CN114372416A - 牵引变压器的剩余使用寿命预测方法及系统 - Google Patents

牵引变压器的剩余使用寿命预测方法及系统 Download PDF

Info

Publication number
CN114372416A
CN114372416A CN202210031252.5A CN202210031252A CN114372416A CN 114372416 A CN114372416 A CN 114372416A CN 202210031252 A CN202210031252 A CN 202210031252A CN 114372416 A CN114372416 A CN 114372416A
Authority
CN
China
Prior art keywords
transformer
service life
oil temperature
time sequence
traction transformer
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
CN202210031252.5A
Other languages
English (en)
Inventor
上官伟
王宗耀
师泽斌
柴琳果
蔡伯根
彭聪
王子琪
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210031252.5A priority Critical patent/CN114372416A/zh
Publication of CN114372416A publication Critical patent/CN114372416A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Protection Of Transformers (AREA)

Abstract

本发明提供一种牵引变压器的剩余使用寿命预测方法及系统，属于轨道交通技术领域，获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。本发明融合了模糊推理系统与神经网络对时间序列预测的优点，提升了预测精度与预测宽度。

Description

牵引变压器的剩余使用寿命预测方法及系统
技术领域
本发明涉及轨道交通技术领域，具体涉及一种轨道交通供电系统牵引变压器的剩余使用寿命预测方法及系统。
背景技术
油浸式变压器作为一种典型的电子控制器件，可利用电磁感应原理改变交流电压，在电路中起着电压电流转换、隔离、阻抗变换、磁饱和变压等作用，具有结构稳定、抗干扰能力强等优点，广泛应用在铁路运输、电力输送等领域。
牵引变压器作为典型的油浸式电力变压器，是牵引供电系统的核心组成部分。变压器动作可靠性是保障供电系统高效稳定进而确保高速铁路安全行驶的重要基础，针对变压器进行准确的剩余使用寿命预测，是制定视情维修决策、保障行车安全的前提条件。温度是影响牵引变压器寿命的主要因素，变压器的载荷能力和绝缘老化速度主要由其内部热状态决定。变压器的顶层油温是有效反映牵引变压器热工况的基本参数，充分挖掘变压器顶层油温时间序列演化规律，建立精确的油温预测模型以支撑剩余使用寿命估计，对于提高牵引变压器可靠性，降低供电系统故障发生率具有重要的现实意义。
目前，现有的变压器剩余寿命预测未完全突破基于“历史故障数据”与“概率分布模型”的传统寿命预测方式，且对变压器内部热状态对于设备老化的影响的关注度不够重视，同时，目前关于变压器顶层油温的预测模型呈现出“短预测”“粗粒度”等特点，对于长期精确、并以小时为基本单位的长期预测模型重视程度不够。
发明内容
本发明的目的在于提供一种构建了牵引变压器顶层油温与剩余使用寿命(Remaining Useful Life，RUL)的寿命估计模型，建立了基于牵引变压器顶层油温的动态健康状态长期预测模型，采用基于type-2型模糊推理系统与长短期记忆神经网络的组合预测模型实现对变压器油温的长期、稳定、高准确度的预测，进而实现牵引变压器健康度变化趋势的在线预测的轨道交通供电系统牵引变压器的剩余使用寿命预测方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种牵引变压器的剩余使用寿命预测方法，包括：
获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
优选的，建立变压器剩余使用寿命与变压器绕点的热点温度间的模型RUL，则对于牵引变压器某日的工作损耗情况，其运行24小时后，定义剩余有效使用寿命为Arrhenius定律求得的理想RUL与当日损耗的差值。
优选的，得到顶层油温的趋势变化时间序列与随机变化时间序列，包括：
定义原始轨道交通供电系统牵引变压器顶层油温时间序列；
利用EMD分解原始时间序列，定义分解后的第一个节点IMF信号：
定义第一次EMD分解后的信号剩余量；
分解第一次EMD分解后的剩余信号量，得到第二个节点信号：
对每一个节点重复以上步骤，得到最终剩余信号量。
优选的，对趋势变化时间序列采用长短期记忆神经网络LSTM预测模型，对随机变化时间序列采用type-2FIS方法进行预测，并建立组合预测模型。
优选的，对随机变化时间序列采用type-2FIS方法进行预测，包括：
输入变压器顶层油温随机项时间序列，建立基于IF-THEN模糊规则的规则库；定义使用模糊集隶属度函数的数据库；基于模糊规则进行推理决策，并引入粒子群优化算法寻找最优模糊规则；模糊推理；去模糊化，显示化清晰结果。
优选的，利用CEEMDAN分解算法提取顶层油温时间序列特征，进行分解得到混沌时间序列节点和单调趋势序列节点；构建组合预测模型，对于混沌时间序列节点采用type-2FIS进行预测，对单调趋势序列节点采用LSTM进行预测；利用CEEMDAN重构叠加原理得到预测油温，将预测油温以小时划分，并代入变压器剩余使用寿命数学模型中求得牵引变压器剩余使用寿命。
第二方面，本发明提供一种牵引变压器的剩余使用寿命预测系统，包括：
获取模块，用于获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
构建模块，用于根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
提取模块，用于根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
预测模块，用于基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的牵引变压器的剩余使用寿命预测方法。
第四方面，本发明提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的牵引变压器的剩余使用寿命预测方法。
第五方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的牵引变压器的剩余使用寿命预测方法。
本发明有益效果：采用CEEMDAN时间序列分解模型，可以最大限度提取时间序列特征，提升预测的准确度与精度；采用LSTM与type-2FIS的组合预测方式，融合了模糊推理系统与神经网络对时间序列预测的优点，大幅提升了预测精度与预测宽度，可用于轨道交通供电系统牵引变压器顶层油温预测进而进行剩余寿命估计，指导轨道交通供电系统牵引变压器的状态监测与视情维修，保障列车运行的安全可靠。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的轨道交通供电系统牵引变压器剩余使用寿命组合预测原理图。
图2为本发明实施例所述的轨道交通供电系统牵引变压器顶层油温CEEMDAN分解后所得模态分量示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种牵引变压器的剩余使用寿命预测系统，该系统包括：
获取模块，用于获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
构建模块，用于根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
提取模块，用于根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
预测模块，用于基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
本实施例1中，利用上述的系统，实现了牵引变压器的剩余使用寿命预测方法，包括：
获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
其中，建立变压器剩余使用寿命与变压器绕点的热点温度间的模型RUL，则对于牵引变压器某日的工作损耗情况，其运行24小时后，定义剩余有效使用寿命为Arrhenius定律求得的理想RUL与当日损耗的差值。
具体的，根据变压器内部热过程变化过程建立牵引变压器剩余使用寿命数学模型，包括：
由Arrhenius定律可建立变压器剩余使用寿命与绕点热点温度间的模型：
RUL＝Cexp(B/273+θHST)
其中，θHST＝TOT+TΔ，TOT为顶层油温，TΔ为由负载电流所导致的局部温升；RUL计算求得的单位为小时，C、B为给定绝缘材料系数或系统常数，为经验常量，通常B的值给定为15000，C的值随着运行时间的变换会有所改变，需结合真实变压器内部热分析来给定。
考虑到变压器绕点与油间存在的温度差，通常监测顶层油温来替代绕点温度作为实时评估变压器运行工况的性能指标，忽略由负荷电流引起的微弱温度变化，即定义牵引变压器的剩余使用寿命RUL：
RUL＝Cexp(15000/273+TOT)
由上式可以看出，变压器顶层油温越高，其剩余使用寿命数值越低。牵引变压器的油温测量通常以小时为单位记录数据，定义变压器某天24小时内的顶层油温：
U＝T1,T2,...,T23,T24
其中Ti表示第i小时的油温，同时，由蒙辛格6度老化规则规定：在80～140℃范围内，变压器温度每升高6℃，变压器内部绝缘老化率为前老化率的一倍，同时规定，98℃时老化率为1，当顶层油温不超过98℃时，其可正常工作约20年。
随着使用年限的增加，顶部绝缘材料逐渐劣化，顶层油温的温度变化会愈发剧烈，产生大量额外损耗。定义其运行一天的额外寿命损耗loss：
Figure BDA0003466530270000081
其中，P＝{Ti≥80|Ti∈U,1≤i≤24}，j为集合P中元素的个数，“//”表示整除。
则对于牵引变压器某日的工作损耗情况，其运行24小时后，定义剩余有效使用寿命为Arrhenius定律求得的理想RUL与当日损耗的差值：
Figure BDA0003466530270000082
其中，TO″T为当日变压器顶层油温平均值。
本实施例1中，得到顶层油温的趋势变化时间序列与随机变化时间序列，包括：
定义原始轨道交通供电系统牵引变压器顶层油温时间序列；
利用EMD分解原始时间序列，定义分解后的第一个节点IMF信号：
定义第一次EMD分解后的信号剩余量；
分解第一次EMD分解后的剩余信号量，得到第二个节点信号：
对每一个节点重复以上步骤，得到最终剩余信号量。
对趋势变化时间序列采用长短期记忆神经网络LSTM预测模型，对随机变化时间序列采用type-2FIS方法进行预测，并建立组合预测模型。
对随机变化时间序列采用type-2FIS方法进行预测，包括：
输入变压器顶层油温随机项时间序列，建立基于IF-THEN模糊规则的规则库；定义使用模糊集隶属度函数的数据库；基于模糊规则进行推理决策，并引入粒子群优化算法寻找最优模糊规则；模糊推理；去模糊化，显示化清晰结果。
利用CEEMDAN分解算法提取顶层油温时间序列特征，进行分解得到混沌时间序列节点和单调趋势序列节点；构建组合预测模型，对于混沌时间序列节点采用type-2FIS进行预测，对单调趋势序列节点采用LSTM进行预测；利用CEEMDAN重构叠加原理得到预测油温，将预测油温以小时划分，并代入变压器剩余使用寿命数学模型中求得牵引变压器剩余使用寿命。
综上，本实施例1中，根据变压器内部热过程建立牵引变压器剩余寿命数学模型；根据该剩余寿命模型，采用其顶层油温序列来进行剩余寿命预测；将监测到的油温利用CEEMDAN分解分解为趋势项与随机项，对于随机项建立Type-2 FIS预测模型，对于趋势项建立LSTM预测模型，最后通过组合预测的方式进行信号重构，得到变压器顶层油温预测值，进而预测牵引变压器剩余使用寿命。本发明的方法采用组合预测模型，可以最大限度利用原始时间序列信息，消除噪声影响，提升预测精度；可用于列车运行控制系统，指导轨道交通供电系统牵引变压器的状态监测、视情维修等工作。
实施例2
本实施例2中，提供一种轨道交通供电系统牵引变压器剩余寿命组合预测方法，指导轨道交通供电系统牵引变压器的状态监测、视情维修等工作。本实施例2中，基于FIS和LSTM组合的轨道交通供电系统牵引变压器剩余寿命预测方法，包括：
根据变压器内部热过程变化过程建立牵引变压器剩余使用寿命数学模型，并列出相应待求解参数：顶层油温Tot；
根据所述的面向牵引变压器工作期间顶层油温建立时间序列模型，分析其变化趋势并采用CEEMDAN方法进行特征提取，得到其趋势变化时间序列与随机变化时间序列；对趋势变化时间序列采用长短期记忆神经网络(LSTM)预测模型，对随机变化时间序列采用type-2FIS方法进行预测，并建立组合预测模型，精准预测下一时段的变压器顶层油温演化趋势，并将其代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命；
根据所述轨道交通供电系统牵引变压器剩余使用寿命指导状态监测与视情维修
优选地，根据变压器内部热过程变化过程建立牵引变压器剩余使用寿命数学模型，包括：
由Arrhenius定律可建立变压器剩余使用寿命与绕点热点温度间的模型：
RUL＝Cexp(B/273+θHST)
其中，θHST＝TOT+TΔ，TOT为顶层油温，TΔ为由负载电流所导致的局部温升；RUL计算求得的单位为小时，C、B为给定绝缘材料系数或系统常数，为经验常量，通常B的值给定为15000，C的值随着运行时间的变换会有所改变，需结合真实变压器内部热分析来给定。
考虑到变压器绕点与油间存在的温度差，通常监测顶层油温来替代绕点温度作为实时评估变压器运行工况的性能指标，忽略由负荷电流引起的微弱温度变化，即定义牵引变压器的剩余使用寿命RUL：
RUL＝Cexp(15000/273+TOT)
由上式可以看出，变压器顶层油温越高，其剩余使用寿命数值越低。牵引变压器的油温测量通常以小时为单位记录数据，定义变压器某天24小时内的顶层油温：
U＝T1,T2,...,T23,T24
其中Ti表示第i小时的油温，同时，由蒙辛格6度老化规则规定：在80～140℃范围内，变压器温度每升高6℃，变压器内部绝缘老化率为前老化率的一倍，同时规定，98℃时老化率为1，当顶层油温不超过98℃时，其可正常工作约20年。
随着使用年限的增加，顶部绝缘材料逐渐劣化，顶层油温的温度变化会愈发剧烈，产生大量额外损耗。定义其运行一天的额外寿命损耗loss：
Figure BDA0003466530270000111
其中，P＝{Ti≥80|Ti∈U,1≤i≤24}，j为集合P中元素的个数，“//”表示整除。
则对于牵引变压器某日的工作损耗情况，其运行24小时后，定义剩余有效使用寿命为Arrhenius定律求得的理想RUL与当日损耗的差值：
Figure BDA0003466530270000112
其中，TO″T为当日变压器顶层油温平均值。
所述的面向牵引变压器工作期间顶层油温建立时间序列模型，分析其变化趋势并采用CEEMDAN方法进行特征提取，包括：
步骤1.定义原始轨道交通供电系统牵引变压器顶层油温时间序列为Si(t)＝S(t)+ε0wi(t)，其中ε0为噪声系数，i＝0,1,...,I，利用EMD分解原始时间序列，定义分解后的第一个节点IMF(Intrinsic Mode Functions，IMFs)信号：
Figure BDA0003466530270000113
步骤2.定义第一次EMD分解后的信号剩余量：
Figure BDA0003466530270000114
步骤3.分解考虑白噪声的第一次EMD分解后的剩余信号量，得到节点2信号：
Figure BDA0003466530270000115
步骤4.对每一个节点重复以上步骤，得到最终剩余信号量：
Figure BDA0003466530270000121
其中，M为分解信号节点IMF的总数目，利用CEEMDAN分解有效提取了原始信号在不同时间尺度下的特征，提升了预测的平滑度，减少了预测误差。
对随机变化时间序列采用type-2FIS方法进行预测，包括：
步骤1：输入变压器顶层油温随机项时间序列，建立基于IF-THEN模糊规则的规则库；
步骤2：定义使用模糊集隶属度函数的数据库；
步骤3：基于模糊规则进行推理决策，并引入粒子群优化算法寻找最优模糊规则；
步骤4：模糊推理；
步骤5：去模糊化，显示化清晰结果。
对趋势变化时间序列采用LSTM预测模型，对随机变化时间序列采用type-2FIS方法进行预测，并建立组合预测模型，包括：
对于趋势项采用type-2FIS预测算法，type-2FIS与tpye-1FIS相比设置了更多待优化的隶属度函数，具有良好的混沌序列感知能力，利用模糊预测方法可充分提取其变化特征；而LSTM具有捕获时间序列依赖关系的能力，针对CEEMDAN分解的末尾节点的单调趋势演化等特点有着良好的拟合能力。所以，拟采用type-2FIS对分解后的混沌时间序列节点进行预测，采用LSTM对单调趋势运动序列进行预测，其主要步骤如下所示：
步骤1.利用CEEMDAN分解算法提取顶层油温时间序列特征，初始化参数，按照分解步骤依次将其分解为IMF1、IMF2、…、IMF12、IMF13，其中IMF1-IMF12为混沌时间序列节点，IMF13为单调趋势序列节点。
步骤2.构建组合预测模型，对于IMF1-IMF12采用type-2FIS进行预测，设预测结果为s′1,s′2,...,s′12；对IMF13采用LSTM进行预测，设预测结果为s′13。
步骤3.利用CEEMDAN重构叠加原理得到预测油温：
OTp＝s′1+s′2+...+s′13
步骤4.将求得的OTp以小时划分，并代入变压器剩余使用寿命数学模型中求得牵引变压器剩余使用寿命。
由上述本实施例提供的技术方案可以看出，本实施例的方法采用CEEMDAN时间序列分解模型，可以最大限度提取时间序列特征，提升预测的准确度与精度；采用LSTM与type-2FIS的组合预测方式，融合了模糊推理系统与神经网络对时间序列预测的优点，大幅提升了预测精度与预测宽度，可用于轨道交通供电系统牵引变压器顶层油温预测进而进行剩余寿命估计，指导轨道交通供电系统牵引变压器的状态监测与视情维修，保障列车运行的安全可靠。
实施例3
针对牵引变压器进行准确的剩余使用寿命预测，是制定视情维修决策、保障行车安全的前提条件，本实施例3中，提供了一种轨道交通供电系统牵引变压器的剩余寿命组合组合预测方法的原理图如图1所述，具体包括如下的处理步骤：
步骤1：根据变压器内部热过程变化过程建立牵引变压器剩余使用寿命数学模型，包括：
由Arrhenius定律可建立变压器剩余使用寿命与绕点热点温度间的模型：
RUL＝C exp(B/273+θHST)
其中，θHST＝TOT+TΔ，TOT为顶层油温，TΔ为由负载电流所导致的局部温升；RUL计算求得的单位为小时，C、B为给定绝缘材料系数或系统常数，为经验常量，通常B的值给定为15000，C的值随着运行时间的变换会有所改变，需结合真实变压器内部热分析来给定。
考虑到变压器绕点与油间存在的温度差，通常监测顶层油温来替代绕点温度作为实时评估变压器运行工况的性能指标，忽略由负荷电流引起的微弱温度变化，即定义牵引变压器的剩余使用寿命RUL：
RUL＝C exp(15000/273+TOT)
由上式可以看出，变压器顶层油温越高，其剩余使用寿命数值越低。牵引变压器的油温测量通常以小时为单位记录数据，定义变压器某天24小时内的顶层油温：
U＝T1,T2,...,T23,T24
其中Ti表示第i小时的油温，同时，由蒙辛格6度老化规则规定：在80～140℃范围内，变压器温度每升高6℃，变压器内部绝缘老化率为前老化率的一倍，同时规定，98℃时老化率为1，当顶层油温不超过98℃时，其可正常工作约20年。
随着使用年限的增加，顶部绝缘材料逐渐劣化，顶层油温的温度变化会愈发剧烈，产生大量额外损耗。定义其运行一天的额外寿命损耗loss：
Figure BDA0003466530270000141
其中，P＝{Ti≥80|Ti∈U,1≤i≤24}，j为集合P中元素的个数，“//”表示整除。
则对于牵引变压器某日的工作损耗情况，其运行24小时后，定义剩余有效使用寿命为Arrhenius定律求得的理想RUL与当日损耗的差值：
Figure BDA0003466530270000142
其中，T″OT为当日变压器顶层油温平均值。
步骤2：面向牵引变压器工作期间顶层油温建立时间序列模型，分析其变化趋势并采用CEEMDAN方法进行特征提取，图2为顶层油温序列采用CEEMDAN分解后的13个模态的序列分量。
定义原始轨道交通供电系统牵引变压器顶层油温时间序列为Si(t)＝S(t)+ε0wi(t)，其中ε0为噪声系数，i＝0,1,...,I，利用EMD分解原始时间序列，定义分解后的第一个节点IMF(Intrinsic Mode Functions，IMFs)信号：
Figure BDA0003466530270000151
定义第一次EMD分解后的信号剩余量：
Figure BDA0003466530270000152
分解考虑白噪声的第一次EMD分解后的剩余信号量，得到节点2信号：
Figure BDA0003466530270000153
对每一个节点重复以上步骤，得到最终剩余信号量：
Figure BDA0003466530270000154
其中，M为分解信号节点IMF的总数目，利用CEEMDAN分解有效提取了原始信号在不同时间尺度下的特征，提升了预测的平滑度，减少了预测误差。
步骤3：对随机变化时间序列采用type-2FIS方法进行预测，其基本步骤如下所示：
输入变压器顶层油温随机项时间序列，建立基于IF-THEN模糊规则的规则库；
定义使用模糊集隶属度函数的数据库；
基于模糊规则进行推理决策，并引入粒子群优化算法寻找最优模糊规则；
模糊推理；
去模糊化，显示化清晰结果。
步骤4：趋势变化时间序列采用LSTM预测模型，对随机变化时间序列采用type-2FIS方法进行预测。
步骤5：基于CEEMDAN分解进行时间序列重构，并得到变压器剩余使用寿命。
利用CEEMDAN分解算法提取顶层油温时间序列特征，初始化参数，按照分解步骤依次将其分解为IMF1、IMF2、…、IMF12、IMF13，其中IMF1-IMF12为混沌时间序列节点，IMF13为单调趋势序列节点。
构建组合预测模型，对于IMF1-IMF12采用type-2FIS进行预测，设预测结果为s′1,s′2,...,s′12；对IMF13采用LSTM进行预测，设预测结果为s′13。
利用CEEMDAN重构叠加原理得到预测油温：
OTp＝s′1+s′2+...+s′13
将求得的OTp以小时划分，并代入变压器剩余使用寿命数学模型中求得牵引变压器剩余使用寿命。
综上，本实施例3中用来优化轨道交通供电系统可靠性保障过程，并具有如下优点：根据变压器内部温度变化关系建立顶层油温与剩余使用寿命的数学模型，避免了额外的监测次数；采用Type-2 FIS与LSTM组合预测，对变压器顶层油温进行预测，提高了预测的精度；可用于轨道交通供电系统牵引变压器的剩余使用寿命预测，保障轨道交通供电系统安全、高效运行。
实施例4
本发明实施例4提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行牵引变压器的剩余使用寿命预测方法，该方法包括如下流程步骤：
获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
实施例5
本发明实施例5提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现牵引变压器的剩余使用寿命预测方法，该方法包括如下流程步骤：
获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
实施例6
本发明实施例6提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行牵引变压器的剩余使用寿命预测方法，该方法包括如下步骤：
获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
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，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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种牵引变压器的剩余使用寿命预测方法，其特征在于，包括：
获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
2.根据权利要求1所述的牵引变压器的剩余使用寿命预测方法，其特征在于，建立变压器剩余使用寿命与变压器绕点的热点温度间的模型RUL，则对于牵引变压器某日的工作损耗情况，其运行24小时后，定义剩余有效使用寿命为Arrhenius定律求得的理想RUL与当日损耗的差值。
3.根据权利要求2所述的牵引变压器的剩余使用寿命预测方法，其特征在于，得到顶层油温的趋势变化时间序列与随机变化时间序列，包括：
定义原始轨道交通供电系统牵引变压器顶层油温时间序列；
利用EMD分解原始时间序列，定义分解后的第一个节点IMF信号：
定义第一次EMD分解后的信号剩余量；
分解第一次EMD分解后的剩余信号量，得到第二个节点信号：
对每一个节点重复以上步骤，得到最终剩余信号量。
4.根据权利要求3所述的牵引变压器的剩余使用寿命预测方法，其特征在于，对趋势变化时间序列采用长短期记忆神经网络LSTM预测模型，对随机变化时间序列采用type-2FIS方法进行预测，并建立组合预测模型。
5.根据权利要求4所述的牵引变压器的剩余使用寿命预测方法，其特征在于，对随机变化时间序列采用type-2FIS方法进行预测，包括：
输入变压器顶层油温随机项时间序列，建立基于IF-THEN模糊规则的规则库；定义使用模糊集隶属度函数的数据库；基于模糊规则进行推理决策，并引入粒子群优化算法寻找最优模糊规则；模糊推理；去模糊化，显示化清晰结果。
6.根据权利要求5所述的牵引变压器的剩余使用寿命预测方法，其特征在于，利用CEEMDAN分解算法提取顶层油温时间序列特征，进行分解得到混沌时间序列节点和单调趋势序列节点；构建组合预测模型，对于混沌时间序列节点采用type-2FIS进行预测，对单调趋势序列节点采用LSTM进行预测；利用CEEMDAN重构叠加原理得到预测油温，将预测油温以小时划分，并代入变压器剩余使用寿命数学模型中求得牵引变压器剩余使用寿命。
7.一种牵引变压器的剩余使用寿命预测系统，其特征在于，包括：
获取模块，用于获取轨道交通供电系统牵引变压器工作期间的顶层油温数据；
构建模块，用于根据变压器内部热变化过程建立牵引变压器剩余使用寿命数学模型；
提取模块，用于根据所述的牵引变压器工作期间的顶层油温数据建立时间序列模型，分析顶层油温的变化趋势并进行特征提取，得到顶层油温的趋势变化时间序列与随机变化时间序列；
预测模块，用于基于趋势变化时间序列与随机变化时间序列，预测下一时段的变压器顶层油温演化趋势，并将预测结果代入牵引变压器剩余使用寿命数学模型中获取变压器剩余使用寿命。
8.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的牵引变压器的剩余使用寿命预测方法。
9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的牵引变压器的剩余使用寿命预测方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的牵引变压器的剩余使用寿命预测方法。
CN202210031252.5A 2022-01-12 2022-01-12 牵引变压器的剩余使用寿命预测方法及系统 Pending CN114372416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210031252.5A CN114372416A (zh) 2022-01-12 2022-01-12 牵引变压器的剩余使用寿命预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210031252.5A CN114372416A (zh) 2022-01-12 2022-01-12 牵引变压器的剩余使用寿命预测方法及系统

Publications (1)

Publication Number Publication Date
CN114372416A true CN114372416A (zh) 2022-04-19

Family

ID=81143729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210031252.5A Pending CN114372416A (zh) 2022-01-12 2022-01-12 牵引变压器的剩余使用寿命预测方法及系统

Country Status (1)

Country Link
CN (1) CN114372416A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544803A (zh) * 2022-10-31 2022-12-30 贵州电网有限责任公司 一种变压器剩余寿命预测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544803A (zh) * 2022-10-31 2022-12-30 贵州电网有限责任公司 一种变压器剩余寿命预测方法、装置、设备及存储介质
CN115544803B (zh) * 2022-10-31 2023-09-12 贵州电网有限责任公司 一种变压器剩余寿命预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Zeinoddini‐Meymand et al. Health index calculation for power transformers using technical and economical parameters
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
Li et al. Bayesian information fusion for probabilistic health index of power transformer
Yang et al. State evaluation of power transformer based on digital twin
CN112307963A (zh) 一种基于振动信号的换流变压器运行状态识别方法
CN115034457A (zh) 一种基于ceemdan-lstm的城市轨道交通短时客流预测方法
CN114372416A (zh) 牵引变压器的剩余使用寿命预测方法及系统
CN111415068A (zh) 基于改造措施与失负荷量指标关联性的配电决策建模方法
Majzoobi et al. Machine learning applications in estimating transformer loss of life
Zeinoddini‐Meymand et al. Techno‐economical lifetime assessment of power transformers rated over 50 MVA using artificial intelligence models
CN112418662A (zh) 一种利用人工神经网络的配电网运行可靠性分析方法
Zhao et al. A mid-long term load forecasting model based on improved grey theory
Cheng et al. Very‐short‐term load forecasting based on empirical mode decomposition and deep neural network
CN115983458A (zh) 基于灰色bp神经网络的电力碳排放峰值预测方法及系统
CN114861969A (zh) 一种基于lstm的电力系统振荡风险预测方法
CN114298408A (zh) 一种基于ceemd-lstm-mlr的短期电力负荷预测方法
Aranizadeh et al. Comprehensive condition assessment of circuit breakers in a power network for maintenance scheduling
Nandagopan et al. Online prediction of DGA results for intelligent condition monitoring of power transformers
CN111882124A (zh) 一种基于生成对抗模仿学习的同质平台发展效应预测方法
CN116245334B (zh) 一种基于深度强化学习的电力系统风险感知实时调度方法
Gómez et al. Analysis of Asset Management Models for a Transformer Fleet in the National Laboratory of Smart Grids (LAB+ i)
Guedes et al. Insulation failures prognosis in electric machines: preventive detection and time to failure forecast
Wang et al. Real-Time Coordination of Dynamic Network Reconfiguration and Volt-VAR Control in Active Distribution Network: A Graph-Aware Deep Reinforcement Learning Approach
Chao et al. A multi-layer power transformer life span evaluating decision model based on information fusion
Śmiałkowski et al. Autoencoder application for anomaly detection in power consumption of lighting systems

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