CN108680811A - 一种变压器故障状态评估方法 - Google Patents
一种变压器故障状态评估方法 Download PDFInfo
- Publication number
- CN108680811A CN108680811A CN201810692629.5A CN201810692629A CN108680811A CN 108680811 A CN108680811 A CN 108680811A CN 201810692629 A CN201810692629 A CN 201810692629A CN 108680811 A CN108680811 A CN 108680811A
- Authority
- CN
- China
- Prior art keywords
- transformer
- data set
- paper
- oil
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000009413 insulation Methods 0.000 claims abstract description 20
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 claims description 36
- 239000002253 acid Substances 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 23
- 238000002474 experimental method Methods 0.000 claims description 20
- 230000015556 catabolic process Effects 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 239000003990 capacitor Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 239000004215 Carbon black (E152) Substances 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 9
- 229930195733 hydrocarbon Natural products 0.000 claims description 9
- 150000002430 hydrocarbons Chemical class 0.000 claims description 9
- 239000002932 luster Substances 0.000 claims description 9
- 238000006116 polymerization reaction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 description 11
- 230000008439 repair process Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 238000004804 winding Methods 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 7
- 241001269238 Data Species 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- CUZMQPZYCDIHQL-VCTVXEGHSA-L calcium;(2s)-1-[(2s)-3-[(2r)-2-(cyclohexanecarbonylamino)propanoyl]sulfanyl-2-methylpropanoyl]pyrrolidine-2-carboxylate Chemical compound [Ca+2].N([C@H](C)C(=O)SC[C@@H](C)C(=O)N1[C@@H](CCC1)C([O-])=O)C(=O)C1CCCCC1.N([C@H](C)C(=O)SC[C@@H](C)C(=O)N1[C@@H](CCC1)C([O-])=O)C(=O)C1CCCCC1 CUZMQPZYCDIHQL-VCTVXEGHSA-L 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Relating To Insulation (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及一种变压器故障状态评估方法,步骤如下:首先,构建变压器绝缘油特征类、绝缘纸特征类、气体特征类、温度特征类、电容特征类、局部放电特征类的数据集以及计算对应的概率数值;然后,进行反映变压器故障状态的油、纸、气体、温度、电容、局部放电特征值平均值计算;再之,构建变压器故障状态评估函数;最后,进行变压器故障状态评估;本发明可以评估变压器故障状态,反映出变压器故障状态特征值具有的不确定性,为变压器故障状态评估提供理论指导,为配电网运维提供必要的技术支撑。
Description
技术领域
本发明涉及电力***及其自动化的技术领域,尤其涉及到一种变压器故障状态评估方法。
背景技术
传统配网主设备的事后维修和定期计划检修往往需要投入大量的人为、物力,而且维修的性价比不高。随着设备自动化程度的提高,与时间相关的设备的故障模式只占设备所有故障模式的6%,因此基于时间的定期维修策略只对6%的设备故障模式有效。以定期维修为主结合经验决定延长或缩短检修周期的维修方式,取得了一定的效果。
随着电力设备数量与日俱增,设备间关联关系日趋复杂,社会对供电可靠性要求越来越高,安排停电检修日益困难;配电网设备量多面广、运行状态复杂多变,难以及时检测和评估配网主设备状态,以往检修策略更多地重视试验数据而很少重视运行数据,无法适应日趋精益化的状态检修管理要求。
变压器数量多,会存在不同程度的劣化、缺陷并具有家族性和隐蔽性,难以得到及时检测和评估。因运行年限、环境、检修等有很大差异并受多因素影响,增加了变压器故障状态评价的难度和复杂性,无法满足精准化和智能化评价的更高要求。
变压器安全可靠运行首先要有严格质量保障,还要有足够的维护和检修保证。虽然定期预防性检修能够在一定程度上预防劣化或缺陷问题所导致的故障事故事件的发生,但是很难发现潜在性、隐蔽性极强的缺陷等。故障检修是一种被动的检修模式,具有极大的压力和不确定性,也容易导致过修或失修的问题。状态检修具有针对性和合理性,能够有效克服定期检修造成的过修和失修的问题,能够防范配电设备劣化或缺陷问题的扩大化和严重化,是今后设备检修发展的趋势。
传统上,大多通过油中溶解气体等单一因素数据计算和分析方法来评估变压器故障状态,能够较准确、可靠地发现逐步发展的变压器潜在缺陷;利用小波网络法、神经网络方法、模糊聚类法、灰色聚类、支持向量机、粗糙集方法、证据推理法、贝叶斯网络分类器等数学方法对单一因素数据进行处理、计算和分析,也能够较准确、可靠地评估变压器劣化、劣化和缺陷状态。虽然神经网络法利用预先自训练和自学习的方式对高危数据进行处理和计算,受***或参数的状态值严重影响,一旦状态发生变化就需要进行重新训练和学习,其适应性偏弱并影响分析结果;故障树法按照一定的规则对故障的细化分解,以剖析故障类型及其原因,需要非常细化的故障信息完整性和正确性,对潜在性故障难以发现;支持向量机法采用一定的规则对数据进行分层处理,在数据量多时容易出现误分、错分等问题;粗糙集和模糊理论方法在处理随机性和模糊性数据方面有独到的优势,但是粗糙集只能处理离散数据,模糊理论方法没有自学习和自适应能力;贝叶斯网络分类方法能够较好地处理不完备数据,但需要提供足够完备的***或参数的关键属性数据,否则其计算和评估正确率会较低;证据推理理论能够较好、较准确地处理冗余信息或数据,但在信息或数据之间存在相互矛盾时应用于证据的事件判别有很大的局限性。
利用经验、单一参量或少量数据容易造成评价精确度低,进而导致过修或失修等问题。在出厂、监测、试验、测试、巡检、运行、计量、自动化等多源数据的融合基础上,根据设备类型、运行工况和应用环境进行分类评估,建立基于数据驱动的变压器故障状态模型,以关键指标的冗余分析和相关性分析进行状态评价,为变压器的可靠运行提供技术支撑,为变压器的故障发生提供风险预警。
导致变压器故障的因素有绝缘受潮、铁心故障、电流回路过热、绕组故障、局部放电、油流放电、电弧放电、绝缘劣化和绝缘油劣化,影响变压器故障状态有绝缘油介质损耗、油中含水量、油击穿电压、绝缘电阻吸收比、极化指数、体积电阻率、H2含量、铁心绝缘电阻等参量。变压器差异化运维需要整体评估,而状态评估涉及台账信息、巡检信息、带电检测及在线监测数据、离线试验数据等,数据量大,影响机理不同,常规评估方法侧重于某些层面或指标研究,已无法满足多维度、大数据的要求。采用大数据技术,可以全面反映主设备状态变化并确定其特征和关键参量。利用出厂试验数据、缺陷和事故记录、定期和非定期的试验数据等静态数据,利用设备在线检测的数据及实时运行信息等动态数据,包括电压、电流、功率等实时运行信息,短路故障、雷击跳间、家族性缺陷等故障信息,红外测温、密封、污秽等巡检信息,直流电阻、绝缘电阻、油色谱、介损等停电检测信息等状态数据,建立变压器、断路器、避雷器、电容器等配网主设备的数据库,采用大数据技术研究主设备状态特征评估方法,阐明主设备状态与水解、热解的关联关系,采用模糊C-均值聚类分析方法提取主设备状态特征。
油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽等与绝缘油相关参量,纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽等与绝缘纸相关的参量,H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃等与气体相关的参量,铁心绝缘电阻、铁心接地电流等与铁心相关的参量数据,绕组直流电阻、绝缘电阻吸收比、绕组直流电阻及其不平衡率、绕组短路阻抗初值差、绕组绝缘介质损耗、绕组电容量初值差等与绕组相关的参量,高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值等与电容值相关的参量,典型负荷时热点温度、高负荷时热点温度、油温等与温度相关的参量,局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数等与局部放电相关的参量,在不同环境、气象条件下都有不同的数值,具有随机和模糊不确定性,可以说变压器故障是一个随机和模糊不确定性的事故或事件,这些因素也是随机和模糊不确定性的参量。这些影响因素通常都具有随机不确定性或模糊不确定性,或者是具有随机和模糊不确定性,往往以随机和模糊不确定性事件或参量而存在。可见,传统变压器故障状态评估的现有技术都没有全面考虑影响因素的不确定性和随机性,计算方法适用性、实用性和应用性也难以得到满足。
发明内容
本发明的目的在于克服现有技术的不足,提供一种变压器故障状态评估方法,针对如何处理变压器故障状态评估所涉及种类多、数量大、相互关系复杂的大数据问题,在建立大数据库基础上采用数据聚类原理对大数据进行处理和分析;针对变压器故障状态评估所涉及的随机和模糊不确定性的参量,采用概率模糊集的理论进行处理和分析。
变压器故障状态评估的基本原理是,利用出厂、监测、试验、测试、巡检、运行、计量、自动化等多源数据,建立与绝缘油、绝缘纸、铁心、绕组相关参量的大数据库,建立与油中气体、电容值、温度、局部放电相关参量的大数据库,建立温度、风力、湿度和降水等气象的大数据库,建立变压器电流、电压、功率、负载率等运行数据库;采用概率模糊集理论,对具有随机不确定性或模糊不确定性的并导致变压器故障状态的参量进行概率模糊建模;利用公开文献中与变压器故障状态评估方法相关结果的海量数据,构建变压器故障状态特征类概率模糊集;利用变压器故障状态试验的海量数据,构建变压器故障状态试验类概率模糊集;构建变压器试验类与特征类数据概率模糊集之间的距离测度函数,计算随机不确定性或模糊不确定性参量与变压器故障状态之间的综合属性值,进而确定变压器故障状态。
本发明的技术方案是这样实现的:
一种变压器故障状态评估方法,包括以下步骤:
S1:构建变压器绝缘油特征类的数据集与计算其概率数值;
S2:构建变压器绝缘纸特征类的数据集与计算其概率数值;
S3:构建变压器气体特征类的数据集与计算其概率数值;
S4:构建变压器温度特征类的数据集与计算其概率数值;
S5:构建变压器电容特征类的数据集与计算其概率数值;
S6:构建变压器局部放电特征类的数据集与计算其概率数值;
S7:进行反映变压器故障状态的油、纸、气体、温度、电容、局部放电特征值平均值计算;
S8:构建变压器故障状态评估函数;
S9:进行变压器故障状态评估。
5、进一步地,所述步骤S1构建的变压器绝缘油特征类数据集为:
式中,为与变压器油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽相关数据集,NSO为变压器油特征类数据集的数量;
从相关数据库***获取变压器绝缘油检测、试验等的数据信息,采用模拟的方法,确定变压器油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽各自按照正态分布规律变化的均值和方差;
所述步骤S2构建的变压器绝缘纸特征类数据集为:
式中,为与变压器纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽相关数据集,NSP为变压器纸特征类数据集的数量;
从相关数据库***获取变压器绝缘纸检测、试验的数据信息,采用模拟的方法,确定变压器纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽各自按照正态分布规律变化的均值和方差;
所述步骤S3构建的变压器气体特征类数据集为:
式中,为与变压器H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃相关数据集,NSG为变压器气体特征类数据集的数量;
从相关数据库***获取变压器气体检测、试验的数据信息,采用模拟的方法,确定变压器压器H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃各自按照正态分布规律变化的均值和方差;
所述步骤S4构建的变压器温度特征类数据集为:
式中,为与变压器典型负荷时热点温度、高负荷时热点温度、油温相关数据集,NST为变压器温度特征类数据集的数量;
从相关数据库***获取变压器温度检测、试验的数据信息,采用模拟的方法,确定变压器压器典型负荷时热点温度、高负荷时热点温度、油温按照正态分布规律变化的均值和方差;
所述步骤S5构建的变压器电容特征类数据集为:
式中,为与变压器高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值相关数据集,NSC为变压器电容特征类数据集的数量;
从相关数据库***获取变压器电容检测、试验的数据信息,采用模拟的方法,确定变压器压器高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值各自按照正态分布规律变化的均值和方差;
所述步骤S6构建的变压器局部放电特征类数据集为:
式中,为与变压器局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数相关数据集的元素数量,NSD为变压器局部放电特征类数据集的数量;
从相关数据库***获取变压器局部放电检测、试验的数据信息,采用模拟的方法,确定变压器压器局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数各自按照正态分布规律变化的均值和方差。
进一步地,所述步骤S7进行反映变压器故障状态的油、纸、气体、温度、电容、局部放电特征值平均值计算的具体过程如下:
S7-1:进行反映变压器故障状态的油特征值平均值计算:
式中,yDOa(xSOa)为与变压器故障状态相关的第a个变压器绝缘油特征类数据集特征值的平均值,fDOa(xSOai)为导致变压器发生故障状态第a个油特征类数据集的概率密度函数,NDOk为与变压器在k年内均发生故障状态相关的油特征值数量,Pr(y=k|D)为变压器在k年内均发生故障状态的概率;
S7-2:进行反映变压器故障状态的纸特征值平均值计算:
式中,yDPa(xDPa)为与变压器故障状态相关的第a个绝缘纸特征类数据集特征值的平均值,fDPa(xDPai)为导致变压器发生故障状态第a个纸特征类数据集的概率密度函数,NDPk为与变压器在k年内均发生故障状态相关的纸特征值数量;
S7-3:进行反映变压器故障状态的气体特征值平均值计算:
式中,yDGa(xDGa)为与变压器故障状态相关的第a个绝缘纸特征类数据集特征值的平均值,fDGa(xDGai)为导致变压器发生故障状态第a个纸特征类数据集的概率密度函数,NDGk为与变压器在k年内均发生故障状态相关的气体特征值数量;
S7-4:进行反映变压器故障状态的温度特征值平均值计算:
式中,yDTa(xDTa)为与变压器故障状态相关的第a个温度特征类数据集特征值的平均值,fDTa(xDTai)为导致变压器发生故障状态第a个温度特征类数据集的概率密度函数,NDTk为与变压器在k年内均发生故障状态相关的温度特征值数量;
S7-5:进行反映变压器故障状态的电容特征值平均值计算:
式中,yDCa(xDCa)为与变压器故障状态相关的第a个电容特征类数据集特征值的平均值,fDCa(xDCai)为导致变压器发生故障状态第a个电容特征类数据集的概率密度函数,NDCk为与变压器在k年内均发生故障状态相关的电容特征值数量;
S7-6:进行反映变压器故障状态的局部放电特征值平均值计算:
式中,yDDa(xDDa)为与变压器故障状态相关的第a个局部放电特征类数据集特征值的平均值,fDDa(xDDai)为导致变压器发生故障状态第a个局部放电特征类数据集的概率密度函数(由均值和方差决定),NDDk为与变压器在k年内均发生故障状态相关的局部放电特征值数量。
进一步地,所述步骤S8构建变压器故障状态评估函数具体为:
引入权重系数,将油、纸、气体、温度、电容和局部放电试验数据与油、纸、气体、温度、电容和局部放电特征值平均值进行商值比较,构建变压器故障状态评估函数:
式中,y为反映变压器故障状态的综合指标值,kTOa为与油特征类第a个数据集的权重系数,kTPa为与纸特征类第a个数据集的权重系数,kTGa为与气体特征类第a个数据集的权重系数,kTTa为与温度特征类第a个数据集的权重系数,kTCa为与电容特征类第a个数据集的权重系数,kTDa为与局部放电特征类第a个数据集的权重系数,xTOa、xTPa、xTGa、xTTa、xTCa、xTDa分别为与油、纸、气体、温度、电容、局部放电试验或检测或监测数据。
进一步地,所述步骤S9进行变压器故障状态评估时,若反映变压器故障状态的综合指标值y小于设定值y0,则认为变压器处于故障状态。
与现有技术相比,本方案针对如何处理变压器故障状态评估所涉及种类多、数量大、相互关系复杂的大数据问题,在建立大数据库基础上采用数据聚类原理对大数据进行处理和分析;针对变压器故障状态评估所涉及的随机和模糊不确定性的参量,采用概率模糊集的理论进行处理和分析。本方案可以评估变压器故障状态,反映出变压器故障状态特征值具有的不确定性,为变压器故障状态评估提供理论指导,为配电网运维提供必要的技术支撑。
附图说明
图1是本发明所提出的一种变压器故障状态评估方法的流程框图。
具体实施方式
下面参照附图并结合实例对本发明的具体实施方式做进一步详细描述。
图1中的步骤S1描述变压器绝缘油特征类的数据集构建与概率数值计算的过程:
由油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油中糠醛量、油色泽等元素,构建变压器绝缘油特征类数据集xSO为:
式中,为与变压器油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽相关数据集,NSO为变压器油特征类数据集的数量。
从相关数据库***获取变压器绝缘油检测、试验等的数据信息,采用模拟的方法,确定变压器油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽按照正态分布规律变化的均值μSQ1和方差σSO1、均值μSO2和方差σSO2、均值μSO3和方差σSO3、均值μSO4和方差σSO4、均值μSO5和方差σSO5、均值μSO6和方差σSO6、均值μSO7和方差σSO7、均值μSO8和方差σSO8、均值μSO9和方差σSO9、均值μSO10和方差σSO10、均值μSO11和方差σSO11。
图1中的步骤S2描述变压器绝缘纸特征类的数据集构建与概率数值计算的过程:
由纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽等元素,构建变压器绝缘纸特征类数据集xSP为:
式中,为与变压器纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽相关数据集,NSP为变压器纸特征类数据集的数量。
从相关数据库***获取变压器绝缘绝缘纸检测、试验等的数据信息,采用模拟的方法,确定变压器纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽按照正态分布规律变化的均值μSP1和方差σSP1、均值μSP2和方差σSP2、均值μSP3和方差σSP3、均值μSP4和方差σSP4、均值μSP5和方差σSP5、均值μSP6和方差σSP6、均值μSP7和方差σSP7、均值μSP8和方差σSP8、均值μSP9和方差σSP9。
图1中的步骤S3描述变压器气体特征类的数据集构建与概率数值计算的过程:
由H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃等气体元素,构建变压器气体特征类数据集xSG为:
式中,为与变压器H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃相关数据集的元素数量,NSG为变压器气体特征类数据集的数量。
从相关数据库***获取变压器气体检测、试验等的数据信息,采用模拟的方法,确定变压器压器H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃按照正态分布规律变化的均值μSG1和方差σSG1、均值μSG2和方差σSG2、均值μSG3和方差σSG3、均值μSG4和方差σSG4、均值μSG5和方差σSG5、均值μSG6和方差σSG6、均值μSG7和方差σSG7、均值μSG8和方差σSG8。
图1中的步骤S4描述变压器温度特征类的数据集构建与概率数值计算的过程:
由典型负荷时热点温度、高负荷时热点温度、油温等温度元素,构建变压器温度特征类数据集xST为:
式中为与变压器典型负荷时热点温度、高负荷时热点温度、油温相关数据集的元素数量,NST为变压器温度特征类数据集的数量。
从相关数据库***获取变压器温度检测、试验等的数据信息,采用模拟的方法,确定变压器压器典型负荷时热点温度、高负荷时热点温度、油温按照正态分布规律变化的均值μST1和方差σST1、均值μST2和方差σST2、均值μST3和方差σST3。
图1中的步骤S5描述变压器电容特征类的数据集构建与概率数值计算的过程:
由高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值等气体元素,构建变压器电容特征类数据集xSC为:
式中,为与变压器高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值相关数据集的元素数量,NSC为变压器电容特征类数据集的数量。
从相关数据库***获取变压器电容检测、试验等的数据信息,采用模拟的方法,确定变压器压器高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值按照正态分布规律变化的均值μSC1和方差σSC1、均值μSC2和方差σSC2、均值μSC3和方差σSC3、均值μSC4和方差σSC4、均值μSC5和方差σSC5、均值μSC6和方差σSC6。
图1中的步骤S6描述变压器局部放电特征类的数据集构建与概率数值计算的过程:
由局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数等气体元素,构建变压器局部放电特征类数据集xSD为:
式中,为与变压器局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数相关数据集的元素数量,NSD为变压器局部放电特征类数据集的数量。
从相关数据库***获取变压器局部放电检测、试验等的数据信息,采用模拟的方法,确定变压器压器局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数按照正态分布规律变化的均值μSD1和方差σSD1、均值μSD2和方差σSD2、均值μSD3和方差σSD3、均值μSD4和方差σSD4、均值μSD5和方差σSD5。
图1中的步骤S7描述反映变压器故障状态的油、纸、气体、温度、电容、局部放电特征值平均值计算的过程,具体如下:
S7-1:进行反映变压器故障状态的油特征值平均值计算:
反映变压器故障状态的由油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油中糠醛量、油色泽等元素构成变压器绝缘油特征类数据集特征值的平均值为:
式中,yDOa(xDOa)为与变压器故障状态相关的第a个变压器绝缘油特征类数据集特征值的平均值,fDOa(xDOai)为导致变压器故障状态第a个油特征类数据集的概率密度函数(由均值和方差决定),NDOk为与变压器在k年内均发生故障状态相关的油特征值数量,Pr(y=k|D)为变压器在k年内均发生故障状态的概率。
S7-2:进行反映变压器故障状态的纸特征值平均值计算:
反映变压器故障状态的由纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽等元素构成变压器绝缘纸特征类数据集特征值的平均值为:
式中,yDPa(xDPa)为与变压器故障状态相关的第a个绝缘纸特征类数据集特征值的平均值,fDPa(xDPai)为导致变压器发生故障状态第a个纸特征类数据集的概率密度函数(由均值和方差决定),NDPk为与变压器在k年内均发生故障状态相关的纸特征值数量。
S7-3:进行反映变压器故障状态的气体特征值平均值计算:
反映变压器故障状态的由H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃等元素构成变压器绝缘气体特征类数据集特征值的平均值为:
式中,yDGa(xDGa)为与变压器故障状态相关的第a个绝缘纸特征类数据集特征值的平均值,fDGa(xDGai)为导致变压器发生故障状态第a个纸特征类数据集的概率密度函数(由均值和方差决定),NDGk为与变压器在k年内均发生故障状态相关的气体特征值数量。
S7-4:进行反映变压器故障状态的温度特征值平均值计算:
反映变压器故障状态的由典型负荷时热点温度、高负荷时热点温度、油温等元素构成变压器温度特征类数据集特征值的平均值为:
式中,yDTa(xDTa)为与变压器故障状态相关的第a个温度特征类数据集特征值的平均值,fDTa(xDTai)为导致变压器发生故障状态第a个温度特征类数据集的概率密度函数(由均值和方差决定),NDTk为与变压器在k年内均发生故障状态相关的温度特征值数量。
S7-5:进行反映变压器故障状态的电容特征值平均值计算:
反映变压器故障状态的由高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值等元素构成变压器电容特征类数据集特征值的平均值为:
式中,yDCa(xDCa)为与变压器故障状态相关的第a个电容特征类数据集特征值的平均值,fDCa(xDCai)为导致变压器发生故障状态第a个电容特征类数据集的概率密度函数(由均值和方差决定),NDCk为与变压器油在k年内均发生劣化状态相关的电容特征值数量。
S7-6:进行反映变压器故障状态的局部放电特征值平均值计算:
反映变压器故障状态的由局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数等元素构成变压器局部放电特征类数据集特征值的平均值为:
式中,yDDa(xDDa)为与变压器故障状态相关的第a个局部放电特征类数据集特征值的平均值,fDDa(xDDai)为导致变压器发生故障状态第a个局部放电特征类数据集的概率密度函数(由均值和方差决定),NDDk为与变压器在k年内均发生故障状态相关的局部放电特征值数量。
图1中的步骤S8描述构建变压器故障状态评估函数的过程:
引入权重系数,将油、纸、气体、温度、电容和局部放电试验数据与油、纸、气体、温度、电容和局部放电特征值平均值进行商值比较,构建变压器故障状态评估函数:
式中,y为反映变压器故障状态的综合指标值,kTOa为与油特征类第a个数据集的权重系数,kTPa为与纸特征类第a个数据集的权重系数,kTGa为与气体特征类第a个数据集的权重系数,kTTa为与温度特征类第a个数据集的权重系数,kTCa为与电容特征类第a个数据集的权重系数,kTDa为与局部放电特征类第a个数据集的权重系数。
图1中的步骤S9描述变压器故障状态评估的过程和方法。反映变压器故障状态的综合指标值:
y<y0
如果综合指标值小于设定值y0,那么认为变压器处于故障状态。
本实施例针对如何处理变压器故障状态评估所涉及种类多、数量大、相互关系复杂的大数据问题,在建立大数据库基础上采用数据聚类原理对大数据进行处理和分析;针对变压器故障状态评估所涉及的随机和模糊不确定性的参量,采用概率模糊集的理论进行处理和分析;本实施例可以评估变压器故障状态,反映出变压器故障状态特征值具有的不确定性,为变压器故障状态评估提供理论指导,为配电网运维提供必要的技术支撑。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种变压器故障状态评估方法,其特征在于,包括以下步骤:
S1:构建变压器绝缘油特征类的数据集与计算其概率数值;
S2:构建变压器绝缘纸特征类的数据集与计算其概率数值;
S3:构建变压器气体特征类的数据集与计算其概率数值;
S4:构建变压器温度特征类的数据集与计算其概率数值;
S5:构建变压器电容特征类的数据集与计算其概率数值;
S6:构建变压器局部放电特征类的数据集与计算其概率数值;
S7:进行反映变压器故障状态的油、纸、气体、温度、电容、局部放电特征值平均值计算;
S8:构建变压器故障状态评估函数;
S9:进行变压器故障状态评估。
2.根据权利要求1所述的一种变压器故障状态评估方法,其特征在于,所述步骤S1构建的变压器绝缘油特征类数据集为:
式中,为与变压器油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽相关数据集,NSO为变压器油特征类数据集的数量;
从相关数据库***获取变压器绝缘油检测、试验等的数据信息,采用模拟的方法,确定变压器油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽各自按照正态分布规律变化的均值和方差;
所述步骤S2构建的变压器绝缘纸特征类数据集为:
式中,为与变压器纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽相关数据集,NSP为变压器纸特征类数据集的数量;
从相关数据库***获取变压器绝缘纸检测、试验的数据信息,采用模拟的方法,确定变压器纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽各自按照正态分布规律变化的均值和方差;
所述步骤S3构建的变压器气体特征类数据集为:
式中,为与变压器H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃相关数据集,NSG为变压器气体特征类数据集的数量;
从相关数据库***获取变压器气体检测、试验的数据信息,采用模拟的方法,确定变压器压器H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃各自按照正态分布规律变化的均值和方差;
所述步骤S4构建的变压器温度特征类数据集为:
式中,为与变压器典型负荷时热点温度、高负荷时热点温度、油温相关数据集,NST为变压器温度特征类数据集的数量;
从相关数据库***获取变压器温度检测、试验的数据信息,采用模拟的方法,确定变压器压器典型负荷时热点温度、高负荷时热点温度、油温按照正态分布规律变化的均值和方差;
所述步骤S5构建的变压器电容特征类数据集为:
式中,为与变压器高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值相关数据集,NSC为变压器电容特征类数据集的数量;
从相关数据库***获取变压器电容检测、试验的数据信息,采用模拟的方法,确定变压器压器高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值各自按照正态分布规律变化的均值和方差;
所述步骤S6构建的变压器局部放电特征类数据集为:
式中,为与变压器局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数相关数据集的元素数量,NSD为变压器局部放电特征类数据集的数量;
从相关数据库***获取变压器局部放电检测、试验的数据信息,采用模拟的方法,确定变压器压器局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数各自按照正态分布规律变化的均值和方差。
3.根据权利要求1所述的一种变压器故障状态评估方法,其特征在于,所述步骤S7进行反映变压器故障状态的油、纸、气体、温度、电容、局部放电特征值平均值计算的具体过程如下:
S7-1:进行反映变压器故障状态的油特征值平均值计算:
式中,yDOa(xSOa)为与变压器故障状态相关的第a个变压器绝缘油特征类数据集特征值的平均值,fDOa(xSOai)为导致变压器发生故障状态第a个油特征类数据集的概率密度函数,NDOk为与变压器在k年内均发生故障状态相关的油特征值数量,Pr(y=k|D)为变压器在k年内均发生故障状态的概率;
S7-2:进行反映变压器故障状态的纸特征值平均值计算:
式中,yDPa(xDPa)为与变压器故障状态相关的第a个绝缘纸特征类数据集特征值的平均值,fDPa(xDPai)为导致变压器发生故障状态第a个纸特征类数据集的概率密度函数,NDPk为与变压器在k年内均发生故障状态相关的纸特征值数量;
S7-3:进行反映变压器故障状态的气体特征值平均值计算:
式中,yDGa(xDGa)为与变压器故障状态相关的第a个绝缘纸特征类数据集特征值的平均值,fDGa(xDGai)为导致变压器发生故障状态第a个纸特征类数据集的概率密度函数,NDGk为与变压器在k年内均发生故障状态相关的气体特征值数量;
S7-4:进行反映变压器故障状态的温度特征值平均值计算:
式中,yDTa(xDTa)为与变压器故障状态相关的第a个温度特征类数据集特征值的平均值,fDTa(xDTai)为导致变压器发生故障状态第a个温度特征类数据集的概率密度函数,NDTk为与变压器在k年内均发生故障状态相关的温度特征值数量;
S7-5:进行反映变压器故障状态的电容特征值平均值计算:
式中,yDCa(xDCa)为与变压器故障状态相关的第a个电容特征类数据集特征值的平均值,fDCa(xDCai)为导致变压器发生故障状态第a个电容特征类数据集的概率密度函数,NDCk为与变压器在k年内均发生故障状态相关的电容特征值数量;
S7-6:进行反映变压器故障状态的局部放电特征值平均值计算:
式中,yDDa(xDDa)为与变压器故障状态相关的第a个局部放电特征类数据集特征值的平均值,fDDa(xDDai)为导致变压器发生故障状态第a个局部放电特征类数据集的概率密度函数(由均值和方差决定),NDDk为与变压器在k年内均发生故障状态相关的局部放电特征值数量。
4.根据权利要求1所述的一种变压器故障状态评估方法,其特征在于,所述步骤S8构建变压器故障状态评估函数具体为:
引入权重系数,将油、纸、气体、温度、电容和局部放电试验数据与油、纸、气体、温度、电容和局部放电特征值平均值进行商值比较,构建变压器故障状态评估函数:
式中,y为反映变压器故障状态的综合指标值,kTOa为与油特征类第a个数据集的权重系数,kTPa为与纸特征类第a个数据集的权重系数,kTGa为与气体特征类第a个数据集的权重系数,kTTa为与温度特征类第a个数据集的权重系数,kTCa为与电容特征类第a个数据集的权重系数,kTDa为与局部放电特征类第a个数据集的权重系数,xTOa、xTPa、xTGa、xTTa、xTCa、xTDa分别为与油、纸、气体、温度、电容、局部放电试验或检测或监测数据。
5.根据权利要求1所述的一种变压器故障状态评估方法,其特征在于,所述步骤S9进行变压器故障状态评估时,若反映变压器故障状态的综合指标值y小于设定值y0,则认为变压器处于故障状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692629.5A CN108680811B (zh) | 2018-06-29 | 2018-06-29 | 一种变压器故障状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692629.5A CN108680811B (zh) | 2018-06-29 | 2018-06-29 | 一种变压器故障状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108680811A true CN108680811A (zh) | 2018-10-19 |
CN108680811B CN108680811B (zh) | 2021-04-06 |
Family
ID=63812759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810692629.5A Expired - Fee Related CN108680811B (zh) | 2018-06-29 | 2018-06-29 | 一种变压器故障状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108680811B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856488A (zh) * | 2019-03-15 | 2019-06-07 | 长沙理工大学 | 一种基于多源数据融合的变压器状态评估及故障检测方法 |
CN110058103A (zh) * | 2019-05-23 | 2019-07-26 | 国电南京自动化股份有限公司 | 基于Vxworks平台的变压器智能故障诊断*** |
CN110110784A (zh) * | 2019-04-30 | 2019-08-09 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110376462A (zh) * | 2019-07-16 | 2019-10-25 | 东华大学 | 一种电力变压器融合诊断方法 |
CN112636642A (zh) * | 2020-12-17 | 2021-04-09 | 广东工业大学 | 一种柔性材料数控切割刀头性能状态评估方法及装置 |
CN112861430A (zh) * | 2021-01-20 | 2021-05-28 | 合肥工业大学 | 一种结合fca-rst-多维状态云模型下的变压器状态评估方法 |
CN113255795A (zh) * | 2021-06-02 | 2021-08-13 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN114692787A (zh) * | 2022-05-31 | 2022-07-01 | 广东电网有限责任公司佛山供电局 | 基于多源数据的三绕组主变压器事件分析处理方法和*** |
CN115683230A (zh) * | 2022-11-17 | 2023-02-03 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN102662113A (zh) * | 2012-04-17 | 2012-09-12 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
CN102981108A (zh) * | 2012-11-29 | 2013-03-20 | 重庆大学 | 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法 |
CN105405066A (zh) * | 2015-11-18 | 2016-03-16 | 中国电力科学研究院 | 一种配电变压器健康指数确定方法 |
CN106295240A (zh) * | 2016-10-25 | 2017-01-04 | 国家电网公司 | 一种基于模糊数学的电力变压器状态评估方法 |
CN106896218A (zh) * | 2017-03-28 | 2017-06-27 | 浙江大学 | 基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法 |
CN106908674A (zh) * | 2017-02-17 | 2017-06-30 | 国网上海市电力公司 | 一种基于多状态量预测的变压器状态评估方法 |
CN107831415A (zh) * | 2017-10-20 | 2018-03-23 | 广东电网有限责任公司河源供电局 | 一种变压器绝缘纸老化状态评估的区间值模糊集方法 |
CN107843718A (zh) * | 2017-10-20 | 2018-03-27 | 广东电网有限责任公司河源供电局 | 一种变压器绝缘油老化状态评估的方法 |
CN107843816A (zh) * | 2017-10-20 | 2018-03-27 | 广东电网有限责任公司河源供电局 | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 |
-
2018
- 2018-06-29 CN CN201810692629.5A patent/CN108680811B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN102662113A (zh) * | 2012-04-17 | 2012-09-12 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
CN102981108A (zh) * | 2012-11-29 | 2013-03-20 | 重庆大学 | 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法 |
CN105405066A (zh) * | 2015-11-18 | 2016-03-16 | 中国电力科学研究院 | 一种配电变压器健康指数确定方法 |
CN106295240A (zh) * | 2016-10-25 | 2017-01-04 | 国家电网公司 | 一种基于模糊数学的电力变压器状态评估方法 |
CN106908674A (zh) * | 2017-02-17 | 2017-06-30 | 国网上海市电力公司 | 一种基于多状态量预测的变压器状态评估方法 |
CN106896218A (zh) * | 2017-03-28 | 2017-06-27 | 浙江大学 | 基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法 |
CN107831415A (zh) * | 2017-10-20 | 2018-03-23 | 广东电网有限责任公司河源供电局 | 一种变压器绝缘纸老化状态评估的区间值模糊集方法 |
CN107843718A (zh) * | 2017-10-20 | 2018-03-27 | 广东电网有限责任公司河源供电局 | 一种变压器绝缘油老化状态评估的方法 |
CN107843816A (zh) * | 2017-10-20 | 2018-03-27 | 广东电网有限责任公司河源供电局 | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856488A (zh) * | 2019-03-15 | 2019-06-07 | 长沙理工大学 | 一种基于多源数据融合的变压器状态评估及故障检测方法 |
CN110110784A (zh) * | 2019-04-30 | 2019-08-09 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110110784B (zh) * | 2019-04-30 | 2020-03-24 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110058103A (zh) * | 2019-05-23 | 2019-07-26 | 国电南京自动化股份有限公司 | 基于Vxworks平台的变压器智能故障诊断*** |
CN110376462A (zh) * | 2019-07-16 | 2019-10-25 | 东华大学 | 一种电力变压器融合诊断方法 |
CN112636642A (zh) * | 2020-12-17 | 2021-04-09 | 广东工业大学 | 一种柔性材料数控切割刀头性能状态评估方法及装置 |
CN112861430A (zh) * | 2021-01-20 | 2021-05-28 | 合肥工业大学 | 一种结合fca-rst-多维状态云模型下的变压器状态评估方法 |
CN113255795A (zh) * | 2021-06-02 | 2021-08-13 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN114692787A (zh) * | 2022-05-31 | 2022-07-01 | 广东电网有限责任公司佛山供电局 | 基于多源数据的三绕组主变压器事件分析处理方法和*** |
CN115683230A (zh) * | 2022-11-17 | 2023-02-03 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及*** |
CN115683230B (zh) * | 2022-11-17 | 2024-03-29 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108680811B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680811A (zh) | 一种变压器故障状态评估方法 | |
CN107831415A (zh) | 一种变压器绝缘纸老化状态评估的区间值模糊集方法 | |
CN108802584A (zh) | 一种变压器绝缘纸老化状态评估方法 | |
CN107843718B (zh) | 一种变压器绝缘油老化状态评估的方法 | |
CN107843816A (zh) | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 | |
Kari et al. | An integrated method of ANFIS and Dempster-Shafer theory for fault diagnosis of power transformer | |
Chakravorti et al. | Recent trends in the condition monitoring of transformers | |
CN107831300A (zh) | 一种基于三维梯形概率模糊集的变压器绝缘油劣化评估方法 | |
Lazzaretti et al. | Novelty detection and multi-class classification in power distribution voltage waveforms | |
CN105512962B (zh) | 一种气体绝缘组合电器绝缘状态综合评估方法 | |
CN107808044A (zh) | 一种考虑运行温度影响的变压器绝缘纸劣化评估方法 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN108073551A (zh) | 一种基于多Agent协同的高压开关柜在线故障诊断方法 | |
CN109241169A (zh) | 配电网运行信息多源异构数据融合数据库集成方法 | |
Gao et al. | Fault line detection using waveform fusion and one-dimensional convolutional neural network in resonant grounding distribution systems | |
CN109086483A (zh) | 一种变压器老化状态评估的证据融合与集对分析方法 | |
CN108681835A (zh) | 一种变压器绝缘油劣化状态评估方法 | |
Xie | Analysis of fault of insulation aging of oiled paper of a large‐scale power transformer and the prediction of its service life | |
CN104101795A (zh) | 一种变压器故障控制方法 | |
CN108805467A (zh) | 一种变压器老化状态评估的概率模糊集方法 | |
Ma et al. | Deep-learning based power system events detection technology using spatio-temporal and frequency information | |
CN109033198A (zh) | 一种变压器绝缘纸异常辨识的多要素模糊分析方法 | |
De et al. | Classification of power system voltage stability conditions using Kohonen's self‐organising feature map and learning vector quantisation | |
Kai et al. | Convolutional neural network for voltage sag source azimuth recognition in electrical internet of things | |
CN109086484A (zh) | 一种变压器健康状态评估的证据融合与集对分析方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Tang Huiling Inventor after: Wu Jiekang Inventor before: Wu Jiekang |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210406 |