CN115713027A - 一种变压器状态评估方法、装置及系统 - Google Patents
一种变压器状态评估方法、装置及系统 Download PDFInfo
- Publication number
- CN115713027A CN115713027A CN202211344415.1A CN202211344415A CN115713027A CN 115713027 A CN115713027 A CN 115713027A CN 202211344415 A CN202211344415 A CN 202211344415A CN 115713027 A CN115713027 A CN 115713027A
- Authority
- CN
- China
- Prior art keywords
- state
- probability
- transformer
- data
- sets
- 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 32
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- 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
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种变压器状态评估方法、装置及系统,方法包括:采集历史变压器状态数据并进行状态标注,形成样本训练集;建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,直到概率神经网络模型收敛;采集预设时段内多个时刻下对应的多组变压器状态数据;将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集;对多个所述概率状态集进行数据融合,获得故障发生概率;该方法能够提高变压器运行状态评估的准确率。
Description
技术领域
本发明涉及电力设备状态诊断技术领域,尤其涉及一种变压器状态评估方法、装置及系统。
背景技术
近年来,变压器在运数量持续增长,作为发电厂和变电站的关键设备,变压器的运行状态随时会影响整个电力系统运行的安全性和稳定性。现阶段我国有众多变压器已接近役龄、甚至远远大于其设计寿命,导致部分变压器故障率逐年增高。为保障变压器安全可靠运行,节省检修成本,电网公司对变压器的检修方式已逐渐由事故检修、定期检修向状态检修转变。状态检修以状态评估结果为决策依据,因此亟须开展变压器状态评估。
例如,专利文献CN114118288A公开了一种基于深度学习的变压器状态评估方法,包括以下步骤:1)数据采集;2)数据预处理;3)建立CNN深度卷积神经网络模型;4)模型训练;5)自学习;该方法利用深度学习理论的学习算法完成对故障特征气体的提取,再通过训练后的深度卷积神经网络模型对于变压器的状态进行识别和评估,但是,变压器状态量繁多且机理复杂,运行状态评估是一个综合评判的过程,且具有一定的随机性、模糊性与不确定性,因此,依靠单一的神经网络模型对变压器的状态识别的准确性和可靠性并不高。
发明内容
本发明提供了一种变压器状态评估方法、装置及系统,能够对变压器进行更有效的状态识别,得到更准确的故障概率与状态评估结果。
一种变压器状态评估方法,包括:
采集历史变压器状态数据并进行状态标注,形成样本训练集;
建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,直到概率神经网络模型收敛;
采集预设时段内多个时刻下对应的多组变压器状态数据;
将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集;
对多个所述概率状态集进行数据融合,获得故障发生概率。
进一步地,所述变压器状态数据包括变压器的运行数据和/或对变压器状态进行计算获得的指标数据。
进一步地,所述概率神经网络模型包括起始层,所述起始层用于对所述样本训练集和所述变压器状态数据进行预处理。
进一步地,对所述样本训练集和所述变压器状态数据的预处理包括归一化处理,通过如下公式表示:
其中,x为变压器状态数据集或者样本训练集,xi为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据,为计算获得得到的归一化值,N为变压器状态数据或者样本训练集中的数据总数,max(x)表示变压器状态数据集或者样本训练集中的最大数据,min(x)表示变压器状态数据集或者样本训练集中的最小数据。
进一步地,所述概率神经网络模型还包括样本层和求和层;
将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集,包括:
分别将多组变压器状态数据分别输入至训练后的多个概率神经网络模型中的起始层进行预处理;
概率神经网络模型将经过所述起始层预处理后的变压器状态数据输入样本层作为样本点,计算各个样本点对应各个状态的条件概率;
将各个状态对应各个样本点的条件概率输入求和层分别进行求和,得到各个状态对应的概率值;
根据各个状态对应的概率值,得到状态概率集;
多个概率神经网络模型输出状态概率集,获得多个状态概率集。
进一步地,所述条件概率通过以下公式进行计算:
其中,σ为平滑因子,N为样本点的总数,x为变压器运行时某个状态的正常值,为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据归一化后的值,为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据为某个状态的概率值,π为常数。
进一步地,对多个所述概率状态集进行数据融合,获得故障发生概率,包括:
从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集;
从剩余的概率状态集中选择一个状态概率状态集与所述融合概率状态集进行融合,获得新的融合概率状态集,重复该步骤直到剩余的概率状态集数量为0,获得的最终融合概率状态集为故障发生概率。
进一步地,从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集,通过如下公式计算:
zr=prqr/(1-∑prqr);
r=1,2,…,m;
其中,zr为融合概率状态集中第r种状态的概率,pr和qr分别为两个概率状态集中的第r种状态的概率。
一种应用于上述方法的变压器状态评估装置,包括:
样本模块,用于采集历史变压器状态数据并进行状态标注,形成样本训练集;
模型训练模块,用于建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,直到概率神经网络模型收敛;
采集模块,用于采集预设时段内多个时刻下对应的多组变压器状态数据;
状态计算模块,用于将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集;
融合模块,用于对多个所述概率状态集进行数据融合,获得故障发生概率。
进一步地,所述变压器状态数据包括变压器的运行数据和/或对变压器状态进行计算获得的指标数据。
进一步地,所述概率神经网络模型包括起始层,所述起始层用于对所述样本训练集和所述变压器状态数据进行预处理。
进一步地,所述模型训练模块和所述状态计算模块对所述样本训练集和所述变压器状态数据的预处理包括归一化处理,通过如下公式表示:
其中,x为变压器状态数据集或者样本训练集,xi为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据,为计算获得得到的归一化值,N为变压器状态数据或者样本训练集中的数据总数,max(x)表示变压器状态数据集或者样本训练集中的最大数据,min(x)表示变压器状态数据集或者样本训练集中的最小数据。
进一步地,所述概率神经网络模型还包括样本层和求和层;
所述状态计算模块还用于分别将多组变压器状态数据分别输入至训练后的多个概率神经网络模型中的起始层进行预处理;概率神经网络模型将经过所述起始层预处理后的变压器状态数据输入样本层作为样本点,计算各个样本点对应各个状态的条件概率;将各个状态对应各个样本点的条件概率输入求和层分别进行求和,得到各个状态对应的概率值;根据各个状态对应的概率值,得到状态概率集;多个概率神经网络模型输出状态概率集,获得多个状态概率集。
进一步地,所述条件概率通过以下公式进行计算:
其中,σ为平滑因子,N为样本点的总数,x为变压器运行时某个状态的正常值,为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据归一化后的值,为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据为某个状态的概率值,π为常数。
进一步地,所述融合模块还用于从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集;从剩余的概率状态集中选择一个状态概率状态集与所述融合概率状态集进行融合,获得新的融合概率状态集,重复该步骤直到剩余的概率状态集数量为0,获得的最终融合概率状态集为故障发生概率。
进一步地,从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集,通过如下公式计算:
zr=prqr/(1-∑prqr);
r=1,2,…,m;
其中,zr为融合概率状态集中第r种状态的概率,pr和qr分别为两个概率状态集中的第r种状态的概率。
一种变压器状态评估系统,包括处理器和存储装置,所述存储装置存储有多条指令,所述处理器用于读取所述多条指令并执行上述的方法。
本发明提供的变压器状态评估方法、装置及系统,至少包括如下有益效果:
(1)利用概率神经网络构建的变压器运行状态故障概率模型既能反映变压器运行状态,又能实现对变压器历史数据分布范围的定量描述;所采用的数据融合方法,将多源的数据经过有效分析处理后,融合成一组结果,能够充分利用多种信息得到状态结果和故障概率,可提高变压器运行状态评估的准确率;
(2)实现了对概率神经网络的改进,在概率神经网络模型的起始层对变压器的运行数据进行归一化处理,简化对于数据处理的流程,降低了变压器运行数据的复杂程度,当变压器运行数据的指标为一维向量时,对条件概率计算表达式进行简化,使网络结构变得简单。
(3)将改进的概率神经网络模型与数据融合在变压器的故障诊断中应用,实现了概率神经网络与数据融合方法的合理高效结合,最终生成的变压器状态评估概率模型有效提高计算精度和可靠性。
附图说明
图1为本发明提供的变压器状态评估方法一种实施例的流程图。
图2为本发明提供的变压器状态评估方法中概率神经网络模型一种实施例的结构示意图。
图3为本发明提供的变压器状态评估方法中概率神经网络模型数据处理一种实施例的流程图。
图4为本发明提供的变压器状态评估方法中数据融合一种实施例的流程图。
图5为本发明提供的变压器状态评估装置一种实施例的结构示意图。
图6为本发明提供的变压器状态评估系统一种实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1,在一些实施例中,提供一种变压器状态评估方法,包括:
S1、采集历史变压器状态数据并进行状态标注,形成样本训练集;
S2、建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,直到概率神经网络模型收敛;
S3、采集预设时段内多个时刻下对应的多组变压器状态数据;
S4、将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集;
S5、对多个所述概率状态集进行数据融合,获得故障发生概率。
具体地,步骤S1中,历史变压器状态数据可以通过多种监测手段获得,包括变压器的运行数据和/或对变压器状态进行计算获得的指标数据。例如,历史变压器状态数据可以包括但不限于各种状态下运行时的电流、电阻、发热量、功耗、振动烈度等。此类变压器状态数据易于获取,且能够对变压器状态的改变快速做出反应。对变压器状态进行计算获得的指标数据例如可以包括某个运行数据的峰值、波形指标、裕度指标、峭度指标等。此类指标数据能够很好的表征变压器的运行状态,通过分析不同状态下对应的历史变压器状态数据对其进行标注,形成样本训练集。形成的样本训练集包括了丰富的数据,能够提高后续模型训练的精度。
进一步地,步骤S2中,建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,其中多组样本训练集中每一组样本训练集中的运行数据的值和指标数据的值不同,例如可以采集多个时刻下的历史变压器状态数据形成多组样本训练集。多组不同的样本训练集,能够充分利用多种信息得到状态结果和故障概率,获得的多个神经网络概率模型的预测精度和准确性更高。
其中,参考图2,所述概率神经网络模型包括起始层1,起始层1用于对所述样本训练集和所述变压器状态数据进行预处理。
具体地,对所述样本训练集和所述变压器状态数据的预处理包括归一化处理,通过如下公式表示:
其中,x为变压器状态数据集或者样本训练集,xi为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据,为计算获得得到的归一化值,N为变压器状态数据或者样本训练集中的数据总数,max(x)表示变压器状态数据集或者样本训练集中的最大数据,min(x)表示变压器状态数据集或者样本训练集中的最小数据。
经过归一化后的样本训练集和所述变压器状态数据,更易于构成概率神经网络中样本层的样本点。
进一步地,参考图2,所述概率神经网络模型还包括样本层2和求和层3;
参考图3,步骤S3中,将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集,包括:
S31、分别将多组变压器状态数据分别输入至训练后的多个概率神经网络模型中的起始层进行预处理;
S32、概率神经网络模型将经过所述起始层预处理后的变压器状态数据输入样本层作为样本点,计算各个样本点对应各个状态的条件概率;
S33、将各个状态对应各个样本点的条件概率输入求和层分别进行求和,得到各个状态对应的概率值;
S34、根据各个状态对应的概率值,得到状态概率集;
S35、多个概率神经网络模型输出状态概率集,获得多个状态概率集。
具体地,步骤S31中,多组变压器状态数据分别输入至训练后的多个概率神经网络模型中的起始层根据公式(1)进行归一化处理。在概率神经网络模型的起始层对变压器的运行数据进行归一化处理,将多维的运行数据简化为一维数据,简化对于数据处理的流程,降低了变压器运行数据的复杂程度。
进一步地,步骤S32中,所述条件概率通过以下公式进行计算:
其中,σ为平滑因子,N为样本点的总数,x为变压器运行时某个状态的正常值,为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据归一化后的值,为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据为某个状态的概率值,π为常数。
具体地,π即指圆周率的大小。平滑因子利用经验公式由样本点间的平均最小距离乘以系数求得,系数范围取值1.1~1.4。
样本点间的平均最小距离通过如下公式求得:
dij=|xi-xj|,i,j=1,2,…,N i≠j
继而求得平滑因子为:
具体地,经过条件概率的计算,可以获得某个样本点,即某个变压器状态数据属于某个状态的概率。
进一步地,步骤S33中,将各个状态对应各个样本点的条件概率输入求和层分别进行求和,得到各个状态对应的概率值,即将某个状态下通过公式(2)计算获得的所有属于该状态的概率进行相加,得到该状态对应的概率值。
进一步地,步骤S34中,多个状态对应的概率值,即为状态概率集。
进一步地,步骤S35中,每个概率神经网络模型输出一个状态概率集,多个概率神经网络模型输出获得多个状态概率集。
进一步地,参考图4,步骤S5中,对多个所述概率状态集进行数据融合,获得故障发生概率,包括:
S51、从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集;
S52、从剩余的概率状态集中选择一个状态概率状态集与所述融合概率状态集进行融合,获得新的融合概率状态集,重复该步骤直到剩余的概率状态集数量为0,获得的最终融合概率状态集为故障发生概率。
其中,从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集,通过如下公式计算:
zr=prqr/(1-∑prqr); (3)
r=1,2,…,m;
其中,zr为融合概率状态集中第r种状态的概率,pr和qr分别为两个概率状态集中的第r种状态的概率。
具体地,例如,假设有n个概率状态集,每个概率状态集中包含发生m种状态的可能性,第一个状态概率集为p={p1,p2,…,pr}(r=1,2,…,m),第二个状态概率集为q={q1,q2,…,qr}(r=1,2,…,t),经过公式(3)的计算,获得融合概率z={z1,z2,…,zr},将获得的融合概率与第三个状态概率集进行融合,以此类推,直到所有的状态概率集都融合完毕,最终融合概率状态集为故障发生概率。
上述实施例提供的变压器状态评估方法,至少包括如下有益效果:
(1)利用概率神经网络构建的变压器运行状态故障概率模型既能反映变压器运行状态,又能实现对变压器历史数据分布范围的定量描述;所采用的数据融合方法,可提高变压器运行状态评估的准确率;
(2)实现了对概率神经网络的改进,当变压器运行数据的指标为一维向量时,对条件概率计算表达式进行简化,使网络结构变得简单。
(3)将改进的概率神经网络模型与数据融合在变压器的故障诊断中应用,实现了概率神经网络与数据融合方法的合理高效结合,最终生成的变压器状态评估概率模型有效提高计算精度和可靠性。
参考图5,在一些实施例中,还提供一种应用于上述方法的变压器状态评估装置,包括:
样本模块201,用于采集历史变压器状态数据并进行状态标注,形成样本训练集;
模型训练模块202,用于建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,直到概率神经网络模型收敛;
采集模块203,用于采集预设时段内多个时刻下对应的多组变压器状态数据;
状态计算模块204,用于将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集;
融合模块205,用于对多个所述概率状态集进行数据融合,获得故障发生概率。
进一步地,所述变压器状态数据包括变压器的运行数据和/或对变压器状态进行计算获得的指标数据。
进一步地,所述概率神经网络模型包括起始层,所述起始层用于对所述样本训练集和所述变压器状态数据进行预处理。
进一步地,模型训练模块202和状态计算模块204对所述样本训练集和所述变压器状态数据的预处理包括归一化处理,通过公式(1)进行计算,在此不再赘述。
进一步地,所述概率神经网络模型还包括样本层和求和层;
状态计算模块204还用于分别将多组变压器状态数据分别输入至训练后的多个概率神经网络模型中的起始层进行预处理;概率神经网络模型将经过所述起始层预处理后的变压器状态数据输入样本层作为样本点,计算各个样本点对应各个状态的条件概率;将各个状态对应各个样本点的条件概率输入求和层分别进行求和,得到各个状态对应的概率值;根据各个状态对应的概率值,得到状态概率集;多个概率神经网络模型输出状态概率集,获得多个状态概率集。
进一步地,所述条件概率通过公式(2)进行计算,在此不再赘述。
进一步地,融合模块205还用于从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集;从剩余的概率状态集中选择一个状态概率状态集与所述融合概率状态集进行融合,获得新的融合概率状态集,重复该步骤直到剩余的概率状态集数量为0,获得的最终融合概率状态集为故障发生概率。
进一步地,从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集,通过公式(3)和公式(4)进行计算,在此不再赘述。
上述实施例提供的变压器状态评估装置,至少包括如下有益效果:
(1)利用概率神经网络构建的变压器运行状态故障概率模型既能反映变压器运行状态,又能实现对变压器历史数据分布范围的定量描述;所采用的数据融合方法,可提高变压器运行状态评估的准确率;
(2)实现了对概率神经网络的改进,当变压器运行数据的指标为一维向量时,对条件概率计算表达式进行简化,使网络结构变得简单。
(3)将改进的概率神经网络模型与数据融合在变压器的故障诊断中应用,实现了概率神经网络与数据融合方法的合理高效结合,最终生成的变压器状态评估概率模型有效提高计算精度和可靠性。
参考图6,在一些实施例中,还提供一种变压器状态评估系统,包括处理器301和存储装置302,所述存储装置存储有多条指令,所述处理器用于读取所述多条指令并上述的方法,例如执行:
采集历史变压器状态数据并进行状态标注,形成样本训练集;
建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,直到概率神经网络模型收敛;
采集预设时段内多个时刻下对应的多组变压器状态数据;
将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集;
对多个所述概率状态集进行数据融合,获得故障发生概率。
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性概念,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,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种变压器状态评估方法,其特征在于,包括:
采集历史变压器状态数据并进行状态标注,形成样本训练集;
建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,直到概率神经网络模型收敛;
采集预设时段内多个时刻下对应的多组变压器状态数据;
将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集;
对多个所述概率状态集进行数据融合,获得故障发生概率。
2.根据权利要求1所述的方法,其特征在于,所述变压器状态数据包括变压器的运行数据和/或对变压器状态进行计算获得的指标数据。
3.根据权利要求1所述的方法,其特征在于,所述概率神经网络模型包括起始层,所述起始层用于对所述样本训练集和所述变压器状态数据进行预处理。
5.根据权利要求3所述的方法,其特征在于,所述概率神经网络模型还包括样本层和求和层;
将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集,包括:
分别将多组变压器状态数据分别输入至训练后的多个概率神经网络模型中的起始层进行预处理;
概率神经网络模型将经过所述起始层预处理后的变压器状态数据输入样本层作为样本点,计算各个样本点对应各个状态的条件概率;
将各个状态对应各个样本点的条件概率输入求和层分别进行求和,得到各个状态对应的概率值;
根据各个状态对应的概率值,得到状态概率集;
多个概率神经网络模型输出状态概率集,获得多个状态概率集。
7.根据权利要求1所述的方法,其特征在于,对多个所述概率状态集进行数据融合,获得故障发生概率,包括:
从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集;
从剩余的概率状态集中选择一个状态概率状态集与所述融合概率状态集进行融合,获得新的融合概率状态集,重复该步骤直到剩余的概率状态集数量为0,获得的最终融合概率状态集为故障发生概率。
8.根据权利要求1所述的方法,其特征在于,从所述多个概率状态集中选择两个概率状态集进行融合,获得融合概率状态集,通过如下公式计算:
zr=prqr/(1-∑prqr);
r=1,2,…,m;
其中,zr为融合概率状态集中第r种状态的概率,pr和qr分别为两个概率状态集中的第r种状态的概率。
9.一种应用于如权利要求1-8任一所述方法的变压器状态评估装置,其特征在于,包括:
样本模块,用于采集历史变压器状态数据并进行状态标注,形成样本训练集;
模型训练模块,用于建立多个概率神经网络模型,将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练,直到概率神经网络模型收敛;
采集模块,用于采集预设时段内多个时刻下对应的多组变压器状态数据;
状态计算模块,用于将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和,获得多个状态概率集;
融合模块,用于对多个所述概率状态集进行数据融合,获得故障发生概率。
10.一种变压器状态评估系统,其特征在于,包括处理器和存储装置,所述存储装置存储有多条指令,所述处理器用于读取所述多条指令并执行如权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344415.1A CN115713027A (zh) | 2022-10-31 | 2022-10-31 | 一种变压器状态评估方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344415.1A CN115713027A (zh) | 2022-10-31 | 2022-10-31 | 一种变压器状态评估方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115713027A true CN115713027A (zh) | 2023-02-24 |
Family
ID=85231637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211344415.1A Pending CN115713027A (zh) | 2022-10-31 | 2022-10-31 | 一种变压器状态评估方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713027A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035559A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司电力科学研究院 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1472674A (zh) * | 2003-08-04 | 2004-02-04 | 西安交通大学 | 基于概率模型的设备状态动态自适应报警方法 |
CN102172849A (zh) * | 2010-12-17 | 2011-09-07 | 西安交通大学 | 基于小波包和概率神经网络的刀具破损自适应报警方法 |
CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
CN110163477A (zh) * | 2019-04-15 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种基于状态监测数据确定电力设备的运行状态的方法及系统 |
CN110363277A (zh) * | 2019-07-15 | 2019-10-22 | 南京工业大学 | 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 |
CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
CN114581699A (zh) * | 2022-01-27 | 2022-06-03 | 西安理工大学 | 考虑多源信息时基于深度学习模型的变压器状态评估方法 |
CN114818832A (zh) * | 2022-05-27 | 2022-07-29 | 深圳亿嘉和科技研发有限公司 | 多尺度特征融合的变压器声纹分类方法 |
-
2022
- 2022-10-31 CN CN202211344415.1A patent/CN115713027A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1472674A (zh) * | 2003-08-04 | 2004-02-04 | 西安交通大学 | 基于概率模型的设备状态动态自适应报警方法 |
CN102172849A (zh) * | 2010-12-17 | 2011-09-07 | 西安交通大学 | 基于小波包和概率神经网络的刀具破损自适应报警方法 |
CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
CN110163477A (zh) * | 2019-04-15 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种基于状态监测数据确定电力设备的运行状态的方法及系统 |
CN110363277A (zh) * | 2019-07-15 | 2019-10-22 | 南京工业大学 | 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 |
CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
CN114581699A (zh) * | 2022-01-27 | 2022-06-03 | 西安理工大学 | 考虑多源信息时基于深度学习模型的变压器状态评估方法 |
CN114818832A (zh) * | 2022-05-27 | 2022-07-29 | 深圳亿嘉和科技研发有限公司 | 多尺度特征融合的变压器声纹分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035559A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司电力科学研究院 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
CN117035559B (zh) * | 2023-10-08 | 2024-01-23 | 国网江苏省电力有限公司电力科学研究院 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN110837866A (zh) | 基于XGBoost的电力二次设备缺陷程度评估方法 | |
CN112383052A (zh) | 基于电力物联网的电网故障修复方法和装置 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
Galbally et al. | A pattern recognition approach based on DTW for automatic transient identification in nuclear power plants | |
CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
Lee et al. | Diagnostics of loss of coolant accidents using SVC and GMDH models | |
CN113792754A (zh) | 一种先除异后修复的换流变dga在线监测数据处理方法 | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN114021822A (zh) | 一种清洁能源发电功率预测方法和系统 | |
No et al. | Monitoring severe accidents using AI techniques | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN117494072B (zh) | 一种基于数据融合的换电柜运行状态监测方法及系统 | |
CN111639850A (zh) | 多源异构数据的质量评估方法与系统 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN113435759A (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
CN115221942A (zh) | 一种基于时序融合和神经网络的设备缺陷预测方法及系统 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
CN115964470B (zh) | 一种摩托车配件的寿命预测方法及系统 | |
CN111026741A (zh) | 基于时间序列相似性的数据清洗方法及装置 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 |
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 |