究院 | 一种基于寿命差异化现象的变压器寿命预测方法 |
CN115373403A (zh) * | 2022-09-19 | 2022-11-22 | 太平洋建设集团有限公司 | 一种建筑机械设备巡检服务系统 |
CN117574091A (zh) * | 2023-12-11 | 2024-02-20 | 西南交通大学 | 一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法 |
GB2628649A (en) * | 2023-03-31 | 2024-10-02 | Landis & Gyr Ag | Monitoring transformers of power networks |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447048A (zh) * | 2008-12-30 | 2009-06-03 | 上海发电设备成套设计研究院 | 一种变压器绝缘寿命预测的方法与寿命管理系统 |
JP2018113737A (ja) * | 2017-01-06 | 2018-07-19 | 株式会社東芝 | 柱上変圧器の寿命推定装置 |
-
2021
- 2021-07-27 CN CN202110853103.2A patent/CN113742993B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447048A (zh) * | 2008-12-30 | 2009-06-03 | 上海发电设备成套设计研究院 | 一种变压器绝缘寿命预测的方法与寿命管理系统 |
JP2018113737A (ja) * | 2017-01-06 | 2018-07-19 | 株式会社東芝 | 柱上変圧器の寿命推定装置 |
Non-Patent Citations (2)
Title |
---|
赵莉华;王释颖;王鹏;周策;牟帅;: "基于Nomex混合绝缘系统的长寿命油浸式变压器", 高电压技术, no. 06 * |
黄荣辉;黄炜昭;吕启深;文正其;: "油浸式电力变压器绝缘寿命在线评估技术研究", 电气应用, no. 01 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252807A (zh) * | 2021-12-24 | 2022-03-29 | 国网湖北省电力有限公司经济技术研究院 | 一种基于寿命差异化现象的变压器寿命预测方法 |
CN114252807B (zh) * | 2021-12-24 | 2023-07-14 | 国网湖北省电力有限公司经济技术研究院 | 一种基于寿命差异化现象的变压器寿命预测方法 |
CN115373403A (zh) * | 2022-09-19 | 2022-11-22 | 太平洋建设集团有限公司 | 一种建筑机械设备巡检服务系统 |
CN115373403B (zh) * | 2022-09-19 | 2023-11-14 | 太平洋建设集团有限公司 | 一种建筑机械设备巡检服务系统 |
GB2628649A (en) * | 2023-03-31 | 2024-10-02 | Landis & Gyr Ag | Monitoring transformers of power networks |
CN117574091A (zh) * | 2023-12-11 | 2024-02-20 | 西南交通大学 | 一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113742993B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113742993B (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
CN111539553A (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN104463706A (zh) | 一种用于电网检测电压暂降事件原因的方法和系统 | |
CN111539585B (zh) | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 | |
Shi et al. | Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN118365307A (zh) | 一种电厂设备状态检修决策支持方法及系统 | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN111654033B (zh) | 基于线性推演的大电网静态电压稳定态势评估方法及系统 | |
CN113469408A (zh) | 一种用于调相机的运行状态趋势预测方法及系统 | |
CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
CN116401545A (zh) | 一种多模型融合的水轮机振摆分析方法 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN114330569A (zh) | 一种检测风机组部件故障的方法、设备及存储介质 | |
CN113391987A (zh) | 一种上线软件系统的质量预测方法及装置 | |
CN113673010A (zh) | 一种基于监测数据的钢箱梁评估方法与系统 | |
CN118468091B (zh) | 一种变压器故障诊断方法、装置及计算机可读存储介质 |
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 |