CN114252807A - 一种基于寿命差异化现象的变压器寿命预测方法 - Google Patents

Abstract

一种基于寿命差异化现象的变压器寿命预测方法，该方法包括以下步骤：S1、统计报废变压器数据，包括报废年限、额定容量、电压等级、生产厂商、所属公司五类数据；S2、筛选额定容量、电压等级、生产厂商、所属公司数据，以报废年限为输出拟合威布尔分布函数；S3、根据威布尔分布函数，计算表征寿命差异化现象的数据作为变压器寿命预测模型的输入；S4、建立基于卷积神经网络的变压器寿命预测模型。本设计不仅提高了变压器寿命预测精度，而且可以在投运前就实现变压器寿命预测功能，对改善寿命差异化现象，提高设备可靠性有重要意义。

Description

一种基于寿命差异化现象的变压器寿命预测方法

技术领域

本发明涉及变压器寿命预测领域，尤其涉及一种基于寿命差异化现象的变压器寿命预测方法，主要适用于提高变压器寿命预测的精度。

背景技术

随着电力设备数量呈爆发式的增长，如何实现电网设备安全可靠的运行，是实现供电安全的重要保障，而变电站设备缺陷引起的故障，一般是长时间的积累所致，仅凭借已有在线监测装置采集得到的数据，容易得出片面的、错误的判断。变压器是目前大型电力设备的代表，具有多种故障形式，包括放电、过热或兼而有之。变压器的合理寿命预估也属于故障预测的范畴，主要方式是通过监测得到的历史数据，对未来可能发生的失效进行预测，得到剩余寿命。

目前变压器寿命预测模型可分为物理失效机理模型和数据驱动模型。物理失效机理模型以变压器失效机理为基础，用数学模型表征材料失效过程，包括基于隐马尔科夫模型的变压器寿命预测模型，以及搭建了基于变化活化能退化机制的Arrhenius方程，进而对变压器剩余寿命进行预测。基于数据驱动的寿命模型，主要是根据监测技术得到能够表征变压器退化程度的运行参数，直接对参数运行趋势进行预测。常用的运行参数有振动信号、噪声信号、绝缘油含量等，这种方法不涉及到具体的失效机理，因此具有更广的适用范围，包括基于长短时记忆网络的寿命预测模型，基于以RBF为核函数的SVM算法的寿命预测模型等等。但是变压器运行寿命有明显差异，这种差异化现象增加了变压器可靠性评估和合理寿命预测的难度，在变压器合理寿命预测领域，目前的研究很少涉及到这种差异化现象的建模与分析，使得变压器寿命预测的精度较低。

发明内容

本发明的目的是克服现有技术中存在的寿命预测精度低的缺陷与问题，提供一种寿命预测精度高的基于寿命差异化现象的变压器寿命预测方法。

为实现以上目的，本发明的技术解决方案是：一种基于寿命差异化现象的变压器寿命预测方法，该方法包括以下步骤：

S1、统计报废变压器数据，包括报废年限、额定容量、电压等级、生产厂商、所属公司五类数据；

S2、筛选额定容量、电压等级、生产厂商、所属公司数据，以报废年限为输出拟合威布尔分布函数；

S3、根据威布尔分布函数，计算表征寿命差异化现象的数据作为变压器寿命预测模型的输入；

S4、建立基于卷积神经网络的变压器寿命预测模型。

步骤S2具体包括以下步骤：

S21、以额定容量作为筛选对象，筛选第一个额定容量，提取该额定容量下所有变压器寿命数据；

S22、将同一特征的n个不同设备的寿命，按从小到大进行排列，分别为N₁，N₂，…，N_n；

S23、使用公式

计算疲劳累计分布F的无偏估计；

S24、对公式

进行拟合，得到威布尔分布中尺寸参数α、形状参数β的无偏估计；

S25、统计寿命低于10年的变压器数量与变压器总数的比值x_l，寿命高于35年的变压器数量与变压器总数的比值x_h；

S26、筛选其他额定容量变压器，并重复步骤S22至步骤S25；

S27、以电压等级、生产厂商、所属公司作为筛选对象，重复步骤S21至步骤S26。

步骤S3具体包括以下步骤：

S31、以额定容量作为筛选对象，筛选第一个额定容量，根据提取的尺寸参数α、形状参数β计算第一个额定容量下变压器平均寿命，平均寿命计算公式为

S32、以E、β、x_l、x_h作为第一个额定容量的四个特征值；

S33、统计计算其他额定容量、电压等级、生产厂商、所属公司的E、β、x_l、x_h。

步骤S4具体包括以下步骤：

S41、针对某一个变压器，将根据额定容量统计计算得到的E、β、x_l、x_h作为输入k₁₁、k₁₂、k_13、k₁₄，将根据电压等级统计计算得到的E、β、x_l、x_h作为输入k₂₁、k₂₂、k₂₃、k₂₄，将根据生产厂商统计计算得到的E、β、x_l、x_h作为输入k₃₁、k₃₂、k₃₃、k₃₄，将根据所属公司统计计算得到的E、β、x_l、x_h作为输入k₄₁、k₄₂、k₄₃、k₄₄，共计16个输入；

S42、以该变压器寿命为输出，建立一个17维向量；

S43、统计所有变压器相应向量，生成变压器数据集，并以此建立基于卷积神经网络的变压器寿命预测模型。

与现有技术相比，本发明的有益效果为：

本发明一种基于寿命差异化现象的变压器寿命预测方法中，根据变压器投运信息进行寿命预测，可以更早的进行寿命预测工作，而不需要对运行参数进行监测后再进行预测，可以提前制定设备运维策略，利用检修和维护；在寿命预测的过程中，考虑寿命差异化现象的影响，将寿命差异化现象数字化并作为模型的输入，提高了寿命预测的精度。因此，本发明不仅提高了变压器运行可靠性，而且提高了变压器寿命预测精度。

附图说明

图1是本发明基于寿命差异化现象的变压器寿命预测方法的流程图。

图2是本发明的实施例中的各额定容量设备对应参数。

图3是本发明的实施例中的各电压等级设备对应参数。

图4是本发明的实施例中的各生产厂商设备对应参数。

图5是本发明的实施例中的各所属公司设备对应参数。

图6是本发明的实施例中的变压器寿命预测模型图。

图7是本发明的实施例中的不考虑寿命差异化现象的训练过程图。

具体实施方式

以下结合附图说明和具体实施方式对本发明作进一步详细的说明。

参见图1，一种基于寿命差异化现象的变压器寿命预测方法，该方法包括以下步骤：

S1、统计报废变压器数据，包括报废年限、额定容量、电压等级、生产厂商、所属公司五类数据；

S2、筛选额定容量、电压等级、生产厂商、所属公司数据，以报废年限为输出拟合威布尔分布函数；

S3、根据威布尔分布函数，计算表征寿命差异化现象的数据作为变压器寿命预测模型的输入；

S4、建立基于卷积神经网络的变压器寿命预测模型。

步骤S2具体包括以下步骤：

S21、以额定容量作为筛选对象，筛选第一个额定容量，提取该额定容量下所有变压器寿命数据；

S22、将同一特征的n个不同设备的寿命，按从小到大进行排列，分别为N₁，N₂，…，N_n；

S23、使用公式

计算疲劳累计分布F的无偏估计；

S24、对公式

进行拟合，得到威布尔分布中尺寸参数α、形状参数β的无偏估计；

S25、统计寿命低于10年的变压器数量与变压器总数的比值x_l，寿命高于35年的变压器数量与变压器总数的比值x_h；

S26、筛选其他额定容量变压器，并重复步骤S22至步骤S25；

S27、以电压等级、生产厂商、所属公司作为筛选对象，重复步骤S21至步骤S26。

步骤S3具体包括以下步骤：

S31、以额定容量作为筛选对象，筛选第一个额定容量，根据提取的尺寸参数α、形状参数β计算第一个额定容量下变压器平均寿命，平均寿命计算公式为

S32、以E、β、x_l、x_h作为第一个额定容量的四个特征值；

S33、统计计算其他额定容量、电压等级、生产厂商、所属公司的E、β、x_l、x_h。

步骤S4具体包括以下步骤：

S41、针对某一个变压器，将根据额定容量统计计算得到的E、β、x_l、x_h作为输入k₁₁、k₁₂、k₁₃、k₁₄，将根据电压等级统计计算得到的E、β、x_l、x_h作为输入k₂₁、k₂₂、k₂₃、k₂₄，将根据生产厂商统计计算得到的E、β、x_l、x_h作为输入k₃₁、k₃₂、k₃₃、k₃₄，将根据所属公司统计计算得到的E、β、x_l、x_h作为输入k₄₁、k₄₂、k₄₃、k₄₄，共计16个输入；

S42、以该变压器寿命为输出，建立一个17维向量；

S43、统计所有变压器相应向量，生成变压器数据集，并以此建立基于卷积神经网络的变压器寿命预测模型。

本发明的原理说明如下：

本设计基于卷积神经网络，提出了考虑变压器寿命差异化现象的变压器寿命预测方法。首先根据某公司提供的报废变压器出厂信息与报废年龄信息，筛选出额定容量、电压等级、生产厂商、所属公司4类数据，分别分析其寿命分布特征，得到平均寿命E、寿命集中度β、高寿命设备占比x_h、低寿命设备占比x_l等4类数据集，总计16类数据项。以上述16类数据为输入，变压器年龄为输出，训练卷积神经网络并得到寿命预测模型。相比于传统的寿命预测模型，本设计提出的模型优势在于：1、考虑了寿命差异化现象对变压器可靠性的影响，提高了预测精度；2、由于输入为设备出厂及投运信息，不涉及具体运行情况，因此可在设备投运前就进行寿命预测工作，可以尽早根据预测结果制定运维检修策略。

在变压器运维数据中，平均寿命是对设备可靠性的最直观体现，也是可以用于寿命预估的重要数据。但是，平均寿命的数据不能体现寿命差异化现象的影响，因此，有必要从变压器寿命分布数据中提取出可以反应寿命差异化现象的数据，以提高合理寿命预估的准确性。设备的寿命差异化特征可用三个参数进行描述，分别为寿命集中性、高寿命占比、低寿命占比。寿命集中性表示变压器寿命分布的集中程度，设备接近平均寿命的主变压器占比越多，寿命集中性越高。高寿命占比和低寿命占比分别为寿命高于35年和寿命低于10年的变压器数量在总数中的占比，可直接通过统计得到。

实施例：

参见图1，一种基于寿命差异化现象的变压器寿命预测方法，该方法包括以下步骤：

S1、统计报废变压器数据，包括报废年限、额定容量、电压等级、生产厂商、所属公司五类数据；

S2、筛选额定容量、电压等级、生产厂商、所属公司数据，以报废年限为输出拟合威布尔分布函数；具体包括以下步骤：

S21、以额定容量作为筛选对象，筛选第一个额定容量，提取该额定容量下所有变压器寿命数据；

S22、将同一特征的n个不同设备的寿命，按从小到大进行排列，分别为N₁，N₂，…，N_n；

S23、使用公式

计算疲劳累计分布F的无偏估计；

S24、对公式

进行拟合，得到威布尔分布中尺寸参数α、形状参数β的无偏估计；

S25、统计寿命低于10年的变压器数量与变压器总数的比值x_l，寿命高于35年的变压器数量与变压器总数的比值x_h；

S26、筛选其他额定容量变压器，并重复步骤S22至步骤S25；

S27、以电压等级、生产厂商、所属公司作为筛选对象，重复步骤S21至步骤S26；

S3、根据威布尔分布函数，计算表征寿命差异化现象的数据作为变压器寿命预测模型的输入；具体包括以下步骤：

S31、以额定容量作为筛选对象，筛选第一个额定容量，根据提取的尺寸参数α、形状参数β计算第一个额定容量下变压器平均寿命，平均寿命计算公式为

S32、以E、β、x_l、x_h作为第一个额定容量的四个特征值；

S33、统计计算其他额定容量、电压等级、生产厂商、所属公司的E、β、x_l、x_h；结果如图2、图3、图4、图5所示；

S4、建立基于卷积神经网络的变压器寿命预测模型；具体包括以下步骤：

S41、针对某一个变压器，将根据额定容量统计计算得到的E、β、x_l、x_h作为输入k₁₁、k₁₂、k₁₃、k₁₄，将根据电压等级统计计算得到的E、β、x_l、x_h作为输入k₂₁、k₂₂、k₂₃、k₂₄，将根据生产厂商统计计算得到的E、β、x_l、x_h作为输入k₃₁、k₃₂、k₃₃、k₃₄，将根据所属公司统计计算得到的E、β、x_l、x_h作为输入k₄₁、k₄₂、k₄₃、k₄₄，共计16个输入；

S42、以该变压器寿命为输出，建立一个17维向量；

S43、统计所有变压器相应向量，生成变压器数据集，并以此建立基于卷积神经网络的变压器寿命预测模型。

变压器寿命预测模型如图6所示。首先将电压等级、额定容量、生产厂商、所属公司四个特征量用Weibull分布分别得到四个特征量，总共16个特征作为模型的输入层；将卷积层输出的数据通过数据进行数据融合，整合为一维数据送入全连接神经网络；将寿命预测分为8个区间，1～5年为第一个区间，结果落入该区间的概率为P1，6～10年为第二个区间，结果落入该区间的概率为P2，以此类推最后一个区间为35～40年，结果落入该区间的概率为P8；网络激活层选择Relu函数，全连接层选择Tanh函数，输出层则为Softmax函数。

为验证卷积神经网络在变压器寿命预测工作中的能力，使用决策树等常用算法对相同数据进行仿真，仿真结果如表1所示；

表1不同寿命预测模型对比

根据表1可以看出，卷积神经网络在变压器寿命预测中具有更高的预测精度，相比目前常见的预测算法，精度提高在10％以上。

为了验证寿命差异化现象对寿命预测结果的影响，现在仅考虑额定容量、电压等级、生产厂商、所属公司数据中的平均寿命一项，即以4个数据作为卷积神经网络的输入，训练结果如图7所示。根据结果，没有考虑寿命差异化现象的变压器寿命预测模型预测精度仅能达到40.37％，相比较本设计提出的模型，准确率降低了52.41％；这是因为从变压器的寿命分布数据中提取了更多的特征信息，提高了训练数据的辨识度，从而提高了最终的准确率。

Claims (4)

1.一种基于寿命差异化现象的变压器寿命预测方法，其特征在于，该方法包括以下步骤：

S1、统计报废变压器数据，包括报废年限、额定容量、电压等级、生产厂商、所属公司五类数据；

S2、筛选额定容量、电压等级、生产厂商、所属公司数据，以报废年限为输出拟合威布尔分布函数；

S3、根据威布尔分布函数，计算表征寿命差异化现象的数据作为变压器寿命预测模型的输入；

S4、建立基于卷积神经网络的变压器寿命预测模型。

2.根据权利要求1所述的一种基于寿命差异化现象的变压器寿命预测方法，其特征在于：步骤S2具体包括以下步骤：

S21、以额定容量作为筛选对象，筛选第一个额定容量，提取该额定容量下所有变压器寿命数据；

S22、将同一特征的n个不同设备的寿命，按从小到大进行排列，分别为N₁，N₂，…，N_n；

S23、使用公式

计算疲劳累计分布F的无偏估计；

S24、对公式

进行拟合，得到威布尔分布中尺寸参数α、形状参数β的无偏估计；

S25、统计寿命低于10年的变压器数量与变压器总数的比值x_l，寿命高于35年的变压器数量与变压器总数的比值x_h；

S26、筛选其他额定容量变压器，并重复步骤S22至步骤S25；

S27、以电压等级、生产厂商、所属公司作为筛选对象，重复步骤S21至步骤S26。

3.根据权利要求2所述的一种基于寿命差异化现象的变压器寿命预测方法，其特征在于：步骤S3具体包括以下步骤：

S31、以额定容量作为筛选对象，筛选第一个额定容量，根据提取的尺寸参数α、形状参数β计算第一个额定容量下变压器平均寿命，平均寿命计算公式为

S32、以E、β、x_l、x_h作为第一个额定容量的四个特征值；

S33、统计计算其他额定容量、电压等级、生产厂商、所属公司的E、β、x_l、x_h。

4.根据权利要求3所述的一种基于寿命差异化现象的变压器寿命预测方法，其特征在于：步骤S4具体包括以下步骤：

S41、针对某一个变压器，将根据额定容量统计计算得到的E、β、x_l、x_h作为输入k₁₁、k₁₂、k₁₃、k₁₄，将根据电压等级统计计算得到的E、β、x_l、x_h作为输入k₂₁、k₂₂、k₂₃、k₂₄，将根据生产厂商统计计算得到的E、β、x_l、x_h作为输入k₃₁、k₃₂、k₃₃、k₃₄，将根据所属公司统计计算得到的E、β、x_l、x_h作为输入k₄₁、k₄₂、k₄₃、k₄₄，共计16个输入；

S42、以该变压器寿命为输出，建立一个17维向量；

S43、统计所有变压器相应向量，生成变压器数据集，并以此建立基于卷积神经网络的变压器寿命预测模型。

Images