CN116702612A - 一种多维指标融合的cvt健康状态预测方法及系统 - Google Patents
一种多维指标融合的cvt健康状态预测方法及系统 Download PDFInfo
- Publication number
- CN116702612A CN116702612A CN202310677843.4A CN202310677843A CN116702612A CN 116702612 A CN116702612 A CN 116702612A CN 202310677843 A CN202310677843 A CN 202310677843A CN 116702612 A CN116702612 A CN 116702612A
- Authority
- CN
- China
- Prior art keywords
- index
- transformer
- model
- error
- time sequence
- 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 abstract description 65
- 230000036541 health Effects 0.000 title claims abstract description 63
- 230000004927 fusion Effects 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 37
- 230000006870 function Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种多维指标融合的CVT健康状态预测方法及系统,根据预设的准确度模型对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列进行处理得到互感器准确度指标;根据预设的故障模型对二次电压数据进行处理得到互感器可靠性指标;根据预设的稳定模型对稳定状态数据进行处理得到互感器稳定性指标;根据预设的融合模型对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行分析,得到CVT健康状态。融合互感器准确度指标、互感器可靠性指标和互感器稳定性指标,从多个方向对互感器的健康状态进行评估预测,提高了最终健康状态预测结果的准确性,使得工作人员根据预测结果做出正确的判断,保证了电网的正常运行。
Description
技术领域
本发明涉及电容式电压互感器领域,具体为一种多维指标融合的CVT健康状态预测方法及系统。
背景技术
电容式电压互感器(CVT)是由串联电容器分压,再经电磁式互感器降压和隔离,作为用来变换电压的仪器,电容式电压互感器还可以将载波频率耦合到输电线用于长途通信、选择性的线路高频保护、遥控等功能上。和常规的电磁式电压互感器相比,电容式电压互感器器除了具有冲击绝缘强度高、制造简单、体积小、重量轻等优点外,在经济和安全上还有很多优越之处。电容式电压互感器CVT因其良好的绝缘性、经济性和抗铁磁谐振等优势被广泛应用于高压系统中。
但在长期不间断的运行过程中,受内部受潮、设备老化等多种不良因素的影响,其健康状态将不断劣化,状态异常CVT的持续运行将威胁电网的安全运行,甚至存在CVT爆炸的风险,因此需实时掌握预测CVT的健康状态,以便相关运行维护人员安排检修维护的工作,及时更换存在异常风险的CVT,如果不能及时发现互感器状态劣化,将影响电网运行。
目前设备的健康状态预测方法主要分为三种类型:即模型驱动、知识驱动和数据驱动。这些方法在实验数据上获得了较好的效果,但是在模型训练过程中需要大量的故障数据。但是在实际应用场景中,故障数据的获取较为困难,造成这些方法在实际工程应用中预测结果不够准确。
同时,由于目前对CVT的健康状态预测方法所采用的诊断指标较为单一,没有综合评价多维指标,导致健康状态结果的准确性低,工作人员无法获取准确的健康状态做出正确的判断,不能进行及时检修,而一旦CVT的健康状态发生异常,将会影响电网的安全运行。
发明内容
为了解决上述问题,本发明提出了一种多维指标融合的CVT健康状态预测方法及系统,融合多种互感器的诊断指标,从多个方向对互感器的健康状态进行评估预测,提高了最终健康状态预测结果的准确性,使得工作人员能够对健康状态异常的CVT提前进行检修,避免CVT异常带来的风险,保证了电网的正常运行。
为了实现上述目的,本发明采用了如下技术方案:
本发明提出了一种多维指标融合的CVT健康状态预测方法,包括,
采集互感器历史误差序列、二次电压数据和稳定状态数据;
对互感器历史误差序列进行预处理,根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标,根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列;
根据预设的准确度模型,对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值,根据对应的预测误差值计算得到互感器准确度指标;
根据预设的故障模型,对二次电压数据进行训练,预测得到互感器不同故障的概率,通过专家经验法对互感器不同故障的概率分配权重,计算得到互感器可靠性指标;
根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标;
根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态。
优选的,所述根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标具体包括,
所述互感器误差数据的表达式为:
E=[ε1,ε2,ε3,...,εt];
式中,εt为第t时刻的互感器误差值;
所述变动趋势指标的表达式为:
式中,k为设定时间段,设定为一周;
所述升降趋势指标的表达式为:
所述根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列具体包括,
基于变化趋势指标构建变动趋势指标时序序列D,其中D的表达式为:
D=[dt-q,dt-q+1,...,dt-1,dt];
基于升降趋势指标构建升降趋势指标时序序列J,其中J的表达式为:
J=[Jt-p,Jt-p+1,...,Jt-1,Jt]。
优选的,所述预设的准确度模型中包括LSTM预测模型;
所述对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值具体包括,
采用LSTM预测模型,对[t-q,t]时刻的互感器历史误差序列进行预测,得到互感器历史误差序列对应的预测误差值;
采用LSTM预测模型,对[t-q,t]时刻的升降趋势指标时序序列进行预测,预测得到升降趋势指标时序序列对应的预测升降趋势值,根据互感器历史误差序列及升降趋势指标时序序列对应的预测升降趋势值计算得到升降趋势指标时序序列对应的预测误差值;
采用LSTM预测模型,对[t-q,t]时刻的变动趋势指标时序序列进行预测,预测得到变动趋势指标时序序列对应的预测变化趋势值,根据变动趋势指标时序序列对应的预测变化趋势值计算得到变动趋势指标时序序列对应的预测误差值。
优选的,所述预设的准确度模型中还包括ELM模型;
所述根据对应的预测误差值计算得到互感器准确度指标具体包括,
所述对应的预测误差值输入ELM模型中,得到互感器误差估计值;
根据互感器误差估计值计算得到互感器误差真值的超差风险;
根据超差风险计算得到互感器准确度指标,所述互感器准确度指标的表达式为:
A=100×(1-Pr);
式中,A为互感器准确度指标,Pr为超差风险。
优选的,所述预设的故障模型中包括主成分分析法;
采用主成分分析法对二次电压数据进行处理,得到残差分量;
所述残差分量的表达式为:
式中,E为残差分量,为CVT经过标准化后的二次电压数据,/>为CVT标准化二次电压经主成分分析降维并重构后包含一次电压信息的主成分,PA∈RL×(L-1)为残差子空间的载荷矩阵。
优选的,所述预设的故障模型还包括优化后的GAN模型;
所述残差分量通过优化后的GAN模型进行扩充,得到扩充后的残差分量,所述扩充后的残差分量的表达式如下:
式中,为增强数据集,ek为真实样本,/>为生成器生成的样本,NL为多数类样本数,Nk为样本长度。
优选的,所述预设的故障模型还包括优化后的EEMD模型;
所述扩充后的残差分量通过EEMD模型进行分解,得到分解后的参量;
对分解后的分量构建特征矩阵,得到训练样本;
所述训练样本通过卷积神经网络进行训练,预测得到互感器不同故障的概率λl;
通过专家经验法对不同故障的概率分配权重μl,计算出互感器可靠性指标Q;
所述互感器可靠性指标的表达式为:
式中,k∈{1,2,...,5},Q为互感器可靠性指标。
优选的,所述根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标具体包括,
所述稳定状态数据包括突变误差稳定频次、突变误差不稳定频次、渐变误差单调显著性和渐变误差标准偏差;
所述预设的稳定模型通过层次分析法,对各个稳定状态数据分配权重,计算得到互感器稳定性指标。
优选的,所述根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态具体包括,
所述预设的融合模型通过层次分析法,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,得到CVT健康状态IM,所述IM的表达式如下:
IM=w1*A+w2*Q+w3*B;
式中,IM为健康状态,w1为互感器准确度指标的权重,w2为互感器可靠性指标的权重,w3为互感器稳定性指标的权重,A为互感器准确度指标,Q为互感器可靠性指标,B为互感器稳定性指标。
本发明提出了一种多维指标融合的CVT健康状态预测系统,包括,
采集模块,采集互感器历史误差数据、二次电压数据和稳定状态数据;
预处理模块,对互感器历史误差序列进行预处理,根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标,根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列;
准确度分析模块,根据预设的准确度模型,对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值,根据对应的预测误差值计算得到互感器准确度指标;
可靠性分析模块,根据预设的故障模型,对二次电压数据进行训练,预测得到互感器不同故障的概率,通过专家经验法对互感器不同故障的概率分配权重,计算得到互感器可靠性指标;
稳定性分析模块,根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标;
预测健康状态模块,根根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态。
与现有技术相比,本发明的有益效果在于:
本发明提出了一种多维指标融合的CVT健康状态预测方法,对互感器历史误差序列进行预处理,得到时序序列;根据预设的准确度模型,对互感器历史误差序列和时序序列进行处理,得到互感器准确度指标;根据预设的故障模型,对二次电压数据进行处理,得到互感器可靠性指标;根据预设的稳定模型,对稳定状态数据进行处理,得到互感器稳定性指标;根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行分析,预测得到CVT健康状态。融合互感器准确度指标、互感器可靠性指标和互感器稳定性指标,从多个方向对互感器的健康状态进行评估预测,提高了最终健康状态预测结果的准确性,使得工作人员能够对健康状态异常的CVT提前进行检修,避免CVT异常带来的风险,保证了电网的正常运行。
进一步的,本发明使用主成分分析法获取残差数据,基于主成分分析法消除了一次电压波动的影响。采用了优化后的GAN算法进行了故障样本扩充,对故障样本进行数据增强,避免故障数据较少引起的数据不平衡。
进一步的,本发明采用EEMD对残差数据进行了数据分解,通过增强样本特征,进一步提高了模型评估的准确性;融合了准确度、可靠度、稳定性等多维度指标,实现了互感器健康状态预测。
本发明提出了一种多维指标融合的CVT健康状态预测系统,采用综合评价多维指标,导致健康状态结果的准确性高,工作人员能实时掌握预测CVT的健康状态,进行安排检修维护的工作,及时更换存在异常风险的CVT,使得CVT健康运行。
附图说明
图1为本发明提出的一种多维指标融合的CVT健康状态预测方法及系统中的方法流程图。
图2为本发明提出的一种多维指标融合的CVT健康状态预测方法及系统中的系统模块图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中,“模块”、“装置”、“系统”等指应用于计算机的相关实体,如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说,例如,元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有,运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中,并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间,并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号,例如,来自一个与本地系统、分布式系统中另一元件交互的,和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明提出了一种多维指标融合的CVT健康状态预测方法,请参阅图1,包括,
采集互感器历史误差序列、二次电压数据和稳定状态数据;
对互感器历史误差序列进行预处理,根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标,根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列;
根据预设的准确度模型,对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值,根据对应的预测误差值计算得到互感器准确度指标;
根据预设的故障模型,对二次电压数据进行训练,预测得到互感器不同故障的概率,通过专家经验法对互感器不同故障的概率分配权重,计算得到互感器可靠性指标;
根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标;
根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态。
融合了误差数据完成了互感器误差的准确预测,融合互感器准确度指标、互感器可靠性指标和互感器稳定性指标,从多个方向对互感器的健康状态进行评估预测,提高了最终健康状态预测结果的准确性,使得工作人员能够及时在CVT健康状态异常之前进行检修,避免CVT异常带来的风险,保证了电网的正常运行。
在本发明的具体实施例中,请参阅图1,
所述根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标具体包括,
所述互感器误差数据的表达式为:
E=[ε1,ε2,ε3,...,εt];
式中,εt为第t时刻的互感器误差值;
所述变动趋势指标的表达式为:
式中,k为设定时间段,设定为一周;
所述升降趋势指标的表达式为:
所述根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列具体包括,
基于变化趋势指标构建变动趋势指标时序序列D,其中D的表达式为:
D=[dt-q,dt-q+1,...,dt-1,dt];
基于升降趋势指标构建升降趋势指标时序序列J,其中J的表达式为:
J=[Jt-p,Jt-p+1,...,Jt-1,Jt]。
结合变动趋势指标、升降趋势指标及误差数据,为互感器误差的准确预测提供样本数据,减少最终预测值与现实情况的误差,提高了最终预测结果的准确度。
在本发明的具体实施例中,请参阅图1,所述预设的准确度模型中包括LSTM预测模型;
所述对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值具体包括,
采用LSTM预测模型,对[t-q,t]时刻的互感器历史误差序列进行预测,得到互感器历史误差序列对应的预测误差值;
采用LSTM预测模型,对[t-q,t]时刻的升降趋势指标时序序列进行预测,预测得到升降趋势指标时序序列对应的预测升降趋势值,根据互感器历史误差序列及升降趋势指标时序序列对应的预测升降趋势值计算得到升降趋势指标时序序列对应的预测误差值;
采用LSTM预测模型,对[t-q,t]时刻的变动趋势指标时序序列进行预测,预测得到变动趋势指标时序序列对应的预测变化趋势值,根据变动趋势指标时序序列对应的预测变化趋势值计算得到变动趋势指标时序序列对应的预测误差值。
基于[t-q,t]时刻的误差序列,采用LSTM预测模型进行误差预测,预测得到预测误差值:
基于[t-q,t]时刻的升降趋势序列,采用LSTM预测模型进行预测,预测得到预测升降趋势值:Jt+1,Jt+2,Jt+3,Jt+4,Jt+5,Jt+6,Jt+7。基于历史误差序列及预测升降趋势值,计算出预测误差值:
基于[t-q,t]时刻的变化趋势序列,采用LSTM预测模型进行预测,预测得到预测变化趋势值:dt+1。基于预测变化趋势值:dt+1,计算出预测误差均值:
使用LSTM模型进行预测,能够去除不相关的状态并保存相关的状态,更准确地记住之前的信息,能够处理变长序列,产生新的输出序列,实现简单,由于LSTM模型具有鲁棒性,即便在时间序列中含有一定的不稳定性也不会影响LSTM模型最终预测的输出,使得预测出的误差序列、升降趋势序列和变化趋势序列具有稳定性。
在本发明的具体实施例中,请参阅图1,所述预设的准确度模型中还包括ELM模型;
所述根据对应的预测误差值计算得到互感器准确度指标具体包括,
所述ELM模型对t+1时刻的互感器误差进行预测得到互感器误差估计值x0;
以预测误差ε(1)、ε(2)和为输入,得到/>
根据所述互感器误差估计值x0计算互感器误差真值超出区间[-0.2%,0.2%]的概率Pr;
其中σ表示标准差,Pr为超差风险。
根据概率Pr计算互感器准确度指标A,公式如下:
A=100×(1-Pr);
式中,A为互感器准确度指标。
在本发明的具体实施例中,请参阅图1,所述预设的故障模型中包括主成分分析法;
采用主成分分析法对二次电压数据进行处理,得到残差分量;
所述残差分量的表达式为:
式中,E为残差分量,为CVT经过标准化后的二次电压数据,/>为CVT标准化二次电压经主成分分析降维并重构后包含一次电压信息的主成分,PA∈RL×(L-1)为残差子空间的载荷矩阵。
获取CVT的二次电压数据ui,为消除一次电压波动影响,采集同相电压互感器的二次电压,组成U∈Rn×L,其中n为采样样本数,L为同相CVT台数;对U进行标准化,得到标准化矩阵求/>的协方差矩阵/>取主成分为1,将特征向量按特征值由大到小排列,取第一列为负载矩阵PA;计算得到残差分量。
主成分分析的主要目标是将特征维度变小,同时尽量减少信息损失。就是对一个样本矩阵,一是换特征,找一组新的特征来重新表示;二是减少特征,新特征的数目要远小于原特征的数目。
主成分分析是一种线性降维方法,即通过某个投影矩阵将高维空间中的原始样本点线性投影到低维空间,以达到降维的目的,线性投影就是通过矩阵变换的方式把数据映射到最合适的方向。
在本发明的具体实施例中,请参阅图1,所述预设的故障模型还包括优化后的GAN模型;
所述残差分量通过预设的优化后的GAN模型进行扩充,得到扩充后的残差分量,所述扩充后的残差分量的表达式如下:
式中,为增强数据集,ek为真实样本,/>为生成器生成的样本,NL为多数类样本数,Nk为样本长度。
定义互感器故障类型有:Y={y1,y2,y3,y4,y5},其中y1为高压电容击穿,y2为中压电容击穿,y3为高压电容受潮,y4为低压电容受潮,y5阻尼装置劣化。
由于样本数据的不平衡现象极大的影响了样本识别的正确率,而GAN可以实现保留样本典型特征的情况下进行随机过采样,因此本文选取GAN模型进行样本扩充。考虑到传统GAN生成数据具有随机性问题,提出了优化的GAN生成模型,优化后的GAN模型输入包含了两个部分,一部分为随机噪声向量,另一部分为类别标签信息。因此,优化后的GAN的目标函数包含了判别损失函数Ls和分类损失函数Lc两部分。
其中,ereal为真实数据,egenerated为生成器生成数据;Pe代表真实样本分布,PZ代表生成样本分布,E表示分布的数学期望,Ez~Pz分别表示对e∈Pe、z∈Pz求期望,S、C为判别结果,c为类别。
对生成模型而言,其优化目标是最大化对数似然估计F1=max(LC-LS);
对判断模型而言,其优化目标是最大化对数似然估计F2=max(LC+LS);
对于属于类别yk的少数类样本其中k∈{1,2,...,5},/>为yk类别的样本数,Nk为样本长度。
基于GAN数据增强步骤如下:
利用F1可求出属于类别yk的生成器Gk的最优参数然后利用训练出的最优生成器生成样本进行数据增强。利用生成器生成样本/>如下式所示:
其中:为从Pz随机选取的一组噪声,/>为ek增加的样本数,NZ为噪声长度;δ为ek的不平衡率。
因此,可以得到属于类别yk的增强数据集其中NL为多数类样本数。
基于F2生成判断模型,通过不断迭代,最终达到纳什均衡状态。
GAN的目的就是生成不存在的数据,在一个图像生成对抗网络中,生成器负责生成假样本,这里认为训练集是真样本,而判别器负责判别样本的真假。"对抗”的含义就是生成器通过不断的训练尽可能的生成以假乱真的样本,判别器通过不断的识别尽可能的区分样本的真假。
生成器的训练过程,简单来说就是,给定网络,给定标签,然后更新输入这里是随机数据,可以符合一定的分布,使输出图像对应的标签逐渐靠近给定的标签;判别器的训练过程和一般神经网络的训练类似。
在本发明的具体实施例中,请参阅图1,所述预设的故障模型还包括优化后的EEMD模型;
通过EEMD模型对扩充后的残差分量进行分解得到分解后的参量;
对分解后的分量构建特征矩阵,得到训练样本;
所述训练样本通过卷积神经网络进行训练,预测得到互感器不同故障的概率λl;
通过专家经验法对不同故障的概率分配权重μl,计算出互感器可靠性指标Q;
所述互感器可靠性指标的表达式为:
式中,k∈{1,2,...,5},Q为互感器可靠性指标。
基于GAN扩充后的各类样本,采用EEMD对扩充后的残差数据进行进一步分解。
第一步:对经验模态分解(EMD)的执行总次数MaxIter和白噪声幅值系数k进行初始化,并给当前的执行次数m赋值为1;
第二步:执行第m次EMD:在原参量序列中加入白噪声Δε,得到待处理的残差序列
em(t)=e(t)+k*Δεm(t);
式中,em(t)为加噪的待处理残差序列,e(t)为原残差样本,k为幅值系数,Δεm(t)为随机加的白噪声,所添加的白噪声必须满足均值为零的特点。
通过EMD分解em(t),得到U个IMF分量Cu,m,Cu,m表示第m次分解出来的第u个IMF;当分解的次数m<MaxIter(初始化执行的次数)时,m=m+1,返回第二步。
第三步:对MaxIter次分解的每个IMF计算平均值,该值就是EEMD分解后得到的IMF。
则残差序列通过集合经验模态分解后,原计量残差序列e(t)可表示为:
式中,e(t)表示为原始残差样本;Cu(t)表示残差序列的第u个分量;r(t)表示残余。
基于分解后的残差分量构建特征矩阵,得到训练样本
式中,F(i)为第i个样本,C2 (i)(t)表示第i个样本的第二个分量t时刻的值,r(i)(t)表示第i个样本的残余分量t时刻的值。
采用卷积神经网络(CNN)进行互感器故障预测,选择softmax分类器,预测t+1时刻的CVT的故障概率λl。虑到不同的故障类型对于互感器健康状态的影响大小不一样,因此采用专家经验法,对不同故障类型进行权重赋值,得不同故障状态下的影响权重[μ1,μ2,μ3,μ4,μ5,μ6],μ6对应正常状态的权重。计算得到待测互感器的可靠度指标Q。
EEMD方法的本质是一种叠加高斯白噪声的多次经验模式分解,利用了高斯白噪声具有频率均匀分布的统计特性,通过每次加入同等幅值的不同白噪声来改变信号的极值点特性,之后对多次EMD得到的相应IMF进行总体平均来抵消加入的白噪声,从而有效抑制模态混叠的产生。
在本发明的具体实施例中,请参阅图1,所述根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标具体包括;
所述稳定状态数据包括突变误差稳定频次、突变误差不稳定频次、渐变误差单调显著性和渐变误差标准偏差;
所述预设的稳定模型通过层次分析法,对各个稳定状态数据分配权重,计算得到互感器稳定性指标B。
所述预设的稳定模型为互感器稳定性状态指标数据模型,具体包括:突变误差稳定频次函数模型、突变误差不稳定频次函数模型、渐变误差单调显著性函数模型和渐变误差标准偏差函数模型;
采用层次分析理论对互感器稳定性状态指标数据模型中的各稳定状态数据的重要性进行比较,确定各稳定状态数据的权重;
根据互感器稳定性状态指标数据模型的各个稳定状态数据的结果和对应的权重计算CVT稳定性状态评分,根据CVT稳定性状态评分评估CVT稳定性状态(稳定、轻度稳定、中度稳定、重度稳定),得到稳定性指标B。
在本发明的具体实施例中,请参阅图1,所述根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态具体包括,
所述预设的融合模型通过层次分析法,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,得到CVT健康状态IM,所述IM的表达式如下:
IM=w1*A+w2*Q+w3*B。
式中,IM为健康状态,w1为互感器准确度指标的权重,w2为互感器可靠性指标的权重,w3为互感器稳定性指标的权重,A为互感器准确度指标,Q为互感器可靠性指标,B为互感器稳定性指标。
采用层次分析法对准确度指标A、可靠度指标Q、稳定性指标B等3个指标进行比较分析,分别赋予权重w1、w2、w3(其中w1+w2+w3=1)。
第一步:构建判断矩阵;
专家组按照九分位标度法判断打分得到判断矩阵中元素Vij,九分位标度法定义项的量化及其含义如下表格所示,构建判断矩阵V。
标度 | 含义 |
1 | 表示两个因素相比,具有同样重要性 |
3 | 表示两个因素相比,一个因素比另一个因素稍微重要 |
5 | 表示两个因素相比,一个因素比另一个因素明显重要 |
7 | 表示两个因素相比,一个因素比另一个因素强烈重要 |
9 | 表示两个因素相比,一个因素比另一个因素极端重要 |
2,4,6,8 | 上述两相邻判断的中值 |
第二步:对判断矩阵进行一致性校验;
对判断矩阵进行归一化处理,得到权重向量W=[w1,w2,w3],并计算判断矩阵的最大特征根λmax的表达式为;
式中,υ为指标个数,(VW)υ表示向量VW的第υ个元素。
计算一致性指标的表达式为:
式中,n为矩阵阶数。
判断一致性比率CR=CI/RI,若CR<0.1,则通过一致性检验,否则重复第一步重新构造判别矩阵V。
第三步:基于权重向量W=[w1,w2,w3]和各指标评分H=[A,Q,B]计算互感器的健康状态评分IM。
本发明提出了一种多维指标融合的CVT健康状态预测系统,请参阅图2,包括,
采集模块,采集互感器历史误差数据、二次电压数据和稳定状态数据;
预处理模块,对互感器历史误差序列进行预处理,根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标,根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列;
准确度分析模块,根据预设的准确度模型,对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值,根据对应的预测误差值计算得到互感器准确度指标;
可靠性分析模块,根据预设的故障模型,对二次电压数据进行训练,预测得到互感器不同故障的概率,通过专家经验法对互感器不同故障的概率分配权重,计算得到互感器可靠性指标;
稳定性分析模块,根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标;
预测健康状态模块,根根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态。
采用综合评价多维指标,导致健康状态结果的准确性高,工作人员能实时掌握预测CVT的健康状态,进行安排检修维护的工作,及时更换存在异常风险的CVT,使得CVT健康运行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种多维指标融合的CVT健康状态预测方法,其特征在于,包括,
采集互感器历史误差序列、二次电压数据和稳定状态数据;
对互感器历史误差序列进行预处理,根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标,根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列;
根据预设的准确度模型,对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值,根据对应的预测误差值计算得到互感器准确度指标;
根据预设的故障模型,对二次电压数据进行训练,预测得到互感器不同故障的概率,通过专家经验法对互感器不同故障的概率分配权重,计算得到互感器可靠性指标;
根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标;
根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态。
2.根据权利要求1所述的一种多维指标融合的CVT健康状态预测方法,其特征在于,所述根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标具体包括,
所述互感器误差数据的表达式为:
E=[ε1,ε2,ε3,...,εt];
式中,εt为第t时刻的互感器误差值;
所述变动趋势指标的表达式为:
式中,k为设定时间段,设定为一周;
所述升降趋势指标的表达式为:
所述根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列具体包括,
基于变化趋势指标构建变动趋势指标时序序列D,其中D的表达式为:
D=[dt-q,dt-q+1,...,dt-1,dt];
基于升降趋势指标构建升降趋势指标时序序列J,其中J的表达式为:
J=[Jt-p,Jt-p+1,...,Jt-1,Jt]。
3.根据权利要求2所述的一种多维指标融合的CVT健康状态预测方法,其特征在于,所述预设的准确度模型中包括LSTM预测模型;
所述对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值具体包括,
采用LSTM预测模型,对[t-q,t]时刻的互感器历史误差序列进行预测,得到互感器历史误差序列对应的预测误差值;
采用LSTM预测模型,对[t-q,t]时刻的升降趋势指标时序序列进行预测,预测得到升降趋势指标时序序列对应的预测升降趋势值,根据互感器历史误差序列及升降趋势指标时序序列对应的预测升降趋势值计算得到升降趋势指标时序序列对应的预测误差值;
采用LSTM预测模型,对[t-q,t]时刻的变动趋势指标时序序列进行预测,预测得到变动趋势指标时序序列对应的预测变化趋势值,根据变动趋势指标时序序列对应的预测变化趋势值计算得到变动趋势指标时序序列对应的预测误差值。
4.根据权利要求3所述的一种多维指标融合的CVT健康状态预测方法,其特征在于,所述预设的准确度模型中还包括ELM模型;
所述根据对应的预测误差值计算得到互感器准确度指标具体包括,
所述对应的预测误差值输入ELM模型中,得到互感器误差估计值;
根据互感器误差估计值计算得到互感器误差真值的超差风险;
根据超差风险计算得到互感器准确度指标,所述互感器准确度指标的表达式为:
A=100×(1-Pr);
式中,A为互感器准确度指标,Pr为超差风险。
5.根据权利要求1所述的一种多维指标融合的CVT健康状态预测方法,其特征在于,所述预设的故障模型中包括主成分分析法;
采用主成分分析法对二次电压数据进行处理,得到残差分量;
所述残差分量的表达式为:
式中,E为残差分量,为CVT经过标准化后的二次电压数据,/>为CVT标准化二次电压经主成分分析降维并重构后包含一次电压信息的主成分,PA∈RL×(L-1)为残差子空间的载荷矩阵。
6.根据权利要求5所述的一种多维指标融合的CVT健康状态预测方法,其特征在于,所述预设的故障模型还包括优化后的GAN模型;
所述残差分量通过优化后的GAN模型进行扩充,得到扩充后的残差分量,所述扩充后的残差分量的表达式如下:
式中,为增强数据集,ek为真实样本,/>为生成器生成的样本,NL为多数类样本数,Nk为样本长度。
7.根据权利要求6所述的一种多维指标融合的CVT健康状态预测方法,其特征在于,所述预设的故障模型还包括优化后的EEMD模型;
所述扩充后的残差分量通过EEMD模型进行分解,得到分解后的参量;
对分解后的分量构建特征矩阵,得到训练样本;
所述训练样本通过卷积神经网络进行训练,预测得到互感器不同故障的概率λl;
通过专家经验法对不同故障的概率分配权重μl,计算出互感器可靠性指标Q;
所述互感器可靠性指标的表达式为:
式中,k∈{1,2,...,5},Q为互感器可靠性指标。
8.根据权利要求1所述的一种多维指标融合的CVT健康状态预测方法,其特征在于,所述根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标具体包括,
所述稳定状态数据包括突变误差稳定频次、突变误差不稳定频次、渐变误差单调显著性和渐变误差标准偏差;
所述预设的稳定模型通过层次分析法,对各个稳定状态数据分配权重,计算得到互感器稳定性指标。
9.根据权利要求1所述的一种多维指标融合的CVT健康状态预测方法,其特征在于,所述根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态具体包括,
所述预设的融合模型通过层次分析法,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,得到CVT健康状态IM,所述IM的表达式如下:
IM=w1*A+w2*Q+w3*B;
式中,IM为健康状态,w1为互感器准确度指标的权重,w2为互感器可靠性指标的权重,w3为互感器稳定性指标的权重,A为互感器准确度指标,Q为互感器可靠性指标,B为互感器稳定性指标。
10.一种多维指标融合的CVT健康状态预测系统,其特征在于,包括,
采集模块,采集互感器历史误差数据、二次电压数据和稳定状态数据;
预处理模块,对互感器历史误差序列进行预处理,根据互感器历史误差数据计算出误差数据的变动趋势指标和升降趋势指标,根据变动趋势指标和升降趋势指标分别构建对应的时序序列,得到变动趋势指标时序序列和升降趋势指标时序序列;
准确度分析模块,根据预设的准确度模型,对互感器历史误差序列、变动趋势指标时序序列和升降趋势指标时序序列分别进行预测,得到对应的预测误差值,根据对应的预测误差值计算得到互感器准确度指标;
可靠性分析模块,根据预设的故障模型,对二次电压数据进行训练,预测得到互感器不同故障的概率,通过专家经验法对互感器不同故障的概率分配权重,计算得到互感器可靠性指标;
稳定性分析模块,根据预设的稳定模型,对稳定状态数据分配权重,计算得到互感器稳定性指标;
预测健康状态模块,根根据预设的融合模型,对互感器准确度指标、互感器可靠性指标和互感器稳定性指标进行加权融合计算,预测得到CVT健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677843.4A CN116702612A (zh) | 2023-06-08 | 2023-06-08 | 一种多维指标融合的cvt健康状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677843.4A CN116702612A (zh) | 2023-06-08 | 2023-06-08 | 一种多维指标融合的cvt健康状态预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702612A true CN116702612A (zh) | 2023-09-05 |
Family
ID=87842814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310677843.4A Pending CN116702612A (zh) | 2023-06-08 | 2023-06-08 | 一种多维指标融合的cvt健康状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702612A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233687A (zh) * | 2023-11-13 | 2023-12-15 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN117849691A (zh) * | 2024-03-08 | 2024-04-09 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警系统和方法 |
CN117972460A (zh) * | 2024-03-28 | 2024-05-03 | 国网福建省电力有限公司 | 一种高压电流互感器运行故障判别方法 |
-
2023
- 2023-06-08 CN CN202310677843.4A patent/CN116702612A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233687A (zh) * | 2023-11-13 | 2023-12-15 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN117233687B (zh) * | 2023-11-13 | 2024-02-06 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN117849691A (zh) * | 2024-03-08 | 2024-04-09 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警系统和方法 |
CN117849691B (zh) * | 2024-03-08 | 2024-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警系统和方法 |
CN117972460A (zh) * | 2024-03-28 | 2024-05-03 | 国网福建省电力有限公司 | 一种高压电流互感器运行故障判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116702612A (zh) | 一种多维指标融合的cvt健康状态预测方法及系统 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN104750979B (zh) | 面向体系结构的综合化风险优先数计算方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN114065605A (zh) | 一种智能电能表运行状态检测评估系统和方法 | |
CN110163486A (zh) | 一种项目风险重要度评估方法及系统 | |
CN111612262A (zh) | 一种基于分位数回归的风电功率概率预测方法 | |
CN115859777A (zh) | 一种多故障模式下产品系统寿命预测的方法 | |
CN116579640A (zh) | 电力营销服务渠道用户体验评估方法及系统 | |
CN111814284A (zh) | 基于相关性检测与改进随机森林的在线电压稳定评估方法 | |
CN114896861A (zh) | 基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
CN115983477A (zh) | 基于K-means聚类与卷积神经网络模型的负荷预测方法 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
Haghighati et al. | Feature extraction in control chart patterns with missing data | |
Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
CN114021465A (zh) | 基于深度学习的电力系统鲁棒状态估计方法及系统 | |
CN110222855B (zh) | 列车车轮退化数据的处理方法、装置及存储介质 | |
CN114118680A (zh) | 一种网络安全态势评估方法及系统 |
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 |