CN118209905A - 一种基于物联感知的配电变压器在线故障预测方法 - Google Patents

一种基于物联感知的配电变压器在线故障预测方法 Download PDF

Info

Publication number
CN118209905A
CN118209905A CN202410621146.1A CN202410621146A CN118209905A CN 118209905 A CN118209905 A CN 118209905A CN 202410621146 A CN202410621146 A CN 202410621146A CN 118209905 A CN118209905 A CN 118209905A
Authority
CN
China
Prior art keywords
transformer
fault
distribution
value
data
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.)
Granted
Application number
CN202410621146.1A
Other languages
English (en)
Other versions
CN118209905B (zh
Inventor
黄梦辉
侯俊国
王亚丽
尚成
张腾腾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Original Assignee
North China Electric Power University
Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN202410621146.1A priority Critical patent/CN118209905B/zh
Publication of CN118209905A publication Critical patent/CN118209905A/zh
Application granted granted Critical
Publication of CN118209905B publication Critical patent/CN118209905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62Testing of transformers
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00Measuring or testing not otherwise provided for
    • G01D21/02Measuring two or more variables by means not covered by a single other subclass
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/2433Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0475Generative networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/094Adversarial learning
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于物联感知的配电变压器在线故障预测方法,包括以下步骤:A、传感器采集配电变压器的实时运行状态数据;B、扩充配电变压器的异常故障样本;C、建立配电变压器的故障预测模型;D、预测配电变压器的故障概率分布。本发明能够改进现有技术的不足,实现对配电变压器未来故障时间区间的准确预测,为配电变压器预防性维修计划的制定提供参考依据,进而避免变压器故障的发生,降低停电损失,延长变压器使用寿命。

Description

一种基于物联感知的配电变压器在线故障预测方法
技术领域
本发明涉及机器学习技术领域,尤其是一种基于物联感知的配电变压器在线故障预测方法。
背景技术
电力变压器经常出现过热故障、放电故障等内部故障,不仅导致变压器使用寿命降低,还导致电网停电带来的巨大国民经济损失。所以对于变压器故障的预测成为降低电网停电概率的重要手段。现有技术中总体上说有三种预测方式:
1、通过搭建变压器油中溶解气体浓度近期预测SARIMA模型,得到变压器近期油中溶解气体浓度变化的预测结果。基于DBN网络搭建变压器故障诊断模型,将预测结果作为模型输入特征量,实现变压器故障预测。但实际运行数据、环境数据与油色谱数据并不存在明确的映射关系,而且由于油色谱数据量较小,在未进行数据扩充的情况下很难准确提取输入输出数据的高维非线性对应关系,所以预测结果准确度欠佳。
2、依据变压器油中溶解气体相关标准建立模型数据库,通过监测变压器油中溶解气体浓度值,并与建立的模型数据进行比对判定,实现基于变压器油中溶解气体监测的故障预测。但实际变压器运行时油中溶解气体的在线监测十分困难,现有气体监测传感器只能监测空气中的某种气体含量,无法在线监测油中溶解气体的含量。现有油中气体检测方法只能在停电检修时对绝缘油取样后在实验室离线检验,但获得的油中溶解气体浓度数据样本断续、采样间隔长,无法实现在线监测。
3、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(温度、湿度、电压、电流及故障数据等)进行预处理,构建BP神经网络并利用所述训练数据集对所述BP神经网络进行训练以获取BP神经网络预测模型,获取变压器故障影响因素的实时数据,作为BP神经网络预测模型的输入以获得变压器是否发生故障的预测结果。但变压器故障样本较少,在不进行故障样本扩充的情况下靠仅存的少量故障样本无法有效训练神经网络阈值与权重参数,从而无法准确预测变压器故障。
综上,现阶段亟需一种全新的变压器在线故障预测方法。
发明内容
本发明要解决的技术问题是提供一种基于物联感知的配电变压器在线故障预测方法,能够解决现有技术的不足,实现对配电变压器未来故障时间区间的准确预测,为配电变压器预防性维修计划的制定提供参考依据,进而避免变压器故障的发生,降低停电损失,延长变压器使用寿命。
为解决上述技术问题,本发明所采取的技术方案如下。
一种基于物联感知的配电变压器在线故障预测方法,包括以下步骤:
A、传感器采集配电变压器的实时运行状态数据;
B、扩充配电变压器的异常故障样本;
C、建立配电变压器的故障预测模型;
D、预测配电变压器的故障概率分布。
作为优选,所述传感器包括,
超声波传感器和暂态对地电压波传感器,用于采集局部放电信号;
红外热成像传感器,用于采集温度信号;
湿度传感器,用于采集湿度信号。
作为优选,步骤B中,扩充配电变压器的异常故障样本包括以下步骤,
B1、将传感器采集到的故障数据采用min-max-灰度值标准化方法进行灰度图形化处理,其转化函数,x为标准化前的样本数据值,max为样本数据的最大值,min为样本数据的最小值;
B2、使用生成对抗网络CycleGAN扩充配电变压器的异常故障样本。
作为优选,步骤C中,建立配电变压器的故障预测模型包括以下步骤,
C1、建立比例风险模型,风险函数为,式中为Weibull分布的形状参数与尺度参数,为变压器的第个协变量状态监测信息,为第个协变量,协变量包括电流、温度、湿度、局部放电,为第个协变量权重系数,为协变量总数;
C2、由风险函数积分得累积风险函数,为了便于直接对变压器实际所测的状态协变量进行观察比较,并进行状态评估,将上式作等式变换,得到,
式中,为变压器状态指示器,反映变压器的实时综合运行状态,时变压器劣化状态阈值曲线,用于反映变压器性能随时间劣化行为的失效阈值;
C3、对变压器状态监测参量进行概率趋势预测,预测结果计算比例强度模型的状态指示器部分,并与失效阈值进行对比预测未来某一时间点可能出现的变压器故障状态;变压器在线监测数据为实值数据服从高斯分布,则似然函数形式为:
在每个时间步中,网络的输入变量是当前时间步和目标值以及前一步的协变量,然后通过式计算似然函数的参数;从时间序列导入的历史数据,然后再处随机采集样本以获得并反馈到下一时间步,直到在估计范围结束时生成样本轨迹,重复步骤C3以生成表示联合估计分布的多条轨迹;为序列号,为时间步,表示第个序列在时间步的值;
C4、对Weibull分布的形状参数与尺度参数和权重系数进行估计,计算故障率阈值及失效阈值
作为优选,对进行估计包括以下步骤,
C41、确定初值,选取服从威布尔分布的两个数据点构建方程组,
由上述方程组求得
C42、对参数分别求偏导得
C43、对C42中的偏导数取0,即可转化为由阻尼系数和特征系数组成的公式组,,其中
将n组数据以及风险函数和累积风险函数代入,得,式中,个待估计参数;组观测值;上角标表示初始值,分别为待估计参数的初始值;
C44、给定初值,代入下式,,得
C45、将步骤C44解得的估计值代入
C46、第二次迭代,令;先取,即,解得新的参数值,计算新的残差平方和;若,则第二次迭代结束,否则取,即,计算新的,直至为止;
C47、第三次迭代,以第二次迭代结束时的替代中的,重复第二次迭代的过程;
C48、重复迭代直至为系统误差,此时得到的估计值。
作为优选,对第个协变量权重系数进行估计包括以下步骤,
将求得的估计值代入,得出第个协变量权重系数的对数似然函数如下,,式中,为失效变压器样本个数,为右截尾变压器样本个数;将样本数据代入上式,分别对求偏导,并令偏导数等于0,用牛顿迭代法求解,得到第个协变量权重系数的估计值;为协变量总数,为第个协变量。
作为优选,计算故障率阈值及失效阈值包括以下步骤,
利用第次故障后设备的真实寿命、相对应的协变量和累计风险函数计算得到发生下一次故障时设备的累计风险函数值;对于所有的故障记录计算其下次故障发生时的累计风险函数值,求平均得所有故障的累计风险平均值,由累计风险平均值确定故障率阈值,进而求得失效阈值
作为优选,步骤D中,根据失效阈值置信区间与经过状态参量趋势预测获得的状态指示器趋势置信分布,预测配电变压器的故障概率分布。
采用上述技术方案所带来的有益效果在于:本发明利用配电变压器物联感知在线监测数据、历史故障数据、历史运维数据估计电力变压器的当前运行状态与未来性能劣化趋势,实现对电力变压器未来故障时间区间的准确预测,为电力变压器预防性维修计划的制定提供参考依据,进而避免变压器故障的发生,降低停电损失,延长变压器使用寿命。
其中,在使用CycleGAN进行异常故障样本扩充时,将变压器不平衡样本首先进行数据图形化处理,再带入CycleGAN模型进行故障样本扩充,可以提高CycleGAN模型对数据扩充的匹配性与准确性。在使用比例风险模型时,通过等式变换,并将状态指示器部分利用DeepAR进行概率趋势预测,结合阈值曲线实现变压器寿命预测。相比于现有的比例风险模型,本发明可以提高预测的准确度和效率。
具体实施方式
运转中的变压器经常见到的故障有许多种划分方式:按电力变压器整体划分可分为内部外部两种故障,就是把油室内部出现的各种短路,如内部故障一般就是绕组间或绕组匝间短路、接地等。套管放电,引出线之间的相互短路发生在油室外部成为外部故障。事实上,电力设备的各类故障都可以危害到内的绝缘性的安全,所以各种内外部因素使得变压器的内部故障,按其性质又能分为放电故障和热故障。
一般情况,按照局部放电的能量密度可以将电力设备内部的放电故障分为电弧放电、火花放电和局部放电三类。而导致火花放电或电弧放电故障的放电是局部放电故障。
电气设备的许多故障和事故都是由于电气设备的过热引起的,及早发现过热并排除,可以大大减少电力系统的故障与事故,提高供电可靠性。以下是过热故障发生的一些成因:过载、短路、接触不良与散热不良、漏电等。
我们针对于以上故障类型选用不同种类的物联感知传感器进行监测;对应于局部放电信号,采用超声波传感器和暂态对地电压波传感器进行监测。对应于温度信号,将采用红外热成像传感器进行监测。
电力变压器运行过程中局部放电、温度、湿度等会影响设备正常工作,根据配电网设备应用特点,采用一二次装置融合技术配置超声传感器、TEV传感器、湿度传感器、热成像传感器、红外可见光传感器等物联感知传感器实现设备的实时状态感知,配置智能物联感知终端实现各类传感器感知数据的采集与预处理,并将电力变压器运行数据(如三相电流、电压等)一同采集记录于系统中。考虑终端数据之间依赖关系的情况下,结合历史故障数据和多维物联感知数据实现对设备的运行状态检测,得到设备的实时运行状态。
将传感器采集到的故障数据采用min-max-灰度值标准化方法进行灰度图形化处理,其转化函数为标准化前的样本数据值,为样本数据的最大值,为样本数据的最小值;然后使用生成对抗网络CycleGAN扩充配电变压器的异常故障样本。
生成对抗网络GAN通过生成器和判别器间的互相博弈产生良好的输出,广泛应用于图像生成和数据增强领域。CycleGAN本质上是两个镜像对称的GAN,构成一个环形网络。CycleGAN模型在损失函数部分除了经典的基础的GAN网络的对抗损失的基础上,提出循环损失函数。因为网络需要保证生成的数据必须保留原始数据的特性,所以如果使用生成器GeneratorA-B生成一个虚构数据,那么要能使另外一个生成器GeneratorB-A来努力恢复成原始数据。此过程必须满足循环一致性。
智能物联感知终端中记录了变压器运行过程中的故障数据各类故障发生频率不同,难以实现变压器各故障类型一一配对,而CycleGAN可以实现无配对的两个图片集的训练。
建立比例风险模型,风险函数为,式中为Weibull分布的形状参数与尺度参数,为变压器的第个协变量状态监测信息,为第个协变量,协变量包括电流、温度、湿度、局部放电,为第个协变量权重系数,为协变量总数。
由风险函数积分得累积风险函数,为了便于直接对变压器实际所测的状态协变量进行观察比较,并进行状态评估,将上式作等式变换,得到,
式中,为变压器状态指示器,反映变压器的实时综合运行状态,时变压器劣化状态阈值曲线,用于反映变压器性能随时间劣化行为的失效阈值;
对变压器状态监测参量进行概率趋势预测,预测结果计算比例强度模型的状态指示器部分,并与失效阈值进行对比预测未来某一时间点可能出现的变压器故障状态;变压器在线监测数据为实值数据服从高斯分布,则似然函数形式为:
在每个时间步中,网络的输入变量是当前时间步和目标值以及前一步的协变量,然后通过式计算似然函数的参数;从时间序列导入的历史数据,然后再处随机采集样本以获得并反馈到下一时间步,直到在估计范围结束时生成样本轨迹,重复步骤C3以生成表示联合估计分布的多条轨迹;为序列号,为时间步,表示第个序列在时间步的值;
比例风险模型的基本失效函数服从威布尔分布,描述的是变压器在理想条件下的自然劣化过程,其分布只取决于设备运行时间描述的是变压器在实际工况下受运行环境影响的程度,其分布只取决于协变量
以上结论表明可将比例风险模型的待估计参数分为两部分:基本失效函数中的形状参数和尺度参数中的权重系数。所以本文采取先计算的估计值,得到基本失效函数,再将其代入比例失效模型中,对权重系数进行参数估计,最终得到比例失效模型。
进行估计包括以下步骤,
C41、确定初值,选取服从威布尔分布的两个数据点构建方程组,
由上述方程组求得
C42、对参数分别求偏导得
C43、对C42中的偏导数取0,即可转化为由阻尼系数和特征系数组成的公式组,,其中
组数据以及风险函数和累积风险函数代入,得,式中,个待估计参数;组观测值;上角标表示初始值,分别为待估计参数的初始值;
C44、给定初值,代入下式,,得
C45、将步骤C44解得的估计值代入
C46、第二次迭代,令;先取,即,解得新的参数值,计算新的残差平方和;若,则第二次迭代结束,否则取,即,计算新的,直至为止;
C47、第三次迭代,以第二次迭代结束时的替代中的,重复第二次迭代的过程;
C48、重复迭代直至为系统误差,此时得到的估计值。
对第个协变量权重系数进行估计包括以下步骤,
将求得的估计值代入,得出第个协变量权重系数的对数似然函数如下,,式中,为失效变压器样本个数,为右截尾变压器样本个数;将样本数据代入上式,分别对求偏导,并令偏导数等于0,用牛顿迭代法求解,得到第个协变量权重系数的估计值;为协变量总数,为第个协变量。
计算故障率阈值及失效阈值包括以下步骤,
利用第次故障后设备的真实寿命、相对应的协变量和累计风险函数计算得到发生下一次故障时设备的累计风险函数值;对于所有的故障记录计算其下次故障发生时的累计风险函数值,求平均得所有故障的累计风险平均值,由累计风险平均值确定故障率阈值,进而求得失效阈值
下面通过实验根据失效阈值置信区间与经过状态参量趋势预测获得的状态指示器趋势置信分布,预测配电变压器的故障概率分布。
基于故障树分析对某一区域58台S13-M-400/10型变压器运行年限所对应故障率进行计算,部分结果展示如下:
对威布尔分布形状参数和尺度参数进行估计。估计结果如下:
对协变量权重系数进行估计,计算结果如下:
得到变压器故障率函数以及故障率阈值
得到变压器状态指示器及变压器劣化状态阈值表达式,如下:
某10kv配电变压器B、C相跌落式熔断器熔丝熔断。经实验分析,可以断定高压绕组匝间、层间短路是变压器故障的直接原因。变压器运行时值冬季,气温偏低,绝缘漆粘度大、流动性差,加之油道撑条厚薄不一,绝缘漆固化后易因局部结瘤堵塞油道,进而影响循环散热,在高压绕组中形成的过热隐患点,长时间运行导致绕组局部过热,烧坏导线绝缘层造成匝间、层间短路。
本发明的预测精度如下表所示:
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于物联感知的配电变压器在线故障预测方法,其特征在于包括以下步骤:
A、传感器采集配电变压器的实时运行状态数据;
B、扩充配电变压器的异常故障样本,具体包括,
B1、将传感器采集到的故障数据采用灰度值标准化方法进行灰度图形化处理,其转化函数为标准化前的样本数据值,为样本数据的最大值,为样本数据的最小值;
B2、使用生成对抗网络CycleGAN扩充配电变压器的异常故障样本;
C、建立配电变压器的故障预测模型;具体包括,
C1、建立比例风险模型,风险函数为,式中为Weibull分布的形状参数与尺度参数,为变压器的第个协变量状态监测信息,为第个协变量,协变量包括电流、温度、湿度、局部放电,为第个协变量权重系数,,N为协变量总数;
C2、由风险函数积分得累积风险函数,为了便于直接对变压器实际所测的状态协变量进行观察比较,并进行状态评估,将上式作等式变换,得到,
式中,为变压器状态指示器,反映变压器的实时综合运行状态,时变压器劣化状态阈值曲线,用于反映变压器性能随时间劣化行为的失效阈值;
C3、对变压器状态监测参量进行概率趋势预测,预测结果计算比例强度模型的状态指示器部分,并与失效阈值进行对比预测未来某一时间点可能出现的变压器故障状态;变压器在线监测数据为实值数据服从高斯分布,则似然函数形式为:
在每个时间步中,网络的输入变量是当前时间步和目标值以及前一步的协变量,然后通过式计算似然函数的参数;从时间序列导入的历史数据,然后再处随机采集样本以获得并反馈到下一时间步,直到在估计范围结束时生成样本轨迹,重复步骤C3以生成表示联合估计分布的多条轨迹;为序列号,为时间步,表示第个序列在时间步t的值;
C4、对Weibull分布的形状参数与尺度参数和权重系数进行估计,计算故障率阈值及失效阈值
D、根据失效阈值置信区间与经过状态参量趋势预测获得的状态指示器趋势置信分布,预测配电变压器的故障概率分布。
2.根据权利要求1所述的基于物联感知的配电变压器在线故障预测方法,其特征在于:所述传感器包括,
超声波传感器和暂态对地电压波传感器,用于采集局部放电信号;
红外热成像传感器,用于采集温度信号;
湿度传感器,用于采集湿度信号。
3.根据权利要求1所述的基于物联感知的配电变压器在线故障预测方法,其特征在于:对进行估计包括以下步骤,
C41、确定初值,选取服从威布尔分布的两个数据点构建方程组,
由上述方程组求得
C42、对参数分别求偏导得
C43、对C42中的偏导数取0,即可转化为由阻尼系数d和特征系数组成的公式组,,其中
将n组数据以及风险函数和累积风险函数代入,得
式中,为m个待估计参数;n为n组观测值;上角标(0)表示初始值,分别为待估计参数的初始值;
C44、给定初值,代入下式,
,得
C45、将步骤C44解得的估计值代入
C46、第二次迭代,令;先取,即,解得新的参数值,计算新的残差平方和;若,则第二次迭代结束,否则取,即,计算新的,直至为止;
C47、第三次迭代,以第二次迭代结束时的替代中的,重复第二次迭代的过程;
C48、重复迭代直至为系统误差,此时得到的估计值。
4.根据权利要求3所述的基于物联感知的配电变压器在线故障预测方法,其特征在于:对第个协变量权重系数进行估计包括以下步骤,
将求得的估计值代入,得出第个协变量权重系数的对数似然函数如下,,式中,n为失效变压器样本个数,m为右截尾变压器样本个数;将样本数据代入上式,分别对求偏导,并令偏导数等于0,用牛顿迭代法求解,得到第个协变量权重系数的估计值;,N为协变量总数,为第个协变量。
5.根据权利要求4所述的基于物联感知的配电变压器在线故障预测方法,其特征在于:计算故障率阈值及失效阈值包括以下步骤,
利用第次故障后设备的真实寿命、相对应的协变量和累计风险函数计算得到发生下一次故障时设备的累计风险函数值;对于所有的故障记录计算其下次故障发生时的累计风险函数值,求平均得所有故障的累计风险平均值,由累计风险平均值确定故障率阈值,进而求得失效阈值
CN202410621146.1A 2024-05-20 2024-05-20 一种基于物联感知的配电变压器在线故障预测方法 Active CN118209905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410621146.1A CN118209905B (zh) 2024-05-20 2024-05-20 一种基于物联感知的配电变压器在线故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410621146.1A CN118209905B (zh) 2024-05-20 2024-05-20 一种基于物联感知的配电变压器在线故障预测方法

Publications (2)

Publication Number Publication Date
CN118209905A true CN118209905A (zh) 2024-06-18
CN118209905B CN118209905B (zh) 2024-09-03

Family

ID=91447086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410621146.1A Active CN118209905B (zh) 2024-05-20 2024-05-20 一种基于物联感知的配电变压器在线故障预测方法

Country Status (1)

Country Link
CN (1) CN118209905B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118375603A (zh) * 2024-06-25 2024-07-23 山东亿宁环保科技有限公司 一种真空泵的故障监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239694A (zh) * 2014-08-28 2014-12-24 北京交通大学 一种城轨列车转向架的故障预测与视情维修方法
CN108038349A (zh) * 2017-12-18 2018-05-15 北京航天测控技术有限公司 一种飞机系统健康状态的维修决策方法
US20220291296A1 (en) * 2019-07-26 2022-09-15 Maschinenfabrik Reinhausen Gmbh Method and system for monitoring at least one inductive operating means
CN116522241A (zh) * 2023-04-28 2023-08-01 湖南大学 基于生存分析的智能电能表可靠性评估方法
CN117095699A (zh) * 2023-09-04 2023-11-21 东北大学 基于循环生成对抗网络的变压器异常声纹样本生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239694A (zh) * 2014-08-28 2014-12-24 北京交通大学 一种城轨列车转向架的故障预测与视情维修方法
CN108038349A (zh) * 2017-12-18 2018-05-15 北京航天测控技术有限公司 一种飞机系统健康状态的维修决策方法
US20220291296A1 (en) * 2019-07-26 2022-09-15 Maschinenfabrik Reinhausen Gmbh Method and system for monitoring at least one inductive operating means
CN116522241A (zh) * 2023-04-28 2023-08-01 湖南大学 基于生存分析的智能电能表可靠性评估方法
CN117095699A (zh) * 2023-09-04 2023-11-21 东北大学 基于循环生成对抗网络的变压器异常声纹样本生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王姿尧 等: "基于红外图像数据域转化和Inception-CNN网络的变压器套管在线异常识别方法", 《高电压技术》, vol. 49, no. 8, 31 August 2023 (2023-08-31), pages 3425 - 3436 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118375603A (zh) * 2024-06-25 2024-07-23 山东亿宁环保科技有限公司 一种真空泵的故障监测方法及系统

Also Published As

Publication number Publication date
CN118209905B (zh) 2024-09-03

Similar Documents

Publication Publication Date Title
CN118209905B (zh) 一种基于物联感知的配电变压器在线故障预测方法
Ashok et al. Distribution transformer health monitoring using smart meter data
CN109490726A (zh) 基于云理论的电力变压器绝缘状态评估方法
CN108761228A (zh) 量测大数据下的电力变压器运行状态评估方法
CN104764985A (zh) 一种基于参数辨识估计油纸绝缘系统低频介损方法
CN109357766A (zh) 基于红外测温的变电设备缺陷检测方法与缺陷检测系统
Niţu et al. Power transformer fault diagnosis using fuzzy logic technique based on dissolved gas analysis and furan analysis
CN106570644B (zh) 一种基于统计工具的输变电设备量化评估方法
Mirzai et al. Regular paper Failures Analysis and Reliability Calculation for Power Transformers
CN114740303B (zh) 一种无线无源高压开关柜的故障监测系统
CN115096366A (zh) 一种sf6环网柜运行状态监测系统及其状态评估方法
CN117706258A (zh) 一种基于大数据处理的故障检测系统
CN114113997A (zh) 一种基于颗粒度分析的有载分接开关故障预测方法及装置
Guo et al. A review of on-line condition monitoring in power system
CN116681284A (zh) 基于大数据的主配网一体化电网风险管控平台
CN116087762A (zh) 基于阵列空间电场的断路器非接触式绝缘监测方法及系统
CN112989695B (zh) 一种计及电网节点重要度的开关柜状态评估方法
CN115864310A (zh) 一种多参量融合电力变压器缺陷辨识、状态分级与主动安全保护方法
CN115308644A (zh) 基于电流偏移比差分析的变压器绕组故障检测方法及系统
CN110927488B (zh) 一种基于隶属度函数的变压器运行状态监测方法
CN113625201B (zh) 一种单相变压器绕组变形故障的在线检测方法
Li et al. Research on Voltage Inductive Heated Defect Detection Technology Based on Temperature Width Intelligent Adjustment
Zhang et al. GIS Condition Assessment Method Based on Fuzzy Mathematics Theory
Dai et al. Design and Application of Condition Monitoring System for Distribution Substation Based on Integrated Sensing Technology
Shiravand et al. New Thermal Model for Accurate Prediction of Top Oil Temperature of Distribution Transformer

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant