CN114638169B - 变压器时变故障概率计算方法、装置及计算机可读存储介质 - Google Patents
变压器时变故障概率计算方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114638169B CN114638169B CN202210319807.6A CN202210319807A CN114638169B CN 114638169 B CN114638169 B CN 114638169B CN 202210319807 A CN202210319807 A CN 202210319807A CN 114638169 B CN114638169 B CN 114638169B
- Authority
- CN
- China
- Prior art keywords
- state
- transformer
- probability
- rate
- external
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000008439 repair process Effects 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000032683 aging Effects 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims abstract description 13
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000001052 transient effect Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013179 statistical model Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002480 mineral oil Substances 0.000 description 1
- 235000010446 mineral oil Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本说明书实施例提供了一种变压器时变故障概率计算方法、装置及计算机可读存储介质,其中,方法包括:根据变压器的在线监测数据的油中气体含量确定变压器的健康状态,获取状态评价结果;根据状态评价结果建立带修复的变压器多状态马尔科夫模型;根据变压器多状态马尔科夫模型计算由老化引起的电气设备内部故障率;利用SVM支持向量机将外部运行环境划分为外部正常运行环境和外部恶劣环境,分别计算正常运行场景和恶劣运行场景下的外部故障率;将相应运行场景的外部故障率和修复率作为基于历史统计数据的常数,带入电气设备的内部故障率和外部故障率求解福克普朗克方程得到电气设备的时变故障概率值。
Description
技术领域
本文件涉及电力系统风险评估技术领域,尤其涉及一种变压器时变故障概率计算方法、装置及计算机可读存储介质。
背景技术
变压器作为电网安全稳定运行的关键设备,需要对其正常运行时可能出现的故障概率值进行计算。而目前变压器设备主要研究其故障率,有关其故障概率的研究较少,分为不同思路。目前常用的思路包括以下三种:
①运用神经网络进行计算,其把包含数据总信号、开关和保护信息在内的数据作为输入,相应元件的故障概率作为输出对神经网络进行训练。
②运行分布函数进行拟合,有基于历史运行数据采用泊松分布,weibull 分布函数拟合故障概率的方法。
③而基于数学分布函数的条件概率模型,在求解设备故障率的过程中,往往会对故障率的概率分布函数进行描述和参数的求解。由故障概率的条件概率定义可知:
将故障率的概率分布函数代入,即可得到变压器的实时故障概率。
近年来,国家电网公司安全风险预警管控面临一些新要求新机遇,一是国家对安全生产工作提出新要求。二是能源互联网建设为公司开展安全风险预警提供了新思路。
2017年,变压器的统计数量较2013年增加32.373百台,五年来年均增长率达到4.99%。变压器可用系数近五年总体保持在99.850%以上,受计划停运时间逐年增加影响,近三年呈逐年下降趋势,2017年变压器可用系数较2013 年下降0.102个百分点。变压器强迫停运率近五年保持平稳,一直维持在0.2 次/百台年左右。总的来看,电网变压器运行可靠性在逐年提高。
对于条件分布模型,需要变压器的故障率来求取故障概率,变压器故障率的计算方面,首先是内部老化故障率。基于统计模型研究的拟合精度取决于样本的数量,样本越大其精度越高,但当样本数量较少时,统计模型中的相关参数会存在较大误差,除此之外,统计模型无法反映所分析配电网设备的实时健康状况及同类设备的差异性,分析结果时效性较差。与统计模型相比,健康指数模型考虑了设备的实时健康状况以及设备的差异性。但基于健康指数计算设备故障率的模型研究还不准确,与传统的统计模型一样,健康指数的模型也需要大量的数据的统计分析来支撑。其次是外部环境引起设备偶然故障率,在考虑天气变化对线路的影响时采用随机模糊变量建模、人工打分法和模糊推理方法依赖于调度运行人员的经验,具有较强的主观性,可能会给配电线路故障概率的计算带来一定的误差。
对于直接求取故障概率方面,基于数学分布函数的概率模型对数据的要求高,未充分考虑外部的环境影响。而且条件概率方法多用于配电网中按月计算的故障概率,适用于较长时间间隔的故障概率计算。对于小时或天的时间间隔,误差较大。
发明内容
本说明书一个或多个实施例提供了一种变压器时变故障概率计算方法,具体包括:
根据变压器的在线监测数据的油中气体含量确定变压器的健康状态,获取状态评价结果;
根据所述状态评价结果建立带修复的变压器多状态马尔科夫模型;
根据所述变压器多状态马尔科夫模型计算由老化引起的电气设备内部故障率;
利用SVM支持向量机将外部运行环境划分为外部正常运行环境和外部恶劣环境,分别计算正常运行场景和恶劣运行场景下的外部故障率;将相应运行场景的外部故障率和修复率作为基于历史统计数据的常数,带入电气设备的内部故障率和外部故障率求解福克普朗克方程得到电气设备的时变故障概率值。
本说明书一个或多个实施例提供了一种变压器时变故障概率计算装置,具体包括:
评价模块,用于根据变压器的在线监测数据的油中气体含量确定变压器的健康状态,获取状态评价结果;
建立模块,用于根据所述状态评价结果建立带修复的变压器多状态马尔科夫模型;
第一计算模块,用于根据所述变压器多状态马尔科夫模型计算由老化引起的电气设备内部故障率;
第二计算模块,用于利用SVM支持向量机将外部运行环境划分为外部正常运行环境和外部恶劣环境,分别计算正常运行场景和恶劣运行场景下的外部故障率;将相应运行场景的外部故障率和修复率作为基于历史统计数据的常数,带入电气设备的内部故障率和外部故障率求解福克普朗克方程得到电气设备的时变故障概率值。
采用本发明实施例的技术方案,能够提高了变压器故障概率计算的实时性,有效的支撑了电网公司的风险评估量化计算,对于电网系统的安全运行具有重要的意义。
附图说明
为了更清楚地说明本说明书一个或多个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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例提供的一种变压器时变故障概率计算方法的流程图;
图2为本说明书一个或多个实施例提供的一种变压器的状态划分示意图;
图3为本说明书一个或多个实施例提供的一种带维修过程的多状态马尔科夫模型的示意图;
图4为本说明书一个或多个实施例提供的一种正常运行场景下变压器时变故障概率值的示意图;
图5为本说明书一个或多个实施例提供的一种恶劣天气运行场景下变压器时变故障概率值的示意图;
图6为本说明书一个或多个实施例提供的一种变压器时变故障概率计算装置的示意图一;
图7为本说明书一个或多个实施例提供的一种变压器时变故障概率计算装置的示意图二。
具体实施方式
变压器作为电力系统中的关键设备之一,综合考虑其运行状况和运行条件,准确计算其故障概率可以有效的提高风险评级和薄弱环节辨识的精确度,从而更好的保障电网的安全运行。但其故障概率的研究目前较少,本发明实施例提出一种变压器时变故障概率的计算方法,以支持城市电网设备的风险评估。
变压器通常采用矿物油作为绝缘和散热的介质,并采用绝缘纸板来绝缘。变压器故障的发生不仅与内部自身老化相关,还与外部运行环境相关。近几年来,随着计算机、电子技术、传感器等技术的发展,变压器油中气相色谱等在线监测成为可能,在线监测技术已经可以做到系统的投入和使用不改变和影响一次电气设备的正常运行,并实现自动连续的检测、数据处理和存储。对此,本发明实施例提出了一种基于油色谱在线监测数据的变压器实时故障概率计算方法,帮助调度人员实时预测可能发生的故障概率值。
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
方法实施例
根据本发明的实施例,提供了一种变压器时变故障概率计算方法,图1是本发明实施例的变压器时变故障概率计算方法的流程图,如图1所示,根据本发明实施例的变压器时变故障概率计算方法的方法具体包括:
步骤101,根据变压器的在线监测数据的油中气体含量确定变压器的健康状态,获取状态评价结果;
步骤102,根据所述状态评价结果建立带修复的变压器多状态马尔科夫模型。
在步骤102中,根据公式1确定所述变压器多状态马尔科夫模型的状态转移速率矩阵:
其中,λij为状态i到j的状态转移速率,其中yi为状态i的持续时间(单位为年);修复率μij为状态i到j的修复时间的倒数。
步骤103,根据所述变压器多状态马尔科夫模型计算由老化引起的电气设备内部故障率;
在步骤103中,假设所述变压器多状态马尔科夫模型中各状态的稳态概率为P=[P1,P2,P3,P4],且满足在任何时刻系统各状态的概率之和都恒等于1,即有:
P1+P2+P3+P4=1 公式2;
在所述变压器多状态马尔科夫模型中,要求各个状态的稳态概率因此状态转移速率与稳态概率矩阵满足:
PA=0 公式3;
当变压器处于状态4严重状态时,可认为其内部老化故障终结,即处于状态4的稳态概率值P4=0,得到架空线路在各个状态时的稳态概率为:
Δ=μ21μ32+λ23μ31+μ21μ31+λ12μ32+ λ12λ23+λ13μ32+λ13λ23+λ13μ21+λ12μ31 公式7;
设Tw为变压器从初始时刻发展到状态4所需时间,其故障失效概率为:
λ1=P(Tw<t)=LP 公式8;
其中,L为变压器从运行状态到停运状态,L=[0 0 λ34 0],因此:
步骤104,利用SVM支持向量机将外部运行环境划分为外部正常运行环境和外部恶劣环境,分别计算正常运行场景和恶劣运行场景下的外部故障率;将相应运行场景的外部故障率和修复率作为基于历史统计数据的常数,带入所述电气设备内部故障率求解福克普朗克方程得到电气设备的时变故障概率值。
在步骤104中。设X(t)是变压器在t时刻所处的状态且X(t)∈E,E= {0,1,2}为状态空间,将随机过程{X(t)|t≥0}视为马尔可夫过程,其福克普朗克方程如下:
其中Pi(t)=P{X(t)=i}为变压器在t时刻处于状态i的概率,称为瞬时状态概率,i∈E,以瞬时状态概率计算故障概率,则故障概率P(t)=P1(t)+P2(t)或 P(t)=1-P0(t);外部故障率λ1,由经过SVM分类的不同运行条件下的数据得到,内部故障率λ2,由所述变压器多状态马尔科夫模型得到,外部修复率μ1内部修复率μ2,由设备修理的统计数据得到;
如果变压器当前时刻即0时刻处于运行状态即状态0,即P0(0)=1,求解可得:
其中α1,α2是下式所示二次代数方程的根;
s2+bs+c=0公式15;
其中,b=λ1+λ2+μ1+μ2,c=λ1μ2+λ2μ1+μ1μ2。
以下结合附图,对本发明实施例的上述技术方案进行详细说明。
在本发明实施例中,根据变压器的油中气体含量反映变压器的健康状态,根据状态评价结果建立带修复的多状态马尔可夫模型,根据状态转移矩阵计算由老化引起的电气设备内部故障率。利用SVM支持向量机将外部运行环境分为外部正常运行环境和外部恶劣环境,取外部故障率和修复率为基于历史统计数据的常数,带入计算得到的内外部故障率求解福克普朗克方程得到电气设备的时变故障概率值。
(1)基于马尔可夫模型的内部故障率的计算
变压器因自身内部老化因素造成的故障的发展是一个渐变的过程,如图2 所示,其故障率随时间因素递增,直至造成停运。对线路进行维修或更换后,重新投入运行时,其状态评价结果和故障率将会改变,即为内部潜伏性故障的维修更新性。基于此过程建立带修复的变压器多状态马尔科夫模型,如图3所示。变压器的维修策略为,根据在线监测值进行状态评价,如果处于正常状态,无需维修;如果处于注意或异常状态,则需要维修,如果处于严重状态,则需要停运。
其中,λij为状态i到j的状态转移速率,其中yi为状态i的持续时间(单位为年);修复率μij为状态i到j的修复时间的倒数。该马尔·科夫模型的状态转移速率矩阵为:
假设模型中各状态的稳态概率为P=[P1,P2,P3,P4],且满足在任何时刻系统各状态的概率之和都恒等于1,即有:
P1+P2+P3+P4=1
由于在此模型中,要求的是各个状态的稳态概率,所以状态转移速率与稳态概率矩阵满足
PA=0
当变压器处于状态4严重状态时,可认为其内部老化故障终结,即处于状态4的稳态概率值P4=0。求解方程式(2)(3)得到架空线路在各个状态时的稳态概率为:
Δ=μ21μ32+λ23μ31+μ21μ31+λ12μ32+ λ12λ23+λ13μ32+λ13λ23+λ13μ21+λ12μ31
设Tw为变压器从初始时刻发展到状态4所需时间(随机变量),其故障失效概率为
λ1=P(Tw<t)=LP
其中L为变压器从运行状态到停运状态,由转移矩阵由模型图可知 L=[0 0 λ340],所以
(2)基于SVM场景分类的外部故障率计算
根据文献定义,外部故障率为一段时间内由外部因素造成故障的故障次数平均值为外部故障率。不同运行条件下的外部故障率是不同的。所以,应先经过SVM对运行场景进行分类,分别计算正常运行场景和恶劣运行场景下的外部故障率。在计算实时故障率时,应先判断运行场景,选择合适的外部故障率进行计算。
(3)基于福可普朗克方程的时变故障概率计算
福克-普朗克方程是由切普曼-柯尔莫哥洛夫方程导出,可以用来求解参数连续、状态空间离散的马尔可夫过程问题。变压器的故障-修复过程是参数连续、状态离散的非时齐马尔可夫过程。因此,变压器的状态转移过程可以采用福克-普朗克方程进行建模,通过福克-普朗克方程可以计算得到设备在未来某一个时刻的处于某一状态的概率。
设X(t)是变压器在t时刻所处的状态且X(t)∈E。E={0,1,2}为状态空间。将随机过程{X(t)|t≥0}视为马尔可夫过程,其福克—普朗克方程(也称状态方程)如下:
其中Pi(t)=P{X(t)=i}为变压器在t时刻处于状态i的概率,称为瞬时状态概率,i∈E。以瞬时状态概率计算故障概率,则故障概率P(t)=P1(t)+P2(t)或 P(t)=1-P0(t)
外部故障率λ1,由经过SVM分类的不同运行条件下的数据得到。内部故障率λ2,由带维修过程的多状态马尔科夫模型得到。外部修复率μ1内部修复率μ2,由设备修理的统计数据得到。
如果变压器当前时刻(0时刻)处于运行状态(即状态0)即P0(0)=1,求解可得
其中α1,α2是下式所示二次代数方程的根,
s2+bs+c=0
其中,b=λ1+λ2+μ1+μ2,c=λ1μ2+λ2μ1+μ1μ2。
采用表所示的变压器统计数据进行模型验证,该变压器从1995/9/15号开始监测油中溶解气体信息,油中气体含量随着设备运行时间增加,在2002110/28气体含量由于太高停机修复,因此在2002/11/10气体含量降低为允许正常值。表中数据单位为ppm.油色谱数据及状态评估结果见下表1。
表1.变压器油色谱监测数据
样本日期 | H2 | C2H4 | C2H2 | C2H6 | CO | TDCG | 评估结果 |
2010.10.15 | 2 | 8 | 0 | 5 | 529 | 577 | F1 |
2011.10.18 | 1 | 12 | 0 | 8 | 462 | 512 | F1 |
2012.6.9 | 1 | 10 | 0 | 4 | 577 | 619 | F1 |
2013.9.27 | 24 | 23 | 0 | 11 | 941 | 1028 | F2 |
2014.5.12 | 22 | 27 | 0 | 6 | 733 | 854 | F2 |
2017.10.10 | 301 | 692 | 0 | 195 | 650 | 2492 | F3 |
2017.11.15 | 257 | 1701 | 6 | 452 | 559 | 4654 | F3 |
2017.11.22 | 571 | 1955 | 7 | 510 | 644 | 5356 | F3 |
2017.11.28 | 559 | 2001 | 7 | 533 | 603 | 5312 | F3 |
2018.1.10 | 1 | 21 | 0 | 5 | 5 | 39 | F1 |
将数据代入内部多状态马尔科夫子模型,可得到各状态转移速率为:
λ12=0.0083,μ21=0.2863
λ13=0,μ31=0.0820
λ23=0.0085,μ32=0.5120
λ34=0.0193
求解模型可得内部故障率为
∴
根据历史统计数据获得,正常运行条件下该类型变压器的外部附件故障的故障率为λ1=5.714×10-5
根据四川电网提供故障记录信息来看,共有外部故障32条,涉及21个变电站,取故障次数大于1的变电站进行分析。得到恶劣运行条件下,变压器的外部附件故障的故障率为λ1=1.714×10-5。
而对应修复时间的期望值为l0h,即外部偶然故障的修复率为μ1=0.1。内部潜伏故障的修复率μ2=0.5。
若SVM场景识别为正常运行场景,则转移速率矩阵为
将参数代入,利用Matlab求解,故障概率P(t)=1-P0(t)并画出故障概率与时间的图像如图4所示,随着时间的流逝,故障概率逐渐增大。由于实时的时间尺度是小时,所以故障概率的增长十分缓慢,符合物理规律。
若SVM场景识别为恶劣运行场景,则转移速率矩阵为
将参数代入,利用Matlab求解式(1),故障概率P(t)=1-P0(t)并画出故障概率与时间的图像如图5所示,可以看出在恶劣条件下计算的故障概率明显高于正常运行条件下的故障概率,符合预期,也反映出区分运行条件的必要性。
综上所述,本发明实施例提出了一种基于在线监测数据的变压器时变故障概率计算方法,首先对变压器的运行状态进行划分,内部故障率方面,采用马尔可夫过程根据监测数据得到内部故障率的值。外部故障率方面,采用SVM 区分运行状态,分别计算不同运行状态的统计外部故障率的值,最后通过求解福克普朗克方程得到变压器运行的时变故障概率。本发明实施例中,一是提出了将马尔可夫过程用在了变压器状态转移的过程中,利用电网公司的状态导则对变压器进行评价,然后利用马尔可夫过程得出变压器的内部故障率。二是采用SVM区分运行状态,并分别统计不同运行条件下故障率的值。最后是利用福克普朗克方程得出变压器的时变故障概率。当变压器在线监测量的值发生变化时,其运行状态发生改变,状态发生变化时可以调整变压器状态的转移速率即可得出实时故障概率,基于在线监测的方法提高了变压器故障概率计算的实时性,有效的支撑了电网公司的风险评估量化计算,对于电网系统的安全运行具有重要的意义。
装置实施例一
根据本发明的实施例,提供了一种变压器时变故障概率计算装置,图6是本发明实施例的变压器时变故障概率计算装置的示意图,如图6所示,根据本发明实施例的变压器时变故障概率计算装置具体包括:
评价模块60,用于根据变压器的在线监测数据的油中气体含量确定变压器的健康状态,获取状态评价结果;
建立模块62,用于根据所述状态评价结果建立带修复的变压器多状态马尔科夫模型;所述建立模块62具体用于:
根据公式1确定所述变压器多状态马尔科夫模型的状态转移速率矩阵:
其中,λij为状态i到j的状态转移速率,其中yi为状态i的持续时间(单位为年);修复率μij为状态i到j的修复时间的倒数。
第一计算模块64,用于根据所述变压器多状态马尔科夫模型计算由老化引起的电气设备内部故障率;第一计算模块64具体用于:
假设所述变压器多状态马尔科夫模型中各状态的稳态概率为 P=[P1,P2,P3,P4],且满足在任何时刻系统各状态的概率之和都恒等于1,即有:
P1+P2+P3+P4=1 公式2;
在所述变压器多状态马尔科夫模型中,要求各个状态的稳态概率因此状态转移速率与稳态概率矩阵满足:
PA=0 公式3;
当变压器处于状态4严重状态时,可认为其内部老化故障终结,即处于状态4的稳态概率值P4=0,得到架空线路在各个状态时的稳态概率为:
Δ=μ21μ32+λ23μ31+μ21μ31+λ12μ32+ λ12λ23+λ13μ32+λ13λ23+λ13μ21+λ12μ31 公式7;
设Tw为变压器从初始时刻发展到状态4所需时间,其故障失效概率为:
λ1=P(Tw<t)=LP 公式8;
其中,L为变压器从运行状态到停运状态,L=[0 0 λ34 0],因此:
第二计算模块66,用于利用SVM支持向量机将外部运行环境划分为外部正常运行环境和外部恶劣环境,分别计算正常运行场景和恶劣运行场景下的外部故障率;将相应运行场景的外部故障率和修复率作为基于历史统计数据的常数,带入电气设备的内部故障率和外部故障率求解福克普朗克方程得到电气设备的时变故障概率值。
第二计算模块66具体用于:
设X(t)是变压器在t时刻所处的状态且X(t)∈E,E={0,1,2}为状态空间,将随机过程{X(t)|t≥0}视为马尔可夫过程,其福克普朗克方程如下:
其中Pi(t)=P{X(t)=i}为变压器在t时刻处于状态i的概率,称为瞬时状态概率,i∈E,以瞬时状态概率计算故障概率,则故障概率P(t)=P1(t)+P2(t)或 P(t)=1-P0(t);外部故障率λ1,由经过SVM分类的不同运行条件下的数据得到,内部故障率λ2,由所述变压器多状态马尔科夫模型得到,外部修复率μ1内部修复率μ2,由设备修理的统计数据得到;
如果变压器当前时刻即0时刻处于运行状态即状态0,即P0(0)=1,求解可得:
其中α1,α2是下式所示二次代数方程的根;
s2+bs+c=0公式15;
其中,b=λ1+λ2+μ1+μ2,c=λ1μ2+λ2μ1+μ1μ2。
本发明实施例是与上述方法实施例中的方法对应的装置,各个模块的具体操作可以参照方法实施例中的描述进行理解,在此不在赘述。
装置实施例二
根据本发明的实施例,提供了一种变压器时变故障概率计算装置,图7是本发明装置实施例二的变压器时变故障概率计算装置的示意图,如图7所示,包括存储器70、处理器72及存储在所述存储器70上并可在所述处理器72上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述方法实施例中的变压器时变故障概率计算方法的步骤。
装置实施例三
根据本发明的实施例,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上存储有信息传递的实现程序,所述程序被处理器72执行时实现上述方法实施例中的变压器时变故障概率计算方法的步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种变压器时变故障概率计算方法,其特征在于,所述方法包括:
根据变压器的在线监测数据的油中气体含量确定变压器的健康状态,获取状态评价结果;
根据所述状态评价结果建立带修复的变压器多状态马尔科夫模型;
根据所述变压器多状态马尔科夫模型计算由老化引起的电气设备内部故障率;
利用SVM支持向量机将外部运行环境划分为外部正常运行环境和外部恶劣环境,分别计算正常运行场景和恶劣运行场景下的外部故障率;将相应运行场景的外部故障率和修复率作为基于历史统计数据的常数,带入电气设备的内部故障率和外部故障率求解福克普朗克方程得到电气设备的时变故障概率值,具体包括:
设X(t)是变压器在t时刻所处的状态且X(t)∈E,E={0,1,2}为状态空间,将随机过程{X(t)|t≥0}视为马尔可夫过程,其福克普朗克方程如下:
其中Pi(t)=P{X(t)=i}为变压器在t时刻处于状态i的概率,称为瞬时状态概率,i∈E,以瞬时状态概率计算故障概率,则故障概率P(t)=P1(t)+P2(t)或P(t)=1-P0(t);外部故障率λ1,由经过SVM分类的不同运行条件下的数据得到,内部故障率λ2,由所述变压器多状态马尔科夫模型得到,外部修复率μ1内部修复率μ2,由设备修理的统计数据得到;
如果变压器当前时刻即0时刻处于运行状态即状态0,即P0(0)=1,求解可得:
其中α1,α2是下式所示二次代数方程的根;
s2+bs+c=0 公式15;
其中,b=λ1+λ2+μ1+μ2,c=λ1μ2+λ2μ1+μ1μ2。
2.根据权利要求1所述的方法,其特征在于,根据所述状态评价结果建立带修复的带修复的变压器多状态马尔科夫模型具体包括:
根据公式1确定所述变压器多状态马尔科夫模型的状态转移速率矩阵:
其中,λij为状态i到j的状态转移速率,其中i=1,2,3,yi为状态i的持续时间,单位为年;修复率μij为状态i到j的修复时间的倒数。
3.根据权利要求2所述的方法,其特征在于,根据所述变压器多状态马尔科夫模型计算由老化引起的电气设备内部故障率具体包括:
假设所述变压器多状态马尔科夫模型中各状态的稳态概率为P=[P1,P2,P3,P4],且满足在任何时刻系统各状态的概率之和都恒等于1,即有:
P1+P2+P3+P4=1 公式2;
在所述变压器多状态马尔科夫模型中,要求各个状态的稳态概率因此状态转移速率与稳态概率矩阵满足:
PA=0 公式3;
当变压器处于状态4严重状态时,可认为其内部老化故障终结,即处于状态4的稳态概率值P4=0,得到架空线路在各个状态时的稳态概率为:
Δ=μ21μ32+λ23μ31+μ21μ31+λ12μ32+λ12λ23+λ13μ32+λ13λ23+λ13μ21+λ12μ31 公式7;
设Tw为变压器从初始时刻发展到状态4所需时间,其故障失效概率为:
λ1=P(Tw<t)=LP 公式8;
其中,L为变压器从运行状态到停运状态,L=[0 0 λ34 0],因此:
4.一种变压器时变故障概率计算装置,其特征在于,所述装置包括:
评价模块,用于根据变压器的在线监测数据的油中气体含量确定变压器的健康状态,获取状态评价结果;
建立模块,用于根据所述状态评价结果建立带修复的变压器多状态马尔科夫模型;
第一计算模块,用于根据所述变压器多状态马尔科夫模型计算由老化引起的电气设备内部故障率;
第二计算模块,用于利用SVM支持向量机将外部运行环境划分为外部正常运行环境和外部恶劣环境,分别计算正常运行场景和恶劣运行场景下的外部故障率;将相应运行场景的外部故障率和修复率作为基于历史统计数据的常数,带入电气设备的内部故障率和外部故障率求解福克普朗克方程得到电气设备的时变故障概率值,具体用于:
设X(t)是变压器在t时刻所处的状态且X(t)∈E,E={0,1,2}为状态空间,将随机过程{X(t)|t≥0}视为马尔可夫过程,其福克普朗克方程如下:
其中Pi(t)=P{X(t)=i}为变压器在t时刻处于状态i的概率,称为瞬时状态概率,i∈E,以瞬时状态概率计算故障概率,则故障概率P(t)=P1(t)+P2(t)或P(t)=1-P0(t);外部故障率λ1,由经过SVM分类的不同运行条件下的数据得到,内部故障率λ2,由所述变压器多状态马尔科夫模型得到,外部修复率μ1内部修复率μ2,由设备修理的统计数据得到;
如果变压器当前时刻即0时刻处于运行状态即状态0,即P0(0)=1,求解可得:
其中α1,α2是下式所示二次代数方程的根;
s2+bs+c=0 公式15;
其中,b=λ1+λ2+μ1+μ2,c=λ1μ2+λ2μ1+μ1μ2。
5.根据权利要求4所述的装置,其特征在于,所述建立模块具体用于:
根据公式1确定所述变压器多状态马尔科夫模型的状态转移速率矩阵:
其中,λij为状态i到j的状态转移速率,其中i=1,2,3,yi为状态i的持续时间,单位为年;修复率μij为状态i到j的修复时间的倒数。
6.根据权利要求5所述的装置,其特征在于,所述第一计算模块具体用于:
假设所述变压器多状态马尔科夫模型中各状态的稳态概率为P=[P1,P2,P3,P4],且满足在任何时刻系统各状态的概率之和都恒等于1,即有:
P1+P2+P3+P4=1 公式2;
在所述变压器多状态马尔科夫模型中,要求各个状态的稳态概率因此状态转移速率与稳态概率矩阵满足:
PA=0 公式3;
当变压器处于状态4严重状态时,可认为其内部老化故障终结,即处于状态4的稳态概率值P4=0,得到架空线路在各个状态时的稳态概率为:
Δ=μ21μ32+λ23μ31+μ21μ31+λ12μ32+λ12λ23+λ13μ32+λ13λ23+λ13μ21+λ12μ31 公式7;
设Tw为变压器从初始时刻发展到状态4所需时间,其故障失效概率为:
λ1=P(Tw<t)=LP 公式8;
其中,L为变压器从运行状态到停运状态,L=[0 0 λ34 0],因此:
7.一种变压器时变故障概率计算装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的变压器时变故障概率计算方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至3中任一项所述的变压器时变故障概率计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210319807.6A CN114638169B (zh) | 2022-03-29 | 2022-03-29 | 变压器时变故障概率计算方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210319807.6A CN114638169B (zh) | 2022-03-29 | 2022-03-29 | 变压器时变故障概率计算方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638169A CN114638169A (zh) | 2022-06-17 |
CN114638169B true CN114638169B (zh) | 2024-06-07 |
Family
ID=81951279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210319807.6A Active CN114638169B (zh) | 2022-03-29 | 2022-03-29 | 变压器时变故障概率计算方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638169B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719168B (zh) * | 2023-01-10 | 2023-04-11 | 佰聆数据股份有限公司 | 基于多电力终端协同的发电设备运行风险分析方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488896A (zh) * | 2019-01-28 | 2020-08-04 | 国网能源研究院有限公司 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
CN112528461A (zh) * | 2020-10-22 | 2021-03-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于油气含量及产气速率的变压器的停运评估方法 |
-
2022
- 2022-03-29 CN CN202210319807.6A patent/CN114638169B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488896A (zh) * | 2019-01-28 | 2020-08-04 | 国网能源研究院有限公司 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
CN112528461A (zh) * | 2020-10-22 | 2021-03-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于油气含量及产气速率的变压器的停运评估方法 |
Non-Patent Citations (2)
Title |
---|
表征内部潜伏性故障的变压器时变停运模型研究;郭创新;王越;王媚;尹玉娟;文云峰;张金江;;中国电机工程学报;20130105(第01期);第63-39页 * |
运行风险评估中的变压器时变停运模型(二)基于延迟半马尔可夫过程的变压器时变停运模型;宁辽逸;吴文传;张伯明;;电力系统自动化;20100825(第16期);第24-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114638169A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | Short‐term transmission maintenance scheduling based on the benders decomposition | |
CN107239876B (zh) | 一种核电厂i&c设备老化生命周期的管理方法及系统 | |
CN110287543B (zh) | 一种继电保护装置寿命预测方法 | |
CN110110933A (zh) | 一种智能变电站保护系统的检修周期优化方法 | |
Wang et al. | Long‐Term Maintenance Scheduling of Smart Distribution System through a PSO‐TS Algorithm | |
CN105427005A (zh) | 一种风电场运行风险评估方法 | |
CN114638169B (zh) | 变压器时变故障概率计算方法、装置及计算机可读存储介质 | |
Bellani et al. | A reliability-centered methodology for identifying renovation actions for improving resilience against heat waves in power distribution grids | |
CN107607820A (zh) | 一种基于生灭过程的变压器内部潜伏性故障率预测方法 | |
CN109598047A (zh) | 一种变电设备寿期预测方法及系统 | |
Wang et al. | Scenario-based line switching for enhancing static voltage stability with uncertainty of renewables and loads | |
Yang et al. | A transfer learning fault diagnosis model of distribution transformer considering multi‐factor situation evolution | |
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 | |
CN113065234B (zh) | 一种智能电表的批次可靠性风险等级评估方法及系统 | |
Li et al. | A probabilistic analysis approach to making decision on retirement of aged equipment in transmission systems | |
Taghi Tahooneh et al. | A new model for calculating rational failure rates based on network assets worth | |
Marsadek et al. | Risk based security assessment of power system using generalized regression neural network with feature extraction | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
Hamzeh et al. | The impact of cyber network configuration on the dynamic-thermal failure of transformers considering distributed generator controller | |
CN110580578A (zh) | 一种智能变电站二次系统运行质量多分层评价方法 | |
Tippannavar et al. | Smart transformer-An analysis of recent technologies for monitoring transformer | |
Qu et al. | Power transformer oil–paper insulation degradation modelling and prediction method based on functional principal component analysis | |
US11892830B2 (en) | Risk assessment at power substations | |
Khalyasmaa | Integral assessment of power network equipment operational risks: Special aspects | |
Gao et al. | A physical performance degradation-based approach for optimizing dynamic maintenance strategy of power equipment |
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 |