CN117422447A - 变压器维护策略生成方法、系统、电子设备及存储介质 - Google Patents
变压器维护策略生成方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117422447A CN117422447A CN202311431304.9A CN202311431304A CN117422447A CN 117422447 A CN117422447 A CN 117422447A CN 202311431304 A CN202311431304 A CN 202311431304A CN 117422447 A CN117422447 A CN 117422447A
- Authority
- CN
- China
- Prior art keywords
- transformer
- data
- fault
- prediction model
- equipment
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007726 management method Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/24—Classification 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F27/00—Details of transformers or inductances, in general
- H01F27/40—Structural association with built-in electric component, e.g. fuse
- H01F27/402—Association of measuring or protective means
Abstract
本申请提供了变压器维护策略生成方法、系统、电子设备及存储介质,涉及变压器运行评估领域。方法包括:获取待预测的变压器的设备信息、设备运行数据和设备环境数据;基于待预测的变压器的设备信息、设备运行数据和设备环境数据,得到变压器的剩余寿命预测值;基于待预测的变压器的设备信息、设备运行数据和设备环境数据输入变压器剩余寿命预测模型,通过变压器故障预测模型,得到待预测变压器的故障概率预测结果;根据故障概率预测结果和剩余寿命的预测结果确定变压器维护策略。本申请根据故障概率预测结果和剩余寿命预测结果,确定变压器维护策略,以便针对不同的风险和需求制定合理的维修计划,从而提高设备的可用性和寿命。
Description
技术领域
本申请涉及变压器运行评估领域,具体涉及一种变压器维护策略生成方法、系统、电子设备及存储介质。
背景技术
电力行业是全球能源系统的核心驱动力,为全球的经济发展和民生需求提供着不可或缺的能源支持。在电力系统的运行中,变压器扮演着至关重要的角色,它们通过对电压进行转换和调节,以实现电力系统的稳定运行和电能的合理利用。
变压器是电力设备中的关键部件,用于升高或降低电压,以便将电能输送到不同的目的地。在电力系统的输电和配电过程中,变压器发挥着不可或缺的作用。无论是大型的工业用电还是家庭用电,变压器都扮演着重要的角色。而变压器运行中因为环境因素和变压器的自然设备老化,运行过程中效率会逐渐降低,同时因为设备的老化造成各种故障。
目前现有技术,采用的维护策略是对变压器的运行状态进行监测,当运行状态出现异常时,生成对应的维护策略,以对变压器进行维护修理。然而,当异常出现时,变压器可能已经出现故障,导致电力系统运行中断。
发明内容
本申请提供变压器维护策略生成方法、系统、电子设备及存储介质,通过对变压器故障和剩余寿命进行预测,提前预知变压器故障和变压器剩余寿命,针对性的生成维护策略进行维护,能更好的维护好变压器,使变压器安全稳定的运行,减少故障停机和性能降低造成运行效率降低的情况,维持了电力系统的运行稳定。
第一方面,本申请提供了一种变压器维护策略生成方法,包括:
构建变压器寿命预测模型;
获取待预测的变压器的设备信息、设备运行数据和设备环境数据;
将待预测的变压器的设备信息、设备运行数据和设备环境数据输入变压器剩余寿命预测模型,得到变压器的剩余寿命预测值;
获取变压器故障预测模型;
将待预测的变压器的设备信息、设备运行数据和设备环境数据,输入变压器故障预测模型,得到待预测变压器的故障概率预测结果;
根据故障概率预测结果和剩余寿命的预测结果确定变压器维护策略。
通过采用上述技术方案,通过构建变压器寿命预测模型和故障概率预测模型可以提前发现变压器的故障风险和剩余寿命,帮助制定相应的维护策略。根据故障概率预测结果和剩余寿命预测结果,确定变压器的维修预警级别和更换优先级别,以便针对不同的风险和需求制定合理的维修计划和决策,从而提高设备的可靠性、可用性和寿命,使变压器安全稳定的运行,减少故障停机和性能降低造成运行效率降低的情况,维持了电力系统的运行稳定。
可选的,构建变压器寿命预测模型,包括:
根据预设的变压器样本数据,通过最小二乘法以及多项式回归算法对变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据;
基于拟合处理后的变压器样本数据,构建变压器剩余寿命预测模型,其中,变压器样本数据包括:多个变压器样本的设备信息、设备运行样本数据、设备环境样本数据和设备寿命数据。
通过采用上述技术方案,通过最小二乘法和多项式回归算法对变压器样本数据进行拟合处理,通过分析样本数据将设备信息、设备运行样本数据和设备环境样本数据这些因素与变压器寿命之间的关系进行建模,从而实现对变压器剩余寿命的预测。
可选的,根据预设的变压器样本数据,通过最小二乘法以及多项式回归算法对变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据,并基于拟合处理后的变压器样本数据,构建变压器剩余寿命预测模型,包括:
将预设的变压器样本数据基于变压器设备信息进行分类,将变压器设备信息相同的变压器样本数据归为一类;
通过最小二乘法以及多项式回归算法对设备信息相同的变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据;
根据拟合处理后的变压器样本数据,构建设备信息对应的变压器剩余寿命预测模型。
通过采用上述技术方案,通过对变压器样本数据中的设备信息进行分类,将相同设备信息的样本数据分组。这有助于区分不同设备信息对变压器寿命的影响,并为后续的拟合处理提供准确的数据集。
进一步的,通过最小二乘法和多项式回归处理,得到每个设备信息对应的回归曲线和多项式系数。这些曲线和系数描述了变压器寿命与设备信息之间的关联关系,最后基于了变压器寿命与设备信息之间的关联关系得到设备信息对应的变压器剩余寿命预测模型,针对不同的设备生成对应的变压器剩余寿命预测模型,可以得到更为精确的寿命预测模型。
可选地,获取变压器故障预测模型,包括:
获取变压器故障影响因素的历史数据;
通过灰色关联度分析法对变压器故障影响因素的历史数据进行预处理得到预处理后的变压器故障影响因素的历史数据;
基于预处理后的变压器故障影响因素的历史数据计算变压器故障类型与变压器故障影响因素之间的关联度值,其中,将变压器故障影响因素中的关联度值大于等于关联度阈值的历史数据作为训练数据集;
构建初始变压器故障预测模型并利用训练数据集对变压器故障预测模型进行训练,当变压器故障预测模型预测的准确度达到阈值时,得到变压器故障预测模型。
通过采用上述技术方案,通过灰色关联度分析法对变压器故障影响因素的历史数据进行预处理,并构建故障预测模型进行训练,可以得到变压器故障预测模型。这种方法提高了故障预测的精度,优化了数据集,增强了模型可解释性,并通过设定准确度阈值进行模型训练的精细控制。
可选地,变压器故障影响因素的历史数据包括变压器的外部历史数据和变压器自身的历史数据;
变压器的外部历史数据包括:气压、温度、降水量、相对湿度、风速和风向数据;
变压器自身的历史数据包括:变压器自身电压、电流、温度、出力、损耗数据和故障数据。
通过采用上述技术方案,过包括变压器的外部历史数据和变压器自身的历史数据,可以综合考虑各种因素对变压器故障的影响。外部数据反映了环境条件,如气压、温度和湿度等,而变压器自身数据反映了其内部状态,如电压、电流和温度等。综合考虑这些因素可以提高故障预测的准确性和全面性。
可选地,基于预处理后的变压器故障影响因素的历史数据计算变压器故障类型与变压器故障影响因素之间的关联度值包括:
基于预处理后的变压器故障影响因素的历史数据确定参考序列和比较序列,其中,参考序列为变压器工作状态的原始数据序列,比较序列为变压器故障影响因素的数据序列;
对比较序列进行无量纲化处理;
基于参考序列和无量纲化处理后的比较序列计算灰色关联系数;
基于灰色关联系数的平均值计算得到灰色关联度;
对灰色关联度按照由小到大的顺序进行排序,获取变压器故障与变压器故障影响因素的历史数据之间的由劣到优的关联关系;
或者对灰色关联度按照由大到小的顺序进行排序,获取变压器故障与变压器故障影响因素的历史数据之间的由优到劣的关联关系。
通过采用上述技术方案,灰色关联度分析法利用参考序列和比较序列的数据,通过计算灰色关联系数来评估变压器故障与其影响因素之间的关联度。该方法基于数据序列的变化趋势和关联程度,通过对数据进行预处理和计算,得出关联度值,并通过排序确定因素之间的关联关系。这样可以帮助确定哪些因素对变压器故障的发生具有更大的影响,从而使故障预测更为准确。
可选地,根据故障概率预测结果和剩余寿命的预测结果确定变压器维护策略,包括:
根据故障概率预测结果确定变压器的维修预警级别;
根据剩余寿命的预测结果确定变压器的更换的优先级别;
将变压器的维修预警级别和变压器的更换的优先级别作为变压器的维护策略。
通过采用上述技术方案,根据故障概率预测结果和剩余寿命的预测结果来确定变压器的维护策略,可以使维护工作更具针对性和有效性,从而提高变压器的可靠性和性能,并降低维护成本和故障风险。
在本申请的第二方面提供了一种变压器维护策略生成系统,包括:
寿命预测模型构建模块(1),用于构建变压器寿命预测模型;
数据获取模块(2),用于获取待预测的变压器的设备信息、设备运行数据和设备环境数据;
寿命预测模块(3),用于将待预测的变压器的设备信息、设备运行数据和设备环境数据输入变压器剩余寿命预测模型,得到变压器的剩余寿命预测值;
故障预测模块获取模块(4),用于获取变压器故障预测模型;
故障预测模块(5),用于将待预测的变压器的设备信息、设备运行数据和设备环境数据,输入变压器故障预测模型,得到待预测变压器的故障概率预测结果;
维护策略生成模块(6),用于根据故障概率预测结果和剩余寿命的预测结果确定变压器维护策略。
在本申请的第三方面提供了一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
在本申请的第四方面提供了一种电子设备,包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
综上,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、本申请先通过构建变压器寿命预测模型和故障概率预测模型可以提前发现变压器的故障风险和剩余寿命,帮助制定相应的维护策略。根据故障概率预测结果和剩余寿命预测结果,确定变压器的维修预警级别和更换优先级别,以便针对不同的风险和需求制定合理的维修计划和决策,从而提高设备的可靠性、可用性和寿命,使变压器安全稳定的运行,减少故障停机和性能降低造成运行效率降低的情况,维持了电力系统的运行稳定。
2、本申请通过对变压器样本数据中的设备信息进行分类,将相同设备信息的样本数据分组。这有助于区分不同设备信息对变压器寿命的影响,并为后续的拟合处理提供准确的数据集。
进一步的,通过最小二乘法和多项式回归处理,得到每个设备信息对应的回归曲线和多项式系数。这些曲线和系数描述了变压器寿命与设备信息之间的关联关系,最后基于了变压器寿命与设备信息之间的关联关系得到设备信息对应的变压器剩余寿命预测模型,针对不同的设备生成对应的变压器剩余寿命预测模型,可以得到更为精确的寿命预测模型。
3、本申请通过灰色关联度分析法对变压器故障影响因素的历史数据进行预处理,并构建故障预测模型进行训练,可以得到变压器故障预测模型。这种方法提高了故障预测的精度,优化了数据集,增强了模型可解释性,并通过设定准确度阈值进行模型训练的精细控制。
附图说明
图1为本申请实施例中变压器维护策略生成方法流程示意图;
图2为本申请实施例提供的一种变压器维护策略生成系统架构图;
图3是本申请实施例的公开的一种电子设备的结构示意图。
附图标记说明:1、寿命预测模型构建模块;2、数据获取模块;3、寿命预测模块;4、故障预测模块获取模块;5、故障预测模块;6、维护策略生成模块;300、电子设备;301、处理器;302、通信总线;303、用户接口;304、网络接口;305、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
为了便于理解本申请实施例提供的方法及系统,在介绍本申请实施例之前,先对本申请实施例的背景进行介绍。
经过上述内容的背景介绍,本领域技术人员可以了解现有技术中存在的问题,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
变压器是电力设备中的关键部件,用于升高或降低电压,以便将电能输送到不同的目的地。在电力系统的输电和配电过程中,变压器发挥着不可或缺的作用。无论是大型的工业用电还是家庭用电,变压器都扮演着重要的角色。
然而,变压器的运行和维护面临着许多挑战。例如,变压器的故障可能会导致电力系统的运行中断,造成大规模的停电事故。此外,变压器的性能降低也会对电力系统的效率和稳定性造成影响。因此,对变压器的运行状态进行监控,制定科学的维护策略是至关重要的。
在上述背景技术的基础上,进一步的,请参阅图1,图1为本申请实施例中变压器维护策略生成方法流程示意图,该方法可依赖于计算机程序实现,也可作为独立的工具类应用运行,具体的,在本申请实施例中该方法可以应用在多媒体资源分配的服务器端上,该方法包括步骤101至步骤106,上述步骤如下:
步骤101、构建变压器寿命预测模型;
在上述实施例的基础上,作为一种可选实施例,构建变压器寿命预测模型,包括:
根据预设的变压器样本数据,通过最小二乘法以及多项式回归算法对变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据;
基于拟合处理后的变压器样本数据,构建变压器剩余寿命预测模型,其中,变压器样本数据包括:多个变压器样本的设备信息、设备运行样本数据、设备环境样本数据和设备寿命数据。
具体的,收集与变压器样本数据相关的设备信息、设备运行样本数据、设备环境样本数据和设备寿命数据,确保数据的准确性和完整性。
对收集到的数据进行预处理,包括数据清洗、缺失值处理和异常值处理,确保数据的质量和一致性。
根据预测目标(变压器的剩余寿命),选择与剩余寿命相关的特征作为模型的输入。这些特征包括设备的工作状态参数、运行时间、环境因素等。
使用最小二乘法和多项式回归算法对数据进行拟合处理。
进一步的,基于拟合处理后的数据构建变压器寿命预测模型。
需要说明的是,最小二乘法是一种常用的回归分析方法,可用于拟合线性和非线性关系。
多项式回归算法可以通过拟合多项式方程来捕捉特征之间的非线性关系。
在上述实施例的基础上,作为一种可选实施例,根据预设的变压器样本数据,通过最小二乘法以及多项式回归算法对变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据,并基于拟合处理后的变压器样本数据,构建变压器剩余寿命预测模型,包括以下步骤:
步骤201,将预设的变压器样本数据基于变压器设备信息进行分类,将变压器设备信息相同的变压器样本数据归为一类;
具体的,根据不同变压器样本的设备信息,对变压器样本数据进行分类。可以根据设备信息的不同属性(如型号、制造商、额定功率等)将样本分组或打上标签,以便将相同设备信息的样本归为一类。
步骤202,通过最小二乘法以及多项式回归算法对设备信息相同的变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据;
具体的,收集设备信息相同的变压器样本数据。将样本数据中与预测目标(例如剩余寿命)相关的变量作为目标变量,将与设备信息相关的变量作为特征变量。将特征变量进行多项式特征转换,将其转换为多项式的形式。最后,将转换后的特征变量和目标变量代入最小二乘法的公式中,求解回归系数。(需要说明的时,最小二乘法通过最小化实际观测值与预测值之间的残差平方和来拟合回归模型。)根据最小二乘法的结果,得到回归曲线的方程和多项式回归的系数。
需要说明的时,回归曲线可以表示特征变量与目标变量之间的关系。
步骤203,根据拟合处理后的变压器样本数据,构建设备信息对应的变压器剩余寿命预测模型。
步骤102,获取待预测的变压器的设备信息、设备运行数据和设备环境数据;
具体的,设备信息:例如制造商、型号、额定功率、额定电压等。这些信息通常可以从设备的文档、标牌或者设备管理系统中获取。
设备运行数据:记录变压器的运行数据,包括电流、电压、温度、负载情况、运行时间等。这些数据可以通过传感器、监控系统或数据记录设备进行采集。在收集数据时应确保数据的频率和持续性,以便更准确地分析和预测变压器的寿命。
设备环境数据:收集变压器周围的环境数据,例如温度、湿度、气候条件等。
步骤103,将待预测的变压器的设备信息、设备运行数据和设备环境数据输入变压器剩余寿命预测模型,得到变压器的剩余寿命预测值;
具体的,将待预测的变压器的设备信息、设备运行数据和设备环境数据转化为与预测模型中使用的特征变量相对应的格式。确保数据的特征变量与模型中使用的特征变量一致。将转化后的数据输入到预测模型中。根据模型的类型和实现方式,可以使用模型的预测函数来计算出变压器的剩余寿命预测值。根据模型的输出,得到待预测变压器的剩余寿命预测值。
步骤104,获取变压器故障预测模型;
在上述实施例的基础上,作为一种可选实施例,获取变压器故障预测模型,包括以下步骤:
步骤301,获取变压器故障影响因素的历史数据;
在上述实施例的基础上,作为一种可选实施例,变压器故障影响因素的历史数据包括变压器的外部历史数据和变压器自身的历史数据;
变压器的外部历史数据包括:气压、温度、降水量、相对湿度、风速和风向数据;
变压器自身的历史数据包括:变压器自身电压、电流、温度、出力、损耗数据和故障数据。
具体的,通过分析外部历史数据,如气压、温度、降水量、相对湿度、风速和风向等,可以掌握环境条件对变压器运行的影响。这些数据可以作为预测模型的输入特征,帮助模型识别环境变化与变压器故障之间的关联,从而提高故障预测的准确性和可靠性。
变压器自身的历史数据,如电压、电流、温度、出力、损耗数据等,提供了对变压器内部状态的监测。通过对这些数据的分析,可以实时监测变压器的工作状态和性能表现,及时发现异常情况。
步骤302,通过灰色关联度分析法对变压器故障影响因素的历史数据进行预处理得到预处理后的变压器故障影响因素的历史数据;
具体的,对变压器故障影响因素的历史数据进行预处理,包括数据清洗、缺失值处理、异常值处理等,确保数据的质量和完整性的前提下得到预处理后的变压器故障影响因素的历史数据。
步骤303,基于预处理后的变压器故障影响因素的历史数据计算变压器故障类型与变压器故障影响因素之间的关联度值,其中,将变压器故障影响因素中的关联度值大于等于关联度阈值的历史数据作为训练数据集;
具体的,将变压器故障作为评判对象,将变压器故障影响因素中的各类数据作为参考因素。通过灰色关联度分析,计算变压器故障与各类数据之间的关联度值。灰色关联度分析是一种基于数据序列的关联度计算方法,可以用于分析影响因素与评判对象之间的关联程度。
根据实际需求和分析目的,设定关联度阈值。关联度阈值可以根据经验或领域知识来确定,用于筛选出关联度高于该阈值的历史数据。
将关联度值大于等于关联度阈值的历史数据选取为训练数据集。这些数据被认为与变压器故障具有较高的关联度,因此可以作为训练预测模型的输入数据。
在上述实施例的基础上,作为一种可选实施例,通过灰色关联度分析法对变压器故障影响因素的历史数据进行预处理,计算变压器故障与变压器故障影响因素的历史数据之间的关联度值,包括以下步骤:
步骤401,基于预处理后的变压器故障影响因素的历史数据确定参考序列和比较序列,其中,参考序列为变压器工作状态的原始数据序列,比较序列为变压器故障影响因素的数据序列;
具体的,将变压器工作状态的原始数据序列作为参考序列。这些原始数据可以包括变压器的各项指标、运行状态、工作参数等。
将变压器故障影响因素的数据序列作为比较序列。这些数据可以包括与变压器故障相关的因素,如温度、湿度、负载情况、电流波动等。
通过将变压器工作状态的原始数据序列作为参考序列,可以分析与变压器故障影响因素之间的关联关系。比较序列则是用来与参考序列进行比较,以评估其与变压器工作状态之间的关联度。
步骤402,对比较序列进行无量纲化处理;
具体的,在对比较序列进行无量纲化处理时,常用的方法有最小-最大规范化(Min-MaxNormalization)和标准化(Standardization)两种常见的方法。
最小-最大规范化(Min-MaxNormalization):最小-最大规范化将比较序列的取值范围缩放到一个指定的区间,通常是[0,1]或[-1,1]之间。
标准化(Standardization):标准化通过减去均值并除以标准差的方式将比较序列转化为均值为0、标准差为1的分布。
步骤403,基于参考序列和无量纲化处理后的比较序列计算灰色关联系数;
具体的,基于参考序列和无量纲化处理后的比较序列,计算灰色关联系数。灰色关联系数反映了比较序列与参考序列之间的关联程度。可以使用灰色关联度计算公式进行计算。
步骤404,通过计算灰色关联系数的平均值来获取灰色关联度;
具体的,通过计算灰色关联系数的平均值,得到灰色关联度。平均值反映了比较序列整体与参考序列的关联度。
步骤405,对灰色关联度按照由小到大或由大到小的顺序进行排序以分别获取变压器故障与变压器故障影响因素的历史数据之间的由劣到优或由优到劣的关联关系。
具体的,根据灰色关联度的大小,按照由小到大或由大到小的顺序对灰色关联度进行排序。从排序结果可以得到变压器故障与变压器故障影响因素的历史数据之间的关联关系,可以由劣到优或由优到劣进行排序。
步骤303,构建初始变压器故障预测模型并利用训练数据集对变压器故障预测模型进行训练,当变压器故障预测模型预测的准确度达到阈值时,得到变压器故障预测模型。
步骤105,将待预测的变压器的设备信息、设备运行数据和设备环境数据,输入变压器故障预测模型,得到待预测变压器的故障概率预测结果;
具体的,在本申请实施例中基于BP神经网络构建变压器故障预测模型,具体的还可以基于包括决策树、随机森林、支持向量机、神经网络等构建变压器故障预测模型。
使用训练数据集对变压器故障预测模型进行训练。将训练数据集分为训练集和验证集,使用训练集进行模型参数的学习和优化,使用验证集进行模型的评估和调整。通过迭代优化,使模型逐渐收敛并提高预测准确度。
使用测试数据集对训练完备的模型进行评估,计算预测的准确度还可以包括召回率、F1值等指标。如果模型的预测准确度达到设定的阈值,说明模型的性能符合要求得到变压器故障预测模型。
步骤106,根据故障概率预测结果和剩余寿命的预测结果确定变压器维护策略。
具体的,根据故障概率预测模型,对变压器进行故障概率预测。该预测结果可以给出未来一段时间内变压器发生某种类型故障的概率估计,例如,某一时刻发生某一种故障的概率为5%。
利用剩余寿命预测模型,对变压器的剩余寿命进行预测。该预测结果可以给出变压器在当前状态下还能正常工作的剩余时间,例如,剩余寿命预测为1000小时。
据故障概率预测结果和剩余寿命预测结果,制定变压器的维护决策。如果故障概率较高且剩余寿命较长,可以选择进行预防性维护。在预定的时间间隔内对变压器进行检修、保养或更换关键零部件,以确保其可靠性和性能。
如果故障概率较高且剩余寿命较短,可以采取条件维护策略。在监测到特定的故障指标或状态超过阈值时,及时进行维修或更换,以避免故障的发生。
具体的,还可以根据预设的维修策略,当预测结果不同的阈值,选择对应的维修策略。
作为一种可选实施例,根据故障概率预测结果和剩余寿命的预测结果确定变压器维护策略,包括:
根据故障概率预测结果确定变压器的维修预警级别;
根据剩余寿命的预测结果确定变压器的更换的优先级别;
将变压器的维修预警级别和变压器的更换的优先级别作为变压器的维护策略。
具体的,故障概率预测结果包括变压器各种故障类型发生的概率;
根据变压器各种故障类型发生的概率,确定维修级别,当故障发生的概率大于等于第一阈值时,将该故障对应的维修部件设为一三级维修类别;
当故障发生的概率大于等于第二阈值时,将该故障对应的维修部件设为二级维修类别;
当故障发生概率大于等于第三阈值时,将该故障对应的维修部件设为一级维修类别;
根据剩余寿命的预测结果,当剩余寿命小于第一阈值时,将该变压器设一级优先更换级别;
根据剩余寿命的预测结果,当剩余寿命小于第二阈值时,将该变压器设二级优先更换级别;
根据剩余寿命的预测结果,当剩余寿命小于第三阈值时,将该变压器设三级优先更换级别。
请参阅图2,图2为本申请实施例提供的一种变压器维护策略生成系统架构图,该变压器维护策略生成系统可以包括:
寿命预测模型构建模块1,用于构建变压器寿命预测模型;
数据获取模块2,用于获取待预测的变压器的设备信息、设备运行数据和设备环境数据;
寿命预测模块3,用于将待预测的变压器的设备信息、设备运行数据和设备环境数据输入变压器剩余寿命预测模型,得到变压器的剩余寿命预测值;
故障预测模块获取模块4,用于获取变压器故障预测模型;
故障预测模块5,用于将待预测的变压器的设备信息、设备运行数据和设备环境数据,输入变压器故障预测模型,得到待预测变压器的故障概率预测结果;
维护策略生成模块6,用于根据故障概率预测结果和剩余寿命的预测结果确定变压器维护策略。
需要说明的是:上述实施例提供的系统在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的系统和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机存储介质,计算机存储介质可以存储有多条指令,指令适于由处理器加载并执行如上述图1所示实施例的变压器维护策略生成方法,具体执行过程可以参见图1所示实施例的具体说明,在此不进行赘述。
请参照图3本申请还公开一种电子设备。图3是本申请实施例的公开的一种电子设备的结构示意图。该电子设备300可以包括:至少一个处理器301,至少一个网络接口304,用户接口303,存储器305,至少一个通信总线302。
其中,通信总线302用于实现这些组件之间的连接通信。
其中,用户接口303可以包括显示屏(Display)、摄像头(Camera),可选用户接口303还可以包括标准的有线接口、无线接口。
其中,网络接口304可选地可以包括标准的有线接口、无线接口(如WI~FI接口)。
其中,处理器301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器305内的指令、程序、代码集或指令集,以及调用存储在存储器305内的数据,执行服务器的各种功能和处理数据。可选的,处理器301可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field~Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器301可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器301中,单独通过一块芯片进行实现。
其中,存储器305可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read~Only Memory)。可选的,该存储器305包括非瞬时性计算机可读介质(non~transitory computer~readable storage medium)。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器305可选的还可以是至少一个位于远离前述处理器301的存储系统。参照图3,作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及一种变压器维护策略生成的应用程序。
在图3所示的电子设备300中,用户接口303主要用于为用户提供输入的接口,获取用户输入的数据;而处理器301可以用于调用存储器305中存储变压器维护策略生成的应用程序,当由一个或多个处理器301执行时,使得电子设备300执行如上述实施例中一个或多个的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的系统,可通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,系统或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种变压器维护策略生成方法,其特征在于,所述方法,包括:
构建变压器寿命预测模型;
获取待预测的变压器的设备信息、设备运行数据和设备环境数据;
将所述待预测的变压器的设备信息、所述设备运行数据和所述设备环境数据输入所述变压器剩余寿命预测模型,得到所述变压器的剩余寿命预测值;
获取变压器故障预测模型;
将待预测的变压器的设备信息、所述设备运行数据和所述设备环境数据,输入所述变压器故障预测模型,得到所述待预测变压器的故障概率预测结果;
根据所述故障概率预测结果和所述剩余寿命的预测结果确定变压器维护策略。
2.根据权利要求1所述的变压器维护策略生成方法,其特征在于,所述构建变压器寿命预测模型,包括:
根据预设的变压器样本数据,通过最小二乘法以及多项式回归算法对所述变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据;
基于所述拟合处理后的变压器样本数据,构建变压器剩余寿命预测模型,其中,所述变压器样本数据包括:多个变压器样本的设备信息、设备运行样本数据、设备环境样本数据和设备寿命数据。
3.根据权利要求2所述的一种变压器维护策略生成方法,其特征在于,所述根据预设的变压器样本数据,通过最小二乘法以及多项式回归算法对所述变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据,并基于所述拟合处理后的变压器样本数据,构建变压器剩余寿命预测模型,包括:
将预设的变压器样本数据基于变压器设备信息进行分类,将变压器设备信息相同的变压器样本数据归为一类;
通过最小二乘法以及多项式回归算法对设备信息相同的变压器样本数据进行拟合处理,得到拟合处理后的变压器样本数据;
根据所述拟合处理后的变压器样本数据,构建所述设备信息对应的变压器剩余寿命预测模型。
4.根据权利要求1所述的一种变压器维护策略生成方法,其特征在于,所述获取变压器故障预测模型,包括:
获取变压器故障影响因素的历史数据;
通过灰色关联度分析法对所述变压器故障影响因素的历史数据进行预处理得到预处理后的变压器故障影响因素的历史数据;
基于所述预处理后的变压器故障影响因素的历史数据计算所述变压器故障类型与所述变压器故障影响因素之间的关联度值,其中,将所述变压器故障影响因素中的所述关联度值大于等于关联度阈值的历史数据作为训练数据集;
构建初始变压器故障预测模型并利用所述训练数据集对所述变压器故障预测模型进行训练,当所述变压器故障预测模型预测的准确度达到阈值时,得到变压器故障预测模型。
5.根据权利要求4所述的一种变压器维护策略生成方法,其特征在于,所述变压器故障影响因素的历史数据包括变压器的外部历史数据和变压器自身的历史数据;
所述变压器的外部历史数据包括:气压、温度、降水量、相对湿度、风速和风向数据;
所述变压器自身的历史数据包括:变压器自身电压、电流、温度、出力、损耗数据和故障数据。
6.根据权利要求4所述的一种变压器维护策略生成方法,其特征在于,所述基于所述预处理后的变压器故障影响因素的历史数据计算所述变压器故障类型与所述变压器故障影响因素之间的关联度值包括:
基于所述预处理后的变压器故障影响因素的历史数据确定参考序列和比较序列,其中,所述参考序列为变压器工作状态的原始数据序列,所述比较序列为所述变压器故障影响因素的数据序列;
对所述比较序列进行无量纲化处理;
基于参考序列和无量纲化处理后的比较序列计算灰色关联系数;
基于灰色关联系数的平均值计算得到灰色关联度;
对所述灰色关联度按照由小到大的顺序进行排序,获取所述变压器故障与所述变压器故障影响因素的历史数据之间的由劣到优的关联关系;
或者对所述灰色关联度按照由大到小的顺序进行排序,获取所述变压器故障与所述变压器故障影响因素的历史数据之间的由优到劣的关联关系。
7.根据权利要求1所述的一种变压器维护策略生成方法,其特征在于,所述根据所述故障概率预测结果和所述剩余寿命的预测结果确定变压器维护策略,包括:
根据所述故障概率预测结果确定变压器的维修预警级别;
根据所述剩余寿命的预测结果确定变压器的更换的优先级别;
将所述变压器的维修预警级别和所述变压器的更换的优先级别作为变压器的维护策略。
8.一种变压器维护策略生成系统,其特征在于,包括:
寿命预测模型构建模块(1),用于构建变压器寿命预测模型;
数据获取模块(2),用于获取待预测的变压器的设备信息、设备运行数据和设备环境数据;
寿命预测模块(3),用于将所述待预测的变压器的设备信息、所述设备运行数据和所述设备环境数据输入所述变压器剩余寿命预测模型,得到所述变压器的剩余寿命预测值;
故障预测模块获取模块(4),用于获取变压器故障预测模型;
故障预测模块(5),用于将待预测的变压器的设备信息、所述设备运行数据和所述设备环境数据,输入所述变压器故障预测模型,得到所述待预测变压器的故障概率预测结果;
维护策略生成模块(6),用于根据所述故障概率预测结果和所述剩余寿命的预测结果确定变压器维护策略。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适用于由处理器加载并执行如权利要求1~7任意一项所述的方法。
10.一种电子设备,其特征在于,包括处理器、存储器和收发器,所述存储器用于存储指令,所述收发器用于和其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如权利要求1~7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311431304.9A CN117422447A (zh) | 2023-10-31 | 2023-10-31 | 变压器维护策略生成方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311431304.9A CN117422447A (zh) | 2023-10-31 | 2023-10-31 | 变压器维护策略生成方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422447A true CN117422447A (zh) | 2024-01-19 |
Family
ID=89522598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311431304.9A Pending CN117422447A (zh) | 2023-10-31 | 2023-10-31 | 变压器维护策略生成方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422447A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742089A (zh) * | 2024-02-19 | 2024-03-22 | 深圳市光脉电子有限公司 | 一种光源衰减监测方法、系统、电子设备及存储介质 |
-
2023
- 2023-10-31 CN CN202311431304.9A patent/CN117422447A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742089A (zh) * | 2024-02-19 | 2024-03-22 | 深圳市光脉电子有限公司 | 一种光源衰减监测方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220245297A1 (en) | Scalable system and method for forecasting wind turbine failure using scada alarm and event logs | |
CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
EP3640870A1 (en) | Asset performance manager | |
Welte et al. | Models for lifetime estimation: an overview with focus on applications to wind turbines | |
CN111160687A (zh) | 主动资产监控 | |
CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
CN110472772B (zh) | 一种隔离开关过热预警方法及一种隔离开关过热预警系统 | |
KR102464762B1 (ko) | 경험적 공유 지식 기반의 인공지능을 활용한 설비고장 예지보전 방법 | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
Cao | Modeling the effects of dependence between competing failure processes on the condition-based preventive maintenance policy | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
Idziaszek et al. | Object characteristics deterioration effect on task realizability–outline method of estimation and prognosis | |
CN116596322A (zh) | 一种基于大数据可视化的物业设备管理方法及系统 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN117114454A (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
CN113052716B (zh) | 风力发电机组主轴承的异常预警方法及装置 | |
CN117574303B (zh) | 施工状况的监测预警方法、装置、设备及存储介质 | |
CN117761444B (zh) | 一种电涌保护器的寿命监测方法及系统 | |
CN115936679B (zh) | 一种复杂系统的预测维修决策数字化方法和装置 | |
CN116431454B (zh) | 一种大数据的计算机性能控制系统及方法 | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 |
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 |