CN115544803B - 一种变压器剩余寿命预测方法、装置、设备及存储介质 - Google Patents

一种变压器剩余寿命预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115544803B
CN115544803B CN202211350008.1A CN202211350008A CN115544803B CN 115544803 B CN115544803 B CN 115544803B CN 202211350008 A CN202211350008 A CN 202211350008A CN 115544803 B CN115544803 B CN 115544803B
Authority
CN
China
Prior art keywords
transformer
prediction
information
target transformer
parameter set
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
CN202211350008.1A
Other languages
English (en)
Other versions
CN115544803A (zh
Inventor
李洵
王杰峰
陈卿
袁捷
甘润东
钟掖
田钺
钱俊凤
王卓月
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202211350008.1A priority Critical patent/CN115544803B/zh
Publication of CN115544803A publication Critical patent/CN115544803A/zh
Application granted granted Critical
Publication of CN115544803B publication Critical patent/CN115544803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

Abstract

本发明公开一种变压器剩余寿命预测方法、装置、设备及存储介质，该方法包括：获取目标变压器的工作电流、工作电压以及工作油温；对所述目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到所述目标变压器的先验信息；根据所述先验信息和所述目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型；根据所述通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命。从而收集目标变压器的工作数据，建立通用路径模型，得到最佳预测参数，精确出预测变压器的剩余寿命，避免变压器突然发生故障造成损失。

Description

一种变压器剩余寿命预测方法、装置、设备及存储介质
技术领域
本发明属于变压器使用寿命评估技术领域，尤其涉及一种变压器剩余寿命预测方法、装置、设备及存储介质。
背景技术
个体变压器突然发生不可预见的设备故障，会造成巨大的损失。因此，如何精确预测目标个体变压器的剩余使用寿命成为当前亟待解决的技术问题，目前传统的方式主要采用专家评定，专家通过自己的经验去获取信息，然后通过自己的主观意识和经验判断目标变压器的剩余使用寿命，但是人专家评定方法很容易受到受专家个人经验和身体状况等主观因素的影响，使得造成判断不准确问题。
发明内容
本发明要解决的技术问题是：提供一种变压器剩余寿命预测方法、装置、设备及存储介质，以解决对变压器剩余使用寿命的预测采用现有技术存在容易受到受专家个人经验和身体状况等主观因素的影响，使得造成判断不准确等技术问题。
本发明的技术方案是：
一种变压器剩余寿命预测方法，所述方法包括以下步骤：
获取目标变压器的工作电流、工作电压以及工作油温；
对目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到所述目标变压器的先验信息；
根据先验信息和目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型；
根据通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命。
所述根据通用路径模型，得到最佳预测参数的方法包括：
根据目标所述目标变压器的通用路径模型，得到预测参数集；
对预测参数集进行处理，得到预测参数集的单调信息、预测信息以及趋势信息；
根据预测参数集的单调信息、预测信息以及趋势信息进行加权，得到适应度函数；
根据适应度函数得到适应度参数集；
在适应度参数集中选取适应度最高的参数，作为最佳预测参数；
通过最佳预测参数，预测目标变压器的剩余寿命。
所述对预测参数集进行处理，得到预测参数集的单调信息、预测信息以及趋势信息的方法包括：
根据预测参数集，得到导数的正值部分和负值部分、失效时参数值统计的标准方差、最终故障值以及相关性；
根据正值部分和负值部分，得到预测参数集的单调信息；
根据失效时参数值统计的标准方差、最终故障值，得到预测参数集的预测信息；
根据相关性，得到所述预测参数集的趋势信息。
所述对目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到目标变压器的先验信息的方法包括：
根据目标变压器的相关工作数据建立目标变压器的预测因子矩阵和噪音矩阵；
根据预测因子矩阵结合线性回归模型，得到退化矩阵；
根据预测因子矩阵、退化矩阵以及噪音矩阵，得到目标变压器的先验信息。
所述根据预测因子矩阵、退化矩阵以及噪音矩阵，得到目标变压器的先验信息，包括：
根据预测因子矩阵，对退化矩阵进行后验估计；
根据后验估计的退化矩阵和噪音矩阵结合，得到先验方差矩阵；
根据先验方差矩阵，得到目标变压器的先验信息。
所述根据先验信息和目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型，包括：
根据先验信息和目标变压器的工作电流、工作电压以及工作油温，得到随机影响向量；
获取通用路径模型中的固定影响向量、退化函数以及时刻信息；
根据随机影响向量和固定影响向量，得到标准测量误差；
基于随机影响向量、固定影响向量、标准测量误差、时刻信息、标准测量误差以及退化函数，建立目标变压器的通用路径模型。
获取目标变压器的工作电流、工作电压以及工作油温，包括：
发布执行指令，以使电流传感器、电压传感器以及温度传感器收集目标变压器运行时的工作工作电流、工作电压以及工作油温。
一种变压器剩余寿命预测装置，所述变压器剩余寿命预测装置包括：
获取模块，用于获取目标变压器的工作电流、工作电压以及工作油温；
处理模块，用于对目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到目标变压器的先验信息
建模模块，用于根据先验信息和目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型；
预测模块，用于根据通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命。
一种变压器剩余寿命预测设备，所述变压器剩余寿命预测设备包括存储器、处理器及存储在存储器上并可在处理器上运行的变压器剩余寿命预测程序，变压器剩余寿命预测程序被处理器执行时实现所述的变压器剩余寿命预测方法。
一种存储介质，所述存储介质上存储有变压器剩余寿命预测程序，所述变压器剩余寿命预测程序被处理器执行时实现所述的变压器剩余寿命预测方法。
本发明的有益效果：
本发明公开了一种变压器剩余寿命预测方法、装置、设备及存储介质，涉及，该方法包括：本发明涉及电力电子技术领域，其公开了一种变压器剩余寿命预测方法、装置、设备及存储介质，该方法包括：获取目标变压器的工作电流、工作电压以及工作油温；对所述目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到所述目标变压器的先验信息；根据所述先验信息和所述目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型；根据所述通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命。通过收集目标变压器的工作数据，并根据进行贝叶斯更新，得到所述目标变压器的先验信息，建立通用路径模型，根据通用路径模型，精确预测出变压器的剩余寿命，避免了变压器突然损坏，造成损失。
解决了对变压器剩余使用寿命的预测采用现有技术存在容易受到受专家个人经验和身体状况等主观因素的影响，使得造成判断不准确等技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的变压器剩余寿命预测设备结构示意图；
图2为本发明变压器剩余寿命预测方法第一实施例的流程示意图；
图3为本发明变压器剩余寿命预测方法第二实施例的流程示意图；
图4为本发明变压器剩余寿命预测方法第三实施例的流程示意图；
图5为本发明行变压器剩余寿命预测控装置第一实施例的功能模块示意图。
具体实施方式
参照图1，图1为本发明实施例方案涉及的硬件运行环境的变压器剩余寿命预测设备结构示意图。
如图1所示，该变压器剩余寿命预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对变压器剩余寿命预测的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及变压器剩余寿命预测程序。
在图1所示的车辆中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述变压器剩余寿命预测设备通过处理器1001调用存储器1005中存储的变压器剩余寿命预测程序，并执行本发明实施例提供的变压器剩余寿命预测方法。
基于上述硬件结构，提出本发明变压器剩余寿命预测方法的实施例。
参照图2，图2为本发明变压器剩余寿命预测方法第一实施例的流程示意图，提出本发明变压器剩余寿命预测方法第一实施例。
在第一实施例中，所述变压器剩余寿命预测方法包括以下步骤：
步骤S10：获取目标变压器的工作电流、工作电压以及工作油温。
应理解的是，本实施例的执行主体是为变压器剩余寿命预测设备，该变压器剩余寿命预测设备具有数据处理、数据通信及程序运行等功能。
在具体实现中，变压器剩余寿命预测设备发送收集指令到电流传感器、电压传感器、温度传感器，以使电流传感器、电压传感器、温度传感器在接受到了收集指令后开始收集目标变压器的工作电压，工作电流。从而使可以得到目标变压器相关的工作数据，从而可以用来预测变压器的剩余寿命。
需要说明的是，此处用到的温度传感采用的是油温色谱检测的方式来测量。
步骤S20：对所述目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到所述目标变压器的先验信息。
应理解的是，贝叶斯更新法包括回归问题上的先验信息，其方法与其他的建模技术一样，可以应用于非线性回归问题上或者神经网络上。
需要说明的是，线性回归模型Y＝bX,其中，Y是目标变压器退化的测量值，而X是目标变压器的预测因子矩阵，而b是X和Y相关的回归矢量模型，线性回归模型并不是线性模型，数据矩阵X就是通过之前收集到的目标变压器的相关工作参数得到。
应当理解的是，根据所述目标变压器的相关工作数据建立目标变压器的预测因子矩阵和噪音矩阵；根据所述预测因子矩阵结合线性回归模型，得到退化矩阵；根据所述预测因子矩阵、退化矩阵以及噪音矩阵，得到目标变压器的先验信息。从而可以得到预测目标变压器寿命的先验信息。
步骤S30：根据所述先验信息和所述目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型。
应理解的是，通用路径模型,也成为退化模型,是从故障时间分析到故障过程分析的一种可靠性方法,在大量相同组件估计障碍分布时间中,传统的可靠性评价方法一般应用在正常使用或加速寿命试验中故障时间记录,通过大量确定组件来估计障碍随时间的分布。
需要说明的是,通用路径模型的分析是从一些假设开始,假设特定故障模式的退化模型路径有一个基本函数形式,如式yij＝η(tj+φ+θi)+εij所示,其中φ表示固定影响的向量,θi是第i个组件随机影响的向量,εij则表示测量准确误差。
在具体实施中，根据所述先验信息和所述目标变压器的工作电流、工作电压以及工作油温，得到随机影响向量；获取通用路径模型中的固定影响向量、退化函数以及时刻信息；根据所述随机影响向量和固定影响向量，得到标准测量误差；基于所述随机影响向量、固定影响向量、标准测量误差、时刻信息、标准测量误差以及退化函数，建立目标变压器的通用路径模型。从而可以通过该模型精确的估计出变压器的剩余寿命，避免变压器突然损坏,造成损失。
步骤S40：根据所述通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命。
需要说明的是，目标变压器系统的最佳预测的参数选择的关键就是三个明显的特征，单调信息、预测信息以及趋势信息。
在具体实施中，根据目标所述目标变压器的通用路径模型，得到预测参数集；对所述预测参数集进行处理，得到所述预测参数集的单调信息、预测信息以及趋势信息；根据所述预测参数集的单调信息、预测信息以及趋势信息进行加权，得到适应度函数；根据所述适应度函数得到适应度参数集；
在所述适应度参数集中选取适应度最高的参数，作为最佳预测参数；通过所述最佳预测参数，预测目标变压器的剩余寿命。通过通用路径模型得到参数集,再选取最佳参数,通过最佳参数精确预测出目标变压器剩余寿命,避免了目标变压器的突然损坏。
在本实施例中，获取目标变压器的工作电流、工作电压以及工作油温；对所述目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到所述目标变压器的先验信息；根据所述先验信息和所述目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型；根据所述通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命。从而收集目标变压器的工作数据，并根据进行贝叶斯更新，得到所述目标变压器的先验信息，建立通用路径模型，根据通用路径模型，精确出预测变压器的剩余寿命，避免了变压器突然损坏，造成损失。
参照图3，图3为本发明变压器剩余寿命预测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明变压器剩余寿命预测方法的第二实施例。
在第二实施例中，所述步骤S20，包括：
步骤S201：根据所述目标变压器的相关工作数据建立目标变压器的预测因子矩阵和噪音矩阵。
应当理解的是，数据矩阵X通常是时间或者占空比的测量,并且可以与任何他的函数进行填充,包括高阶项,交互项以及函数,产生一个非线性模型,线性模型预估为式1所示。
式中,为观测响应的方差协方差噪音矩阵，X是预测因子矩阵。可以很方便地假设,在退化测量的噪声是恒定的,而不是不相关的,一些噪音方差的先验信息,可从退化路径中得到。如果这个假设对一个特定问题是无效的,这估计噪音矩阵方差是必须使用到的。
在本实施例中，所述目标变压器的相关工作数据,会对该目标变压器的相关工作数据进行处理得到建立目标变压器的预测因子矩阵和噪音矩阵，从而可以得到更加精确的退化矩阵，进而可以精确预测变压器的剩余使用寿命。
步骤S202：根据所述预测因子矩阵结合线性回归模型，得到退化矩阵。
需要说明的是，如果对于特定的模型参数的先验信息是可以得到的，则基于统计估计，矩阵x需要增加一行，除了第j列为1之外，其他都为0，Y矩阵应该附上第j个参数的先验信息。从而得到退化矩阵。
步骤S203：根据所述预测因子矩阵、退化矩阵以及噪音矩阵，得到目标变压器的先验信息。
应理解的是，最后得到的退化矩阵是增加了一个最后的行和零列，对角元素是先验信息的方差，如果信息提供了有关多元回归参数，则需要将矩阵附加多次，各个参数都应该附加一行。先验信息用于获得退化参数的后验估计之后，这个估计就成为下一个退化参数估计的新先验分布。从而可以得到目标变压器的剩余寿命。
在本实施例中根据所述目标变压器的相关工作数据建立目标变压器的预测因子矩阵和噪音矩阵；根据所述预测因子矩阵结合线性回归模型，得到退化矩阵；根据所述预测因子矩阵、退化矩阵以及噪音矩阵，得到目标变压器的先验信息。从而弥补了通用路径模型的缺陷，进而更加精确地预测目标变压器的剩余寿命，避免了变压器突然发生损坏，造成损失。
参照图4，图4为本发明变压器剩余寿命预测方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明变压器剩余寿命预测方法的第三实施例。
在第三实施例中，所述步骤S40，包括：
步骤S401：根据目标所述目标变压器的通用路径模型，得到预测参数集。
步骤S402：对所述预测参数集进行处理，得到所述预测参数集的单调信息、预测信息以及趋势信息。
应当理解的是，应用系统级通用路径模型的关键是确定恰当预测参数。一个理想的预测参数应当至少含有三个明显的特征：单调性、预测性、趋势性。单调性的特征参数表示基本的正负趋势。这是预测参数的一个重要特征，因为他通常假设系统不进行自我修复，而是将通过一个非单调参数指示。但是这种假设对一些部件也是无效。在部件不适用于很短的时间内，可能会遇到一定程度的自我修复。预测性给出了系统设计的临界阈值方差的测量。在理想情况下，故障应该是发生在一个清晰的，明确的退化水平。较大差距的临界值故障可以使它很难准确推断预测参数是否要失效的。趋势性表示关键故障值的退化演变参数，使用相同的相关模型并可以通过相同的函数形式进行描述。这三个指标可以对预测参数的适应度给出定量的测量。
在具体实施中，根据所述预测参数集，得到导数的正值部分和负值部分、失效时参数值统计的标准方差、最终故障值以及相关性；根据所述正值部分和负值部分，得到所述预测参数集的单调信息；根据所述失效时参数值统计的标准方差、最终故障值，得到所述预测参数集的预测信息；根据所述相关性，得到所述预测参数集的趋势信息。从而可以得到最佳预测参数，精确预测目标变压器的剩余使用寿命。
步骤S403：根据所述预测参数集的单调信息、预测信息以及趋势信息进行加权，得到适应度函数。
需要说明的是，确定预测参数的自动方法于形式化的指标来描述他们的适用性是可能的。通过三个度量的加权和来定义一个适用度函数如式2所示。
适用度＝单调性+预测性+趋势性 (式2)
应理解的是，预测参数集可以进行比较，来确定最合适的一个预测参数。在这里，对于大多数应用，这些常量可以给每个参数特征相同的权重。然而，根据不同的应用，选择不同的应用，选择不同的权值，例如在本实施中，如果目标变压器一直工作在高温环境下，则会提高趋势性所占的比重。
步骤S404：根据所述适应度函数得到适应度参数集。
步骤S405：在所述适应度参数集中选取适应度最高的参数，作为最佳预测参数。
需要理解的是，适应度函数可以采用传统的优化技术，例如梯度降法，遗产算法和机器学习方法，通过优化信息源的组合来识别有用的预测参数。这项工作中，适应度函数式用来优化在预测参数输入的加权组合来识别有用的预测参数。在这项工作中，适应度函数是用来优化在预测参数输入的加权平均值中的权重。从而可以选择出适应度最高的参数，作为最佳的预测参数用来预测变压器的剩余寿命，避免突然损坏造成损失。
步骤S406：通过所述最佳预测参数，预测目标变压器的剩余寿命。
在本实施例中，根据目标所述目标变压器的通用路径模型，得到预测参数集；对所述预测参数集进行处理，得到所述预测参数集的单调信息、预测信息以及趋势信息；根据所述预测参数集的单调信息、预测信息以及趋势信息进行加权，得到适应度函数；根据所述适应度函数得到适应度参数集；在所述适应度参数集中选取适应度最高的参数，作为最佳预测参数；通过所述最佳预测参数，预测目标变压器的剩余寿命。从而根据适应度最高的参数来预测目标变压器的剩余寿命，可以精确预测变压器是否会突然发生故障，避免变压器突然损坏，造成损失。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有变压器剩余寿命预测程序，所述变压器剩余寿命预测程序被处理器执行时实现如上文所述的变压器剩余寿命预测方法的步骤。
由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。
参照图5，图5为本发明变压器剩余寿命预测装置第一实施例的功能模块示意图。
本发明变压器剩余寿命预测装置第一实施例中，该变压器剩余寿命预测装置包括：
获取模块10，用于获取目标变压器的工作电流、工作电压以及工作油温。
处理模块20，用于对所述目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到所述目标变压器的先验信息。
建模模块30，用于根据所述先验信息和所述目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型。
预测模块40，用于根据所述通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命。
在本实施例中，在本实施例中，获取目标变压器的工作电流、工作电压以及工作油温；对所述目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到所述目标变压器的先验信息；根据所述先验信息和所述目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型；根据所述通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命。从而收集目标变压器的工作数据，并根据进行贝叶斯更新，得到所述目标变压器的先验信息，建立通用路径模型，根据通用路径模型，精确出预测变压器的剩余寿命，避免了变压器突然损坏，造成损失。
在一实施例中，所述获取模块10，还用于发布执行指令，以使电流传感器、电压传感器、温度传感器收集目标变压器运行时的工作工作电流、工作电压以及工作油温。
在一实施例中，所述处理模块20，还用于根据目标所述目标变压器的通用路径模型，得到预测参数集；
对所述预测参数集进行处理，得到所述预测参数集的单调信息、预测信息以及趋势信息；
根据所述预测参数集的单调信息、预测信息以及趋势信息进行加权，得到适应度函数；
根据所述适应度函数得到适应度参数集；
在所述适应度参数集中选取适应度最高的参数，作为最佳预测参数；
通过所述最佳预测参数，预测目标变压器的剩余寿命。
在一实施例中，所述对比模块20，还用于根据所述预测参数集，得到导数的正值部分和负值部分、失效时参数值统计的标准方差、最终故障值以及相关性；
根据所述正值部分和负值部分，得到所述预测参数集的单调信息；
根据所述失效时参数值统计的标准方差、最终故障值，得到所述预测参数集的预测信息；
根据所述相关性，得到所述预测参数集的趋势信息。
在一实施例中，所述处理模块20，还用于根据所述目标变压器的相关工作数据建立目标变压器的预测因子矩阵和噪音矩阵；
根据所述预测因子矩阵结合线性回归模型，得到退化矩阵；
根据所述预测因子矩阵、退化矩阵以及噪音矩阵，得到目标变压器的先验信息。
在一实施例中，所述建模模块20，还用于根据所述预测因子矩阵，对所述退化矩阵进行后验估计；
根据后验估计的退化矩阵和噪音矩阵结合，得到先验方差矩阵；
根据所述先验方差矩阵，得到目标变压器的先验信息。
在一实施例中，所述提醒模块30，还用于根据所述先验信息和所述目标变压器的工作电流、工作电压以及工作油温，得到随机影响向量；
获取通用路径模型中的固定影响向量、退化函数以及时刻信息；
根据所述随机影响向量和固定影响向量，得到标准测量误差；
基于所述随机影响向量、固定影响向量、标准测量误差、时刻信息、标准测量误差以及退化函数，建立目标变压器的通用路径模型。
本发明所述变压器剩余寿命预测装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。

Claims (7)

1.一种变压器剩余寿命预测方法，其特征在于，所述方法包括以下步骤：
获取目标变压器的工作电流、工作电压以及工作油温；
对目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到所述目标变压器的先验信息；
根据先验信息和目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型；包括：
根据先验信息和目标变压器的工作电流、工作电压以及工作油温，得到随机影响向量；
获取通用路径模型中的固定影响向量、退化函数以及时刻信息；
根据随机影响向量和固定影响向量，得到标准测量误差；
基于随机影响向量、固定影响向量、标准测量误差、时刻信息、标准测量误差以及退化函数，建立目标变压器的通用路径模型；
根据通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命；包括：
根据目标所述目标变压器的通用路径模型，得到预测参数集；
对预测参数集进行处理，得到预测参数集的单调信息、预测信息以及趋势信息；
根据预测参数集的单调信息、预测信息以及趋势信息进行加权，得到适应度函数；
所述对预测参数集进行处理，得到预测参数集的单调信息、预测信息以及趋势信息的方法包括：
根据预测参数集，得到导数的正值部分和负值部分、失效时参数值统计的标准方差、最终故障值以及相关性；
根据正值部分和负值部分，得到预测参数集的单调信息；
根据失效时参数值统计的标准方差、最终故障值，得到预测参数集的预测信息；
根据相关性，得到所述预测参数集的趋势信息；
根据适应度函数得到适应度参数集；
在适应度参数集中选取适应度最高的参数，作为最佳预测参数；
通过最佳预测参数，预测目标变压器的剩余寿命。
2.根据权利要求1所述的一种变压器剩余寿命预测方法，其特征在于，所述对目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到目标变压器的先验信息的方法包括：
根据目标变压器的相关工作数据建立目标变压器的预测因子矩阵和噪音矩阵；
根据预测因子矩阵结合线性回归模型，得到退化矩阵；
根据预测因子矩阵、退化矩阵以及噪音矩阵，得到目标变压器的先验信息。
3.根据权利要求2所述的一种变压器剩余寿命预测方法，其特征在于，所述根据预测因子矩阵、退化矩阵以及噪音矩阵，得到目标变压器的先验信息，包括：
根据预测因子矩阵，对退化矩阵进行后验估计；
根据后验估计的退化矩阵和噪音矩阵结合，得到先验方差矩阵；
根据先验方差矩阵，得到目标变压器的先验信息。
4.根据权利要求1至3中任一项所述变压器剩余寿命预测方法，其特征在于，获取目标变压器的工作电流、工作电压以及工作油温，包括：
发布执行指令，以使电流传感器、电压传感器以及温度传感器收集目标变压器运行时的工作工作电流、工作电压以及工作油温。
5.一种变压器剩余寿命预测装置，其特征在于，所述变压器剩余寿命预测装置包括：
获取模块，用于获取目标变压器的工作电流、工作电压以及工作油温；
处理模块，用于对目标变压器的工作电流、工作电压以及工作油温，进行贝叶斯更新，得到目标变压器的先验信息
建模模块，用于根据先验信息和目标变压器的工作电流、工作电压以及工作油温，建立目标变压器的通用路径模型；包括：
根据先验信息和目标变压器的工作电流、工作电压以及工作油温，得到随机影响向量；
获取通用路径模型中的固定影响向量、退化函数以及时刻信息；
根据随机影响向量和固定影响向量，得到标准测量误差；
基于随机影响向量、固定影响向量、标准测量误差、时刻信息、标准测量误差以及退化函数，建立目标变压器的通用路径模型；
预测模块，用于根据通用路径模型，得到最佳预测参数，从而预测目标变压器的剩余寿命；包括：
根据目标所述目标变压器的通用路径模型，得到预测参数集；
对预测参数集进行处理，得到预测参数集的单调信息、预测信息以及趋势信息；
根据预测参数集的单调信息、预测信息以及趋势信息进行加权，得到适应度函数；
所述对预测参数集进行处理，得到预测参数集的单调信息、预测信息以及趋势信息的方法包括：
根据预测参数集，得到导数的正值部分和负值部分、失效时参数值统计的标准方差、最终故障值以及相关性；
根据正值部分和负值部分，得到预测参数集的单调信息；
根据失效时参数值统计的标准方差、最终故障值，得到预测参数集的预测信息；
根据相关性，得到所述预测参数集的趋势信息；
根据适应度函数得到适应度参数集；
在适应度参数集中选取适应度最高的参数，作为最佳预测参数；
通过最佳预测参数，预测目标变压器的剩余寿命。
6.一种变压器剩余寿命预测设备，其特征在于，所述变压器剩余寿命预测设备包括存储器、处理器及存储在存储器上并可在处理器上运行的变压器剩余寿命预测程序，变压器剩余寿命预测程序被处理器执行时实现如权利要求1至4中任一项所述的变压器剩余寿命预测方法。
7.一种存储介质，其特征在于，所述存储介质上存储有变压器剩余寿命预测程序，所述变压器剩余寿命预测程序被处理器执行时实现如权利要求1至4中任一项所述的变压器剩余寿命预测方法。
CN202211350008.1A 2022-10-31 2022-10-31 一种变压器剩余寿命预测方法、装置、设备及存储介质 Active CN115544803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211350008.1A CN115544803B (zh) 2022-10-31 2022-10-31 一种变压器剩余寿命预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211350008.1A CN115544803B (zh) 2022-10-31 2022-10-31 一种变压器剩余寿命预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115544803A CN115544803A (zh) 2022-12-30
CN115544803B true CN115544803B (zh) 2023-09-12

Family

ID=84719273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211350008.1A Active CN115544803B (zh) 2022-10-31 2022-10-31 一种变压器剩余寿命预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115544803B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227171B (zh) * 2023-02-08 2024-02-06 广东电网有限责任公司佛山供电局 一种油浸式变压器剩余寿命评估方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480440A (zh) * 2017-08-04 2017-12-15 山东科技大学 一种基于两阶段随机退化建模的剩余寿命预测方法
CN109033499A (zh) * 2018-06-07 2018-12-18 南京航空航天大学 一种多阶段一致性检验的航空发动机剩余寿命预测方法
CN110222371A (zh) * 2019-05-05 2019-09-10 北京大学 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法
CN111258297A (zh) * 2020-01-17 2020-06-09 北京大学 基于数据融合网络的设备健康指标构建及寿命预测方法
CN111460692A (zh) * 2020-04-26 2020-07-28 中国人民解放军火箭军工程大学 考虑退化速率相互影响的设备剩余寿命预测方法及系统
CN112698161A (zh) * 2020-12-02 2021-04-23 西南交通大学 一种牵引变压器套管油纸绝缘剩余寿命预测方法
CN112949057A (zh) * 2021-02-26 2021-06-11 中国人民解放军火箭军工程大学 一种融合失效寿命数据的设备剩余寿命预测方法
CN114372416A (zh) * 2022-01-12 2022-04-19 北京交通大学 牵引变压器的剩余使用寿命预测方法及系统
KR20220089457A (ko) * 2020-12-21 2022-06-28 한국항공대학교산학협력단 수명분포를 고려한 생애주기데이터 확장 기능을 가지는 잔존수명 예측 시스템 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150349385A1 (en) * 2014-04-01 2015-12-03 Medtronic, Inc. Method and System for Predicting Useful Life of a Rechargeable Battery

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480440A (zh) * 2017-08-04 2017-12-15 山东科技大学 一种基于两阶段随机退化建模的剩余寿命预测方法
CN109033499A (zh) * 2018-06-07 2018-12-18 南京航空航天大学 一种多阶段一致性检验的航空发动机剩余寿命预测方法
CN110222371A (zh) * 2019-05-05 2019-09-10 北京大学 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法
CN111258297A (zh) * 2020-01-17 2020-06-09 北京大学 基于数据融合网络的设备健康指标构建及寿命预测方法
CN111460692A (zh) * 2020-04-26 2020-07-28 中国人民解放军火箭军工程大学 考虑退化速率相互影响的设备剩余寿命预测方法及系统
CN112698161A (zh) * 2020-12-02 2021-04-23 西南交通大学 一种牵引变压器套管油纸绝缘剩余寿命预测方法
KR20220089457A (ko) * 2020-12-21 2022-06-28 한국항공대학교산학협력단 수명분포를 고려한 생애주기데이터 확장 기능을 가지는 잔존수명 예측 시스템 및 방법
CN112949057A (zh) * 2021-02-26 2021-06-11 中国人民解放军火箭军工程大学 一种融合失效寿命数据的设备剩余寿命预测方法
CN114372416A (zh) * 2022-01-12 2022-04-19 北京交通大学 牵引变压器的剩余使用寿命预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张明泽等.基于Wiener模型的变压器油纸绝缘老化剩余寿命评估方法.《电工技术学报》.2018,第33卷(第21期),全文. *

Also Published As

Publication number Publication date
CN115544803A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
Coble et al. Identifying optimal prognostic parameters from data: a genetic algorithms approach
Kundu et al. Weibull accelerated failure time regression model for remaining useful life prediction of bearing working under multiple operating conditions
US7107187B1 (en) Method for modeling system performance
Wang et al. Optimal design of constant-stress accelerated degradation tests using the M-optimality criterion
CN101999101B (zh) 系统运行预测的确定方法
CN113125888B (zh) 基于故障行为的航空机电产品加速寿命试验方法
KR20090001148A (ko) 가상 계측 시스템 및 가상 계측 방법
CN115544803B (zh) 一种变压器剩余寿命预测方法、装置、设备及存储介质
CN116087787A (zh) 一种基于主成分分析法的电池故障判断方法和系统
Bejaoui et al. A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model
CN112686515A (zh) 变压器运行状态评估方法、装置、计算机设备和存储介质
Wu et al. Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures
Zhang et al. NHPP-based software reliability model considering testing effort and multivariate fault detection rate
CN116975567B (zh) 服务器辐射抗干扰度测试方法、系统、设备及存储介质
CN112633583A (zh) 发电机组振动预测方法、装置、计算机设备和存储介质
CN112346893A (zh) 故障预测方法、装置、终端及存储介质
CN112380759B (zh) 基于深度学习和CoxPH模型的智能电表寿命预测方法
Kumar et al. An enhanced model for early software reliability prediction using software engineering metrics
CN116070734A (zh) 一种变压器故障预测方法、装置、设备及存储介质
CN115640542A (zh) 基于贝叶斯理论的智能电能表状态评估方法及评估装置
WO2023184237A1 (zh) 计算电子系统的剩余使用寿命的方法、装置及计算机介质
KR20170018794A (ko) 부분 고장 데이터를 이용한 소프트웨어 신뢰도 평가모델 선택 시스템 및 방법
CN110619413A (zh) 用于评估风力发电机组健康度的方法及装置
He et al. Modeling and detecting approach for the change point of electronic product infant failure rate
CN112766657B (zh) 基于故障概率和设备状态的单台设备质量评价方法

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