CN116413541A - 一种基于数字孪生和闭环寻优的变压器状态感知方法 - Google Patents

一种基于数字孪生和闭环寻优的变压器状态感知方法 Download PDF

Info

Publication number
CN116413541A
CN116413541A CN202310326575.1A CN202310326575A CN116413541A CN 116413541 A CN116413541 A CN 116413541A CN 202310326575 A CN202310326575 A CN 202310326575A CN 116413541 A CN116413541 A CN 116413541A
Authority
CN
China
Prior art keywords
transformer
temperature
shell
thermal resistance
parameters
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
Application number
CN202310326575.1A
Other languages
English (en)
Inventor
郭焕辉
王志强
王涛
周晋涛
王之飞
李德金
张波
吴延明
韩丙光
张兆斌
李栋伦
徐立千
高林
张敏
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.)
Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Dezhou Power Supply Co of State Grid Shandong Electric Power 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 Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202310326575.1A priority Critical patent/CN116413541A/zh
Publication of CN116413541A publication Critical patent/CN116413541A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G01R31/003—Environmental or reliability tests
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • 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
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明提供了一种基于数字孪生和闭环寻优的变压器状态感知方法，包括以下步骤：采集变压器电气应力，通过采集的变压器电气应力计算变压器初始损耗，根据变压器初始损耗和变压器结构参数，建立温度模型，进行变压器内部空间温度测算，得到变压器芯温和外壳温度；采集变压器外壳温度，计算采集的变压器外壳温度与计算得到的外壳温度的温差，调整损耗模型和温度模型的参数，直至温差小于百分之二；输出变压器热阻、热点温度；通过热阻、热点温度判断变压器老化状态和剩余寿命，实现变压器的精准运维和寿命周期管理。本发明具有实时性强，精度高，能够实现参数自适应更新的特性，能够实现精准运维和寿命周期可靠性管理。

Description

一种基于数字孪生和闭环寻优的变压器状态感知方法
技术领域
本发明涉及一种基于数字孪生和闭环寻优的变压器状态感知方法，属于电力变压器技术领域。
背景技术
数字孪生技术是最早由美国NASA航天局提出的概念，主要被用于模拟在太空中可能遇到的境况。而后，被广泛使用于各类工业系统中，以实时掌握物理实体的运行状态和模拟极端情况下的结果。该技术通过挖掘、分析大量实时、历史数据，映射实体的实时动作、行为和状态。由该技术建立的飞行器虚拟模型，通过传感器技术实现了虚拟和现实的同步，有利于及时了解目标的运行情况、健康状态、载荷能力等数据，极大地增强了决断有效性。
在电网数字化转型的大背景和趋势下，数据呈现出维数多、量大、冗杂的特点。同时，新加入的传感器也越来越丰富，跨越多个物理场，包括电场、热场以及机械应力场等。这些传感器和数字采集系统的加入，使得对电网设备的数字孪生成为可能。数据模型和物理模型的基本关系如图4所示。
电力变压器是电力系统从发电到用电中最重要的环节之一，承担着电能电压等级变化的重要任务，广泛存在于电网的各个电压等级。变压器的安全可靠性一直都是保证供电可靠性的基础。现有技术方案仅针对变压器的状态估计进行基于特征量的估计，但对于变压器老化过程中具体参量的选择不够准确，且参数无法随老化的进行实时更新。导致状态估计的不准确，不利于精准运维的周期把控和热管理。关于损耗计算模型，存在实验波形过于理想化(标准正弦)和参数拟合效率低的问题，同时，参数无法与设备老化程度建立联系。关于温度计算模型，存在层结构过多，且结构之间存在气隙，热阻、热容参数无法准确评估等问题。
发明内容
本发明目的是提供了一种基于数字孪生和闭环寻优的变压器状态感知方法，能够结合便于采集到的变压器外部信息，通过经典的损耗模型和热模型，实现对把变压器内部及外部空间温度分布的评估。
本发明为实现上述目的，通过以下技术方案实现：
步骤1：采集变压器电气应力，所述电气应力包括工频电压、电流、频率、峰值磁感应强度。
步骤2：通过采集的变压器电气应力计算变压器初始损耗，具体计算公式如下：
Pv＝k×fa×Bb
式中：Pv表示变压器初始损耗，f是频率，B是峰值磁感应强度，k、a、b表示斯坦梅茨系数。
步骤3：根据变压器初始损耗和变压器结构参数，初始化变压器磁芯、绕组的热阻和热容，建立温度模型，进行变压器内部空间温度测算，得到变压器芯温和外壳温度。
步骤4：采集变压器外壳温度，通过极限学习机网络模型计算采集的变压器外壳温度与计算得到的外壳温度的温差，如果温差小于百分之二则继续步骤5；如果温差大于百分之二则根据整体误差选择ELM参数，调谐初始损耗计算中的参数k、a、b，并调谐温度模型的参数，直至计算得到的变压器外壳温度与采集的变压器外壳温度温差小于百分之二。
步骤5：输出变压器热阻、热点温度；通过热阻、热点温度判断变压器老化状态和剩余寿命，实现变压器的精准运维和寿命周期管理。
优选的，所述温度模型具体公式如下：
Figure BDA0004153470890000021
式中：Ploss表示总的耗散功率，V表示变压器体积，ΔT表示芯温或外壳温度与环境温度之差，Zth表示从变压器内到外的整体热阻抗。
优选的，所述变压器内到外的整体热阻抗Zth的具体计算公式如下：
Figure BDA0004153470890000022
式中：Rth表示热阻，Cth表示热容，f表示功率变化频率,j表示虚部；
所述热阻Rth具体计算公式如下：
Figure BDA0004153470890000023
所述热容Cth具体计算公式如下：
Cth＝c·ρ·d·A，
式中：d表示材料厚度，λth表示材料导热系数，A表示有效传热面积，c表示单位体积热容，ρ表示材料密度。
优选的，所述采集变压器外壳温度采用热电偶+数/模转换模块。
优选的，所述极限学习机网络模型包括输入层、隐藏层和输出层。
所述输入层接收输入变量，并且经过自适应差分优化传递到隐藏层；所述隐藏层通过获取的输入变量进行计算、识别，并将结果输入到输出层；所述输出层用于输出结果。
优选的，所述通过热阻、热点温度判断变压器老化状态和剩余寿命，实现变压器的精准运维和寿命周期管理的具体方式如下：根据变压器芯温的上升幅度和变压器热阻抗增加规律，以热阻增加20％为标准进行剩余服役寿命评估。
本发明的优点在于：本发明能够结合便于采集到的变压器外部信息，通过经典的损耗模型和热模型，实现对把变压器内部及外部空间温度分布的评估；同时，利用强化学习算法的主动寻优能力，不断逼近和寻找损耗模型和热模型的最优参数，实现最符合外部表征的内部状态估计。结果可用于估计变压器内部温度和损耗、推断变压器所处的寿命阶段以及剩余服役时间，实现变压器的运维和寿命周期管理优化。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明流程结构示意图。
图2为芯温和绕组外部温度位置示意图。
图3为自适应差分进化极限学习机结构示意图。
图4为电力设备数字孪生架构示意图。
图5为变压器的热模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于电力变压器内部温度较高、磁场较强，普通传感器难以实现内部状态的测量。本发明一种基于数字孪生和闭环寻优的变压器状态感知方法，能够在仅检测外壳温度的情况下，通过物理模型准确估计变压器内部温度和老化状态。在这之中，为解决模型参数不准确和随老化进程漂移的问题，利用极限学习机算法进行迭代匹配，得到误差最小的参数组。综上，实现闭环的、具备自适应能力的电力变压器状态评估和主动寿命管理。
实施例
具体包括以下步骤：
步骤1：采集变压器电气应力，所述电气应力包括工频电压、电流、频率、峰值磁感应强度。
步骤2：通过采集的变压器电气应力计算变压器初始损耗，具体计算公式如下：
Pv＝k×fa×Bb
式中：Pv表示变压器初始损耗，f是频率，B是峰值磁感应强度，k、a、b表示斯坦梅茨系数。
步骤3：根据变压器初始损耗和变压器结构参数，初始化变压器磁芯、绕组的热阻和热容，建立温度模型，进行变压器内部空间温度测算，得到变压器芯温和外壳温度；所述温度模型具体公式如下：
Figure BDA0004153470890000041
式中：Ploss表示总的耗散功率，V表示变压器体积，ΔT表示芯温或外壳温度与环境温度之差，Zth表示从变压器内到外的整体热阻抗。
所述变压器内到外的整体热阻抗Zth的具体计算公式如下：
Figure BDA0004153470890000042
式中：Rth表示热阻，Cth表示热容，f表示功率变化频率,j表示虚部。
所述热阻Rth具体计算公式如下：
Figure BDA0004153470890000043
所述热容Cth具体计算公式如下：
Cth＝c·ρ·d·A，
式中：d表示材料厚度，λth表示材料导热系数，A表示有效传热面积，c表示单位体积热容，ρ表示材料密度。
步骤4：采用热电偶+数/模转换模块采集变压器外壳温度，通过极限学习机网络模型计算采集的变压器外壳温度与计算得到的外壳温度的温差，如果温差小于百分之二则继续步骤5；如果温差大于百分之二则根据整体误差选择ELM参数，调谐初始损耗计算中的参数k、a、b，并调谐温度模型的参数，直至计算得到的变压器外壳温度与采集的变压器外壳温度温差小于百分之二。
所述极限学习机网络模型包括输入层、隐藏层和输出层。
所述输入层接收输入变量，并且经过自适应差分优化传递到隐藏层；所述隐藏层通过获取的输入变量进行计算、识别，并将结果输入到输出层；所述输出层用于输出结果。
步骤5：输出变压器热阻、热点温度；通过热阻、热点温度判断变压器老化状态和剩余寿命，实现变压器的精准运维和寿命周期管理。
所述通过热阻、热点温度判断变压器老化状态和剩余寿命，实现变压器的精准运维和寿命周期管理的具体方式如下：根据变压器芯温的上升幅度和变压器热阻抗增加规律，以热阻增加20％为标准进行剩余服役寿命评估。
本发明在不降低模型计算效率的前提下，通过外部温度的闭环校准，辨识变压器损耗模型参数和热模型参数。改进基于极限学习机的机器学习方法，使其满足变压器参数校准的应用需求。并且建立一套基于定制化极限学习机的电力变压器空间状态评估的数字孪生平台架构，实现对电力变压器的内部关键参数辨识、故障监测，支撑主动管理和智能运维。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于数字孪生和闭环寻优的变压器状态感知方法，其特征在于，包括以下步骤：
步骤1：采集变压器电气应力，所述电气应力包括工频电压、电流、频率、峰值磁感应强度；
步骤2：通过采集的变压器电气应力计算变压器初始损耗，具体计算公式如下：
Pv＝k×fa×Bb
式中：Pv表示变压器初始损耗，f是频率，B是峰值磁感应强度，k、a、b表示斯坦梅茨系数；
步骤3：根据变压器初始损耗和变压器结构参数，初始化变压器磁芯、绕组的热阻和热容，建立温度模型，进行变压器内部空间温度测算，得到变压器芯温和外壳温度；
步骤4：采集变压器外壳温度，通过极限学习机网络模型计算采集的变压器外壳温度与计算得到的外壳温度的温差，如果温差小于百分之二则继续步骤5；如果温差大于百分之二则根据整体误差选择ELM参数，调谐初始损耗计算中的参数k、a、b，并调谐温度模型的参数，直至计算得到的变压器外壳温度与采集的变压器外壳温度温差小于百分之二；
步骤5：输出变压器热阻、热点温度；通过热阻、热点温度判断变压器老化状态和剩余寿命，实现变压器的精准运维和寿命周期管理。
2.根据权利要求1所述的基于数字孪生和参数闭环寻优的电力变压器内部状态感知方法，其特征在于，所述温度模型具体公式如下：
Figure FDA0004153470880000011
式中：Ploss表示总的耗散功率，V表示变压器体积，ΔT表示芯温或外壳温度与环境温度之差，Zth表示从变压器内到外的整体热阻抗。
3.根据权利要求2所述的基于数字孪生和参数闭环寻优的电力变压器内部状态感知方法，其特征在于，所述变压器内到外的整体热阻抗Zth的具体计算公式如下：
Figure FDA0004153470880000012
式中：Rth表示热阻，Cth表示热容，f表示功率变化频率，j表示虚部；
所述热阻Rth具体计算公式如下：
Figure FDA0004153470880000021
所述热容Cth具体计算公式如下：
Cth＝c·ρ·d·A，
式中：d表示材料厚度，λth表示材料导热系数，A表示有效传热面积，c表示单位体积热容，ρ表示材料密度。
4.根据权利要求1所述的基于数字孪生和参数闭环寻优的电力变压器内部状态感知方法，其特征在于，所述采集变压器外壳温度采用热电偶+数/模转换模块。
5.根据权利要求1所述的基于数字孪生和参数闭环寻优的电力变压器内部状态感知方法，其特征在于，所述极限学习机网络模型包括输入层、隐藏层和输出层；
所述输入层接收输入变量，并且经过自适应差分优化传递到隐藏层；所述隐藏层通过获取的输入变量进行计算、识别，并将结果输入到输出层；所述输出层用于输出结果。
6.根据权利要求1所述的基于数字孪生和参数闭环寻优的电力变压器内部状态感知方法，其特征在于，所述通过热阻、热点温度判断变压器老化状态和剩余寿命，实现变压器的精准运维和寿命周期管理的具体方式如下：根据变压器芯温的上升幅度和变压器热阻抗增加规律，以热阻增加20％为标准进行剩余服役寿命评估。
CN202310326575.1A 2023-03-28 2023-03-28 一种基于数字孪生和闭环寻优的变压器状态感知方法 Pending CN116413541A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310326575.1A CN116413541A (zh) 2023-03-28 2023-03-28 一种基于数字孪生和闭环寻优的变压器状态感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310326575.1A CN116413541A (zh) 2023-03-28 2023-03-28 一种基于数字孪生和闭环寻优的变压器状态感知方法

Publications (1)

Publication Number Publication Date
CN116413541A true CN116413541A (zh) 2023-07-11

Family

ID=87059050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310326575.1A Pending CN116413541A (zh) 2023-03-28 2023-03-28 一种基于数字孪生和闭环寻优的变压器状态感知方法

Country Status (1)

Country Link
CN (1) CN116413541A (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008488A (zh) * 2018-11-23 2019-07-12 杭州电子科技大学 一种提取晶体管的通用型热阻和热容特性的方法
CN110161398A (zh) * 2018-09-04 2019-08-23 河北工业大学 一种利用壳温评估igbt功率模块老化状态的方法
CN110471012A (zh) * 2019-06-03 2019-11-19 上海联影医疗科技有限公司 功率开关器件温度的预测方法和装置、存储介质及医疗设备
CN111293671A (zh) * 2020-02-07 2020-06-16 山东大学 基于结温预测的功率器件热保护与预警方法及系统
CN111461922A (zh) * 2020-04-02 2020-07-28 国网冀北电力有限公司唐山供电公司 一种基于极限学习机的变压器热点温度实时预测方法
CN111709136A (zh) * 2020-06-16 2020-09-25 国网山东省电力公司威海供电公司 一种计算在不同外界环境温度下电力变压器绝缘老化程度的方法
CN112001127A (zh) * 2020-08-28 2020-11-27 河北工业大学 一种igbt结温预测的方法
CN112684379A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器故障诊断系统及其方法
CN113095018A (zh) * 2021-03-05 2021-07-09 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） 一种破冰船推进变频器开关器件选型方法
CN113128086A (zh) * 2021-03-22 2021-07-16 广西电网有限责任公司电力科学研究院 一种变压器实时热点温度快速估计的方法及系统
CN113239623A (zh) * 2021-05-17 2021-08-10 上海交通大学 一种适用于电力装备的故障定位方法
CN113591336A (zh) * 2021-09-30 2021-11-02 中南大学 一种客车车下电源igbt模块寿命预测方法及其系统
CN114297876A (zh) * 2022-01-04 2022-04-08 中国矿业大学 一种大容量高频变压器热点模型构建方法
CN114595875A (zh) * 2022-02-25 2022-06-07 国家电网有限公司 基于变压器传感信息和数字孪生的状态评估方法及系统
CN115270622A (zh) * 2022-07-25 2022-11-01 广西大学 基于数值计算与线性回归模型预测变压器热点温度的方法
CN115563897A (zh) * 2022-10-13 2023-01-03 南京电力设计研究院有限公司 一种基于数字孪生的变压器状态评价方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110161398A (zh) * 2018-09-04 2019-08-23 河北工业大学 一种利用壳温评估igbt功率模块老化状态的方法
CN110008488A (zh) * 2018-11-23 2019-07-12 杭州电子科技大学 一种提取晶体管的通用型热阻和热容特性的方法
CN110471012A (zh) * 2019-06-03 2019-11-19 上海联影医疗科技有限公司 功率开关器件温度的预测方法和装置、存储介质及医疗设备
CN111293671A (zh) * 2020-02-07 2020-06-16 山东大学 基于结温预测的功率器件热保护与预警方法及系统
CN111461922A (zh) * 2020-04-02 2020-07-28 国网冀北电力有限公司唐山供电公司 一种基于极限学习机的变压器热点温度实时预测方法
CN111709136A (zh) * 2020-06-16 2020-09-25 国网山东省电力公司威海供电公司 一种计算在不同外界环境温度下电力变压器绝缘老化程度的方法
CN112001127A (zh) * 2020-08-28 2020-11-27 河北工业大学 一种igbt结温预测的方法
CN112684379A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器故障诊断系统及其方法
CN113095018A (zh) * 2021-03-05 2021-07-09 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） 一种破冰船推进变频器开关器件选型方法
CN113128086A (zh) * 2021-03-22 2021-07-16 广西电网有限责任公司电力科学研究院 一种变压器实时热点温度快速估计的方法及系统
CN113239623A (zh) * 2021-05-17 2021-08-10 上海交通大学 一种适用于电力装备的故障定位方法
CN113591336A (zh) * 2021-09-30 2021-11-02 中南大学 一种客车车下电源igbt模块寿命预测方法及其系统
CN114297876A (zh) * 2022-01-04 2022-04-08 中国矿业大学 一种大容量高频变压器热点模型构建方法
CN114595875A (zh) * 2022-02-25 2022-06-07 国家电网有限公司 基于变压器传感信息和数字孪生的状态评估方法及系统
CN115270622A (zh) * 2022-07-25 2022-11-01 广西大学 基于数值计算与线性回归模型预测变压器热点温度的方法
CN115563897A (zh) * 2022-10-13 2023-01-03 南京电力设计研究院有限公司 一种基于数字孪生的变压器状态评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张永超, 《中国知网》, pages 2 - 5 *
葛兴来等: "采用奇异能量谱与改进ELM 的轴承故障诊断方法", 电机与控制学报, vol. 25, no. 5, pages 80 - 87 *

Similar Documents

Publication Publication Date Title
CN110083908B (zh) 基于有限元分析的电缆缆芯温度预测方法
CN113049962B (zh) 一种基于lstm的储能装置运行态势推演方法
CN113078630B (zh) 一种基于实时量测数据的低压配电网拓扑辨识方法
CN115952698B (zh) 一种锂电池储能箱热能管理优化方法及系统
CN111162533B (zh) 一种基于凸优化的智能电网隐藏拓扑结构识别方法
CN112883634B (zh) 基于多维度分析的直流测量系统状态预测方法及系统
CN114091231A (zh) 一种基于数字孪生体与误差自适应优化的开关柜建模方法
CN116365536A (zh) 一种基于电力配电的低压无功精准性补偿方法
CN111474487A (zh) 一种电池荷电状态-内部温度联合在线估计方法
CN112598201B (zh) 一种基于分布式光纤测温的电网负荷估算方法与装置
CN111525197B (zh) 一种蓄电池soh实时估算系统及方法
CN116413541A (zh) 一种基于数字孪生和闭环寻优的变压器状态感知方法
CN116908619A (zh) 一种基于时空图注意力卷积网络的谐波源定位方法
JP3160693B2 (ja) 熱負荷予測装置
JPH07123589A (ja) 需要予測装置
Huang et al. The system of temperature rise monitoring and temperature prediction for power equipment
CN112084661A (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
CN109472387A (zh) 一种保电备品需求量预估方法
CN110245320A (zh) 电动汽车充电站进线电缆热寿命损失估算方法
CN117911196B (zh) 基于人工智能的环网柜全周期运行数据监管系统及方法
CN116992819B (zh) 一种igbt结温估算方法及系统
PengFei et al. Application of multi-expert information fusion prediction model to forecast station power consumption
Deng et al. A Novel EEMD-LSTM Combined Model for Transformer Top-Oil Temperature Prediction
Linghua et al. Research on the Algorithm Model of Predicting Line Loss Diagnosis Based on Computer Multiple Linear Regression
Wang et al. The residual life prediction of power grid transformers based on GA-ELM computational model and digital twin data

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