CN114779029B - 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法 - Google Patents

融合群体冗余关联和结构参数的cvt内绝缘在线评估方法 Download PDF

Info

Publication number
CN114779029B
CN114779029B CN202210681806.6A CN202210681806A CN114779029B CN 114779029 B CN114779029 B CN 114779029B CN 202210681806 A CN202210681806 A CN 202210681806A CN 114779029 B CN114779029 B CN 114779029B
Authority
CN
China
Prior art keywords
cvt
training set
evaluated
evaluation
insulation state
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
Application number
CN202210681806.6A
Other languages
English (en)
Other versions
CN114779029A (zh
Inventor
陈勉舟
陈应林
任波
代洁
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.)
Wuhan Gelanruo Intelligent Technology Co ltd
Original Assignee
Wuhan Glory Road Intelligent Technology Co ltd
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 Wuhan Glory Road Intelligent Technology Co ltd filed Critical Wuhan Glory Road Intelligent Technology Co ltd
Priority to CN202210681806.6A priority Critical patent/CN114779029B/zh
Publication of CN114779029A publication Critical patent/CN114779029A/zh
Application granted granted Critical
Publication of CN114779029B publication Critical patent/CN114779029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

本发明涉及一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法，该方法以变电站内具有测量数据冗余关联的CVT组建内绝缘状态评估群体，结合CVT结构参数并通过理论推导的方式获取不同内绝缘状态下为CVT输出数据引入的附加计量误差，而后将附加计量误差与CVT正常运行时的数据相结合并基于表征CVT内绝缘状态的特征参量构建包含有不同内绝缘状态信息的内绝缘特征训练集，采用深度置信网络对特征训练集进行训练得到评估CVT内绝缘状态的评估模型，最后对CVT实时运行数据进行分析得到CVT的内绝缘状态。本发明仅根据CVT的二次输出数据实现了CVT内绝缘状态的实时在线评估，有利于实时掌握CVT的内绝缘状态，进而及时处理异常CVT，并维护电力系统的安全稳定运行。

Description

融合群体冗余关联和结构参数的CVT内绝缘在线评估方法
技术领域
本发明涉及配电设备状态评估与故障诊断领域，尤其涉及一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法。
背景技术
CVT（Capacitor Voltage Transformer，电容式电压互感器）是电力系统中的重要测量设备，其一次绕组接入高压电网，二次绕组与测量、计量、保护等装置相连，用于将一次侧高压强信号转化为低压小信号供二次设备使用。
CVT内绝缘主要包括电容分压单元内绝缘和电磁单元内绝缘两部分，长期运行经验表明，由于电磁单元的输入电压较低，其绝缘性能稳定；而电容分压单元内绝缘受外界环境、内部受潮、局部放电和老化等因素的影响，存在着不断劣化的趋势，内绝缘状态异常CVT继续运行将影响测量数据的准确可靠，甚至存在爆炸的风险，这将影响电力系统的正常运行。因此，为保障测量数据的准确性和电力系统的安全运行，需要及时评估和更换内绝缘状态异常的电压互感器。现广泛使用的方法是通过离线检测的方式获取CVT电容分压单元的电容量和介质损耗，进而掌握其内绝缘状态，但这种方法不仅需CVT停电退出运行，且无法实现CVT内绝缘状态的实时在线评估，不利于及时发现CVT内绝缘状态异常情况。
随着现在数据分析技术的发展，CVT内绝缘状态在线评估方法得到了一定的发展，其中名称为《一种电容式电压互感器内绝缘状态在线评价方法（公开号：CN112710930A）》的中国发明专利申请提出了一种CVT内绝缘在线评估方法，该方法通过模糊聚类的技术将CVT实时运行数据所构建的特征量与典型状态样本集进行匹配以实现CVT计量误差状态的在线评估。但该方法仍存在一定的不足，首先，该方法在辨识CVT介质损耗异常时的灵敏度和准确率还有待进一步提升，现仅能辨识介质损耗异常情况较为明显时的故障（经过验证，当介质损耗异常增加超过0.2%才可判断出）；其次，所构建的典型状态样本集依据经验设置，故障类型和跨度设置不当，可能致使待评估CVT的实时运行状态未处于典型状态样本集内时，则无法准确判断该CVT当下的内绝缘状态，存在误判和漏判的可能，故其评估结果的可靠性有待提高。
因此，需要建立一种新的CVT内绝缘状态在线评估方法，以摆脱停电的约束进而实现CVT内绝缘状态的实时在线评估，进而指导CVT的运维工作，具有较高的工程应用价值。
发明内容
本发明针对现有技术无法实现CVT内绝缘状态实时在线评估的问题，提出了一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法，该方法通过建立表征CVT内绝缘状态的特征量，并从CVT输出数据中提取出反映CVT内绝缘状态的信息，进而实现CVT内绝缘状态的实时在线评估，具有具有较高的工程应用价值。
根据本发明的第一方面，提供了一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法，包括：
步骤1，组建待进行CVT内绝缘状态评估的待评估群体，采集所述待评估群体中各 个待评估CVT刚投运或刚检修后时的运行数据作为样本数据
Figure 429677DEST_PATH_IMAGE001
；通过查阅铭牌和检定报告 的形式获取各个所述待评估CVT的结构参数，所述结构参数包括：电容单元的初始电容量、 介质损耗以及电容器个数；
步骤2，结合所述结构参数确定所述待评估CVT的内绝缘状态异常时引入CVT二次 输出数据中的附加计量误差，将所述附加计量误差与所述样本数据
Figure 730208DEST_PATH_IMAGE002
相结合得到包含有不 同内绝缘状态信息的样本训练集
Figure 749985DEST_PATH_IMAGE003
；
步骤3，建立表征CVT电容击穿和介质损耗异常的特征参量，结合所述样本训练集
Figure 798975DEST_PATH_IMAGE004
构建包含有不同内绝缘状态信息的特征训练集
Figure 137159DEST_PATH_IMAGE005
，将所述特征训练集
Figure 726535DEST_PATH_IMAGE005
引入相应的 属性标签后构成CVT内绝缘状态训练集；利用深度置信网络对所述CVT内绝缘状态训练集进 行训练得到评估模型；
步骤4，采集待评估群体的实时运行数据，结合实时运行数据构建CVT内绝缘状态在线评估的在线评估特征参量，并利用训练好的所述评估模型对CVT的内绝缘状态进行实时在线评估。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述待评估群体中的各个所述待评估CVT为变电站内同一电压等级下具有电气冗余联系的不同组同相CVT。
可选的，所述步骤2中的CVT内绝缘状态异常时引入所述CVT二次输出数据中的所述附加计量误差包括：CVT电容击穿所引入的附加比值误差和CVT介质损耗异常所引入的附加相位误差。
可选的，CVT电容击穿所引入的附加比值误差的确定方法包括：
对于所述待评估群体中第i台CVT内绝缘状态由于高压电容被击穿
Figure 351551DEST_PATH_IMAGE006
个或中压 电容被击穿
Figure 945343DEST_PATH_IMAGE007
个而处于异常状态的情况，由此而在CVT二次输出信号中产生的附加比值 差
Figure 616496DEST_PATH_IMAGE008
如下所示：
Figure 881999DEST_PATH_IMAGE009
；
式中，
Figure 627101DEST_PATH_IMAGE010
和
Figure 391795DEST_PATH_IMAGE011
分别为第i台待评估CVT的高压电容和中压电容的电容器数，
Figure 346981DEST_PATH_IMAGE012
和
Figure 855323DEST_PATH_IMAGE013
分别为第i台待评估CVT的初始高压电容量和初始中压电容量；
Figure 454932DEST_PATH_IMAGE014
为初始电 容量所对应的分压比，如下所示：
Figure 485467DEST_PATH_IMAGE015
；
得到评估群体内不同CVT电容击穿时为CVT二次输出数据中引入的附加比值差，如下所示：
Figure 512239DEST_PATH_IMAGE016
；
其中，
Figure 558692DEST_PATH_IMAGE017
表示所述待评估群体中CVT的台数，m表示所述待评估CVT电容击穿数量；
CVT介质损耗异常所引入的附加相位误差的确定方法包括：
对于所述待评估群体中第i台待评估CVT内绝缘状态由于高压介质损耗异常增加 或中压介质损耗异常增加而处于异常状态的情况，由此而在CVT二次输出信号中产生的附 加相位差
Figure 403021DEST_PATH_IMAGE018
如下所示：
Figure 509517DEST_PATH_IMAGE019
；
式中，
Figure 314662DEST_PATH_IMAGE020
和
Figure 666271DEST_PATH_IMAGE021
分别为异常增加后的高压介质损耗和中压介质损 耗，
Figure 365106DEST_PATH_IMAGE022
和
Figure 642503DEST_PATH_IMAGE023
分别为原始高压介质损耗和中压介质损耗；
得到所述待评估群体中不同CVT介质损耗异常增加时为CVT二次输出数据中引入的附加相位差为：
Figure 997261DEST_PATH_IMAGE024
。
可选的，所述步骤2中将所述附加计量误差与所述样本数据相结合得到包含有不 同内绝缘状态信息的所述样本训练集
Figure 588779DEST_PATH_IMAGE004
的过程包括：
Figure 391388DEST_PATH_IMAGE025
；
Figure 698742DEST_PATH_IMAGE026
；
式中，
Figure 304910DEST_PATH_IMAGE027
和
Figure 168961DEST_PATH_IMAGE028
分别为评估群体中第i台CVT引入附加计量误差
Figure 780071DEST_PATH_IMAGE029
和
Figure 789484DEST_PATH_IMAGE030
后的 幅值和相位，
Figure 89140DEST_PATH_IMAGE029
和
Figure 84778DEST_PATH_IMAGE030
分别为CVT电容击穿时和CVT介质损耗异常增加分别为CVT二次输 出数据中引入的附加计量误差，
Figure 347132DEST_PATH_IMAGE031
和
Figure 402813DEST_PATH_IMAGE032
为样本数据集中第i台CVT的幅值和相位，得到 包含不同电容击穿的样本训练集
Figure 625984DEST_PATH_IMAGE033
和包含不同介质损耗的样本训练集
Figure 720586DEST_PATH_IMAGE034
，由样本训 练集
Figure 40708DEST_PATH_IMAGE033
和样本训练集
Figure 204974DEST_PATH_IMAGE034
组合得到样本训练集
Figure 774495DEST_PATH_IMAGE004
。
可选的，所述步骤3中，表征CVT电容击穿数量的特征参量T和表征CVT介质损耗异常的特征参量θ分别为：
Figure 111936DEST_PATH_IMAGE035
；
Figure 489827DEST_PATH_IMAGE036
；
其中，
Figure 919934DEST_PATH_IMAGE037
和
Figure 445593DEST_PATH_IMAGE038
分别为样本训练
Figure 258828DEST_PATH_IMAGE001
中第
Figure 819123DEST_PATH_IMAGE039
台CVT的幅值和相位，
Figure 121928DEST_PATH_IMAGE040
和
Figure 695736DEST_PATH_IMAGE041
分别为样本训练集
Figure 374979DEST_PATH_IMAGE004
中第
Figure 196304DEST_PATH_IMAGE039
台CVT的幅值和相位；
由所述样本训练集
Figure 997907DEST_PATH_IMAGE042
和特征参量T构建得到特征训练集
Figure 232579DEST_PATH_IMAGE043
，由所述样本训练 集
Figure 387617DEST_PATH_IMAGE044
和所述特征参量θ构建的得到特征训练集
Figure 158389DEST_PATH_IMAGE045
，由所述特征训练集
Figure 599735DEST_PATH_IMAGE046
和所述特征 训练集
Figure 259386DEST_PATH_IMAGE047
组合得到所述特征训练集
Figure 280432DEST_PATH_IMAGE048
。
可选的，所述步骤3中利用深度置信网络对所述CVT内绝缘状态训练集进行训练的过程包括：
利用深度置信网络分别对所述特征训练集
Figure 466562DEST_PATH_IMAGE049
和所述特征训练集
Figure 219755DEST_PATH_IMAGE050
进行训练 得到在线评估电容击穿的评估模型和在线评估介质损耗的评估模型。
采集待评估群体的实时运行数据，结合实时运行数据构建CVT内绝缘状态在线评估的在线评估特征参量，并利用训练好的所述评估模型对CVT的内绝缘状态的实时在线评估。
可选的，所述步骤4包括：
结合所述实时运行数据和所述特征参量T构建CVT电容击穿在线评估特征参量X1，利用训练好的在线评估电容击穿的评估模型对所述特征参量X1进行评估，得到待评估群体的电容击穿数；结合所述实时运行数据和所述特征参量θ，构建CVT介质损耗在线评估特征参量X2，利用训练好的在线评估介质损耗的评估模型对所述特征参量X2进行评估，得到待评估群体的介质损耗；完成CVT的内绝缘状态的实时在线评估。
本发明提供的一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法的有益效果包括：
1、摆脱了CVT内绝缘状态评估中需停电退出运行的约束，仅依据CVT的二次输出数据实现了CVT内绝缘状态的实时在线评估，有利于实时掌握CVT内绝缘状态，进而维护CVT的正常运行。
2、本发明具有较高的评估灵敏度和准确率，当电容器有一个被击穿或介质损耗异常增加0.05%，即可准确判断出；且其诊断电容发生击穿故障的准确度为100%，诊断内绝缘状态异常增加的准确度为98.51%，即能真实反映CVT内绝缘状态的变化。
3、本发明所构建的CVT内绝缘状态训练集根据CVT的结构参数而建立，可涵盖待评估CVT所有的内绝缘状态异常问题，故其评估结果准确可靠，且漏判率和误判率均较低。
附图说明
图1为本发明提供的一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法的实施例的流程图；
图2为本发明提供的CVT电容击穿的实施例的评估结果的示意图；
图3为本发明提供的CVT介质损耗异常的实施例的评估结果的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明通过建立一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法，旨在摆脱对CVT内绝缘状态评估中需停电退出运行的约束，以实现CVT内绝缘状态的实时在线评估。如图1所示为本发明提供的一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法的实施例的流程图，如图1所示，该在线评估方法包括：
步骤1，组建待进行CVT内绝缘状态评估的待评估群体，采集待评估群体中各个待 评估CVT刚投运或刚检修后时的运行数据作为样本数据
Figure 193134DEST_PATH_IMAGE001
；通过查阅铭牌和检定报告的形 式获取各个待评估CVT的结构参数，结构参数包括：电容单元的初始电容量、介质损耗以及 电容器个数等。
步骤2，结合结构参数确定待评估CVT的内绝缘状态异常时引入CVT二次输出数据 中的附加计量误差，将附加计量误差与样本数据
Figure 752291DEST_PATH_IMAGE001
相结合得到包含有不同内绝缘状态信 息的样本训练集
Figure 527349DEST_PATH_IMAGE004
。
步骤3，建立表征CVT电容击穿和介质损耗异常的特征参量，结合样本训练集
Figure 451443DEST_PATH_IMAGE004
构 建包含有不同内绝缘状态信息的特征训练集
Figure 210320DEST_PATH_IMAGE005
，将特征训练集
Figure 74633DEST_PATH_IMAGE005
引入相应的属性标签 后构成CVT内绝缘状态训练集；利用深度置信网络对CVT内绝缘状态训练集进行训练得到评 估模型。
步骤4，采集待评估群体的实时运行数据，结合实时运行数据构建CVT内绝缘状态在线评估的在线评估特征参量，并利用训练好的评估模型对CVT的内绝缘状态进行实时在线评估。
本发明提供的一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法，针对现有技术无法实现CVT内绝缘状态实时在线评估的问题，提出了一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法，该方法通过建立表征CVT内绝缘状态的特征量，并从CVT输出数据中提取出反映CVT内绝缘状态的信息，进而实现CVT内绝缘状态的实时在线评估，具有具有较高的工程应用价值。
实施例1
本发明提供的实施例1为本发明提供的一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法的实施例，结合图1可知，该在线评估方法的实施例包括：
步骤1，组建待进行CVT内绝缘状态评估的待评估群体，采集待评估群体中各个待 评估CVT刚投运或刚检修后时的运行数据作为样本数据
Figure 579564DEST_PATH_IMAGE001
；通过查阅铭牌和检定报告的形 式获取各个待评估CVT的结构参数，结构参数包括：电容单元的初始电容量、介质损耗以及 电容器个数等。
在一种可能的实施例方式中，待评估群体中的各个待评估CVT为变电站内同一电压等级下具有电气冗余联系的不同组同相CVT。
在一种可能的实施例方式中，以变电站内同一电压等级下具有电气冗余联系的不 同组同相CVT作为评估群体，当有
Figure 64772DEST_PATH_IMAGE039
组CVT时，以
Figure 920732DEST_PATH_IMAGE039
组CVT中A相为例，并采集刚投运或刚检 修后时的运行数据作为样本数据，其所采集的电压幅值信息和相位信息分别为：
Figure 821692DEST_PATH_IMAGE051
。而后通过查阅铭牌和检定报告的形式获取待评估CVT群 体的电容单元初始电容量、介质损耗以及电容器个数等结构参数
Figure 305763DEST_PATH_IMAGE052
，如下所示：
Figure 991566DEST_PATH_IMAGE053
（1）
Figure 334823DEST_PATH_IMAGE054
（2）
式中，
Figure 305053DEST_PATH_IMAGE055
为评估群体内第i台CVT的结构参数，
Figure 174789DEST_PATH_IMAGE056
为第i台CVT的初始高压电容 量，
Figure 440947DEST_PATH_IMAGE057
为第i台CVT的初始中压电容量，
Figure 271500DEST_PATH_IMAGE058
和
Figure 514262DEST_PATH_IMAGE059
为第i台CVT的初始高压介 质损耗和中压介质损耗，
Figure 504084DEST_PATH_IMAGE060
和
Figure 439679DEST_PATH_IMAGE061
为第i台CVT的高压电容数和中压电容数。
在本优选实施方式中，搭建模拟变电站局部一次拓扑结构的CVT内绝缘状态仿真 实验平台，该平台中同一电压等级下的母线上配置有3组0.2级的模拟CVT。以该3组模拟CVT 的A相构建评估群体，并采集其内绝缘装正常时的运行数据作为样本数据。该模拟CVT的高 压电容和中压电容分别由3个电容器串联而成，并且每个电容器两端均配置有继电器控制 的短路开关用于模拟不同电容器击穿的情况，同时还配置有利用继电器控制的不同介质损 耗下所对应的等效电阻以模拟CVT介质损耗异常变化的情况。其中高压电容的电容量均分 别为C1=0.254μF、C2=50.60μF和C3=50.20μF，中压电容分别为C4=194.46μF、C5=194.46μF和C6 =0.99，高压和中压介质损耗等效电阻为0.05%，进而构建评估群体的结构参数
Figure 757528DEST_PATH_IMAGE052
。
步骤2，结合结构参数确定待评估CVT的内绝缘状态异常时引入CVT二次输出数据 中的附加计量误差，将附加计量误差与样本数据
Figure 302516DEST_PATH_IMAGE001
相结合得到包含有不同内绝缘状态信 息的样本训练集
Figure 146845DEST_PATH_IMAGE004
。
在一种可能的实施例方式中，CVT内绝缘状态异常时引入CVT二次输出数据中的附加计量误差包括两部分，一部分是CVT电容击穿所引入的附加比值误差，另一部分是CVT介质损耗异常所引入的附加相位误差。
CVT电容击穿所引入的附加相位误差的确定方法包括：
对于待评估群体中第i台CVT内绝缘状态由于高压电容被击穿
Figure 253341DEST_PATH_IMAGE062
个或中压电容 被击穿
Figure 58486DEST_PATH_IMAGE063
个而处于异常状态的情况，由此而在CVT二次输出信号中产生的附加比值差
Figure 908630DEST_PATH_IMAGE064
如下所示：
Figure 108930DEST_PATH_IMAGE065
（3）
式中，
Figure 58431DEST_PATH_IMAGE066
和
Figure 741085DEST_PATH_IMAGE067
分别为第i台待评估CVT的高压电容和中压电容的电容器数,
Figure 332603DEST_PATH_IMAGE068
和
Figure 620365DEST_PATH_IMAGE069
分别为第i台待评估CVT的初始高压电容量和初始中压电容量；
Figure 622711DEST_PATH_IMAGE070
为初始电 容量所对应的分压比，如下所示：
Figure 527082DEST_PATH_IMAGE015
（4）
得到评估群体内不同CVT电容击穿时为CVT二次输出数据中引入的附加比值差，如下所示：
Figure 719029DEST_PATH_IMAGE071
（5）
其中，
Figure 2243DEST_PATH_IMAGE039
表示待评估群体中CVT的台数，m表示待评估CVT电容击穿数量，i表示CVT 的序号数，j表示电容击穿情况。
CVT介质损耗异常所引入的附加相位误差的确定方法包括：
对于待评估群体中第i台待评估CVT内绝缘状态由于高压介质损耗异常增加或中 压介质损耗异常增加而处于异常状态的情况，由此而在CVT二次输出信号中产生的附加相 位差
Figure 887022DEST_PATH_IMAGE072
如下所示：
Figure 511645DEST_PATH_IMAGE073
（6）
式中，
Figure 241704DEST_PATH_IMAGE074
和
Figure 645003DEST_PATH_IMAGE075
分别为异常增加后的高压介质损耗和中压介质损耗,
Figure 700684DEST_PATH_IMAGE076
和
Figure 48488DEST_PATH_IMAGE077
为原始高压介质损耗和中压介质损耗。
得到待评估群体中不同CVT介质损耗异常增加时为CVT二次输出数据中引入的附加相位差为：
Figure 519921DEST_PATH_IMAGE078
（7）
在一种可能的实施例方式中，步骤2中将附加计量误差与样本数据相结合得到包 含有不同内绝缘状态信息的样本训练集
Figure 341509DEST_PATH_IMAGE004
的过程包括：
Figure 99249DEST_PATH_IMAGE025
；
Figure 75296DEST_PATH_IMAGE026
；
式中，
Figure 412736DEST_PATH_IMAGE079
和
Figure 649682DEST_PATH_IMAGE080
分别为评估群体中第i台CVT引入附加计量误差
Figure 719269DEST_PATH_IMAGE081
和
Figure 477885DEST_PATH_IMAGE082
后的 幅值和相位，
Figure 681333DEST_PATH_IMAGE083
和
Figure 976048DEST_PATH_IMAGE084
分别为CVT电容击穿时和CVT介质损耗异常增加分别为CVT二次输 出数据中引入的附加计量误差，
Figure 216536DEST_PATH_IMAGE085
和
Figure 229492DEST_PATH_IMAGE086
为样本数据集中第i台CVT的幅值和相位，
Figure 472517DEST_PATH_IMAGE087
和包含不同介质损耗的样本训练集
Figure 621738DEST_PATH_IMAGE088
，由样本训练集
Figure 361024DEST_PATH_IMAGE089
和样本训练集
Figure 267800DEST_PATH_IMAGE090
组合得到样 本训练集
Figure 813051DEST_PATH_IMAGE091
。
优选地，引入相应的电容击穿和介质损耗异常增大的属性标签。
在本优选实施方式中，不同电容器击穿所引入的附加比值差如表1所示，不同介质 损耗异常所引入的附加相位差如表2所示，并将附加计量误差与样本数据相结合得到包含 有不同内绝缘状态信息的样本训练集
Figure 315314DEST_PATH_IMAGE033
和
Figure 163185DEST_PATH_IMAGE034
。
表1 电容器击穿所引入的附加比值差
Figure 885153DEST_PATH_IMAGE092
表2 介质损耗异常所引入的附加相位差
Figure 968515DEST_PATH_IMAGE093
步骤3，建立表征CVT电容击穿和介质损耗异常的特征参量，结合样本训练集
Figure 92329DEST_PATH_IMAGE004
构 建包含有不同内绝缘状态信息的特征训练集
Figure 111101DEST_PATH_IMAGE005
，将特征训练集
Figure 352989DEST_PATH_IMAGE005
引入相应的属性标签 后构成CVT内绝缘状态训练集；利用深度置信网络对CVT内绝缘状态训练集进行训练得到评 估模型。
在一种可能的实施例方式中，步骤3中表征CVT电容击穿数量的特征参量T和表征CVT介质损耗异常的特征参量θ分别为：
Figure 177725DEST_PATH_IMAGE094
；
Figure 93728DEST_PATH_IMAGE036
；
其中，
Figure 611297DEST_PATH_IMAGE095
和
Figure 573437DEST_PATH_IMAGE096
分别为样本训练
Figure 434821DEST_PATH_IMAGE097
中第
Figure 329964DEST_PATH_IMAGE098
台CVT的幅值和相位，
Figure 752855DEST_PATH_IMAGE099
和
Figure 936712DEST_PATH_IMAGE100
分别为样本训练集
Figure 775355DEST_PATH_IMAGE101
中第
Figure 292049DEST_PATH_IMAGE098
台CVT的幅值和相位。
内绝缘状态训练集包括两部分，一部分是由电容击穿的样本训练集
Figure 885842DEST_PATH_IMAGE033
和特征参 量T构建的包含有不同电容击穿信息的特征训练集
Figure 229098DEST_PATH_IMAGE102
；另一部分为介质损耗的样本训练 集
Figure 933749DEST_PATH_IMAGE034
和特征参量
Figure 803485DEST_PATH_IMAGE103
构建的包含有不同介质损耗信息的特征训练集
Figure 66714DEST_PATH_IMAGE104
，进而构成CVT内 绝缘状态训练集
Figure 897267DEST_PATH_IMAGE005
。
在本优选实施方式中，不同电容击穿下所构建的特征训练集
Figure 405608DEST_PATH_IMAGE102
和不同介质损耗 等效电阻下所构建的特征训练集
Figure 395430DEST_PATH_IMAGE104
如表3和表4所示。
表3 电容击穿所构建的特征训练集
Figure 331025DEST_PATH_IMAGE102
Figure 383295DEST_PATH_IMAGE105
表4 介质损耗异常增加所构建的特征训练集
Figure 196792DEST_PATH_IMAGE104
Figure 41120DEST_PATH_IMAGE106
在一种可能的实施例方式中，步骤3中利用深度置信网络对CVT内绝缘状态训练集进行训练的过程包括：
利用深度置信网络分别对特征训练集
Figure 147617DEST_PATH_IMAGE102
和特征训练集
Figure 421603DEST_PATH_IMAGE104
进行训练得到在线 评估电容击穿的评估模型和在线评估介质损耗的评估模型。
采集待评估群体的实时运行数据，结合实时运行数据构建CVT内绝缘状态在线评估的在线评估特征参量，并利用训练好的评估模型对CVT的内绝缘状态的实时在线评估。
具体实施中，利用深度置信网络进行训练的过程如下：
首先初始化深度置信网络的结构参数如隐藏层层数、隐藏层单元数、正向学习率和反向学习率等。
而后对每一层隐藏层进行训练，每层隐藏层由一层显层
Figure 334064DEST_PATH_IMAGE107
和一层隐层
Figure 469117DEST_PATH_IMAGE108
组成，同 时上一层隐藏层的隐层将作为下一层隐藏层的显层，每层隐藏层的能量函数如下所示：
Figure 418619DEST_PATH_IMAGE109
(12)
式中，
Figure 835693DEST_PATH_IMAGE110
，为待求解的内部参数，
Figure 223949DEST_PATH_IMAGE111
为第i个显层神经元的状态；
Figure 918236DEST_PATH_IMAGE112
为第j个隐层神经元的状态；
Figure 366535DEST_PATH_IMAGE113
为显层节点
Figure 506791DEST_PATH_IMAGE111
和隐层节点
Figure 698738DEST_PATH_IMAGE112
的连接权重；
Figure 247531DEST_PATH_IMAGE114
和
Figure 866732DEST_PATH_IMAGE115
为 显层节点
Figure 992819DEST_PATH_IMAGE111
和隐层节点
Figure 752572DEST_PATH_IMAGE112
的偏置，m和n为显层和隐层的神经元数量。
当显层状态确定时，隐层节点
Figure 218188DEST_PATH_IMAGE112
被显层节点
Figure 680393DEST_PATH_IMAGE111
激活的概率为：
Figure 293777DEST_PATH_IMAGE116
(13)
当隐层状态确定时，显层节点
Figure 93106DEST_PATH_IMAGE117
被隐层节点
Figure 350912DEST_PATH_IMAGE118
激活的概率为：
Figure 813380DEST_PATH_IMAGE119
(14)
通过计算似然函数
Figure 914060DEST_PATH_IMAGE120
和
Figure 251500DEST_PATH_IMAGE121
的函数最大值，进而得 到参数集θ的更新方法为:
Figure 363813DEST_PATH_IMAGE122
(15)
式中，
Figure 761296DEST_PATH_IMAGE123
表示输入数据的期望，
Figure 340086DEST_PATH_IMAGE124
表示重构数据的期望。
在本优选实施方式中，训练特征训练集
Figure 418901DEST_PATH_IMAGE102
的初始化结构参数和训练特征训练集
Figure 244774DEST_PATH_IMAGE104
的初始化结构参数如表5所示，而后利用深度置信网络分别对电容击穿所构建的特征 训练集
Figure 813159DEST_PATH_IMAGE102
和介质损耗异常增加所构建的特征训练集
Figure 498218DEST_PATH_IMAGE104
进行训练得到在线评估电容击 穿的评估模型和在线评估介质损耗的评估模型。
表5 深度置信网络初始化结构参数
Figure 177461DEST_PATH_IMAGE125
步骤4，采集待评估群体的实时运行数据，结合实时运行数据构建CVT内绝缘状态在线评估的在线评估特征参量，并利用训练好的评估模型对CVT的内绝缘状态进行实时在线评估。
在一种可能的实施例方式中，步骤4包括：
结合实时运行数据和特征参量T构建CVT电容击穿在线评估特征参量X1，利用训练好的在线评估电容击穿的评估模型对特征参量X1进行评估，得到待评估群体的电容击穿数；结合实时运行数据和特征参量θ，构建CVT介质损耗在线评估特征参量X2，利用训练好的在线评估介质损耗的评估模型对特征参量X2进行评估，得到待评估群体的介质损耗；完成CVT的内绝缘状态的实时在线评估。
优选地，采集待评估群体的实时运行数据，并结合公式（10）构建CVT电容击穿在线评估特征参量，而后利用训练好的在线评估电容击穿的评估模型进行评估，得到待评估群体的电容击穿数；并结合公式（11）构建CVT介质损耗在线评估特征参量，而后利用训练好的在线评估介质损耗的评估模型进行评估，得到待评估群体的介质损耗，进而完成CVT的内绝缘状态的实时在线评估。
在本优选实施方式中，当电容发生击穿时，以CVT-1A内绝缘状态异常为例进行分析，首先设置CVT-1A内绝缘处于正常状态运行20分钟，而后通过继电器将高压电容C2短路并运行20分钟以模拟CVT-1A发生一电容击穿的情况，最后通过继电器将高压电容C3一并短路并运行20分钟以模拟CVT-1A电容击穿继续劣化的情况。利用训练好的CVT电容击穿模型对该实时运行数据进行评估，其评估结果如图2所示。从图2中可知，评估结果与故障设置情况相符，即准确评估出电容击穿的情况。遍历评估群体，其评估准确度如表6所示。
表6电容击穿评估准确率
Figure 890464DEST_PATH_IMAGE126
在本优选实施方式中，当介质损耗异常时，以CVT-1A内绝缘状态异常为例进行分析，首先设置CVT-1A内绝缘处于正常状态运行20分钟，而后通过继电器将其介质损耗调整为0.1%并运行20分钟，最后将其介质损耗调整为0.15%并运行20分钟以模拟CVT-1A介质损耗不断劣化的情况。利用训练好的介质损耗评估模型对上述实时运行数据进行评估，其结果如图3所示。从图3中可知，评估结果与故障设置情况相符，即准确评估出介质损耗异常的情况。遍历评估群体，其评估准确度如表7所示，故能实现CVT内绝缘状态的准确评估。
表7介质损耗评估准确率
Figure 629750DEST_PATH_IMAGE127
本发明实施例提供的一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法，摆脱了CVT内绝缘状态评估中需停电退出运行的约束，仅依据CVT的二次输出数据实现了CVT内绝缘状态的实时在线评估，有利于实时掌握CVT内绝缘状态，进而维护CVT的正常运行；本发明具有较高的评估灵敏度和准确率，当电容器有一个被击穿或介质损耗异常增加0.05%，即可准确判断出；且其诊断电容发生击穿故障的准确度为100%，诊断内绝缘状态异常增加的准确度为98.51%，即能真实反映CVT内绝缘状态的变化；本发明所构建的CVT内绝缘状态训练集根据CVT的结构参数而建立，可涵盖待评估CVT所有的内绝缘状态异常问题，故其评估结果准确可靠，且漏判率和误判率均较低。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
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。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、嵌入式计算机或者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，使得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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (6)

1.一种融合群体冗余关联和结构参数的CVT内绝缘在线评估方法，其特征在于，所述评估方法包括：
步骤1，组建待进行CVT内绝缘状态评估的待评估群体，采集所述待评估群体中各个待 评估CVT刚投运或刚检修后时的运行数据作为样本数据
Figure 978951DEST_PATH_IMAGE001
；通过查阅铭牌和检定报告的形 式获取各个所述待评估CVT的结构参数，所述结构参数包括：电容单元的初始电容量、介质 损耗以及电容器个数；
步骤2，结合所述结构参数确定所述待评估CVT的内绝缘状态异常时引入CVT二次输出 数据中的附加计量误差，将所述附加计量误差与所述样本数据
Figure 442293DEST_PATH_IMAGE001
相结合得到包含有不同内 绝缘状态信息的样本训练集
Figure 193212DEST_PATH_IMAGE002
；
步骤3，建立表征CVT电容击穿和介质损耗异常的特征参量，结合所述样本训练集
Figure 425610DEST_PATH_IMAGE002
构 建包含有不同内绝缘状态信息的特征训练集
Figure 869361DEST_PATH_IMAGE003
，将所述特征训练集
Figure 288841DEST_PATH_IMAGE003
引入相应的属性标 签后构成CVT内绝缘状态训练集；利用深度置信网络对所述CVT内绝缘状态训练集进行训练 得到评估模型；
步骤4，采集待评估群体的实时运行数据，结合实时运行数据构建CVT内绝缘状态在线评估的在线评估特征参量，并利用训练好的所述评估模型对CVT的内绝缘状态进行实时在线评估；
所述步骤2中的CVT内绝缘状态异常时引入所述CVT二次输出数据中的所述附加计量误差包括：CVT电容击穿所引入的附加比值误差和CVT介质损耗异常所引入的附加相位误差；
CVT电容击穿所引入的附加比值误差的确定方法包括：
对于所述待评估群体中第i台CVT内绝缘状态由于高压电容被击穿
Figure 905767DEST_PATH_IMAGE004
个或中压电容被 击穿
Figure 727092DEST_PATH_IMAGE005
个而处于异常状态的情况，由此而在CVT二次输出信号中产生的附加比值差
Figure 341745DEST_PATH_IMAGE006
如 下所示：
Figure 248521DEST_PATH_IMAGE007
；
式中，
Figure 403558DEST_PATH_IMAGE008
和
Figure 548232DEST_PATH_IMAGE009
分别为第i台待评估CVT的高压电容和中压电容的电容器数，
Figure 396102DEST_PATH_IMAGE010
和
Figure 993437DEST_PATH_IMAGE011
分别为第i台待评估CVT的初始高压电容量和初始中压电容量；
Figure 686586DEST_PATH_IMAGE012
为初始电容量所对应 的分压比，如下所示：
Figure 482504DEST_PATH_IMAGE013
；
得到评估群体内不同CVT电容击穿时为CVT二次输出数据中引入的附加比值差，如下所示：
Figure 235696DEST_PATH_IMAGE014
；
其中，
Figure 320327DEST_PATH_IMAGE015
表示所述待评估群体中CVT的台数，m表示所述待评估CVT电容击穿数量；
CVT介质损耗异常所引入的附加相位误差的确定方法包括：
对于所述待评估群体中第i台待评估CVT内绝缘状态由于高压介质损耗异常增加或中 压介质损耗异常增加而处于异常状态的情况，由此而在CVT二次输出信号中产生的附加相 位差
Figure 82747DEST_PATH_IMAGE016
如下所示：
Figure 936433DEST_PATH_IMAGE018
；
式中，
Figure 594948DEST_PATH_IMAGE019
和
Figure 229191DEST_PATH_IMAGE020
分别为异常增加后的高压介质损耗和中压介质损耗，
Figure 264143DEST_PATH_IMAGE021
和
Figure 237916DEST_PATH_IMAGE022
分别为原始高压介质损耗和中压介质损耗；
得到所述待评估群体中不同CVT介质损耗异常增加时为CVT二次输出数据中引入的附加相位差为：
Figure 332911DEST_PATH_IMAGE023
。
2.根据权利要求1所述的评估方法，其特征在于，所述待评估群体中的各个所述待评估CVT为变电站内同一电压等级下具有电气冗余联系的不同组同相CVT。
3.根据权利要求1所述的评估方法，其特征在于，所述步骤2中将所述附加计量误差与 所述样本数据相结合得到包含有不同内绝缘状态信息的所述样本训练集
Figure 188871DEST_PATH_IMAGE024
的过程包括：
Figure 230777DEST_PATH_IMAGE025
；
Figure 855793DEST_PATH_IMAGE026
；
式中，
Figure 324952DEST_PATH_IMAGE027
和
Figure 402629DEST_PATH_IMAGE028
分别为评估群体中第i台CVT引入附加计量误差
Figure 310542DEST_PATH_IMAGE029
和
Figure 790065DEST_PATH_IMAGE030
后的幅值和相 位，
Figure 430125DEST_PATH_IMAGE029
和
Figure 995098DEST_PATH_IMAGE030
分别为CVT电容击穿时和CVT介质损耗异常增加分别为CVT二次输出数据中引 入的附加计量误差，
Figure 441123DEST_PATH_IMAGE031
和
Figure 954977DEST_PATH_IMAGE032
为样本数据集中第i台CVT的幅值和相位，得到包含不同电容 击穿的样本训练集
Figure 828256DEST_PATH_IMAGE033
和包含不同介质损耗的样本训练集
Figure 880525DEST_PATH_IMAGE034
，由样本训练集
Figure 802345DEST_PATH_IMAGE033
和样本训 练集
Figure 522039DEST_PATH_IMAGE035
组合得到样本训练集
Figure 300639DEST_PATH_IMAGE024
。
4.根据权利要求3所述的评估方法，其特征在于，所述步骤3中，表征CVT电容击穿数量的特征参量T和表征CVT介质损耗异常的特征参量θ分别为：
Figure 43467DEST_PATH_IMAGE036
；
Figure 565716DEST_PATH_IMAGE037
；
其中，
Figure 139916DEST_PATH_IMAGE038
和
Figure 292680DEST_PATH_IMAGE039
分别为样本训练
Figure 53963DEST_PATH_IMAGE040
中第
Figure 645481DEST_PATH_IMAGE015
台CVT的幅值和相位，
Figure 808609DEST_PATH_IMAGE041
和
Figure 132274DEST_PATH_IMAGE042
分别为样本 训练集
Figure 646432DEST_PATH_IMAGE002
中第
Figure 776062DEST_PATH_IMAGE015
台CVT的幅值和相位；
由所述样本训练集
Figure 996959DEST_PATH_IMAGE033
和特征参量T构建得到特征训练集
Figure 553842DEST_PATH_IMAGE043
，由所述样本训练集
Figure 555296DEST_PATH_IMAGE035
和 所述特征参量θ构建的得到特征训练集
Figure DEST_PATH_IMAGE044
，由所述特征训练集
Figure 895142DEST_PATH_IMAGE043
和所述特征训练集
Figure 32862DEST_PATH_IMAGE044
组 合得到所述特征训练集
Figure 760647DEST_PATH_IMAGE003
。
5.根据权利要求4所述的评估方法，其特征在于，所述步骤3中利用深度置信网络对所述CVT内绝缘状态训练集进行训练的过程包括：
利用深度置信网络分别对所述特征训练集
Figure 187080DEST_PATH_IMAGE043
和所述特征训练集
Figure 658513DEST_PATH_IMAGE044
进行训练得到在 线评估电容击穿的评估模型和在线评估介质损耗的评估模型；
采集待评估群体的实时运行数据，结合实时运行数据构建CVT内绝缘状态在线评估的在线评估特征参量，并利用训练好的所述评估模型对CVT的内绝缘状态的实时在线评估。
6.根据权利要求5所述的评估方法，其特征在于，所述步骤4包括：
结合所述实时运行数据和所述特征参量T构建CVT电容击穿在线评估特征参量X1，利用训练好的在线评估电容击穿的评估模型对所述特征参量X1进行评估，得到待评估群体的电容击穿数；结合所述实时运行数据和所述特征参量θ，构建CVT介质损耗在线评估特征参量X2，利用训练好的在线评估介质损耗的评估模型对所述特征参量X2进行评估，得到待评估群体的介质损耗；完成CVT的内绝缘状态的实时在线评估。
CN202210681806.6A 2022-06-16 2022-06-16 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法 Active CN114779029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210681806.6A CN114779029B (zh) 2022-06-16 2022-06-16 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210681806.6A CN114779029B (zh) 2022-06-16 2022-06-16 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法

Publications (2)

Publication Number Publication Date
CN114779029A CN114779029A (zh) 2022-07-22
CN114779029B true CN114779029B (zh) 2022-09-20

Family

ID=82420501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210681806.6A Active CN114779029B (zh) 2022-06-16 2022-06-16 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法

Country Status (1)

Country Link
CN (1) CN114779029B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814501B (zh) * 2022-06-30 2022-09-16 国网湖北省电力有限公司营销服务中心(计量中心) 一种电容式电压互感器电容击穿故障在线诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4055566B2 (ja) * 2002-12-05 2008-03-05 トヨタ自動車株式会社 自動変速機の制御装置
US10352442B2 (en) * 2015-11-18 2019-07-16 GM Global Technology Operations LLC Method and apparatus to control a continuously variable transmission
CN109541517A (zh) * 2018-11-23 2019-03-29 中国电力科学研究院有限公司 一种高压电流互感器泄漏电流及误差测量方法及系统
CN111025222A (zh) * 2019-12-31 2020-04-17 三峡大学 基于递推主元分析的电子式电压互感器状态监测方法
CN112710930A (zh) * 2020-12-16 2021-04-27 华中科技大学 一种电容式电压互感器内绝缘状态在线评价方法
CN113935440A (zh) * 2021-12-15 2022-01-14 武汉格蓝若智能技术有限公司 一种电压互感器误差状态迭代评估方法及系统

Also Published As

Publication number Publication date
CN114779029A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
Mao et al. Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics
CN113702895B (zh) 一种电压互感器误差状态在线定量评估方法
CN110542819B (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
Duraisamy et al. Neuro fuzzy schemes for fault detection in power transformer
CN107153162A (zh) 一种动力电池组多故障在线检测系统及方法
CN113447783B (zh) 一种电压互感器绝缘故障辨识模型构建方法及装置
CN114779029B (zh) 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法
CN117113166A (zh) 一种基于改进的集成学习的工业锅炉故障检测方法
CN113721182B (zh) 一种电力互感器性能在线监测结果可靠度评估方法及系统
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN114138982A (zh) 一种用于干式变压器故障诊断的知识图谱的构建方法
Caponetto et al. Application of Electrochemical Impedance Spectroscopy for prediction of Fuel Cell degradation by LSTM neural networks
CN105741184A (zh) 一种变压器状态评估方法及装置
CN117310353A (zh) 一种变电站一、二次回路通流加压故障测试方法及系统
CN108037424B (zh) 基于多数据来源的电力电容器绝缘状态评估方法与系统
Yin et al. Deep learning based transformer fault diagnosis method
CN113033845B (zh) 一种电力传输资源共建共享的建设方法及装置
CN109581194A (zh) 一种电子系统故障测试策略动态生成方法
Yu et al. Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches
CN117131786B (zh) 一种电压互感器绝缘故障在线辨识方法
CN108536911B (zh) 一种基于中心距和样本特征的换流变压器状态评估方法
Chen et al. Intelligent Fault Diagnosis of CINRAD Radar Based on Fault Tree and Bayesian Network
CN114201884B (zh) 基于专家规则推演的继电保护缺陷的诊断方法和装置
CN107273643A (zh) 一种智能变电站间隔运行软件仿真校验方法
Zhang et al. Review of Comprehensive Assessment of Power Transformer

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee after: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An on-line evaluation method of CVT internal insulation based on group redundancy correlation and structural parameters

Effective date of registration: 20221230

Granted publication date: 20220920

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20220920

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404