CN114240014A - 一种变压器状态的评估方法、装置、电子设备及存储介质 - Google Patents
一种变压器状态的评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114240014A CN114240014A CN202111107431.4A CN202111107431A CN114240014A CN 114240014 A CN114240014 A CN 114240014A CN 202111107431 A CN202111107431 A CN 202111107431A CN 114240014 A CN114240014 A CN 114240014A
- Authority
- CN
- China
- Prior art keywords
- transformer
- matrix
- determining
- gas
- interval
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 99
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 197
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 16
- 239000007789 gas Substances 0.000 description 136
- 238000004364 calculation method Methods 0.000 description 9
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 125000000219 ethylidene group Chemical group [H]C(=[*])C([H])([H])[H] 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明实施例公开了一种变压器状态的评估方法、装置、电子设备及存储介质。其中,所述方法包括:获取至少两个变压器的油气数据,并根据所述油气数据中的气体指标信息生成各所述变压器的评估矩阵;其中,所述气体种类的数量为至少一种;基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵;根据所述评估矩阵和所述区间数权重矩阵确定各所述变压器的加权矩阵;基于TOPSIS法和所述加权矩阵确定各所述变压器的贴近度,并根据各所述贴近度确定各所述变压器的状态评估结果。通过执行本方案,可以实现对变压器的状态进行科学有效的评估,可以实现定位故障的变压器,可以提高运维效率。
Description
技术领域
本发明实施例涉及变压器故障诊断技术领域,尤其涉及一种变压器状态的 评估方法、装置、电子设备及存储介质。
背景技术
电力变压器是电网的重要组成部分,对电网的安全稳定运行具有至关重要 的作用。然而,电力变压器在长期运行中,各种内部和外部原因造成的故障和 事故不可避免,因此有必要对其状态进行诊断评估。
相关技术中,对电力变压器进行状态评估多是针对单台变压器给出状态评 价等级。一些基于算法的智能评估方案虽然可以针对多台变压器的状态进行评 估,但得出的仍是正常、异常、注意、尽快维修和延期维修等定性的评价结论, 针对多台变压器都处于同一评价等级的情况,难以给出针对多台变压器的科学 维修策略。
发明内容
本发明实施例提供一种变压器状态的评估方法、装置、电子设备及存储介 质,可以实现对变压器的状态进行科学有效的评估,可以实现定位故障的变压 器,可以提高运维效率。
第一方面,本发明实施例提供了一种变压器状态的评估方法,该方法包括: 获取至少两个变压器的油气数据,并根据所述油气数据中的气体指标信息生成 各所述变压器的评估矩阵;其中,所述气体种类的数量为至少一种;
基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵;
根据所述评估矩阵和所述区间数权重矩阵确定各所述变压器的加权矩阵;
基于TOPSIS法和所述加权矩阵确定各所述变压器的贴近度,并根据各所 述贴近度确定各所述变压器的状态评估结果。
第二方面,本发明实施例还提供了一种变压器状态的评估装置,该装置包 括:评估矩阵生成模块,用于获取至少两个变压器的油气数据,并根据所述油 气数据中的气体指标信息生成各所述变压器的评估矩阵;其中,所述气体种类 的数量为至少一种;
区间数权重矩阵确定模块,用于基于区间数层次分析法,确定各所述气体 指标的区间数权重矩阵;
加权矩阵确定模块,用于根据所述评估矩阵和所述区间数权重矩阵确定各 所述变压器的加权矩阵;
评估结果确定模块,用于基于TOPSIS法和所述加权矩阵确定各所述变压 器的贴近度,并根据各所述贴近度确定各所述变压器的状态评估结果。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多 个处理器实现如本发明实施例中任一项所述的变压器状态的评估方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有 计算机程序,该程序被处理器执行时实现如本发明实施例中任一项所述的变压 器状态的评估方法。
本发明实施例提供的技术方案,通过获取至少两个变压器的油气数据,并 根据油气数据中的气体指标信息生成各变压器的评估矩阵;其中,气体种类的 数量为至少一种;基于区间数层次分析法,确定各气体指标的区间数权重矩阵; 根据评估矩阵和区间数权重矩阵确定各变压器的加权矩阵;基于TOPSIS法和 加权矩阵确定各变压器的贴近度,并根据各贴近度确定各变压器的状态评估结 果。通过执行本发明实施例提供的技术方案,可以实现对变压器的状态进行科 学有效的评估,可以实现定位故障的变压器,可以提高运维效率。
附图说明
图1是本发明实施例提供的一种变压器状态的评估方法的流程图;
图2是本发明实施例提供的另一种变压器状态的评估方法的流程图;
图3是本发明实施例提供的又一种变压器状态的评估方法的流程图;
图4是本发明实施例提供的一种变压器状态的评估装置结构示意图;
图5是本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此 处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需 要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结 构。
图1是本发明实施例提供的变压器状态的评估方法的流程图,所述方法可 以由变压器状态的评估装置来执行,所述装置可以由软件和/或硬件的方式实现, 所述装置可以配置在用于评估变压器状态的电子设备中。所述方法应用于对电 压器进行故障诊断的场景中。如图1所示,本发明实施例提供的技术方案具体 包括:
在本方案的一个应用场景中,变压器属于油浸电力设备,变压器的绝缘油 是流动的液体,可充满油箱内各部件之间的气隙,排出空气,从而防止各部件 受潮而引起绝缘强度的降低。变压器本身绝缘强度比空气大,所以油箱内充满 油后,可提高变压器的绝缘强度。由于油和固体绝缘会逐渐老化变质,会分解 出极少量的气体。当变压器内部发生热性故障、放电性故障或受潮情况时,这 些气体的含量会迅速增加。这些气体包括氢气H2、一氧化碳CO、甲烷CH4、 乙烷C2H6、乙烯C2H4、乙炔C2H2等。油中气体的各种成分含量的多少和故障的性质及程度直接有关。因此在变压器运行过程中,定期测量绝缘油中溶解 的各种故障特征气体浓度及变化趋势,对于及早发现变压器内部存在的潜伏性 故障有非常重要的意义。
S110:获取至少两个变压器的油气数据,并根据所述油气数据中的气体指 标信息生成各所述变压器的评估矩阵。
其中,所述气体种类的数量为至少一种。
具体的,油气数据可以表征绝缘油中溶解的气体种类以及对应的气体指标 信息。可以通过设备直接读取变压器中的油气数据,也可以接收人工输入的变 压器的油气数据。气体指标信息可以是气体的产气速度,气体指标信息也可以 是气体在绝缘油中的含量,气体指标信息也可以是其他的信息。本实施例优选 气体指标信息为气体在绝缘油中的含量。评估矩阵可以是对变压器的状态进行 描述的矩阵,可以通过变压器油气数据中的气体指标信息生成变压器的评估矩 阵,本方案需要获取两个以上变压器的油气数据。气体可以是H2,可以是CH4, 可以是C2H4,还可以是其他种类的气体,本方案中油气数据包含的气体种类为 至少一种。
S120:基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵。
其中,区间数层次分析法可以参考相关技术中的介绍。本方案可以获取各 气体指标的区间数判断矩阵,进而结合区间数层次析分析法,通过区间数判断 矩阵确定各气体指标的区间数权重矩阵。
S130:根据所述评估矩阵和所述区间数权重矩阵确定各所述变压器的加权 矩阵。
S140:基于TOPSIS法和所述加权矩阵确定各所述变压器的贴近度,并根据 各所述贴近度确定各所述变压器的状态评估结果。
其中,TOPSIS法的基本原理是通过检测评价对象与最优解、最劣解的距离 来进行排序,若评价对象最靠近最优解同时又最远离最劣解,则为最好;否则 不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指 标值都达到各评价指标的最差值。“理想解”和“负理想解”是TOPSIS法的两 个基本概念。其中,理想解是一设想的最优的解(方案),它的各个属性值都达 到各备选方案中的最好的值;而负理想解是一设想的最劣的解(方案),它的各 个属性值都达到各备选方案中的最坏的值。排序的规则是把各备选方案与理想 解和负理想解做比较,若其中有一个方案最接近理想解,而同时又远离负理想解,则该方案是备选方案中最好的方案。TOPSIS法的具体介绍可以参考相关技 术中。
本方案可以基于TOPSIS法和加权矩阵确定各变压器的区间型理想解,并 分别确定各变压器与区间型理想解之间的第一距离和第二距离,进而根据第一 距离和第二距离确定各变压器对区间型理想解的贴近度,并将所有变压器的贴 近度进行排序,进而可以根据各变压器之间贴近度的差异定位故障的变压器, 以便及时对故障变压器进行维修,达到防患于未然的效果。
本发明实施例提供的技术方案,通过获取至少两个变压器的油气数据,并 根据油气数据中的气体指标信息生成各变压器的评估矩阵;其中,气体种类的 数量为至少一种;基于区间数层次分析法,确定各气体指标的区间数权重矩阵; 根据评估矩阵和区间数权重矩阵确定各变压器的加权矩阵;基于TOPSIS法和 加权矩阵确定各变压器的贴近度,并根据各贴近度确定各变压器的状态评估结 果。通过执行本发明实施例提供的技术方案,可以实现对变压器的状态进行科 学有效的评估,可以实现定位故障的变压器,可以提高运维效率。
图2是本发明实施例提供的变压器状态的评估方法的流程图,本实施例在 上述实施例的基础上进行优化。如图2所示,本发明实施例中的变压器状态的 评估方法可以包括:
S210:获取至少两个变压器的油气数据,并根据所述油气数据中的气体指 标信息生成各所述变压器的评估矩阵。
在一个可行的实施方式中,可选的,所述气体指标信息,包括气体指标值;
相应的,根据所述油气数据中的气体指标信息生成各所述变压器的评估矩 阵,包括:根据所述油气数据中的气体指标值生成各所述变压器的候选矩阵; 对各所述候选矩阵分别进行归一化处理得到各所述变压器的评估矩阵。
由此,通过根据油气数据中的气体指标值生成各变压器的候选矩阵;对各 候选矩阵分别进行归一化处理得到各变压器的评估矩阵。可以实现将评估矩阵 R中的值落在0~1区间内,可以减少对后续计算的影响,使计算得出贴近度的 值较为精确,可以提高计算精度。
S220:基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵。
在另一个可行的实施方式中,可选的,基于区间数层次分析法,确定各所 述气体指标的区间数权重矩阵,包括:获取各所述气体指标的区间数判断矩阵, 根据所述区间数判断矩阵确定各所述气体指标的第一区间数判断子矩阵以及各 所述气体指标的第二区间数判断子矩阵;根据所述第一区间数判断子矩阵以及 第二区间数判断子矩阵,确定各所述气体指标的区间数权重矩阵。
其中,区间数判断矩阵表征变压器绝缘油中溶解的各气体中,两两气体之 间含量比值的理想范围区间,可以通过领域专家的实践经验进行确定。区间数 判断矩阵B可以表示为其中m表示 气体的种类数量,表示第i种气体含量与第j种气体含量比值的左理想端点 值,表示第i种气体含量与第j种气体含量比值的左理想端点值。其中,小 于等于例如假设绝缘油中溶解有5种气体,分别是H2、CH4、C2H2、C2H4、 C2H6,则表示H2含量与H2含量比值的左理想端点值,表示H2含量 与C2H6含量比值的右理想端点值。
本方案可以根据第一区间数判断子矩阵以及第二区间数判断子矩阵,确定 各气体指标的区间数权重矩阵。具体的,首先利用特征向量法分别确定BL、BU的 最大特征值对应的具有正分量的归一化特征向量xL、xU,其中,特征向量法的 具体介绍可以参考现有技术。分别对BL、BU进行归一化处理得到α、β,具体的, 归一化特征向量xL、xU与α、β、各气体 指标的区间数权重矩阵ω的关系为:ω=[αxL,βxU]。
由此,通过获取各气体指标的区间数判断矩阵,根据区间数判断矩阵确 定各气体指标的第一区间数判断子矩阵以及各气体指标的第二区间数判断子矩 阵;根据第一区间数判断子矩阵以及第二区间数判断子矩阵,确定各气体指标 的区间数权重矩阵。可以实现将各气体指标的区间数判断矩阵进行归一化处理, 可以减少对后续计算的影响,使计算得出贴近度的值较为精确,可以提高计算 精度。另外,根据领域专家的实践经验确定区间数判断矩阵,更符合客观规律 和工程实践。
S230:根据所述评估矩阵和所述区间数权重矩阵确定各所述变压器的加权 矩阵。
S240:根据所述加权矩阵确定各所述变压器的区间型理想解,并根据所述 加权矩阵和所述区间型理想解分别确定各所述变压器的贴近度,并根据各所述 贴近度确定各所述变压器的状态评估结果。
具体的,从中 确定各变压器的区间型理想解,区间型理想解可以包括区间型正理想解和区间 型负理想解。本方案可以分别确定各变压器到区间型正理想解的距离和各变压 器到区间型负理想解的距离,变压器到区间型正理想解的距离越近,到区间型 负理想解的距离越远,则表示该变压器故障率越低,状态越好。
在本实施例中,可选的,所述区间型理想解包括区间型正理想解和区间型 负理想解;相应的,根据所述加权矩阵和所述区间型理想解分别确定各所述变 压器的贴近度,包括:根据所述加权矩阵、所述区间型正理想解确定各所述变 压器与所述区间型正理想解的第一距离;根据所述加权矩阵、所述区间型负理 想解确定各所述变压器与所述区间型负理想解的第二距离;根据所述第一距离、 所述第二距离分别确定各所述变压器的贴近度。
本方案可以利用数学中欧氏距离的计算方法根据加权矩阵、区间型正理想 解确定各变压器与区间型正理想解的第一距离。其中,第s个变压器与区间型 正理想解的第一距离第一距离越小,则表示第s个变压器的实际值距离区间型正理想解越近,该变 压器的状态越好;第一距离越大,则表示第s个变压器的实际值距离区间型正 理想解越远,该变压器的状态越差。
本方案还可以利用数学中欧氏距离的计算方法根据加权矩阵、区间型负理 想解确定各变压器与区间型负理想解的第二距离。其中,第s个变压器与区间 型负理想解的第二距离 第二距离越小,则表示第s个变压器的实际值距离区间型负理想解越近, 该变压器的状态越差;第一距离越大,则表示第s个变压器的实际值距离区间 型负理想解越远,该变压器的状态越好。
本方案还可以根据第一距离、第二距离分别确定各变压器的贴近度。贴近 度的值直接反映了变压器的故障状态情况。距离第一距离越小并且距离第二距 离越大的变压器的贴近度越大,表示变压器发生故障的几率越小,变压器状态 越好;距离第一距离越大并且距离第二距离越小的变压器的贴近度越小,表示 变压器发生故障的几率越大,变压器状态越差。
由此,通过根据加权矩阵、区间型正理想解确定各变压器与区间型正理想 解的第一距离;根据加权矩阵、区间型负理想解确定各变压器与区间型负理想 解的第二距离;根据第一距离、第二距离分别确定各变压器的贴近度。可以实 现确定各个变压器的实际值与区间型理想解的距离以及相对贴近度,进而可以 实现对各个变压器的故障状况进行科学有效的评价。
由此,通过基于各变压器与区间型正理想解的第一距离、各变压器与区间 型负理想解的第二距离,可以实现对各个变压器的贴近度进行确定,进而可以 实现对各个变压器进行科学有效的评价,有利于给出科学的维修策略。
在本实施例中,可选的,根据各所述贴近度确定各所述变压器的状态评估 结果,包括:将各所述变压器的贴近度按预设规则进行排序,并将各所述变压 器以及与各所述变压器对应的贴近度按排序结果进行显示。
具体的,本方案可以对各变压器的贴近度按照从大到小或者从小到大的顺 序进行排序,并且将各个变压器的排序结果进行显示,以使工作人员可以直观 地看到各个变压器的状态。本方案可以预先设置一个故障阈值,当某个变压器 的贴近度小于该故障阈值时,则表示该变压器需要进行维修。可以将排序结果 中小于或等于故障阈值的变压器进行定位并将这些变压器的相关信息通知给相 关负责人员。
由此,通过将各变压器的贴近度按预设规则进行排序,并将各变压器以及 与各变压器对应的贴近度按排序结果进行显示。可以实现对变压器的状态进行 科学有效的评估,可以实现及时定位故障的变压器,可以提高运维效率,减少 不必要的损失,达到防患于未然的效果。
本发明实施例提供的技术方案,获取至少两个变压器的油气数据,并根据 油气数据中的气体指标信息生成各变压器的评估矩阵;基于区间数层次分析法, 确定各气体指标的区间数权重矩阵;根据评估矩阵和区间数权重矩阵确定各变 压器的加权矩阵;根据加权矩阵确定各变压器的区间型理想解,并根据加权矩 阵和区间型理想解分别确定各变压器的贴近度,并根据各贴近度确定各变压器 的状态评估结果。通过执行本方案,可以实现对变压器的状态进行科学有效的 评估,可以实现定位故障的变压器,可以提高运维效率。
主变压器是电力系统中的关键节点,对主变压器的运行状态进行科学的评 估,可以为主变压器的状态维修提供客观有效的依据。目前的电力变压器状态 评估多是针对单台变压器给出状态评价等级,基于支持向量机等智能评估方法 虽然针对多台变压器的状态进行评估,但得出的仍是正常、异常、注意、尽快 维修和延期维修等定性评价结论,针对多台变压器都处于同一评价等级的情况 难以给出科学的维修策略。
为了更清楚地表述本发明的技术方案,图3是本发明实施例提供的变压器 状态的评估方法的流程图,如图3所示,本发明实施例提供的技术方案可以包 括如下步骤:
步骤1、获取至少两个电力变压器的油气数据,根据油气数据中的气体指 标信息构建各电力变压器的评估矩阵。
其中,油气数据可以是油色谱指标数据,根据不同故障类型产生的油中特 征气体,选取油中溶解气体色谱分析(DGA)中的H2、CH4、C2H2、C2H4、C2H6 的相对含量作为评价指标。采用百分制对评价指标评分,其中100分对应于出 厂值(交接值或首次预试值或同类良好产品的初值),而0分对应注意值。构建 待评估排序的各电力变压器的候选矩阵其中Ast表示第s 台电力变压器对应的第t个气体指标的评分值,即第s个变压器中绝缘油溶解的 第t种气体的含量。然后通过算式(100-Ast)/100将候选矩阵A转化为评估矩 阵R,则评估值Rst越大变压器的状态就越好;反之,Rst越小则变压器的状态越 差。
步骤2、根据电力变压器气体指标的区间数判断矩阵,计算电力变压器状 体指标的区间数权重矩阵。
步骤3、由评估矩阵和气体指标的区间数权重矩阵,构建加权矩阵。
步骤4、根据加权矩阵,计算各变压器的区间型正理想解和负理想解。
步骤5、计算每台电力变压器分别到区间型正理想解和区间型负理想解的 距离。
步骤6、计算每台变压器对区间型理想解的贴近度;每台电压器状态指标 对理想解的贴近度计算公式如下:
步骤7、依据贴近度的大小对电力变压器的状态进行评估,并输出评估结 果。
依据cs的大小对电力变压器的状态进行评估,cs值越大,则电力变压器的状 态越差,从而便可得到各个待评估电力变压器的状态序列,并输出评估结果。
本发明实施例提供的技术方案,针对多台变压器状态评估排序问题,采用 确定多属性决策理论中经典的TOPSIS法和不确定多属性决策理论中的区间数 方法,首先通过电力变压器的油色谱指标数据构建评估矩阵,依据气体指标的 区间数判断矩阵计算出区间数权重矩阵,并与评估矩阵相结合构建加权矩阵, 根据TOPSIS法的一般步骤确定区间型正负理想解,并计算各电力变压器气体 指标到正负理想解的距离,再计算各电力变压器对理想解的贴近度,通过对贴 近度大小的评估实现对电力变压器状态的评估。可以解决多台变压器状态评估 与排序问题,为电力企业合理安排维修资源、制定最佳维修策略提供科学有效 的客观依据。
图4是本发明实施例提供的变压器状态的评估装置结构示意图,所述装置 可以配置在用于评估变压器状态的电子设备中,如图4所示,所述装置包括:
评估矩阵生成模块410,用于获取至少两个变压器的油气数据,并根据所 述油气数据中的气体指标信息生成各所述变压器的评估矩阵;其中,所述气体 种类的数量为至少一种;
区间数权重矩阵确定模块420,用于基于区间数层次分析法,确定各所述 气体指标的区间数权重矩阵;
加权矩阵确定模块430,用于根据所述评估矩阵和所述区间数权重矩阵确 定各所述变压器的加权矩阵;
评估结果确定模块440,用于基于TOPSIS法和所述加权矩阵确定各所述变 压器的贴近度,并根据各所述贴近度确定各所述变压器的状态评估结果。
可选的,所述气体指标信息,包括气体指标值;
相应的,评估矩阵生成模块410,具体用于:根据所述油气数据中的气体 指标值生成各所述变压器的候选矩阵;对各所述候选矩阵分别进行归一化处理 得到各所述变压器的评估矩阵。
可选的,区间数权重矩阵确定模块420,具体用于:获取各所述气体指标 的区间数判断矩阵,根据所述区间数判断矩阵确定各所述气体指标的第一区间 数判断子矩阵以及各所述气体指标的第二区间数判断子矩阵;根据所述第一区 间数判断子矩阵以及第二区间数判断子矩阵,确定各所述气体指标的区间数权 重矩阵。
可选的,评估结果确定模块440,具体用于:根据所述加权矩阵确定各所 述变压器的区间型理想解,并根据所述加权矩阵和所述区间型理想解分别确定 各所述变压器的贴近度。
可选的,所述区间型理想解包括区间型正理想解和区间型负理想解;
相应的,评估结果确定模块440,具体用于:根据所述加权矩阵、所述区 间型正理想解确定各所述变压器与所述区间型正理想解的第一距离;根据所述 加权矩阵、所述区间型负理想解确定各所述变压器与所述区间型负理想解的第 二距离;根据所述第一距离、所述第二距离分别确定各所述变压器的贴近度。
可选的,评估结果确定模块440,具体用于:将各所述变压器的贴近度按 预设规则进行排序,并将各所述变压器以及与各所述变压器对应的贴近度按排 序结果进行显示。
上述实施例所提供的装置可以执行本发明任意实施例所提供的变压器状态 的评估方法,具备执行方法相应的功能模块和有益效果。
图5是本发明实施例提供的一种变压器结构示意图,如图5所示,该变压 器包括:
一个或多个处理器510,图5中以一个处理器510为例;
存储器520;
所述变压器还可以包括:输入装置530和输出装置540。
所述变压器中的处理器510、存储器520、输入装置530和输出装置540可 以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器520作为一种非暂态计算机可读存储介质,可用于存储软件程序、 计算机可执行程序以及模块,如本发明实施例中的一种变压器状态的评估方法 对应的程序指令/模块。处理器510通过运行存储在存储器520中的软件程序、 指令以及模块,从而执行计算机变压器的各种功能应用以及数据处理,即实现 上述方法实施例的一种变压器状态的评估方法,即:
获取至少两个变压器的油气数据,并根据所述油气数据中的气体指标信息 生成各所述变压器的评估矩阵;其中,所述气体种类的数量为至少一种;
基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵;
根据所述评估矩阵和所述区间数权重矩阵确定各所述变压器的加权矩阵;
基于TOPSIS法和所述加权矩阵确定各所述变压器的贴近度,并根据各所 述贴近度确定各所述变压器的状态评估结果。
存储器520可以包括存储程序区和存储数据区,其中,存储程序区可存储 操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机变 压器的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器, 还可以包括非暂态性存储器,例如至少一个磁盘存储器件、闪存器件、或其他 非暂态性固态存储器件。在一些实施例中,存储器520可选包括相对于处理器 510远程设置的存储器,这些远程存储器可以通过网络连接至终端变压器。上 述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组 合。
输入装置530可用于接收输入的数字或字符信息,以及产生与计算机变压 器的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等 显示变压器。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序, 该程序被处理器执行时实现如本发明实施例提供的一种变压器状态的评估方法, 也即:
获取至少两个变压器的油气数据,并根据所述油气数据中的气体指标信息 生成各所述变压器的评估矩阵;其中,所述气体种类的数量为至少一种;
基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵;
根据所述评估矩阵和所述区间数权重矩阵确定各所述变压器的加权矩阵;
基于TOPSIS法和所述加权矩阵确定各所述变压器的贴近度,并根据各所 述贴近度确定各所述变压器的状态评估结果。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以 是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可 以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或 器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的 列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机 存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或 闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任 何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使 用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据 信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种 形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计 算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质, 该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器 件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括—— 但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计 算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的 程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算 机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算 机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形 中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN) -连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提 供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进 行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽 然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以 上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例, 而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种变压器状态的评估方法,其特征在于,包括:
获取至少两个变压器的油气数据,并根据所述油气数据中的气体指标信息生成各所述变压器的评估矩阵;其中,所述气体种类的数量为至少一种;
基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵;
根据所述评估矩阵和所述区间数权重矩阵确定各所述变压器的加权矩阵;
基于TOPSIS法和所述加权矩阵确定各所述变压器的贴近度,并根据各所述贴近度确定各所述变压器的状态评估结果。
2.根据权利要求1所述的方法,其特征在于,所述气体指标信息,包括气体指标值;
相应的,根据所述油气数据中的气体指标信息生成各所述变压器的评估矩阵,包括:
根据所述油气数据中的气体指标值生成各所述变压器的候选矩阵;
对各所述候选矩阵分别进行归一化处理得到各所述变压器的评估矩阵。
3.根据权利要求1所述的方法,其特征在于,基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵,包括:
获取各所述气体指标的区间数判断矩阵,根据所述区间数判断矩阵确定各所述气体指标的第一区间数判断子矩阵以及各所述气体指标的第二区间数判断子矩阵;
根据所述第一区间数判断子矩阵以及第二区间数判断子矩阵,确定各所述气体指标的区间数权重矩阵。
4.根据权利要求1所述的方法,其特征在于,基于TOPSIS法和所述加权矩阵确定各所述变压器的贴近度,包括:
根据所述加权矩阵确定各所述变压器的区间型理想解,并根据所述加权矩阵和所述区间型理想解分别确定各所述变压器的贴近度。
5.根据权利要求4所述的方法,其特征在于,所述区间型理想解包括区间型正理想解和区间型负理想解;
相应的,根据所述加权矩阵和所述区间型理想解分别确定各所述变压器的贴近度,包括:
根据所述加权矩阵、所述区间型正理想解确定各所述变压器与所述区间型正理想解的第一距离;
根据所述加权矩阵、所述区间型负理想解确定各所述变压器与所述区间型负理想解的第二距离;
根据所述第一距离、所述第二距离分别确定各所述变压器的贴近度。
7.根据权利要求1所述的方法,其特征在于,根据各所述贴近度确定各所述变压器的状态评估结果,包括:
将各所述变压器的贴近度按预设规则进行排序,并将各所述变压器以及与各所述变压器对应的贴近度按排序结果进行显示。
8.一种变压器状态的评估装置,其特征在于,包括:
评估矩阵生成模块,用于获取至少两个变压器的油气数据,并根据所述油气数据中的气体指标信息生成各所述变压器的评估矩阵;其中,所述气体种类的数量为至少一种;
区间数权重矩阵确定模块,用于基于区间数层次分析法,确定各所述气体指标的区间数权重矩阵;
加权矩阵确定模块,用于根据所述评估矩阵和所述区间数权重矩阵确定各所述变压器的加权矩阵;
评估结果确定模块,用于基于TOPSIS法和所述加权矩阵确定各所述变压器的贴近度,并根据各所述贴近度确定各所述变压器的状态评估结果。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一项所述的变压器状态的评估方法。
10.一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,该程序被处理器执行时实现如权利要求1-7任一项所述的变压器状态的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111107431.4A CN114240014A (zh) | 2021-09-22 | 2021-09-22 | 一种变压器状态的评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111107431.4A CN114240014A (zh) | 2021-09-22 | 2021-09-22 | 一种变压器状态的评估方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240014A true CN114240014A (zh) | 2022-03-25 |
Family
ID=80742991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111107431.4A Pending CN114240014A (zh) | 2021-09-22 | 2021-09-22 | 一种变压器状态的评估方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389882A (zh) * | 2022-08-26 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 电晕放电状态评估方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310298A (zh) * | 2013-05-16 | 2013-09-18 | 国家电网公司 | 一种配电网规划方案多阶段综合评估方法 |
CN103605881A (zh) * | 2013-10-25 | 2014-02-26 | 南昌大学 | 一种基于故障树和层次分析法的电力变压器状态评估方法 |
CN109283293A (zh) * | 2018-10-09 | 2019-01-29 | 上海电力学院 | 基于变异系数与topsis法的电力变压器故障诊断方法 |
CN111724071A (zh) * | 2020-06-22 | 2020-09-29 | 杭州电力设备制造有限公司 | 基于topsis法的智能箱式变电站运行状态评估方法 |
-
2021
- 2021-09-22 CN CN202111107431.4A patent/CN114240014A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310298A (zh) * | 2013-05-16 | 2013-09-18 | 国家电网公司 | 一种配电网规划方案多阶段综合评估方法 |
CN103605881A (zh) * | 2013-10-25 | 2014-02-26 | 南昌大学 | 一种基于故障树和层次分析法的电力变压器状态评估方法 |
CN109283293A (zh) * | 2018-10-09 | 2019-01-29 | 上海电力学院 | 基于变异系数与topsis法的电力变压器故障诊断方法 |
CN111724071A (zh) * | 2020-06-22 | 2020-09-29 | 杭州电力设备制造有限公司 | 基于topsis法的智能箱式变电站运行状态评估方法 |
Non-Patent Citations (2)
Title |
---|
卜宪存等: "基于区间数TOPSIS法的电力变压器状态评估", 高压电器, vol. 52, no. 4, 16 April 2016 (2016-04-16), pages 205 - 207 * |
申涛等: "基于支持向量机和DGA的变压器状态评估方法", 电力科学与工程, vol. 24, no. 2, 31 March 2008 (2008-03-31) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389882A (zh) * | 2022-08-26 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 电晕放电状态评估方法、装置、计算机设备和存储介质 |
CN115389882B (zh) * | 2022-08-26 | 2024-05-28 | 中国南方电网有限责任公司超高压输电公司广州局 | 电晕放电状态评估方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103197177B (zh) | 一种基于贝叶斯网络的变压器故障诊断分析方法 | |
US10489363B2 (en) | Distributed FP-growth with node table for large-scale association rule mining | |
Taha et al. | Conditional probability‐based interpretation of dissolved gas analysis for transformer incipient faults | |
JP5494034B2 (ja) | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 | |
US20130204827A1 (en) | Internal abnormality diagnosis method, internal abnormality diagnosis system, and decision tree generation method for internal abnormality diagnosis of oil-filled electric apparatus utilizing gas concentration in oil | |
Madavan et al. | Decision making on the state of transformers based on insulation condition using AHP and TOPSIS methods | |
Shi et al. | Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction | |
Rathore et al. | Application of genetic algorithm and tabu search in software testing | |
CN111080117A (zh) | 设备风险标签的构建方法、装置、电子设备及存储介质 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN110727437A (zh) | 代码优化项获取方法、装置、存储介质及电子设备 | |
CN114240014A (zh) | 一种变压器状态的评估方法、装置、电子设备及存储介质 | |
Chen et al. | Empirical analysis of network measures for predicting high severity software faults | |
Xie et al. | Using machine learning to support resource quality assessment: an adaptive attribute-based approach for health information portals | |
CN115032323A (zh) | 确定油色谱数据异常的方法、电子设备及存储介质 | |
US7797136B2 (en) | Metrics to evaluate process objects | |
CN116933162A (zh) | 一种变压器运行状态确定方法、装置及电子设备 | |
Minglin et al. | Risk priority evaluation for power transformer parts based on intuitionistic fuzzy preference selection index method | |
CN114324712A (zh) | 变压器油色谱故障判断方法、装置、终端及存储介质 | |
Ngwenyama et al. | Discernment of transformer oil stray gassing anomalies using machine learning classification techniques | |
Mondal et al. | Investigating the relationship between evolutionary coupling and software bug-proneness | |
Araujo et al. | Enhancing gas formation theory assessment in power transformers by using decision tree transparency and new guess into decomposition temperatures of insulating mineral oil | |
Chen et al. | Explainable Recommendation for Hazard Inspection Reasoning Through Knowledge Graph | |
CN111274088B (zh) | 大数据平台实时监控方法、装置、介质及电子设备 | |
Sutikno et al. | Machine learning based multi-method interpretation to enhance dissolved gas analysis for power transformer fault diagnosis |
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 |