CN116057397A - 利用诊断参数预测误差中的变化确定电气设备的状态 - Google Patents
利用诊断参数预测误差中的变化确定电气设备的状态 Download PDFInfo
- Publication number
- CN116057397A CN116057397A CN202180061775.8A CN202180061775A CN116057397A CN 116057397 A CN116057397 A CN 116057397A CN 202180061775 A CN202180061775 A CN 202180061775A CN 116057397 A CN116057397 A CN 116057397A
- Authority
- CN
- China
- Prior art keywords
- parameter values
- prediction error
- diagnostic parameter
- predicted
- component
- 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
- 230000008859 change Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims description 51
- 238000010801 machine learning Methods 0.000 claims description 34
- 230000006399 behavior Effects 0.000 claims description 23
- 238000009413 insulation Methods 0.000 claims description 16
- 238000013179 statistical model Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 15
- 238000012806 monitoring device Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 239000012212 insulator Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012631 diagnostic technique Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910018503 SF6 Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000000112 cooling gas Substances 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/006—Measuring power factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
- G01R27/2605—Measuring capacitance
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
公开了以下实施例,其用于使用诊断参数预测误差确定电气设备的状态。对于电气设备的至少一个部件在预定时间段上的多个预测诊断参数值确定预测误差值。预测误差值抑制在至少一个部件的行为中观察到的变化。所确定的预定误差值与预期预测误差值进行比较。基于该比较选择性地生成至少一个部件的状态的指示。
Description
技术领域
本公开涉及对电气设备的分析,例如高压变压器。具体地,本公开涉及利用诊断参数预测误差来确定电气设备的状态。
背景技术
电气设备部件的许多诊断参数由于外界和其他现场条件而表现出变化,这些现场条件使部件的潜在问题的检测复杂化或延迟。例如,高压变压器的绝缘衬套的绝缘参数的变化,例如电容或功率因子,可能指示衬套退化或故障。然而,这些绝缘参数也可能极易受到外界条件的影响,如温度、湿度、过电压、或电气设备中和周围的其他变化的环境、电气和/或热条件。结果,基于这种易受影响的诊断参数的传统诊断技术可能无法提前检测到正在发展的故障或者在检测部件的状况时可能不准确。因此,这种技术可能需要将变压器离线以准确检测部件的状况。
发明内容
根据一些实施例,一种方法包括通过处理器电路,对于电气设备的至少一个部件在预定时间段上的多个预测诊断参数值确定预测误差值,该预测误差值抑制在该至少一个部件的行为中观察到的外界变化。该方法进一步包括将所确定的预测误差值与预期预测误差值进行比较。该方法进一步包括通过处理器电路,基于该比较选择性地生成至少一个部件的状态的指示。
根据一些实施例,所述至少一个部件包括电气设备的绝缘部件。多个预测诊断参数值包括多个预测绝缘诊断参数值。
根据一些实施例,多个预测绝缘诊断参数值包括多个以下各项中的至少一者:至少一个绝缘部件的预测电容值、预测电容电流值、预测耗散因子值和预测功率因子值。
根据一些实施例,电气设备包括变压器,并且该至少一个部件包括变压器的高压衬套。
根据一些实施例,在该至少一个部件的行为中观察到的经抑制的变化包括由于外界条件导致的变化。
根据一些实施例,由于外界条件导致的所述变化包括由于环境条件、噪声、振动和特定原因变化中的至少一者导致的变化。
根据一些实施例,确定预测误差值还包括以下各项中的至少一项:通过处理器电路,对于多个预测诊断参数值预测至少一个误差值;确定在至少一个部件的行为中观察到的由于外界条件导致的至少一个误差值的变化;以及基于至少一个误差值和所确定的变化生成预测误差值。
根据一些实施例,确定预测误差值还包括基于已获得的诊断参数值,预测在预定时间段中的多个相应时刻的多个预测诊断参数值。确定预测误差值还包括基于相应时刻的多个预测诊断参数值与在相应时刻获得的多个实际诊断参数值的比较来确定多个误差值,其中,预测误差值包括对于多个误差值的平均误差值。
根据一些实施例,多个实际诊断参数值从与至少一个部件相关联的装置生成的参数值数据流获得。
根据一些实施例,多个时刻包括预定时间段的至少100个时刻。
根据一些实施例,多个预测诊断参数值与至少一个部件的预期行为相关联。预测误差值指示至少一个部件的观察到的行为与至少一个部件的预期行为的偏差。
根据一些实施例,预期预测误差值是基于多个先前预测的诊断参数值和相应的多个先前获得的诊断参数值的比较确定的。
根据一些实施例,多个预测诊断参数值是基于多个先前获得的诊断参数值中的预定数目的诊断参数值和多个先前获得的诊断参数值中的至少一个后续参数值之间确定的多个关系来确定的。
根据一些实施例,多个先前获得的诊断参数值是从与至少一个部件不同的部件获得的。
根据一些实施例,多个预测诊断参数值是基于机器学习模型和统计模型中的至少一个确定的。
根据一些实施例,预期预测误差值是基于机器学习模型和统计模型中的至少一者确定的。
根据一些实施例,选择性地生成指示还包括通过处理器电路,确定预测误差值是否满足预定预测误差阈值,该预定预测误差阈值基于预期预测误差值。选择性地生成指示还包括响应于预测误差值满足预定预测误差阈值,生成第一警报指示。
根据一些实施例,选择性地生成指示还包括响应于预测误差值不满足预定预测误差阈值,生成第二警报指示。
根据一些实施例,绝缘诊断系统包括处理器电路和包括机器可读指令的存储器。当由处理器电路执行时,这些指令使处理器电路对于电气设备的至少一个部件确定预定时间段上的多个预测诊断参数值。这些指令进一步使处理器电路从该至少一个部件获得预定时间段上的多个实际诊断参数值。这些指令进一步使处理器电路基于多个预测诊断参数值和多个实际参数值确定预测误差值,该预测误差值抑制在至少一个部件的行为中观察到的外界变化。这些指令进一步使处理器电路将所确定的预测误差值与预期预测误差值进行比较。这些指令进一步使处理器电路基于该比较选择性地将至少一个部件的状态的指示传输至电气设备。
根据一些实施例,至少一个部件包括电气设备的绝缘部件。多个预测诊断参数值包括多个预测绝缘诊断参数值。多个实际诊断参数值包括多个实际绝缘诊断参数值。
根据一些实施例,多个预测绝缘诊断参数值包括多个以下各项中的至少一个者:至少一个绝缘部件的预测电容值、预测电容电流值、预测耗散因子值和预测功率因子值。多个实际绝缘诊断参数值指示多个以下各项中的至少一者:至少一个绝缘部件的实际电容值、实际电容电流值、实际耗散因子和实际功率因子。
根据一些实施例,在至少一个部件的行为中观察到的被抑制的变化包括由于外界条件导致的变化。
附图说明
为了提供对本公开的进一步理解而包括在本申请中并构成本申请的一部分的附图示出了发明概念的某些非限制性实施例。在附图中:
图1A-1C示出了根据一些实施例的用于获得绝缘部件的诊断参数值的技术;
图2A和2B示出了根据一些实施例的用于基于对于电气设备的预测诊断参数值的预测误差来确定电气设备的状态的操作;
图3示出了根据一些实施例的作为图2B的操作的一部分的用于确定预期预测误差值的操作;
图4A是根据一些实施例的用于变压器衬套的历史功率因子数据的图表;
图4B示出了根据一些实施例的将图3的历史功率因子数据的时间序列数据流转换为供机器学习模型使用的回归模型平面表;
图5A是示出根据一些实施例的对于正常运行的变压器衬套将预测功率因子与在一时间段上的实际功率因子进行的比较的图表;
图5B是示出根据一些实施例的对于正常运行的变压器衬套在一时间段上针对图5A的比较的功率因子预测误差的图表;
图6A和6B是示出根据一些实施例的随时间将对于变压器衬套的预测和实际电容进行比较以及对于正常运行的变压器衬套随时间的电容预测误差的图表;
图7示出了根据一些实施例的作为图2B的操作的一部分用于确定预测误差值的操作;
图8A和8B是示出根据一些实施例的随时间将对于变压器衬套的预测和实际电容进行比较以及对于其中实际电容表现出突然增加的变压器衬套随时间的电容预测误差的图表;
图9A和9B是示出根据一些实施例的随时间将对于变压器衬套的预测和实际电容进行比较以及对于其中实际电容表现出随时间线性增加的变压器衬套随时间的电容预测误差的图表;
图10A和10B是示出根据一些实施例的随时间将对于变压器衬套的预测和实际功率因子进行比较以及对于其中实际电容表现出随时间线性增加的变压器衬套随时间的功率因子预测误差的图表;
图11示出了根据一些实施例的用于基于平均预测诊断参数值和平均获得预测误差值确定预测误差的操作;
图12A和12B示出了根据一些实施例的从诊断参数值的时间序列数据流计算平均值;
图13A和13B是示出根据一些实施例的随时间将对于变压器衬套的多个平均预测和实际功率因子进行比较以及对于正常运行的变压器衬套随时间的平均功率因子预测误差的图示;
图14A和14B是示出根据一些实施例的随时间将对于变压器衬套的平均预测功率因子和平均实际功率因子进行比较以及对于其中实际功率因子表现出随时间指数增加的变压器衬套随时间的平均功率因子预测误差的图示;以及
图15是示出了用于执行根据一些实施例的操作的变压器监测系统的框图。
具体实施方式
下面将参照附图更充分地描述发明概念,附图中示出了发明概念的示例性实施例。然而,发明概念可以以许多不同形式实施并且不应该被理解为仅限于本文所阐述的实施例。相反,提供这些实施例使得本公开彻底且完整,并向本领域的技术人员充分传达本发明概念的范围。还应注意的是,这些实施例并不相互排斥。来自一个实施例的部件可以被默认为在另一实施例中存在/使用。
下面的描述介绍了所公开主题的各种实施例。这些实施例作为教学示例提出而不应理解为限制所公开主题的范围。例如,所描述的实施例的某些细节可以被修改、省略或扩展而不脱离所描述主题的范围。
实施例包括通过检测部件的诊断参数值的预测误差的变化来确定电气设备的部件的状态的方法。例如,可以针对电气设备的至少一个部件对于在预定时间段上的多个预测诊断参数值确定预测误差值。预测误差值也可以抑制在至少一个部件的行为中观察到的外界变化,这可以导致更稳定和/或可靠的确定。如本文所使用的,术语“外界变化”是指由于外界条件导致的变化,例如环境温度、噪声、振动、湿度、空间/表面电荷效应、部件温度、流体压力(例如,通过变压器的密封元件或壳体的气体泄漏)、振动、电力负荷和/或特殊原因变化等。
所确定预测误差值可以与预期预测误差值进行比较。基于该比较,可以选择性地生成部件的状态的指示。
为了解释的目的,本文描述的许多实施例涉及使用本文公开的特征来确定高压变压器的衬套或其他绝缘部件的状态。然而,应该理解,本公开和权利要求书并没有如此限制并具有超过本文提供的具体示例的广泛适用范围。如本文所用,术语“诊断参数值”可指电气设备的任何参数。
在描述所公开的实施例的特征之前,图1A至图1C示出了绝缘部件的诊断参数的一些示例。图1A示出了分离一对金属板102的绝缘体100。如图1B的电路图所示,当电压V被施加在绝缘体100上时,总电流i被划分为自然电容电流ic分量和电阻损耗电流iR分量。对于正常运行,例如未损坏的绝缘体100,ic相对于损耗电流iR应该非常高。结果,这两个参数之间的比率可以作为绝缘体100的实际状况或质量的可靠指标。如图1C的矢量图所示,许多参数可以通过这种方式来测量或推导。例如,电容电流ic和总电流i之间的角度δ定义了耗散因子(tanδ),tanδ=iR/iC。损耗电流iR和总电流i之间的互补角度定义了功率因子 对于具有小δ的高质量绝缘体100,耗散因子和功率因子将非常小,而且在数值上将非常接近。
然而,如果绝缘体100包含缺陷,例如短路板、打孔板(punctured plate)、空隙、湿气和/或颗粒污染,例如损耗电流与电容电流和总电流的比例会显著提高。结果,电容、电容电流、耗损因子和功率因子都是确定绝缘体100的状态的有用诊断参数。
许多用于绝缘部件(例如变压器衬套)的传统诊断技术涉及在变压器断开和离线的情况下测量电容、功率因子和/或其他诊断参数。虽然可以在变压器在线时测量这些诊断参数,但这通常会在所测量参数值中引入许多变化,例如由于外界条件(例如环境条件、温度、噪声、振动、特殊原因变化等)导致的变化,这使得难以获得准确读数,这反过来又使得在变压器在线时难以检测到衬套或其他绝缘部件中的问题。
为了解决该问题,根据一些实施例,对于预定时间段获得多个预测诊断参数值,并且对于同一时间段获得相应多个实际诊断参数值。预测诊断参数值与实际诊断参数值进行比较以获得对于预测诊断参数值的预测误差值。然后,将该预测误差值与预期预测误差值进行比较以准确确定绝缘部件的状态,而不需要将变压器或其他电气设备离线。
预测诊断参数值、预测误差值和预期预测误差值可以通过多种方式获得。例如,在一些实施例中,预期预测误差值可以通过训练机器学习模型以基于历史数据预测诊断参数值而获得。例如,训练可以基于确定多个先前获得的诊断参数值中的预定数量诊断参数值与多个先前获得的诊断参数值中的至少一个后续参数值之间的多个关系。先前获得的诊断参数值可以根据需要从同一部件获得或者从不同部件获得。
然后,经训练机器学习模型可以对于已知正常运行的绝缘部件(例如,基于确定的多个关系)预测多个诊断参数值,并且将这些预测值与正常运行绝缘部件的对应多个实际诊断参数值进行比较。然后,所得预测误差值可用作对在现场的绝缘部件的未来测量的预期预测误差值。
机器学习模型可类似地对于在现场的绝缘部件(例如,连接并在线的变压器的高压衬套)获得在一时间段上的预测诊断参数值。预测诊断参数值与相应的实际诊断参数值进行比较以获得预测误差值,其进一步与预期预测误差值进行比较以确定绝缘部件的实际状态。对于正常运行部件,预测误差值应非常接近预期预测误差值,但对于损坏或故障部件,预测误差与预期预测误差值相比可以增加多个数量级,从而允许在不使电气设备离线的情况下非常快速且可靠地检测到问题。
这些和其他实施例可以以多种方式抑制在部件的行为中观察到的变化。例如,机器学习模型可以将数据中的变化考虑作为其训练过程的一部分并且可以在预测预测诊断参数值时抑制这些变化。替代地或者附加地,可以使用多个数据点的移动平均值来抑制这些变化。例如,可以通过将多个预测诊断参数值(如100个诊断参数值)的平均预测诊断参数值与相应的平均实际诊断参数值进行比较来获得预测误差值。在另一示例中,可以针对相应多个预测诊断参数值获得多个误差值(例如,100个误差值),且然后可以针对多个误差值计算平均预测误差值。
现在参考图2A,其示出了根据一些实施例的用于基于对于电气设备的预测诊断参数值的预测误差来确定电气设备的状态的操作200。在该示例中,操作200包括通过处理器电路,对于电气设备的至少一个部件在预定时间段上的多个预测诊断参数值确定预测误差值,该预测误差值抑制在该至少一个部件的行为中观察到的外界变化(框208)。操作200进一步包括将所确定预测误差值与预期预测误差值进行比较(框210)。操作200进一步包括通过处理器电路,基于该比较选择性地生成至少一个部件的状态的指示(框212)。还应理解,这些操作200的任何或全部可以与本文所公开的其他实施例一起使用,例如,下文更详细地描述的图2B的操作200'。此外,这些操作200的任何或全部可以与本文公开的其他操作一起使用,包括例如下文图7中描述的用于确定预测误差值的附加操作。
现在参考图2B,示出了根据一些实施例的用于基于对于电气设备的预测诊断参数值的预测误差确定电气设备的状态的操作200'的更详细示例。在讨论图2B的各种操作200'时,还将参考图3至图12B,这些附图示出了这些和其他特征的附加操作和示例。
图2B的操作200'可以包括对于电气设备的部件确定预期预测误差值(框202')。确定预期预测误差值可以通过多种方式完成。例如,在一些实施例中,可以训练机器学习模型以针对正常运行部件预测诊断参数值,该诊断参数值可以与实际诊断参数值进行比较以确定预期(例如,“基线”)的预测误差值。
在这方面,图3示出了作为图2B的操作200'的一部分的用于确定预期预测误差值的附加操作。附加操作可以包括获得历史诊断参数值的时间序列数据(框302)并将时间序列数据转换为平面文件(框304)。
例如,图4A是高压变压器衬套的历史功率因子数据402的图表400。如图4A所示,历史功率因子数据402的时间序列数据流404被转换为平面文件406,例如,在本实施例中为回归模型平面表,其具有多个行408和列410,其中,每行408对应于历史功率因子数据402内的连续诊断参数值的序列(例如,“移动窗口”)。
参考图3,附加操作可以进一步包括训练机器学习模型以基于历史数据预测诊断参数值(框306)。例如,图4B的平面文件406可以由机器学习模型用于迭代地将多变量回归算法应用于平面文件406的行408中的每一行,其中,最后一列412作为对于基于前面列的输入的目标输出,以随时间确定并完善该算法。然而,应该理解,变量(即预测因素)数量的选择将取决于每个单独问题。每行408中的变量数量可以根据附加地测试来确定和优化,例如,敏感性、模型准确性、硬件和软件约束以及其他参数。
图4B的这种数据转换技术的一个优点是将单变量数据集(例如,对于时间的tanδ)转换为多变量问题,这有利于使用适合回归或分类应用的许多机器学习模型。这种机器学习模型的能力在于其可以从包含大量案例(或示例)和大量特征(或预测因素,或独立变量)的大型数据集中“学习”。
与诊断参数数据一起使用这些和其他预测技术的一个优点是,这些技术可以基于历史诊断参数值的相对较小单变量数据集随时间提供对未来诊断参数值的非常准确预测,而不需要任何其他外部参数,如温度、假期、事件等。此外,通过应用这些和其他预测技术,可以抑制由外部外界条件引入的许多变化的贡献,从而提供电气设备的实际状态的更准确指示。
在一些实施例中,使用扁平化数据训练许多不同机器学习模型(例如,线性和非线性算法)并且比较结果以确定具有最高准确性的机器学习模型。许多不同标准可用于确定准确性,如均方根误差(RMSE)、平均绝对误差(MAE)等。适合的线性机器学习模型的示例可以包括一般线性回归、(例如,用于分类的)逻辑回归、线性判别分析等。适合的非线性机器学习模型的示例可以包括分类和回归树、朴素贝叶斯、K-近邻、支持向量机等。适合的集合机器学习模型的示例可以包括随机森林、Bagging树、极端梯度提升机、人工神经网络等。
预测诊断参数值可以使用机器学习模型、统计模型或任何其他合适的技术进行预测。例如,监督或无监督机器学习模型,如神经网络,可用于识别一组数据中的潜在关系以更准确地预测未来值。在另一示例中,统计模型,如差分整合移动平均自回归模型(“ARIMA”),可以考虑时间序列中的过去值并从中学习,这反过来使得对未来值的更准确预测。然而,应该理解,可以使用任何数量的预测技术并且所公开的实施例不限于上述示例。在许多实施例中,诊断参数值的预测精度的提高可以产生更可靠的预期预测误差值,这反过来可以增加预测误差中的不期望增加的诊断值。然而,应当理解,允许预测电气设备的诊断预测值的任何技术都可以与本文所述的实施例一起使用。
参考图3,接下来将预测诊断值与对于历史数据的相应实际诊断参数值进行比较(框308)以获得对于电气设备的多个误差值。在该示例中,预测诊断值对应于预定时间段期间的特定时刻,且对应的实际诊断参数值对应于相同的相应时刻。在本示例中,针对多个误差值确定平均误差值(框310),该平均误差值可作为用于后续测量和比较的预期预测误差值。
以这种方式,机器学习模型或其他合适预测技术可以被用来确定对于多个诊断参数的预期预测误差值。现在将在下文描述针对历史功率因子数据(图5A-5B)和历史电容数据(图6A-6B)确定预期预测误差值的示例。
现在参考图5A,图表500示出了对于正常运行的变压器衬套在一时间段上的多个预测功率因子502和实际功率因子504。如上所述,预测的功率因子502可以使用监督或无监督机器学习模型(如神经网络)、统计模型(如差分整合移动平均自回归模型(“ARIMA”))或用于预测功率因子或其他诊断参数值的其他合适技术来预测。实际功率因子504由在相应时间段对变压器衬套的测量而测量或得出。
如图5B所示,预测功率因子502与实际功率因子504的比较产生了对于正常运行变压器衬套的多个误差值508的图表506。在本示例中多个误差值508的平均预测误差510为0.98%,其可作为预期预测误差值512以用于与对于正激活使用中的变压器衬套的未来功率因子预测误差确定进行比较。在一些实施例中,可以使用不同值作为预期预测误差值,例如第95百分位的值514(即,误差值508中排除了误差值508中的最大5%的误差值后的最大值)、第99百分位的值516等。
这些技术也可用于确定其他诊断参数的预期预测误差值,例如电容电流、耗散因子和/或功率因子等。在这方面,图6A是示出对于变压器衬套在一时间段上对预测电容602和实际电容604进行比较的图表600。图6B是通过对于正常运行的变压器衬套比较预测电容602和实际电容604而产生的多个误差值608的图表606。该示例中的多个误差值608的平均预测误差610为0.0043%,其可作为预期预测误差值612以用于与对于正激活使用中的变压器衬套的未来电容预测误差确定进行比较。如上所述,也可以根据需要使用不同的值,例如第95百分位的值614、第99百分位的值616等。
参考回图2B,操作200'可以进一步包括(例如,利用上述经训练机器学习模型)预测预定时间段上的多个预测诊断参数值(框204')。操作200'可以进一步包括对于预定时间段获得多个实际诊断参数值(框206'),该多个实际诊断参数值例如可以在对应时间段从对变压器衬套的测量而被测量或得出。
操作200'可以进一步包括对于多个预测诊断参数值,(例如,通过将预测诊断参数值与实际诊断参数值进行比较)确定预测误差值(框208')。在这方面,图7示出了根据一些实施例的作为图2B的操作的一部分的用于确定预测误差值的附加操作。
图7的附加操作可以进一步包括使用机器学习模型(框702)或其他合适的预测技术预测多个诊断参数值。还获得对应的多个实际诊断参数值(框704)。在这方面,图8A是示出对于在现场的变压器衬套随时间的预测电容802和实际电容804的图表800。在该示例中,预测诊断值对应于预定时间段期间的特定时刻,且对应的实际诊断参数值对应于相同的相应时刻。在该示例中,用于对于图6A的正常运行的变压器衬套确定预测电容602的经训练机器学习模型也被用来预测图8A的处于现场的变压器衬套的预测电容802。在该示例中,实际电容804(例如1pF)在时间T发生相对较小但突然的增加818。
图7的附加操作可以进一步包括将预测诊断参数值与已获得的实际诊断参数值进行比较以确定多个误差值。在这方面,图8B是通过对于处于现场变压器衬套比较图8A所示的预测电容802与实际电容804而产生的多个误差值808的图表806。由于图8A中所示的实际电容804的突然增加818,误差值808在时间T时也显示出大的持续增加820。
图7的附加操作可以进一步包括确定多个误差值的平均误差值(框708)。例如,如图8B所示,由于误差值808的该急剧增加820,本示例中的多个误差值808的平均预测误差810为0.0435%。以这种方式,平均预测误差810指示观察到的行为(即,实际电容804中的突然增加818)与预期行为(即,预测电容802)的偏差。如上所述,也可以根据需要使用不同的值,例如第95百分位的值814、第99百分位的值816等。
参考回图2B,操作200'可以进一步包括将所确定预测误差值与预期预测误差值进行比较(框210')。例如,图8B的平均预测误差810(即,平均误差值)可以与在图6B中对于正常运行的变压器衬套所确定的预期预测误差值612进行比较。在该示例中,尽管电容增加818在绝对值方面比较小,但是0.0435%的平均预测误差810大约是0.0043%的预期预测误差值612的十倍。这表示通过处于现场的变压器衬套明确且容易地检测到异常行为(即电容的突然增加)的指示。在该和其他示例中,实际诊断参数值的重大偏差可以导致预测误差中可被检测和监测的相应增加。
在这方面,参考回图2B,操作200'可以进一步包括基于比较选择性地生成至少一个部件的状态的指示(框212')。在例如一些实施例中,可以基于预期预测误差值确定预测误差阈值,并且可以响应于确定预测误差值满足预定预测误差阈值而选择性地生成警报指示。替代地或附加地,也可以响应于响应预测误差值未能满足预定预测误差阈值而选择性地生成指示。
在一些示例中,预测误差阈值可以是特定值或值范围。一个或多个指示还可根据需要包括特定值或值范围的指示、分类类型(例如,“好或坏”、“是或否”、级别1、2、3等)或任何其他适当的指示。
本文公开的实施例也能够检测和指示其他类型的异常行为。例如,图9A是示出对于变压器衬套比较预测电容902和实际电容904的图表900,其中,实际电容表现出随时间的线性增加918。如图9B所示,电容的这种相对较小线性增加918(例如3pF)也导致对应的误差值908中的可测量增加920,这使得平均预测误差910为0.0408%,是为0.0043%的预期预测误差值612(如图6B所示)的九倍以上。如上所述,也可以根据需要使用不同的值,如第95个百分位的值914,第99个百分位的值916等。
在另一示例中,图10A是示出对于处于现场的变压器衬套随时间比较预测功率因子1002和实际功率因子1004的图表1000,其中实际功率因子1004随时间变化呈现出线性增加1018。又在此,电容的这种线性增加1018也导致对应的误差值1008中的可测量增加1020,如图10B所示,这导致平均预测误差1010为2.36%,远远高于为0.98%的预期预测误差值512(如图5B所示)。如上所述,也可以根据需要使用不同的值,例如第95百分位的值1014、第99百分位的值1016等。
如上所讨论的,变压器衬套(或其他部件)的观察行为的变化可以以多种方式检测和/或抑制。例如,如上文关于本文公开的机器学习模型实例所讨论的,预测技术本身可以抑制由外部外界条件引入的许多变化。例如,预测技术可以被训练或配置为区分由外界条件和部件的正常老化导致的变化,即,“健康”变化、以及由部件的潜在问题导致的变化,如损坏、过度磨损或其他不期望变化。替代地或附加地,也可以通过获得诊断参数值集随时间变化的平均值来抑制变化。
现在参考图11,根据一些实施例的用于基于平均预测诊断参数值和平均获得预测误差值确定预测误差的操作1100。这些操作1100可以作为图2B的操作200'的一部分,例如确定预期预测误差值(框202')和/或确定多个预测诊断参数值的预测误差值(框208')等。
图11的操作1100可以包括基于多个获得诊断参数值确定多个平均获得诊断参数值(框1102)。例如,图12A和12B示出了根据一些实施例从诊断参数值的时间序列数据流1204计算多个平均值(即,移动平均)。在图12A中,功率因子值1202从时间序列数据流1204中获得,该时间序列数据流可由于外界条件,如环境因素、温度等而随时间表现出变化。功率因子值1202被转换为多个平均功率因子值1206,这进一步减少了外界变化对测量值的影响。在该示例中,每组二十个获得功率因子值1202被平均以产生单个平均功率因子值1206。
在一些示例中,通过使用图12A的技术,获得诊断参数值的足够大集合可以产生平均诊断参数值的可用集合(例如,与100个时刻相关联的100个值)。替代地或者附加地,可能期望为每个获得诊断参数值确定平均值以获得更大集合的数据点以供机器学习模型、统计模型或其他预测技术使用。在这方面,图12B示出了将从时间序列数据流1204获得的功率因子值1202转换为多个平均功率因子值1206',其中每个平均功率因子值基于获得功率因子值和序列中前十九个获得功率因子值。以这种方式,每个平均功率因子值1206'仍然可以抑制获得功率因子值1202中的变化,但是有更多数量平均功率因子值1206'以供预测技术使用,从而提高预测技术的整体准确性。
图11的操作1100可以进一步包括基于多个获得诊断参数值来预测多个平均预测诊断参数值(框1104)。例如,多个预测诊断参数值可以使用机器学习模型或上述其他预测技术来确定。然后可以基于多个预测诊断参数值例如通过使用图12A和/或图12B的相同或类似的过程确定多个平均预测诊断参数值。
图11的操作1100可以进一步包括将平均预测诊断参数值与平均历史诊断参数值进行比较以获得多个平均误差值(框1106)并确定多个平均误差值的平均预测误差值(框1108),类似于上述关于图3和图7等所述的技术。
图11的操作1100的进一步应用由图13A至图14B的示例示出。图13A是示出对正常运行的变压器衬套随时间比较多个平均预测功率因子1302和多个平均实际功率因子1304的图表1300。在本实施例中,每个平均预测功率因子数据点1318表示100个预测功率因子样本的平均值(见图11的框1104),而每个平均实际功率因子数据点1320表示100个相应实际功率因子样本的平均值(见图11的框1102)。如图13B的图表1306所示,从多个平均预测功率因子1302与多个平均实际功率因子1304的比较获得平均误差值1308(见图11的框1106)。例如,如上面示例,图13B中的平均预测误差1310是针对多个平均误差值1308计算的(见图11的框1108)。在该示例中,平均预测误差1310是0.03%,这可以作为预期预测误差值1312以用于与对于正在激活使用中的变压器衬套的未来预测误差确定进行比较(见例如,图3)。如上所述,也可以根据需要使用不同的值,如第95百分位的值1314、第99百分位的值1316等。在本示例中,通过在确定平均误差值1308之前对预测和实际功率因子样本组进行平均,变压器衬套的观察行为的变化被进一步抑制,并且本示例中的预期预测误差从0.98%(见图5B,其没有采用本示例的移动平均技术)减少到0.03%。预期预测误差值1312,即基线值的这种减少增加了在监测现场设备时在预测误差中检测到增加的可能性,从而增加了检测到设备中异常行为的可能性。
类似的移动平均技术可用于预测诊断参数值和确定对于处于现场的设备的预测误差值(见例如,图7)。在这方面,图14A是示出对于处于现场中的变压器衬套随时间比较多个平均预测功率因子1402和多个平均实际功率因子1404的图表1400。在该示例中,用于对于图13A的正常运行的变压器衬套确定平均预测功率因子1302的经训练机器学习模型也被用来预测图14A中处于现场的变压器衬套的多个平均预测功率因子1402。对于该示例,多个平均实际功率因子1404随着时间呈现出线性增长1414。如图14B的图表1406所示,平均实际功率因子1404的这种线性增加1414也导致对应的误差值1408中的可测量增加1416,这导致平均预测误差值1410为0.9%,大约是为0.03%的预期预测误差值1312的30倍(如图14B所示)。如上所述,也可以根据需要使用不同的值,例如第95百分位的值1414,第99百分位的值1416等。
如上所述,虽然上述许多实施例涉及基于与电容、功率因子等有关的诊断参数确定绝缘部件(例如,高压衬套)的状态,但是应当理解,本文公开的实施例具有广泛应用范围。例如,影响基于电容的诊断参数的许多相同外界条件也可能影响用于检测和测量变压器和其他电气设备的其他方面的诊断参数,例如局部放电(PD)、油温和/或溶解气体分析(DGA)等。可从本文公开的实施例受益的其他类型电气设备可包括电路断路器以监测触点的状况(即,物理磨损)、气体泄漏、运行机制(例如,行程时间)等。
例如,与断路器行程时间监测有关的诊断参数可包括由电路断路器触点所承受的力,其可受许多外界条件的影响,例如电弧、绝缘气体特性(例如气体电负性、气体混合物)、负载电流、开关时刻、触点周围温度、六氟化硫或其他冷却气体中的空间电荷、触点之间的瞬时电势差、负载电流、负载类型(例如阻抗)等等。利用对于这些不同诊断参数的足够数量历史数据,这些和其他预测技术可以被训练或配置为检测部件状态和与预期状态的偏差,而不考虑外界条件对测量数据的程度或影响。
现在参考图15,示出了变压器监测系统1500的框图。本示例中的变压器监测系统1500被构造为执行根据一些实施例的操作,例如图2、图3、图7和/或图11等的操作。变压器监测系统1500的变压器监测装置30可以监测一个或多个变压器10A、10B。在一些实施例中,变压器监测装置30被集成在作为装置提供的变压器10A内并且可以被启用为仅监测变压器10A,而在其他实施例中,变压器监测装置30可以与变压器10A集成以监测变压器10A并且可选地还监测或接收来自邻近一个或多个电气设备(例如变压器10B或另一个电力或电流变压器或电路断路器)或连接的输送/分配线路的数据。在另一实施例中,变压器监测装置30与被监测的变压器10A、10B分开。
变压器监测装置30包括处理器电路34、联接至处理器电路的通信接口32以及联接至处理器电路34的存储器36。存储器36包括机器可读的计算机程序指令,该计算机程序指令当由处理器电路34执行时使得处理器电路34执行本文所描绘和描述的操作中的一些,例如图2、图3、图7、和/或图11的操作。
如图所示,变压器监测系统1500包括通信接口32(也被称为网络接口),其被配置为提供与其他装置的通信,例如,通过有线或无线通信通道14与变压器10A、10B中的传感器20的通信。变压器监测装置30可从传感器20接收指示变压器10A、10B的诊断参数的信号,例如与变压器10A、10B相关联的电压、电流、油温、环境温度等。
在本示例中,变压器监测装置30被描绘为通过通信通道14(例如,在服务器-客户端模型、基于云的平台、用于变电站的变电站自动化系统、用于电力系统管理的分配管理系统或其他网络设置中)与变压器10A、10B电路通信的独立监测装置。客户端-服务器配置的一个优点是,可以对于多个单独设备,例如变压器10A、10B获得监测和预测诊断参数。例如,对电力系统中一个电气设备的问题的诊断可包括基于不同电气设备的确定状态横跨不同电气设备重新分配负载。然而,也应该理解,在其他实施例中,如有需要,变压器监测装置30可以是变压器10A、10B或其他电气设备的一部分。
在服务器-客户端模型的另一实施例中,变压器监测系统可以具有与被监测的变压器相关联的装置(例如,客户端),其中,该装置包括机器学习模型、统计模型或其他预测工具,并且中央系统(例如,服务器)被配置为监测多个电气设备/变压器。该服务器还可以包括与变压器相关联的设备中所包括的机器学习模型或其他预测工具的实例。服务器中的机器学习模型或其他预测工具可以用从变压器或/和多个电气设备收到的数据连续地进行训练、调整、适应等,其中服务器提供信息/数据以调谐/适应服务器中的预测工具。服务器还可以能够执行模拟或高级处理以预报/模拟变压器中的状况(例如,基于由连接到变压器的装置或传感器可用的电容和/或功率因子数据而预报/模拟变压器衬套的故障或劣化),并将与这种确定有关的信息提供至连接到变压器的装置(例如,客户端)以通过该装置改变与变压器(或其他电气设备)相关联的至少一个参数(例如,冷却、输出、在线状态)。根据各种实施例,变压器监测装置30可以包括电子、计算和通信硬件和软件以用于测量和预测诊断参数值并执行与变压器相关联的至少一个活动。
变压器监测装置30还包括处理器电路34(也称为处理器)以及联接到处理器电路34的存储器电路36(也称为存储器)。根据其他实施例,处理器电路34可以被定义为包括存储器使得不需要单独存储器电路。
如本文所讨论的,变压器监测装置30的操作和变压器监测系统1500的其他方面可以由处理器电路34和/或通信接口32执行。例如,处理器电路34可以控制通信接口32以通过通信接口32向一个或多个其他装置传输通信和/或通过网络接口从一个或多个其他装置接收通信。此外,模块可以存储在存储器36中,且这些模块可以提供指令使得当模块的指令被处理器电路34执行时处理器电路34执行相应操作(例如,本文关于示例实施例讨论的操作)。例如,模块可以进一步被配置为获得诊断参数值、预测诊断参数值、确定预测误差值、以及确定电气设备的部件的状态和/或状况。
变压器10,其例如可以是高压变压器,包括传感器20,其测量与变压器10A、10B相关联的各种量,例如变压器10的各种部件的电压、电流、操作负载、环境温度、湿度和/或氧气含量,并且通过通信通道14将测量传输到变压器监测装置30。例如,传感器30在本示例中可被配置为获得与变压器10的衬套22或其他绝缘部件相关联的测量。变压器10还可以包括子系统,例如联接到电力线路28(例如,架空输电线路)的有源部件24、冷却系统26(例如,用于变压器或电抗器)等,其可以反过来由例如来自处理器电路34的指令或响应于该指令操作。
在该和其他示例中,为了简单说明,在变压器的背景下描述了本实施例,但是应当理解,许多其他类型的电气设备及其部件可以从本文所述的实施例受益,例如电抗器、输电线路、仪器用互感器、发电机等并且所有这些电气设备也应当被视为在本公开的范围内。
这些测量量可以由变压器监测装置30用于检测和/或确定变压器10A、10B的各种部件或子系统中存在的故障和/或变压器10的一般故障状况。通信通道14可以包括有线或无线链接,并且在一些实施例中可以包括无线局域网(WLAN)或蜂窝通信网络,例如4G或5G通信网络。
变压器监测系统1500可以接收来自变压器10A、10B的电压、电流、操作负载、温度、湿度、氧含量等的在线或离线测量并处理这些测量以执行本文所述的操作。变压器监测系统1500可以在服务器、服务器集群、基于云的远程服务器系统和/或独立装置中实施。传感器数据可由变压器监测系统1500从一个变压器和/或从多个变压器获得。
本文所述的变压器监测系统1500可以以许多不同的方式实施。例如,根据一些实施例的变压器监测系统1500可以接收在线/离线数据,并且所接收的数据被各种实施例中描述的机器学习或其他预测技术使用。该装置可连接到一个或多个变压器10以接收诊断参数值和/或其他类型的测量数据。
在对本发明概念的各种实施例的上述描述中,应理解,本文使用的术语仅用于描述特定实施例并且不打算对本发明概念进行限制。除非另有定义,本文使用的所有术语(包括技术和科学术语)与本发明概念所属行业的普通技术人员通常理解的含义相同。将进一步理解,术语,例如那些在常用字典中定义的术语,应被解释为具有与其在本说明书和相关技术中的含义相一致的含义。
当元件被称为“连接”、“联接”、“响应”或其变体至另一个元件时,其可以直接连接、联接或响应于另一元件或者可以存在中间元件。相反,当元件被称为“直接连接”、“直接联接”、“直接响应”或其变体到另一元件时,没有中间元件存在。类似的数字在全文中表示类似元件。此外,本文所用的“联接”、“连接”、“响应”或其变体可以包括无线联接、连接或响应。如本文所使用的单数形式“一”、“一个”和“所述”也旨在包括复数形式,除非上下文明确指出。为了简洁和/或清晰起见,可以不详细描述众所周知的功能或结构。术语“和/或”包括一个或多个相关所列的项目的任何和所有组合。短语“A和B中的至少一个”意味着“A或B”或“A和B”。
将理解,尽管术语第一、第二、第三等在此可用于描述各种元件/操作,但这些元件/操作不应受到这些术语的限制。这些术语只是用来区分一个元件/操作与另一元件/操作。因此,在一些实施例中的第一元件/操作可以被称为其他实施例中的第二元件/操作,而不偏离本发明概念的教导。相同的参考数字或相同的参考代号表示整个说明书中相同或类似元件。
如本文所用,术语“包括”、“包含”、“含有”、“具有”、“有”、“囊括”或其变体是开放式的,并且包括一个或多个所述特征、整数、元件、步骤、部件或功能,但不排除存在或添加一个或多个其他特征、整数、元件、步骤、部件、功能或其组。
本文参照计算机实施的方法、设备(系统和/或装置)和/或计算机程序产品的框图和/或流程图说明来描述示例性实施例。可以理解,框图和/或流程图说明中的框以及框图和/或流程图说明中的框的组合可以通过计算机程序指令来实现,这些指令由一个或多个计算机电路执行。这些计算机程序指令可以提供给通用计算机电路、专用计算机电路和/或其他可编程数据处理电路的处理器电路以产生机器,使得通过计算机和/或其他可编程数据处理装置的处理器执行的指令转变和控制晶体管、存储在存储器位置的值以及这种电路内的其他硬件部件以实现框图和/或流程图框中指定的功能/行为,从而产生用于实现框图和/或流程图框中指定的功能/行为的装置(功能)和/或结构。
这些计算机程序指令也可以存储在有形的计算机可读介质中,该介质可以指示计算机或其他可编程数据处理装置以特定方式运行,使得存储在计算机可读介质中的指令产生制造物,其包括实现框图和/或一个或多个流程框图中指定的功能/行为的指令。因此,本发明概念的实施例可体现在硬件和/或在诸如数字信号处理器的处理器上运行的软件(包括固件、驻留软件、微代码等)中,其可统称为“电路”、“模块”或其变型。
还应当注意,在一些替代实施例中,在框中注意到的功能/行为可能不按流程图中所示的顺序发生。例如,连续示出的两个框实际上可能基本同时执行,或者这些框有时可能根据所涉及的功能/行为而以相反顺序执行。此外,流程图和/或框图中的给定框的功能可以被分成多个框、和/或流程图和/或框图的两个或更多个框的功能可以至少部分地集成。最后,在图示的框之间可以添加/插入其他框,和/或可以省略框/操作而不偏离本发明概念的范围。此外,尽管一些图包括通信路径上的箭头以显示通信的主要方向,但应理解,通信可能以与描述的箭头相反的方向发生。
可以对实施例进行许多变化和修改,而不严重脱离本发明概念的原则。所有这种变化和修改都旨在包括在本发明概念的范围内。因此,上述公开的主题应被视为说明性的,而不是限制性的,实施例旨在涵盖所有这种修改、增强和其他实施例,这些都落入本发明概念的精神和范围内。因此,在法律允许的最大范围内,本发明概念的范围将由对包括实施例及其等同物的本公开内容的最广泛允许解释来确定并且不应受到上述详细描述的限制或限定。
Claims (22)
1.一种方法,包括:
通过处理器电路,对于电气设备的至少一个部件在预定时间段上的多个预测诊断参数值确定预测误差值,所述预测误差值抑制在所述至少一个部件的行为中观察到的外界变化;
将所确定的预测误差值与预期预测误差值进行比较;以及
通过所述处理器电路,基于所述比较选择性地生成所述至少一个部件的状态的指示。
2.根据权利要求1所述的方法,其中,所述至少一个部件包括所述电气设备的绝缘部件,并且
其中,所述多个预测诊断参数值包括多个预测绝缘诊断参数值。
3.根据权利要求2所述的方法,其中,所述多个预测绝缘诊断参数值包括多个以下各项中的至少一者:所述至少一个绝缘部件的预测电容值、预测电容电流值、预测耗散因子值、和预测功率因子值。
4.根据权利要求2所述的方法,其中,所述电气设备包括变压器,并且
其中,所述至少一个部件包括所述变压器的高压衬套。
5.根据权利要求1所述的方法,其中,在所述至少一个部件的行为中观察到的经抑制的变化包括由于外界条件导致的变化。
6.根据权利要求5所述的方法,其中,由于外界条件导致的所述变化包括由于环境条件、噪声、振动和特定原因变化中的至少一者导致的变化。
7.根据权利要求1所述的方法,其中,确定所述预测误差值还包括以下各项中的至少一者:
通过所述处理器电路,对于所述多个预测诊断参数值预测至少一个误差值;
确定在所述至少一个部件的行为中观察到的由于外界条件导致的所述至少一个误差值的变化;以及
基于所述至少一个误差值和所确定的变化,生成所述预测误差值。
8.根据权利要求1所述的方法,其中,确定所述预测误差值还包括:
基于已获得的诊断参数值,预测在所述预定时间段的多个相应时刻的多个预测诊断参数值;以及
基于在所述相应时刻的多个预测诊断参数值与在所述相应时刻获得的多个实际诊断参数值的比较确定多个误差值,其中,所述预测误差值包括所述多个误差值的平均误差值。
9.根据权利要求8所述的方法,其中,所述多个实际诊断参数值从与所述至少一个部件相关联的装置生成的参数值数据流获得。
10.根据权利要求8所述的方法,其中,所述多个时刻包括所述预定时间段的至少100个时刻。
11.根据权利要求1所述的方法,其中,所述多个预测诊断参数值与所述至少一个部件的预期行为相关联,并且,
其中,所述预测误差值指示所述至少一个部件的观察到的行为与所述至少一个部件的所述预期行为的偏差。
12.根据权利要求1所述的方法,其中,所述预期预测误差值是基于多个先前预测的诊断参数值和对应的多个先前获得的诊断参数值的比较确定的。
13.根据权利要求1所述的方法,其中,所述多个预测诊断参数值是基于多个先前获得的诊断参数值中的预定数量的诊断参数值和所述多个先前获得的诊断参数值中的至少一个后续参数值之间确定的多个关系确定的。
14.根据权利要求13所述的方法,其中,所述多个先前获得的诊断参数值是从与所述至少一个部件不同的部件获得的。
15.根据权利要求1所述的方法,其中,所述多个预测诊断参数值是基于机器学习模型和统计模型中的至少一者确定的。
16.根据权利要求1所述的方法,其中,所述预期预测误差值是基于机器学习模型和统计模型中的至少一者确定的。
17.根据权利要求1所述的方法,其中,选择性地生成所述指示还包括:
通过所述处理器电路,确定所述预测误差值是否满足预定预测误差阈值,所述预定预测误差阈值是基于所述预期预测误差值的;以及
响应于所述预测误差值满足所述预定预测误差阈值,生成第一警报指示。
18.根据权利要求17所述的方法,其中,选择性地生成所述指示还包括响应于所述预测误差值不满足所述预定预测误差阈值,生成第二警报指示。
19.一种绝缘诊断系统,包括:
处理器电路;以及
存储器,所述存储器包括机器可读指令,所述机器可读指令在由所述处理器电路执行时使所述处理器电路:
对于电气设备的至少一个部件,确定预定时间段上的多个预测诊断参数值;
从所述至少一个部件获得预定时间段上的多个实际诊断参数值;
基于所述多个预测诊断参数值和所述多个实际参数值,确定预测误差值,所述预测误差值抑制在所述至少一个部件的行为中观察到的外界变化;
将所确定的预测误差值与预期预测误差值进行比较;以及
基于所述比较,选择性地将所述至少一个部件的状态的指示传输至所述电气设备。
20.根据权利要求19所述的系统,其中,所述至少一个部件包括所述电气设备的绝缘部件,
其中,所述多个预测诊断参数值包括多个预测绝缘诊断参数值,以及
其中,所述多个实际诊断参数值包括多个实际绝缘诊断参数值。
21.根据权利要求20所述的系统,其中,所述多个预测绝缘诊断参数值包括多个以下各项中的至少一者:所述至少一个绝缘部件的预测电容值、预测电容电流值、预测耗散因子值、和预测功率因子值;并且
其中,所述多个实际绝缘诊断参数值指示多个以下各项中的至少一者:所述至少一个绝缘部件的实际电容值、实际电容电流值、实际耗散因子、和实际功率因子。
22.根据权利要求19所述的系统,其中,在所述至少一个部件的行为中观察到的所述变化包括由于外界条件导致的变化。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2021/059352 WO2022214201A1 (en) | 2021-04-09 | 2021-04-09 | Determining states of electrical equipment using variations in diagnostic parameter prediction error |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116057397A true CN116057397A (zh) | 2023-05-02 |
Family
ID=75539308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180061775.8A Pending CN116057397A (zh) | 2021-04-09 | 2021-04-09 | 利用诊断参数预测误差中的变化确定电气设备的状态 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230273269A1 (zh) |
EP (1) | EP4193158A1 (zh) |
JP (1) | JP2023547017A (zh) |
KR (1) | KR20230061480A (zh) |
CN (1) | CN116057397A (zh) |
CA (1) | CA3192512A1 (zh) |
WO (1) | WO2022214201A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3650872B1 (en) * | 2018-11-08 | 2021-06-09 | ABB Power Grids Switzerland AG | Relative bushing parameter method to avoid temperature influence in transformer absolute bushing parameter monitoring |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170046458A1 (en) * | 2006-02-14 | 2017-02-16 | Power Analytics Corporation | Systems and methods for real-time dc microgrid power analytics for mission-critical power systems |
FR2981474B1 (fr) * | 2011-10-17 | 2013-12-27 | Alstom Technology Ltd | Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de detection preventive d'une panne d'un appareil |
CN106605150A (zh) * | 2014-04-15 | 2017-04-26 | Abb瑞士股份有限公司 | 使用端子测量的变压器参数估计 |
EP3370073B1 (en) * | 2017-03-01 | 2020-04-29 | ABB Power Grids Switzerland AG | Method and device for determining capacitive component parameters |
CN109030790A (zh) * | 2018-08-21 | 2018-12-18 | 华北电力大学(保定) | 一种电力变压器故障诊断方法和装置 |
US20200293032A1 (en) * | 2019-03-13 | 2020-09-17 | General Electric Company | Extremely fast substation asset monitoring system and method |
JP7279445B2 (ja) * | 2019-03-20 | 2023-05-23 | 富士通株式会社 | 予測方法、予測プログラムおよび情報処理装置 |
KR102084147B1 (ko) * | 2019-05-24 | 2020-03-04 | (주)엔텍시스템 | 전기실의 온라인 진단시스템 |
CN111797566A (zh) * | 2020-05-27 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种表征变压器健康状态的关键特征量确定方法和系统 |
CN111814390B (zh) * | 2020-06-18 | 2023-07-28 | 三峡大学 | 基于传递熵和小波神经网络的电压互感器误差预测方法 |
-
2021
- 2021-04-09 EP EP21719081.8A patent/EP4193158A1/en active Pending
- 2021-04-09 CN CN202180061775.8A patent/CN116057397A/zh active Pending
- 2021-04-09 US US18/023,224 patent/US20230273269A1/en active Pending
- 2021-04-09 KR KR1020237011225A patent/KR20230061480A/ko unknown
- 2021-04-09 WO PCT/EP2021/059352 patent/WO2022214201A1/en active Application Filing
- 2021-04-09 CA CA3192512A patent/CA3192512A1/en active Pending
- 2021-04-09 JP JP2023513494A patent/JP2023547017A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2023547017A (ja) | 2023-11-09 |
US20230273269A1 (en) | 2023-08-31 |
CA3192512A1 (en) | 2022-10-13 |
WO2022214201A1 (en) | 2022-10-13 |
KR20230061480A (ko) | 2023-05-08 |
EP4193158A1 (en) | 2023-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Žarković et al. | Analysis of artificial intelligence expert systems for power transformer condition monitoring and diagnostics | |
US10001518B2 (en) | System and method for power transmission and distribution asset condition prediction and diagnosis | |
CN107315138B (zh) | 功率mosfet的故障预测和健康处理方法及测试系统 | |
CN111929514B (zh) | 一种电气元器件可靠性评价及寿命预测方法 | |
US7912669B2 (en) | Prognosis of faults in electronic circuits | |
CN111239515A (zh) | 电力设备载流故障预测方法及系统 | |
Zhang et al. | Evaluating the metering error of electronic transformers on-line based on vn-mwpca | |
Zhan et al. | Development of a low-cost self-diagnostic module for oil-immerse forced-air cooling transformers | |
CN116057397A (zh) | 利用诊断参数预测误差中的变化确定电气设备的状态 | |
CN109933883B (zh) | 一种基于多元线性回归的阻性电流增长率计算方法 | |
Feizifar et al. | Condition monitoring of circuit breakers: Current status and future trends | |
Shutenko et al. | Analysis of air-tight high-voltage bushing insulation parameter dynamics under various conditions during long-term operation | |
CN111025144A (zh) | 一种高压断路器健康水平预警方法 | |
Aizpurua et al. | Towards a hybrid power cable health index for medium voltage power cable condition monitoring | |
Bindi et al. | Applications of machine learning techniques for the monitoring of Electrical transmission and distribution lines | |
KR102309979B1 (ko) | 전력설비의 자산관리 방법 | |
CN114580973A (zh) | 一种变压器生产过程的质量监测方法及系统 | |
JP5018474B2 (ja) | 半導体デバイス試験装置及び半導体デバイス試験方法 | |
Roizman et al. | Neuro-fuzzy computing for large power transformers monitoring and diagnostics | |
Pickster | Determination of probability of failure of power transformers using statistical analysis | |
EP4235199B1 (en) | Assessing performance or state or load condition of a battery storage | |
CN117406048B (zh) | 一种变压器放电故障诊断方法及装置 | |
CN111521876B (zh) | 一种容性设备在线监测方法和装置 | |
Santillan et al. | Time-series Prediction of Busbar Temperature Rise based on LSTM Neural Network | |
Ding et al. | On-line transformer winding's fault monitoring and condition assessment |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240117 Address after: Zurich, SUI Applicant after: Hitachi Energy Co.,Ltd. Address before: Swiss Baden Applicant before: Hitachi energy Switzerland AG |
|
TA01 | Transfer of patent application right |