CN102779230A - 一种电力变压器***状态分析和维修决策判断方法 - Google Patents

Abstract

本发明公开了一种电力变压器***状态分析和维修决策判断方法，包括以下步骤：S1计算同类变压器历史监测数据Y在正常状态的概率分布函数h₀(y)和故障状态下的概率分布函数h₁(y)；S2获取新监测数据，并根据贝叶斯公式利用新监测数据更新电力变压器***处于故障状态的后验概率函数P；S3利用贝叶斯控制理论的最优值函数计算报警阈值；S4电力变压器***投运后，获取新监测数据，通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议。本发明的方法利用贝叶斯公式动态更新变压器的监测数据，能实时反映变压器状态，充分利用历史数据信息科学计算出报警阈值，最终给出维修决策建议，为生产人员合理安排生产计划提供辅助建议。

Description

一种电力变压器***状态分析和维修决策判断方法

技术领域

本发明涉及电路变压器的分析维修方法，特别涉及一种电力变压器***状态分析和维修决策判断方法。

背景技术

随着社会经济的发展，各行各业及居民用户对用电安全提高的要求也越来越高，而电力变压器是电力网络的核心设备，变压器的健康状况对电网安全可靠运行极为关键。通过变压器状态监测数据，分析变压器运行状态并做出维修判断决策，有利于生产人员科学地安排生产计划，减少事故的发生。

变压器在长期运行的过程中，由于电压、热、化学、机械振动以及其他因素的影响，出现绝缘老化、材质劣化的现象，以及外部的破坏和影响等，难免引发变压器故障事故。通过分析其监测数据的变化能判断变压器运行状态，目前，电力部门主要应用传统方法以及一些智能方法进行分析判断。

传统分析方法包括IEC三比值法、大卫三角形法等，智能方法常见的有人工神经网络、专家***等。传统方法虽然仍然是电力行业普遍使用的状态分析方法，但其不足之处日益凸显。传统方法往往直接使用原始数据进行故障判断，未充分考虑数据中的不确定性，只根据单次测量值或近期数据进行判断分析，参数和阈值的选取依赖专家经验。人工神经网络方法具有很强的自学习能力，理论上能实现对任意复杂非线性函数的逼近。然而其训练过程通常需要大量历史数据，可生产实际中的故障数据往往占少数，再加之神经网络的结构和参数往往缺乏实际的物理意义，不利于调试和改进。专家***是另一种常用的人工智能方法，它通过将专业知识和逻辑推理相结合来模拟领域专家解决复杂问题。但是专家***的建立需要大量的实际经验，而且很难超越这些经验而直接从历史数据中发掘出规律。此外，专家***内规则的数量随变量数成指数增长，当变量数较多时可能出现“组合***”效应，需要庞大的计算量。

此外，变压器在运行过程中，除了老化因素外，环境的突变或负载的变化引起变压器监测数据的起伏，而外界情况趋于缓和时，监测数据可能又会趋于正常。若在不充分考虑变压器历史近期数据的情况下，仅仅根据当前数据进行分析判断，容易导致误判。此外，在以上传统方法和智能方法中，很少有决策能力，即只告诉生产人员出了什么问题，不能告诉生产人员该怎么做。

作为电力***重要设备的主变压器主体复杂，运行环境多变万化，因此在可靠性和安全性上往往也有更高的标准，因此需要专门研究和开发针对主变压器的状态分析及决策判断算法。

发明内容

本发明的目的在于克服现有技术的上述缺点与不足，提供一种电力变压器***状态分析和维修决策判断方法，实现历史数据和专家经验的有效结合，并结合部分观测的马尔科夫模型解决不完全信息下复杂***的顺序决策问题，利用变压器监测数据进行故障检测并能做出维修决策建议，有利于维护人员科学地安排变压器维修计划，减少事故发生、节约维修成本。

本发明的目的通过以下技术方案实现：

一种电力变压器***状态分析和维修决策判断方法，包括以下步骤：

S1计算同类变压器历史监测数据Y在正常状态的概率分布函数h₀(y)和故障状态下的概率分布函数h₁(y)；

S2根据贝叶斯公式计算电力变压器***处于故障状态的后验概率函数P；

S3利用贝叶斯控制理论的最优值函数计算报警阈值；

S4电力变压器***投运后，获取新监测数据，通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议。

步骤S1所述故障状态下的概率分布函数h₁(y)，包括过热条件下Y的分布函数h_1o(y)，放电条件下Y的分布函数h_1d(y)。

步骤S2所述电力变压器***处于故障状态的后验概率函数P，具体形式如下：

$P_{\mathrm{mh}}=\frac{1-e^{-\mathrm{\θh}}(1-P_{(m-1)h})}{1-e^{-\mathrm{\θh}}(1-P_{(m-1)h})(1-e^{(n{d}_1^2+z_m)/2})},$ 对m=1，2，...，(1)

其中，h为监测数据采样间隔，m为截止到t时刻的采样总次数；

用于将多维变量y_j转换为一维变量Z；

$d_1={\left[{({\mathrm{\μ}}_1-{\mathrm{\μ}}_0)}^T{\mathrm{\Σ}}^{-1}({\mathrm{\μ}}_1-{\mathrm{\μ}}_0)\right]}^{1/2}$ 为马氏距离；

μ₀和μ₁分别为正常状态下和故障状态下监测数据变量的均值。

步骤S3所述利用贝叶斯控制理论的最优值函数计算报警阈值，具体为：

贝叶斯控制理论的最优值函数具有以下形式：

$V_{m+1}\left(P\right)=\max \{-A-\mathrm{RP},\mathrm{\λh}-(b+\mathrm{cn})-M(h-(1-P)(1-e^{-\mathrm{\θh}})/\mathrm{\θ})$

$+{\∫}_{-\∞}^{\∞}{V}_m\left(P_h(z,P)\right)h\left(z\right|P)\mathrm{dz}\}---\left(2\right)$

其中A表示***停止和报警的成本，R表示维修更换的成本；λ表示单位运行时间的奖励，（b+cn)表示采样成本，M为故障状态下单位时间运行的损失，θ为***的历史故障率；h(z|P)=h₁(z)(1-e^-θh(1-P))+h₀(z)e^-θh(1-P)表示一个无条件概率分布函数；报警阈值的计算是在设备投运前进行，获得报警阈值后保持不变，若有需要可若干时间后再进行一次调整。

对式（2）进行迭代，具体过程如下：

（1）选取函数初值V₀(P)=-A-RP₀和误差允许范围ε；P₀由用户根据需要在[0,1]范围中取值；

（2）对于P∈[0，1]将区间[0,1]分为N等份，每次取一个值代入式（2）计算；

（3）如果max{|V_m(P)-V_m-1(P)|}＞＞ε，则m=m+1，返回步骤(2)，否则进入步骤(4)；

（4）结束，迭代结果为P^*，满足P^*=min{P：V_C(P)=V_S(P)}。

步骤S4所述通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议，具体为：

将新监测到的数据代入下式中

$P=P_{(m+1)h}=\frac{1-e^{-\mathrm{\θh}}(1-P_{\mathrm{mh}})}{1-e^{-\mathrm{\θh}}(1-P_{\mathrm{mh}})(1-e^{(n{d}_1^2+z)/2})}---\left(3\right)$

其中P=P_(m+1)h指获得新监测数据计算得到的后验概率，P_mh为上一次监测数据获得的后验概率。

若此时P<P^*，则该设备可以继续运行；若P>P^*，则最优决策为停止运行，发出警报。

与现有技术相比，本发明具有以下优点和有益效果：

1、本发明根据贝叶斯控制理论，用提取出的信息来更新先验知识，以先验概率的形式表示，最终结果通过后验概率向量的形式输出，向量内的每个元素分别对应***处于各种不同故障模式的概率，从而实现故障的初步检测和分类。

2、由于贝叶斯方法的主要优点在于其对油中气体的变化趋势较为敏感，因而能够在早期发现一些细微的变化，只要油中气体的含量发生了异常的增加，贝叶斯算法都能及时地发现这一趋势，而不论其正常运行的基准值是多少，因此本发明的方法具有很高的灵敏度。

3、本发明通过最优值函数的迭代获取最优后验概率，选取合适的报警阈值，从而获得报警决策建议，为生产***生产提供科学的维修建议，达到减少事故的发生、节约维修成本的目的。

附图说明

图1为本发明的电力变压器***状态分析和维修决策判断方法的流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，本发明一种电力变压器***状态分析和维修决策判断方法，包括以下步骤：

S1计算同类变压器历史监测数据Y在正常状态的概率分布函数h₀(y)和故障状态下的概率分布函数h₁(y)；所述故障状态下的概率分布函数h₁(y)，包括过热条件下Y的分布函数h_1o(y)，放电条件下Y的分布函数h_1d(y)。

S2根据贝叶斯公式计算电力变压器***处于故障状态的后验概率函数P；

所述电力变压器***处于故障状态的后验概率函数P，具体形式如下：

$P_{\mathrm{mh}}=\frac{1-e^{-\mathrm{\&theta;h}}(1-P_{(m-1)h})}{1-e^{-\mathrm{\&theta;h}}(1-P_{(m-1)h})(1-e^{(n{d}_1^2+z_m)/2})},$ 对m=1，2，...，(1)

其中，h为监测数据采样间隔，m为截止到t时刻的采样总次数；

用于将多维变量yj转换为一维变量Z；

$d_1={\left[{({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_0)}^T{\mathrm{\&Sigma;}}^{-1}({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_0)\right]}^{1/2}$ 为马氏距离；

μ₀和μ₁分别为正常状态下和故障状态下监测数据变量的均值。

S3利用贝叶斯控制理论的最优值函数计算报警阈值，具体为：

贝叶斯控制理论的最优值函数具有以下形式：

$V_{m+1}\left(P\right)=\max \{-A-\mathrm{RP},\mathrm{\&lambda;h}-(b+\mathrm{cn})-M(h-(1-P)(1-e^{-\mathrm{\&theta;h}})/\mathrm{\&theta;})$

$+{\&Integral;}_{-\&infin;}^{\&infin;}{V}_m\left(P_h(z,P)\right)h\left(z\right|P)\mathrm{dz}\}---\left(2\right)$

其中A表示***停止和报警的成本，R表示维修更换的成本；λ表示单位运行时间的奖励，（b+cn)表示采样成本，M为故障状态下单位时间运行的损失，θ为***的历史故障率；h(z|P)=h₁(z)(1-e^-θh(1-P))+h₀(z)e^-θh(1-P)表示一个无条件概率分布函数；报警阈值的计算是在设备投运前进行，获得报警阈值后保持不变，若有需要可若干时间后再进行一次调整。

对式（3）进行迭代，具体过程如下：

（1）选取函数初值V₀(P)=-A-RP₀和误差允许范围ε；P₀由用户根据需要在[0,1]范围中取值；

（2）对于P∈[0，1]将区间[0,1]分为N等份，每次取一个值代入式（2）计算；

（3）如果max{|V_m(P)-V_m-1(P)|}＞＞ε，则m=m+1，返回步骤(2)，否则进入步骤(4)；

（4）结束，迭代结果为P^*，满足P^*=min{P：V_C(P)=V_S(P)}。

S4电力变压器***投运后，获取新监测数据，通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议，具体为：

将新监测到的数据代入下式中

$P=P_{(m+1)h}=\frac{1-e^{-\mathrm{\&theta;h}}(1-P_{\mathrm{mh}})}{1-e^{-\mathrm{\&theta;h}}(1-P_{\mathrm{mh}})(1-e^{(n{d}_1^2+z)/2})}---\left(3\right)$

其中P=P_(m+1)h指获得新监测数据计算得到的后验概率P，P_mh为上一次监测数据获得的后验概率。

若此时P<P^*，则该设备可以继续运行；若P>P^*，则最优决策为停止运行，发出警报。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种电力变压器***状态分析和维修决策判断方法，其特征在于，包括以下步骤：

S1计算同类变压器历史监测数据Y在正常状态的概率分布函数h₀(y)和故障状态下的概率分布函数h₁(y)；

S2根据贝叶斯公式计算电力变压器***处于故障状态的后验概率函数P；

S3利用贝叶斯控制理论的最优值函数计算报警阈值；

S4电力变压器***投运后，获取新监测数据，通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议。

2.根据权利要求1所述的电力变压器***状态分析和维修决策判断方法，其特征在于，步骤S1所述故障状态下的概率分布函数h₁(y)，包括过热条件下Y的分布函数h_1o(y)，放电条件下Y的分布函数h_1d(y)。

3.根据权利要求2所述的电力变压器***状态分析和维修决策判断方法，其特征在于，步骤S2所述电力变压器***处于故障状态的后验概率函数P，具体形式如下：

$P_{\mathrm{mh}}=\frac{1-e^{-\mathrm{\&theta;h}}(1-P_{(m-1)h})}{1-e^{-\mathrm{\&theta;h}}(1-P_{(m-1)h})(1-e^{(n{d}_1^2+z_m)/2})},$ 对m=1，2，...，(1)

其中，h为监测数据采样间隔，m为截止到t时刻的采样总次数；

用于将多维变量y_j转换为一维变量Z;

d₁=[(μ₁-μ₀)^T∑^-1(μ₁-μ₀)]^1/2为马氏距离；

μ₀和μ₁分别为正常状态下和故障状态下监测数据变量的均值。

4.根据权利要求1所述的电力变压器***状态分析和维修决策判断方法，其特征在于，步骤S3所述利用贝叶斯控制理论的最优值函数计算报警阈值，具体为：

贝叶斯控制理论的最优值函数具有以下形式：

$V_{m+1}\left(P\right)=\max \{-A-\mathrm{RP},\mathrm{\&lambda;h}-(b+\mathrm{cn})-M(h-(1-P)(1-e^{-\mathrm{\&theta;h}})/\mathrm{\&theta;})$

$+{\&Integral;}_{-\&infin;}^{\&infin;}{V}_m\left(P_h(z,P)\right)h\left(z\right|P)\mathrm{dz}\}---\left(2\right)$

其中A表示***停止和报警的成本，R表示维修更换的成本；λ表示单位运行时间的奖励，（b+cn)表示采样成本，M为故障状态下单位时间运行的损失，θ为***的历史故障率；h(z|P)=h₁(z)(1-e^-θh(1-P))+h₀(z)e^-θh(1-P)表示一个无条件概率分布函数；

对式（2）进行迭代，具体过程如下：

（1）选取函数初值V₀(P)=-A-RP₀和误差允许范围ε；P₀由用户根据需要在[0,1]范围中取值；

（2）对于P∈[0，1]将区间[0,1]分为N等份，每次取一个值代入式（2）计算；

（3）如果max{|V_m(P)-V_m-1(P)|}＞＞ε，则m=m+1，返回步骤(2)，否则进入步骤(4)；

（4）结束，迭代结果为P^*，满足P^*=min{P：V_C(P)=V_S(P)}。

5.根据权利要求4所述的电力变压器***状态分析和维修决策判断方法，其特征在于，步骤S4所述通过新监测数据更新后验概率，根据报警阈值，给出最佳维修决策建议，具体为：

将新监测到的数据代入下式中

$P=P_{(m+1)h}=\frac{1-e^{-\mathrm{\&theta;h}}(1-P_{\mathrm{mh}})}{1-e^{-\mathrm{\&theta;h}}(1-P_{\mathrm{mh}})(1-e^{(n{d}_1^2+z)/2})}---\left(3\right)$

其中P=P_(m+1)h指获得新监测数据计算得到的后验概率P，P_mh为上一次监测数据获得的后验概率；

若此时P<P^*，则该设备继续运行；若P>P^*，则最优决策为停止运行，发出警报。

Images