CN115221731A - 基于数据融合和Wiener模型的变压器寿命评估方法 - Google Patents
基于数据融合和Wiener模型的变压器寿命评估方法 Download PDFInfo
- Publication number
- CN115221731A CN115221731A CN202210960961.1A CN202210960961A CN115221731A CN 115221731 A CN115221731 A CN 115221731A CN 202210960961 A CN202210960961 A CN 202210960961A CN 115221731 A CN115221731 A CN 115221731A
- Authority
- CN
- China
- Prior art keywords
- state quantity
- transformer
- state
- sampling point
- historical
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 230000004927 fusion Effects 0.000 title claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000006731 degradation reaction Methods 0.000 claims abstract description 25
- 230000015556 catabolic process Effects 0.000 claims abstract description 24
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 23
- 238000009792 diffusion process Methods 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 229930195733 hydrocarbon Natural products 0.000 description 4
- 150000002430 hydrocarbons Chemical class 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003878 thermal aging Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于数据融合和Wiener模型的变压器寿命评估方法,涉及变压器技术领域,该方法构建包含变压器的聚合度和运行状态参数的状态量集合,对每个历史采样点处的状态量子集中的状态量的取值按照各个状态量的动态权重进行加权计算,得到各个历史采样点处的寿命关联指标;然后以变压器的寿命关联指标作为退化量基于Wiener随机退化模型构建得到寿命预测模型,进行变压器寿命评估。该方法融合包含聚合度和运行状态参数的多维退化量数据,能有效从不同状态量的角度分析变压器的运行状况以及寿命情况,使得变压器寿命评估更为全面和准确。
Description
技术领域
本申请涉及变压器技术领域,尤其是一种基于数据融合和Wiener模型的变压器寿命评估方法。
背景技术
油浸式电力变压器是高电压等级电力传输的关键设备,其绝缘性能在运行过程中不断劣化,影响设备和电网的可靠运行。目前,我国主要以变压器的役龄作为其退役依据,但变压器的役龄实际并不能很好的反映变压器的运行状态,这就可能导致役龄较短但运行状态较差而应该退役的变压器继续在线运行,或者,役龄较长但实际运行状态较好的变压器被提前退役的情况。应当退役而继续运行的变压器会对系统的可靠性产生负面影响,而被提前退役的变压器则会导致利用率较低,两种情况都不利于电力变压器的精益化管理和维护。
在电力设备数字化转型的过程中,从传统基于时间的维修计划已逐步迈向基于状态的维修计划。因此,如何充分利用现有状态信息,合理、科学地对变压器进行寿命评估,从而延长变压器的实际投运时间,降低变压器的运行成本,是亟待关注和解决的工程实践要点。
近年来,国内外学者对寿命预测建模方法展开了大量研究,主要包括失效物理模型和机器学习模型以及随机过程模型等:(1)变压器失效物理模型主要考虑变压器绝缘材料在电应力、热应力或联合应力作用下的劣化,但由于变压器结构和老化机理复杂,难以通过简单的数理模型予以准确的刻画。(2)变压器基于机器学习的寿命评估模型主要为利用神经网络结构预测变压器状态量变化情况,该方法为数据驱动,需要大量历史信息训练模型,缺乏物理意义,难以对变压器的可靠性和寿命分布进行分析。(3)随机模型是考虑到设备特征量退化过程中在内部和外部工作环境的影响下具有一定的随机性,通常用来描述产品的退化性能,在设备寿命退化建模中有着广泛的应用。但是目前利用随机模型对变压器进行寿命评估的方法中,主要使用聚合度来作为设备特征量,准确度较低,因此目前主要限于实验室场景、难以应用到真实变压器上。
发明内容
本申请人针对上述问题及技术需求,提出了一种基于数据融合和Wiener模型的变压器寿命评估方法,本申请的技术方案如下:
一种基于数据融合和Wiener模型的变压器寿命评估方法,该方法包括:
构建变压器在当前监测时间参数的状态量集合,状态量集合包括当前监测时间参数之前的历史运行阶段内的若干个历史采样点处的状态量子集,每个状态量子集包括m个状态量在当前历史采样点处的取值,状态量集合中包含的状态量的参数类型包括变压器的聚合度和运行状态参数,m≥2;
确定状态量集合中每个状态量在每个历史采样点处的动态权重;
对每个历史采样点处的状态量子集中的状态量的取值按照各个状态量的动态权重进行加权计算,得到各个历史采样点处的寿命关联指标;
以变压器的寿命关联指标作为退化量基于Wiener随机退化模型构建得到寿命预测模型;
利用寿命预测模型评估得到变压器的剩余寿命。
其进一步的技术方案为,该方法还包括:
根据变压器的热点温度计算温度平移因子,并基于聚合度累计损失动力学方程结合温度平移因子计算得到变压器的聚合度在各个历史采样点处的取值。
其进一步的技术方案为,变压器的运行状态参数包括变压器的油中溶解气体、铁芯接地电流、微水含量中的至少一种。
其进一步的技术方案为,确定状态量集合中每个状态量在每个历史采样点处的动态权重,包括对于每个历史采样点处的状态量子集中的各个状态量;
利用层次分析法确定每个状态量的权重初始值;
基于每个状态量的权重初始值结合状态量子集中的各个状态量的取值、利用变权原理确定各个状态量在当前历史采样点处的动态权重。
其进一步的技术方案为,利用变权原理确定各个状态量在当前历史采样点处的动态权重,包括确定任意第i个状态量在当前历史采样点处的动态权重ωi′为:
其中,ωi是第i个状态量的权重初始值,xi是第i个状态量在当前历史采样点处的取值,ωj是任意第j个状态量的权重初始值,xj是第j个状态量在当前历史采样点处的取值,m是状态量子集中包含的状态量的个数,α是变权系数。
其进一步的技术方案为,利用层次分析法确定每个状态量的权重初始值,包括:
其进一步的技术方案为,以变压器的寿命关联指标作为退化量基于Wiener随机退化模型构建得到寿命预测模型,包括:
构建得到的寿命预测模型指示任意时间参数T处的退化量X(T)=X(0)+λT+ηB(T),其中X(0)表示根据各个历史采样点处的寿命关联指标确定的取值为0的退化量初始值,λ为漂移系数且服从N(μ,σ2)的正态分布,η为扩散系数,B(T)为服从N(0,T)的正态分布的布朗运动;
其中,漂移系数λ和扩散系数η利用贝叶斯更新和最大期望算法基于各个历史采样点处的寿命关联指标迭代更新得到。
其进一步的技术方案为,该方法还包括:
在第k次迭代中,利用贝叶斯规则确定第n个历史采样点处的漂移系数λ的期望漂移系数λ的方差其中,η(k-1)是第k-1次迭代的扩散系数,xn是第n个历史采样点的寿命关联指标,μn-1(k-1)是第k-1次迭代中得到的第n-1个历史采样点处的漂移系数λ的期望,是第k-1次迭代中得到的第n-1个历史采样点处的漂移系数λ的方差,tn是第n个历史采样点的时间参数,tn-1是第n-1个历史采样点的时间参数,n∈[1,N],k≥1;μ0(0)为漂移系数期望初始值,为漂移系数方差初始值,η(0)为扩散系数初始值,N是寿命关联指标的总数量;
若第k次迭代的扩散系数η(k)与第k-1次迭代的扩散系数η(k-1)的误差超出误差范围,则执行第k+1迭代;
其进一步的技术方案为,利用寿命预测模型评估得到变压器的剩余寿命,包括:
利用寿命预测模型计算在当前监测时间参数至第一次达到X(T)≥ζ时的时间参数T之间的时长ls的时间范围内的故障概率密度f(ls),ζ是失效阈值;
分别利用多个不同的监测时间参数的状态量集合计算得到相应的故障概率密度;
其进一步的技术方案为,计算每个监测时间参数对应的故障概率密度的方法包括:
本申请的有益技术效果是:
本申请公开了一种基于数据融合和Wiener模型的变压器寿命评估方法,该方法融合包含聚合度和运行状态参数的多维退化量数据,既能反映变压器正常运行情况热老化下的绝缘寿命,也能反映故障情况导致的寿命骤减的情况,再结合Wiener模型、能有效从不同状态量的角度分析变压器的运行状况以及寿命情况,使得变压器寿命评估更为全面和准确。
在融合聚合度和运行状态参数时,由专家经验获取各状态量初始权重,依据历史数据变化趋势通过变权原理动态调节各个状态量的变权权重,将寿命信息反映到融合后的寿命关联指标上,使得评估结果更准确。
另外,利用贝叶斯更新和最大期望算法能动态更新Wiener随机模型的参数值,得到较为准确的模型参数,使得变压器评估结果更为准确。
附图说明
图1是本申请一个实施例中的变压器寿命评估方法的方法流程图。
图2是本申请一个实施例中的迭代更新确定漂移系数和扩散系数的方法流程图。
图3是一个实例中计算得到的变压器的聚合度在不同时间参数下的原始参数值构成的曲线图。
图4是图3所示实例中的变压器的运行状态参数在各个历史采样时间点处的变权权重构成的曲线图。
图5是图3所示的实例中的状态量集合中的状态量在各个历史采样点处的取值构成的曲线图,以及加权得到的LCI和滤波后LCI在各个历史采样点处的取值构成的曲线图。
图6是图3所示实例中在多个监测时间参数下计算得到的故障概率密度的示意图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于数据融合和Wiener模型的变压器寿命评估方法,该方法包括如下步骤,请参考图1所示的流程图:
步骤S1,构建变压器在当前监测时间参数的状态量集合。
状态量集合包括当前监测时间参数之前的历史运行阶段内的若干个历史采样点处的状态量子集。各个历史采样点对应的时间参数不同,本申请中的时间参数可以按照所需的时间维度划分,比如以天、周、月等维度划分,本申请不做限定并以天进行划分为例。则状态量集合可以包含当前监测时间之间的若干天的状态量子集。
每个状态量子集包括m个状态量在当前历史采样点处的取值,状态量集合中包含的状态量的参数类型包括变压器的聚合度和运行状态参数,m≥2。其中,变压器的运行状态参数包括变压器的油中溶解气体、铁芯接地电流、微水含量中的至少一种,变压器的油中溶解气体包括CO、CO2、总烃中的至少一种。
变压器的运行状态参数的原始参数值可以通过各类传感器直接监测得到,变压器的聚合度(DP)的原始参数值可以按照如下方法计算得到:根据变压器的热点温度TH(单位取K)计算温度平移因子其中,Ea为料活化能且单位为kJ/mol,R为气体常数且一般取8.314J/(mol·K),Tref为参考温度一般取363K。然后基于聚合度累计损失动力学方程结合温度平移因子计算得到变压器的聚合度在各个历史采样点处的取值,具体的,按照公式计算得到时间参数为tn处的任意第n个历史采样点除的聚合度DP0为已知的聚合度初始值,表示聚合度降解储存的能力,kDP表示聚合度的下降速率且单位为d-1。
一般不将变压器的运行状态参数的原始参数值和原始参数值直接作为对应的状态量的取值,而是根据阈值对原始参数值进行归一化处理后作为对应状态量的取值。
步骤S2,确定状态量集合中每个状态量在每个历史采样点处的动态权重。
对于每个历史采样点处的状态量子集中的各个状态量,确定其动态权重的方法包括两个步骤:
(1)利用层次分析法确定每个状态量的权重初始值。
(2)基于每个状态量的权重初始值结合状态量子集中的各个状态量的取值、利用变权原理确定各个状态量在当前历史采样点处的动态权重。任意第i个状态量在当前历史采样点处的动态权重ωi′为:
其中,ωi是第i个状态量的权重初始值,xi是第i个状态量在当前历史采样点处的取值,ωj是任意第j个状态量的权重初始值,xj是第j个状态量在当前历史采样点处的取值,m是状态量子集中包含的状态量的个数,α是变权系数。
步骤S3,对每个历史采样点处的状态量子集中的状态量的取值按照各个状态量的动态权重进行加权计算,得到各个历史采样点处的寿命关联指标,以寿命关联指标的总数量为N为例,N个寿命关联指标可以依次表示为x1,x2…xn…xN。因为本申请后续要使用Wiener随机退化模型,因此要保证第一个寿命关联指标x1为0,所以若直接得到的第一个寿命关联指标不为0,则通过将所有寿命关联指标减去第一个寿命关联指标得到最终的x1,x2…xn…xN。
步骤S4,以变压器的寿命关联指标作为退化量基于Wiener随机退化模型构建得到寿命预测模型。
构建得到的寿命预测模型指示任意时间参数T处的退化量X(T)=X(0)+λT+ηB(T),其中X(0)表示根据各个历史采样点处的寿命关联指标确定的取值为0的退化量初始值。λ为漂移系数且服从N(μ,σ2)的正态分布,η为扩散系数,B(T)为服从N(0,T)的正态分布的布朗运动、用来表示变压器在老化过程中的随机动态特性。
其中,漂移系数λ和扩散系数η利用贝叶斯更新和最大期望算法基于各个历史采样点处的寿命关联指标迭代更新得到。迭代更新方法为,请参考图2:
其中,η(k-1)是第k-1次迭代的扩散系数,xn是第n个历史采样点的寿命关联指标,μn-1(k-1)是第k-1次迭代中得到的第n-1个历史采样点处的漂移系数λ的期望,是第k-1次迭代中得到的第n-1个历史采样点处的漂移系数λ的方差,tn是第n个历史采样点的时间参数。tn-1是第n-1个历史采样点的时间参数,n∈[1,N],k≥1。μ0(0)为漂移系数期望初始值,为漂移系数方差初始值,η(0)为扩散系数初始值,这些初始值都可以自定义设置。
(3)若第k次迭代的扩散系数η(k)与第k-1次迭代的扩散系数η(k-1)的误差超出误差范围,则执行第k+1迭代。
(4)若第k次迭代的扩散系数η(k)与第k-1次迭代的扩散系数η(k-1)的误差未超出误差范围,则由第k次迭代得到的μN(k)和确定得到漂移系数λ,并将第k次迭代的扩散系数η(k)作为最终的扩散系数η,并构建得到参数确定的寿命预测模型。
步骤S5,利用寿命预测模型评估得到变压器的剩余寿命。
利用寿命预测模型计算在当前监测时间参数至第一次达到X(T)≥ζ时的时间参数T之间的时长ls的时间范围内的故障概率密度f(ls)。ζ是失效阈值,通常由专家主观经验或者广泛接受的标准所确定,由于寿命关联指标是由归一化后的状态量的取值加权得到的,因此可以取失效阈值为1。具体的,利用任意一个监测时间参数的状态量集合计算得到的故障概率密度为
在一个实例中,以型号为ODFS-334000/500的一台在运电力变压器为例,以变压器开始运行至今的第2790天作为当前监测时间参数,在应用本申请的方法进行寿命评估时:
首先根据本申请的方法确定变压器的聚合度在2790天之前的各个历史采样点处的原始参数值构成的曲线图如图3所示。运行状态参数包括CO、CO2和总烃。
对聚合度CO、CO2和总烃的原始参数值进行归一化处理得到各个历史采样点处的状态量子集。确定CO、CO2、总烃、聚合度在各个历史采样点处的动态权重构成的曲线图如图4所示。
对每个历史采样点处的状态量子集中的状态量的取值按照各个状态量的动态权重进行加权计算,得到各个历史采样点处的寿命关联指标(LCI),考虑到融合后的寿命关联指标波动较大,还通过滑动窗口滤波方式平滑处理,各个历史采样点处的LCI构成的曲线图以及滤波处理后的LCI的构成的曲线图如图5所示。
然后以变压器开始运行至今的第2700天作为当前监测时间参数,以第2700天之前的数据重复上述过程计算得到故障概率密度。同样的,分别以变压器开始运行至今的第2610天、2520天、2430天作为当前监测时间参数计算得到故障概率密度,最终求得5个故障概率密度如图5所示。对求得的6个故障概率密度计算得到变压器期望的剩余寿命为37.96年。
以上所述的仅是本申请的优选实施方式,本申请不限于以上实施例。可以理解,本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本申请的保护范围之内。
Claims (10)
1.一种基于数据融合和Wiener模型的变压器寿命评估方法,其特征在于,所述方法包括:
构建变压器在当前监测时间参数的状态量集合,所述状态量集合包括当前监测时间参数之前的历史运行阶段内的若干个历史采样点处的状态量子集,每个状态量子集包括m个状态量在当前历史采样点处的取值,所述状态量集合中包含的状态量的参数类型包括所述变压器的聚合度和运行状态参数,m≥2;
确定所述状态量集合中每个状态量在每个历史采样点处的动态权重;
对每个历史采样点处的状态量子集中的状态量的取值按照各个状态量的动态权重进行加权计算,得到各个历史采样点处的寿命关联指标;
以所述变压器的寿命关联指标作为退化量基于Wiener随机退化模型构建得到寿命预测模型;
利用所述寿命预测模型评估得到所述变压器的剩余寿命。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述变压器的热点温度计算温度平移因子,并基于聚合度累计损失动力学方程结合温度平移因子计算得到所述变压器的聚合度在各个历史采样点处的取值。
3.根据权利要求1所述的方法,其特征在于,所述变压器的运行状态参数包括所述变压器的油中溶解气体、铁芯接地电流、微水含量中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述确定所述状态量集合中每个状态量在每个历史采样点处的动态权重,包括对于每个历史采样点处的状态量子集中的各个状态量;
利用层次分析法确定每个状态量的权重初始值;
基于每个状态量的权重初始值结合所述状态量子集中的各个状态量的取值、利用变权原理确定各个状态量在当前历史采样点处的动态权重。
7.根据权利要求1所述的方法,其特征在于,所述以所述变压器的寿命关联指标作为退化量基于Wiener随机退化模型构建得到寿命预测模型,包括:
构建得到的所述寿命预测模型指示任意时间参数T处的退化量X(T)=X(0)+λT+ηB(T),其中X(0)表示根据各个历史采样点处的寿命关联指标确定的取值为0的退化量初始值,λ为漂移系数且服从N(μ,σ2)的正态分布,η为扩散系数,B(T)为服从N(0,T)的正态分布的布朗运动;
其中,漂移系数λ和扩散系数η利用贝叶斯更新和最大期望算法基于各个历史采样点处的寿命关联指标迭代更新得到。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
在第k次迭代中,利用贝叶斯规则确定第n个历史采样点处的漂移系数λ的期望漂移系数λ的方差其中,η(k-1)是第k-1次迭代的扩散系数,xn是第n个历史采样点的寿命关联指标,μn-1(k-1)是第k-1次迭代中得到的第n-1个历史采样点处的漂移系数λ的期望,是第k-1次迭代中得到的第n-1个历史采样点处的漂移系数λ的方差,tn是第n个历史采样点的时间参数,tn-1是第n-1个历史采样点的时间参数,n∈[1,N],k≥1;μ0(0)为漂移系数期望初始值,为漂移系数方差初始值,η(0)为扩散系数初始值,N是寿命关联指标的总数量;
若第k次迭代的扩散系数η(k)与第k-1次迭代的扩散系数η(k-1)的误差超出误差范围,则执行第k+1迭代;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960961.1A CN115221731A (zh) | 2022-08-11 | 2022-08-11 | 基于数据融合和Wiener模型的变压器寿命评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960961.1A CN115221731A (zh) | 2022-08-11 | 2022-08-11 | 基于数据融合和Wiener模型的变压器寿命评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221731A true CN115221731A (zh) | 2022-10-21 |
Family
ID=83616236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210960961.1A Pending CN115221731A (zh) | 2022-08-11 | 2022-08-11 | 基于数据融合和Wiener模型的变压器寿命评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221731A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982976A (zh) * | 2022-12-19 | 2023-04-18 | 南京航空航天大学 | 一种油浸式电力变压器的剩余寿命预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3249377A1 (en) * | 2016-05-24 | 2017-11-29 | Siemens Aktiengesellschaft | Estimating the life time of a gas turbine component |
CN111310355A (zh) * | 2020-03-03 | 2020-06-19 | 西南交通大学 | 一种车载牵引变压器nomex纸寿命衰减的试验与分析方法 |
CN111460727A (zh) * | 2020-03-05 | 2020-07-28 | 国网浙江省电力有限公司湖州供电公司 | 一种利用多参量的变压器寿命预测方法 |
CN112115417A (zh) * | 2020-08-10 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于概率密度聚类的变压器实时故障概率计算方法 |
CN112257232A (zh) * | 2020-09-25 | 2021-01-22 | 广西大学 | 基于油中乙醇和变压器纸聚合度的寿命模型建立方法 |
CN112257265A (zh) * | 2020-10-22 | 2021-01-22 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于健康指数和非等间距灰色模型的电力变压器寿命预测方法 |
CN112598298A (zh) * | 2020-12-25 | 2021-04-02 | 武汉瑞莱保科技有限公司 | 电力变压器健康管理系统及管理方法 |
CN112800616A (zh) * | 2021-02-05 | 2021-05-14 | 中国人民解放军空军工程大学 | 基于比例加速退化建模的设备剩余寿命自适应预测方法 |
EP3910306A1 (en) * | 2020-05-13 | 2021-11-17 | Schneider Electric Industries SAS | Electrical apparatus thermal monitoring |
CN114065506A (zh) * | 2021-11-14 | 2022-02-18 | 广东电网有限责任公司江门供电局 | 一种配电变压器健康状况评估方法 |
-
2022
- 2022-08-11 CN CN202210960961.1A patent/CN115221731A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3249377A1 (en) * | 2016-05-24 | 2017-11-29 | Siemens Aktiengesellschaft | Estimating the life time of a gas turbine component |
CN111310355A (zh) * | 2020-03-03 | 2020-06-19 | 西南交通大学 | 一种车载牵引变压器nomex纸寿命衰减的试验与分析方法 |
CN111460727A (zh) * | 2020-03-05 | 2020-07-28 | 国网浙江省电力有限公司湖州供电公司 | 一种利用多参量的变压器寿命预测方法 |
EP3910306A1 (en) * | 2020-05-13 | 2021-11-17 | Schneider Electric Industries SAS | Electrical apparatus thermal monitoring |
CN112115417A (zh) * | 2020-08-10 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于概率密度聚类的变压器实时故障概率计算方法 |
CN112257232A (zh) * | 2020-09-25 | 2021-01-22 | 广西大学 | 基于油中乙醇和变压器纸聚合度的寿命模型建立方法 |
CN112257265A (zh) * | 2020-10-22 | 2021-01-22 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于健康指数和非等间距灰色模型的电力变压器寿命预测方法 |
CN112598298A (zh) * | 2020-12-25 | 2021-04-02 | 武汉瑞莱保科技有限公司 | 电力变压器健康管理系统及管理方法 |
CN112800616A (zh) * | 2021-02-05 | 2021-05-14 | 中国人民解放军空军工程大学 | 基于比例加速退化建模的设备剩余寿命自适应预测方法 |
CN114065506A (zh) * | 2021-11-14 | 2022-02-18 | 广东电网有限责任公司江门供电局 | 一种配电变压器健康状况评估方法 |
Non-Patent Citations (3)
Title |
---|
廖俐琳: "基于Wiener随机模型的变压器油纸绝缘剩余寿命预测方法研究" * |
张明泽;刘骥;陈昕;廖俐琳;陈庆国;: "基于Wiener模型的变压器油纸绝缘老化剩余寿命评估方法" * |
栗然;刘会兰;卢云;韩彪;: "基于交叉熵理论的配电变压器寿命组合预测方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982976A (zh) * | 2022-12-19 | 2023-04-18 | 南京航空航天大学 | 一种油浸式电力变压器的剩余寿命预测方法 |
CN115982976B (zh) * | 2022-12-19 | 2024-01-05 | 南京航空航天大学 | 一种油浸式电力变压器的剩余寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116153B (zh) | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN112115636B (zh) | 一种电力电缆绝缘老化寿命超前预测方法及系统 | |
CN111044926A (zh) | 质子交换膜燃料电池寿命预测方法 | |
CN116050595A (zh) | 一种注意力机制与分解机制耦合的径流量预测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN115221731A (zh) | 基于数据融合和Wiener模型的变压器寿命评估方法 | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
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 | |
CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
CN104732107B (zh) | 以介质参数为评估参量的变压器套管剩余寿命预测方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN112488295A (zh) | 交叉验证算法优化lstm网络继电器贮存寿命预测方法 | |
CN112800674A (zh) | 一种基于极限学习机的电力系统元件可靠性参数计算方法 | |
CN113094989B (zh) | 一种基于随机配置网络的无人机电池寿命预测方法 | |
CN113240181B (zh) | 一种水库调度运行滚动模拟方法及装置 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN115062533A (zh) | 多元回归预测模型的构建、预测方法及介质 | |
CN112364995B (zh) | 一种变压器故障率评估方法及系统、可读存储介质 | |
CN114298444B (zh) | 一种风速概率预测方法、装置、设备及存储介质 | |
CN113947248B (zh) | 一种电缆受潮老化跳闸的风险预测方法和相关装置 | |
Jun et al. | Generalized Cauchy for Predicting Reliability of Power System | |
CN117910345A (zh) | 一种无寿命标签下设备剩余寿命间接预测方法 | |
CN117371317A (zh) | 一种配电网接入的系统稳定性评估方法、介质及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221021 |