CN114239681A - 变压器健康指数评估方法、装置、计算机设备和存储介质 - Google Patents

变压器健康指数评估方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114239681A
CN114239681A CN202111329200.8A CN202111329200A CN114239681A CN 114239681 A CN114239681 A CN 114239681A CN 202111329200 A CN202111329200 A CN 202111329200A CN 114239681 A CN114239681 A CN 114239681A
Authority
CN
China
Prior art keywords
transformer
evaluation
index
health
correction factor
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
CN202111329200.8A
Other languages
English (en)
Inventor
林其雄
段斐
汪创
吴彦伟
孙颖
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111329200.8A priority Critical patent/CN114239681A/zh
Priority to PCT/CN2021/131052 priority patent/WO2023082298A1/zh
Publication of CN114239681A publication Critical patent/CN114239681A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Housings And Mounting Of Transformers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种变压器健康指数评估方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：构建变压器两级评估评判体系，变压器两级评估评判体系包含目标层、事物层和特征层；基于变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；根据变压器健康修正因子对变压器初始健康指数进行修正，获取变压器修正健康指数。采用本方法能够提高对变压器健康状况评估的精度。

Description

变压器健康指数评估方法、装置、计算机设备和存储介质
技术领域
本申请涉及变压器检测技术领域，特别是涉及一种变压器健康指数评估方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电力变压器作为电网的枢纽设备，关系电网的安全稳定运行，是电网中最为昂贵和重要的部分。每年由于计划停电检修所产生的直接、间接费用数字庞大，其社会影响更是难以衡量。为了准确、高效地发现投运输变电设备的缺陷，减少故障率，降低运行风险。
对于变压器的检修，目前国内外采取状态检修的方式。这种检修方式依赖于针对电力设备健康状态与风险科学、全面地评估指标体系和计算方法。因此，对于电力变压器健康状况评估，是输变电设备全寿命周期评估中重要的环节。
现有技术中，大多数变压器健康指数计算方法都是基于内绝缘的状态情况评估的，存在一定的局限性，不能真实反映出变压器的健康状况。
发明内容
基于此，有必要针对上述技术问题，提供一种能够真实反映变压器健康状况的变压器健康指数评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种变压器健康指数评估方法。所述方法包括：
构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
在其中一个实施例中，所述基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度包括：
基于所述变压器两级评估评判体系确定模型经典域和变压器状态待评估物元，并构建变压器状态模型节域；
通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵；
基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度。
在其中一个实施例中，所述基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子包括：
获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数；
基于预设的幅值系数、老化系数和变压器的运行年限，获取运行年限修正因子；基于预设的修正系数获取不良工况修正因子。
在其中一个实施例中，所述根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数包括：
计算所述变压器初始健康指数与所述运行年限修正因子、所述不良工况修正因子的积，作为变压器修正健康指数。
在其中一个实施例中，所述通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵包括：
获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵；
基于各评价指标的标准化矩阵获取各评价指标的信息熵值；
基于各评价指标的信息熵值获取各评价指标的权重矩阵。
在其中一个实施例中，所述基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度包括：
基于各评价指标的信息熵值获取各评价指标的信息效用价值；
基于各评价指标的信息效用价值获取各评价指标的熵权值；
基于各评价指标的熵权值获取各评价指标的权重矩阵。
第二方面，本申请还提供了一种变压器健康指数评估装置。所述装置包括：
体系构建模块，用于构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
第一获取模块，用于基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
第二获取模块，用于基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
指数修正模块，用于根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，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以下步骤：
构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
上述变压器健康指数评估方法、装置、计算机设备、存储介质和计算机程序产品，构建变压器两级评估评判体系，变压器两级评估评判体系包含目标层、事物层和特征层，基于变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度，并基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子，最后根据变压器健康修正因子对变压器初始健康指数进行修正，获取变压器修正健康指数，通过变压器修正健康指数对变压器的健康状况进行评估，提高了对变压器健康状况评估的精度。
附图说明
图1为一个实施例中变压器健康指数评估方法的应用环境图；
图2为一个实施例中变压器健康指数评估方法的流程示意图；
图3为一个实施例中变压器两级评估评判体系组成示意图；
图4为一个实施例中变压器两级评估评判体系中事物层组成示意图；
图5为一个实施例中对变压器初始健康指数进行修正流程示意图；
图6为一个实施例中变压器健康指数评估装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的变压器健康指数评估方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
在一个实施例中，如图2所示，提供了一种变压器健康指数评估方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据。
其中，变压器设备的健康指数主要从理论寿命、老化进程、运行年限、当前状态四个方面来体现，变压器状态评估是一个多指标决策评估。图3为一个实施例中变压器两级评估评判体系组成示意图，如图3所示，变压器两级评估评判体系，指标体系由目标层、事物层和特征层三个层次构成，目标层是变压器运行状态的评估结果。事物层是变压器状态的一级评价因素，是从不同侧面或结构对目标层的具体描述；特征层是二级评价因素，主要由变压器的试验数据、监测数据、历史数据等组成；目标层包括良好、较好、注意、严重四个等级；图4为一个实施例中变压器两级评估评判体系中事物层组成示意图，如图4所示，事物层包括电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查。
具体地，电气试验分析包括绕组/套管绝缘电阻、绕组/套管电容值、绕组/套管介损值、绕组直流电阻、分接开关过渡电阻、分接开关机械性能、铁芯绝缘电阻；所述油色谱分析包括氢气含量、乙炔含量、总烃绝对产气速率、总烃含量、CO绝对产气速率。电气试验分析包括绕组/套管绝缘电阻、绕组/套管电容值、绕组/套管介损值、绕组直流电阻、分接开关过渡电阻、分接开关机械性能、铁芯绝缘电阻；所述油色谱分析包括氢气含量、乙炔含量、总烃绝对产气速率、总烃含量、CO绝对产气速率。
步骤204，基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度。
具体地，物元可拓原理是在多种已知的一般决策的比较和优选的基础上，根据各层次、各阶段产生的不相容的矛盾问题的需要，进而突破常规地、拓展性地采取创造性决策技巧，抓住关键策略，最大限度地满足主系统、不相容的矛盾转化为相容关系，从而实现全局性最佳决策目标的方法。基于变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，包括：确定模型经典域、确定变压器状态待评估物元、由待评物元构成变压器状态模型节域和利用熵权法确定各指标权重，通过变压器健康指数评价模型获取待评估物元关于各指标评价等级的关联度。
步骤206，基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子。
具体地，对于变压器绝缘状态健康指数，是根据绝缘状态评估结果，将绝缘状态对不同状态等级的关联度转化为得分值，对于不确定度，按照最坏情况考虑，即其加到劣化等级上，获取变压器初始健康指数。对于变压器绝缘部分的健康状态修正因子，变压器健康修正因子除了绝缘因素，还有一些涉及因素直接影响到变压器的老化速率，将这些因素分别组合，形成运行年限修正因子和不良工况修正因子。
步骤208，根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
具体地，根据变压器健康修正因子对变压器初始健康指数进行修正，获取变压器修正健康指数，并根据变压器修正健康指数评估变压器的健康状况。其中，不良工况修正因子是根据出口短路因子、过负荷因子和过励磁因子生成的。
上述变压器健康指数评估方法中，构建变压器两级评估评判体系，变压器两级评估评判体系包含目标层、事物层和特征层，基于变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度，并基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子，最后根据变压器健康修正因子对变压器初始健康指数进行修正，获取变压器修正健康指数，通过变压器修正健康指数对变压器的健康状况进行评估，提高了对变压器健康状况评估的精度。
在一个实施例中，所述基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度包括：
基于所述变压器两级评估评判体系确定模型经典域和变压器状态待评估物元，并构建变压器状态模型节域；
通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵；
基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度。
具体地，首先，基于变压器两级评估评判体系确定模型经典域：
Figure BDA0003348056210000081
其中，Nj代表变压器事物层物元所划分的第j个评价等级；Ci为该特征层中的第i个评价指标；Vji为Nj关于指标Ci所规定的量值范围，<aji,bji>，即经典域。
其次，对待评物元把获取得到的数据或分析的结果用物元R表示：
Figure BDA0003348056210000082
其中，p0为待评物元。
之后，由待评物元构成变压器状态模型节域：
Figure BDA0003348056210000091
其中，Nj中j＝{1,2,3,4}，分别为：良好、较好、注意、严重四个评价等级；p为评价等级的全体，vpi为p关于项目指标Ci所取的量值范围，即节域。
对于通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵。
首先，构建标准化矩阵，对于变压器健康指数评估，假定已获得m个指标Ci在n个阶段的初始数据矩阵V＝{vil}m×n，由于各指标量纲、数量级及指标优劣的取向均有很大差异，对各指标初始数据做标准化处理，并得到指标数据标准化矩阵V'。
其中，对各指标初始数据做标准化处理的公式为：
Figure BDA0003348056210000092
指标数据标准化矩阵V'获取公式为：
V′＝{v′ij}m×n
根据指标数据标准化矩阵V'获取得到第i项指标的信息熵值：
Figure BDA0003348056210000093
其中，k为常数，取值与系统样本数m相关。
对于一个信息完全无序的系统，有序度为零，其熵值最大，e＝1。
当n个阶段的数据均处于完全无序分布状态时，v’il＝1/n。
Figure BDA0003348056210000101
可得：k＝(ln m)-1，0≤e≤1。
信息熵ei可度量第i项指标信息(指标的数据)的效用价值，当信息完全无序时，ei＝1。此时，ei的信息(也就是第i项指标的数据所包含的信息)对综合评估的效用值为零。
某项评估指标的信息效用价值取决于该评估指标信息熵ei与1的差值hi，即：
hi＝1-ei
熵权法的本质是利用评估指标数据所包含的价值系数来估算指标权重。当指标价值系数越高时，对评估结论的重要性和贡献就越大，计算得到第i项评估指标的熵权为：
Figure BDA0003348056210000102
最后，各评价指标的权重矩阵为：μ＝[μ1,μ2,…,μm]，
Figure BDA0003348056210000103
基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度，具体包括：
Figure BDA0003348056210000104
Kj(vi)表示第i个特征关于第j个状态等级的关联度，用以描述待评估系统各指标关于四个评价等级j的归属程度，Kj(vi)≥0表示指标属于等级j，其值越大则此指标具有等级j的属性越多，ρ(vi,vji)、ρ(vi,vpi)分别表示点vi与区间vji和vpi的距。
对于待评估物元，其各等级j的关联度为：
Figure BDA0003348056210000111
其中：Kj(p0)是待评物元中各指标关于各等级的关联度在考虑指标重要性下的组合值，表示待评估物元p0属于集合K的程度。
本实施例中，基于变压器两级评估评判体系确定模型经典域和变压器状态待评估物元，并构建变压器状态模型节域，通过熵权法确定特征层中各评价指标的权重，获取各评价指标的权重矩阵，最后基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度，实现了对于各指标评价等级的关联度的获取，为进一步获取变压器初始健康指数和变压器健康修正因子以及获取变压器修正健康指数创造了条件。
在一个实施例中，所述基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子包括：
获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数；
基于预设的幅值系数、老化系数和变压器的运行年限，获取运行年限修正因子；基于预设的修正系数获取不良工况修正因子。
具体地，在基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子时，对于变压器初始健康指数的获取，是通过获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数。获取变压器初始健康指数的公式为：
HIa＝K1(p0)×10+K2(p0)×30+K3(p0)×50+K4(p0)×100+Kθ(p0)×100
其中，Kθ(p0)是不确定度，HIa为变压器初始健康指数，范围0-100，数值越大，状态越差(0～20为优秀，20～50为良好，50～80为注意，80～100为严重)。
对于运行年限修正因子的获取，是基于预设的幅值系数、老化系数和变压器的运行年限；运行年限修正因子通过以下公式获取：
a1＝AeBT
其中，a1运行年限修正系数；A为幅值系数；B为老化系数；根据专家经验文中A＝0.9531，B＝0.01917；T为变压器的运行年限。
对于不良工况修正因子是基于预设的修正系数获取，不良工况修正因子的获取公式为：
Figure BDA0003348056210000121
其中，a21、a22、a23均按照修正系数参考值来确定，不良工况每发生一次，根据其严重程度对健康指数分数扣除相应的分数，作为对最后得分的修正。
本实施例中，获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数；基于预设的幅值系数、老化系数和变压器的运行年限，获取运行年限修正因子；基于预设的修正系数获取不良工况修正因子，实现了对于变压器初始健康指数、运行年限修正因子和不良工况修正因子的获取，实现了对内绝缘的状态情况评估的修正，为进一步获取变压器修正健康指数创造了条件。
在一个实施例中，所述根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数包括：
计算所述变压器初始健康指数与所述运行年限修正因子、所述不良工况修正因子的积，作为变压器修正健康指数。
具体地，获取变压器修正健康指数时，计算变压器初始健康指数与运行年限修正因子、不良工况修正因子的积，作为变压器修正健康指数，图5为一个实施例中对变压器初始健康指数进行修正流程示意图，获取变压器修正健康指数的公式为：
TH＝HIa×a1×a2
其中，TH是变压器修正健康指数。
本实施例中，通过计算变压器初始健康指数与所述运行年限修正因子、不良工况修正因子的积，作为变压器修正健康指数，实现了对变压器初始健康指数的修正，提高了对变压器健康状况评估的精度。
在一个实施例中，所述通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵包括：
获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵；
基于各评价指标的标准化矩阵获取各评价指标的信息熵值；
基于各评价指标的信息熵值获取各评价指标的权重矩阵。
具体地，获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵，之后基于各评价指标的标准化矩阵获取各评价指标的信息熵值，某项评估指标的信息效用价值取决于该评估指标信息熵与1的差值，通过获取的某项评估指标的信息效用价值，最后基于各评价指标的信息熵值获取各评价指标的权重矩阵。
本实施例中，获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵，基于各评价指标的标准化矩阵获取各评价指标的信息熵值，基于各评价指标的信息熵值获取各评价指标的权重矩阵，实现了对于各评价指标的权重矩阵的获取，为进一步获取待评估物元关于各评价指标评价等级的关联度创造了条件。
在一个实施例中，所述基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度包括：
基于各评价指标的信息熵值获取各评价指标的信息效用价值；
基于各评价指标的信息效用价值获取各评价指标的熵权值；
基于各评价指标的熵权值获取各评价指标的权重矩阵。
具体地，基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度时，首先基于各评价指标的信息熵值获取各评价指标的信息效用价值，之后基于各评价指标的信息效用价值获取各评价指标的熵权值，最后基于各评价指标的熵权值获取各评价指标的权重矩阵。
本实施例中，基于各评价指标的信息熵值获取各评价指标的信息效用价值，以及基于各评价指标的信息效用价值获取各评价指标的熵权值，并基于各评价指标的熵权值获取各评价指标的权重矩阵，实现了对于各评价指标的权重矩阵的获取，有利于通过变压器修正健康指数对变压器的健康状况进行评估，提高对变压器健康状况评估的精度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的变压器健康指数评估方法的变压器健康指数评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个变压器健康指数评估装置实施例中的具体限定可以参见上文中对于变压器健康指数评估方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种变压器健康指数评估装置，包括：体系构建模块601、第一获取模块602、第二获取模块603和指数修正模块604，其中：
体系构建模块601，用于构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
第一获取模块602，用于基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
第二获取模块603，用于基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
指数修正模块604，用于根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
在一个实施例中，所述第一获取模块602，还用于：基于所述变压器两级评估评判体系确定模型经典域和变压器状态待评估物元，并构建变压器状态模型节域；通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵；基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度。
在一个实施例中，所述第二获取模块603，还用于：获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数；基于预设的幅值系数、老化系数和变压器的运行年限，获取运行年限修正因子；基于预设的修正系数获取不良工况修正因子。
在一个实施例中，所述指数修正模块604，还用于：计算所述变压器初始健康指数与所述运行年限修正因子、所述不良工况修正因子的积，作为变压器修正健康指数。
在一个实施例中，所述第一获取模块602，还用于：获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵；基于各评价指标的标准化矩阵获取各评价指标的信息熵值；基于各评价指标的信息熵值获取各评价指标的权重矩阵。
在一个实施例中，所述第一获取模块602，还用于：基于各评价指标的信息熵值获取各评价指标的信息效用价值；基于各评价指标的信息效用价值获取各评价指标的熵权值；基于各评价指标的熵权值获取各评价指标的权重矩阵。
上述变压器健康指数评估装置，构建变压器两级评估评判体系，变压器两级评估评判体系包含目标层、事物层和特征层，基于变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度，并基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子，最后根据变压器健康修正因子对变压器初始健康指数进行修正，获取变压器修正健康指数，通过变压器修正健康指数对变压器的健康状况进行评估，提高了对变压器健康状况评估的精度。
上述变压器健康指数评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种变压器健康指数评估方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于所述变压器两级评估评判体系确定模型经典域和变压器状态待评估物元，并构建变压器状态模型节域；通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵；基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数；基于预设的幅值系数、老化系数和变压器的运行年限，获取运行年限修正因子；基于预设的修正系数获取不良工况修正因子。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算所述变压器初始健康指数与所述运行年限修正因子、所述不良工况修正因子的积，作为变压器修正健康指数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵；基于各评价指标的标准化矩阵获取各评价指标的信息熵值；基于各评价指标的信息熵值获取各评价指标的权重矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于各评价指标的信息熵值获取各评价指标的信息效用价值；基于各评价指标的信息效用价值获取各评价指标的熵权值；基于各评价指标的熵权值获取各评价指标的权重矩阵。
上述计算机设备，构建变压器两级评估评判体系，变压器两级评估评判体系包含目标层、事物层和特征层，基于变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度，并基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子，最后根据变压器健康修正因子对变压器初始健康指数进行修正，获取变压器修正健康指数，通过变压器修正健康指数对变压器的健康状况进行评估，提高了对变压器健康状况评估的精度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于所述变压器两级评估评判体系确定模型经典域和变压器状态待评估物元，并构建变压器状态模型节域；通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵；基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数；基于预设的幅值系数、老化系数和变压器的运行年限，获取运行年限修正因子；基于预设的修正系数获取不良工况修正因子。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算所述变压器初始健康指数与所述运行年限修正因子、所述不良工况修正因子的积，作为变压器修正健康指数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵；基于各评价指标的标准化矩阵获取各评价指标的信息熵值；基于各评价指标的信息熵值获取各评价指标的权重矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于各评价指标的信息熵值获取各评价指标的信息效用价值；基于各评价指标的信息效用价值获取各评价指标的熵权值；基于各评价指标的熵权值获取各评价指标的权重矩阵。
上述存储介质，构建变压器两级评估评判体系，变压器两级评估评判体系包含目标层、事物层和特征层，基于变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度，并基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子，最后根据变压器健康修正因子对变压器初始健康指数进行修正，获取变压器修正健康指数，通过变压器修正健康指数对变压器的健康状况进行评估，提高了对变压器健康状况评估的精度。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于所述变压器两级评估评判体系确定模型经典域和变压器状态待评估物元，并构建变压器状态模型节域；通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵；基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数；基于预设的幅值系数、老化系数和变压器的运行年限，获取运行年限修正因子；基于预设的修正系数获取不良工况修正因子。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算所述变压器初始健康指数与所述运行年限修正因子、所述不良工况修正因子的积，作为变压器修正健康指数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵；基于各评价指标的标准化矩阵获取各评价指标的信息熵值；基于各评价指标的信息熵值获取各评价指标的权重矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于各评价指标的信息熵值获取各评价指标的信息效用价值；基于各评价指标的信息效用价值获取各评价指标的熵权值；基于各评价指标的熵权值获取各评价指标的权重矩阵。
上述计算机程序产品，构建变压器两级评估评判体系，变压器两级评估评判体系包含目标层、事物层和特征层，基于变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度，并基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子，最后根据变压器健康修正因子对变压器初始健康指数进行修正，获取变压器修正健康指数，通过变压器修正健康指数对变压器的健康状况进行评估，提高了对变压器健康状况评估的精度。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种变压器健康指数评估方法，其特征在于，所述方法包括：
构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
2.根据权利要求1所述的方法，其特征在于，所述基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度包括：
基于所述变压器两级评估评判体系确定模型经典域和变压器状态待评估物元，并构建变压器状态模型节域；
通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵；
基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度。
3.根据权利要求2所述的方法，其特征在于，所述基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子包括：
获取待评估物元关于各指标评价等级的关联度和对应的预设系数的乘积和，得到变压器初始健康指数；
基于预设的幅值系数、老化系数和变压器的运行年限，获取运行年限修正因子；基于预设的修正系数获取不良工况修正因子。
4.根据权利要求1所述的方法，其特征在于，所述根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数包括：
计算所述变压器初始健康指数与所述运行年限修正因子、所述不良工况修正因子的积，作为变压器修正健康指数。
5.根据权利要求2所述的方法，其特征在于，所述通过熵权法确定所述特征层中各评价指标的权重，获取各评价指标的权重矩阵包括：
获取特征层中各评价指标的初始数据矩阵，对特征层中各评价指标的初始数据矩阵进行标准化处理获取各评价指标的标准化矩阵；
基于各评价指标的标准化矩阵获取各评价指标的信息熵值；
基于各评价指标的信息熵值获取各评价指标的权重矩阵。
6.根据权利要求2所述的方法，其特征在于，所述基于各评价指标的权重矩阵获取待评估物元关于各指标评价等级的关联度包括：
基于各评价指标的信息熵值获取各评价指标的信息效用价值；
基于各评价指标的信息效用价值获取各评价指标的熵权值；
基于各评价指标的熵权值获取各评价指标的权重矩阵。
7.一种变压器健康指数评估装置，其特征在于，所述装置包括：
体系构建模块，用于构建变压器两级评估评判体系，所述变压器两级评估评判体系包含目标层、事物层和特征层；其中，所述目标层是对变压器运行状态的评估结果；所述事物层是变压器状态的一级评价因素，包含电气试验分析、油色谱分析、油化试验分析、检修历史分析、运行环境分析和外观检查；所述特征层包含变压器的试验数据；
第一获取模块，用于基于所述变压器两级评估评判体系和物元可拓原理构建变压器健康指数评价模型，获取待评估物元关于各指标评价等级的关联度；
第二获取模块，用于基于待评估物元关于各指标评价等级的关联度，获取变压器初始健康指数和变压器健康修正因子；所述变压器健康修正因子包含运行年限修正因子和不良工况修正因子；
指数修正模块，用于根据所述变压器健康修正因子对所述变压器初始健康指数进行修正，获取变压器修正健康指数。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202111329200.8A 2021-11-10 2021-11-10 变压器健康指数评估方法、装置、计算机设备和存储介质 Pending CN114239681A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111329200.8A CN114239681A (zh) 2021-11-10 2021-11-10 变压器健康指数评估方法、装置、计算机设备和存储介质
PCT/CN2021/131052 WO2023082298A1 (zh) 2021-11-10 2021-11-17 变压器健康指数评估方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111329200.8A CN114239681A (zh) 2021-11-10 2021-11-10 变压器健康指数评估方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114239681A true CN114239681A (zh) 2022-03-25

Family

ID=80749010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111329200.8A Pending CN114239681A (zh) 2021-11-10 2021-11-10 变压器健康指数评估方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN114239681A (zh)
WO (1) WO2023082298A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742488A (zh) * 2022-06-15 2022-07-12 广东电网有限责任公司佛山供电局 一种主变压器运行风险评估方法和系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451912B (zh) * 2023-06-19 2023-09-19 西北工业大学 一种换件影响情况下复杂机电系统性能评估方法及系统
CN116611741A (zh) * 2023-07-14 2023-08-18 湖南省计量检测研究院 基于风电设备的服役质量指数体系构建方法及系统
CN116595337A (zh) * 2023-07-17 2023-08-15 合肥工业大学 变压器健康状态直接预测的态势量构建方法及系统
CN117097027B (zh) * 2023-09-05 2024-03-22 深圳市思凯迈科技有限公司 一种基于数据分析的电源智能控制管理系统及方法
CN117520951B (zh) * 2024-01-08 2024-05-24 国网浙江省电力有限公司宁波供电公司 一种基于多特征量的变压器健康评估方法和系统
CN117575372B (zh) * 2024-01-16 2024-04-12 湘江实验室 一种基于知识图谱的供应链质量管理系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10451416B1 (en) * 2016-06-20 2019-10-22 Bentley Systems, Incorporated Optimizing sensor placement for structural health monitoring based on information entropy or total modal energy
CN108009937B (zh) * 2016-11-01 2022-02-01 中国电力科学研究院 一种配电主设备健康状态的评估方法
CN108108882A (zh) * 2017-12-11 2018-06-01 武汉大学 一种基于克里法和扩展的层次结构的变压器状态评估方法
CN110940374A (zh) * 2019-10-31 2020-03-31 沈阳工业大学 基于大数据融合的变压器健康等级评价系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742488A (zh) * 2022-06-15 2022-07-12 广东电网有限责任公司佛山供电局 一种主变压器运行风险评估方法和系统

Also Published As

Publication number Publication date
WO2023082298A1 (zh) 2023-05-19

Similar Documents

Publication Publication Date Title
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
CN111080072A (zh) 配电变压器健康指数评估方法、装置及系统
CN105975735A (zh) 一种用于电力设备健康状态评估的建模方法
CN111008870A (zh) 一种基于pca-bp神经网络模型的区域物流需求预测方法
CN113469570A (zh) 信息质量评价模型构建方法、装置、设备及存储介质
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN114862229A (zh) 电能质量评估方法、装置、计算机设备和存储介质
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
CN109636184B (zh) 一种品牌的账号资产的评估方法及系统
WO2019140553A1 (zh) 配电系统的健康指数确定方法及装置、计算机存储介质
CN114254806A (zh) 配电网重过载预警方法、装置、计算机设备和存储介质
CN114784795A (zh) 风电功率预测方法、装置、电子设备及存储介质
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
Qin A study on real estate price by using probability statistics theory and grey theory
Chen et al. An analytical method of data mining on voltage sag based on gray target theory and cloud model
CN117217502B (zh) 一种电网调度影响因素评估方法、装置、介质以及设备
CN117933677B (zh) 基于区域调频的水力发电厂关联数据预测方法和装置
WO2024108475A1 (zh) 直流输电线路的风险评估方法、装置、设备和存储介质
CN117172591A (zh) 多维度绩效评价方法、装置、计算机设备和存储介质
CN115660483A (zh) 配电网状态检测方法、装置、计算机设备和存储介质
CN115437895A (zh) 数据库健康状态确定方法、装置、计算机设备、存储介质
Yi et al. Forecasting tendency of the transmission line project cost index using Markov chain
CN117896270A (zh) 通信设备的状态评估方法、装置、电子设备及存储介质
CN114597899A (zh) 智能配电网电能质量治理设备配置方法及装置
Dan et al. Short-Term Building Load Forecast Based on Patch Learning with Long Short-Term Memory Network and Support Vector Regression

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