CN116484579A - 一种油浸式电力变压器负载能力评估方法及系统 - Google Patents
一种油浸式电力变压器负载能力评估方法及系统 Download PDFInfo
- Publication number
- CN116484579A CN116484579A CN202310259107.7A CN202310259107A CN116484579A CN 116484579 A CN116484579 A CN 116484579A CN 202310259107 A CN202310259107 A CN 202310259107A CN 116484579 A CN116484579 A CN 116484579A
- Authority
- CN
- China
- Prior art keywords
- transformer
- load
- target transformer
- target
- temperature
- 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
- 238000000034 method Methods 0.000 title claims description 53
- 238000004804 winding Methods 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000001816 cooling Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 2
- 238000010438 heat treatment Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007774 longterm Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提出一种油浸式电力变压器负载能力评估方法,包括,步骤1:利用卡尔曼滤波算法得到目标变压器的顶层油温预测值。步骤2:利用目标变压器的顶层油温预测值计算出绕组热点温度。步骤3:利用历史负载率和历史温升预测目标变压器的负荷趋势变化图。步骤4:利用目标变压器的设计参数、运行参数以及所述绕组热点温度建立热平衡模型。步骤5:当变压器过负荷运行且负荷为稳态时,基于变压器的所述负荷趋势变化图评估变压器负载能力;当目标变压器过负荷运行且负荷为动态时,分析变压器当前的热平衡状态,基于变压器的温度数据以及所述热平衡状态,评估变压器负载能力。本发明可更准确地评估油浸式电力变压器负载能力,提高变压器的使用安全性。
Description
技术领域
本发明属于变压器负载能力评估领域,尤其涉及一种油浸式电力变压器负载能力评估方法及系统。
背景技术
油浸式电力变压器是电力系统中的核心设备之一,其稳定运行对电力系统的安全可靠性有着非常重要的影响。变压器运行过程中可能会存在过负荷运行和重负载运行的情况,变压器在长期重载或短时过载情况下运行可能会导致部件发热、油温过高,进而影响变压器的负载能力,甚至是威胁变压器运行的稳定性,造成经济损失与安全隐患。
评估油浸式电力变压器负载能力的核心在于对变压器绕组热点温度,目前绕组热点温度的计算方法包括:采用埋设光纤绕组温度传感器进行温度的监测以及利用电热元件监测顶层油温,然后依据《电力变压器运行规程规定》的顶层油温一般限值和最高限值来指导运行。
而现有技术存在着如下技术问题:绕组光纤温度传感器的制造成本高、运行维护困难、以及热点位置难以精准确定,难以投入大规模的实际生产活动;另外,实际上变压器绕组热点温度与顶层油温度并不是同步变化,因为变压器油的时间常数(大型电力变压器30min以上)远大于绕组时间常数,变压器内部达到热平衡状态需要很长时间,尤其顶层油温的变化速率要远远滞后于绕组热点温度,所以顶层油温无法及时准确反应变压器的内部发热情况,若将其作为负载能力评估的依据,将不能准确地评估目标变压器的负载能力;最后,现有的方法并没有考虑变压器具体结构参数,这也导致负载能力的评估结果不具备针对性,与目标变压器负载能力的实际情况存在差距。
发明内容
为了解决或者改善上述问题,本发明提供了一种油浸式电力变压器负载能力评估方法及系统,具体技术方案如下:
本发明提供了一种油浸式电力变压器负载能力评估方法,包括:
步骤1:基于T时刻目标变压器的顶层油温,利用卡尔曼滤波算法实现目标变压器的顶层油温预测,得到目标变压器的顶层油温预测值。步骤2:利用目标变压器的顶层油温预测值,通过绕组热点温度计算方法计算出绕组热点温。步骤3:利用目标变压器的历史负载率与历史温升预测出目标变压器的负荷趋势变化图。步骤4:利用目标变压器的设计参数、运行参数以及所述绕组热点温度建立热平衡模型。步骤5:当目标变压器过负荷运行且负荷为稳态时,基于目标变压器的所述负荷趋势变化图,评估目标变压器的负载能力;当目标变压器过负荷运行且负荷为动态时,根据热平衡模型分析目标变压器当前的所述热平衡状态,基于目标变压器的所述绕组热点温度、实时测量的顶层油温以及所述热平衡状态,评估目标变压器的负载能力。
优选的,所述步骤1包括:
步骤101:基于T时刻目标变压器的顶层油温,建立等效电路微分方程,简化所述等效电路微分方程,得到末态温升计算方程如下,
式中,是目标变压器额定负载下的顶层油温升,δ是负载损耗与非负载损耗的比值,I是实际负载同额定负载的比值,n为绝缘油指数,取1。
步骤102:对所述末态温升计算方程进行离散化处理,
定义变量A1、A2以及M:
故离散线性化的顶层油温预测方程如下所示,
式中,τ0为绝缘油时间常数,Δt为末态初态的时间差,θoil,k为k时刻的顶层油温;θoil,k-1为k-1时刻的顶层油温;θoil,r为额定负载下的顶层油温值;θamb,k为k时刻的环境温度;(1-A1)为系统状态变量的输入增益;(A2 A2)为系统控制输入的增益。
步骤103:向所述离散线性化的顶层油温预测方程叠加噪声,得到系统状态方程。
步骤104:基于变压器顶层油温的变化偏差以及所述系统状态方程,建立系统观测方程。
步骤105:利用卡尔曼滤波算法对所述系统观测方程进行更新迭代,实现目标变压器的顶层油温预测。
优选的,所述步骤105中的卡尔曼滤波算法包括:
建立时间更新方程,表达式如下,
式中,为在k-1时刻系统对k时刻的顶层油温先验状态进行估计,“-”代表先验,“^”代表估计;/>为在已知测量变量ZK情况下的顶层油温后验状态估计,是状态在k-1时刻的最优结果,“+”代表后验,“^”代表估计;Q为过程误差的方差,/>为k时刻先验估计误差的协方差;/>为k-1时刻后验估计方差的协方差。
建立校验方程,表达式如下:
式中,R为测量误差的方差,Ek是卡尔曼增益,为k时刻残余,Hk是状态变量θoil,k的增益,/>为在k-1时刻系统对K时刻的顶层油温后验状态进行估计,/>为k时刻后验估计方差的协方差。
优选的,所述步骤3包括以下步骤:
步骤301:获取7天历史数据,并通过滑动窗口匹配法对所述历史数据进行均值处理,得到平滑数据,其中每天共有96个数据点。步骤302:根据时间顺序对所述平滑数据赋予不同的权重,过去第1、2天的权重分别为2/7,过去第3、4、5、6、7天权重分别为6/70。步骤303:基于所有所述数据点,计算过去一周的历史平均负荷趋势。步骤304:基于所述过去一周的历史平均负荷趋势预测出目标变压器的负荷趋势变化图。
优选的,所述步骤4中目标变压器的所述设计参数包括:冷却形式、结构参数、绕组参数、油道形式以及风机功率。目标变压器的所述运行参数包括:环境温度、实时负荷、实时顶层油温。
优选的,所述步骤5包括:当目标变压器过负荷运行且负荷为稳态时,基于目标变压器的所述负荷趋势变化图确定初始负载率k1以及末态负载率k2,通过热点温度限值计算方法,评估目标变压器的负载能力。
优选的,所述步骤5还包括:当目标变压器过负荷运行且负荷为动态时,利用IEC60076-7:2005和GB/T1094.7-2008的结构件温升限值以及所述热平衡模型,基于目标变压器的所述绕组热点温度以及所述实时测量的顶层油温,分析目标变压器当前的热平衡状态,判断目标变压器是否可以过负荷运行。若目标变压器可以过负荷运行:通过基于历史负荷趋势的负载能力评估算法,评估目标变压器的负载能力。若目标变压器不可过负荷运行:发出禁止过负荷警示。
基于相同的发明构思,本发明还提供了一种油浸式电力变压器负载能力评估系统,包括:
顶层油温预测单元:用于基于T时刻目标变压器的顶层油温,利用卡尔曼滤波算法实现目标变压器的顶层油温预测。绕组热点温度计算单元:用于利用目标变压器的顶层油温预测值,通过绕组热点温度计算方法计算出绕组热点温度。负荷趋势变化图预测单元:用于利用目标变压器的历史负载率与历史温升预测出目标变压器的负荷趋势变化图。热平衡模型建立单元:利用目标变压器的设计参数、运行参数以及所述绕组热点温度建立热平衡模型。变压器负载能力评估单元:用于评估目标变压器的负载能力。
本发明的有益效果为:本发明将卡尔曼滤波的思想引入到顶层油温预测当中,并利用绕组热点温度计算方法计算出绕组热点温度,能够及时准确地反应变压器的内部发热情况,准确地评估出目标变压器的负载能力;本发明还考虑了目标变压器的具体结构参数,使负载能力评估结果更贴近实际情况;另外,本发明还具备低成本,便于投入使用,适用范围广的技术优势。
附图说明
图1是根据本发明一实施例提供的一种油浸式电力变压器负载能力评估方法流程图。
图2是根据本发明一实施例提供的目标变压器负荷趋势变化图。
图3是根据本发明一实施例提供的一种油浸式电力变压器负载能力评估系统原理框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请提出一种油浸式电力变压器负载能力评估方法,方法流程参阅图1包括:
步骤1:利用卡尔曼滤波算法得到目标变压器的顶层油温预测值。
具体的,基于T时刻目标变压器的顶层油温,利用卡尔曼滤波算法实现目标变压器的顶层油温预测,得到目标变压器的顶层油温预测值。
步骤2:利用目标变压器的顶层油温预测值,通过绕组热点温度计算方法计算出绕组热点温度。
步骤3:利用历史负载率和历史温升预测目标变压器的负荷趋势变化图。
具体的,利用目标变压器的历史负载率与历史温升预测出目标变压器的负荷趋势变化图。
步骤4:利用目标变压器的设计参数、运行参数以及所述绕组热点温度建立热平衡模型。
具体的,所述设计参数包括:冷却形式、结构参数、绕组参数、油道形式以及风机功率;所述运行参数包括:环境温度、实时负荷、实时顶层油温。
步骤5:根据目标变压器负荷状态,对目标变压器的负载能力进行评估。
具体的,当目标变压器过负荷运行且负荷为稳态时,基于目标变压器的所述负荷趋势变化图,评估目标变压器的负载能力。
在实际应用中,当目标变压器过负荷运行且负荷为稳态时,基于目标变压器的所述负荷趋势变化图确定初始负载率k1以及末态负载率k2,通过热点温度限值计算方法,评估目标变压器的负载能力。
当目标变压器过负荷运行且负荷为动态时,根据所述热平衡模型分析目标变压器当前的所述热平衡状态,基于所述热平衡状态,评估目标变压器的负载能力。
所述热平衡模型依据GB/T1094.7,结合变压器的设计参数、运行参数,应用基于历史负荷趋势的负载能力评估算法而建立。
在实际应用中,当目标变压器过负荷运行且负荷为动态时,利用IEC60076-7:2005和GB/T1094.7-2008的结构件温升限值以及所述热平衡模型,基于目标变压器的所述绕组热点温度,所述实时测量的顶层油温,环境温度,负荷电流,其他组件的过载能力,目标变压器的运行时间,目标变压器的设计参数、运行参数以及历史运行数据分析目标变压器当前的热平衡状态,判断目标变压器是否可以过负荷运行。
若目标变压器可以过负荷运行:通过基于历史负荷趋势的负载能力评估算法,评估目标变压器的负载能力;若目标变压器不可过负荷运行:发出禁止过负荷警示。
由上可知,本发明充分考虑了变压器在运行过程中的动态特性,将卡尔曼滤波的思想引入到顶层油温预测当中,实现顶层油温信息的更新和迭代,从而使绕组热点温度的计算结果具备动态性。本发明提高了负载能力预测结果的正确性,减少变压器负载能力被高估或被低估的情况,一方面有利于电力系统的稳定运行,一方面有利于保证电力系统的经济效益。
步骤1具体包括以下子步骤:
步骤101:基于T时刻目标变压器的顶层油温,利用热-电类比的方法建立等效电路微分方程,表达式如下,
式中,是顶层油温升,/>是顶层油末态温升,τ0是绝缘油时间常数。
简化所述等效电路微分方程,得到末态温升计算方程如下,
式中,是目标变压器额定负载下的顶层油温升,δ是负载损耗与非负载损耗的比值,I是实际负载同额定负载的比值,n为绝缘油指数,取1。
步骤102:对所述末态温升计算方程进行离散化处理,
定义变量A1、A2以及M:
故离散线性化的顶层油温预测方程如下所示,
式中,τ0为绝缘油时间常数,Δt为末态初态的时间差,θoil,k为k时刻的顶层油温;θoil,k-1为k-1时刻的顶层油温;θoil,r为额定负载下的顶层油温值;θamb,k为k时刻的环境温度;(1-A1)为系统状态变量的输入增益;(A2 A2)为系统控制输入的增益。
步骤103:向所述离散线性化的顶层油温预测方程叠加噪声,得到系统状态方程,表达式如下,
式中,Wk-1是服从正态分布的过程激励噪声,一般认为是定值,其表示在k-1时刻与k时刻之间的过程误差。
步骤104:基于变压器顶层油温的变化偏差以及所述系统状态方程,建立系统观测方程,表达式如下,
ZK=HKθoil,k+VK
式中,HK是状态变量θoil,k的增益,VK是变压器顶层油温的变化偏差。
步骤105:利用卡尔曼滤波算法对所述系统观测方程进行更新迭代,实现目标变压器的顶层油温预测。
在实际应用中,利用卡尔曼滤波算法实现目标变压器顶层油温预测的过程包括:
建立时间更新方程,表达式如下:
式中,为在k-1时刻系统对k时刻的顶层油温先验状态进行估计,“-”代表先验,“^”代表估计;/>为在已知测量变量ZK情况下的顶层油温后验状态估计,是状态在k-1时刻的最优结果,“+”代表后验,“^”代表估计;Q为过程误差的方差,/>为k时刻先验估计误差的协方差;/>为k-1时刻后验估计方差的协方差。
建立校验方程,表达式如下:
式中,R为测量误差的方差,Ek是卡尔曼增益,为k时刻残余,Hk是状态变量θoil,k的增益,/>为在k-1时刻系统对K时刻的顶层油温后验状态进行估计,/>为k时刻后验估计方差的协方差。
步骤3具体包括以下子步骤:
步骤301:获取7天历史数据,并通过滑动窗口匹配法对所述历史数据进行均值处理,得到平滑数据,其中每天共有96个数据点。
步骤302:根据时间顺序对所述平滑数据赋予不同的权重,过去第1、2天的权重分别为2/7,过去第3、4、5、6、7天权重分别为6/70,负荷数据fi的计算表达式如下:
式中,yij为第j天第i个数据点。
步骤303:基于所有所述数据点,计算过去一周的历史平均负荷趋势。
步骤304:基于所述过去一周的历史平均负荷趋势预测出目标变压器的负荷趋势变化图,参阅图2。
本发明基于相同的发明构思,提出了如图3所示的一种油浸式电力变压器负载能力评估系统,包括:
顶层油温预测单元:用于基于T时刻目标变压器的顶层油温,利用卡尔曼滤波算法实现目标变压器的顶层油温预测。
绕组热点温度计算单元:用于利用目标变压器的顶层油温预测值,通过优化的绕组热点温度计算方法计算出绕组热点温度。
负荷趋势变化图预测单元:用于利用目标变压器的历史负载率与历史温升预测出目标变压器的负荷趋势变化图。
热平衡模型建立单元:利用目标变压器的设计参数、运行参数以及所述绕组热点温度建立热平衡模型。
变压器负载能力评估单元:用于评估目标变压器的负载能力。
综上所述,本发明将卡尔曼滤波的思想引入到顶层油温预测当中,实现顶层油温信息的更新和迭代,基于动态的顶层油温预测,利用绕组热点温度计算方法计算出绕组热点温度。本申请能够及时准确地反应变压器的内部发热情况动态评估目标变压器的负载能力,并且还考虑了目标变压器的具体结构参数以及环境温度的影响,使负载能力评估结果更贴近实际情况;另外,本发明还具备低成本,便于投入使用,适用范围广的技术优势。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中,应该理解到,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元可结合为一个单元,一个单元可拆分为多个单元,或一些特征可以忽略等。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种油浸式电力变压器负载能力评估方法,其特征在于,包括如下步骤:
步骤1:基于T时刻目标变压器的顶层油温,利用卡尔曼滤波算法实现目标变压器的顶层油温预测,得到目标变压器的顶层油温预测值;
步骤2:利用目标变压器的顶层油温预测值,通过绕组热点温度计算方法计算出绕组热点温度;
步骤3:利用目标变压器的历史负载率与历史温升预测出目标变压器的负荷趋势变化图;
步骤4:利用目标变压器的设计参数、运行参数以及所述绕组热点温度建立热平衡模型;
步骤5:当目标变压器过负荷运行且负荷为稳态时,基于目标变压器的所述负荷趋势变化图,评估目标变压器的负载能力;
当目标变压器过负荷运行且负荷为动态时,根据所述热平衡模型分析目标变压器当前的所述热平衡状态,基于所述热平衡状态,评估目标变压器的负载能力。
2.根据权利要求1所述的一种油浸式电力变压器负载能力评估方法,其特征在于,所述步骤1包括:
步骤101:基于T时刻目标变压器的顶层油温,建立等效电路微分方程,简化所述等效电路微分方程,得到末态温升计算方程如下,
式中,是目标变压器额定负载下的顶层油温升,δ是负载损耗与非负载损耗的比值,I是实际负载同额定负载的比值,n为绝缘油指数,取1;
步骤102:对所述末态温升计算方程进行离散化处理,
定义变量A1、A2以及M:
故离散线性化的顶层油温预测方程如下所示,
式中,τ0为绝缘油时间常数,Δt为末态初态的时间差,θoil,k为k时刻的顶层油温;θoil,k-1为k-1时刻的顶层油温;θoil,r为额定负载下的顶层油温值;θamb,k为k时刻的环境温度;(1-A1)为系统状态变量的输入增益;(A2 A2)为系统控制输入的增益;
步骤103:向所述离散线性化的顶层油温预测方程叠加噪声,得到系统状态方程;
步骤104:基于变压器顶层油温的变化偏差以及所述系统状态方程,建立系统观测方程;
步骤105:利用卡尔曼滤波算法对所述系统观测方程进行更新迭代,实现目标变压器的顶层油温预测。
3.根据权利要求2所述的一种油浸式电力变压器负载能力评估方法,其特征在于,所述步骤105中的卡尔曼滤波算法包括:
建立时间更新方程,表达式如下:
式中,为在k-1时刻系统对k时刻的顶层油温先验状态进行估计,“-”代表先验,“^”代表估计;/>为在已知测量变量ZK情况下的顶层油温后验状态估计,是状态在k-1时刻的最优结果,“+”代表后验,“^”代表估计;Q为过程误差的方差,/>为k时刻先验估计误差的协方差;/>为k-1时刻后验估计方差的协方差;
建立校验方程,表达式如下:
式中,R为测量误差的方差,Ek是卡尔曼增益,为k时刻残余,Hk是状态变量θoil,k的增益,/>为在k-1时刻系统对K时刻的顶层油温后验状态进行估计,/>为k时刻后验估计方差的协方差。
4.根据权利要求1所述的一种油浸式电力变压器负载能力评估方法,其特征在于,所述步骤3包括以下步骤:
步骤301:获取7天历史数据,并通过滑动窗口匹配法对所述历史数据进行均值处理,得到平滑数据,其中每天共有96个数据点;
步骤302:根据时间顺序对所述平滑数据赋予不同的权重,过去第1、2天的权重分别为2/7,过去第3、4、5、6、7天权重分别为6/70;
步骤303:基于所有所述数据点,计算过去一周的历史平均负荷趋势;
步骤304:基于所述过去一周的历史平均负荷趋势预测出目标变压器的负荷趋势变化图。
5.根据权利要求1所述的一种油浸式电力变压器负载能力评估方法,其特征在于,所述步骤4中
目标变压器的所述设计参数包括:冷却能力、结构参数、绕组参数、油道形式以及风机功率;
目标变压器的所述运行参数包括:环境温度、实时负荷、实时顶层油温。
6.根据权利要求1所述的一种油浸式电力变压器负载能力评估方法,其特征在于,所述步骤5包括:
当目标变压器过负荷运行且负荷为稳态时,基于目标变压器的所述负荷趋势变化图确定初始负载率k1以及末态负载率k2,通过热点温度限值计算方法,评估目标变压器的负载能力。
7.根据权利要求1所述的一种油浸式电力变压器负载能力评估方法,其特征在于,所述步骤5还包括:
当目标变压器过负荷运行且负荷为动态时,利用IEC60076-7:2005和GB/T1094.7-2008的结构件温升限值以及所述热平衡模型,基于目标变压器的所述绕组热点温度以及所述实时测量的顶层油温,分析目标变压器当前的热平衡状态,判断目标变压器是否可以过负荷运行;
若目标变压器可以过负荷运行:通过基于历史负荷趋势的负载能力评估算法,评估目标变压器的负载能力;
若目标变压器不可过负荷运行:发出禁止过负荷警示。
8.一种油浸式电力变压器负载能力评估系统,其特征在于,包括:
顶层油温预测单元:用于基于T时刻目标变压器的顶层油温,利用卡尔曼滤波算法实现目标变压器的顶层油温预测;
绕组热点温度计算单元:用于利用目标变压器的顶层油温预测值,通过绕组热点温度计算方法计算出绕组热点温度;
负荷趋势变化图预测单元:用于利用目标变压器的历史负载率与历史温升预测出目标变压器的负荷趋势变化图;
热平衡模型建立单元:利用目标变压器的设计参数、运行参数以及所述绕组热点温度建立热平衡模型;
变压器负载能力评估单元:用于评估目标变压器的负载能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259107.7A CN116484579A (zh) | 2023-03-17 | 2023-03-17 | 一种油浸式电力变压器负载能力评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259107.7A CN116484579A (zh) | 2023-03-17 | 2023-03-17 | 一种油浸式电力变压器负载能力评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116484579A true CN116484579A (zh) | 2023-07-25 |
Family
ID=87222163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310259107.7A Pending CN116484579A (zh) | 2023-03-17 | 2023-03-17 | 一种油浸式电力变压器负载能力评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796652A (zh) * | 2023-08-25 | 2023-09-22 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
-
2023
- 2023-03-17 CN CN202310259107.7A patent/CN116484579A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796652A (zh) * | 2023-08-25 | 2023-09-22 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
CN116796652B (zh) * | 2023-08-25 | 2023-12-26 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10579023B2 (en) | Feedback control system with normalized performance indices for setpoint alarming | |
US9429923B2 (en) | HVAC control system and method | |
Thyagarajan et al. | Improved autotuning using the shape factor from relay feedback | |
Sohlberg | Grey box modelling for model predictive control of a heating process | |
Liem et al. | A torque estimator using online tuning grey fuzzy PID for applications to torque-sensorless control of DC motors | |
Dimitrov | Comparative analysis of methods for modelling the short‐term probability distribution of extreme wind turbine loads | |
CN116484579A (zh) | 一种油浸式电力变压器负载能力评估方法及系统 | |
Zhang et al. | Extended design cost: a performance criterion for real-time optimization systems | |
Priyanka et al. | Remote monitoring and control of LQR-PI controller parameters for an oil pipeline transport system | |
Yuen et al. | Real‐time substructural identification by boundary force modeling | |
Song et al. | Uncertainty analysis of a virtual water flow measurement in building energy consumption monitoring | |
Pour et al. | Multi-layer health-aware economic predictive control of a pasteurization pilot plant | |
Pavlak et al. | Comparison of traditional and Bayesian calibration techniques for gray-box modeling | |
US10690548B2 (en) | Environmental factor assessment by a non-intrusive sensor in a fluid transfer pumping system | |
Rathnapriya et al. | Remaining useful life prediction of analog circuit using improved unscented particle filter | |
Kumar et al. | Power system dynamic state estimation using kalman filtering technique | |
CN114329347B (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
Lin et al. | A novel efficient model for gas compressibility factor based on GMDH network | |
Xu et al. | Reliability prediction based on Birnbaum–Saunders model and its application to smart meter | |
KR101967524B1 (ko) | 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법 | |
JP7476136B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Imai et al. | Design of a multiple linear models-based PID controller | |
Zhao et al. | Global Self-Optimizing Control With Data-Driven Optimal Selection of Controlled Variables With Application to Chiller Plant | |
Mansouri et al. | Nonlinear control and estimation in induction machine using state estimation techniques | |
Chen et al. | Application of Kalman filter to hot‐spot temperature monitoring in oil‐immersed power transformer |
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 |