CN114444972A - 基于图神经网络的电力变压器健康状态评估方法 - Google Patents
基于图神经网络的电力变压器健康状态评估方法 Download PDFInfo
- Publication number
- CN114444972A CN114444972A CN202210177110.XA CN202210177110A CN114444972A CN 114444972 A CN114444972 A CN 114444972A CN 202210177110 A CN202210177110 A CN 202210177110A CN 114444972 A CN114444972 A CN 114444972A
- Authority
- CN
- China
- Prior art keywords
- index
- health
- indexes
- transformer
- content
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 250
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 141
- 238000011156 evaluation Methods 0.000 claims abstract description 93
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000013210 evaluation model Methods 0.000 claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 57
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 39
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 claims description 38
- 230000003862 health status Effects 0.000 claims description 37
- 238000004587 chromatography analysis Methods 0.000 claims description 29
- 230000007547 defect Effects 0.000 claims description 24
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 22
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 21
- 239000005977 Ethylene Substances 0.000 claims description 21
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 21
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 21
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 21
- 239000001257 hydrogen Substances 0.000 claims description 20
- 229910052739 hydrogen Inorganic materials 0.000 claims description 20
- 238000010521 absorption reaction Methods 0.000 claims description 19
- 230000015556 catabolic process Effects 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000004804 winding Methods 0.000 claims description 19
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 238000012216 screening 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
- G06Q10/06—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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及人工智能及电力领域。公开了一种基于图神经网络的电力变压器健康状态评估方法,全面考虑了多指标及指标间复杂关系,并通过主客观赋权法实现健康状态评估;本发明提出的评估方法从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系;由于底层指标众多,通过层次分析法和健康指数法获得相应综合指标的健康指数;利用综合指标关系图构建图神经网络,再通过故障检修信息进行修正,最终实现变压器健康状态的评估;利用建立的变压器样本集对模型进行训练,将训练好的健康状态评估模型应用于实例验证,实验结果表明该方法能够更准确地得到变压器的健康状态。
Description
技术领域
本发明涉及人工智能及电力技术领域,具体涉及一种基于图神经网络的电力变压器健康状态评估方法。
背景技术
电力变压器作为电力系统中的核心设备,起着能量传输和转换的作用,电力变压器的安全可靠运行关系着整个电网的稳定性。一旦变压器发生运行故障,将可能造成电网大规模的停电事故,对电力系统及国民经济带来重大的负面影响。
长期以来,电力变压器的检修方式主要是定期检修,定期检修会带来“欠修”或“过修”的问题,从而导致维修工作量大,供电可靠性低等后果。因此,实时准确地掌握电力变压器的健康状态,并根据其监控状态进行检修将成为未来电力变压器检修工作的发展方向;故急需一种评估结果更加准确的变压器健康状态评估方案。
现有的变压器状态评估方法存在着评估指标单一、指标间复杂关系考虑欠缺、指标权重量化存在过于主观性等问题,导致评估结果的可靠性较差。
发明内容
本发明的主要目的是提供一种基于图神经网络的电力变压器健康状态评估方法,旨在解决目前急需一种评估结果更加准确的变压器健康状态评估方案的问题。
本发明提出的技术方案为:
一种基于图神经网络的电力变压器健康状态评估方法,包括:
从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系,其中,所述评估指标包括用于对变压器进行评估的底层指标和修正指标;
通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数;
利用综合指标关系图构建图神经网络,再通过故障检修信息进行修正,最终实现变压器健康状态的评估,其中,所述故障检修信息由所述修正指标生成;
建立变压器健康状态评估样本集,基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试,以得到优选评估模型;
通过所述优选评估模型进行变压器健康状态实例验证。
优选的,所述底层指标包括负荷率、环境等级、运行时间、设计寿命、氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、击穿电压、糠醛含量、吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗;所述综合指标包括:与负荷率、环境等级、运行时间和设计寿命对应的运行工况指标、与氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量对应的油色谱试验指标、与微水含量、油介质损耗、击穿电压和糠醛含量对应的油化试验指标,以及与吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗对应的电气试验指标;所述通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数,包括:
基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命,利用健康指数法生成运行工况健康指数;
基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量,利用层次分析法生成油色谱试验健康指数;
基于所述微水含量、所述油介质损耗、所述击穿电压和所述糠醛含量,利用层次分析法生成油化试验健康指数;
基于所述吸收比、所述直阻不平衡率、所述铁芯接地电流和所述绕组介质损耗,利用层次分析法生成电气试验健康指数。
优选的,所述基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命,利用健康指数法生成运行工况健康指数的计算公式为:
H1=0.5eBΔT,
式中,H1为所述运行工况健康指数;B为老化系数,ΔT为所述运行时间,Td为所述设计寿命;fL为负荷率修正因子,取值与所述负荷率相关;fE为环境等级修正因子,取值与所述环境等级相关。
优选的,所述通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数,还包括:
对各所述底层指标进行预处理,以得到对应的底层指标健康指数;
通过层次分析法获得各所述底层指标的权重;
所述基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量,利用层次分析法生成油色谱试验健康指数,包括:
基于所述油色谱试验健康指标对应的各所述底层指标的权重,将所述油色谱试验健康指标对应的各所述底层指标健康指数进行加权求和以得到油色谱试验健康指数。
优选的,所述对各所述底层指标进行预处理,以得到对应的底层指标健康指数,包括:
采用升半梯模型对氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、糠醛含量、直阻不平衡率、铁芯接地电流和绕组介质损耗进行预处理,以得到对应的底层指标健康指数,其中,所述升半梯模型的公式为:
其中,a为指标下阈值,b为指标上阈值;x为指标测量值;y为指标预处理值,即为对应的底层指标健康指数;在所述升半梯模型中,指标测量值越大,对应的底层指标健康指数越大,表明变压器的运行状态越差;
采用降半梯模型对击穿电压和吸收比进行预处理,以得到对应的底层指标健康指数,其中,所述降半梯模型的公式为:
其中,a为指标下阈值,b为指标上阈值;x为指标测量值;y为指标预处理值,即为对应的底层指标健康指数;在所述降半梯模型中,指标测量值越大,对应的底层指标健康指数越小,表明变压器的运行状态越差。
优选的,所述通过层次分析法获得各所述底层指标的权重,包括:
采用成对比较法,对氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量相对于油色谱试验指标的重要程度进行两两判断,并形成判断矩阵;
采用成对比较法,对微水含量、油介质损耗、击穿电压、糠醛含量相对于油化试验指标的重要程度进行两两判断,并形成判断矩阵;
采用成对比较法,对吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗相对于电气试验指标的重要程度进行两两判断,并形成判断矩阵,其中,判断矩阵的结构为:
其中,元素aij代表的含义为第i个指标相较于第j个指标的重要程度,矩阵中的对角元素都为1,元素aij与元素aji互为倒数关系,n为各个试验对应的底层指标总数;
对判断矩阵进行一致性检验;
若判断矩阵不满足一致性检验,对相应底层指标的相对重要程度进行重新判断,直至判断矩阵满足一致性检验;
若判断矩阵满足一致性检验,计算判断矩阵的最大特征值λmax和最大特征值对应的特征向量w,以获得底层指标的权重。
优选的,所述修正指标包括故障次数、附件情况和家族缺陷;所述利用综合指标关系图构建图神经网络,再通过故障检修信息进行修正,最终实现变压器健康状态的评估,包括:
通过图神经网络层挖掘各综合指标间的关系,并聚合彼此相关的综合指标的信息以更新各综合指标的特征信息;
基于所述故障次数、所述附件情况和所述家族缺陷生成故障检修信息,其中,所述故障检修信息包括故障次数修正系数、附件外观修正系数和家族缺陷修正系数;利用故障次数修正系数、附件外观修正系数和家族缺陷修正系数对综合指标得到的结果进行修正;
通过非线性层评估变压器的健康状态。
优选的,所述建立变压器健康状态评估样本集,包括:
通过层次分析法,获取多组不同的人工权重集,其中,所述人工权重集包括与所述运行工况健康指数对应的运行工况指标权重、与所述油色谱试验健康指数对应的油色谱试验指标权重、与所述油化试验健康指数对应的油化试验指标权重,和与所述电气试验健康指数对应的电气试验指标权重;
获取样本数据集,其中,所述样本数据集包括多组与变压器一一对应的样本数据,每个所述样本数据均包括完整的评估指标;
将每个所述样本数据对应的各综合指标的健康指数与对应的各组人工权重集相乘后相加,再通过所述故障缺陷信息进行修正,以得到所述样本数据对应的多组待选健康指数;
利用健康状态等级与健康指数之间的对应关系,得到各组待选健康指数对应的变压器健康状态,并基于少数服从多数的原则确定所述样本数据的变压器健康状态,其中,变压器的健康状态等级包括好、较好、一般、差和很差;
以所述样本数据和对应的所述变压器健康状态建立变压器健康状态评估样本集。
优选的,所述将每个所述样本数据对应的各综合指标的健康指数与对应的各组人工权重集相乘后相加,再通过所述故障检修信息进行修正,以得到所述样本数据对应的多组待选健康指数的计算公式为:
式中,HI(m)为依据第m组人工权重集得到待选健康指数,ki(m)为第m组人工权重集中第i个综合指标的权重,f1为故障次数修正系数,f2为附件外观修正系数,f3为家族缺陷修正系数。
优选的,所述基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试,以得到优选评估模型,包括:
按照预设比例将变压器状态评估样本集分为训练集和测试集,其中,所述训练集包括多个训练样本,测试集包括多个测试样本;
使用训练集对所述评估模型进行训练,当达到训练次数时终止训练,以得到所述优选评估模型;
将所述测试集输入至所述优选评估模型,以得到所述测试样本对应的测试健康状态;
将所述测试健康状态与所述实际健康状态一致的所述测试样本标记为正确样本;
将所述正确样本的数量与所述测试集中所有的所述测试样本的数量的比值标记为准确率。
通过上述技术方案,能实现以下有益效果:
本发明提出的基于图神经网络的电力变压器健康状态评估方法给出了一套完善且更为准确的变压器健康状态评估方案;具体的:本发明提出了一种依据变压器多方面状态信息(即评估指标)的健康状态评估体系;这里的评估指标包含基本信息、运行信息、试验信息和故障检修信息,由底层指标和修正指标组成;本评估体系能够基于这些评估指标对变压器进行更加充分且全面的运行状态评估,然后基于评估体系建立变压器状态评估样本集,并建立评估模型;再基于评估样本集对评估模型进行训练和测试,以得到优选评估模型;最后通过优选评估模型来对变压器进行健康状态的评估。通过层次分析法和健康指数法得到底层指标对应的综合指标的健康指数,建立图神经网络来挖掘各综合指标之间的相互关系,并利用故障检修对综合指标得到的结果进行修正,以此得到状态评估结果,考虑了各个指标之间可能存在的相互关系,实现了指标权重量化的主客观方法结合,确保了最终的健康状态的评估准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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示出的结构获得其他的附图。
图1为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第一实施例的流程图;
图2为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第一实施例的变压器健康状态评估体系示意图;
图3为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第一实施例的变压器健康状态评估模型的示意图;
图4为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第五实施例的底层指标预处理模型的示意图;
图5为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第八实施例的图神经网络的工作原理的示意图;
图6为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第九实施例的图神经网络层的边更新工作原理示意图;
图7为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第九实施例的图神经网络层的节点更新工作原理示意图;
图8为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第十二实施例的训练集的损失变化曲线示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提出一种基于图神经网络的电力变压器健康状态评估方法。
如附图1所示,在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第一实施例中,本基于图神经网络的电力变压器健康状态评估方法包括如下步骤:
步骤S110:从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系,其中,所述评估指标包括用于对变压器进行评估的底层指标和修正指标。
具体的,电力变压器健康状态评估体系如附图2所示;变压器健康状态底层指标包括负荷率、环境等级、运行时间、设计寿命、氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、击穿电压、糠醛含量、吸收比、直阻不平衡率、铁芯接地电流、绕组介质损耗;变压器健康状态修正指标包括故障次数、附件情况和家族缺陷;即评估指标包括了变压器对应的基本信息、运行信息、试验信息和故障检修信息。
步骤S120:通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数。
具体的,基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命,利用健康指数法生成运行工况健康指数;基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量,利用层次分析法生成油色谱试验健康指数;基于所述微水含量、所述油介质损耗、所述击穿电压和所述糠醛含量,利用层次分析法生成油化试验健康指数;基于所述吸收比、所述直阻不平衡率、所述铁芯接地电流和所述绕组介质损耗,利用层次分析法生成电气试验健康指数;即将综合指标用于数值的形式进行表述,以便于进行比较和直观的分析。
步骤S130:利用综合指标关系图构建图神经网络,再通过故障检修信息进行修正,最终实现变压器健康状态的评估,其中,所述故障检修信息由所述修正指标生成。
具体的,通过图神经网络层来挖掘各综合指标之间的相互关系,并利用故障检修信息对综合指标得到的结果进行修正,再通过非线性层实现变压器健康状态的评估。
步骤S140:建立变压器健康状态评估样本集,基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试,以得到优选评估模型。
具体的,以变压器样本数据和对应的变压器健康状态建立变压器健康状态评估样本集。变压器健康状态评估模型如附图3所示,基于所述变压器健康状态评估样本集对评估模型进行训练和测试,以得到优选评估模型。
步骤S150:通过所述优选评估模型进行变压器健康状态实例验证。
具体的,完成测试后的评估模型便可用于实际应用,即对变压器进行健康状态实例验证。
本发明提出的基于图神经网络的电力变压器健康状态评估方法给出了一套完善且更为准确的变压器健康状态评估方案;具体的:本发明提出了一种依据变压器多方面状态信息(即评估指标)的健康状态评估体系;这里的评估指标包含基本信息、运行信息、试验信息和故障检修信息,由底层指标和修正指标组成;本评估体系能够基于这些评估指标对变压器进行更加充分且全面的运行状态评估,然后基于评估体系建立变压器状态评估样本集,并建立评估模型;再基于评估样本集对评估模型进行训练和测试,以得到优选评估模型;最后通过优选评估模型来对变压器进行健康状态的评估。通过层次分析法和健康指数法得到底层指标对应的综合指标的健康指数,建立图神经网络来挖掘各综合指标之间的相互关系,并利用故障检修对综合指标得到的结果进行修正,以此得到状态评估结果,考虑了各个指标之间可能存在的相互关系,实现了指标权重量化的主客观方法结合,确保了最终的健康状态的评估准确性。
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第二实施例中,基于第一实施例,所述底层指标包括负荷率、环境等级、运行时间、设计寿命、氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、击穿电压、糠醛含量、吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗;所述综合指标包括:与负荷率、环境等级、运行时间和设计寿命对应的运行工况指标、与氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量对应的油色谱试验指标、与微水含量、油介质损耗、击穿电压和糠醛含量对应的油化试验指标,以及与吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗对应的电气试验指标;步骤S120,包括如下步骤:
步骤S210:基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命,利用健康指数法生成运行工况健康指数。
具体的,这里的运行工况健康指数能够以数值的方式来反映变压器的运行工况。
步骤S220:基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量,利用层次分析法生成油色谱试验健康指数。
具体的,这里的油色谱试验健康指数能够以数值的方式来反映变压器的油色谱试验健康情况。
步骤S230:基于所述微水含量、所述油介质损耗、所述击穿电压和所述糠醛含量,利用层次分析法生成油化试验健康指数。
具体的,这里的油化试验健康指数能够以数值的方式来反映变压器的油化试验健康情况。
步骤S240:基于所述吸收比、所述直阻不平衡率、所述铁芯接地电流和所述绕组介质损耗,利用层次分析法生成电气试验健康指数。
具体的,这里的电气试验健康指数能够以数值的方式来反映变压器的电气试验健康情况。
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第三实施例中,基于第二实施例,所述基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命,利用健康指数法生成运行工况健康指数的计算公式为:
H1=0.5eBΔT,
式中,H1为所述运行工况健康指数;B为老化系数,ΔT为所述运行时间,单位为年;Td为所述设计寿命,单位为年;fL为负荷率修正因子,取值与所述负荷率相关;fE为环境等级修正因子,取值与所述环境等级相关。
具体的,负荷率修正因子由表1确定,环境等级修正因子由表2确定;其中,表1为负荷修正表,表2为环境等级修正表:
负荷率(%) | 负荷系数f<sub>L</sub> |
0-40% | 1 |
40%-60% | 1.05 |
60%-70% | 1.1 |
70%-80% | 1.25 |
80%-150% | 1.6 |
表1
环境等级 | 环境系数f<sub>E</sub> |
0 | 1 |
1 | 1 |
2 | 1.05 |
3 | 1.15 |
4 | 1.3 |
表2
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第四实施例中,基于第二实施例,步骤S120中的通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数,还包括如下步骤:
步骤S410:对各所述底层指标进行预处理,以得到对应的底层指标健康指数。
具体的,由于各个底层指标由于数量级和量纲不同,故需要对其进行预处理。
步骤S420:通过层次分析法获得各所述底层指标的权重。
步骤S220,包括如下步骤:
步骤S430:基于所述油色谱试验健康指标对应的各所述底层指标的权重,将所述油色谱试验健康指标对应的各所述底层指标健康指数进行加权求和以得到油色谱试验健康指数。
步骤S230,包括如下步骤:
步骤S440:基于所述油化试验健康指标对应的各所述底层指标的权重,将所述油化试验健康指标对应的各所述底层指标健康指数进行加权求和以得到油化试验健康指数。
步骤S240,包括如下步骤:
步骤S450:基于所述电气试验健康指标对应的各所述底层指标的权重,将所述电气试验健康指标对应的各所述底层指标健康指数进行加权求和以得到电气试验健康指数。
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第五实施例中,基于第四实施例,步骤S410,包括如下步骤:
步骤S510:采用升半梯模型对氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、糠醛含量、直阻不平衡率、铁芯接地电流和绕组介质损耗进行预处理,以得到对应的底层指标健康指数,其中,所述升半梯模型的公式为:
其中,a为指标下阈值,b为指标上阈值;x为指标测量值;y为指标预处理值,即为对应的底层指标健康指数;在所述升半梯模型中,指标测量值越大,对应的底层指标健康指数越大,表明变压器的运行状态越差。
步骤S520:采用降半梯模型对击穿电压和吸收比进行预处理,以得到对应的底层指标健康指数,其中,所述降半梯模型的公式为:
其中,a为指标下阈值,b为指标上阈值;x为指标测量值;y为指标预处理值,即为对应的底层指标健康指数;在所述降半梯模型中,指标测量值越大,对应的底层指标健康指数越小,表明变压器的运行状态越差。
具体的,预处理模型的示意图如附图4所示;上述底层指标对应的的阈值和预处理模型如表3所示,表3为变压器底层指标的阈值和评分模型:
底层指标 | a | b | 评分模型 |
氢气含量(μL/L) | 10 | 150 | 升半梯 |
甲烷含量(μL/L) | 0 | 60 | 升半梯 |
乙烷含量(μL/L) | 0 | 40 | 升半梯 |
乙烯含量(μL/L) | 0 | 70 | 升半梯 |
乙炔含量(μL/L) | 0 | 5 | 升半梯 |
微水含量(mg/L) | 20 | 35 | 升半梯 |
油介质损耗(%) | 0 | 4 | 升半梯 |
击穿电压(kV) | 35 | 50 | 降半梯 |
糠醛(mg/L) | 0 | 4 | 升半梯 |
吸收比 | 1.3 | 2 | 降半梯 |
直阻不平衡率 | 0 | 2 | 升半梯 |
铁芯接地电流(mA) | 0 | 100 | 升半梯 |
绕组介质损耗(%) | 0 | 0.8 | 升半梯 |
表3
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第六实施例中,基于第四实施例,步骤S420,包括如下步骤:
步骤S610:采用成对比较法,对氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量相对于油色谱试验指标的重要程度进行两两判断,并形成判断矩阵。
步骤S620:采用成对比较法,对微水含量、油介质损耗、击穿电压、糠醛含量相对于油化试验指标的重要程度进行两两判断,并形成判断矩阵。
步骤S630:采用成对比较法,对吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗相对于电气试验指标的重要程度进行两两判断,并形成判断矩阵,其中,判断矩阵的结构为:
其中,判断矩阵中元素aij代表的含义为第i个指标相较于第j个指标的重要标度。矩阵中的对角元素都为1,元素aij与元素aji互为倒数关系,n为各个试验对应的底层指标总数。目前使用的指标间重要标度如表4所示。
标度值 | 对比程度 |
1 | i与j同等重要 |
2 | 1-3中间的程度 |
3 | i与j同等重要 |
4 | 3-5中间的程度 |
5 | i与j同等重要 |
6 | 5-7中间的程度 |
7 | i与j同等重要 |
8 | 7-9中间的程度 |
9 | i与j同等重要 |
表4
步骤S640:对判断矩阵进行一致性检验。
具体的,得到判断矩阵之后,为了避免在判断各个指标相对重要程度时出现的矛盾情况,需要对判断矩阵进行一致性检验。具体步骤如下:
1)首先计算一致性指标CI:
其中,λmax为判断矩阵的最大特征根,n为判断矩阵的阶数。
2)然后计算检验系数CR
其中,RI为随机一致性指标,其取值规则如表5所示:
表5
步骤S650:若判断矩阵不满足一致性检验,对相应底层指标的相对重要程度进行重新判断,直至判断矩阵满足一致性检验。
步骤S660:若判断矩阵满足一致性检验,计算判断矩阵的最大特征值λmax和最大特征值对应的特征向量w,以获得底层指标的权重。
具体的,如果检验系数CR小于0.1,则认为该判断矩阵通过了一致性检验。相反,则代表该判断矩阵不满足一致性检验,此时,需要对同一层的各个指标的相对重要程度进行重新判断,直至该判断矩阵满足一致性检验。判断矩阵通过一致性检验后,此时判断矩阵最大特征根λmax对应的特征向量w即代表最低层指标相对于上一层指标的重要程度,以此获得指标的权重。
下表6为层次分析法得到的底层指标权重:
底层指标 | 权重 | 底层指标 | 权重 | 底层指标 | 权重 |
氢气 | 0.1245 | 油中微水 | 0.2198 | 吸收比 | 0.1455 |
甲烷 | 0.185 | 油介质损耗 | 0.2061 | 直阻不平衡率 | 0.2724 |
乙烷 | 0.1245 | 击穿电压 | 0.2314 | 铁芯接地电流 | 0.2309 |
乙烯 | 0.2527 | 糠醛 | 0.3427 | 绕组介质损耗 | 0.3783 |
乙炔 | 0.3132 |
表6
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第七实施例中,基于第四实施例,步骤S430的计算公式为:
其中,H2为油色谱试验健康指数,yi为油色谱试验指标对应的第i个底层指标健康指数,wi为油色谱试验指标对应的第i个底层指标的权重,n为油色谱试验指标对应的底层指标的个数,本实施例中为5。
步骤S440的计算公式为:
其中,H3为油化试验健康指数,hi为油化试验指标对应的第i个底层指标健康指数,zi为油化试验指标对应的第i个底层指标的权重,o为油化试验指标对应的底层指标的个数,本实施例中为4。
步骤S450的计算公式为:
其中,H4为电气试验健康指数,ti为电气试验指标对应的第i个底层指标健康指数,bi为电气试验指标对应的第i个底层指标的权重,p为电气试验指标对应的底层指标的个数,本实施例中为4。
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第八实施例中,基于第一实施例,所述修正指标包括故障次数、附件情况和家族缺陷;所述图神经网络包括图神经网络层和非线性层;步骤S130,包括如下步骤:
步骤S810:通过图神经网络层挖掘各综合指标间的关系,并聚合彼此相关的综合指标的信息以更新各综合指标的特征信息。
步骤S820:基于所述故障次数、所述附件情况和所述家族缺陷生成故障检修信息,其中,所述故障检修信息包括故障次数修正系数、附件外观修正系数和家族缺陷修正系数;利用故障次数修正系数、附件外观修正系数和家族缺陷修正系数对综合指标得到的结果进行修正。
步骤S830:通过非线性层评估变压器的健康状态。
具体的,本发明构建的图神经网络包括一个图神经网络层和一个非线性层;通过图神经网络层实现了综合指标间关系的挖掘,然后聚合相关指标的信息去实现各综合指标特征信息的更新。然后利用故障次数修正系数、附件外观修正系数和家族缺陷修正系数去修正综合指标得到的结果。最后通过构建非线性层,实现变压器健康状态的评估;图神经网络的工作原理为附图5所示。
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第九实施例中,基于第八实施例,步骤S810,包括如下步骤:
步骤S910:通过图神经网络层的边更新过程来更新综合指标之间的关系,公式为:
e′ij=φe(vi,vj),
式中,vi为发射节点的特征,vj为接收节点的特征。φe为边更新函数,e′ij为节点i传递给节点j的边的信息;本发明通过构建非线性网络来实现节点之间边的关系的获取,如附图6所示。
步骤S920:通过图神经网络层的节点更新过程来更新综合指标的特征信息,公式为:
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第十实施例中,基于第一实施例,步骤S140中的建立变压器健康状态评估样本集,包括如下步骤:
步骤S1010:通过层次分析法,获取多组不同的人工权重集,其中,所述人工权重集包括与所述运行工况健康指数对应的运行工况指标权重、与所述油色谱试验健康指数对应的油色谱试验指标权重、与所述油化试验健康指数对应的油化试验指标权重,和与所述电气试验健康指数对应的电气试验指标权重。
具体的,这里的人工权重集由专家确定,每名专家确定一组人工权重集,本实施例中采用由5名专家确定的5组人工权重集。
步骤S1020:获取样本数据集,其中,所述样本数据集包括多组与变压器一一对应的样本数据,每个所述样本数据均包括完整的评估指标。
步骤S1030:将每个所述样本数据对应的各综合指标的健康指数与对应的各组人工权重集相乘后相加,再通过所述故障检修信息进行修正,以得到所述样本数据对应的多组待选健康指数。
步骤S1040:利用健康状态等级与健康指数之间的对应关系,得到各组待选健康指数对应的变压器健康状态,并基于少数服从多数的原则确定所述样本数据的变压器健康状态,其中,变压器的健康状态等级包括好、较好、一般、差和很差;
步骤S1050:以所述样本数据和对应的所述变压器健康状态建立变压器健康状态评估样本集。
具体的,本实施例中的变压器健康状态等级与健康指数之间的对应关系由表7确定,表7为变压器健康状态等级与健康指数的对应关系表:
健康指数 | 健康状态 | 故障风险 |
[0,1.5] | 好 | 无安全隐患 |
(1.5,4] | 较好 | 很低 |
(4,5.5] | 一般 | 低 |
(5.5,7] | 差 | 中 |
(7,10] | 很差 | 高 |
表7
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第十一实施例中,基于第十实施例,步骤S1030的计算公式为:
式中,HI(m)为依据第m组人工权重集得到待选健康指数,m小于等于M,M为人工权重集的数量(本实施例中,这里的人工权重集为人工输入的由不同的专家确定的权重集,M取5,即本实施例中有5个不同的专家利用层次分析法分别确定的权重集);ki(m)为第m组人工权重集中第i个综合指标的权重,f1为故障次数修正系数,f2为附件外观修正系数,f3为家族缺陷修正系数。
具体的,本实施例中人工权重集中各个综合指标的权重由表8确定,表8为各个专家利用层次分析法确定的人工权重集:
表8此外,故障次数修正系数由表9确定,表9为故障次数修正表:
表9此外,附件外观修正系数由表10确定,表10为附件外观修正表:
表10此外,家族缺陷修正系数由表11确定,表11为家族缺陷修正表:
家族缺陷情况 | 家族缺陷修正系数f3 |
同系列设备未发生问题 | 0.96 |
同系列设备发生少数缺陷,但未危及运行 | 1 |
同系列设备发生重复故障,存在隐患 | 1.04 |
表11
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第十二实施例中,基于第十一实施例,步骤S140中的基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试,以得到优选评估模型,包括如下步骤:
步骤S1201:按照预设比例将评估样本集分为训练集和测试集,其中,所述训练集包括多个训练样本,测试集包括多个测试样本。
具体的,这里的预设比例为7:3,即训练集和测试集之间的比例为7:3。
步骤S1202:使用训练集对所述评估模型进行训练,当达到训练次数时终止训练,以得到所述优选评估模型。
具体的,这里的训练次数优选为500次。
步骤S1203:将所述测试集输入至所述优选评估模型,以得到所述测试样本对应的测试健康状态。
步骤S1204:将所述测试健康状态与所述实际健康状态一致的所述测试样本标记为正确样本。
步骤S1205:将所述正确样本的数量与所述测试集中所有的所述测试样本的数量的比值标记为准确率。
具体的,本发明收集筛选得到了200组评估样本集。其中,140组训练集和60组测试集。附图8所示为基于图神经网络的变压器健康状态评估模型训练集的训练损失随着迭代次数的变化曲线。从图中可以看到,当迭代次数达到500次时,训练损失趋于平稳。因此,本发明将训练次数设置为500次,并对训练集和测试集的准确率进行记录。其中,训练集的准确率为97.14%,测试集的准确率为93.33%。
此外,本发明利用此模型对某变压器进行实例分析。该变压器的设计寿命为20年,运行时间为14年,平均负载率72%,运行环境等级1级。变压器发生过3次故障,并且同系列设备发生过少数故障,但未危及运行。对其附件外观进行检查,本体、冷却系统、分接开关和非电量保护装置的外观等级分别为二级、二级、一级和一级。油色谱试验、油化试验和电气试验记录如表12所示,表12为实例分析所采用的变压器的试验数据:
表12
将上述数据进行预处理后得到综合指标的健康指数,并输入至图神经网络模型,最后得到变压器的健康状态评估结果为“差”。表明变压器此时存在一定的故障风险,并且预测结果与实际情况相符。另外,本发明使用第十一实施例中5位专家分别确定的权重对该变压器进行状态评估,结果如表13所示,表13为由专家确定的权重得到的健康指数和对应的状态评估结果。
专家 | 健康指数 | 评估结果 | 专家 | 健康指数 | 评估结果 |
专家1 | 5.265 | “一般” | 专家2 | 5.625 | “差” |
专家3 | 5.260 | “一般” | 专家4 | 5.760 | “差” |
专家5 | 5.718 | “差” |
表13
从上表可以得出,利用专家经验得出的状态评估结果大部分正确。但是若只选择一个专家经验对变压器进行状态评估,则有较大的可能造成变压器某些缺陷未及时处理而迅速扩大,对变压器乃至整个电网造成威胁。另外,该方法确定的权重具有较强的主观性,并且未考虑指标之间复杂的相互关系,因此状态评估结果不易令人信服。
因此,本发明结合5位专家的状态评估结果来确定各组变压器数据相应的标签,以此建立样本集。本发明所提方法通过层次分析法和健康指数法得到各底层指标对应的综合指标健康指数,再建立综合指标关系图,并通过图神经网络实现变压器健康状态评估。该方法不仅实现了权重确定的主客观方法结合,还实现了指标之间相互关系的挖掘,使状态评估结果更具有可靠性。
综上,本发明提出的一种基于图神经网络的变压器健康状态评估方法。该方法从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系,利用层次分析法和健康指数法得到底层指标对应的综合指标健康指数,然后通过建立综合指标关系图,并构建图神经网络来挖掘综合指标之间的相互关系,实现变压器健康状态的评估。该方法不仅充分考虑状态评估指标选取的全面性和各个指标之间可能存在的相互关系,还实现了权重确定的主客观方法结合,使健康状态评估结果更可靠。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种基于图神经网络的电力变压器健康状态评估方法,其特征在于,包括:
从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系,其中,所述评估指标包括用于对变压器进行评估的底层指标和修正指标;
通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数;
利用综合指标关系图构建图神经网络,再通过故障检修信息进行修正,最终实现变压器健康状态的评估,其中,所述故障检修信息由所述修正指标生成;
建立变压器健康状态评估样本集,基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试,以得到优选评估模型;
通过所述优选评估模型进行变压器健康状态实例验证。
2.根据权利要求1所述的一种基于图神经网络的电力变压器健康状态评估方法,其特征在于,所述底层指标包括负荷率、环境等级、运行时间、设计寿命、氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、击穿电压、糠醛含量、吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗;所述综合指标包括:与负荷率、环境等级、运行时间和设计寿命对应的运行工况指标、与氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量对应的油色谱试验指标、与微水含量、油介质损耗、击穿电压和糠醛含量对应的油化试验指标,以及与吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗对应的电气试验指标;所述通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数,包括:
基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命,利用健康指数法生成运行工况健康指数;
基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量,利用层次分析法生成油色谱试验健康指数;
基于所述微水含量、所述油介质损耗、所述击穿电压和所述糠醛含量,利用层次分析法生成油化试验健康指数;
基于所述吸收比、所述直阻不平衡率、所述铁芯接地电流和所述绕组介质损耗,利用层次分析法生成电气试验健康指数。
4.根据权利要求2所述的一种基于图神经网络的电力变压器健康状态评估方法,其特征在于,所述通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数,还包括:
对各所述底层指标进行预处理,以得到对应的底层指标健康指数;
通过层次分析法获得各所述底层指标的权重;
所述基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量,利用层次分析法生成油色谱试验健康指数,包括:
基于所述油色谱试验健康指标对应的各所述底层指标的权重,将所述油色谱试验健康指标对应的各所述底层指标健康指数进行加权求和以得到油色谱试验健康指数。
5.根据权利要求4所述的一种基于图神经网络的电力变压器健康状态评估方法,其特征在于,所述对各所述底层指标进行预处理,以得到对应的底层指标健康指数,包括:
采用升半梯模型对氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、糠醛含量、直阻不平衡率、铁芯接地电流和绕组介质损耗进行预处理,以得到对应的底层指标健康指数,其中,所述升半梯模型的公式为:
其中,a为指标下阈值,b为指标上阈值;x为指标测量值;y为指标预处理值,即为对应的底层指标健康指数;在所述升半梯模型中,指标测量值越大,对应的底层指标健康指数越大,表明变压器的运行状态越差;
采用降半梯模型对击穿电压和吸收比进行预处理,以得到对应的底层指标健康指数,其中,所述降半梯模型的公式为:
其中,a为指标下阈值,b为指标上阈值;x为指标测量值;y为指标预处理值,即为对应的底层指标健康指数;在所述降半梯模型中,指标测量值越大,对应的底层指标健康指数越小,表明变压器的运行状态越差。
6.根据权利要求4所述的一种基于图神经网络的电力变压器健康状态评估方法,其特征在于,所述通过层次分析法获得各所述底层指标的权重,包括:
采用成对比较法,对氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量相对于油色谱试验指标的重要程度进行两两判断,并形成判断矩阵;
采用成对比较法,对微水含量、油介质损耗、击穿电压、糠醛含量相对于油化试验指标的重要程度进行两两判断,并形成判断矩阵;
采用成对比较法,对吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗相对于电气试验指标的重要程度进行两两判断,并形成判断矩阵,其中,判断矩阵的结构为:
其中,元素aij代表的含义为第i个指标相较于第j个指标的重要程度,矩阵中的对角元素都为1,元素aij与元素aji互为倒数关系,n为各个试验对应的底层指标总数;
对判断矩阵进行一致性检验;
若判断矩阵不满足一致性检验,对相应底层指标的相对重要程度进行重新判断,直至判断矩阵满足一致性检验;
若判断矩阵满足一致性检验,计算判断矩阵的最大特征值λmax和最大特征值对应的特征向量w,以获得底层指标的权重。
7.根据权利要求1所述的一种基于图神经网络的电力变压器健康状态评估方法,其特征在于,所述修正指标包括故障次数、附件情况和家族缺陷;
所述利用综合指标关系图构建图神经网络,再通过故障检修信息进行修正,最终实现变压器健康状态的评估,包括:
通过图神经网络层挖掘各综合指标间的关系,并聚合彼此相关的综合指标的信息以更新各综合指标的特征信息;
基于所述故障次数、所述附件情况和所述家族缺陷生成故障检修信息,其中,所述故障检修信息包括故障次数修正系数、附件外观修正系数和家族缺陷修正系数;利用故障次数修正系数、附件外观修正系数和家族缺陷修正系数对综合指标得到的结果进行修正;
通过非线性层评估变压器的健康状态。
8.根据权利要求2所述的一种基于图神经网络的电力变压器健康状态评估方法,其特征在于,所述建立变压器健康状态评估样本集,包括:
通过层次分析法,获取多组不同的人工权重集,其中,所述人工权重集包括与所述运行工况健康指数对应的运行工况指标权重、与所述油色谱试验健康指数对应的油色谱试验指标权重、与所述油化试验健康指数对应的油化试验指标权重,和与所述电气试验健康指数对应的电气试验指标权重;
获取样本数据集,其中,所述样本数据集包括多组与变压器一一对应的样本数据,每个所述样本数据均包括完整的评估指标;
将每个所述样本数据对应的各综合指标的健康指数与对应的各组人工权重集相乘后相加,再通过所述故障检修信息进行修正,以得到所述样本数据对应的多组待选健康指数;
利用健康状态等级与健康指数之间的对应关系,得到各组待选健康指数对应的变压器健康状态,并基于少数服从多数的原则确定所述样本数据的变压器健康状态,其中,变压器的健康状态等级包括好、较好、一般、差和很差;
以所述样本数据和对应的所述变压器健康状态建立变压器健康状态评估样本集。
10.根据权利要求9所述的一种基于图神经网络的电力变压器健康状态评估方法,其特征在于,所述基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试,以得到优选评估模型,包括:
按照预设比例将变压器状态评估样本集分为训练集和测试集,其中,所述训练集包括多个训练样本,测试集包括多个测试样本;
使用训练集对所述评估模型进行训练,当达到训练次数时终止训练,以得到所述优选评估模型;
将所述测试集输入至所述优选评估模型,以得到所述测试样本对应的测试健康状态;
将所述测试健康状态与所述实际健康状态一致的所述测试样本标记为正确样本;
将所述正确样本的数量与所述测试集中所有的所述测试样本的数量的比值标记为准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177110.XA CN114444972B (zh) | 2022-02-24 | 2022-02-24 | 基于图神经网络的电力变压器健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177110.XA CN114444972B (zh) | 2022-02-24 | 2022-02-24 | 基于图神经网络的电力变压器健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444972A true CN114444972A (zh) | 2022-05-06 |
CN114444972B CN114444972B (zh) | 2024-06-18 |
Family
ID=81373232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210177110.XA Active CN114444972B (zh) | 2022-02-24 | 2022-02-24 | 基于图神经网络的电力变压器健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444972B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091034A (zh) * | 2022-12-08 | 2023-05-09 | 新疆升晟股份有限公司 | 一种电炉变压器智能运维方法、系统及设备 |
CN116226767A (zh) * | 2023-05-08 | 2023-06-06 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统实验数据自动诊断方法 |
CN117129789A (zh) * | 2023-10-24 | 2023-11-28 | 北京智盟信通科技有限公司 | 一种电力变压器绝缘系统的健康状态评估方法 |
CN117592383A (zh) * | 2024-01-19 | 2024-02-23 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
CN118246246A (zh) * | 2024-05-24 | 2024-06-25 | 国网山东省电力公司泗水县供电公司 | 一种基于多源数据融合的变压器寿命预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784778A (zh) * | 2019-02-28 | 2019-05-21 | 武汉大学 | 一种基于综合赋权的电网规划模糊综合评价方法 |
US20200160178A1 (en) * | 2018-11-16 | 2020-05-21 | Nvidia Corporation | Learning to generate synthetic datasets for traning neural networks |
WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
-
2022
- 2022-02-24 CN CN202210177110.XA patent/CN114444972B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200160178A1 (en) * | 2018-11-16 | 2020-05-21 | Nvidia Corporation | Learning to generate synthetic datasets for traning neural networks |
CN109784778A (zh) * | 2019-02-28 | 2019-05-21 | 武汉大学 | 一种基于综合赋权的电网规划模糊综合评价方法 |
WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
Non-Patent Citations (1)
Title |
---|
DIANSHENG LUO ET AL.: "Prediction for Dissolved Gas in power transformer oil based on temporal convolutional and graph convolutional network", ICPSASIA, 2 December 2021 (2021-12-02) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091034A (zh) * | 2022-12-08 | 2023-05-09 | 新疆升晟股份有限公司 | 一种电炉变压器智能运维方法、系统及设备 |
CN116091034B (zh) * | 2022-12-08 | 2023-08-29 | 新疆升晟股份有限公司 | 一种电炉变压器智能运维方法、系统及设备 |
CN116226767A (zh) * | 2023-05-08 | 2023-06-06 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统实验数据自动诊断方法 |
CN116226767B (zh) * | 2023-05-08 | 2023-10-17 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统实验数据自动诊断方法 |
CN117129789A (zh) * | 2023-10-24 | 2023-11-28 | 北京智盟信通科技有限公司 | 一种电力变压器绝缘系统的健康状态评估方法 |
CN117129789B (zh) * | 2023-10-24 | 2024-01-09 | 北京智盟信通科技有限公司 | 一种电力变压器绝缘系统的健康状态评估方法 |
CN117592383A (zh) * | 2024-01-19 | 2024-02-23 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
CN117592383B (zh) * | 2024-01-19 | 2024-03-26 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
CN118246246A (zh) * | 2024-05-24 | 2024-06-25 | 国网山东省电力公司泗水县供电公司 | 一种基于多源数据融合的变压器寿命预测方法及系统 |
CN118246246B (zh) * | 2024-05-24 | 2024-08-09 | 国网山东省电力公司泗水县供电公司 | 一种基于多源数据融合的变压器寿命预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114444972B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444972B (zh) | 基于图神经网络的电力变压器健康状态评估方法 | |
CN103926491B (zh) | 一种计及直流偏磁影响的变压器状态评估方法 | |
CN106199234A (zh) | 一种基于健康指数的变压器剩余寿命检测方法 | |
CN112668943A (zh) | 一种配电线路健康状态评估方法及系统 | |
CN103605881A (zh) | 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 | |
CN110503305B (zh) | 一种变压器性能评估方法 | |
CN112101719A (zh) | 基于组合赋权法的电能质量指标权重确定方法 | |
CN105205590A (zh) | 一种变压器健康状态分析的方法和系统 | |
CN111460727A (zh) | 一种利用多参量的变压器寿命预测方法 | |
CN105303331A (zh) | 一种变压器维修风险决策方法 | |
CN104112239A (zh) | 一种利用基准态分析的变压器状态评估方法及装置 | |
CN101727543B (zh) | 震后电网设施剩余寿命柔性过程模型诊断方法 | |
Prasojo et al. | Development of analytic hierarchy process technique in determining weighting factor for power transformer health index | |
CN115271238A (zh) | 一种变压器的寿命预测方法及装置 | |
CN112633665A (zh) | 一种基于层次分析法的配电网防雷决策方法 | |
Ardi et al. | Analytical incremental learning for power transformer incipient fault diagnosis based on dissolved gas analysis | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN116385203A (zh) | 电力市场对“双碳”目标贡献度的评价方法 | |
CN116090872A (zh) | 一种配电台区健康状态评价方法 | |
CN113077124B (zh) | 一种电网逾龄设备技改后剩余可使用年限的评估方法 | |
Prasojo et al. | A method to calculate uncertainty due to unavailable data in transformer assessment index | |
CN115587331A (zh) | 电网设备运行状态诊断预测方法及系统 | |
CN115564170A (zh) | 一种配电智能终端可靠性评估方法 | |
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 | |
CN114595966A (zh) | 一种计及不同灾害类型的特大型城市电网韧性评估方法 |
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 |