CN113887565A - 一种配电变压器电气状态评估方法和系统 - Google Patents
一种配电变压器电气状态评估方法和系统 Download PDFInfo
- Publication number
- CN113887565A CN113887565A CN202111045076.2A CN202111045076A CN113887565A CN 113887565 A CN113887565 A CN 113887565A CN 202111045076 A CN202111045076 A CN 202111045076A CN 113887565 A CN113887565 A CN 113887565A
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- electrical
- deviation
- state index
- electrical parameter
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 330
- 238000011156 evaluation Methods 0.000 title claims description 34
- 239000013598 vector Substances 0.000 claims abstract description 136
- 239000006185 dispersion Substances 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims description 17
- 150000001875 compounds Chemical class 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011158 quantitative evaluation Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种配电变压器电气状态评估方法和系统,包括:基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度;基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,并从每类中分别提取一个电气参量构建配电变压器电气特征向量;基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数;依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估;或对当前时刻的多台配电变压器的电气状态进行评估。本发明深度挖掘了各参量间特征关系,简单快速地实现电气参量状态实时量化评估。
Description
技术领域
本发明属于电力技术领域,具体涉及一种配电变压器电气状态评估方法和系统。
背景技术
配电变压器直接面对用户,且量大面广,其运行状况直接关系着供电安全、可靠性以及电网的安全稳定。为了能够准确、有效地把握配电变压器的在线运行状态,量化评估其运行状况,为检修提供指导意见,当前研究多针对配电变压器的电气参量展开分析。
但当前研究的数学分析方法多存在分析复杂,参量间关系发掘不足,权重确定多依赖主观赋值,缺乏客观依据,主观判断会产生一定的偏差,同时权重的确定难以满足参量关系动态相关性;利用深度学习进行数据分析耗时长,模型的构建较为复杂,计算难以满足实时性的要求。急需提出一种准确、有效的配电变压器电气参量分析方法。
发明内容
为克服上述现有技术的不足,本发明提出一种配电变压器电气状态评估方法,包括:
基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度;
基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,并从每类中分别提取一个电气参量构建配电变压器电气特征向量;
基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数;
依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估;或依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估。
优选的,所述基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度,包括:
对所述各电气参量数据进行归一化;
利用云模型的逆向云,计算归一化处理后各电气参量的云特征值;
依据所述各电气参量的云特征值,计算各电气参量的偏离度和离散度。
优选的,所述各电气参量的偏离度,按下式计算:
Lj=En'j/Ex'j
式中,Lj为电气参量j的偏离度,En'j为电气参量j的熵,Ex'j为电气参量j的期望;
所述各电气参量的离散度,按下式计算:
Dj=Hej’
式中,Dj为电气参量j的离散度,He'j为电气参量j的超熵。
优选的,所述基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,包括:
基于各电气参量的偏离度和离散度,构建各电气参量偏离特征向量和离散特征向量;
根据所述各电气参量偏离特征向量和离散特征向量,绘制各电气参量的二维特征散点图,并利用K-means对电气参量进行分类。
优选的,所述基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数,包括:
在所述配电变压器电气特征向量中构建一段时间内各电气参量的变化趋势向量,并根据所述各电气参量变化趋势向量计算配电变压器的特征向量中各电气参量间变化趋势的相似度;
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的偏离度,计算配电变压器偏离状态指数;
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的离散度,计算配电变压器稳定状态指数。
优选的,所述配电变压器的特征向量中电气参量间变化趋势的相似度,按下式计算:
式中,为配电变压器的特征向量中第g类电气参量与第h类电气参量间变化趋势的余弦相似度,t为时间,为配电变压器的特征向量中第g类电气参量在i时刻的趋势变化向量,为配电变压器的特征向量中第h类电气参量在i时刻的趋势变化向量。
优选的,所述配电变压器偏离状态指数,按下式计算:
优选的,所述配电变压器稳定状态指数,按下式计算:
优选的,所述依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估,包括:
依据所述配电变压器偏离状态指数、配电变压器稳定状态指数、配电变压器的特征向量种类数、电气参量平均偏离度和离散度,对当前时刻的单台配电变压器进行电气状态评估。
优选的,所述电气参量平均偏离度,按下式计算:
所述电气参量平均离散度,按下式计算:
优选的,所述依据所述配电变压器偏离状态指数、配电变压器稳定状态指数、配电变压器的特征向量种类数、电气参量平均偏离度和离散度,对当前时刻的单台配电变压器进行电气状态评估,包括:
优选的,所述依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估,包括:
依据各台配电变压器偏离状态指数和稳定状态指数,计算各台配电变压器的电气综合状态指标;
基于所述各台配电变压器的电气综合状态指标、配电变压器的特征向量种类数、电气参量平均偏离度和离散度,对当前时刻的多台配电变压器中的每台配电变压器进行电气状态评估。
优选的,所述各台配电变压器的电气综合状态指标,按下式计算:
式中,αu为配电变压器u的电气综合状态指标,ψu为配电变压器u的偏离状态指数,ζu为配电变压器u的稳定状态指数。
优选的,基于所述各台配电变压器的电气综合状态指标、配电变压器的特征向量种类数、电气参量平均偏离度和离散度,对当前时刻的某台配电变压器进行电气状态评估,包括:
基于同一发明构思,本发明还提供了一种配电变压器电气状态评估系统,包括:云模型模块、分类模块、状态指数模块和评估模块;
所述云模型模块,用于基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度;
所述分类模块,用于基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,并从每类中分别提取一个电气参量构建配电变压器电气特征向量;
所述状态指数模块,用于基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数;
所述评估模块,用于依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估;或依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估。
优选的,所述状态指数模块具体包括:
在所述配电变压器电气特征向量中构建一段时间内各电气参量的变化趋势向量,并根据所述各电气参量变化趋势向量计算配电变压器的特征向量中各电气参量间变化趋势的相似度;
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的偏离度,计算配电变压器偏离状态指数;
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的离散度,计算配电变压器稳定状态指数。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供了一种配电变压器电气状态评估方法和系统,包括:基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度;基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,并从每类中分别提取一个电气参量构建配电变压器电气特征向量;基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数;依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估;或依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估。本发明利用云模型确定各电气参量的偏离度和离散度,简单迅速,有效地利用了配电变压器的实时电气参量监测数据,并通过构建电气特征向量深度挖掘了各参量间数据特征关系;通过对电气参量进行分类,有效避免了参量数据关系分析、特征提取的主观性、随机性;通过计算配电变压器偏离状态指数和稳定状态指数,实现了电气参量状态的实时量化评估;
本发明深度挖掘了各参量的数据特征关系,利用K-means实现了电气参量的自动分类,有效避免了常规数据关系分析、特征提取的主观性、随机性。
附图说明
图1为本发明提供的一种配电变压器电气状态评估方法流程示意图;
图2为本发明提供的带有云特征量标示的云图;
图3为本发明提供的一种配电变压器电气状态评估方法实施例的流程示意图;
图4为本发明提供的根据正向云生成的10000云滴散点图;
图5为本发明提供的K-means电气参量分类流程示意图;
图6为本发明提供的电气状态偏离以及稳定指数可视化图;
图7为本发明提供的一种配电变压器电气状态评估系统基本结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提供的一种配电变压器电气状态评估方法,其流程示意图如图1所示,包括:
步骤1:基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度;
步骤2:基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,并从每类中分别提取一个电气参量构建配电变压器电气特征向量;
步骤3:基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数;
步骤4:依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估;或依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估。
为实现配电变压器电气参量的数值与配电变压器状态趋势的综合评估,本实施例提出一种配电变压器电气状态评估方法。
本发明及本实施例中用到的电气参量(即下文中的参量)为:A相、B相、C相的电压、电流、有功功率和无功功率,以及功率因素。
在步骤1前,利用云模型得到各电气参量的云特征值和云图,以直观展示各参量的偏离度与离散度,如图2所示。
具体步骤为:
(1)以参量j为例,利用逆向云,计算参量j的云特征值Exj,Enj,Hej;
首先,计算电气参量j的均值μj,并以该值作为期望Ex,即Exj=μj,并根据均值μj计算熵En和超熵He:
根据正向云形成云图,如图2所示,图中membership表示成员,Cloud expectationcurve表示云期望曲线,云模型的三个特征值期望、熵、超熵(Ex,En,He)决定了云的形状,更为直观地反映了数据的偏离与离散性。表1以风电机组中参量j为例,解释了参量j各云特征量的含义。
表1风电机组状态云特征量
步骤1具体包括:
为了解决参量数值范围不统一的问题,进行统一性对比分析,对各参量进行归一化处理,并计算归一化后各参量的云特征值,计算方法同上。以参量j为例,归一化后参量j的云特征值记作(Exj′,Enj′,Hej′)。
根据各参量的云特征值计算各参量的偏离度和离散度,以参量j为例:偏离度Lj=Enj′/Exj′,离散度Dj=Hej′。
步骤2具体包括:
为了解决参量数值范围不统一的问题再次对参量进行归一化处理。根据各参量的偏离度和离散度,构建各参量偏离特征向量和离散特征向量,根据各参量偏离、离散特征向量绘制各参量二维特征散点图,并对电气参量进行分类,本实施例采用K-means进行分类,得到K类配电变压器参量集;
提取K类电气参量,构造配电变压器电气特征向量。其中,第1类中共包含n1个参量,可以类推认为第K类中共包含nK个参量,从K类参量中各取一个参量,则共可构建N=n1×n2×…×nK种特征向量,按此方法构造的配电变压器电气特征向量K=(k1,k2,…,kK)T,其中,k1表示第1类参量中的一个参量。
步骤3具体包括:
在所述配电变压器电气特征向量中构建一段时间内各电气参量的变化趋势向量,并根据所述各电气参量变化趋势向量计算配电变压器的特征向量中各电气参量间变化趋势的相似度。
在特征向量中构建电气参量趋势向量,与趋势矩阵,用来描述特征向量间的关系,分析变化趋势的同步性。
配电变压器各电气参量的变化趋势存在一定的相关性,参量的变化具有同步性、一致性的潜在特征。构建各参量时间序列上的趋势向量,刻画其变化的特性。在(t+1)个时刻,各参量的变化利用向量来描述,以参量j为例,参量j的变化利用向量描述为:
根据配电变压器多项运行参量可构建参量趋势变化矩阵ΔX,其中m为参量总数:
由上式,可得到m维状态参量的趋势相相似度矩阵Cm×m:
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的偏离度,计算配电变压器偏离状态指数;
配电变压器偏离状态指数ψ,用来衡量偏离状态期望值的程度。
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的离散度,计算配电变压器稳定状态指数;
配电变压器稳定状态指数ζ,用来衡量偏离期望值的离散程度。
ψ、ζ分别描述了配电变压器的电气状态偏离性、稳定性,利用其构建电气状态评估向量为(ψ,ζ)。
步骤4具体包括:
以电气状态评估向量(ψ,ζ)描述对当前时刻的单台变压器的状态:
式中,Lj为电气参量j的偏离度,Dj为电气参量j的离散度。
为确保指标的一致性,多台配电变压器电气状态评估,不能看做是多个单台配电变压器的电气状态评估,需要用统一的电气综合状态指标α进行评估。
各台配电变压器的电气综合状态指标,按下式计算:
式中,αu为配电变压器u的电气综合状态指标,ψu为配电变压器u的偏离状态指数,ζu为配电变压器u的稳定状态指数。
根据各台配电变压器的电气综合状态指标α,描述各变压器的状态,对当前时刻的多台配电变压器的电气状态进行评价:
有时,可依据α确定某台配电变压器的电气状态为优,则可以此台配电变压器为基准,计算此台配电变压器与其他配电变压器的电气状态相似度,根据电气状态相似度对其他配电变压器的电气状态进行评价。
下式为配电变压器u和v间电气状态的相似度:
其中,ψu为配电变压器u的偏离状态指数,ζu为配电变压器u的稳定状态指数,ψv为配电变压器v的偏离状态指数,ζv为配电变压器v的稳定状态指数。
本实施例有效地利用了配电变压器的实时电气参量监测数据,利用云模型与相似度实现了参量数据的偏离、离散性与趋势特性分析;
本实施例深度挖掘了各参量的数据特征关系,利用K-means实现了参量的自动分类,有效避免了常规数据关系分析、特征提取的主观性、随机性;
利用数据的偏离性、离散性可通过数据量化作用实现电气状态评估,对单台配电变压器进行电气状态定量描述与多台配电变压器状态的对比分析。
实施例2:
本实施例对一种配电变压器电气状态评估方法的具体实现过程进行介绍,如图3所示,包括:
步骤01:计算配电变压器各参量云模型特征值;
步骤02:各电气参量偏离与离散程度计算;
步骤03:K-means电气参量分类;
步骤04:特征提取以及特征向量构建;
步骤05:构建电气参量趋势向量与趋势矩阵;
步骤06:构建电气参量趋势相似度矩阵;
步骤07:单台配电变压器电气状态;
步骤08:多台配电变压器电气状态对比。
通过步骤01—步骤08,为配电变压器的电气状态评估提供了一种新的方法,深入挖掘参量变化的数值特性以及趋势特性,实现了数据的时序变化状态分析,非时序偏离离散情况量化评价,以及不同参量的趋势、分布特性对比。
各分步骤的研究关键点如下:
步骤01:计算配电变压器各参量云模型特征值,并得到云图
以配电变压器各参量为云滴,计算逆向云特征值。
具体的逆向云计算如下所示:
Ex=np.mean(x)
S2=np.std(x)
En=np.sqrt(np.pi/2)*np.mean(np.abs(x-Ex))
He=np.sqrt(np.abs(S2*S2-En*En))
根据正向云,生成10000云滴散点图,如图4所示,图中membership为成员,clouddrops为云滴:
Y=np.zeros((10000,1))
X=np.random.normal(loc=En,scale=He,size=10000)
for i in range(0,10000):
Enn=X[i]
X[i]=np.random.normal(loc=Ex,scale=np.abs(En),size=1)
Y[i]=np.exp(-(X[i]-Ex)*(X[i]-Ex)/(2*En*En))
plt.scatter(X,Y,s=2,marker='*',label='Cloud')
步骤02:各电气参量偏离与离散程度计算
参量的数值特性描述分为两部分:偏离度以及离散度。
对各参量进行归一化处理,并利用步骤01中的逆向云计算各参量的云特征值。偏离度反映数值偏离期望值的程度,利用云模型的特征值Ex与En进行描述,由于Ex的取值以及En的变化范围不同,不能进行统一比较,需进行偏离度计算。计算归一化处理后的各电气参量的偏离度,以参量j为例,有Lj=Enj′/Exj′,Exj′和Enj′分别为归一化处理后参量j的期望和熵,这样避免了数值变化的影响,统一描述了数值变化的偏离特性;
离散度反映数值在偏离情况下的不确定性,计算各电气参量离散度,以参量j为例,有Dj=Hej′,Hej′为归一化处理后参量j的超熵。
步骤03:K-means电气参量分类
构建各电气参量偏离、离散二维特征向量,并绘制二维散点图,利用K-means对电气参量进行分类,K-means电气参量分类流程示意图如图5所示。
def dist(a,b,ax=1):
return np.linalg.norm(a-b,axis=ax)
#设定分区数
K=constant
#随机获得中心点的X轴坐标
C_x=np.random.randint(0,np.max(X),size=K)
#随机获得中心点的Y轴坐标
C_y=np.random.randint(0,np.max(X)-50,size=K)
C=np.array(list(zip(C_x,C_y)),dtype=np.float32)
#将初始化中心点画到输入的样例数据上
plt.scatter(MEAN,STD,c='black',s=50)
plt.scatter(C_x,C_y,marker='*',s=100,c='red')
#用于保存中心点更新前的坐标
C_old=np.zeros(C.shape)
print(C)
#用于保存数据所属中心点
clusters=np.zeros(len(X))
#迭代标识位,通过计算新旧中心点的距离
iteration_flag=dist(C,C_old,1)
tmp=1
#若中心点不再变化或循环次数不超过20次(此限制可取消),则退出循环
while iteration_flag.any()!=0and tmp<20:
#循环计算出每个点对应的最近中心点
for i in range(len(X)):
#计算出每个点与中心点的距离
distances=dist(X[i],C,1)
#print(distances)
#记录0-K-1个点中距离近的点
cluster=np.argmin(distances)
#记录每个样例点与哪个中心点距离最近
clusters[i]=cluster
直到得到K类配电变压器参量集。
步骤04:特征提取以及特征向量构建
根据分类结果,构建K维特征向量,共提供多种类似性参量评估组合,该种方法降低了数据的维度,但提供了多种分析模型的选择。
特征的提取过程对不同参量的相关性做了深入的分析,同类参量相似度进行了定量的刻画,不同类别的参量实现了特征的区别,以及不同特性的组合方式,该种特征提取方式灵活、多样。
步骤05:构建电气参量趋势向量与趋势矩阵
构造各参量趋势向量,以参量j为例从(i-1)~i时刻的变化趋势定义为:
由于各参量的数值赋值区别较大,为避免数值变化幅度对趋势特性的影响,仅用1,0,-1描述各参量变化趋势,进行统一的处理。
按上述方法,可构建电气参量趋势向量与趋势矩阵,这里不再赘述。
步骤06:构建电气参量趋势相似度矩阵
根据各电气参量趋势向量,计算趋势相似度,构建趋势相似矩阵。本实施例选取余弦相似度刻画趋势相似性。
上述为各参量间趋势相似度的计算,根据各参量间趋势相似度可构建趋势相似矩阵,这里不再赘述。
步骤07:单台配电变压器电气状态
电气状态的定量描述分为两方面,偏离性以及稳定性。计算特征向量中各参量构造的偏离以及稳定指数:ψ、ζ,具体算法不再重复。选取6台配电变压器进行电气状态描述,绘制二维散点图,进行两种状态可视化描述与分析,如图6所示。
步骤08:多台配电变压器电气状态对比
虽然多台配电变压器的状态也可进行如图6的描述,但为了更为精确,多台配电变压器电气状态的比较需用统一的指标来描述,利用平方根的方式组合偏离以及稳定指数,得到统一的电气综合状态指标α,利用α进行多台配电变压器电气状态的比较。
实施例3:
基于同一发明构思,本发明还提供了一种配电变压器电气状态评估系统,如图7所示。
该系统包括:云模型模块、分类模块、状态指数模块和评估模块;
所述云模型模块,用于基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度;
所述分类模块,用于基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,并从每类中分别提取一个电气参量构建配电变压器电气特征向量;
所述状态指数模块,用于基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数;
所述评估模块,用于依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估;或依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估。
其中,云模型模块包括:归一化单元、云特征值单元和偏离离散单元;
所述归一化单元,用于对所述各电气参量数据进行归一化;
所述云特征值单元,用于利用云模型的逆向云,计算归一化处理后各电气参量的云特征值;
所述偏离离散单元,用于依据所述各电气参量的云特征值,计算各电气参量的偏离度和离散度。
其中,所述各电气参量的偏离度,按下式计算:
Lj=En'j/Ex'j
式中,Lj为电气参量j的偏离度,En'j为电气参量j的熵,Ex'j为电气参量j的期望;
所述各电气参量的离散度,按下式计算:
Dj=Hej’
式中,Dj为电气参量j的离散度,He'j为电气参量j的超熵。
所述基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,具体可以包括:
基于各电气参量的偏离度和离散度,构建各电气参量偏离特征向量和离散特征向量;
根据所述各电气参量偏离特征向量和离散特征向量,绘制各电气参量的二维特征散点图,并利用K-means对电气参量进行分类。
所述状态指数模块,包括:相似度单元、偏离状态指数单元和稳定状态指数单元;
所述相似度单元,用于在所述配电变压器电气特征向量中构建一段时间内各电气参量的变化趋势向量,并根据所述各电气参量变化趋势向量计算配电变压器的特征向量中各电气参量间变化趋势的相似度;
所述偏离状态指数单元,用于基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的偏离度,计算配电变压器偏离状态指数;
所述稳定状态指数单元,用于基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的离散度,计算配电变压器稳定状态指数。
其中,所述配电变压器的特征向量中电气参量间变化趋势的相似度,按下式计算:
式中,为配电变压器的特征向量中第g类电气参量与第h类电气参量间变化趋势的余弦相似度,t为时间,为配电变压器的特征向量中第g类电气参量在i时刻的趋势变化向量,为配电变压器的特征向量中第h类电气参量在i时刻的趋势变化向量。
所述配电变压器偏离状态指数,按下式计算:
所述配电变压器稳定状态指数,按下式计算:
所述评估模块包括,单台评估单元和多台评估单元;
所述单台评估单元,用于依据所述配电变压器偏离状态指数、配电变压器稳定状态指数、配电变压器的特征向量种类数、电气参量平均偏离度和离散度,对当前时刻的单台配电变压器进行电气状态评估。
其中,所述电气参量平均偏离度,按下式计算:
所述电气参量平均离散度,按下式计算:
所述多台评估单元,用于依据各台配电变压器偏离状态指数和稳定状态指数,计算各台配电变压器的电气综合状态指标,并基于所述各台配电变压器的电气综合状态指标、配电变压器的特征向量种类数、电气参量平均偏离度和离散度,对当前时刻的多台配电变压器中的每台配电变压器进行电气状态评估。
所述各台配电变压器的电气综合状态指标,按下式计算:
式中,αu为配电变压器u的电气综合状态指标,ψu为配电变压器u的偏离状态指数,ζu为配电变压器u的稳定状态指数。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (16)
1.一种配电变压器电气状态评估方法,其特征在于,包括:
基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度;
基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,并从每类中分别提取一个电气参量构建配电变压器电气特征向量;
基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数;
依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估;或依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估。
2.如权利要求1所述的方法,其特征在于,所述基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度,包括:
对所述各电气参量数据进行归一化;
利用云模型的逆向云,计算归一化处理后各电气参量的云特征值;
依据所述各电气参量的云特征值,计算各电气参量的偏离度和离散度。
3.如权利要求2所述的方法,其特征在于,所述各电气参量的偏离度,按下式计算:
Lj=En′j/Ex′j
式中,Lj为电气参量j的偏离度,En′j为电气参量j的熵,Ex′j为电气参量j的期望;
所述各电气参量的离散度,按下式计算:
Dj=Hej’
式中,Dj为电气参量j的离散度,He′j为电气参量j的超熵。
4.如权利要求1所述的方法,其特征在于,所述基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,包括:
基于各电气参量的偏离度和离散度,构建各电气参量偏离特征向量和离散特征向量;
根据所述各电气参量偏离特征向量和离散特征向量,绘制各电气参量的二维特征散点图,并利用K-means对电气参量进行分类。
5.如权利要求1所述的方法,其特征在于,所述基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数,包括:
在所述配电变压器电气特征向量中构建一段时间内各电气参量的变化趋势向量,并根据所述各电气参量变化趋势向量计算配电变压器的特征向量中各电气参量间变化趋势的相似度;
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的偏离度,计算配电变压器偏离状态指数;
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的离散度,计算配电变压器稳定状态指数。
9.如权利要求1所述的方法,其特征在于,所述依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估,包括:
依据所述配电变压器偏离状态指数、配电变压器稳定状态指数、配电变压器的特征向量种类数、电气参量平均偏离度和离散度,对当前时刻的单台配电变压器进行电气状态评估。
12.如权利要求1所述的方法,其特征在于,所述依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估,包括:
依据各台配电变压器偏离状态指数和稳定状态指数,计算各台配电变压器的电气综合状态指标;
基于所述各台配电变压器的电气综合状态指标、配电变压器的特征向量种类数、电气参量平均偏离度和离散度,对当前时刻的多台配电变压器中的每台配电变压器进行电气状态评估。
15.一种配电变压器电气状态评估系统,其特征在于,包括:云模型模块、分类模块、状态指数模块和评估模块;
所述云模型模块,用于基于获取的当前时刻前一段时间的配电变压器各电气参量数据,利用云模型确定各电气参量的偏离度和离散度;
所述分类模块,用于基于各电气参量的偏离度和离散度,对所述各电气参量进行分类,并从每类中分别提取一个电气参量构建配电变压器电气特征向量;
所述状态指数模块,用于基于所述各电气参量的偏离度、离散度和配电变压器电气特征向量,计算配电变压器偏离状态指数和稳定状态指数;
所述评估模块,用于依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的单台配电变压器的电气状态进行评估;或依据所述配电变压器偏离状态指数和稳定状态指数,对当前时刻的多台配电变压器的电气状态进行评估。
16.如权利要求15所述的系统,其特征在于,所述状态指数模块具体包括:
在所述配电变压器电气特征向量中构建一段时间内各电气参量的变化趋势向量,并根据所述各电气参量变化趋势向量计算配电变压器的特征向量中各电气参量间变化趋势的相似度;
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的偏离度,计算配电变压器偏离状态指数;
基于所述配电变压器的特征向量中各电气参量间变化趋势的相似度和各电气参量的离散度,计算配电变压器稳定状态指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045076.2A CN113887565A (zh) | 2021-09-07 | 2021-09-07 | 一种配电变压器电气状态评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045076.2A CN113887565A (zh) | 2021-09-07 | 2021-09-07 | 一种配电变压器电气状态评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887565A true CN113887565A (zh) | 2022-01-04 |
Family
ID=79008516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111045076.2A Pending CN113887565A (zh) | 2021-09-07 | 2021-09-07 | 一种配电变压器电气状态评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887565A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577680A (zh) * | 2023-07-13 | 2023-08-11 | 无锡大派电子有限公司 | 一种锂电池析锂检测方法及其装置 |
-
2021
- 2021-09-07 CN CN202111045076.2A patent/CN113887565A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577680A (zh) * | 2023-07-13 | 2023-08-11 | 无锡大派电子有限公司 | 一种锂电池析锂检测方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543203B (zh) | 一种基于随机森林的建筑冷热负荷预测方法 | |
Hong et al. | High-dimensional time series clustering via cross-predictability | |
CN109445936A (zh) | 一种云计算负载聚类方法、系统及电子设备 | |
CN117113235B (zh) | 一种云计算数据中心能耗优化方法及系统 | |
CN113887565A (zh) | 一种配电变压器电气状态评估方法和系统 | |
CN109490228A (zh) | 一种服务器机柜控制系统及控制方法 | |
CN116629843B (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
CN116700955A (zh) | 作业处理方法、装置、计算机设备及可读存储介质 | |
Sun et al. | Fuzzy clustering algorithm-based classification of daily electrical load patterns | |
CN115509877A (zh) | 一种信息系统性能效率的评估方法 | |
CN115481767A (zh) | 面向配电网检修的运行数据处理方法、装置和计算机设备 | |
Zhang et al. | Reduction of workflow resource consumption using a density-based clustering model | |
CN110263811B (zh) | 一种基于数据融合的设备运行状态监测方法及系统 | |
CN112784435A (zh) | 一种基于性能事件计数和温度的gpu实时功率建模方法 | |
CN111985826A (zh) | 一种多指标工业产品的可视化质量分级方法和系统 | |
Shi et al. | A Framework of Point Cloud Simplification Based on Voxel Grid and Its Applications | |
CN117913796A (zh) | 电力经济耦合协调关系确定方法、装置、设备和存储介质 | |
Jiang et al. | Srgm decision model considering cost-reliability | |
CN116884518B (zh) | 基于预测压缩的碳纳米颗粒浆料生产数据处理方法 | |
Devi | Software fault prediction with metric threshold using clustering algorithm | |
Rui et al. | Digital information mining technology based on principal component analysis | |
Huang et al. | Power Consumption Behavior Analysis of Power Big Data Based on Cluster Analysis | |
CN113705920B (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
CN113723835B (zh) | 火电厂用水评估方法和终端设备 | |
CN115599195B (zh) | 一种基于cuda性能计数器的gpu能耗预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |