CN116796652B - 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 - Google Patents
湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 Download PDFInfo
- Publication number
- CN116796652B CN116796652B CN202311077214.4A CN202311077214A CN116796652B CN 116796652 B CN116796652 B CN 116796652B CN 202311077214 A CN202311077214 A CN 202311077214A CN 116796652 B CN116796652 B CN 116796652B
- Authority
- CN
- China
- Prior art keywords
- rubber gasket
- sealing rubber
- failure
- distribution transformer
- degradation
- 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.)
- Active
Links
- 238000007789 sealing Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006866 deterioration Effects 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 230000015556 catabolic process Effects 0.000 claims abstract description 48
- 238000006731 degradation reaction Methods 0.000 claims abstract description 48
- 230000007613 environmental effect Effects 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000005286 illumination Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 238000007373 indentation Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Abstract
本发明公开了一种湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，所述方法包括：获取湿热地区配电变压器全生命周期的运行电气监测数据、环境监测数据以及不同阶段的橡胶垫圈性能检测数据，基于这些数据，分别获取密封橡胶垫圈的累积环境效应值、累积电气效应值和性能失效度评估时间序列，建立基于累积效应时序信息融合的密封橡胶垫圈劣化失效预测模型；对实际运行的配电变压器，利用待评估密封橡胶垫圈的累积环境效应值、累积电气效应值和性能失效度评估时间序列，采用劣化失效预测模型得到劣化失效度评估结果，基于劣化失效度评估结果确定待评估密封橡胶垫圈的劣化失效状态。本发明能够实现湿热地区配电变压器密封橡胶垫圈劣化失效预测。
Description
技术领域
本发明属于密封橡胶垫圈性能评估领域，特别是一种基于累积效应时序信息融合的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法。
背景技术
橡胶类材料具有高弹性和耐腐蚀性，我国电力系统中充油及充气设备的连接处，普遍使用橡胶类密封件。一旦橡胶类密封工作失效，会导致气体、液体介质的渗漏及外部空气和水分的混入，引发设备故障。在电力设备实际运行过程中，电力负荷、油温、油压、油中微水含量、环境条件（温度、湿度、光照强度等）都会导致橡胶失效，而湿热地区的变压器受温湿度等因素的影响尤甚。
若变压器长期运行于高湿度条件下，由于水分的凝结等因素，电力设备会较快出现锈化、短路、绝缘性能下降、绝缘老化加速等现象，且橡胶制品也较易受潮而出现不同程度的劣化失效；较高的温度也不利于变压器的稳定运行，对于大多数变压器，若长期运行于高于35℃的环境中，由于设备热量不能及时散开，极有可能导致过热跳闸甚至于烧毁设备；另外，较高的温度往往伴随着较高的光照强度，这也无疑会加速裸露在外的密封橡胶垫圈的老化。
而现有的橡胶圈加速老化和寿命评估方法很难在实际使用的湿热地区橡胶圈失效预测中发挥作用：一方面是由于这些方法，只能获得某一种或几种因素作用下橡胶的失效率，很难模拟现实应用场景；另一方面，在变压器的使用过程中无法对橡胶圈进行测试分析，无法获取使用过程中的橡胶圈性能状况而无法做出实时预测。
发明内容
本发明的目的在于提供一种基于累积效应时序信息融合的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，以解决上述背景技术存在的一个或多个技术问题；本发明通过对变压器服役期间所受到的环境因素与电气变量进行量化，并基于时序信息给出其累积效应值，从而实现实时对变压器密封橡胶垫圈的状态进行评估。
为达到上述目的，本发明采用以下技术方案：湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，其包括：
步骤1，获取湿热地区配电变压器全生命周期的运行电气监测数据、运行环境监测数据以及不同阶段的橡胶垫圈性能检测数据；
步骤2，基于配电变压器运行环境监测数据，获取密封橡胶垫圈的累积环境效应值；
步骤3，基于配电变压器运行电气监测数据，获取密封橡胶垫圈的累积电气效应值；
步骤4，基于不同阶段的橡胶垫圈性能检测数据，获取密封橡胶垫圈的性能失效度评估时间序列；
步骤5，结合步骤2-4获取的数据，通过累积效应时序信息融合技术，建立基于累积效应时序信息融合的湿热地区配电变压器密封橡胶垫圈劣化失效预测模型，得到密封橡胶垫圈劣化失效度评估结果；
步骤6，对实际运行的配电变压器，按照步骤2、步骤3和步骤4分别得到待评估密封橡胶垫圈的累积环境效应值、累积电气效应值和性能失效度评估时间序列，利用步骤5建立的劣化失效预测模型得到待评估密封橡胶垫圈的劣化失效度评估结果，基于所述的劣化失效度评估结果确定待评估密封橡胶垫圈的劣化失效状态。
本发明的方法，通过对变压器全生命周期运行电气监测数据与环境监测数据进行时序信息累积效应值计算，结合不同阶段的橡胶垫圈性能检测数据所获得的劣化失效度评估结果，进行湿热地区配电变压器密封橡胶垫圈劣化失效预测，该方法与传统方法相比，具有较强的实时性，对湿热地区的环境因素进行了充分考量，并给出对密封橡胶垫圈的性能综合评估结果。
进一步地，步骤1中，所述全生命周期的运行电气监测数据包括负荷、油温、油压和油中微水含量。
进一步地，步骤1中，所述全生命周期的环境监测数据包括环境温度、环境湿度和光照强度。
进一步地，步骤1中，所述的不同阶段的橡胶垫圈性能检测数据，其不同阶段包括橡胶圈处于全新状态、正常状态、轻度劣化状态、中度劣化状态和失效预警状态，其性能检测数据包括微米压痕硬度、弹性模量、密度、回弹性和压缩永久形变量。
进一步地，步骤2所述的密封橡胶垫圈的累积环境效应值，按以下方法计算：
记时刻的环境温度为/>、环境湿度为/>、光照强度为/>，配电变压器密封橡胶圈的最佳工作环境下环境温度为/>、环境湿度为/>、光照强度为/>，/>、/>、/>分别为/>时刻环境温度、环境湿度和光照强度的归一化结果，/>、/>、/>分别为最佳工作环境下环境温度、环境湿度和光照强度的归一化结果，归一化方法可采用离差标准化、Z-Score标准化等；
则密封橡胶圈截止到时刻的累积环境效应值如下：
其中，为自然指数函数，/>为环境样本与最佳工作环境下环境样本之间的欧式距离。
进一步地，步骤3所述的密封橡胶垫圈的累积电气效应值，按以下方法计算：
记时刻的配电变压器负荷为/>油温为/>、油压为/>、油中微水含量为/>，配电变压器运行的最佳负荷为/>油温为/>、油压为/>、油中微水含量为/>，/>、/>、、/>分别为/>时刻配电变压器负荷、油温、油压、油中微水含量的归一化结果，/>、/>、、/>分别为配电变压器运行的最佳负荷状态下负荷、油温、油压、油中微水含量的归一化结果，归一化方法可采用离差标准化、Z-Score 标准化等；
则密封橡胶圈截止到时刻的累积电气效应值如下：
其中，为自然指数函数，/>为电气样本与最佳负荷状态下电气样本之间的欧式距离，当/>时，令/>；当/>时，令/>；当时，令/>；当/>时，令/>。
进一步地，步骤4所述的密封橡胶垫圈的性能失效度评估时间序列，按以下方法获取：
对不同阶段橡胶垫圈的性能检测数据，分别计算其偏离度：
微米压痕硬度偏离度：，其中，/>为微米压痕硬度偏离值，/>为微米压痕硬度最大允许偏离值；
弹性模量偏离度：，其中，/>为弹性模量偏离值，/>为弹性模量最大允许偏离值；
密度偏离度：，其中，/>为密度偏离值，/>为密度最大允许偏离值；
回弹性偏离度：，其中，/>为回弹性偏离值，/>为回弹性最大允许偏离值；
压缩永久形变量偏离度：，其中，/>为压缩永久形变量偏离值，/>为压缩永久形变量最大允许偏离值；
密封橡胶垫圈的性能失效度评估时间序列为：
其中，为权重系数，且满足/>。
进一步地，步骤5所述的基于累积效应时序信息融合的湿热地区配电变压器密封橡胶垫圈劣化失效预测模型，模型输入信息包括：从全新状态开始获取的密封橡胶垫圈的累积环境效应值、累积电气效应值/>、性能失效度评估时间序列结果/>构成的时间信息序列{/>}，{/>}…{/>}。
进一步地，步骤5中，化失效预测模型的建立方法采用多项式拟合、神经网络或最小二乘法；记为/>时刻的密封橡胶垫圈劣化失效度，则神经网络通过黑箱模型求解，而最小二乘法直接构建拟合函数：
，
以损失函数最小化为目标求解/>，从而获取拟合函数。
进一步地，根据橡胶垫圈劣化失效度评估结果确定橡胶垫圈状态的内容如下：劣化失效度评估结果为0时，橡胶垫圈为全新状态；劣化失效度评估结果为(0-0.8]时，橡胶垫圈为正常状态；劣化失效度评估结果为(0.8-1.2]时，橡胶垫圈为轻度劣化状态；劣化失效度评估结果为(1.2-2.0]时，橡胶垫圈为中度劣化状态；劣化失效度评估结果＞2.0时，橡胶垫圈为失效预警状态。
与现有技术相比，本发明具有以下有益效果：
本发明针对湿热地区配电变压器密封橡胶垫圈，充分考虑变压器全生命周期受到电气因素与环境因素的影响，对电气监测数据与环境监测数据进行时序信息累积效应值计算，结合不同阶段的橡胶垫圈性能检测数据所获得的劣化失效度评估结果，建立湿热地区配电变压器密封橡胶垫圈劣化失效预测模型，并给出评估结果与变压器橡胶密封垫圈的劣化失效状态关系。
本发明与现有技术相比，具有较强的实时性，并对湿热地区的环境因素进行了充分考量，最终给出对密封橡胶垫圈的性能综合评估结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明湿热地区配电变压器密封橡胶垫圈劣化失效预测方法的流程图；
图2是本发明湿热地区配电变压器密封橡胶垫圈劣化失效预测方法所应用BP神经网络算法的流程图；
图3是本发明模型训练过程中样品失效评估度预测值与实际值的曲线图；
图4是本发明待评估样品随时间变化失效评估度结果图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚，下面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。
本发明提出的一种基于累积效应时序信息融合的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，如图1所示，按照以下的步骤进行：
步骤1，获取某湿热地区配电变压器全生命周期的运行电气监测数据、环境监测数据以及不同阶段的橡胶垫圈性能检测数据。
步骤2，基于该配电变压器运行环境监测数据，获取密封橡胶垫圈的累积环境效应值，累积环境效应值按以下方法计算：
记时刻的环境温度为/>环境湿度为/>、光照强度为/>，配电变压器密封橡胶圈的最佳工作环境下环境温度为为/>环境湿度为/>、光照强度为，/>、/>为/>时刻环境温度、环境湿度和光照强度的归一化结果，/>、/>、分别为最佳工作环境下环境温度、环境湿度和光照强度的归一化结果，归一化方法采用离差标准化方法，则密封橡胶圈截止到/>时刻的累积环境效应值如下：
其中，为自然指数函数，/>为环境样本与最佳工作环境下环境样本之间的欧式距离。
步骤3，基于该配电变压器运行电气监测数据，获取密封橡胶垫圈累积电气效应值，累积电气效应值按以下方法计算：
记时刻的该配电变压器负荷为/>油温为/>、油压为/>、油中微水含量为/>，配电变压器运行的最佳负荷为/>=280kVA(负载率为70%)、油温为/>=20℃，油压为/>=120kpa，油中微水含量为/>=0ppm，/>、/>、/>、/>为/>时刻配电变压器负荷、油温、油压、油中微水含量的归一化结果，/>、/>、/>、/>分别为配电变压器运行的最佳负荷状态下负荷、油温、油压、油中微水含量的归一化结果，归一化方法采用离差标准化方法。
则密封橡胶圈截止到时刻的累积电气效应值如下：
其中，为自然指数函数，/>为电气样本与最佳负荷状态下电气样本之间的欧式距离，当/>时，令/>；当/>时，令/>；当时，令/>；当/>时，令/>。
步骤4，基于不同阶段的橡胶垫圈性能检测数据，获取密封橡胶垫圈的性能失效度评估时间序列；性能失效度评估时间序列按以下方法获取：
对不同阶段橡胶圈的性能检测数据分别计算其偏离度：
微米压痕硬度偏离度：，其中/>为微米压痕硬度偏离值，/>为微米压痕硬度最大允许偏离值；
弹性模量偏离度：，其中/>为弹性模量偏离值，/>为弹性模量最大允许偏离值；
密度偏离度：，其中/>为密度偏离值，/>为密度最大允许偏离值；
回弹性偏离度：，其中/>为回弹性偏离值，/>为回弹性最大允许偏离值；
压缩永久形变量偏离度：，其中/>为压缩永久形变量偏离值，/>为压缩永久形变量最大允许偏离值；
密封橡胶垫圈的性能失效度评估时间序列为：
其中为权重系数，且满足/>，/>根据具体应用场景由人工选取，此处选取/>。
步骤5，结合步骤2-4获取的数据，通过累积效应时序信息融合技术，建立基于累积效应时序信息融合的湿热地区配电变压器密封橡胶垫圈劣化失效预测模型，得到密封橡胶垫圈劣化失效度评估结果；
模型输入信息包括：从全新状态开始获取的密封橡胶垫圈的累积环境效应值、累积电气效应值/>、性能失效度评估时间序列/>构成的时间信息序列{/>}，{/>}…{/>}。
模型建立方法可采用多项式拟合、神经网络、最小二乘法等任意一种数据估计方法。本实施例选取BP神经网络算法，如图2所示。BP神经网络是一种多层神经网络，具有三层结构，为输入层、隐含层和输出层。其中，输入层对应训练数据的投入，即从全新状态开始获取的密封橡胶垫圈的累积环境效应值、累积电气效应值/>、性能失效度评估时间序列构成的时间信息序列{/>}，{/>}…{/>}；输出层对应神经网络学习得到的最优结果，即密封橡胶垫圈劣化失效度评估结果；隐含层则是神经网络的学习层，用于构建输入的密封橡胶垫圈时间信息序列与输出的劣化失效度评估结果之间的关联关系。此处设置隐含层层数为1，节点数为9。BP神经网络算法是基于误差逆向传播算法训练的，传播过程是将由密封橡胶垫圈时间信息序列正向计算得到的误差量，通常含误差值、误差偏导数等多个相关量，由输出层按照一定比例传输给各隐含层。之后BP神经网络通过重新分配神经元权重，调整网内输入与输出的映射关系等来更新隐含层信息并再次计算输出值，由此构成一个循环往复的状态，直至找寻到最小误差对应的网络参数或达到所需的精度要求，则神经网络学习停止，并输出密封橡胶垫圈劣化失效度评估结果，进而在步骤6中获取橡胶垫圈劣化失效状态。模型训练过程中样品失效评估度预测值与实际值的曲线图如图3所示。
步骤6，对实际运行的配电变压器，按照步骤2、步骤3和步骤4分别得到待评估密封橡胶垫圈的累积环境效应值、累积电气效应值和性能失效度评估时间序列，利用步骤5建立的劣化失效预测模型得到待评估密封橡胶垫圈的劣化失效度评估结果，其随时间变化失效评估度结果图如图4所示。基于所述的劣化失效度评估结果确定待评估密封橡胶垫圈的劣化失效状态，具体内容如下：
从评估结果中得出，该变压器橡胶垫圈于投运后约33个月后进入失效预警状态。
最后应说明的是：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 (7)
1.湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，其特征在于，包括：
步骤1，获取湿热地区配电变压器全生命周期的运行电气监测数据、运行环境监测数据以及不同阶段的橡胶垫圈性能检测数据；
步骤2，基于配电变压器运行环境监测数据，获取密封橡胶垫圈的累积环境效应值；
步骤3，基于配电变压器运行电气监测数据，获取密封橡胶垫圈的累积电气效应值；
步骤4，基于不同阶段的橡胶垫圈性能检测数据，获取密封橡胶垫圈的性能失效度评估时间序列；
步骤5，结合步骤2-4获取的数据，通过累积效应时序信息融合技术，建立基于累积效应时序信息融合的湿热地区配电变压器密封橡胶垫圈劣化失效预测模型，得到密封橡胶垫圈劣化失效度评估结果；
步骤6，对实际运行的配电变压器，按照步骤2、步骤3和步骤4分别得到待评估密封橡胶垫圈的累积环境效应值、累积电气效应值和性能失效度评估时间序列，利用步骤5建立的劣化失效预测模型得到待评估密封橡胶垫圈的劣化失效度评估结果，基于所述的劣化失效度评估结果确定待评估密封橡胶垫圈的劣化失效状态；
步骤2所述的密封橡胶垫圈的累积环境效应值，按以下方法计算：
记时刻的环境温度为/>、环境湿度为/>、光照强度为/>，配电变压器密封橡胶圈的最佳工作环境下环境温度为/>、环境湿度为/>、光照强度为/>，/>、/>、/>分别为/>时刻环境温度、环境湿度和光照强度的归一化结果，/>、/>、/>分别为最佳工作环境下环境温度、环境湿度和光照强度的归一化结果；
则密封橡胶圈截止到时刻的累积环境效应值如下：
，
其中，为自然指数函数，/>为环境样本与最佳工作环境下环境样本之间的欧式距离；
步骤3所述的密封橡胶垫圈的累积电气效应值，按以下方法计算：
记时刻的配电变压器负荷为/>油温为/>、油压为/>、油中微水含量为/>，配电变压器运行的最佳负荷状态下负荷为/>油温为/>、油压为/>、油中微水含量为/>，、/>分别为/>时刻配电变压器负荷、油温、油压、油中微水含量的归一化结果，/>、/>分别为配电变压器运行的最佳负荷状态下负荷、油温、油压、油中微水含量的归一化结果；
则密封橡胶圈截止到时刻的累积电气效应值如下：
，
其中，为自然指数函数，/>为电气样本与最佳负荷状态下电气样本之间的欧式距离，当/>时，令/>；当/>时，令/>；当/>时，令/>；当/>时，令/>；
步骤4所述的密封橡胶垫圈的性能失效度评估时间序列，按以下方法获取：
对不同阶段橡胶垫圈的性能检测数据，分别计算其偏离度：
微米压痕硬度偏离度：，其中，/>为微米压痕硬度偏离值，/>为微米压痕硬度最大允许偏离值；
弹性模量偏离度：，其中，/>为弹性模量偏离值，/>为弹性模量最大允许偏离值；
密度偏离度：，其中，/>为密度偏离值，/>为密度最大允许偏离值；
回弹性偏离度：，其中，/>为回弹性偏离值，/>为回弹性最大允许偏离值；
压缩永久形变量偏离度：，其中，/>为压缩永久形变量偏离值，/>为压缩永久形变量最大允许偏离值；
密封橡胶垫圈的性能失效度评估时间序列为：
，
其中，为权重系数，且满足/>。
2.如权利要求1所述的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，其特征在于，步骤1中，所述全生命周期的运行电气监测数据包括负荷、油温、油压和油中微水含量。
3.如权利要求1所述的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，其特征在于，步骤1中，所述全生命周期的环境监测数据包括环境温度、环境湿度和光照强度。
4.如权利要求1所述的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，其特征在于，步骤1中，所述不同阶段的橡胶垫圈性能检测数据，其不同阶段包括橡胶圈处于全新状态、正常状态、轻度劣化状态、中度劣化状态和失效预警状态，其性能检测数据包括微米压痕硬度、弹性模量、密度、回弹性和压缩永久形变量。
5.如权利要求1所述的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，其特征在于，步骤5所述的基于累积效应时序信息融合的湿热地区配电变压器密封橡胶垫圈劣化失效预测模型，劣化失效预测模型输入信息包括：从全新状态开始获取的密封橡胶垫圈的累积环境效应值、累积电气效应值/>、性能失效度评估时间序列/>构成的时间信息序列{/>}，{/>}…{/>}。
6.如权利要求5所述的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，其特征在于，步骤5中，劣化失效预测模型的建立方法采用多项式拟合、神经网络或最小二乘法；记为/>时刻的密封橡胶垫圈劣化失效度，则神经网络通过黑箱模型求解/>，而最小二乘法直接构建拟合函数
，
以损失函数最小化为目标求解，从而获取拟合函数。
7.如权利要求1所述的湿热地区配电变压器密封橡胶垫圈劣化失效预测方法，其特征在于，根据橡胶垫圈劣化失效度评估结果确定橡胶垫圈劣化失效状态的内容如下：劣化失效度评估结果为0时，橡胶垫圈为全新状态；劣化失效度评估结果为(0-0.8]时，橡胶垫圈为正常状态；劣化失效度评估结果为(0.8-1.2]时，橡胶垫圈为轻度劣化状态；劣化失效度评估结果为(1.2-2.0]时，橡胶垫圈为中度劣化状态；劣化失效度评估结果＞2.0时，橡胶垫圈为失效预警状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311077214.4A CN116796652B (zh) | 2023-08-25 | 2023-08-25 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311077214.4A CN116796652B (zh) | 2023-08-25 | 2023-08-25 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116796652A CN116796652A (zh) | 2023-09-22 |
| CN116796652B true CN116796652B (zh) | 2023-12-26 |
Family
ID=88048328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311077214.4A Active CN116796652B (zh) | 2023-08-25 | 2023-08-25 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796652B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1062410A (ja) * | 1996-08-23 | 1998-03-06 | Mitsubishi Electric Corp | ガスケットの劣化度診断方法 |
| GB9828372D0 (en) * | 1998-12-22 | 1999-02-17 | Perkins Engines Co Ltd | An apparatus and a met;hod for evaluating and developing gaskets and flanges |
| JP2005157728A (ja) * | 2003-11-26 | 2005-06-16 | Sumitomo Chemical Co Ltd | 設備の最適検査時刻を決定する方法 |
| JP2009093799A (ja) * | 2007-10-03 | 2009-04-30 | Sumitomo Electric Ind Ltd | ガスケットとそれを用いた密閉構造体 |
| CN103222017A (zh) * | 2010-11-03 | 2013-07-24 | Abb技术有限公司 | 预测变压器的剩余寿命 |
| CN104063624A (zh) * | 2014-07-10 | 2014-09-24 | 中国特种设备检测研究院 | 螺栓垫片法兰连接密封安全评估系统 |
| CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
| CN110275095A (zh) * | 2019-06-12 | 2019-09-24 | 国网浙江省电力有限公司电力科学研究院 | 变压器绝缘加速劣化模拟装置及方法 |
| CN110504676A (zh) * | 2019-07-05 | 2019-11-26 | 国网浙江平湖市供电有限公司 | 一种基于apso-bp的配电网状态估计方法 |
| CN114519300A (zh) * | 2022-01-24 | 2022-05-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于支持向量机的极寒地区电力橡胶密封圈失效预测方法 |
| CN216900736U (zh) * | 2021-11-26 | 2022-07-05 | 国网上海市电力公司 | 考虑多因素的电力设备材料老化试验系统 |
| CN115839776A (zh) * | 2022-12-02 | 2023-03-24 | 国网青海省电力公司海南供电公司 | 一种螺栓螺母垫片结构热辐射误差修正方法 |
| CN116484579A (zh) * | 2023-03-17 | 2023-07-25 | 广西电网有限责任公司电力科学研究院 | 一种油浸式电力变压器负载能力评估方法及系统 |
| CN116597915A (zh) * | 2023-05-26 | 2023-08-15 | 中国兵器装备集团西南技术工程研究所 | 一种聚合物材料时变温度条件贮存寿命的评估方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7140410B2 (ja) * | 2018-03-30 | 2022-09-21 | Ｎｅｃソリューションイノベータ株式会社 | 予測システム、予測方法および予測プログラム |
-
2023
- 2023-08-25 CN CN202311077214.4A patent/CN116796652B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1062410A (ja) * | 1996-08-23 | 1998-03-06 | Mitsubishi Electric Corp | ガスケットの劣化度診断方法 |
| GB9828372D0 (en) * | 1998-12-22 | 1999-02-17 | Perkins Engines Co Ltd | An apparatus and a met;hod for evaluating and developing gaskets and flanges |
| JP2005157728A (ja) * | 2003-11-26 | 2005-06-16 | Sumitomo Chemical Co Ltd | 設備の最適検査時刻を決定する方法 |
| JP2009093799A (ja) * | 2007-10-03 | 2009-04-30 | Sumitomo Electric Ind Ltd | ガスケットとそれを用いた密閉構造体 |
| CN103222017A (zh) * | 2010-11-03 | 2013-07-24 | Abb技术有限公司 | 预测变压器的剩余寿命 |
| CN104063624A (zh) * | 2014-07-10 | 2014-09-24 | 中国特种设备检测研究院 | 螺栓垫片法兰连接密封安全评估系统 |
| CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
| CN110275095A (zh) * | 2019-06-12 | 2019-09-24 | 国网浙江省电力有限公司电力科学研究院 | 变压器绝缘加速劣化模拟装置及方法 |
| CN110504676A (zh) * | 2019-07-05 | 2019-11-26 | 国网浙江平湖市供电有限公司 | 一种基于apso-bp的配电网状态估计方法 |
| CN216900736U (zh) * | 2021-11-26 | 2022-07-05 | 国网上海市电力公司 | 考虑多因素的电力设备材料老化试验系统 |
| CN114519300A (zh) * | 2022-01-24 | 2022-05-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于支持向量机的极寒地区电力橡胶密封圈失效预测方法 |
| CN115839776A (zh) * | 2022-12-02 | 2023-03-24 | 国网青海省电力公司海南供电公司 | 一种螺栓螺母垫片结构热辐射误差修正方法 |
| CN116484579A (zh) * | 2023-03-17 | 2023-07-25 | 广西电网有限责任公司电力科学研究院 | 一种油浸式电力变压器负载能力评估方法及系统 |
| CN116597915A (zh) * | 2023-05-26 | 2023-08-15 | 中国兵器装备集团西南技术工程研究所 | 一种聚合物材料时变温度条件贮存寿命的评估方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| Daniel Gräbner.Foil-based strain gauges with nanogranular platinum structures for the integration in elastomer gaskets.《2016 IEEE SENSORS》.全文. * |
| Foil-based strain gauges with nanogranular platinum structures for the integration in elastomer gaskets;Daniel Gräbner;《2016 IEEE SENSORS》;全文 * |
| 垫片密封失效反应论模型;陈永林, 顾伯勤;润滑与密封(01);全文 * |
| 基于LS-SVM的电力通信网性能劣化评估与预测模型研究;施健;缪巍巍;吴海洋;;计算机与数字工程(04);全文 * |
| 某型橡胶密封圈加速贮存试验设计与实践;杨学印;;装备环境工程(03);全文 * |
| 橡胶疲劳失效影响因素及提升策略;熊莎凡;《高分子通报》;全文 * |
| 积温效应对大气环境污染事件的影响预测研究;于秀丽;;项目管理技术(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116796652A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194476B (zh) | 基于半马尔科夫链的变压器预防老化维修策略制定方法 | |
| CN115796059B (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
| CN116796652B (zh) | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 | |
| CN112116276B (zh) | 一种计及电气主设备时变状态的变电站运行风险评估方法 | |
| CN114781657B (zh) | 一种基于人工智能的电力设备检修系统及方法 | |
| CN111103136A (zh) | 基于scada数据分析的风机齿轮箱故障检测方法 | |
| CN105719007A (zh) | 一种红外热轴音频通道故障预测方法 | |
| Jauregui-Rivera et al. | Improving reliability assessment of transformer thermal top-oil model parameters estimated from measured data | |
| CN111025093A (zh) | 一种基于双端平衡因子的xlpe电缆绝缘寿命估算方法 | |
| CN116862478A (zh) | 基于分层架构与动态赋权的变压器健康评估方法 | |
| CN115452978A (zh) | 一种电力变压器绝缘系统可靠度判定方法和装置 | |
| CN113919225B (zh) | 环境试验箱可靠性评估方法和系统 | |
| CN112083274B (zh) | 一种电网二次设备箱故障信息的监测方法及装置 | |
| Borges et al. | Fault detection and diagnosis by machine learning methods in air-to-water heat pumps: Evaluation of evaporator fouling | |
| CN110895624A (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
| CN115292901A (zh) | 变压器运行状态的评估方法和装置 | |
| CN115308565A (zh) | 一种pcba板级气态盐雾故障激发试验方法 | |
| KR100466433B1 (ko) | 터보 냉동기의 성능분석방법 및 장치 | |
| CN112461390A (zh) | 一种适用于油浸式变压器的分布式比较型测温模块及方法 | |
| Beržonskis et al. | Reliability analysis of fatigue fracture of wind turbine drivetrain components | |
| CN113537753B (zh) | 一种智能组件环境适应性评估方法 | |
| CN106153097B (zh) | 覆冰绝缘子串覆冰程度表征方法 | |
| Jaiswal et al. | Condition Monitoring of Breather for Transformer Health Assessment | |
| Momeni et al. | Prediction of Water Pipeline Condition Parameters Using Artificial Neural Networks | |
| Aziz et al. | Simulation of wind turbine faulty production profiles and performance assessment of fault monitoring methods |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |