CN109711663B - 基于大数据分析的变电站油浸式变压器状态评估与修正方法及*** - Google Patents
基于大数据分析的变电站油浸式变压器状态评估与修正方法及*** Download PDFInfo
- Publication number
- CN109711663B CN109711663B CN201811361635.9A CN201811361635A CN109711663B CN 109711663 B CN109711663 B CN 109711663B CN 201811361635 A CN201811361635 A CN 201811361635A CN 109711663 B CN109711663 B CN 109711663B
- Authority
- CN
- China
- Prior art keywords
- state
- transformer
- parameter
- evaluation
- matrix
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012937 correction Methods 0.000 title claims abstract description 29
- 238000007405 data analysis Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 84
- 239000013598 vector Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 241000486463 Eugraphe sigma Species 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 18
- 230000004927 fusion Effects 0.000 abstract description 12
- 230000014509 gene expression Effects 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000012544 monitoring process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于大数据分析的变电站油浸式变压器状态评估与修正方法及***,包括:首先基于220kV变电站实况多源信息从多方面构建基础状态评估参量体系;对本性状态判据矩阵进行高维矩阵降维处理,以闭环增维迭代修正建立负反馈修正;同时对于给出的关键参量体系提出新的权重系数确定与修正方法,拟合隶属度函数进行证据体融合完成模糊评判;最后本文提出效用函数值‑关键参量在大数据层面的三维空间表达,并基于C/S结构提出220kV变压器状态评估体系计算机平台架构设计与主程序步骤,以更为准确的评估结果给状态检修提供依据。
Description
技术领域
本发明涉及电力设备的状态评估技术领域,特别涉及一种基于大数据分析的变电站油浸式变压器状态评估与修正方法及***。
背景技术
随着国民经济的大跨步式发展,作为与各行各业息息相关的电力行业,其电网的建设规模日益庞大,结构日益复杂,对电力***供电的可靠性提出了更高的要求。长期以来,我国对于变电设备的运行状态和健康水平主要通过定期检修的方式进行判断,“过修”与“欠修”成了屡见不鲜的情况。这无疑带来了不小的人力物力浪费,也间接对供电可靠性产生了影响。检修资源的合理分配,需要基于状态监测数据对电力设备进行有效科学的评估。
目前电力设备的状态评估体系的研究取得了不俗的成果,对在运行中电力变压器进行有效科学地状态评估是当今国内外本领域研究的热点之一。但同时,状态评估参量数量多、种类杂,以信息类型划分就包括预防性试验、检修记录、不良运行工况、在线监测数据、历史数据与设备台帐等等。无论是定量还是定性的数据,在状态评估参量体系中都有一定的权重比例。
随着计算机学科中人工智能技术的高速发展,国内外已提出多种新型电力设备状态评估研究方法。这些方法均有各自的优点与局限性,在不同的环境中存在着不同的适用性与缺陷。在实际的工程应用中,往往需要根据不同的要求与实际情况,综合多种评估方法的优缺点,提出更具有针对性的改进评估算法。
关于变压器的故障诊断方面,随着智能电网的深化发展,电力***的生产管理***已包括在线监测部分、检修计划决策部分与管理应用部分。通过各类专家诊断算法对实时状态数据进行分析处理,运用多源信息融合综合考虑检修设备历史信息、运行工况、检修工期、检修风险、检修成本等提供策划拟定最优方案的State约束,管理应用部分则通过与PMS或EPR***中的检修工单模块取得联系效率实施获批检修计划。
总的来说,针对目前变电站电力变压器状态评估与预测的研究现状,目前状态参量体系与综合评估算法仍有较多难点需要解决。
在下文基于此对以下几方面内容作相关研究工作:一是基于220kV变电站实况多源信息从电力变压器本性状态、人工巡检与历史信息等方面构建全面而科学的基础参量评估体系;二是基于本性状态判据矩阵进行高维矩阵降维处理,通过闭环增维迭代修正建立负反馈,以修正关键参量体系;三是基于给出的关键参量体系提出新的权重系数确定及拟合隶属度函数进行初步模糊评判的方法;并基于大数据分析方法的发展与共享数据平台的便利,给出本算法部分待修正模块的具体数学修正方法。
发明内容
本发明的目的就是为了解决上述问题,提出了一种基于大数据分析的变电站油浸式变压器状态评估与修正方法及***。
为了实现上述目的,本发明采用如下技术方案:
在一个或多个实施方式中公开的一种基于大数据分析的变电站油浸式变压器状态评估与修正方法,包括以下步骤:
确定电力变压器关键性能状态量集合,根据每一个关键性能状态量的影响因子确定单项状态量集合;
将每一纳入评估体系中的参量进行量化,构建变压器状态参量多维判据矩阵;
基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理,取综合贡献率得分为正的基础评估参量构建变压器状态评估指标体系;
综合考虑人工巡检参量与设备技术性能参量,构建变压器本性状态关键参量体系;
确定变压器本性状态关键参量体系中各参量的权重系数;
基于证据理论对变压器本性状态关键参量体系进行融合,得到电力变压器状态评估结果;
对电力变压器状态评估结果进行反馈迭代与修正。
进一步地,将每一纳入评估体系中的参量进行量化,构建变压器状态参量多维判据矩阵,具体为:
假设纳入评估体系中的参量为m个,将每一纳入评估体系中的参量分别从n个维度进行量化,得到m×n的多维判据矩阵。
进一步地,基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理,取综合贡献率得分为正的基础评估参量构建变压器状态评估指标体系,具体为:
计算变压器状态参量多维判据矩阵所对应的相关系数矩阵R,得到相关系数矩阵R的特征向量、特征值、方差贡献率以及累计方差贡献率;
选取大于1或者接近1的特征值作为公共因子,求取公共因子的累计方差贡献率;
公共因子的累积贡献率为:
其中,i为抽取的前i个成分,q为向量的维度,xj为第j个特征值;
以公共因子为基础通过方差极大化的方法将变压器状态参量多维判据矩阵进行旋转操作,得因子得分系数矩阵仅为一维数组;
求取变压器状态参量多维判据矩阵中各基础评估参量的综合贡献率,取综合贡献率得分为正的基础评估参量构建变压器状态评估指标体系。
进一步地,变压器状态参量多维判据矩阵中各基础评估参量的综合贡献率具体为:
进一步地,确定变压器本性状态关键参量体系中各参量的权重系数,具体为:
参考国网各省公司给出的评估标准即规范性附录与检修导则,运用AHP方法对多个专家权重数据进行处理以确定基本代入计算的权重系数;
令原定权重数组为Q0(qz,q2,q3,…,qn),权重修正数组为Wn(σ1,σ2,σ2,…σn);针对同一电压等级、额定容量,相同台帐信息的数台变压器设备,已有实测状态隶属度矩阵X1,X2,…,Xn+1,
……
由上述推算得:
进而得到权重修正数组为Wn(σ1,σ2,σ2,…σn)。
进一步地,基于证据理论对变压器本性状态关键参量体系进行融合,得到电力变压器状态评估结果,具体为:
通过多组滑动可变的界值进行加权平均处理得到隶属度函数;
对隶属度函数进行修正;
计算变压器本性状态关键参量体系中单个参量的状态隶属度,得到隶属度矩阵,将隶属度矩阵乘以权重向量,得到变压器本体状态模糊评估结果。
进一步地,对隶属度函数进行修正,具体为:
假定拟合后的隶属度函数为φ(fi),而每个参量的精准隶属度函数为πi(fi),于是有每个参量的状态隶属度误差为σ(fi)=πi(fi)-φ(fi);
计算加权误差值Σλσ(fi),即Σ[λπi(fi)-λφ(fi)],当加权误差值满足实例所给出的精度要求时,则说明拟合的隶属度函数有效。
进一步地,对电力变压器状态评估结果进行反馈迭代与修正,具体为:
在得到初步评估结果后,采用迭代评估算法,从降维后的状态参量判据矩阵中逐步添加参量项,进行第N轮迭代评估,计算模糊评估结果矩阵,并根据劣化程度最大的参量确定其不确定信度函数,如果参量的状态隶属度误差精度能够满足要求,结束;如果准确度尚不能满足要求,则进一步第N+1轮迭代评估。
在一个或多个实施方式中公开的一种基于大数据分析的变电站油浸式变压器状态评估与修正***,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法。
在一个或多个实施方式中公开的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述的方法。
与现有技术相比,本发明的有益效果是:
基于220kV变电站实况多源信息从电力变压器本性状态、人工巡检与历史信息等方面构建全面而科学的基础参量评估体系;
基于本性状态判据矩阵进行高维矩阵降维处理,通过闭环增维迭代修正建立负反馈,以修正关键参量体系;
基于给出的关键参量体系提出新的权重系数确定及拟合隶属度函数进行初步模糊评判的方法;并基于大数据分析方法的发展与共享数据平台的便利,给出本算法部分待修正模块的具体数学修正方法。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是隶属度模型1拟合函数示意图;
图2是隶属度模型2拟合函数示意图;
图3是梯-三角隶属度函数;
图4是电力变压器本性状态评估流程图;
图5是证据体置信区间归算示意图;
图6(a)-(h)是500kV变压器油色谱、油温与环境温度监测数据记录图;
图7(a)、图7(b)分别为图6(a)-(h)中各监测值surf表达;
图8是日数-温度/含量数据三维表达;
图9是效用函数值-多参量的切面图;
图10是各参量随时间对应的效用函数值变化趋势图;
图11是变电站油浸式变压器状态评估与修正方法流程图;
图12是状态数据矩阵化示意图;
图13是状态判据矩阵的处理示意图;
图14是权重系数的确定示意图;
图15是状态隶属度计算示意图;
图16是证据融合模糊评估示意图;
图17是增维迭代验证输出示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
在一个或多个实施方式中公开的一种基于大数据分析的变电站油浸式变压器状态评估与修正方法,如图11所示,包括以下步骤:
确定电力变压器关键性能状态量集合,根据每一个关键性能状态量的影响因子确定单项状态量集合;
将每一纳入评估体系中的参量进行量化,构建变压器状态参量多维判据矩阵;如图12所示;
基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理,取综合贡献率得分为正的基础评估参量构建变压器状态评估指标体系;如图13所示;
综合考虑人工巡检参量与设备技术性能参量,构建变压器本性状态关键参量体系;
确定变压器本性状态关键参量体系中各参量的权重系数;如图14所示;
基于证据理论对变压器本性状态关键参量体系进行融合,得到电力变压器状态评估结果;如图15和图16所示;
对电力变压器状态评估结果进行反馈迭代与修正,如图17所示。
下面对上述方法进行详细说明。
随着电网的建设,其对电网的经济性与安全性提出了更高的要求,而为此愈发成熟的电网在线监测技术也趋于完善。然而电力设备状态数据之复杂,尤以电力变压器的试验数据,监测状态量极为繁多。在以大数据为基础开展对电力设备,如变压器的运行状态进行较为准确且全面的评估,就不得不需要选取最具代表性且拥有足够灵敏度的状态量作为评估参量。
电力设备状态评估需要制定一个完整的状态评估体系,而在选取关键参量作为状态评估体系的纳入准则,必须满足科学性、全面性、可靠性的基本要求。基于三个基本要求,电力设备状态评估参量体系的架构在提出时即要求清晰而完整的结构和层次,辅以全面而完整的多源信息分析框架。
根据以国家电网山东省分公司等为主导出版的《油浸式变压器(电抗器)状态评价导则(Q/GDW 169-2008)》中对变压器(电抗器)的状态评价划分,分为整体状态评价与分部件状态评价,其中变压器部件分为:本体、套管、分接开关、冷却***以及非电量保护(包括轻重瓦斯压力释放阀以及油温油位等)五个部件。电抗器部件的划分亦参照前述变压器部件的划分原则。
变压器(电抗器)各部件的状态评估同时考虑单项状态量的扣分和部件合计扣分情况,而状态评价标准见下表。
I当某一单项扣分和各部件合计扣分同时达到下表左两列规定时视为正常状态;
II当某一单项扣分或各部件合计扣分达到下表中两列规定时视为注意状态;
III当某一单项扣分达到下表右两列规定时视为异常状态或严重状态。
表1变压器(电抗器)各部件状态评价标准
变压器(电抗器)的整体评价需综合其各部件的评价结果。当各部件的评价结果皆为正常状态时则整体评价状态为正常状态;当某一部件的评价结果为注意状态、异常状态或严重状态时,整体评价取为其中最严重的状态。
1、基于主成份因子分析法对评估参量指标的提取
主成份分析法是利用降维处理的思想,将多维综合变量通过线性代数的处理,使原始变量的线性组合化简原有高维矩阵的方法。其中降维处理后的各成分既满足互不相关联,同时又能够充分反映原矩阵所含的大部分信息。因子分析法则是主成份分析的一种,其通过对变量间关联程度较高的因子的筛选,得到以少量公共因子可线性描述所需分析的关键参量特征量的提取方法。但是在甄筛主成份因子之前,需要搭建电力设备关键性能状态量集,以下为以电力变压器为例所列举的关键性能状态量集与单项状态量集。
表2电力变压器关键性能状态量及状态量集列表
注:上述状态量集中含“*”为化学试验所得状态量,不含“*”为高压试验所得状态量。
以上状态量的集合分类为通过试验数据获得的状态量,其中单项状态量集合为关键状态性能的影响因子,上表中9个关键性能则对应9个关键性能矩阵,关键性能水平的量化映射为集合内多元线性组合,后文评估体系中将各类可获得的单项状态量统一合并矩阵作处理,而后在反馈迭代中则又返回依据此处分类。
2、电力设备状态评估参量体系的建立
本身已经足够庞大的电力设备在线数据流,对于判据的甄筛是不可避免的步骤。在尽可能地保证评估体系的准确性的前提下,更加精简作为判据提出的进一步要求。
在选取判据时要遵循一下几条基本原则:一是全面性原则,二是实用性原则,三是关键性原则,对于某些共边反映的参量,如多个参量反映同一状态属性,则通过数学线性关系进行删简。在选取关键参量时将每一纳入评估体系中的参量进行量化,进而构成一个可以通过主成份因子分析法进一步数学分析的多维判据矩阵。以下将每一个待进入评估体系的参量判据量化为一五维数组(七选五)即Xi={A1,A2,A3,A4,A5}:
表3关键参量判据体系
注:本方案在运用主成份分析法时仅用了前五维向量,A6 A7在此处未能采集到有效数据
基于关键性能状态量集所列出的状态参量,依据上表给出的参量判据体系建立设备状态性能判据矩阵,如表4所示。
表4变压器本性状态参量判据矩阵
运用Matlab2014计算上述矩阵所对应的相关系数矩阵R(25*25),得到特征向量、特征值以及方差贡献率、累计方差贡献率。
得到特征向量与特征值:
Columns 19 through 25
以及该方阵的四个特征值。
根据因子分析法中对特征值大于1或者接近1选取的要求,此处只选取3.4833与0.7952前两个公共因子。累计方差贡献率是所有公因子状态变化对因变量的影响的体现,为了选出达到80%以上贡献率的特征值,并选出特征值所对应的主要成分。
公共因子的累积贡献率有式(1):
可得第1个因子的方差贡献率达到了81.4%。
当我们将判据矩阵中的D3、D4,即输变电设备状态评价(检修)导则中对应评估参量出现3-3-2-2个数的数据更改数个,如将C2H2、C2H6对应出现的个数由2更改为3时,其对应的特征值变更为4.3663、0.8337、0.4204、-0.3195。其第1个公共因子的贡献率也高达84.0%。
以第1个公共因子为基础通过方差极大化的方法将基础评估参量判据矩阵进行旋转操作,得因子得分矩阵仅为一维数组,各基础参量依据此综合贡献率如下求出其中正数项。
其中,τj为j项特征值信息贡献率,
βk为前述所求对应的特征向量,xk为样本数据进行标准化处理后的矩阵,yj为第j主成份。
取综合贡献率得分为正的基础评估参量构建变压器状态评估指标体系,如表5所示。
表5变压器本性状态关键参量体系
序号 | 单项状态参量 |
1 | 绕组直流电阻互差 |
4 | C<sub>2</sub>H<sub>4</sub> |
5 | 局部放电量 |
7 | H<sub>2</sub> |
9 | 油中含水量 |
10 | 绝缘油介损 |
11 | 油击穿电压 |
12 | 绝缘电阻吸收比 |
15 | 铁心绝缘电阻 |
16 | 铁心接地电流 |
17 | 绕组绝缘介损 |
18 | C<sub>2</sub>H<sub>6</sub> |
22 | C<sub>2</sub>H<sub>2</sub> |
23 | 糠醛含量 |
24 | 纸板聚合度 |
当然,仅以预防性试验和现场监测数据搭建的模型提出的“是非制”状态评估对与变压器的状态检修是不利的。因此需要多源信息融合的参量体系才能更符合全面完整的要求,其中,人工巡检参量与设备技术性能参量则是根据查阅学者已完成工作与专家组经验拟定纳入体系,后文中将直接给出其所需应用到计算中的数据。
3、基于证据理论的电力变压器状态评估
证据理论是一种属于人工智能范畴的不精确推理理论,Dempster于1967年首先提出,由他的学生Shafer于1976年进一步发展起来的,也称为Dempster/Shafer证据理论(D-S证据理论),最早应用于专家***中,具有处理不确定信息的能力。同样作为对于不确定性问题的研究方法,证据理论可适用的范围因其条件更弱比常用的贝叶斯模型概率论更为广泛;具有直接表达“不确定”和“不知道”的能力。电力变压器的状态评估正是在基于前述所建关键参量体系,在目标层的D-S证据理论融合以得到初步模糊评估结果。
(1)基于D-S证据理论特征值融合方法对矩阵参量的同义识别
Dempster/Shafer证据理论也被称作Dempster合成规则,其主要被广泛应用于信息融合等领域,用以综合多个不同信息源的数据。
设R为一识别评估体系框架,R上的概率赋值为2R→[0,1]的mass函数,记作函数m,m满足:
其中,我们设A为评估体系R的非零子集,m(R)反映对子集A的信任程度。任一子集A上有限个函数m1,m2,……mn的合成规则有:
其中K为常数。
在融合过程中,假设R={P1,P2},P1表示待融合的参量对(X1,X2)为同义参量对,P2则表示待融合的参量对(X1,X2)判定为非同义参量对。基于此,所得到待融合的矩阵有n维特征向量λn,其分别对应n个mass函数,当评估体系中的子集A为P1时,(m1,m2,…,mn)=(Sim1,Sim2,…,Simn)。其中,本方案假定待处理实例满足P1为小概率时P2必为大概率,即待融合的参量对(X1,X2)仅有同义和非同义两种状态,避免“Zadeh悖论”的出现。
计算常数K:
计算mass函数:
具体评估体系同义识别算法如下所示,
其中,featureLabelList为每个实体对(X1,X2),对应程序中命名实体对(A,B)的输入值,表征的每种参量特征集合,遍历特征参量标签集合,将相应的特征值存入featureValList中。fusedVal的计算值采用式,
将fusedVal与阈值δ比较,返回值为1则表示(X1,X2)为同义实体参量对。
(2)变压器状态评估权重系数的确定
变电站电力设备的状态评估需要综合许多参量进行分析,前述已经列出各个分部件在综合评估体系中的判据矩阵。以变压器本体为例,通过查阅地方电网公司制定的相关规定导则,对表2中所列部分状态量集给出对应权重,初步得到表6-表9所示的定权重系数参考矩阵。
表6状态性能参量及对应权重
注:此处的参考权重由国家电网评估标准规范性目录给出,而介于个别参量的关联性与非同期性,在最终权重确定时参考了多位专家结合AHP法给出A-U判据矩阵修正得出。
表7人工巡检参量及对应权重
表8技术性能参量及对应权重
表9变压器本体评估体系权重系数
状态性能 | 0.5863 |
人工巡检 | 0.2990 |
技术性能 | 0.1247 |
(3)实例分析
对于受多种因素综合影响的事物,在对其作定性定量的全面评价时往往通过模糊综合评价的方法。“模糊”,顾名思义即其评价的结果并非绝对肯定或绝对否定,而是以一个模糊集合(如本方案中使用的四个状态量数字的集合)来表示。本节将通过实例数据隶属度、效用函数值、加权综合评估等方法给出这一集合,并给出最终综合评估的结果向量。
隶属度函数的确定
对于研究范围R中的任一元素x,都可以取得一个数f(x)∈[0,1]与之对应,则称f为R上的模糊集,f(x)称为x对f的隶属度。当x在研究范围内变化时,f(x)的取值也随之作映射变化,f(x)即称为变量x的隶属度函数。隶属度f(x)越接近于1,表示x属于该集合的程度越高,反之f(x)越接近于0表示x所隶属的程度越低。
在前文中已建立的关键参量评估体系的基础上,将所获得的参量信息量化为评估体系中的一个位于区间[0,1]上的效用函数值f。
对于参量指标值越大越符合要求的参量,效用函数值:
fi=(xi-ai)/(bi-ai) (9)
对于参量指标值越小越符合要求的参量,效用函数值:
f_i=(bi-xi)/(bi-ai) (10)
其中当效率函数值f的求解值越接近于最优值则说明运行状态越佳,而越接近注意值则表明运行状态越差。表10所列的实测值取自李黎文中所列试验数据和某240MVA、200kV变压器采集数据,此处未考究其数据的同期性。
表10单项状态参量实测数据与参考标准一览
注:上述实测检测值在参考文献中有提出试验数据与现场实测数据,针对某几项参量注意值在不同文献中规定不同,在处理时注意值皆取较接近最优值的项。
由图1所示,隶属度函数的数据处理模型其图像显示为梯形与三角形折线的组合,如f2在上图中为(0.2,0),(0.4,1),(0.45,0)三点所决定的三角折线,其表示的物理含义为自变量(即效用函数值fi)映射在隶属度函数中所对应的状态隶属度,四个折线隶属度函数分别对应表示严重、注意、一般与良好四个状态。对前文中矩阵的状态参量的实测值量化为效用函数值,而作为自变量的fi可能有多个φ值与其对应。如以上图为例,当fi取值为0.23时,其有两个φ值,则代表这一状态参量所量化的效用函数值可以反映该设备处于f1、f2两个状态的可能性(概率)。将上图中的十个节点的横坐标表示以 则隶属度函数表达为:
为使算法结果更加贴合实际,同时对计算过程作概括性简化。现对上述方法作以下修正:1、某一状态参量在上图中对应的不同状态隶属度计算φ值总和可能不为1,而在矩阵数据的处理中统一归一化为对应概率值,即最终矩阵中所出现的每一维参量隶属度函数值之和皆为1。
2、针对不同的状态参量,其对应的隶属度函数在建模时也有区别,反映为具体的临界fx值不同,如图1所示的(0.2,0)在状态参量1时符合实际情况,而在状态参量2时则需要根据实际状况调整为0.23。作以下处理,视图1中给点为可在一定区间内平行滑动的点,将矩阵中各参量所对应的临界fx值分别取实况中的最大值与最小值,可获得对应隶属度函数斜率最大与最小两种情况,分别计算并依据已给出的权重系数加权取回归值。处理后的临界fx值将不再针对每个参量进行改动,效用函数值统一代入含回归处理临界值的隶属度函数。
效用函数模型2:
针对模型1中出现的不同参量具有不同临界的问题,作回归统一化后的计算难以在个体参量的效用函数计算状态隶属度时出现较大误差(失真),因此提出了具有一定拟合性质的弦隶属函数模型,如图2所示。
当fi落在(0.2,0.8)这一区间内,其对应因变φ值有两个正(余)弦函数值,仿照模型1中的后续计算,可得出对应不同状态的隶属度函数值。
然而这一模型的问题在于,fi的分布与实际情况自变量的随机分布不同,正(余)弦函数的导数(斜率)特性决定了在其极值点附近的点较为密集,而过零点出则较为松散。为了减小正(余)弦函数在点集分布上的不随机性,引入正态分布函数对其进行修正。X~N(μ,σ2),Y=(X-μ)/σ~N(0,1),随机变量X服从位置参数为μ、尺度参数为σ的概率分布,其概率密度函数为:
状态隶属度计算
表11单项参量效用函数值-状态隶属度一览
结合表11的数据可得到隶属度矩阵R,乘以权重向量即可得单证据体评估结果向量,融合得表12所示结果。
表12变压器本体状态模糊评估结果
良好 | 一般 | 注意 | 严重 | |
状态性能 | 0.267 | 0.321 | 0.131 | 0.281 |
人工巡检 | 0.278 | 0.536 | 0.186 | 0 |
技术性能 | 0.241 | 0.499 | 0.261 | 0 |
综合评估 | 0.269 | 0.411 | 0.165 | 0.165 |
(4)评估结果与检修对策
状态性能一栏中严重状态的隶属度函数值为28.1%,此结果来自于实测值2这一数据中油中溶解气体明显非正常状态的情况,也因状态性能一项在证据融合的权重系数较大导致最终综合评估结果,严重的φ(v4)概率值达到16.5%,基于实测数据2参考国网省公司给出的评估标准及检修导则,我们得到检修决策如表13所示,表13对应诊断分析及检修决策
4模糊评判结果的反馈迭代与修正
通过前两章的内容,我们已经初步完成了从状态参量评估体系的建立到结合多个证据体进行融合模糊评判的整个算法过程。然而前述算法中仍难以剔除噪声数据对评估结果的影响,同时对高维矩阵的降维处理也不可避免地带来评估精确度下降的问题。本章将类比潮流计算的传统迭代方法,通过评估结果反馈到关键性能集合完善参量体系,同时对过程中的关键性能指标算法给出修正方法。
为了进一步提高评估结果的准确性,在得到初步评估结果后,采用迭代评估算法,从关键参量评估降维矩阵中逐步添加参量项,进行第N轮迭代评估,计算模糊评估结果矩阵,并根据劣化程度最大的参量确定其不确定信度函数,如果准确度尚不能满足要求则进一步第N+1轮迭代评估。
以上例为例,在初步评估结果得出16.5%的严重概率后,在前表中体现为各气体量与油中含水量为注意值左右。参考油浸变压器评估规范与检修导则,需要对超标量进行进一步跟踪监测并作出对应类别检修措施。而在迭代过程中,增加油中含气量与体积电阻率两维参量,进行第一次迭代评估计算,确定绝缘油劣化这一关键性能状态量。如果需要第二次迭代评估,再在前次基础上增加极化指数、中性点油流静电放电两维向量,以确定绝缘老化、绝缘受潮等关键性能状态量。
第一次增维迭代计算步骤与结果如下:
定权重系数,油中含气量、体积电阻率(参考权重为2和3),归算后17维本性状态判据参量的权重系数为(0.0739,0.0374,0.0724,0.0307,0.0760,0.0464,0.0742,0.1791,0.0441,0.0684,0.0509,0.0316,0.0426,0.0445,0.0141,0.0455,0.0682)。效用函数值的计算与状态隶属度函数的代入如表14。
表14第一轮迭代参量效用函数与隶属度计算值
第一轮迭代后的综合状态评估结果如下:
表15第一轮迭代后状态评估结果
良好 | 一般 | 注意 | 严重 | |
状态性能<sub>1</sub> | 0.237 | 0.357 | 0.157 | 0.249 |
人工巡检<sub>1</sub> | 0.278 | 0.536 | 0.186 | 0 |
技术性能<sub>1</sub> | 0.241 | 0.499 | 0.261 | 0 |
综合评估<sub>1</sub> | 0.252 | 0.432 | 0.180 | 0.146 |
综合评估<sub>0</sub> | 0.269 | 0.411 | 0.165 | 0.165 |
与迭代前的评估结果相比较,评估结果中一般状态与注意状态的数值增加,趋于集中向一般状态的趋势。这是由于油中含气量与体积电阻率这两维参量的隶属度函数落在一般与注意区间段的结果,而在初步评估时由于降维处理忽略了此两维,即减小了一般状态量的评估值。
综上为评估变电站电力设备状态的基本方法,其流程图总结为图3。
(1)基于实例对评估方法的修正
对定权重系数的修正
前述方法中权重系数参考国网各省公司给出的评估标准即规范性附录与检修导则,运用AHP方法对多个专家权重数据进行处理以确定基本代入计算的权重系数。对于特定变电设备的实例,此权重系数有待修正。而修正方法需要大量实例数据支持,由于受篇幅与手边实例数据所限,本方案仅提出一种对定权重系数的修正方法。
令原定权重数组为Q0(qz,q2,q3,…,qn),权重修正数组为Wn(σ1,σ2,σ2,…σn)。针对同一电压等级、额定容量,相同台帐信息的数台变压器设备,已有实测状态隶属度矩阵X1,X2,…,Xn+1,
……
由上述推算得,
(2)不确定信度函数的确定
PI(Ai)=Bel(Ai)+m(Θ)表示对A为非假的信任程度。
mi(Θ)=1-αi (14)
这里的αi表示可靠系数,参考取0.9倍权重系数。
表16证据体融合的信度区间
以上si的取值参考模糊评判结果确定,如s1置信区间取[0.2133,0.3133],表示状态性能的参量数据经过评估算法得到该设备状态落在“良好”这一等级的概率为[0.2133,0.3133]。与状态性能这一证据体的置信区间较为收拢相比,人工巡检与技术性能的置信区间明显就要宽很多,这是由于此二者的判据参量独立性更强,且在量化定权重求隶属度时充分利用了专家意见与经验数据,因此在评判其作为证据体为真的信任程度时取区间较宽更符合实际。在求综合评估的对应si的mi值时,利用了概率分布时的敛散规律进行归算,如图4所示。
图4中三个矩形分别为三个证据体对应的置信-概率表示,矩形的长边表示该证据体对应状态i的置信区间,任一个区间内的点对应的横坐标则表示其在该状态的mi值,证据体矩形的高则表示该证据体在融合过程中所占的权重。最终融合的结果为图中阴影矩形,其长边的宽度越窄表示融合效果越好,[A0,B0]为三个证据体融合后在对应状态i的评估概率。
从上表中我们可以读出,三个证据体的m(Θ)较大,尤其是以专家经验数据为基础通过AHP法获得的模糊评判结果,其不确定性更是高于0.5,但当经融合后的评估结果不确定性显著减少至0.1以下。显然“一般”等级s2的置信区间最高且与其他状态差别较大,且对评估结果(即A)的信任程度为真的表达可见可靠系数较大,具有一定合理性。与传统的阈值扣分法相比,从特征参量与一般参量扣分项率折算对应扣分项总扣分率为13.6分,从相关评价导则的规定,变压器本体状态处于一般缺陷状态(s2),这与上述评估结果最大置信区间落在s2一致。虽然当前设备状态评估结果为一般缺陷状态,但是部分本性状态参量已偏离正常运行,有不可忽略的劣化倾向,甚至在注意值左右,因此需要密切跟踪,根据相关检修导则予以立即或适时采取对应类别检修措施。
(3)对隶属度函数的修正
前文中隶属度函数的确定是通过多组滑动可变的界值进行加权平均处理后得到的,然而对于不同参量采取同一隶属度函数进行代入取值,虽然兼顾了多个指标在处理时的拟合效果,但每个参量的隶属度函数与拟合后的隶属度函数之间存在一个差值,这个差值在之后的计算过程中并不能消除,接下来我们对拟合误差给出一下修正方法。
假定拟合后的隶属度函数为φ(fi),而每个参量的精准隶属度函数为πi(fi),于是有每个参量的状态隶属度误差为σ(fi)=πi(fi)-φ(fi)。然而此处的πi(fi)是假想的,我们所给出的隶属度函数模型都有一定精度误差。在对实例数据的处理中给出了φ1(fi)、φ2(fi)、φ3(fi),使
取最小值,待求πi(fi)。计算Σλσ(fi)(即Σ[λπi(fi)-λφ(fi)]),当加权误差值满足实例所给出的精度要求,则说明拟合的隶属度函数有效。
5、电力设备多源状态数据的三维空间表达
我们所熟知的三维空间,即地理三维空间,x,y,z即为三个无限延伸的方向,而涉及更高维度,常用时空流动性的第四维t来诠释。此处并不采用这些既定参数维度,而是以其空间表达形式,来形象地表达电力设备各项参量实测数据和样本数据。如图6(a)至图6(h)所示为2010年3月21日到2013年6月28日,500kV变压器的油色谱、油温和环境温度的实测数据。将以下数据等间隔采样取原始矩阵,通过软件散拟合。
从这些日数-温度/含量数据,我们可以得出最基本的测量数据三维空间构建,(气体含量、环境温度、油温,监测日数与效用函数值)为这个空间的三维坐标。在每个监测日可得到一组向量{x1,x2,…,x8},通过等间隔采样,可以获得同期数据多组,1)在描绘出空间散点图的基础上,拟合出三维曲面与对应函数表达式;2)以最小二乘法拟合出对应空间散点函数,进而绘制出直观函数图像;通过对参量间往期历史数据的变化趋势总结分类,可作状态评估的初步判断,同时空间表达函数亦可进一步为关键参量体系的关联规则挖掘提供依据。
图7(a)、图7(b)分别为图6(a)-图6(h)各监测值拟合后的surf示意图。Analysis-nonliner surface fitting与1stOpt的公式自动搜索匹配都可处理空间散点拟合问题,此处运用Matlab的最为常用的surf函数制图。
图7(a)为各气体含量、环境温度、油温八项参量在1200天内样本数据的图示(其中数字8至1分别对应图6(a)-图6(h),数据采样间隔较长导致成图细腻度欠缺)。在采样数据的制图过程中,将数据统一“标幺”化,如图7(a)上中Z轴数值以0到25为合理范围,监测数据的波动在一定范围内属于正常,图示中[8,8,17.5]表示第800个监测日参量8的监测值为17.5/25。而当某参量在某监测段显示出异常的变化趋势时,图7(b)中将显示出明显的色差。
当采样区间足够窄,监测参量足够多,就可以获得周期较短,更为细腻的图像,如下所示为25维参量(前述关键参量体系)在20个采样周期中的数据三维空间表达。(然而由于缺少实测值,该图仅作建模参考,数据并不真实。)
由图8可见,沿平行于x轴切面,获得的二维图像表示参量x在一定的监测日数内呈现的实测数据曲线图,沿平行于y轴切面,获得的二维图像表示某监测日期各参量的的实测数据曲线图。
图8给予了数据以色温,直观地反映了变电设备的监测状态。x轴可沿设备投入后定期监测不断获得,y轴可在处理时利用矩阵的交换行向量,具有一定的可操作性。同时上图原为空间散点图,但在peaks函数处理后给予了参量体系的函数关联感,为日后对关键参量体系内部之间关联规则的研究提供了直观的三维数据模型。
沿x轴切面(将三维图像作x平面投影),得到如前文中温度-时间的二维图像。沿y轴切面(将三维图像作y平面投影),并通过效用函数值计算,可得效用函数值f-各参量的二维图像。由于效用函数值-各参量原为散点图,可以作参量向量位置互换。由此从前文中的实例参量体系中获取对应切面如图9和图10所示。
从图中能更加直观地看出电力设备状态评估体系中九个参量的监测情况,同时各参量随时间对应的效用函数值变化趋势也给了评估体系内部各参量关联规则的研究直观地反映。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种基于大数据分析的变电站油浸式变压器状态评估与修正方法,其特征在于,包括以下步骤:
确定电力变压器关键性能状态量集合,根据每一个关键性能状态量的影响因子确定单项状态量集合;
将每一纳入评估体系中的参量进行量化,构建变压器状态参量多维判据矩阵;具体为:假设纳入评估体系中的参量为m个,将每一纳入评估体系中的参量分别从n个维度进行量化,得到m×n的多维判据矩阵;
基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理,取综合贡献率得分为正的基础评估参量构建变压器状态评估指标体系;
基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理,取综合贡献率得分为正的基础评估参量构建变压器状态评估指标体系,具体为:
计算变压器状态参量多维判据矩阵所对应的相关系数矩阵R,得到相关系数矩阵R的特征向量、特征值、方差贡献率以及累计方差贡献率;
选取大于1或者接近1的特征值作为公共因子,求取公共因子的累计方差贡献率;
公共因子的累计方差贡献率为:
其中,i为抽取的前i个成分,q为向量的维度,xj为第j个特征值;
以公共因子为基础通过方差极大化的方法将变压器状态参量多维判据矩阵进行旋转操作,得因子得分系数矩阵仅为一维数组;
求取变压器状态参量多维判据矩阵中各基础评估参量的综合贡献率,取综合贡献率得分为正的基础评估参量构建变压器状态评估指标体系;
变压器状态参量多维判据矩阵中各基础评估参量的综合贡献率具体为:
综合考虑人工巡检参量与设备技术性能参量,构建变压器本性状态关键参量体系;
确定变压器本性状态关键参量体系中各参量的权重系数;
基于证据理论对变压器本性状态关键参量体系进行融合,得到电力变压器状态评估结果;
对电力变压器状态评估结果进行反馈迭代与修正,具体为:在得到初步评估结果后,采用迭代评估算法,从降维后的状态参量判据矩阵中逐步添加参量项,进行第N轮迭代评估,计算模糊评估结果矩阵,并根据劣化程度最大的参量确定其不确定信度函数,如果参量的状态隶属度误差精度能够满足要求,结束;如果准确度尚不能满足要求,则进一步第N+1轮迭代评估。
3.如权利要求1所述的一种基于大数据分析的变电站油浸式变压器状态评估与修正方法,其特征在于,基于证据理论对变压器本性状态关键参量体系进行融合,得到电力变压器状态评估结果,具体为:
通过多组滑动可变的界值进行加权平均处理得到隶属度函数;
对隶属度函数进行修正;
计算变压器本性状态关键参量体系中单个参量的状态隶属度,得到隶属度矩阵,将隶属度矩阵乘以权重向量,得到变压器本体状态模糊评估结果。
5.一种基于大数据分析的变电站油浸式变压器状态评估与修正***,其特征在于,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-4任一项的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时执行权利要求1-4任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361635.9A CN109711663B (zh) | 2018-11-15 | 2018-11-15 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361635.9A CN109711663B (zh) | 2018-11-15 | 2018-11-15 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711663A CN109711663A (zh) | 2019-05-03 |
CN109711663B true CN109711663B (zh) | 2021-03-02 |
Family
ID=66254844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811361635.9A Active CN109711663B (zh) | 2018-11-15 | 2018-11-15 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711663B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503305B (zh) * | 2019-07-25 | 2022-02-01 | 西安理工大学 | 一种变压器性能评估方法 |
CN110689234B (zh) * | 2019-09-05 | 2023-08-04 | 国家电网有限公司 | 一种基于多源数据融合的电力变压器状态评估方法 |
CN110568301B (zh) * | 2019-09-16 | 2021-08-17 | 国网河北省电力有限公司电力科学研究院 | 一种基于变压器状态量有效检出率的检测模式预判方法 |
CN111159930B (zh) * | 2019-12-05 | 2020-12-29 | 广东电网有限责任公司 | 一种基于cfd的变压器呼吸***容量匹配评估方法 |
CN111126813B (zh) * | 2019-12-16 | 2023-10-31 | 东软集团股份有限公司 | 确定设备状态的方法、装置、存储介质及电子设备 |
CN111289829B (zh) * | 2020-03-18 | 2022-07-12 | 西南石油大学 | 一种基于多源信息融合的配电变压器在线监测方法及*** |
CN111667151B (zh) * | 2020-05-18 | 2024-03-29 | 南方电网科学研究院有限责任公司 | 一种电力市场风险全景识别方法及*** |
CN111709453B (zh) * | 2020-05-22 | 2022-05-10 | 成都飞机工业(集团)有限责任公司 | 一种航空发动机电气***在线故障诊断方法 |
CN111625773B (zh) * | 2020-05-25 | 2023-06-16 | 国网江西省电力有限公司电力科学研究院 | 基于可信性测度的计量回路电流测量异常评估方法及装置 |
CN111768082A (zh) * | 2020-06-02 | 2020-10-13 | 广东电网有限责任公司 | 一种基于大数据分析的电力设备状态评估方法 |
CN112132426B (zh) * | 2020-09-07 | 2022-02-25 | 国网山东省电力公司电力科学研究院 | 一种油浸式配电变压器质量评估方法 |
CN112083298B (zh) * | 2020-09-08 | 2021-07-06 | 四川大学 | 基于双风险竞争的绝缘纸板局部放电失效概率表征方法 |
CN112100926B (zh) * | 2020-09-22 | 2023-05-26 | 贵州电网有限责任公司 | 一种变压器家族性缺陷辨识方法 |
CN113379182B (zh) * | 2021-04-27 | 2022-09-16 | 云南电网有限责任公司昆明供电局 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
CN113434985B (zh) * | 2021-07-08 | 2023-06-30 | 西安热工研究院有限公司 | 一种超临界或超超临界锅炉汽水分离器管座与接管的状态评估方法 |
CN113657622B (zh) * | 2021-07-13 | 2024-02-27 | 国网河北省电力有限公司电力科学研究院 | 电力设备多维状态数据融合方法、装置、终端及存储介质 |
CN114626641B (zh) * | 2022-05-13 | 2022-08-23 | 山东汇能电气有限公司 | 一种基于数据处理的变压器电力故障预测*** |
CN114896825B (zh) * | 2022-07-13 | 2022-09-30 | 江苏中安建设集团有限公司 | 一种建筑节能给排水***智能控制方法 |
CN117074824B (zh) * | 2023-08-17 | 2024-03-22 | 东莞市港龙电源设备有限公司 | 一种变压器保护***的检验***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745273A (zh) * | 2014-01-06 | 2014-04-23 | 北京化工大学 | 一种半导体制造过程的多性能预测方法 |
CN104537220A (zh) * | 2014-12-18 | 2015-04-22 | 华北电力大学(保定) | 基于主元分析和d-s证据理论的故障诊断方法 |
CN105868912A (zh) * | 2016-04-06 | 2016-08-17 | 清华大学 | 基于数据融合的电力变压器状态评价方法及装置 |
CN106126875A (zh) * | 2016-06-08 | 2016-11-16 | 贵州电网有限责任公司铜仁供电局 | 一种基于态势感知理论的变压器状态评估方法 |
CN106251047A (zh) * | 2016-07-20 | 2016-12-21 | 国网浙江省电力公司电力科学研究院 | 考虑隶属度可变的继电保护变权模糊综合状态评价方法 |
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
CN106650937A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知***及其工作方法 |
CN107194606A (zh) * | 2017-06-09 | 2017-09-22 | 北方民族大学 | 一种数控机床部件装配质量分析方法 |
-
2018
- 2018-11-15 CN CN201811361635.9A patent/CN109711663B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745273A (zh) * | 2014-01-06 | 2014-04-23 | 北京化工大学 | 一种半导体制造过程的多性能预测方法 |
CN104537220A (zh) * | 2014-12-18 | 2015-04-22 | 华北电力大学(保定) | 基于主元分析和d-s证据理论的故障诊断方法 |
CN105868912A (zh) * | 2016-04-06 | 2016-08-17 | 清华大学 | 基于数据融合的电力变压器状态评价方法及装置 |
CN106126875A (zh) * | 2016-06-08 | 2016-11-16 | 贵州电网有限责任公司铜仁供电局 | 一种基于态势感知理论的变压器状态评估方法 |
CN106251047A (zh) * | 2016-07-20 | 2016-12-21 | 国网浙江省电力公司电力科学研究院 | 考虑隶属度可变的继电保护变权模糊综合状态评价方法 |
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
CN106650937A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于反馈的自适应主客观权重上下文感知***及其工作方法 |
CN107194606A (zh) * | 2017-06-09 | 2017-09-22 | 北方民族大学 | 一种数控机床部件装配质量分析方法 |
Non-Patent Citations (2)
Title |
---|
Research on Fault Diagnosis Method of Principal Components Analysis and D-S Evidence Theory;P. Tong等;《2009 Chinese Control and Decision Conference》;20090617;第1601-1605页 * |
基于主元分析和D-S证据理论的传感器故障诊断与应用;付华 等;《计算机应用研究》;20110430;第28卷(第4期);第1315-1317页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109711663A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711663B (zh) | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及*** | |
Song et al. | A water quality prediction model based on variational mode decomposition and the least squares support vector machine optimized by the sparrow search algorithm (VMD-SSA-LSSVM) of the Yangtze River, China | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
Sarwar et al. | An integrated rough ELECTRE II approach for risk evaluation and effects analysis in automatic manufacturing process | |
CN103065042B (zh) | 基于情景的多目标综合决策评价方法 | |
CN105956779A (zh) | 电力变压器运行状态评估方法和装置 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及*** | |
CN110110907B (zh) | 一种低压台区特征参数的提取方法 | |
Chen et al. | Grey clustering evaluation based on AHP and interval grey number | |
CN107741578A (zh) | 一种用于智能电能表运行误差远程校准的原始抄表数据处理方法 | |
CN111415090A (zh) | 一种主配电网综合评价方法 | |
CN105894212A (zh) | 一种电磁环网解合环综合评价方法 | |
CN115271238A (zh) | 一种变压器的寿命预测方法及装置 | |
CN114626769B (zh) | 一种电容式电压互感器运维方法及*** | |
CN116702084A (zh) | 一种基于模糊理论的一二次融合柱上断路器状态评价方法 | |
CN115564170A (zh) | 一种配电智能终端可靠性评估方法 | |
Fang | Research on automatic cleaning algorithm of multi-dimensional network redundant data based on big data | |
CN113780775B (zh) | 一种电网理论线损计算结果评价方法及*** | |
Yun et al. | Line loss calculation of low-voltage districts based on improved K-Means | |
CN112085313A (zh) | 基于加权topsis法的垃圾污染问题分责方法 | |
Shi et al. | Study on stability feature extraction of power system using deep learning | |
Li et al. | State Assessment Method of Electricity Meter Based on Grey Correlation Analysis | |
Zhang et al. | Risk Assessment of Substation based on Hermite orthogonal basis Feedforward Neural Network data Fusion algorithm | |
Zhong et al. | Rapid Identification Method for the Sudden Change of Operating Errors in Smart Electricity Meters | |
Liu et al. | Research on Power Sensing Data Quality Assessment Method Based on Hierarchical Analysis Method |
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 |