CN115982976A - 一种油浸式电力变压器的剩余寿命预测方法 - Google Patents
一种油浸式电力变压器的剩余寿命预测方法 Download PDFInfo
- Publication number
- CN115982976A CN115982976A CN202211631616.XA CN202211631616A CN115982976A CN 115982976 A CN115982976 A CN 115982976A CN 202211631616 A CN202211631616 A CN 202211631616A CN 115982976 A CN115982976 A CN 115982976A
- Authority
- CN
- China
- Prior art keywords
- group
- components
- oil
- power transformer
- reliability
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims description 20
- 230000015556 catabolic process Effects 0.000 claims description 17
- 238000006731 degradation reaction Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 12
- 230000005653 Brownian motion process Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims 2
- 238000001816 cooling Methods 0.000 description 10
- 238000009413 insulation Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 4
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- WRIDQFICGBMAFQ-UHFFFAOYSA-N (E)-8-Octadecenoic acid Natural products CCCCCCCCCC=CCCCCCCC(O)=O WRIDQFICGBMAFQ-UHFFFAOYSA-N 0.000 description 1
- LQJBNNIYVWPHFW-UHFFFAOYSA-N 20:1omega9c fatty acid Natural products CCCCCCCCCCC=CCCCCCCCC(O)=O LQJBNNIYVWPHFW-UHFFFAOYSA-N 0.000 description 1
- QSBYPNXLFMSGKH-UHFFFAOYSA-N 9-Heptadecensaeure Natural products CCCCCCCC=CCCCCCCCC(O)=O QSBYPNXLFMSGKH-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 239000005642 Oleic acid Substances 0.000 description 1
- ZQPPMHVWECSIRJ-UHFFFAOYSA-N Oleic acid Natural products CCCCCCCCC=CCCCCCCCC(O)=O ZQPPMHVWECSIRJ-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- QXJSBBXBKPUZAA-UHFFFAOYSA-N isooleic acid Natural products CCCCCCCC=CCCCCCCCCC(O)=O QXJSBBXBKPUZAA-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- ZQPPMHVWECSIRJ-KTKRTIGZSA-N oleic acid Chemical compound CCCCCCCC\C=C/CCCCCCCC(O)=O ZQPPMHVWECSIRJ-KTKRTIGZSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007789 sealing 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
- Housings And Mounting Of Transformers (AREA)
Abstract
本申请公开了一种油浸式电力变压器的剩余寿命预测方法，涉及变压器技术领域，该方法针对油浸式电力变压器各个典型组部件分别评估运行可靠性，对于历史监测数据充足的部件，采用随机过程并利用历史监测数据得到典型组部件的运行可靠性；对于监测数据不足的部件，采用威布尔分布作为其可靠性分布得到典型组部件的运行可靠性，然后综合各个典型组部件的运行可靠性来预测油浸式电力变压器的剩余寿命，可以综合考虑不同的典型组部件，预测完整性较高，可以准确的预测油浸式电力变压器的剩余寿命。
Description
技术领域
本申请涉及变压器技术领域，尤其是一种油浸式电力变压器的剩余寿命预测方法。
背景技术
油浸式电力变压器作为最为关键的输变电装备之一，是输变电能量传输和转换的核心，其安全运行与电网可靠供电有着密切的关系。目截至2020年，我国电压等级在220kV及以上的变压器共有20122台，其中电压等级在500kV及以下的部分电力变压器已经运行超过20年，若仅以运行时间作为退役或更换的依据，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。
发明内容
本申请人针对上述问题及技术需求，提出了一种油浸式电力变压器的剩余寿命预测方法，本申请的技术方案如下：
一种油浸式电力变压器的剩余寿命预测方法，该方法包括：
确定油浸式电力变压器包含的若干个典型组部件；
对于每个第一类组部件，根据基于第一类组部件的历史监测数据构建的寿命预测模型评估得到第一类组部件的运行可靠性；
对于每个第二类组部件，根据第二类组部件的可靠性分布确定第二类组部件的运行可靠性；
综合各个典型组部件的运行可靠性预测得到油浸式电力变压器的剩余寿命；
其中，第一类组部件是历史运行时间内的历史监测数据达到预定阈值的典型组部件，第二类组部件是历史运行时间内的历史监测数据未达到预定阈值的典型组部件，每个典型组部件的历史监测数据用于反映典型组部件的运行状态。
本申请的有益技术效果是：
本申请公开了一种油浸式电力变压器的剩余寿命预测方法，该方法对于历史监测数据充足的部件，采用随机过程并利用贝叶斯更新和最大期望算法动态更新参数，得到典型组部件的运行可靠性；对于监测数据不足的部件，采用威布尔分布作为其可靠性分布得到典型组部件的运行可靠性，综合各个典型组部件的运行可靠性，可以准确的预测油浸式电力变压器的剩余寿命。
该方法根据对变压器运行的重要程度将典型组部件分为串联关系和并联关系，并根据可靠性理论进行变压器整体可靠性分布和剩余寿命的评估，综合效果较好。
变压器的典型组部件的性能退化情况评估科学，依据实际数据进行权重分配，可以有效地将典型组部件的性能水平以及异常体现在融合后的性能指标上。
附图说明
图1是本申请一个实施例中的剩余寿命预测方法的流程示意图。
图2是一个实例中的本体的性能退化数据的曲线图。
图3是一个实例中对各个典型组部件的运行可靠性的综合示意图。
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。
本申请公开了一种油浸式电力变压器的剩余寿命预测方法，请参考图1所示的流程图，该方法包括如下步骤：
步骤1，确定需要进行剩余寿命预测的油浸式电力变压器包含的若干个典型组部件。在一个实施例中，油浸式电力变压器的典型组部件包括油浸式电力变压器的本体、套管、分接开关、冷却系统、非电量保护以及油枕中的多种。
这些典型组部件中，会有一些典型组部件具有丰富的历史监测数据，也有一些典型组部件只有少部分甚至没有历史监测数据，每个典型组部件的历史监测数据用于反映典型组部件的运行状态。这里的历史监测数据包括通过在线监测、带电检测和停电实验中的一种或多种手段获取到的数据。
本申请定义历史运行时间内的历史监测数据达到预定阈值的典型组部件为第一类组部件，定义历史运行时间内的历史监测数据未达到预定阈值的典型组部件为第二类组部件，预定阈值是自定义标准。比如当一个典型组部件一年内包含5组及以上历史监测数据时、将其作为第一类组部件，当一个典型组部件一年内包含不足5组历史监测数据时、将其作为第二类组部件。
本体、套管、分接开关、冷却系统、非电量保护以及油枕这6个典型组部件中，本体一般属于第一类组部件，油枕一般属于第二类组部件，套管、分接开关、冷却系统、非电量保护这四个典型组部件可能属于第一类组部件也可能属于第二类组部件。
步骤2，对于每个第一类组部件，根据基于第一类组部件的历史监测数据构建的寿命预测模型评估得到第一类组部件的运行可靠性。
由于第一类组部件在运行过程中积累了丰富的历史监测数据，可以采用数据驱动的方法进行剩余寿命评估，确定每个第一类组部件的运行可靠性的方法包括：
(1)根据第一类组部件的历史监测数据构建第一类组部件的寿命指标集合。构建得到寿命指标集合中包括各个历史采样点处的寿命指标，每组寿命指标包括第一类组部件在历史采样点处的各个状态量的取值。
不同的第一类组部件的状态量不同，在一个实施例中，(a)本体的状态量包括聚合度、油中溶解气体、糠醛含量、甲醇含量、乙醇含量、绝缘油颜色、局部放电量、微水含量、铁心接地电流、油酸值、油击穿电压、介电损耗、界面张力、闪点、密度和粘度中的多个。(b)套管的状态量包括油中溶解气体、套管介损、套管电容量、套管主屏绝缘电阻、套管末屏绝缘电阻、油位、密封中的多个。(c)分接开关的状态量包括分接开关性能、动作次数、油位、油击穿电压、油微水中的多个。(d)冷却系统的状态量包括油泵温度和风扇运行情况(e)非电量保护的状态量包括压力释放阀信号回来绝缘电阻、重瓦斯信号回路绝缘电阻、轻瓦斯信号回路绝缘电阻、温度计信号回路绝缘电阻中的多个。
取获取到的第一类组部件的寿命指标集合包括在k个不同的历史采样点处获取到的k组寿命指标，每组寿命指标包括m个状态量的取值。在获取每个状态量的取值后，一般还根据状态量的阈值对取值进行归一化处理。
(2)采用熵权法融合寿命指标集合得到第一类组部件的性能退化数据。
确定任意第j个历史采样点处获取到的任意第i个状态量的熵为
其中，
bij是第j个历史采样点处获取到的任意第i个状态量的归一化后的取值；当fij＝0时、lnfij＝-∞且有fijlnfij＝0。
然后可以确定第j个历史采样点处获取到的任意第i个状态量的权重
且满足
将任意第j个历史采样点处获取到的任意第i个状态量的归一化后的取值bij加权处理为ωij*bij，即可得到第一类组部件的性能退化数据。
(3)利用性能退化数据建立维纳过程模型构建得到第一类组部件的寿命预测模型。维纳过程模型是数据驱动的寿命预测的一种，适用于具有确定趋势的非单调性能退化过程，有较强的适应范围，在寿命预测方面得到了广泛应用。
构建得到的每个第一类组部件的寿命预测模型指示第一类组部件在任意时间参数T处的退化量X(T)＝X(0)+λT+ηB(T)。其中X(0)表示根据第一类组部件在各个历史采样点处的寿命指标确定的取值为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。迭代更新方法为：
(a)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，这些初始值都可以自定义设置。
(b)根据μN(k)和
确定第k次迭代的扩散系数η(k)为：
(c)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。
(d)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，并根据构建得到参数确定第一类组部件的寿命预测模型。
(4)利用第一类组部件的寿命预测模型确定第一类组部件的运行可靠性。
然后利用第一类组部件的寿命预测模型计算当前时刻至第一次达到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f1(ls)，ζ是失效阈值，即可确定第一类组部件的运行可靠性为
除此之外，还可以根据每个第一类组部件的故障概率密度f(ls)计算得到该第一类组部件的预期寿命
从而可以针对性分析各个典型组部件的预期寿命，从而可以确定油浸式电力变压器的寿命短板。
步骤3，对于每个第二类组部件，根据第二类组部件的可靠性分布确定第二类组部件的运行可靠性。
一种情况中，该油浸式电力变压器中的该第二类组部件虽然没有足量的历史监测数据，但其他型号的油浸式电力变压器中的该第二类组部件具有丰富的历史监测数据。则可以直接利用基于其他型号的油浸式电力变压器中的第二类组部件的历史监测数据拟合得到可靠性分布转换得到该第二类组部件的运行可靠性。这里的可靠性分布可以基于常见的指数分布、正态分布、威布尔分布以及极值分布实现。
另一种情况是，其他型号的油浸式电力变压器中的该第二类组部件也未有足量的历史监测数据，因此没有可靠性分布。则以油浸式电力变压器投运时的可靠性为、达到最大寿命时的可靠性为0.5，拟合得到第二类组部件的可靠性分布并转换得到第二类组部件的故障概率密度f2(u)，并确定第二类组部件的运行可靠性
同样的，还可以根据每个第二类组部件的运行可靠性r2(t)计算得到第二类组部件的预期寿命
其中
F(t)为运行故障概率，从而可以确定油浸式电力变压器的寿命短板。
步骤4，综合各个典型组部件的运行可靠性预测得到油浸式电力变压器的剩余寿命。在一个实施例中，首先将对油浸式电力变压器的重要性达到重要性阈值的典型组部件的运行可靠性进行串联综合，将对油浸式电力变压器的重要性未达到重要性阈值的典型组部件的运行可靠性进行并联综合，得到油浸式电力变压器的整体运行可靠性R(t)。油浸式电力变压器的整体运行可靠性可以表示为
其中，Θ是对油浸式电力变压器的重要性达到重要性阈值的典型组部件构成的集合，rp(t)表示集合Θ中任意第p个典型组部件的运行可靠性，
表示对集合Θ中所有典型组部件的运行可靠性相乘，Ω是对油浸式电力变压器的重要性未达到重要性阈值的典型组部件构成的集合，rq(t)表示集合Ω中任意第q个典型组部件的运行可靠性。
具体哪些典型组部件对油浸式电力变压器的重要性达到重要性阈值一般由用户自定义，比如一般本体和套管对油浸式电力变压器的重要性达到重要性阈值，而分接开关、非电量保护和冷却系统对油浸式电力变压器的重要性未达到重要性阈值。
然后可以计算得到油浸式电力变压器的剩余寿命
在一个实例中，采用本申请的方法对一台油浸式电力变压器进行寿命预测，确定该油浸式电力变压器包含的若干个典型组部件包括本体、套管、分接开关、非电量保护和冷却系统。其中，本体属于第一类组部件，套管、分接开关、非电量保护和冷却系统属于第二类组部件。获取到的本体的寿命指标集合包括在多个不同的历史采样点处获取到的多组寿命指标，每组寿命指标包括四个状态量分别是一氧化碳、二氧化碳、总烃和聚合度的取值。构建得到的本体的寿命预测模型指示本体的性能退化数据的曲线如图2所示，继而可以计算得到本体的运行可靠性r1(t)。
对于套管、分接开关、非电量保护和冷却系统这四个第二类组部件，获取其他型号的油浸式电力变压器拟合得到可靠性分布，以均双参数威布尔模型为例，这四个第二类组部件的可靠性分布的参数α和β如下：
| 部件 | α | β | MTTF |
| 套管 | 70.00 | 3.30 | 63.00 |
| 分接开关 | 119.01 | 1.02 | 118.0 |
| 冷却系统 | 265.8 | 0.78 | 306.8 |
| 非电量保护 | 152.57 | 1.02 | 155.4 |
根据获取到的相应可靠性分布转换得到套管的运行可靠性r2(t)、分接开关r3(t)、非电量保护r4(t)和冷却系统r5(t)。按照如图3所示的运行可靠性综合计算模型计算得到油浸式电力变压器的整体运行可靠性。最终计算得到该油浸式电力变压器的剩余寿命为34.6年，已运行时间为4.6年，总体寿命为39.2年，与实际情况相符。
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)
1.一种油浸式电力变压器的剩余寿命预测方法，其特征在于，所述方法包括：
确定油浸式电力变压器包含的若干个典型组部件；
对于每个第一类组部件，根据基于所述第一类组部件的历史监测数据构建的寿命预测模型评估得到所述第一类组部件的运行可靠性；
对于每个第二类组部件，根据所述第二类组部件的可靠性分布确定所述第二类组部件的运行可靠性；
综合各个典型组部件的运行可靠性预测得到所述油浸式电力变压器的剩余寿命；
其中，第一类组部件是历史运行时间内的历史监测数据达到预定阈值的典型组部件，第二类组部件是所述历史运行时间内的历史监测数据未达到所述预定阈值的典型组部件，每个典型组部件的历史监测数据用于反映所述典型组部件的运行状态。
2.根据权利要求1所述的方法，其特征在于，综合各个典型组部件的运行可靠性预测得到所述油浸式电力变压器的剩余寿命的方法包括：
将对所述油浸式电力变压器的重要性达到重要性阈值的典型组部件的运行可靠性进行串联综合，将对所述油浸式电力变压器的重要性未达到所述重要性阈值的典型组部件的运行可靠性进行并联综合，得到所述油浸式电力变压器的整体运行可靠性R(t)；
计算得到所述油浸式电力变压器的剩余寿命
3.根据权利要求2所述的方法，其特征在于，
所述油浸式电力变压器的整体运行可靠性
其中，Θ是对所述油浸式电力变压器的重要性达到重要性阈值的典型组部件构成的集合，rp(t)表示集合Θ中任意第p个典型组部件的运行可靠性，
表示对集合Θ中所有典型组部件的运行可靠性相乘，Ω是对所述油浸式电力变压器的重要性未达到所述重要性阈值的典型组部件构成的集合，rq(t)表示集合Ω中任意第q个典型组部件的运行可靠性。
4.根据权利要求1所述的方法，其特征在于，确定每个第一类组部件的运行可靠性的方法包括：
根据所述第一类组部件的历史监测数据构建所述第一类组部件的寿命指标集合，所述寿命指标集合中包括各个历史采样点处的寿命指标，每组寿命指标包括所述第一类组部件在所述历史采样点处的各个状态量的取值；
采用熵权法融合所述寿命指标集合得到所述第一类组部件的性能退化数据；
利用所述性能退化数据建立维纳过程模型构建得到所述第一类组部件的寿命预测模型；
利用所述第一类组部件的寿命预测模型确定所述第一类组部件的运行可靠性。
5.根据权利要求4所述的方法，其特征在于，获取到的所述第一类组部件的寿命指标集合包括在k个不同的历史采样点处获取到的k组寿命指标，每组寿命指标包括m个状态量的取值；
采用熵权法融合所述寿命指标集合得到所述第一类组部件的性能退化数据，包括：
确定任意第j个历史采样点处获取到的任意第i个状态量的熵为
其中，
bij是第j个历史采样点处获取到的任意第i个状态量的归一化后的取值；当fij＝0时、lnfij＝-∞且有fijlnfij＝0；
确定第j个历史采样点处获取到的任意第i个状态量的权重
且满足
将任意第j个历史采样点处获取到的任意第i个状态量的归一化后的取值bij加权处理为ωij*bij、得到所述第一类组部件的性能退化数据。
6.根据权利要求4所述的方法，其特征在于，构建得到的所述第一类组部件的寿命预测模型指示所述第一类组部件在任意时间参数T处的退化量X(T)＝X(0)+λT+ηB(T)，其中X(0)表示根据所述第一类组部件在各个历史采样点处的寿命指标确定的取值为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；
利用所述第一类组部件的寿命预测模型确定所述第一类组部件的运行可靠性的方法包括：
利用所述第一类组部件的寿命预测模型计算当前时刻至第一次达到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f1(ls)，ζ是失效阈值；
确定所述第一类组部件的运行可靠性为
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据每个第一类组部件的故障概率密度f1(ls)计算得到所述第一类组部件的预期寿命
8.根据权利要求1所述的方法，其特征在于，确定每个第二类组部件的运行可靠性的方法包括：
利用基于其他型号的油浸式电力变压器中的所述第二类组部件的历史监测数据拟合得到可靠性分布转换得到所述第二类组部件的故障概率密度f2(t)，并确定所述第二类组部件的运行可靠性
9.根据权利要求8所述的方法，其特征在于，确定每个第二类组部件的运行可靠性的方法还包括：
当检测到不存在所述第二类组部件的参考可靠性分布，以所述油浸式电力变压器投运时的可靠性为1、达到最大寿命时的可靠性为0.5，拟合得到所述第二类组部件的可靠性分布并转换得到所述第二类组部件故障概率密度f2(t)。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据每个第二类组部件的运行可靠性r2(t)计算得到所述第二类组部件的预期寿命
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211631616.XA CN115982976B (zh) | 2022-12-19 | 2022-12-19 | 一种油浸式电力变压器的剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211631616.XA CN115982976B (zh) | 2022-12-19 | 2022-12-19 | 一种油浸式电力变压器的剩余寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115982976A true CN115982976A (zh) | 2023-04-18 |
| CN115982976B CN115982976B (zh) | 2024-01-05 |
Family
ID=85958468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211631616.XA Active CN115982976B (zh) | 2022-12-19 | 2022-12-19 | 一种油浸式电力变压器的剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115982976B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180165592A1 (en) * | 2016-12-13 | 2018-06-14 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
| WO2018186537A1 (ko) * | 2017-04-04 | 2018-10-11 | 한국전력공사 | 전력용 변압기 자산 관리 장치 및 그 방법 |
| CN109919394A (zh) * | 2019-03-29 | 2019-06-21 | 沈阳天眼智云信息科技有限公司 | 电力变压器剩余寿命预测方法 |
| CN112255511A (zh) * | 2020-09-25 | 2021-01-22 | 广西大学 | 基于多元溶解化学特征参量的变压器纸绝缘老化评估方法 |
| AU2020103616A4 (en) * | 2020-01-23 | 2021-02-04 | Measurement Center Of Guangdong Power Grid Co., Ltd | A Markov chain based method for voltage transformer life prediction |
| CN112966441A (zh) * | 2021-03-08 | 2021-06-15 | 中国人民解放军海军航空大学 | 一种基于连续Weiner过程损伤的设备剩余寿命评估方法 |
| CN113805107A (zh) * | 2021-09-15 | 2021-12-17 | 国网新疆电力有限公司电力科学研究院 | 一种用于变压器的检修与退役评估方法 |
| CN114595883A (zh) * | 2022-03-07 | 2022-06-07 | 大连理工大学 | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 |
| CN114936504A (zh) * | 2021-12-22 | 2022-08-23 | 山东浪潮工业互联网产业股份有限公司 | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 |
| CN114943179A (zh) * | 2022-05-30 | 2022-08-26 | 中国人民解放军空军工程大学 | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 |
| CN115221731A (zh) * | 2022-08-11 | 2022-10-21 | 南京航空航天大学 | 基于数据融合和Wiener模型的变压器寿命评估方法 |
-
2022
- 2022-12-19 CN CN202211631616.XA patent/CN115982976B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180165592A1 (en) * | 2016-12-13 | 2018-06-14 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
| WO2018186537A1 (ko) * | 2017-04-04 | 2018-10-11 | 한국전력공사 | 전력용 변압기 자산 관리 장치 및 그 방법 |
| CN109919394A (zh) * | 2019-03-29 | 2019-06-21 | 沈阳天眼智云信息科技有限公司 | 电力变压器剩余寿命预测方法 |
| AU2020103616A4 (en) * | 2020-01-23 | 2021-02-04 | Measurement Center Of Guangdong Power Grid Co., Ltd | A Markov chain based method for voltage transformer life prediction |
| CN112255511A (zh) * | 2020-09-25 | 2021-01-22 | 广西大学 | 基于多元溶解化学特征参量的变压器纸绝缘老化评估方法 |
| CN112966441A (zh) * | 2021-03-08 | 2021-06-15 | 中国人民解放军海军航空大学 | 一种基于连续Weiner过程损伤的设备剩余寿命评估方法 |
| CN113805107A (zh) * | 2021-09-15 | 2021-12-17 | 国网新疆电力有限公司电力科学研究院 | 一种用于变压器的检修与退役评估方法 |
| CN114936504A (zh) * | 2021-12-22 | 2022-08-23 | 山东浪潮工业互联网产业股份有限公司 | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 |
| CN114595883A (zh) * | 2022-03-07 | 2022-06-07 | 大连理工大学 | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 |
| CN114943179A (zh) * | 2022-05-30 | 2022-08-26 | 中国人民解放军空军工程大学 | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 |
| CN115221731A (zh) * | 2022-08-11 | 2022-10-21 | 南京航空航天大学 | 基于数据融合和Wiener模型的变压器寿命评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| BO LI: "A Two-phase Remaining Useful Life Estimation Method for Oil-immersed Power Transformer", 《 2022 IEEE INTERNATIONAL CONFERENCE ON HIGH VOLTAGE ENGINEERING AND APPLICATIONS (ICHVE)》, pages 1 - 4 * |
| WENQIAN ZHANG: "Residual Lifetime Evaluation of Power Transformer Insulation Based on PSO-Wiener Model", 《2022 IEEE INTERNATIONAL CONFERENCE ON HIGH VOLTAGE ENGINEERING AND APPLICATIONS (ICHVE)》, pages 1 - 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115982976B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104914327B (zh) | 基于实时监测信息的变压器故障检修预测方法 | |
| US10001518B2 (en) | System and method for power transmission and distribution asset condition prediction and diagnosis | |
| CN107194476B (zh) | 基于半马尔科夫链的变压器预防老化维修策略制定方法 | |
| Velásquez et al. | Converting data into knowledge for preventing failures in power transformers | |
| Ranga et al. | Condition assessment of power transformers based on multi‐attributes using fuzzy logic | |
| Noori et al. | Using dissolved gas analysis results to detect and isolate the internal faults of power transformers by applying a fuzzy logic method | |
| CN113435652A (zh) | 一种一次设备缺陷诊断与预测方法 | |
| CN110765619A (zh) | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 | |
| JP2011185880A (ja) | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 | |
| Guedes et al. | Evaluation of electrical insulation in three-phase induction motors and classification of failures using neural networks | |
| CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
| CN112115638B (zh) | 基于改进Adam算法优化神经网络的变压器故障诊断方法 | |
| Ahmed et al. | Transformer health index estimation using orthogonal wavelet network | |
| CN115271238A (zh) | 一种变压器的寿命预测方法及装置 | |
| Milosavljevic et al. | Integrated transformer health estimation methodology based on Markov chains and evidential reasoning | |
| Bardyk et al. | Parametric identification of fuzzy model for power transformer based on real operation data | |
| Dhote et al. | Improvement in transformer diagnosis by DGA using fuzzy logic | |
| Shutenko et al. | Development of a multiple regression model for early diagnosis of transformer oil condition | |
| Xiao et al. | SSAE‐MLP: Stacked sparse autoencoders‐based multi‐layer perceptron for main bearing temperature prediction of large‐scale wind turbines | |
| CN105468911A (zh) | 基于层次分析法和粗糙集的变压器状态评估方法 | |
| 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 | |
| CN112734201B (zh) | 基于预期故障概率的多台设备整体质量评价方法 | |
| CN115982976A (zh) | 一种油浸式电力变压器的剩余寿命预测方法 | |
| JPWO2011077530A1 (ja) | 油入電気機器における異常発生の可能性を予測する方法 | |
| CN115221731A (zh) | 基于数据融合和Wiener模型的变压器寿命评估方法 |
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 |