CN116595337A - 变压器健康状态直接预测的态势量构建方法及系统 - Google Patents
变压器健康状态直接预测的态势量构建方法及系统 Download PDFInfo
- Publication number
- CN116595337A CN116595337A CN202310868969.XA CN202310868969A CN116595337A CN 116595337 A CN116595337 A CN 116595337A CN 202310868969 A CN202310868969 A CN 202310868969A CN 116595337 A CN116595337 A CN 116595337A
- Authority
- CN
- China
- Prior art keywords
- state
- transformer
- relation
- state quantity
- evaluation
- 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
- 230000036541 health Effects 0.000 title claims abstract description 27
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 109
- 230000008859 change Effects 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 78
- 238000012545 processing Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 27
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 35
- 230000007547 defect Effects 0.000 description 16
- 238000000605 extraction Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009413 insulation Methods 0.000 description 6
- 238000004804 winding Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000010891 electric arc Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
- G01R27/025—Measuring very high resistances, e.g. isolation resistances, i.e. megohm-meters
-
- 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
- G01R27/2688—Measuring quality factor or dielectric loss, e.g. loss angle, or power factor
- G01R27/2694—Measuring dielectric loss, e.g. loss angle, loss factor or power factor
-
- 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
-
- 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
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Power Engineering (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供变压器健康状态直接预测的态势量构建方法及系统,方法包括:基于变压器的在线监测类状态量、试验类状态量、评价类状态量和实际运行类状态量构建变压器时序高维状态空间,并从中获得变压器状态量时间维度上变化关系、变压器状态量之间的关联关系、变压器状态量与其实际运行结果间映射关系、传统变压器运行状态判别导则或标准中给出的状态量与状态之间关系、变压器的实际运行状态与基于已有导则或标准得到的评价状态之间的模糊关系,形成用于对变压器健康状态进行直接预测的态势量。本发明解决了状态量预测误差和状态诊断误差相互叠加的技术问题。
Description
技术领域
本发明涉及输电设备预测维护数据处理领域,具体涉及变压器健康状态直接预测的态势量构建方法及系统。
背景技术
电力变压器作为电力系统的核心设备之一,其健康状态与电力系统的安全运行息息相关。变压器在长期运行过程中,受化学应力、热应力、电应力及机械应力等诸多因素影响,不可避免发生各种故障。
对变压器未来一段时间的运行状态进行预测,提前掌握故障发生时间,可以为制定停电检修计划和电力调度计划预留足够时间,对保证变压器安全稳定运行具有重要意义。现有的变压器状态预测方法先预测未来时刻变压器状态量,再基于诊断方法获取未来时刻变压器的运行状态,将预测过程和诊断过程割裂,导致状态预测过程存在误差叠加问题,预测准确性差,无法对变压器健康状态进行准确及时预测。对变压器的各类状态量进行分析和预测,挖掘状态量中蕴含的微小变化及其随着时间的发展规律,提前掌握其内部潜伏性缺陷的情况,提前预判缺陷或故障性质,评估严重缺陷或故障发生的时间以及严重程度,实现对未来一段时间内变压器健康状态和故障情况的预测,不仅可以辅助运维检修人员在严重缺陷或故障发生之前采取针对性的维修措施,而且可以判断变压器是否将在未来一段时间内发生严重故障以及变压器是否有必要进行紧急停运检修,为调度提供服务,辅助制定变压器的停电检修计划。
公布号为CN109799405A的现有发明专利申请文献《一种基于时间序列-卡尔曼滤波的变压器故障预测方法》,该方法包括:步骤1:获取变压器油中溶解气体序列步骤2:根据步骤1获得的变压器油中溶解气体序列建立ARMA时间序列模型,并对得到的ARMA时间序列模型进行检验;步骤3:将步骤2得到的ARMA时间序列与卡尔曼滤波算法结合得到时间序列-卡尔曼滤波预测模型;步骤4:根据步骤3得到时间序列-卡尔曼滤波预测模型对变压器油中溶解气体含量进行预测;步骤5:利用步骤4中预测出来的油中溶解气体含量结合改进三比值对变压器故障进行编码,再根据编码规则对下一个状态进行判断。以及公布号为CN111562358A的现有发明专利申请文献《基于联合模型的变压器油中气体含量预测方法及系统》,该方法包括:确定与故障相关的待预测气体类型和时间序列,针对油中溶解气体浓度序列的非平稳性特征,分别采用经验模态分解和局部均值分解对原始序列进行处理;针对各子序列分量分别进行归一化,划分训练样本与测试样本;针对各子序列分量分别构建DBN预测模型进行训练,并叠加重构建立DBN模型对故障的多维数据进行特征提取及分类,通过计算误差指标评价该预测模型的预测性能。前述现有技术中,对变压器未来一段时间健康状态预测进行预测的方法主要采用“先预测再诊断”的形式,即在t时刻使用时间序列预测方法对未来一段时间的状态量进行预测,之后,使用状态诊断方法对预测得到的未来一段时间的状态量进行诊断,获得该段时间内的变压器的状态。然而,在上述过程中,基于时间序列预测方法的变压器状态量预测过程存在误差,基于状态诊断方法的状态诊断过程也存在误差,且两种误差会相互叠加,导致误差越来越大,最终导致变压器状态预测过程误差极大,无法进行现场应用。
分析基于“先预测再诊断”的变压器健康状态预测模式可知,该过程将预测过程和诊断过程进行分割,预测过程挖掘状态量时间维度变化规律,诊断过程挖掘状态量与状态间映射规律,而在变压器的实际运行中,上述时序变化规律和映射规律较复杂,且无法严格区分开的。
综上,现有技术存在状态量预测误差和状态诊断误差相互叠加的技术问题。
发明内容
本发明所要解决的技术问题在于:如何解决现有技术中状态量预测误差和状态诊断误差相互叠加的技术问题。
本发明是采用以下技术方案解决上述技术问题的:变压器健康状态直接预测的态势量构建方法包括:
S1、基于变压器的多维度状态量数据,构建变压器时序高维状态空间;
S2、使用预置滑动窗口,从变压器时序高维状态空间中,获得变压器状态量时间维度变化关系C(t);
S3、从变压器时序高维状态空间中,统计变压器发生故障时,各个变压器状态量是否超过预设阈值,以及超过预设阈值的次数,据以处理得到变压器状态量之间的关联关系A(t);
S4、从变压器时序高维状态空间中,利用受限玻尔兹曼机获得变压器状态量与实际运行状态间概率关系,将该概率关系作为变压器状态量与变压器实际运行状态间映射关系M(t);
S5、从变压器时序高维状态空间中,利用受限玻尔兹曼机获取变压器状态量与评价状态的概率关系,将该概率关系作为传统导则中的变压器状态量与评价状态之间关系G(t);
S6、从变压器时序高维状态空间中,获取变压器的实际运行状态与评价状态,据以处理得到实际运行状态与评价状态之间的模糊关系F(t);
S7、根据变压器状态量时间维度变化关系C(t)、变压器状态量之间的关联关系A(t)、变压器状态量与其实际运行状态间映射关系M(t)、传统导则中的变压器状态量与评价状态之间关系G(t)、实际运行状态与评价状态之间的模糊关系F(t),形成对变压器健康状态直接预测的态势量。
本发明针对变压器的状态预测问题,不仅将变压器状态量预测过程中所使用到的状态量时序变化规律与变压器状态诊断过程所使用到的状态量与状态之间的映射规律进行结合,而且还融合了传统专家经验、状态量间关联关系以及诊断结果与实际结果之间的不确定关系,将预测过程和诊断过程进行了统一,适用于对变压器健康状态进行直接预测,有效的避免状态量预测误差和状态诊断误差相互叠加的问题。
在更具体的技术方案中,步骤S1中,状态量数据包括:在线监测类状态量、试验类状态量、评价类状态量以及实际运行类状态量。
本发明利用变压器的状态量数据重新构建一个高维空间特征量,将状态量时间维度变化规律以及状态量与状态间映射规律进行统一,从而实现预测过程和诊断过程的统一,避免误差叠加问题。
在更具体的技术方案中,步骤S2中,根据下述逻辑,使用长度为k的预置滑动窗口,从变压器时序高维状态空间State(t)中,获取t时刻的变压器状态量时间维度变化关系C(t):
其中,c i表示第i时刻的状态量向量,c kj表示第j个时刻第k个状态量的数值。
在更具体的技术方案中,步骤S3包括:
S31、求取变压器时序高维状态空间中,变压器的状态量差异化阈值;
S32、在变压器发生故障时,将超过状态量差异化阈值的变压器状态量作为故障状态项;
S33、利用基于Apriori算法处理得到故障状态项之间的关联度,作为变压器状态量之间的关联关系A(t)。
本发明提出了基于差异化阈值和Apriori算法的状态量间关联关系提取策略,首先为每个状态量计算阈值,将缺陷或者故障发生时,超过阈值的状态量作为事件,基于Apriori算法获取两个状态量之间的可信度作为关联度,即将故障发生时状态量同时出现超阈值情况的概率作为两个状态量之间的关联度,用关联度定量的表征状态量间关联关系。本发明提出的基于差异化阈值和Apriori算法的状态量间关联关系提取策略,将变压器发生缺陷或者故障时,状态量异常的情况作为事件,通过分析事件出现的情况,获得状态量之间的相关性,即在变压器缺陷或故障状态下,考虑状态量间关联性;而传统Apriori算法将状态量时间序列按照一定的区间进行分段,再统计状态量不同分段出现的次数,将两个状态量同时出现作为事件,统计出现事件的次数,得到状态量间的关联关联,获得过程不考虑变压器的实际运行状态,仅考虑状态量时间序列情况,而监测装置异常、现场噪声等影响造成的状态量时间序列波动将极大影响相关性分析结果。因此,基于差异化阈值和Apriori算法的状态量间关联关系提取策略可以更好的挖掘变压器状态量之间的关联性情况,不会受到现场噪声的干扰,且更能反映变压器发生缺陷或故障时的单个状态量以及多个状态量之间的变化情况。
在更具体的技术方案中,步骤S33中,利用下述置信度计算逻辑处理得到第一故障状态项A、第二故障状态项B的关联度:
式中,support(A)表示项集{A}的支持度,support(A→B)表示项集{A、B}的支持度,且与support(B→A)一致。
在更具体的技术方案中,步骤S4包括:
S41、从变压器时序高维状态空间中获取状态量及实际运行状态;
S42、将状态量作为受限玻尔兹曼机的可视层输入,将实际运行状态作为受限玻尔兹曼机的隐藏层输出;
S43、训练受限玻尔兹曼机,以获得状态量与实际运行状态之间的联合概率分布情况,据以作为变压器状态量与其实际运行状态间映射关系M(t)。
在更具体的技术方案中,步骤S5包括:
S51、将传统导则中的变压器状态量,作为受限玻尔兹曼机的可视层输入,将基于传统导则获得的状态评价结果,作为受限玻尔兹曼机的隐藏层输出;
S52、训练受限玻尔兹曼机,以获得变压器状态量与评价状态之间的联合概率分布情况,以作为传统导则中的状态量与评价状态之间关系G(t)。
本发明提出了基于受限玻尔兹曼机的生成学习模型,获取了传统导则中状态量与评价结果间的关系以及状态量与实际运行状态关系,用概率分布的方式表达了状态量与评价结果间以及状态量与实际运行状态间复杂的、隐式的映射关系。受限玻尔兹曼机的训练过程基于对比散度方法实现,以一种无监督的方式通过自身结构来重建数据,其可视层与隐藏层之间存在数次前向和反向训练过程,每一次前向和反向传播过程均是对原始输入的一个逼近。在前向训练过程中,在给定权重的情况下,受限玻尔兹曼机使用可视层的输入来预测隐藏层节点的激活值,得到在输入给定的情况下输出被激活的概率;在反向训练过程中,用激活值作为输入,输出原始数据的重建值,得到输出值已知的情况下输入被激活的概率,上述重建输入和输出之间关系的过程即为生成学习过程,该过程可以看作是一个专家乘积系统,每个隐藏节点都是一个专家,每个专家都能对可视层节点的状态分布产生影响,但是单个专家的影响不够,通过受限玻尔兹曼机的结构可以将专家“连乘”起来,使得所有专家对原始数据的分布均产生影响。
在更具体的技术方案中,步骤S6包括:
S61、计算评价结果中第i个评价状态,与第j个实际运行状态之间的不确定度;
S62、将不确定度作为评价状态之间的模糊关系F(t)。
在更具体的技术方案中,步骤S61中,利用下述逻辑,计算第i个评价状态与第j个实际运行状态之间的不确定度:
式中,num(i,j)表示时序高维状态空间中的o个评价状态和实际运行状态中,第i个评价状态与第j个实际运行状态同时出现的个数,num(i)则表示o个评价状态和实际运行状态中第i个评价状态的个数。
本发明将变压器状态量时序变化关系、变压器状态量之间的关联关系、传统专家经验中给出的状态量与评价结果之间的关系、状态量与实际运行状态间的映射关系以及实际运行状态与评价状态之间模糊关系进行了统一,不仅将变压器状态量预测过程中所使用到的状态量时序变化规律与变压器状态诊断过程所使用到的状态量与状态之间的映射规律进行统一,而且,将传统专家经验以及诊断结果与实际结果之间的不确定关系进行了统一。
在更具体的技术方案中,变压器健康状态直接预测的态势量构建系统包括:
状态空间构建模块,用以基于变压器的多维度状态量数据,构建变压器时序高维状态空间;
时间维度变化处理模块,用以使用预置滑动窗口,从变压器时序高维状态空间中,获得变压器状态量时间维度变化关系C(t),时间维度变化处理模块与状态空间构建模块连接;
状态量关联处理模块,用以从变压器时序高维状态空间中,统计变压器发生故障时,各个状态量是否超过预设阈值,以及超过预设阈值的次数,据以处理得到变压器状态量之间的关联关系A(t),状态量关联处理模块与状态空间构建模块连接;
状态量与实际运行状态映射获取模块,用以从变压器时序高维状态空间中,利用受限玻尔兹曼机获取状态量与实际运行状态的概率关系,将该概率关系作为变压器状态量与其实际运行间映射关系M(t),状态量与实际运行状态映射获取模块与状态空间构建模块连接;
状态量与评价状态关系处理模块,用以从变压器时序高维状态空间中,利用受限玻尔兹曼机获取变压器状态量与评价状态的概率关系,将该概率关系作为传统导则中的变压器状态量与评价状态之间关系G(t),状态量与评价状态关系处理模块与状态空间构建模块连接;
实际状态与评价状态关系处理模块,用以从变压器时序高维状态空间中,获取变压器的实际运行状态与评价状态,据以处理得到实际运行状态与评价状态之间的模糊关系F(t),实际状态与评价状态关系处理模块与状态空间构建模块连接;
态势量获取模块,用以根据变压器状态量时间维度变化关系C(t)、变压器状态量之间的关联关系A(t)、变压器状态量与其实际运行状态间映射关系M(t)、传统导则中的状态量与评价状态之间关系G(t)、实际运行状态与评价状态之间的模糊关系F(t),形成对变压器健康状态直接预测的态势量,态势量获取模块与时间维度变化处理模块、状态量关联处理模块、状态量与实际运行状态映射获取模块、状态量与评价状态关系处理模块及实际状态与评价状态关系处理模块连接。
本发明相比现有技术具有以下优点:本发明针对变压器的状态预测问题,不仅将变压器状态量预测过程中所使用到的状态量时序变化规律与变压器状态诊断过程所使用到的状态量与状态之间的映射规律进行结合,而且还融合了传统专家经验、状态量间关联关系以及诊断结果与实际结果之间的不确定关系,将预测过程和诊断过程进行了统一,适用于对变压器健康状态进行直接预测,有效的避免状态量预测误差和状态诊断误差相互叠加的问题。
本发明利用变压器的多维状态量数据重新构建一个高维空间特征量,将状态量时间维度变化规律以及状态量与状态间映射规律进行统一,从而实现预测过程和诊断过程的统一,避免误差叠加问题。
本发明提出了基于差异化阈值和Apriori算法的状态量间关联关系提取策略,首先为每个状态量计算阈值,将缺陷或者故障发生时,超过阈值的状态量作为事件,基于Apriori算法获取两个状态量之间的可信度作为关联度,即将故障发生时状态量同时出现超阈值情况的概率作为两个状态量之间的关联度,用关联度定量的表征状态量间关联关系。本发明提出的基于差异化阈值和Apriori算法的状态量间关联关系提取策略,将变压器发生缺陷或者故障时,状态量异常的情况作为事件,通过分析事件出现的情况,获得状态量之间的相关性,即在变压器缺陷或故障状态下,考虑状态量间关联性;而传统Apriori算法将状态量时间序列按照一定的区间进行分段,再统计状态量不同分段出现的次数,将两个状态量同时出现作为事件,统计出现事件的次数,得到状态量间的关联关联,获得过程不考虑变压器的实际运行状态,仅考虑状态量时间序列情况,而监测装置异常、现场噪声等影响造成的状态量时间序列波动将极大影响相关性分析结果。因此,基于差异化阈值和Apriori算法的状态量间关联关系提取策略可以更好的挖掘变压器状态量之间的关联性情况,不会受到现场噪声的干扰,且更能反映变压器发生缺陷或故障时的单个状态量以及多个状态量之间的变化情况。
本发明提出了基于受限玻尔兹曼机的生成学习模型,获取了传统导则中状态量与评价结果间的关系以及状态量与实际运行状态关系,用概率分布的方式表达了状态量与评价结果间以及状态量与实际运行状态间复杂的、隐式的映射关系。受限玻尔兹曼机的训练过程基于对比散度方法实现,以一种无监督的方式通过自身结构来重建数据,其可视层与隐藏层之间存在数次前向和反向训练过程,每一次前向和反向传播过程均是对原始输入的一个逼近。在前向训练过程中,在给定权重的情况下,受限玻尔兹曼机使用可视层的输入来预测隐藏层节点的激活值,得到在输入给定的情况下输出被激活的概率;在反向训练过程中,用激活值作为输入,输出原始数据的重建值,得到输出值已知的情况下输入被激活的概率,上述重建输入和输出之间关系的过程即为生成学习过程,该过程可以看作是一个专家乘积系统,每个隐藏节点都是一个专家,每个专家都能对可视层节点的状态分布产生影响,但是单个专家的影响不够,通过受限玻尔兹曼机的结构可以将专家“连乘”起来,使得所有专家对原始数据的分布均产生影响。
本发明将变压器状态量时序变化关系、变压器状态量之间的关联关系、传统专家经验中给出的状态量与评价结果之间的关系、状态量与实际运行状态间的映射关系以及实际运行状态与评价状态之间模糊关系进行了统一,不仅将变压器状态量预测过程中所使用到的状态量时序变化规律与变压器状态诊断过程所使用到的状态量与状态之间的映射规律进行统一,而且,将传统专家经验以及诊断结果与实际结果之间的不确定关系进行了统一。本发明解决了现有技术中存在的状态量预测误差和状态诊断误差相互叠加的技术问题。
附图说明
图1为本发明实施例1的变压器健康状态直接预测的态势量构建方法数据流处理示意图;
图2为本发明实施例1的变压器健康状态直接预测的态势量构建方法基本步骤示意图;
图3为本发明实施例1的状态量与实际运行状态间关系前向训练过程示意图;
图4为本发明实施例1的状态量与实际运行状态间关系反向训练过程示意图;
图5为本发明实施例1的获取传统导则中状态量与评价结果关系前向训练过程示意图;
图6为本发明实施例1的获取传统导则中状态量与评价结果关系反向训练过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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作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。
实施例1
如图1及图2所示,本发明提供的变压器健康状态直接预测的态势量构建方法,包括以下基本步骤:
S1、基于变压器的在线监测类状态量、试验类状态量、评价类状态量、实际运行类状态量构建变压器时序高维状态空间;
在本实施例中,获取能够反映变压器运行情况的在线监测类状态量、试验类状态量、评价类状态量、实际运行类状态量,形成变压器时序高维状态空间。
在本实施例中,在线监测类状态量包括但不限于:油中溶解气体在线监测状态量、铁心接地电流在线监测状态量、顶层油温在线监测状态量以及油中微水在线监测状态。
在本实施例中,试验类状态量包括但不限于:绕组直流电阻、绕组绝缘电阻、吸收比、极化指数、绕组绝缘介质损耗因数以及铁心绝缘电阻;
在本实施例中,评价类状态量是指基于已有的状态评价导则,包括:《DL/T722-2014 变压器油中溶解气体分析和判断导则》,对当前时刻变压器在线监测类或试验类状态量的数值进行分析得到的结果;实际运行类状态量是当前时刻变压器实际所处的状态;
在本实施例中,评价类状态量和实际运行类状态量的取值空间包括:{正常(N)、低温过热(T1)、中温过热(T2)、高温过热(T3)、局部放电(P1)、低能放电(P2)、电弧放电(P3)}。
在本实施例中,变压器时序高维状态空间中涉及的状态量如表1所示。
表1
在本实施例中,在t时刻用于对变压器健康状态进行预测的时序高维状态空间State(t)为:
S2、从变压器时序高维状态空间中获得变压器状态量时间维度上变化关系;
在本实施例中,从变压器时序高维状态空间中获取状态量时间维度变化关系C(t)。使用一个长度为k(k<o)的滑动窗口从State(t)中获取不同时刻的状态量时间维度变化关系,t时刻的状态量时间维度变化关系C(t)为:
其中,c i表示第i时刻的状态量向量,c kj表示第j个时刻第k个状态量的数值。
对于长度为o的变压器时序高维状态空间,通过滑动窗口的方式共可以获取o-k个状态量时间维度变化关系矩阵。
S3、从变压器时序高维状态空间中获得变压器状态量之间的关联关系A(t);
在本实施例中,基于分布模型的计算每个状态量的阈值,将每一个故障发生时,超过阈值的状态量作为一个项,所有项的集合称为项集。在项集中,项A和项B同时发生的概率被称为关联规则的支持度,记为support(A→B)=P(A∩B);在项A发生的前提下,项B发生的概率称为关联规则的置信度,记为confidence(A→B)=P(B|A),置信度即为项A对应的状态量与项B对应的状态量间的关联度,该关联度就是状态量间关联关系的定量描述。
在本实施例中,以一个包含10个案例的变压器故障案例集为例说明状态量间关联关系获取过程,该故障案例集中的每个案例仅有H2、CH4和总烃三种状态量。在计算过程中,先对故障案例进行编号,10个故障案例的编号为01#、02#、……10#,H2、CH4和总烃三种状态量分别编号为0、1、2,统计每个故障案例发生时,超过阈值的气体,形成事务集如表2所示。
表2
案例编号 | 超阈值的气体 |
01# | 0、2 |
02# | 0、1、2 |
03# | 1 |
04# | 1、2 |
05# | 0、2 |
06# | 1、2 |
07# | 0、1、2 |
08# | 0、1 |
09# | 1 |
10# | 2 |
在本实施例中,由于共有三个状态量0、1、2,且在变压器的事务集中并不区分状态量超过阈值的先后顺序,因此,可能的项集共有6个分别为:{0}、{1}、{0、1}、{0、2}、{1、2}以及{0、1、2},统计事务集中每个项集出现的次数,该次数即为支持度计数,将支持度计数除以事务集中事务的总数得到每个项集的支持度。所有项集的支持度计数和支持度如表3所示。
表3
在本实施例中,仅仅考虑状态量两两之间的关联关系,因此,所有可能的关联规则为:0→1、0→2、1→2、1→0、2→0、2→1。对于关联规则A→B,其置信度计算公式为:
式中,support(A)表示项集{A}的支持度,support(A→B)表示项集{A、B}的支持度,且与support(B→A)一致。
根据上式分别计算关联规则0→1、0→2、1→2、1→0、2→0、2→1的置信度,并将该置信度作为状态量之间的关联度,该关联度即表示状态量之间的关联关系A(t),如表4所示。
表4
S4、从变压器时序高维状态空间中获得变压器状态量与其实际运行状态间映射关系M(t);
在本实施例中,从状态量与实际运行状态之间的概率关系出发,基于受限玻尔兹曼机获得状态量与实际运行状态间映射关系;
如图3及图4所示,在本实施例中,以某台变压器的状态量和实际运行状态数据为例,说明状态量和实际运行状态间关系获取过程。首先,构建包含17个可视层节点和7个隐藏层节点的RBM,其中,7个隐藏层节点分别对应7个实际的运行状态:正常N、低温过热T1、中温过热T2、高温过热T3、局部放电P1、低能放电P2和电弧放电P3,可视层各个节点分别对应17个状态量,节点C1至C8分别为变压器的油中溶解H2、CO、CO2、CH4、C2H6、C2H4、C2H2、总烃,C9至C17分别对应表示铁心接地电流、顶层油温、油中微水含量、绕组直流电阻值比值、绕组绝缘电阻值比值、吸收比、极化指数、绕组绝缘介质损耗因数以及铁心绝缘电阻,若状态量的数据不存在,则直接置零。
在本实施例中,在t时刻,获取第t-o+1至t时刻的状态量和实际运行状态数据训练RBM,首先,随机地激活可视层中的某些节点,进行前向训练,获得在可视层状态量下,任意隐藏层节点被激活的概率,如附图2所示;之后,在该激活层节点已知的前提下,根据变压器的实际运行状态数据,反向训练获得可视层节点被激活的概率,如附图3所示。实际应用中基于对比散度训练RBM模型,获取各个状态量与实际运行状态之间的条件概率,并基于这些条件概率获得t时刻各个状态量与实际运行状态之间的联合概率分布关系M(t)如表5示所示。
表5
S5、从变压器时序高维状态空间中获取传统导则中状态量与状态之间关系G(t)。基于受限玻尔兹曼机获得传统导则中状态量与评价结果关系;
在本实施例中,从变压器时序高维状态空间中获得传统变压器运行状态判别导则或标准中给出的状态量与状态之间关系;
如图5及图6所示,在本实施例中,以某台变压器的状态量和评价结果数据为例,说明状态量和评价结果间关系的获取过程。由于改良三比值仅用到H2、CH4、C2H6、C2H4以及C2H2五种状态量,而评价结果与实际运行状态的取值范围是一致的,均为{正常N、低温过热T1、中温过热T2、高温过热T3、局部放电P1、低能放电P2、电弧放电P3}。因此,构建包含5个可视层节点和7个隐藏层节点的RBM,为了与前述变压器状态量与实际运行状态间关系提取过程一致,将H2、CH4、C2H6、C2H4以及C2H2分别编号为C1、C4、C5、C6、C7,7个隐藏层节点分别对应7个实际的运行状态:正常N、低温过热T1、中温过热T2、高温过热T3、局部放电P1、低能放电P2和电弧放电P3。
在本实施例中,在t时刻,获取第t-o+1至t时刻的状态量和评价结果数据训练RBM,首先,随机地激活可视层中的某些节点,进行前向训练,获得在可视层状态量下,任意隐藏层节点被激活的概率,如附图4所示;之后,在该激活层节点已知的前提下,根据变压器的评价结果数据,反向训练获得可视层节点被激活的概率,如附图5所示,实际应用中,基于对比散度训练RBM模型,获取各个状态量与评价结果之间的条件概率,并基于这些条件概率获得t时刻各个状态量与评价结果之间的联合概率分布关系G(t)如表6所示。
S6、从变压器时序高维状态空间中获取变压器的实际运行状态与基于已有导则或标准得到的状态评价结果之间的模糊关系F(t);
表6
在本实施例中,假设fij表示从t-o+1时刻至t时刻中第i个评价结果与第j个实际运行状态之间的不确定度,其计算公式为:
其中,num(i,j)表示时序高维状态空间中的o个评价结果和实际运行状态中,第i个评价结果与第j个实际运行状态同时出现的个数,num(i)则表示o个评价结果和实际运行状态中第i个评价状态的个数。
在本实施例中,以一个包含7个时刻的数据集说明计算过程,7个时刻的评价结果和实际运行状态如表7所示。
表7
在本实施例中,第1时刻的评价结果为N,实际运行状态为N,则num(1,1)=1,而所有7个时刻中,评价状态为N的共有3个,即num(1)=3,因此,f1,1= num(1,1)/ num(1)=1/3,以此类推,得到包含7个时刻的数据集的变压器实际运行状态与评价结果间模糊关系F(t)如表8所示。
表8
实际状态评价状态 | N | T1 | T2 | T3 | P1 | P2 | P3 |
N | 1/3 | 1/3 | 0 | 0 | 1/3 | 0 | 0 |
T1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
T2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
T3 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
P1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
P2 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
P3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
在本实施例中,变压器实际运行状态与评价结果间模糊关系是随着时间累积而变化的量。表8表示的是在数据集中第7个时刻的实际运行状态与评价结果间模糊关系,若在第6个时刻计算变压器实际运行状态与评价结果间模糊关系,则仅统计表7中第1个时刻至第6个时刻的结果。同样的,若在第8时刻计算变压器实际运行状态与评价结果间模糊关系,则应该统计第1个时刻至第8个时刻的结果。
S7、形成用于对变压器健康状态进行直接预测的态势量。
在本实施例中,在获得表征变压器状态量时间维度上变化关系C(t),表征变压器状态量之间的关联关系A(t)、表征变压器状态量与其实际运行结果间映射关系M(t)、表征传统变压器运行状态判别导则或标准中给出的状态量与状态之间关系G(t)、表征变压器的实际运行状态与基于已有导则或标准得到的评价状态之间的模糊关系F(t)后,将上述用高维矩阵的集合S(t)={ C(t), A(t), M(t), G(t), F(t)}作为变压器在t时刻的态势量。
综上,本发明针对变压器的状态预测问题,不仅将变压器状态量预测过程中所使用到的状态量时序变化规律与变压器状态诊断过程所使用到的状态量与状态之间的映射规律进行结合,而且还融合了传统专家经验、状态量间关联关系以及诊断结果与实际结果之间的不确定关系,将预测过程和诊断过程进行了统一,适用于对变压器健康状态进行直接预测,有效的避免状态量预测误差和状态诊断误差相互叠加的问题。
本发明利用变压器的多维状态量数据重新构建一个高维空间特征量,将状态量时间维度变化规律以及状态量与状态间映射规律进行统一,从而实现预测过程和诊断过程的统一,避免误差叠加问题。
本发明提出了基于差异化阈值和Apriori算法的状态量间关联关系提取策略,首先为每个状态量计算阈值,将缺陷或者故障发生时,超过阈值的状态量作为事件,基于Apriori算法获取两个状态量之间的可信度作为关联度,即将故障发生时状态量同时出现超阈值情况的概率作为两个状态量之间的关联度,用关联度定量的表征状态量间关联关系。本发明提出的基于差异化阈值和Apriori算法的状态量间关联关系提取策略,将变压器发生缺陷或者故障时,状态量异常的情况作为事件,通过分析事件出现的情况,获得状态量之间的相关性,即在变压器缺陷或故障状态下,考虑状态量间关联性;而传统Apriori算法将状态量时间序列按照一定的区间进行分段,再统计状态量不同分段出现的次数,将两个状态量同时出现作为事件,统计出现事件的次数,得到状态量间的关联关联,获得过程不考虑变压器的实际运行状态,仅考虑状态量时间序列情况,而监测装置异常、现场噪声等影响造成的状态量时间序列波动将极大影响相关性分析结果。因此,基于差异化阈值和Apriori算法的状态量间关联关系提取策略可以更好的挖掘变压器状态量之间的关联性情况,不会受到现场噪声的干扰,且更能反映变压器发生缺陷或故障时的单个状态量以及多个状态量之间的变化情况。
本发明提出了基于受限玻尔兹曼机的生成学习模型,获取了传统导则中状态量与评价结果间的关系以及状态量与实际运行状态关系,用概率分布的方式表达了状态量与评价结果间以及状态量与实际运行状态间复杂的、隐式的映射关系。受限玻尔兹曼机的训练过程基于对比散度方法实现,以一种无监督的方式通过自身结构来重建数据,其可视层与隐藏层之间存在数次前向和反向训练过程,每一次前向和反向传播过程均是对原始输入的一个逼近。在前向训练过程中,在给定权重的情况下,受限玻尔兹曼机使用可视层的输入来预测隐藏层节点的激活值,得到在输入给定的情况下输出被激活的概率;在反向训练过程中,用激活值作为输入,输出原始数据的重建值,得到输出值已知的情况下输入被激活的概率,上述重建输入和输出之间关系的过程即为生成学习过程,该过程可以看作是一个专家乘积系统,每个隐藏节点都是一个专家,每个专家都能对可视层节点的状态分布产生影响,但是单个专家的影响不够,通过受限玻尔兹曼机的结构可以将专家“连乘”起来,使得所有专家对原始数据的分布均产生影响。
本发明将变压器状态量时序变化关系、变压器状态量之间的关联关系、传统专家经验中给出的状态量与评价结果之间的关系、状态量与实际运行状态间的映射关系以及实际运行状态与评价状态之间模糊关系进行了统一,不仅将变压器状态量预测过程中所使用到的状态量时序变化规律与变压器状态诊断过程所使用到的状态量与状态之间的映射规律进行统一,而且,将传统专家经验以及诊断结果与实际结果之间的不确定关系进行了统一。本发明解决了现有技术中存在的状态量预测误差和状态诊断误差相互叠加的技术问题。
以上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精神和范围。
Claims (10)
1.变压器健康状态直接预测的态势量构建方法,其特征在于,所述方法包括:
S1、基于变压器的多维度状态量数据,构建变压器时序高维状态空间;
S2、使用预置滑动窗口,从所述变压器时序高维状态空间中,获得变压器状态量的时间维度变化关系C(t);
S3、从所述变压器时序高维状态空间中,统计在所述变压器发生故障时,各个所述变压器状态量是否超过预设阈值,以及超过所述预设阈值的次数,以获得变压器的故障状态项,据以处理得到所述变压器状态量之间的关联关系A(t);
S4、从所述变压器时序高维状态空间中,利用受限玻尔兹曼机获得所述变压器状态量与实际运行状态间的概率关系,据以作为所述变压器状态量与实际运行状态间映射关系M(t);
S5、从所述变压器时序高维状态空间中,利用受限玻尔兹曼机获取所述变压器状态量与评价状态的概率关系,据以作为传统导则中的所述变压器状态量与所述评价状态之间关系G(t);
S6、从所述变压器时序高维状态空间中,获取所述变压器的实际运行状态与评价状态,据以处理得到所述实际运行状态与所述评价状态之间的模糊关系F(t);
S7、根据所述变压器状态量的时间维度变化关系C(t)、所述变压器状态量之间的关联关系A(t)、所述变压器状态量与所述实际运行状态间映射关系M(t)、所述传统导则中的所述变压器状态量与所述评价状态之间关系G(t)、所述实际运行状态与所述评价状态之间的模糊关系F(t),形成对变压器健康状态直接预测的态势量。
2.根据权利要求1所述的变压器健康状态直接预测的态势量构建方法,其特征在于,所述步骤S1中,所述状态量数据包括:在线监测类状态量、试验类状态量、评价类状态量以及实际运行类状态量。
3.根据权利要求1所述的变压器健康状态直接预测的态势量构建方法,其特征在于,所述步骤S2中,根据下述逻辑,使用长度为k的所述预置滑动窗口,从所述变压器时序高维状态空间State(t)中,获取t时刻的所述变压器状态量的时间维度变化关系C(t):
式中,c i表示第i时刻的状态量向量,c kj表示第j个时刻第k个状态量的数值。
4.根据权利要求1所述的变压器健康状态直接预测的态势量构建方法,其特征在于,所述步骤S3包括:
S31、求取所述变压器时序高维状态空间中,所述变压器的状态量差异化阈值;
S32、在所述变压器发生故障时,将超过所述状态量差异化阈值的所述变压器状态量作为所述故障状态项;
S33、利用基于Apriori算法处理得到所述故障状态项之间的关联度,以作为所述变压器状态量之间的关联关系A(t)。
5.根据权利要求4所述的变压器健康状态直接预测的态势量构建方法,其特征在于,所述步骤S33中,利用下述置信度计算逻辑处理得到第一故障状态项A、第二故障状态项B的所述关联度:
式中,support(A)表示项集{A}的支持度,support(A→B)表示项集{A、B}的支持度,且与support(B→A)一致。
6.根据权利要求1所述的变压器健康状态直接预测的态势量构建方法,其特征在于,所述步骤S4包括:
S41、从所述变压器时序高维状态空间中,获取得到变压器状态量及实际运行状态;
S42、将所述变压器状态量作为所述受限玻尔兹曼机的可视层输入,将所述实际运行状态作为所述受限玻尔兹曼机的隐藏层输出;
S43、训练所述受限玻尔兹曼机,以获得所述变压器状态量与所述实际运行状态之间的联合概率分布情况,据以作为所述变压器状态量与所述实际运行状态间映射关系M(t)。
7.根据权利要求1所述的变压器健康状态直接预测的态势量构建方法,其特征在于,所述步骤S5包括:
S51、将所述传统导则中的所述变压器状态量,作为所述受限玻尔兹曼机的可视层输入,将基于所述传统导则获得的状态评价结果,作为所述受限玻尔兹曼机的隐藏层输出;
S52、训练所述受限玻尔兹曼机,以获得所述变压器状态量与所述评价状态之间的联合概率分布情况,以作为所述传统导则中的所述变压器状态量与所述评价状态之间关系G(t)。
8.根据权利要求1所述的变压器健康状态直接预测的态势量构建方法,其特征在于,所述步骤S6包括:
S61、计算评价结果中第i个所述评价状态,与第j个所述实际运行状态之间的不确定度;
S62、将所述不确定度作为所述实际运行状态与所述评价状态之间的模糊关系F(t)。
9.根据权利要求8所述的变压器健康状态直接预测的态势量构建方法,其特征在于,所述步骤S61中,利用下述逻辑,计算第i个所述评价状态与第j个所述实际运行状态之间的所述不确定度:
式中,num(i,j)表示时序高维状态空间中的o个所述评价状态和所述实际运行状态中,第i个所述评价状态与第j个所述实际运行状态同时出现的个数,num(i)则表示o个所述评价状态和所述实际运行状态中第i个所述评价状态的个数。
10.变压器健康状态直接预测的态势量构建系统,其特征在于,所述系统包括:
状态空间构建模块,用以基于变压器的多维度状态量数据,构建变压器时序高维状态空间;
时间维度变化处理模块,用以使用预置滑动窗口,从所述变压器时序高维状态空间中,获得变压器状态量的时间维度变化关系C(t),所述时间维度变化处理模块与所述状态空间构建模块连接;
状态量关联处理模块,用以从所述变压器时序高维状态空间中,统计在所述变压器发生故障时,各个所述变压器状态量是否超过预设阈值,以及超过所述预设阈值的次数,以获得变压器的故障状态项,据以处理得到所述变压器状态量之间的关联关系A(t),所述状态量关联处理模块与所述状态空间构建模块连接;
状态量与实际运行状态映射获取模块,用以从所述变压器时序高维状态空间中,利用受限玻尔兹曼机获得所述变压器状态量与实际运行状态的概率关系,据以作为所述变压器状态量与所述实际运行状态间映射关系M(t),所述状态量与实际运行状态映射获取模块与所述状态空间构建模块连接;
状态量与评价状态关系处理模块,用以从所述变压器时序高维状态空间中,利用受限玻尔兹曼机获取所述变压器状态量与评价状态的概率关系,据以作为传统导则中的所述变压器状态量与所述评价状态之间关系G(t),所述状态量与评价状态关系处理模块与所述状态空间构建模块连接;
实际状态与评价状态关系处理模块,用以从所述变压器时序高维状态空间中,获取所述变压器的实际运行状态与评价状态,据以处理得到所述实际运行状态与所述评价状态之间的模糊关系F(t),所述实际状态与评价状态关系处理模块与所述状态空间构建模块连接;
态势量获取模块,用以根据所述变压器状态量的时间维度变化关系C(t)、所述变压器状态量之间的关联关系A(t)、所述变压器状态量与所述实际运行状态间映射关系M(t)、所述传统导则中的所述变压器状态量与所述评价状态之间关系G(t)、所述实际运行状态与所述评价状态之间的模糊关系F(t),形成对变压器健康状态直接预测的态势量,所述态势量获取模块与所述时间维度变化处理模块、所述状态量关联处理模块、所述状态量与实际运行状态映射获取模块、所述状态量与评价状态关系处理模块及所述实际状态与评价状态关系处理模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868969.XA CN116595337A (zh) | 2023-07-17 | 2023-07-17 | 变压器健康状态直接预测的态势量构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868969.XA CN116595337A (zh) | 2023-07-17 | 2023-07-17 | 变压器健康状态直接预测的态势量构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116595337A true CN116595337A (zh) | 2023-08-15 |
Family
ID=87601252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868969.XA Pending CN116595337A (zh) | 2023-07-17 | 2023-07-17 | 变压器健康状态直接预测的态势量构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595337A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074824A (zh) * | 2023-08-17 | 2023-11-17 | 东莞市港龙电源设备有限公司 | 一种变压器保护系统的检验系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512474A (zh) * | 2015-12-02 | 2016-04-20 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
CN116089857A (zh) * | 2023-01-04 | 2023-05-09 | 国网吉林省电力有限公司四平供电公司 | 一种基于ceemdan-dbn的变压器故障识别方法 |
WO2023082298A1 (zh) * | 2021-11-10 | 2023-05-19 | 广东电网有限责任公司广州供电局 | 变压器健康指数评估方法、装置、计算机设备和存储介质 |
WO2023130763A1 (zh) * | 2022-01-04 | 2023-07-13 | 南京南瑞继保电气有限公司 | 变压器状态分析方法、系统、设备和存储介质 |
-
2023
- 2023-07-17 CN CN202310868969.XA patent/CN116595337A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512474A (zh) * | 2015-12-02 | 2016-04-20 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
WO2023082298A1 (zh) * | 2021-11-10 | 2023-05-19 | 广东电网有限责任公司广州供电局 | 变压器健康指数评估方法、装置、计算机设备和存储介质 |
WO2023130763A1 (zh) * | 2022-01-04 | 2023-07-13 | 南京南瑞继保电气有限公司 | 变压器状态分析方法、系统、设备和存储介质 |
CN116089857A (zh) * | 2023-01-04 | 2023-05-09 | 国网吉林省电力有限公司四平供电公司 | 一种基于ceemdan-dbn的变压器故障识别方法 |
Non-Patent Citations (2)
Title |
---|
PENG ZHANG 等: "Power Transformer Health State Prediction Based on Multi-attention Coupling Learning", 2023 IEEE 6TH INTERNATIONAL ELECTRICAL AND ENERGY CONFERENCE (CIEEC), vol. 1, pages 4235 - 4239 * |
袁耀;张曦;杨家辉;邹林;王颂;赵林杰;: "基于状态指标向量化及霍夫曼编码的变压器缺陷模式识别", 广东电力, no. 08, pages 174 - 181 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074824A (zh) * | 2023-08-17 | 2023-11-17 | 东莞市港龙电源设备有限公司 | 一种变压器保护系统的检验系统及方法 |
CN117074824B (zh) * | 2023-08-17 | 2024-03-22 | 东莞市港龙电源设备有限公司 | 一种变压器保护系统的检验系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210003640A1 (en) | Fault locating method and system based on multi-layer evaluation model | |
CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
Jagtap et al. | RAM analysis and availability optimization of thermal power plant water circulation system using PSO | |
Hokstad et al. | Common cause failure modeling: status and trends | |
CN103926490B (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
CN108196143A (zh) | 电力变压器故障深度诊断方法及终端设备 | |
CN110333414A (zh) | 电力变压器多层次状态评估方法 | |
CN108898311A (zh) | 一种面向智能配电网抢修调度平台的数据质量检测方法 | |
CN116595337A (zh) | 变压器健康状态直接预测的态势量构建方法及系统 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN113342784A (zh) | 一种电网主变设备风险评估的数据库设计方法 | |
CN115758899A (zh) | 基于图马尔可夫神经网络的变压器故障的诊断系统 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
Parry | Suggestions for an improved HRA method for use in probabilistic safety assessment | |
Shojaee et al. | Applying SVSSI sampling scheme to np-chart to decrease the time of detecting shifts using Markov chain approach and Monte Carlo simulation | |
CN112036496A (zh) | 一种核动力装置故障诊断方法及系统 | |
Li et al. | Condition monitoring of sensors in a NPP using optimized PCA | |
Mwaura et al. | Adaptive Neuro-Fuzzy Inference System (ANFIS) based modelling of incipient steam generator tube rupture diagnosis | |
CN115828185A (zh) | 一种油浸变压器故障诊断方法 | |
Kolodenkova et al. | Selection of basic parameters for the diagnosis of industrial electrical equipment using computer technology | |
Pang et al. | A New Fault Diagnosis Method for Quality Control of Electromagnet Based on T–S Fault Tree and Grey Relation | |
Su et al. | Handling uncertainty in human cognitive reliability method for safety assessment based on DSET | |
Kirbaş et al. | A new vibration-based hybrid anomaly detection model for preventing high-power generator failures in power plants | |
CN113721002A (zh) | 一种基于硬投票集成学习的变压器故障诊断的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230815 |