CN114077921B - 变压器感知量趋势预测及状态逐级预警方法、装置及系统 - Google Patents
变压器感知量趋势预测及状态逐级预警方法、装置及系统 Download PDFInfo
- Publication number
- CN114077921B CN114077921B CN202111201667.4A CN202111201667A CN114077921B CN 114077921 B CN114077921 B CN 114077921B CN 202111201667 A CN202111201667 A CN 202111201667A CN 114077921 B CN114077921 B CN 114077921B
- Authority
- CN
- China
- Prior art keywords
- predicted
- perception
- trend
- historical
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008447 perception Effects 0.000 claims abstract description 185
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变压器感知量趋势预测及状态逐级预警方法、装置及系统,所述方法包括根据感知量数据波动程度,确定出第一待预测历史感知量数据;确定相似负荷采样时间段,取相似负荷采样时间段的感知量数据,并根据所取感知量数据波动程度,确定出第二待预测历史感知量数据;对所述第一待预测历史感知量数据和第二待预测历史感知量数据进行数列变换,并计算得到第一趋势预测结果和第二趋势预测结果;从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,给出相应预警信息。本发明能够实现电力变压器状态的提前告警功能,降低故障发生的几率,提高设备使用寿命及电网稳定性。
Description
技术领域
本发明属于电力设备状态评估技术领域,具体涉及一种变压器感知量趋势预测及状态逐级预警方法、装置及系统。
背景技术
电力变压器是电力系统中电压变换、能量转换、传输的核心设备,其安全运行对供电保证及电网稳定至关重要。目前,我国超长运行年限的变压器日益增多,这些变压器普遍存在设备老化、绝缘降低、抗冲击能力弱等问题,发生事故的概率大幅增加,并极有可能造成设备和人员损失,因此导致的停电损失甚至会产生严重的社会影响。目前变压器状态评估技术大多数都是基于变压器预防性试验的,缺少时效性,而在线检测技术时效性虽有提高,但预留故障的有效处理时间仍显不足。因此,对电力变压器状态预测、预警方法的深入研究,对指导变压器运行维护和状态检修,降低故障发生几率,具有重要的理论和实际意义。
发明内容
针对上述问题,本发明提出一种变压器感知量趋势预测及状态逐级预警方法、装置及系统,能够实现电力变压器状态的提前告警功能,降低故障发生的几率,提高设备使用寿命及电网稳定性。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种变压器感知量趋势预测及状态逐级预警方法,包括:
根据感知量数据波动程度,确定出第一待预测历史感知量数据;
确定相似负荷采样时间段,取相似负荷采样时间段的感知量数据,并根据所取感知量数据波动程度,确定出第二待预测历史感知量数据;
对所述第一待预测历史感知量数据和第二待预测历史感知量数据进行数列变换,并计算得到第一趋势预测结果和第二趋势预测结果;
从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,给出相应预警信息。
可选地,所述第二待预测历史感知量数据的确定方法包括以下步骤:
根据最后时刻的负荷数据,按采样时间在负荷历史数据库进行回溯,查找负荷波动在规定范围内且时间连续的相似负荷数据,并记录对应相似负荷采样时间段;
取相似负荷采样时间段内的感知量数据,根据感知量数据波动程度,选取第二待预测历史感知量数据,所述第二待预测历史感知量数据个数应大于约定限值。
可选地,根据感知量数据波动程度,确定出第一待预测历史感知量数据或第二待预测历史感知量数据,具体包括以下步骤:
计算出感知量数据波动率;
基于所述感知量数据波动率,以及预设的数据选取规则,选取第一待预测历史感知量数据。
可选地,所述感知量数据波动率通过以下计算公式获得:
所述数据选取规则为:
可选地,所述第一趋势预测结果和第二趋势预测结果的计算方法相同,均包括以下步骤:
基于所述第一待预测历史感知量数据或第二待预测历史感知量数据,重复预设的预测步骤,直到得到所有预测值;
所述预设的预测步骤具体为:
当待预测历史感知量数据的数量大于预设值时,基于所述待预测感知量历史数据集形成合成矩阵,所述合成矩阵中的元素为求和变换值,对应计算公式为:
其中,Sk为求和变换值,k为求和变换值的编号,Di为历史数据,i为历史数据的编号;
基于所述合成矩阵,计算出第一趋势预测系数w1和第二趋势预测系数w2;所述第一趋势预测系数和第一趋势预测系数的计算公式为:
基于所述第一趋势预测系数w1和第二趋势预测系数w2,经过数列变换得到趋势数列,所述趋势数列中的趋势数列元素Tk的表达式为:
基于所述趋势数列,生成求差数列,所述求差数列的最后一个元素即为趋势值,所述求差数列中的求差数列元素F的表达式为:
Fk=Tk-Tk-1 1≤k≤n+1
将所述预测值更新至原待预测历史感知量数据,并剔除原待预测历史感知量数据中的第一个数据。
可选地,所述从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,并给出相应预警信息,具体包括以下步骤:
分别提取第一趋势预测结果和第二趋势预测结果中同一时刻的感知量预测值;
将所述感知量预测值与约定限值做比较,若感知量预测值低于下限,则判定该感知量状态为正常;若感知量预测值高于上限,则判定该感知量状态为越限;若感知量预测值高于下限,且低于上限,则判定该感知量状态为注意;
当第一趋势预测结果中的感知量预测值未越限,且第二趋势预测结果中的感知量预测值越限时,评估结果取第二趋势预测结果中感知量预测值及预测状态;
当第一趋势预测结果中的感知量预测值越限,且第二趋势预测结果中的感知量预测值未越限时,或当第一趋势预测结果和第二趋势预测结果中的感知量预测值均越限时,评估结果取第一趋势预测结果中的感知量预测值及预测状态。
可选地,所述从所述第一趋势预测结果和第二趋势预测结果中获得各设备对应的感知量预测值,对各设备状态进行评估,并给出相应预警信息,具体包括以下步骤:
将感知量预测值评估结果与约定比较时间段历史感知量数据做变化率计算,若感知量变化率高于约定限值,该判定该感知量状态为增长率过快,所述变化率的表达式为:
其中,δ为感知量增长率,x为约定比较时间段,Dn为历史感知量数据。
可选地,所述从所述第一趋势预测结果和第二趋势预测结果中获得各设备对应的感知量预测值,对各设备状态进行评估,并给出相应预警信息,具体包括以下步骤:
将各感知量预测值评估结果按部件类型进行分组处理,所述部件组采用ID形式编号;在部件组中,通过比例折算构建关联度矩阵,关联度矩阵元素Pi,j的表达式为:
其中,i为行号,j为列号,Gi、Gj为感知量评分;
根据所述关联度矩阵计算各感知量评分的重要度,并构建重要度矩阵,所述重要度矩阵元素的表达式为:
其中,Qi为感知量重要度权重,m为感知量预测值总数;
基于重要度矩阵,计算出重要度权重,所述重要度权重的表达式为:
基于感知量评分和重要度,计算出变压器部件评分,所述部件评分的表达式为:
部件评分=∑(感知量评分×重要度权重)
第二方面,本发明提供了一种变压器感知量趋势预测及状态逐级预警装置,包括:
第一待预测历史感知量数据确定模块,用于根据感知量数据波动程度,确定出待预测历史感知量数据;
第二待预测历史感知量数据确定模块,确定相似负荷采样时间段,取相似负荷采样时间段的历史感知量数据作为第二待预测历史感知量数据;
预测模块,用于对所述第一待预测历史感知量数据和第二待预测历史感知量数据进行数列变换,并计算得到第一趋势预测结果和第二趋势预测结果;
预警模块,用于从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,给出相应预警信息。
第三方面,本发明提供了一种变压器感知量趋势预测及状态逐级预警系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。
与现有技术相比,本发明的有益效果:
本发明提出根据历史感知量数据波动程度,选取待预测数据,并根据负荷波动率确定相似负荷采集时间段,同时,采用数列变换和矩阵运算方法对感知量变化趋势进行预测计算,有效提高了感知量预测值的准确度。
本发明采用变压器和部件状态的逐级评估方法,通过计算对应感知量评分、构建关联度矩阵,计算对应感知量重要度权重,并采用等位图方式展示,可以直观有效的判别变压器及各部件的运行状态,为相关故障预警提供了有力支持。
综上所述,本发明有效提高了电力变压器状态的预测能力,延长了预留故障的有效处理时间,对指导变压器运行维护和状态检修,降低故障发生几率,具有重要应用价值。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为变压器感知量趋势预测及设备状态预警方法流程图;
图2为相似负荷时间段确定方法流程图;
图3为变压器感知量待预测数据选取方法流程图;
图4为变压器状态逐级评估方法流程图;
图5为变压器部件组示意图;
图6为变压器部件评分等位图展示示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
如图1所示,本发明实施例中提供一种变压器感知量趋势预测及设备状态预警方法,具体包括以下步骤:
根据感知量数据波动程度,确定出第一待预测历史感知量数据;
确定相似负荷采样时间段,取相似负荷采样时间段的感知量数据,并根据所取感知量数据波动程度,确定出第二待预测历史感知量数据;
对所述第一待预测历史感知量数据和第二待预测历史感知量数据进行数列变换,并计算得到第一趋势预测结果和第二趋势预测结果;
从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,给出相应预警信息。
如图3所示,在本发明实施例的一种具体实施方式中,所述根据感知量数据波动程度,确定出第一待预测历史感知量数据,具体包括以下步骤:提取历史感知量数据;计算各历史感知量数据的波动率;统计不同波动程度数据个数;根据波动情况选取感知量数据;输出待预测历史数据。更具体地包括以下步骤:
分别计算各历史感知量数据波动程度,并根据波动程度选取待预测量数据长度。对于波动非常小的感知量数据,待预测数据应选取最近一段时间历史数据的平均值。对于波动不大的感知量数据,待预测数据应选取全部历史数据。对于波动剧烈的感知量数据,待预测数据应选取最近一段时间的历史数据,其中,若所选历史数据波动非常小,则待预测数据应选取该段历史数据的平均值;
所述历史感知量数据波动程度通过感知量数据波动率来体现,所述感知量数据波动率可表示为:
所述待预测数据选取规则可表示为:
在本发明实施例的一种具体实施例中,所述第二待预测历史感知量数据的确定方法具体包括以下步骤:
根据最后时刻的负荷数据,按采样时间在负荷历史数据库进行回溯,查找负荷波动在规定范围内且时间连续的相似负荷数据,并记录对应相似负荷采样时间段,具体流程如图2所示;所述负荷数据波动率计算方法与感知量数据波动率计算方法相同。
所述负荷波动通过负荷波动率来表示,所述负荷波动率可表示为:
所述相似负荷采集时间段可表示为:
相似负荷时间段=[最早采集时间,当前采集时间] (4)
其中,当前采样时刻就是历史数据库储存最后一个数据对应的采样时间。
取相似负荷时间段内的历史感知量数据作为待预测数据,若该时间段待预测历史数据个数大于约定限值,根据上述数据选取规则确定第二待预测历史感知量数据。
若该时间段待预测历史数据个数小于约定限值,无需再次对预测数据进行选取。
在本发明实施例的一种具体实施方式中,对所述第一待预测历史感知量数据和第二待预测历史感知量数据进行数列变换,并计算得到第一趋势预测结果和第二趋势预测结果,具体包括:
基于所述第一待预测历史感知量数据或第二待预测历史感知量数据,重复预设的预测步骤,直到得到所有预测值;
所述预设的预测步骤具体为:
根据待预测历史感知量数据个数,选取不同计算模型,对于个数小于2的历史数据,原数据直接输出,其他情况,计算步骤如下:
对历史感知量数据依次相加,并除以-2,生成求和数列,其中,所述求和数列中的求和变换值可表示为:
其中,Sk为求和变换值,k为求和变换值的编号,Di为历史感知量数据,i为历史感知量的编号。
基于所述求和变换值形成合成矩阵,所述合成矩阵中的元素为求和变换值;
将合成矩阵元素做累加及数乘变换得到两个趋势系数,经过推导计算,所述两个趋势预测系数可表示为:
其中,w1、w2分别为第一、第二趋势预测系数。
所述中间变量可表示为:
根据两个趋势预测系数,经过数列变换得到趋势数列。其中,趋势数列元素为最初历史数据与第二和第一趋势预测系数之商的差,并乘以-k倍第一趋势预测系数的指数幂,再与第二和第一趋势预测系数之商之和。其中,所述趋势数列元素可表示为:
其中,Tk为预测数列元素。
对趋势数列依次相减,生成求差数列,该数列最后一个元素即为预测值。其中,求差数列可表示为:
Fk=Tk-Tk-1 1≤k≤n+1 (9)
其中,Fk为求差数列元素。
将预测值更新至原历史感知量数据并剔除历史感知量数据的第一个数据,重复上述步骤计算下一个预测值,直到得到所有预测值。
如图4所示,从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,对变压器状态进行逐级评估,并给出相应预警信息,具体包括:
分别提取第一趋势预测结果和第二趋势预测结果中同一时刻的感知量预测值;
将所述感知量预测值与约定限值做比较,若感知量预测值低于下限,则判定该感知量状态为正常;若感知量预测值高于上限,则判定该感知量状态为越限;若感知量预测值高于下限,且低于上限,则判定该感知量状态为注意;
对应感知量状态评价规则可表示为:
上述感知量预测值评估状态综合分析规则如下:
当第一趋势预测结果中的感知量预测值未越限,且第二趋势预测结果中的感知量预测值越限时,评估结果取第二趋势预测结果中感知量预测值及预测状态;
当第一趋势预测结果中的感知量预测值越限,且第二趋势预测结果中的感知量预测值未越限时,或当第一趋势预测结果和第二趋势预测结果中的感知量预测值均越限时,评估结果取第一趋势预测结果中的感知量预测值及预测状态。
将感知量预测值评估结果与约定比较时间段历史感知量数据做变化率计算,若感知量变化率高于约定限值,该感知量状态为增长率过快。其他情况,该感知量状态为增长率正常。对应感知量增长率计算方法可表示为:
其中,δ为感知量增长率,x为约定比较时间段。
将各感知量按部件类型进行分组处理,如图5所示,所述部件组采用ID形式编号。
部件组={“文本”}or{ID}(12)
根据变压器各感知量预测值,对变压器状态进行逐级评估,并给出相应预警信息,具体包括:
在各部件组中,根据约定限值对感知量进行打分,若预测值低于下限,该感知量评分为1。若预测值高于上限,该感知量评分为0。其他情况,该感知量评分为上限与预测值之差占上下限之差的比值,同时,将所有感知量评分结果分别存放在对应部件组中。对应感知量评分规则可表示为:
在部件组中,通过比例折算构建关联度矩阵,其中关联度矩阵元素为该感知量与关联感知量评分比值的倒数与1之和的-1次方。其中,对应关联度矩阵元素可表示为:
其中,Pi,j为关联度矩阵元素,i为行号,j为列号,Gi、Gj为对应感知量评分。
根据所述关联度矩阵计算对应感知量评分的重要度,并构建相应重要度矩阵,其中重要度矩阵元素为该感知量自关联度分别与感知量关联度之差并于m之和乘积的2m的m次方分之一。其中,对应重要度矩阵元素可表示为:
其中,Qi为重要度矩阵元素,m为感知量总数。
将重要度矩阵元素归一化,对应感知量权重为该感知量重要度的m次方与所有感知量重要度m次方之和的百分比。其中,对应权重计算方法可表示为:
其中,Ri为感知量重要度权重。
根据变压器各感知量预测值,对变压器状态进行逐级评估,并给出相应预警信息,具体包括:
对应部件评分为部件组中各感知量评分结果与对应权重乘积之和。重复上述步骤,得到所有部件评分,并以等位图的方式展示,同时根据评分,给出变压器部件状态预警信息。
其中,变压器部件评分可表示为:
部件评分=∑(感知量评分×重要度权重) (17)
所述各感知量评分结果应结合相似工况预测值进行综合分析,若仅有相似工况评分越限,则该感知量评分应采用相似工况预测值,其他情况下,均直接采用对应感知量预测值。
如图6所示,所述等位图由顶点和等位线和评分线构成。其中,顶点表示为变压器部件评分,等位线为变压器部件相同评分对应顶点顺次连接起来的虚线,评分线为变压器部件实际评分对应顶点顺次连接起来的实线,所构成多边形的每个角代表一个部件。
所述变压器部件状态预警信息以“部件名称”加“状态描述”所组成。
将所有部件评分视为变压器感知量的评分,重复上述步骤即可得到变压器整体评分,并根据评分,给出变压器状态预警信息。
所述变压器状态预警信息以“变压器整体评分”加“状态描述”所组成。
实施例2
基于与实施例1相同的发明构思,本发明实施例中提供了一种变压器感知量趋势预测及状态逐级预警装置,包括:
第一待预测历史感知量数据确定模块,用于根据感知量数据波动程度,确定出待预测历史感知量数据;
第二待预测历史感知量数据确定模块,确定相似负荷采样时间段,取相似负荷采样时间段的历史感知量数据作为第二待预测历史感知量数据;
预测模块,用于对所述第一待预测历史感知量数据和第二待预测历史感知量数据进行数列变换,并计算得到第一趋势预测结果和第二趋势预测结果;
预警模块,用于从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,给出相应预警信息。
实施例3
基于与实施例1相同的发明构思,本发明实施例中提供了一种变压器感知量趋势预测及状态逐级预警系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述的方法。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种变压器感知量趋势预测及状态逐级预警方法,其特征在于,包括:
根据感知量数据波动程度,确定出第一待预测历史感知量数据;
确定相似负荷采样时间段,取相似负荷采样时间段的感知量数据,并根据所取感知量数据波动程度,确定出第二待预测历史感知量数据;
对所述第一待预测历史感知量数据和第二待预测历史感知量数据进行数列变换,并计算得到第一趋势预测结果和第二趋势预测结果;
从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,给出相应预警信息。
2.根据权利要求1所述的一种变压器感知量趋势预测及状态逐级预警方法,其特征在于,所述第二待预测历史感知量数据的确定方法包括以下步骤:
根据最后时刻的负荷数据,按采样时间在负荷历史数据库进行回溯,查找负荷波动在规定范围内且时间连续的相似负荷数据,并记录对应相似负荷采样时间段;
取相似负荷采样时间段内的感知量数据,根据感知量数据波动程度,选取第二待预测历史感知量数据,所述第二待预测历史感知量数据个数应大于约定限值。
3.根据权利要求2所述的一种变压器感知量趋势预测及状态逐级预警方法,其特征在于,根据感知量数据波动程度,确定出第一待预测历史感知量数据或第二待预测历史感知量数据,具体包括以下步骤:
计算出感知量数据波动率;
基于所述感知量数据波动率,以及预设的数据选取规则,选取第一待预测历史感知量数据。
5.根据权利要求1所述的一种变压器感知量趋势预测及状态逐级预警方法,其特征在于,所述第一趋势预测结果和第二趋势预测结果的计算方法相同,均包括以下步骤:
基于所述第一待预测历史感知量数据或第二待预测历史感知量数据,重复预设的预测步骤,直到得到所有预测值;
所述预设的预测步骤具体为:
当待预测历史感知量数据的数量大于预设值时,基于所述待预测历史感知量数据形成合成矩阵,所述合成矩阵中的元素为求和变换值,对应计算公式为:
其中,Sk为求和变换值,k为求和变换值的编号,Di为历史数据,i为历史数据的编号;
基于所述合成矩阵,计算出第一趋势预测系数w1和第二趋势预测系数w2;所述第一趋势预测系数和第二趋势预测系数的计算公式为:
基于所述第一趋势预测系数w1和第二趋势预测系数w2,经过数列变换得到趋势数列,所述趋势数列中的趋势数列元素Tk的表达式为:
基于所述趋势数列,生成求差数列,所述求差数列的最后一个元素即为趋势值,所述求差数列中的求差数列元素F的表达式为:
Fk=Tk-Tk-1 1≤k≤n+1
将所述预测值更新至原待预测历史感知量数据,并剔除原待预测历史感知量数据中的第一个数据。
6.根据权利要求5所述的一种变压器感知量趋势预测及状态逐级预警方法,其特征在于,所述从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,并给出相应预警信息,具体包括以下步骤:
分别提取第一趋势预测结果和第二趋势预测结果中同一时刻的感知量预测值;
将所述感知量预测值与约定限值做比较,若感知量预测值低于下限,则判定该感知量状态为正常;若感知量预测值高于上限,则判定该感知量状态为越限;若感知量预测值高于下限,且低于上限,则判定该感知量状态为注意;
当第一趋势预测结果中的感知量预测值未越限,且第二趋势预测结果中的感知量预测值越限时,评估结果取第二趋势预测结果中感知量预测值及预测状态;
当第一趋势预测结果中的感知量预测值越限,且第二趋势预测结果中的感知量预测值未越限时,或当第一趋势预测结果和第二趋势预测结果中的感知量预测值均越限时,评估结果取第一趋势预测结果中的感知量预测值及预测状态。
8.根据权利要求1所述的一种变压器感知量趋势预测及状态逐级预警方法,其特征在于:
所述从所述第一趋势预测结果和第二趋势预测结果中获得各设备对应的感知量预测值,对各设备状态进行评估,并给出相应预警信息,具体包括以下步骤:
将各感知量预测值评估结果按部件类型进行分组处理,所述部件组采用ID形式编号;
在部件组中,通过比例折算构建关联度矩阵,关联度矩阵元素Pi,j的表达式为:
其中,i为行号,j为列号,Gi、Gj为感知量评分;
根据所述关联度矩阵计算各感知量评分的重要度,并构建重要度矩阵,所述重要度矩阵元素的表达式为:
其中,Qi为感知量重要度权重,m为感知量预测值总数;
基于重要度矩阵,计算出重要度权重,所述重要度权重的表达式为:
基于感知量评分和重要度,计算出变压器部件评分,所述部件评分的表达式为:
部件评分=∑(感知量评分×重要度权重)。
9.一种变压器感知量趋势预测及状态逐级预警装置,其特征在于,包括:
第一待预测历史感知量数据确定模块,用于根据感知量数据波动程度,确定出待预测历史感知量数据;
第二待预测历史感知量数据确定模块,确定相似负荷采样时间段,取相似负荷采样时间段的历史感知量数据作为第二待预测历史感知量数据;
预测模块,用于对所述第一待预测历史感知量数据和第二待预测历史感知量数据进行数列变换,并计算得到第一趋势预测结果和第二趋势预测结果;
预警模块,用于从所述第一趋势预测结果和第二趋势预测结果中获得变压器中各设备对应的感知量预测值,对各设备状态进行评估,给出相应预警信息。
10.一种变压器感知量趋势预测及状态逐级预警系统,其特征在于,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201667.4A CN114077921B (zh) | 2021-10-15 | 2021-10-15 | 变压器感知量趋势预测及状态逐级预警方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201667.4A CN114077921B (zh) | 2021-10-15 | 2021-10-15 | 变压器感知量趋势预测及状态逐级预警方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114077921A CN114077921A (zh) | 2022-02-22 |
CN114077921B true CN114077921B (zh) | 2023-03-31 |
Family
ID=80283407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111201667.4A Active CN114077921B (zh) | 2021-10-15 | 2021-10-15 | 变压器感知量趋势预测及状态逐级预警方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114077921B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511245A (zh) * | 2022-02-24 | 2022-05-17 | 国电南瑞科技股份有限公司 | 一种集控系统的多变压器状态多维评估展示方法、系统、存储介质及计算设备 |
CN118152970B (zh) * | 2024-05-11 | 2024-07-26 | 国网山东省电力公司烟台供电公司 | 一种基于边缘计算算法的设备状态趋势感知方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400310A (zh) * | 2013-08-08 | 2013-11-20 | 华北电力大学(保定) | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
CN110472777A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于经验模态分解的微电网短期负荷预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105826921B (zh) * | 2016-05-26 | 2017-04-12 | 广东电网有限责任公司佛山供电局 | 一种基于变压器运行数据的配电网负荷预测方法及系统 |
JP6782606B2 (ja) * | 2016-10-13 | 2020-11-11 | アズビル株式会社 | トレンド予測装置および負荷予測装置 |
CN107591800B (zh) * | 2017-09-04 | 2020-01-17 | 国网江苏省电力公司南京供电公司 | 基于场景分析的含分布式电源配电网运行状态预测方法 |
CN109031014B (zh) * | 2017-12-28 | 2020-08-14 | 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 |
CN109214948A (zh) * | 2018-09-25 | 2019-01-15 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN112508261B (zh) * | 2020-12-03 | 2021-09-03 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
-
2021
- 2021-10-15 CN CN202111201667.4A patent/CN114077921B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400310A (zh) * | 2013-08-08 | 2013-11-20 | 华北电力大学(保定) | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
CN110472777A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于经验模态分解的微电网短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114077921A (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114077921B (zh) | 变压器感知量趋势预测及状态逐级预警方法、装置及系统 | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN106373025A (zh) | 基于离群点检测的用电信息采集系统实时防窃电监测方法 | |
CN113935562A (zh) | 一种电力设备健康状况智能评级与自动预警方法 | |
CN113156917A (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN114239681A (zh) | 变压器健康指数评估方法、装置、计算机设备和存储介质 | |
CN114444972B (zh) | 基于图神经网络的电力变压器健康状态评估方法 | |
CN104020401A (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
CN113592359B (zh) | 电力变压器的健康度评价方法和装置 | |
CN106845728B (zh) | 一种电力变压器缺陷的预测方法及装置 | |
Kaylani et al. | Component-level failure analysis using multi-criteria hybrid approach to ensure reliable operation of wind turbines | |
CN114154779A (zh) | 一种基于emd-som的健康评估与故障诊断方法及系统 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
CN102722660B (zh) | 空气击穿电压的预测方法与装置 | |
CN115660507B (zh) | 一种地区电力的负荷智能检测方法及系统 | |
CN116910658A (zh) | 一种基于多头注意力机制的非侵入式负荷识别方法及系统 | |
CN107328994A (zh) | 变压器绝缘电阻试验装置及方法 | |
CN112506982A (zh) | 一种线路和配变的最大负载预测的方法 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
CN111008779A (zh) | 一种基于多因素评估模型的变压器健康状态评估方法 | |
CN114565161A (zh) | 基于多时空维度数据融合的存储阶段故障预测与延寿方法 | |
Li et al. | Nonparametric kernel density estimation model of transformer health based on dissolved gases in oil | |
JP6818658B2 (ja) | 電力系統監視システム、電力系統監視方法、及びプログラム | |
CN112488360A (zh) | 基于人工智能的配变异常分析预警方法 |
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 |