CN116071036A - 一种变压器温度状态评价方法、设备和介质 - Google Patents
一种变压器温度状态评价方法、设备和介质 Download PDFInfo
- Publication number
- CN116071036A CN116071036A CN202211239586.8A CN202211239586A CN116071036A CN 116071036 A CN116071036 A CN 116071036A CN 202211239586 A CN202211239586 A CN 202211239586A CN 116071036 A CN116071036 A CN 116071036A
- Authority
- CN
- China
- Prior art keywords
- transformer
- temperature
- data
- state evaluation
- state
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Housings And Mounting Of Transformers (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种变压器温度状态评价方法、设备和介质,获取变压器运行温度数据,对变压器运行温度数据进行预处理,提取样本标签,将样本标签划分为训练集和测试集,构建变压器状态评价模型,通过反向传播算法更新变压器状态评价模型中每层神经的局部梯度,进行多轮迭代训练变压器状态评价模型参数提高变压器状态评价模型的精度,提高对变压器状态评价的准确性和可靠性,将测试集输入训练好的变压器状态评价模型中,对变压器运行状态进行评价,根据变压器运行状态对变压器缺陷类别进行评估,通过对变压器进行诊断,获取变压器缺陷类别,能够对变压器状态进行直观观测,实现高精度、数字化、实时性的感知一次设备运行工况,为状态检修提供依据。
Description
技术领域
本发明涉及变压器技术领域,具体涉及一种变压器温度状态评价方法、设备和介质。
背景技术
变压器是电力系统中不可或缺的组成部分之一,其运行可靠性对电力系统安全可靠运行关系极大;现在的变压器主要还是油浸式变压器,变压器中的油一方面起着绝缘的作用,使得变压器的铁芯、绕组、绝缘套管、分接开关、油箱之间起着相互绝缘的作用,另一方面起着冷却的作用,通过热对流循环方式保证变压器各个部分之间稳定工作;油温变高会引起变压器绝缘下降,油质变坏,增加变压器工作异常的概率,所以需要对变压器的油温进行测量,并根据油温的变化,设置报警点和启动风机进行冷却。目前主变压器油温监测评价主要存在以下问题:
(1)无法判断变压器运行温度是否正常
变压器油面温度主要受环境温度和运行负荷的影响,然而目前没有方法知道同种类型变压器在不同环境温度和运行负荷下的正常温度,也就无法判断变压器当前运行温度是否正常;
(2)评价方法单一笼统
目前的变压器运行规范规定,变压器油面温度高于85℃时告警、高于95℃时跳闸,适用于所有在运的变压器。然而不同型号的变压器在制造工艺和材料上不同,对高温的耐受能力不尽相同,笼统的评价不利于变压器运行安全;
(3)无法通过温度数据为状态检修提供依据
由于无法判断变压器运行温度是否正常,也就不能通过温度数据对变压器进行缺陷定级,所以只能采用周期停电预试的方式进行检修,造成大量检修资源浪费,降低优质服务水平。
国家电网公司正在数字化转型的阶段,高精度、数字化、实时性的感知一次设备运行工况是电网监控设备未来发展的方向,电网检修也将从停电检修模式向状态检修模式转变。,因此急需一种变压器运行温度评价方法,可针对不同类型的变压器单独制定评价依据和缺陷定级标准,指导开展变压器状态检修。
发明内容
本发明所要解决的技术问题是现有技术不能对变压器运行温度做出准确的状态评价,目的在于提供一种变压器温度状态评价方法、设备和介质,可以提高设备状态评价能力,通过构建变压器状态评价模型,通过反向传播算法更新变压器状态评价模型中每层神经的局部梯度,进行多轮迭代训练变压器状态评价模型参数,训练后的变压器状态评价模型根据变压器相对温差指标评价变压器运行状态,实现缺陷定级。
本发明通过下述技术方案实现:
本发明第一方面提供一种变压器温度状态评价方法,包括以下具体步骤:
S1、获取变压器运行温度数据,对变压器运行温度数据进行预处理,提取样本标签,将样本标签中的历史运行温度数据划分为训练集,实时运行温度数据划分测试集;
S2、构建变压器状态评价模型,将训练集输入到变压器状态评价模型中,通过反向传播算法更新变压器状态评价模型中每层神经的局部梯度,进行多轮迭代训练变压器状态评价模型参数;
S3、将测试集输入训练好的变压器状态评价模型中,输出变压器运行状态,根据变压器运行状态对变压器缺陷类别进行评估。
本发明通过获取变压器运行温度数据,对变压器运行温度数据进行预处理,提取样本标签,将样本标签中的历史运行温度数据划分为训练集,实时运行温度数据划分测试集,构建变压器状态评价模型,通过反向传播算法更新变压器状态评价模型中每层神经的局部梯度,进行多轮迭代训练变压器状态评价模型参数提高变压器状态评价模型的精度,提高对变压器状态评价的准确性和可靠性,将测试集输入训练好的变压器状态评价模型中,输出变压器运行状态参数,根据变压器运行状态参数对变压器缺陷类别进行评估,能够对变压器状态进行直观观测,实现高精度、数字化、实时性的感知一次设备运行工况,为状态检修提供依据。
进一步的,所述变压器运行温度数据包括:变压器运行环境温度、CT电流、变压器油面温度和绕组温度历史数据,所述训练集数据为状态评价前365天样本数据,测试集数据为状态评价当天的数据。
进一步的,所述变压器运行状态包括正常状态、异常状态,所述异常状态包括紧急缺陷、严重缺陷和一般缺陷。
进一步的,所述输出变压器运行状态包括:
根据变压器运行温度数据确定变压器油温数据预测值;
根据变压器实时油温数据和变压器油温预测值确定历史相对温差。
进一步的,历史相对温差计算公式为:
τ1和T1——实时变压器油温温升和温度;
τ2和T2——预测变压器油温温升和温度;
T0——实时变压器区域环境温度。
进一步的,所述根据变压器运行状态对变压器缺陷类别进行评估具体包括:
获取历史相对温差和当前变压器油温,获取变压器缺陷类别和变压器缺陷类别分类评分标准,对变压器缺陷类别进行评估:
所述变压器缺陷类别包括紧急缺陷、严重缺陷和一般缺陷;
所述变压器缺陷类别分类评估标准为:
紧急缺陷:δ≥25%且变压器实时油温>85℃;
严重缺陷:10%<δ<25%且变压器实时油温>85℃;
一般缺陷:δ≥25%且变压器油温≤85℃。
进一步的,所述S2具体包括:
S21、根据变压器运行温度数据预处理数据进入每层神经元的输入信号和输出信号;
S22、确定每层神经元的输入信号和输出信号的均方误差;
S23、根据历史数据获取最小误差和初始权值,将均方误差与最小误差进行比较:
若均方误差不大于最小误差,则输出变压器运行状态;
若均方误差大于最小误差,则通过反向传播算法反向计算变压器状态评价模型中每层神经的局部梯度,获取权值修正量,对权值进行修正,执行步骤S21。
进一步的,还包括:当训练次数达到预先设定值时,状态评价模型训练完成,将测试数据输入训练完成后的模型,输出变压器油温预测值、相对温差,从而对变压器缺陷类别进行评估。
本发明第二方面提供一种计算机可读存储介质,一种电子设备,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计算机程序,所述处理器执行所述程序时用于实现一种变压器温度状态评价方法。
本发明第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时用于实现一种变压器温度状态评价方法。
本发明与现有技术相比,具有如下的优点和有益效果:
1.通过构建变压器状态评价模型输出变压器运行状态,可以得到变压器标准运行温度曲线,判断当前运行温度是否正常;
2.通过反向传播算法更新变压器状态评价模型中每层神经的局部梯度,进行多轮迭代训练变压器状态评价模型参数,提高对变压器状态评价的准确性和可靠性;
3.针对不同类型的变压器拟合独有的标准温度曲线,状态评价更加精准,有利于掌握设备运行工况;
4.建立变压器运行温度缺陷评价标准,通过温度数据对变压器进行缺陷定级,指导开展状态检修,避免资源浪费,提高优质服务水平。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。在附图中:
图1为本发明实施例中的变压器温度状态评价方法流程图;
图2为本发明实施例中的模型状态评价流程图;
图3为本发明实施例中的样本数据表格图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1所示,本发明第一方面提供一种变压器温度状态评价方法,包括以下具体步骤:
S1、获取变压器运行温度数据,对变压器运行温度数据进行预处理,提取样本标签,将样本标签中的历史运行温度数据划分为训练集,实时运行温度数据划分测试集;
S2、构建变压器状态评价模型,将训练集输入到变压器状态评价模型中,通过反向传播算法更新变压器状态评价模型中每层神经的局部梯度,进行多轮迭代训练变压器状态评价模型参数;
S3、将测试集输入训练好的变压器状态评价模型中,输出变压器运行状态,根据变压器运行状态对变压器缺陷类别进行评估。
通过获取变压器运行温度数据,对变压器运行温度数据进行预处理,提取样本标签,将样本标签中的历史运行温度数据划分为训练集,实时运行温度数据划分测试集,构建变压器状态评价模型,通过反向传播算法更新变压器状态评价模型中每层神经的局部梯度,进行多轮迭代训练变压器状态评价模型参数提高变压器状态评价模型的精度,提高对变压器状态评价的准确性和可靠性,将测试集输入训练好的变压器状态评价模型中,对变压器运行状态进行评价,根据变压器运行状态对变压器缺陷类别进行评估,通过对变压器进行诊断,获取变压器缺陷类别,能够对变压器状态进行直观观测,实现高精度、数字化、实时性的感知一次设备运行工况,为状态检修提供依据。
在一些可能的实施例中,训练集数据为状态评价前365天的历史样本数据,测试集为状态评价当天的实时样本数据。
在一些可能的实施例中,变压器运行温度数据包括:变压器运行环境温度、CT电流、变压器油面温度和绕组温度历史数据。
在一些可能的实施例中,变压器运行状态包括正常状态、异常状态。
在一些可能的实施例中,输出变压器运行状态包括:
根据变压器运行温度数据确定变压器油温数据预测值;
根据变压器实时油温数据和变压器油温预测值确定历史相对温差。
根据变压器实时油温数据确定变压器运行状态。
在一些可能的实施例中,历史相对温差计算公式为:
τ1和T1——实时变压器油温温升和温度;
τ2和T2——预测变压器油温温升和温度;
T0——实时变压器区域环境温度。
在一些可能的实施例中,根据变压器运行状态对变压器缺陷类别进行评估具体包括:
获取历史相对温差和当前变压器油温,获取变压器缺陷类别和变压器缺陷类别分类评分标准,对变压器缺陷类别进行评估:
变压器缺陷类别包括紧急缺陷、严重缺陷和一般缺陷;
变压器缺陷类别分类评估标准为:
紧急缺陷:δ≥25%且变压器实时油温>85℃;
严重缺陷:10%<δ<25%且变压器实时油温>85℃;
一般缺陷:δ≥25%且变压器油温≤85℃。
通过历史相对温差和当前变压器油温对缺陷进行评估,保证评估的准确性。
在一些可能的实施例中,S2具体包括:
S21、根据变压器运行温度数据预处理数据进入每层神经元的输入信号和输出信号;
S22、确定每层神经元的输入信号和输出信号的均方误差;
S23、根据历史数据获取最小误差和初始权值,将均方误差与最小误差进行比较:
若均方误差不大于最小误差,则输出变压器运行状态;
若均方误差大于最小误差,则通过反向传播算法反向计算变压器状态评价模型中每层神经的局部梯度,获取权值修正量,对权值进行修正,执行步骤S21。通过对每层神经元的输入信号和输出信号的均方误差进行计算,保证误差判别过程的准确度和精确度,以提高监测精度。
在一些可能的实施例中,还包括:当训练次数达到预先设定值时,状态评价模型训练完成,将测试数据输入训练完成后的模型,输出变压器油温预测值、相对温差,从而对变压器缺陷类别进行评估。
本实施例第二方面提供一种计算机可读存储介质,一种电子设备,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计算机程序,处理器执行程序时用于实现一种变压器温度状态评价方法。
本实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时用于实现一种变压器温度状态评价方法。
如图2所述,首先对主变运行温度数据进行预处理,然后将主元成分(环境温度、负荷电流)作为神经网络的输入样本集,并根据所设定的主变运行温度状态评价标准完成对主变运行温度的状态评价,使用均方误差作为其误差传播算法的性能指标,当输入样本集通过网络输入层输入到网络后,网络的实际输出结果会与期望输出进行比较,网络根据实际输出值与期望响应值间的均方误差减小的方向进行权值的调整。样本集输入到网络之后,网络进行相应的训练,训练过程中,首先选取样本集中的样本数据进行训练,当均方误差大于最小误差时,进行本次样本数据的权值修正后继续训练,当网络的均方误差等于或小于最小误差或权值修正次数达到设定阈值时,结束对该次样本数据的训练,从而继续下一次样本数据训练,当训练次数K达到预先设定值时,状态评价模型训练完成,将测试数据输入训练完成后的模型,输出变压器油温预测值、相对温差,从而对变压器缺陷类别进行评估。
如图3所示,为使本发明的技术方案更加清楚明白,下面结合实施例,对本发明作进一步的详细说明。
(1)数据选取
选取电网最常用的SFSZ10-180000/220、SZ11-63000/110型主变运行参数作为模型的数据样本集,且因为变压器发生异常和故障状况的时间无明显规律,为获取更多运行状态的相关数据,本文采取在某110kV变电站主变相关参数正常的情况下,从国网公司D5000系统上获取每天14:00时刻的变压器油面温度、负荷电流,从当地历史天气记录中获取环境温度,连续记录一年365天数据形成训练样本集。再从D5000上提取主变参数不正常的情况下形成故障样本集。
(2)基于BP神经网络的变压器运行状态评价
先通过训练样本集训练完毕建立模型,再进行模型准确性测试,即通过模型判断故障数据集的故障类型,准确率达到90%以上证明模型有效。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种变压器温度状态评价方法,其特征在于,包括以下具体步骤:
S1、获取变压器运行温度数据,对变压器运行温度数据进行预处理,提取样本标签,将样本标签中的历史运行温度数据划分为训练集,实时运行温度数据划分测试集;
S2、构建变压器状态评价模型,将训练集输入到变压器状态评价模型中,通过反向传播算法更新变压器状态评价模型中每层神经的局部梯度,进行多轮迭代训练变压器状态评价模型参数;
S3、将实时数据输入训练好的变压器状态评价模型中,输出变压器运行状态参数,根据变压器运行状态参数对变压器缺陷类别进行评估。
2.根据权利要求1所述的变压器温度状态评价方法,其特征在于,所述变压器运行温度数据包括:变压器运行环境温度、CT电流、变压器油面温度和绕组温度历史数据,所述训练集数据为状态评价前365天样本数据,测试集数据为状态评价当天的数据。
3.根据权利要求1所述的变压器温度状态评价方法,其特征在于,所述变压器缺陷类别包括正常状态、异常状态,所述异常状态包括紧急缺陷、严重缺陷和一般缺陷。
4.根据权利要求1所述的变压器温度状态评价方法,其特征在于,所述变压器运行状态参数包括:
根据变压器运行温度数据确定变压器油温数据预测值;
根据变压器实时油温数据和变压器油温预测值确定历史相对温差。
6.根据权利要求1所述的变压器温度状态评价方法,其特征在于,所述根据变压器运行状态对变压器缺陷类别进行评估具体包括:
获取历史相对温差和当前变压器油温,获取变压器缺陷类别和变压器缺陷类别分类评分标准,对变压器缺陷类别进行评估:
所述变压器缺陷类别包括紧急缺陷、严重缺陷和一般缺陷;
所述变压器缺陷类别分类评估标准为:
紧急缺陷:δ≥25%且变压器实时油温>85℃;
严重缺陷:10%<δ<25%且变压器实时油温>85℃;
一般缺陷:δ≥25%且变压器油温≤85℃。
7.根据权利要求1所述的变压器温度状态评价方法,其特征在于,所述S2具体包括:
S21、根据变压器运行温度数据预处理数据进入每层神经元的输入信号和输出信号;
S22、确定每层神经元的输入信号和输出信号的均方误差;
S23、根据历史数据获取最小误差和初始权值,将均方误差与最小误差进行比较:
若均方误差不大于最小误差,则此次参数训练完成;
若均方误差大于最小误差,则通过反向传播算法反向计算变压器状态评价模型中每层神经的局部梯度,获取权值修正量,对权值进行修正,执行步骤S21。
8.根据权利要求7所述的变压器温度状态评价方法,其特征在于,还包括:当训练次数达到预先设定值时,状态评价模型训练完成,将测试数据输入训练完成后的模型,输出变压器油温预测值、相对温差,从而对变压器缺陷类别进行评估。
9.一种电子设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述的一种变压器温度状态评价方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8任一项所述的一种变压器温度状态评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239586.8A CN116071036A (zh) | 2022-10-11 | 2022-10-11 | 一种变压器温度状态评价方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239586.8A CN116071036A (zh) | 2022-10-11 | 2022-10-11 | 一种变压器温度状态评价方法、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071036A true CN116071036A (zh) | 2023-05-05 |
Family
ID=86168889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211239586.8A Pending CN116071036A (zh) | 2022-10-11 | 2022-10-11 | 一种变压器温度状态评价方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216673A (zh) * | 2023-11-08 | 2023-12-12 | 国网江西省电力有限公司电力科学研究院 | 一种电流互感器监测评价检修平台 |
-
2022
- 2022-10-11 CN CN202211239586.8A patent/CN116071036A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216673A (zh) * | 2023-11-08 | 2023-12-12 | 国网江西省电力有限公司电力科学研究院 | 一种电流互感器监测评价检修平台 |
CN117216673B (zh) * | 2023-11-08 | 2024-03-12 | 国网江西省电力有限公司电力科学研究院 | 一种电流互感器监测评价检修平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | State evaluation of power transformer based on digital twin | |
CN110940374A (zh) | 基于大数据融合的变压器健康等级评价系统及方法 | |
CN114460445B (zh) | 考虑老化阈值与寿命的变压器老化不可用率评估方法 | |
Liu et al. | Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance | |
CN110287543B (zh) | 一种继电保护装置寿命预测方法 | |
CN104992377A (zh) | 一种基于服役年龄和负荷水平的变压器可靠性分析方法 | |
CN116071036A (zh) | 一种变压器温度状态评价方法、设备和介质 | |
CN115640895A (zh) | 一种变压器故障预测方法、装置及电子设备 | |
Awadallah et al. | Probabilistic indicators for assessing age-and loading-based criticality of transformers to cascading failure events | |
CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
Kari et al. | Condition assessment of power transformer using fuzzy and evidential theory | |
CN115864310A (zh) | 一种多参量融合电力变压器缺陷辨识、状态分级与主动安全保护方法 | |
CN116862478A (zh) | 基于分层架构与动态赋权的变压器健康评估方法 | |
Davidenko et al. | Analysis of the modern methods of the power transformers health index calculation | |
CN114692787B (zh) | 基于多源数据的三绕组主变压器事件分析处理方法和系统 | |
CN114400776B (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
CN115935135A (zh) | 一种特高压换流变压器顶层油温预测方法及存储介质 | |
CN115600879A (zh) | 一种断路器异常预警方法、系统及相关装置 | |
CN113406537B (zh) | 一种电力设备故障程度的定量评估方法 | |
CN114186802A (zh) | 一种变压器故障状态评估方法、系统、介质及设备 | |
CN110927488B (zh) | 一种基于隶属度函数的变压器运行状态监测方法 | |
CN117743815B (zh) | 一种断路器多路振动传感器信号优选方法及系统 | |
CN111915052B (zh) | 一种模拟量测值智能预测算法的自适应测试方法 | |
Qin et al. | Substation decision-making platform based on artificial intelligence | |
CN117723878A (zh) | 一种配电网干式变压器故障预警装置及方法 |
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 |