CN113011103B - 一种多维信息融合的电力变压器寿命预测模型 - Google Patents
一种多维信息融合的电力变压器寿命预测模型 Download PDFInfo
- Publication number
- CN113011103B CN113011103B CN202110365778.2A CN202110365778A CN113011103B CN 113011103 B CN113011103 B CN 113011103B CN 202110365778 A CN202110365778 A CN 202110365778A CN 113011103 B CN113011103 B CN 113011103B
- Authority
- CN
- China
- Prior art keywords
- training
- data
- mpfw
- transformer
- oil
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
一种多维信息融合的电力变压器寿命预测模型。该方法包括以下步骤:步骤1,获取模型训练数据:利用多种传感器获取变压器监测的各类数据,并上传至MYSQL数据库中进行分类保存;步骤2,数据预处理:从MYSQL数据库中读取变压器寿命预测的相关数据,并对每类数据进行最大最小值归一化处理;步骤3,MPFW‑LSTM模型的训练:利用步骤2处理得到的数据对MPFW‑LSTM模型进行训练,直至模型训练收敛;步骤4,MPFW‑LSTM模型的微调:利用训练数据对步骤3初步训练得到的MPFW‑LSTM模型进行微调;步骤5,MPFW‑LSTM模型的应用:将步骤1~步骤4训练得到的MPFW‑LSTM模型在线应用从而实现对变压器的剩余使用寿命准确有效的预测。本发明所述MPFW‑LSTM模型可以准确的对变压器的寿命进行预测,有着很好的实际应用价值。
Description
技术领域
本发明涉及电力变压器寿命预测领域,特别是涉及一种多维信息融合的电力变压器寿命预测模型。
背景技术
随着国民经济的快速发展,电网实现了全覆盖,其中的电力设备数量必然呈现爆发式的增长。如何实现电网设备安全可靠的运行,是实现供电安全的重要保障。然而变电站设备缺陷引起的故障,一般是长时间的积累所致,仅凭借已有在线监测装置采集得到的数据,容易得出片面的、错误的判断。
变压器作为电网运行中的主设备,其在运行中绝缘材料更容易老化破损,极大的影响了变压器的使用寿命。由于投运时间较长,目前我国电网运行中的变压器普遍存在较高的故障率,其中一部分变压器即将面临检修更换,亟需对其进行完整的健康状况及寿命趋势评估,另一方面,考虑到变压器工作于恶劣环境下,同时其寿命受到多种因素的影响,如何结合多参数来描述变压器健康状态和剩余使用寿命模型在现实中是一个具有挑战性的问题。
国内涉及变压器剩余使用寿命预测的专利有“一种基于变压器相关运行数据的固体绝缘寿命预测方法”(201910363966.4),该专利利用蒙特卡洛方法获取最为接近的分布模型,接着利用BP神经网络对数据进行训练,获取预测模型;其中采用蒙特卡洛方法,随机选取调节参数,并通过调节该参数的一个小量,实现对损失函数的更新,最终实现对变压器固体绝缘的寿命预测,但该专利中使用的训练数据类型较少,可能无法全面的描述变压器剩余使用寿命模型。国家发明专利“一种干式变压器剩余寿命的检测方法及装置”(201911129965.X),该专利通过采集干式变压器的自身温度和干式变压器所在的环境温度,而后结合当前采样周期、当前采样周期前已使用的寿命确定当前变压器的剩余使用寿命,该方法虽然简单,但仅仅从温度方面对变压器寿命进行预测,可能不够全面。综上所述,从多监测参数角度出发,通过数据融合的方式描述一个完备的变压器剩余使用寿命的模型具有重大的现实意义。
发明内容
为解决上述问题,本发明在长短时记忆机的基础上,提出了多参数融合加权长短时记忆机(Multi-parameter fusion weighted Long Short-Term Memory,MPFW-LSTM)。首先,利用油色谱气体参数和油质成分两类监测量作为训练数据对MPFW-LSTM进行训练,在充分利用监测数据的同时构建了更加全面的变压器剩余寿命描述模型;同时考虑到不同参数对变压器使用寿命影响的不同,采用了参数加权法;最后,将两个训练好的LSTM网络进行融合,结合电压器出厂的参数实现对变压器剩余使用寿命准确有效的预测。为达此目的,本发明提供一种多维信息融合的电力变压器寿命预测模型,具体步骤如下,其特征在于:
步骤1,获取模型训练数据:利用多种传感器获取变压器监测的各类数据,并上传至MYSQL数据库中进行分类保存;
步骤2,数据预处理:从MYSQL数据库中读取变压器寿命预测的相关数据,并对每类数据进行最大最小值归一化处理;
步骤3,MPFW-LSTM模型的训练:利用步骤2处理得到的数据对MPFW-LSTM模型进行训练,直至模型训练收敛;
步骤4,MPFW-LSTM模型的微调:利用训练数据对步骤3初步训练得到的MPFW-LSTM模型进行微调;
步骤5,MPFW-LSTM模型的应用:将步骤1~步骤4训练得到的MPFW-LSTM模型在线应用从而实现对变压器的剩余使用寿命准确有效的预测。
进一步,步骤1中传感器监测的数据包含:C2H2、C2H4、CH4、H2、C2H6(油色谱相关气体)和微水含量、酸值、介质损耗、击穿电压(油质相关参数);
进一步,步骤2中对传感器监测的数据进行最大最小值归一化至[0,1]的过程可表述如下:
式中,Xp和Xn分别表示传感器采集的数据和归一化处理后得到的数据,max(·)和max(·)分别表示最大值函数和最小值函数。
进一步,步骤3中MPFW-LSTM模型的训练的具体步骤如下:
步骤3.1,权重层处理:依据经验对油色谱中的气体参数和油质成分进行加权处理,其中C2H2、C2H4、CH4、H2和C2H6对应的权重系数分别为0.4615、0.1154、0.1154、0.1923和0.1154;微水含量、酸值、介质损耗和击穿电压对应的权重系数分别为0.2191、0.2191、0.3425和0.2191;
步骤3.2,油色谱气体参数LSTM1网络训练:利用加权处理后的油色谱气体参数对LSTM1网络进行训练,具体的步骤如下:
步骤3.2.1,训练遗忘门,删除记忆单元中部分无效信息从而降低记忆负载,其中得到的遗忘门样本ft为:
ft=σ(Wfxxt+Wfhht-1+bf)
式中,σ(·)表示sigmoid激活函数,xt是输入样本,ht-1表示t-1时刻的隐藏状态,Wfx和Wfh分别为遗忘门与xt和ht-1连接的权重系数,bf为遗忘门偏置系数。
步骤3.2.2,训练输入门,对输入的无意义信息进行过滤,并向记忆单元中有选择性的添加有效信息,其中得到的输入门样本gt为:
gt=σ(Wgxxt+Wghht-1+bg)
式中,Wgx和Wgh分别表示输入门与xt和ht-1间的连接权重系数,bg表示输入门偏置系数。步骤3.2.3,更新记忆单元,其中得到更新后的细胞状态st为:
st=ftst-1+gttanh(Wsxxt+Wshht-1+bs)
式中,Wsx和Wsh分别表示细胞与xt和ht-1间的连接权重,bs为细胞对应的偏置系数。
步骤3.2.4,更新输出门,其中得到的更新后的输出门对应的隐藏状态ht为:
ht=tanh(st)σ(Wqxxt+Wqhht-1+bq)
式中,Wqt和Wqh分别为输出门与xt和ht-1间的连接权重,bq为输出门偏置系数。
步骤3.2.5,重复步骤3.2.1~步骤3.2.4,直至损失函数得到设定的收敛阈值1e-5。
步骤3.3,油质成分参数LSTM2网络训练:利用加权处理后的油质成分参数对LSTM2网络进行训练,网络训练步骤同步骤3.2;
步骤3.4,将步骤3.2和步骤3.3训练得到的LSTM网络进行融合,得到油色谱气体和油质成分两类参数的融合权重系数Wfusion,其计算过程为:
Wfusion=Wair×Woil
式中,Wair和Woil分别表示LSTM1和LSTM2网络的输出权重系数。
步骤3.5,结合录入的变压器出厂限定的使用寿命Trow确定剩余使用寿命Tremain,具体表达式为:
Tremain=Trow×Wfusion
本发明一种多维信息融合的电力变压器寿命预测模型,有益效果:本发明的技术效果在于:
1.本发明利用油色谱气体参数和油质成分参数两类监测量作为训练数据对模型进行训练,在充分利用监测数据的同时构建了更加全面的变压器剩余寿命描述模型,同时考虑到不同参数对变压器使用寿命影响的不同,采用参数加权法消除了这种影响;
2.本发明在长短时记忆机的基础上,提出了MPFW-LSTM模型,通过多维参数融合的方式实现了对变压器剩余使用寿命准确有效的预测。
附图说明
图1为本发明的流程图;
图2为本发明所用的MPFW-LSTM模型的网络结构图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了一种多维信息融合的电力变压器寿命预测模型,旨在实现对电力变压器剩余使用寿命的预测。图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
步骤1,获取模型训练数据:利用多种传感器获取变压器监测的各类数据,并上传至MYSQL数据库中进行分类保存;
步骤1中传感器监测的数据包含:C2H2、C2H4、CH4、H2、C2H6(油色谱相关气体)和微水含量、酸值、介质损耗、击穿电压(油质相关参数);
步骤2,数据预处理:从MYSQL数据库中读取变压器寿命预测的相关数据,并对每类数据进行最大最小值归一化处理;
步骤2中对传感器监测的数据进行最大最小值归一化至[0,1]的过程可表述如下:
式中,Xp和Xn分别表示传感器采集的数据和归一化处理后得到的数据,max(·)和max(·)分别表示最大值函数和最小值函数。
步骤3,MPFW-LSTM模型的训练:利用步骤2处理得到的数据对MPFW-LSTM模型进行训练,直至模型训练收敛;
步骤3中MPFW-LSTM模型的训练的具体步骤如下:
步骤3.1,权重层处理:依据经验对油色谱中的气体参数和油质成分进行加权处理,其中C2H2、C2H4、CH4、H2和C2H6对应的权重系数分别为0.4615、0.1154、0.1154、0.1923和0.1154;微水含量、酸值、介质损耗和击穿电压对应的权重系数分别为0.2191、0.2191、0.3425和0.2191;
步骤3.2,油色谱气体参数LSTM1网络训练:利用加权处理后的油色谱气体参数对LSTM1网络进行训练,具体的步骤如下:
步骤3.2.1,训练遗忘门,删除记忆单元中部分无效信息从而降低记忆负载,其中得到的遗忘门样本ft为:
ft=σ(Wfxxt+Wfhht-1+bf)
式中,σ(·)表示sigmoid激活函数,xt是输入样本,ht-1表示t-1时刻的隐藏状态,Wfx和Wfh分别为遗忘门与xt和ht-1连接的权重系数,bf为遗忘门偏置系数。
步骤3.2.2,训练输入门,对输入的无意义信息进行过滤,并向记忆单元中有选择性的添加有效信息,其中得到的输入门样本gt为:
gt=σ(Wgxxt+Wghht-1+bg)
式中,Wgx和Wgh分别表示输入门与xt和ht-1间的连接权重系数,bg表示输入门偏置系数。
步骤3.2.3,更新记忆单元,其中得到更新后的细胞状态st为:
st=ftst-1+gttanh(Wsxxt+Wshht-1+bs)
式中,Wsx和Wsh分别表示细胞与xt和ht-1间的连接权重,bs为细胞对应的偏置系数。
步骤3.2.4,更新输出门,其中得到的更新后的输出门对应的隐藏状态ht为:
ht=tanh(st)σ(Wqxxt+Wqhht-1+bq)
式中,Wqt和Wqh分别为输出门与xt和ht-1间的连接权重,bq为输出门偏置系数。
步骤3.2.5,重复步骤3.2.1~步骤3.2.4,直至损失函数得到设定的收敛阈值1e-5。
步骤3.3,油质成分参数LSTM2网络训练:利用加权处理后的油质成分参数对LSTM2网络进行训练,网络训练步骤同步骤3.2;
步骤3.4,将步骤3.2和步骤3.3训练得到的LSTM网络进行融合,得到油色谱气体和油质成分两类参数的融合权重系数Wfusion,其计算过程为:
Wfusion=Wair×Woil
式中,Wair和Woil分别表示LSTM1和LSTM2网络的输出权重系数。
步骤3.5,结合录入的变压器出厂限定的使用寿命Trow确定剩余使用寿命Tremain,具体表达式为:
Tremain=Trow×Wfusion
步骤4,MPFW-LSTM模型的微调:利用训练数据对步骤3初步训练得到的MPFW-LSTM模型进行微调;
步骤5,MPFW-LSTM模型的应用:将步骤1~步骤4训练得到的MPFW-LSTM模型在线应用从而实现对变压器的剩余使用寿命准确有效的预测。
图2为本发明所用的MPFW-LSTM模型的网络结构图。从该结构图中可以清晰的看出整个MPFW-LSTM模型的训练数据由油色谱参数和油质成分参数两部分组成,其中油色谱参数包括C2H2、C2H4、CH4、H2和C2H6,油质成分包括微水含量、酸值、介质损耗和击穿电压;接着通过归一化处理和权重层加权处理增强了数据的特征;而后分别使用LSTM网络对油色谱和油质成分的数据特征进行抓取学习,并输出确定的权重系数Wair和Woil;接着对输出的两权重系数进行融合以确定Wfusion;最后结合电压器出厂设定的寿命,实现对电压器剩余使用寿命精准的预测。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.一种多维信息融合的电力变压器寿命预测模型,具体步骤如下,其特征在于:
步骤1,获取模型训练数据:利用多种传感器获取变压器监测的各类数据,并上传至MYSQL数据库中进行分类保存;
步骤2,数据预处理:从MYSQL数据库中读取变压器寿命预测的相关数据,并对每类数据进行最大最小值归一化处理;
步骤2中对传感器监测的数据进行最大最小值归一化至[0,1]的过程可表述如下:
式中,Xp和Xn分别表示传感器采集的数据和归一化处理后得到的数据,max(·)和max(·)分别表示最大值函数和最小值函数;
步骤3,MPFW-LSTM模型的训练:利用步骤2处理得到的数据对MPFW-LSTM模型进行训练,直至模型训练收敛;
步骤3中MPFW-LSTM模型的训练的具体步骤如下:
步骤3.1,权重层处理:依据经验对油色谱中的气体参数和油质成分进行加权处理,其中C2H2、C2H4、CH4、H2和C2H6对应的权重系数分别为0.4615、0.1154、0.1154、0.1923和0.1154;微水含量、酸值、介质损耗和击穿电压对应的权重系数分别为0.2191、0.2191、0.3425和0.2191;
步骤3.2,油色谱气体参数LSTM1网络训练:利用加权处理后的油色谱气体参数对LSTM1网络进行训练,具体的步骤如下:
步骤3.2.1,训练遗忘门,删除记忆单元中部分无效信息从而降低记忆负载,其中得到的遗忘门样本ft为:
ft=σ(Wfxxt+Wfhht-1+bf)
式中,σ(·)表示sigmoid激活函数,xt是输入样本,ht-1表示t-1时刻的隐藏状态,Wfx和Wfh分别为遗忘门与xt和ht-1连接的权重系数,bf为遗忘门偏置系数:
步骤3.2.2,训练输入门,对输入的无意义信息进行过滤,并向记忆单元中有选择性的添加有效信息,其中得到的输入门样本gt为:
gt=σ(Wgxxt+Wghht-1+bg)
式中,Wgx和Wgh分别表示输入门与xt和ht-1间的连接权重系数,bg表示输入门偏置系数;
步骤3.2.3,更新记忆单元,其中得到更新后的细胞状态st为:
st=ftst-1+gttanh(Wsxxt+Wshht-1+bs)
式中,Wsx和Wsh分别表示细胞与xt和ht-1间的连接权重,bs为细胞对应的偏置系数;
步骤3.2.4,更新输出门,其中得到的更新后的输出门对应的隐藏状态ht为:
ht=tanh(st)σ(Wqxxt+Wqhht-1+bq)
式中,Wqt和Wqh分别为输出门与xt和ht-1间的连接权重,bq为输出门偏置系数;
步骤3.2.5,重复步骤3.2.1~步骤3.2.4,直至损失函数得到设定的收敛阈值1e-5;
步骤3.3,油质成分参数LSTM2网络训练:利用加权处理后的油质成分参数对LSTM2网络进行训练,网络训练步骤同步骤3.2;
步骤3.4,将步骤3.2和步骤3.3训练得到的LSTM网络进行融合,得到油色谱气体和油质成分两类参数的融合权重系数Wfusion,其计算过程为:
Wfusion=Wair×Woil
式中,Wair和Woil分别表示LSTM1和LSTM2网络的输出权重系数;
步骤3.5,结合录入的变压器出厂限定的使用寿命Trow确定剩余使用寿命Tremain,具体表达式为:
Tremain=Trow×Wfusion;
步骤4,MPFW-LSTM模型的微调:利用训练数据对步骤3初步训练得到的MPFW-LSTM模型进行微调;
步骤5,MPFW-LSTM模型的应用:将步骤1~步骤4训练得到的MPFW-LSTM模型在线应用从而实现对变压器的剩余使用寿命准确有效的预测。
2.根据权利要求1所述的一种多维信息融合的电力变压器寿命预测模型,其特征在于:步骤1中传感器监测的数据包含:C2H2、C2H4、CH4、H2、C2H6和微水含量、酸值、介质损耗、击穿电压。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365778.2A CN113011103B (zh) | 2021-04-06 | 2021-04-06 | 一种多维信息融合的电力变压器寿命预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365778.2A CN113011103B (zh) | 2021-04-06 | 2021-04-06 | 一种多维信息融合的电力变压器寿命预测模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011103A CN113011103A (zh) | 2021-06-22 |
CN113011103B true CN113011103B (zh) | 2022-05-03 |
Family
ID=76388049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365778.2A Active CN113011103B (zh) | 2021-04-06 | 2021-04-06 | 一种多维信息融合的电力变压器寿命预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011103B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117877028B (zh) * | 2024-03-13 | 2024-05-14 | 浙江大学 | 基于微观图像特征的电机绝缘寿命预测方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781756B2 (en) * | 2011-07-19 | 2014-07-15 | Arizona Public Service Company | Method and system for estimating transformer remaining life |
CN108037378B (zh) * | 2017-10-26 | 2020-08-07 | 上海交通大学 | 基于长短时记忆网络的变压器运行状态预测方法及*** |
CN110083951B (zh) * | 2019-04-30 | 2023-06-02 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
CN110501585B (zh) * | 2019-07-12 | 2021-05-04 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110874616A (zh) * | 2019-11-18 | 2020-03-10 | 苏文电能科技股份有限公司 | 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 |
CN111460727A (zh) * | 2020-03-05 | 2020-07-28 | 国网浙江省电力有限公司湖州供电公司 | 一种利用多参量的变压器寿命预测方法 |
-
2021
- 2021-04-06 CN CN202110365778.2A patent/CN113011103B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113011103A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
WO2021232655A1 (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN115293326A (zh) | 电力负荷预测模型的训练方法、装置及电力负荷预测方法 | |
CN114460445B (zh) | 考虑老化阈值与寿命的变压器老化不可用率评估方法 | |
CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
CN112255559A (zh) | 基于多元线性回归的锂电池储能电站剩余寿命预测方法 | |
CN113011103B (zh) | 一种多维信息融合的电力变压器寿命预测模型 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN107944571A (zh) | 一种电力变压器剩余使用寿命预测方法 | |
CN109164248A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
CN116882587A (zh) | 一种基于雷电灾害情况下电力电网***故障预测分析方法 | |
CN114169709A (zh) | 变电站二次设备的状态评估方法、装置、存储介质及设备 | |
CN115564182A (zh) | 一种基于电网资源业务中台的电网分析方法 | |
CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
CN115221731A (zh) | 基于数据融合和Wiener模型的变压器寿命评估方法 | |
CN113919162A (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
CN115730506A (zh) | 一种基于信息决策的变压器油温异常预警方法 | |
Zhang et al. | Data-driven feature description of heat wave effect on distribution system | |
CN109190080B (zh) | 一种电力变压器的健康状况确定方法 | |
CN112001073A (zh) | 一种牵引供电***的可靠性分析研究方法 | |
Rosenlind et al. | Prerequisites for transformer lifetime modeling towards a better understanding |
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 |