CN113591402A - 一种数字化电力互感器健康状态模糊综合评价方法 - Google Patents
一种数字化电力互感器健康状态模糊综合评价方法 Download PDFInfo
- Publication number
- CN113591402A CN113591402A CN202111015949.5A CN202111015949A CN113591402A CN 113591402 A CN113591402 A CN 113591402A CN 202111015949 A CN202111015949 A CN 202111015949A CN 113591402 A CN113591402 A CN 113591402A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- index
- state
- power transformer
- membership
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 281
- 230000036541 health Effects 0.000 title claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 95
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 230000015556 catabolic process Effects 0.000 claims abstract description 48
- 238000006731 degradation reaction Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 230000006866 deterioration Effects 0.000 claims description 62
- 238000009826 distribution Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000009413 insulation Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 8
- 239000000725 suspension Substances 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 238000012854 evaluation process Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 27
- 230000008569 process Effects 0.000 description 17
- 238000012937 correction Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
Abstract
本申请公开了一种数字化电力互感器健康状态模糊综合评价方法,包括步骤1:选取影响数字化电力互感器状态的评价指标并进行层级划分;步骤2:划分数字化电力互感器的评估状态;步骤3:对评价指标进行优先级和劣化方向分类;步骤4:分别建立各类别的评价指标隶属度函数,并通过BP神经网络确定不同层级评价指标的权重,获得模糊评价矩阵;步骤5:采用模糊评价矩阵进行模糊运算,运算结果归一化后得到最终的评价结果。本发明根据对数字化电力互感器健康状态影响,确定评价指标和评价层级,配置不同权重,使得评估结果更加的合理准确,能够对数字化电力互感器做出有效评价,具有较高的可信度。
Description
技术领域
本发明属于电力设备状态评估技术领域,涉及一种应用BP神经网络确定指标权重的数字化电力互感器健康状态模糊综合评价方法。
背景技术
数字化电力互感器作为电力***中关键测量设备之一,数字化电力互感器工作运行中易受外界温、湿度环境、压力、振动、噪声等因素影响,使得长期运行工作的电子互感器测量精度稳定性和可靠性产生不确定性,因此有必要对电力***数字化电力互感器是否是健康运行状态进行监测。
目前,主要采取模糊综合评价措施进行电力***数字化电力互感器运行状态的监测,但是其存在如下缺点:指标权重确定存在单一性和主观性问题,针对该缺点,本发明提出一种应用BP神经网络确定指标权重的模糊综合评价方法,进行数字化电力互感器健康状态评估检测。
发明内容
为解决现有技术中的不足,本申请提供一种应用BP神经网络确定指标权重的数字化电力互感器健康状态模糊综合评价方法。
为了实现上述目标,本发明采用如下技术方案:
一种数字化电力互感器健康状态模糊综合评价方法,包括以下步骤:
步骤1:选取影响数字化电力互感器状态的评价指标并进行层级划分;
步骤2:划分数字化电力互感器的评估状态;
步骤3:对评价指标进行优先级和劣化方向分类;
步骤4:分别建立各类别的评价指标隶属度函数,通过应用BP神经网络确定不同层级评价指标的权重,获得模糊评价矩阵;
步骤5:采用模糊评价矩阵进行模糊运算,运算结果归一化后,得到最终的评价结果。
本发明进一步包括以下优选方案:
优选地,步骤1中,选取影响数字化电力互感器状态的评价指标并进行层级划分,得到:
第一层级的评价指标为:数字化电力互感器指标、环境因素指标、绝缘性能指标;
所述数字化电力互感器指标的第二级评价指标确定为:投运时间、近三年累计故障次数和同型号累计故障次数;
所述投运时间是自设备开始运行的累计运行时间;
所述近三年累计故障次数是设备最近运行的三年中累计故障次数;
所述同型号累计故障次数是一年运行时间内若干同型号设备累计故障次数的平均值;
所述环境因素指标的第二级评价指标确定为:温度、相对湿度、震动和噪声;
所述绝缘性能指标的第二级评价指标确定为:电晕放电、沿面放电、内部放电、悬浮放电四种放电类型。
优选地,步骤2中,将数字化电力互感器的评估状态划分为正常状态、注意状态、异常状态、严重状态这4种状态;
所述正常状态是指各个评价指标都处于稳定的范围之内,设备运行正常;
所述注意状态是指部分评价指标变化趋势逐渐脱离稳定的范围,向着阈值方向发展,目前设备依然可以正常运行,但是需要加强监视;
所述异常状态是指评价指标变化较大,存在评价指标已经接近或者超出异常状态阈值,需要加强监视,同时需要采取一定的措施进行检修;
所述严重状态是指评价指标超出严重状态阈值,需要立刻采取措施。
优选地,步骤3中,将所有指标的优先级分为如下三类:
优先级I:这类指标中单一的指标状态变化可引起相应模块的运行故障;
优先级II:这类指标中多项指标的状态变化才会引起相应模块的运行故障;
优先级III:这类指标的状态变化不会引起相应模块的运行故障。
优选地,步骤3中,将所有指标的劣化方向分为如下两类:
单向劣化:只有指标低于或者高于某个阈值时,数字化电力互感器状态才会发生变化;
双向劣化:不论指标低于低阈值或者高于高阈值,数字化电力互感器状态都会发生变化。
优选地,步骤4中,对于优先级I且为单向劣化类型指标,选取阶跃函数作为该类型评价指标的隶属度函数,隶属度函数公式为:
其中,μ1(x)为评价指标对于正常状态A1的隶属度,μ4(x)为评价指标对于严重状态A4的隶属度,x为评价指标,x1为正常和异常的临界点。
优选地,步骤4中,对于优先级I且为双向劣化类型指标,选取阶跃函数作为隶属度函数,隶属度函数公式为:
其中,μ1(x)为评价指标对于正常状态A1的隶属度,μ4(x)为评价指标对于严重状态A4的隶属度,x为评价指标,x1、x2分别为两个正常与故障的临界点。
优选地,步骤4中,优先级II且为单向劣化类型指标,选择正态分布组合而成的隶属度函数作为该类评价指标的隶属度函数,隶属度函数公式为:
其中,μ1(x)为评价指标对于正常状态A1的隶属度,μ2(x)为评价指标对于注意状态A2的隶属度,μ3(x)为评价指标对于异常状态A3的隶属度,μ4(x)为评价指标对于严重状态A4的隶属度,x为评价指标,x1、x2、x3、x4分别为正常,注意,异常,严重状态的阈值。
优选地,步骤4中,优先级II且为双向劣化类型指标的隶属度公式为:
其中,μ1(x)、μ2(x)、μ3(x)为分别表示指标状态对模糊集A1、模糊集A2、模糊集A3的隶属度,x1、x2分别为从初始到轻度劣化的过渡值和轻度劣化到正常状态的过渡值,x3、x4、、x5分别表示为正常,轻度劣化,重度劣化的临界点;
模糊集A1、模糊集A2、模糊集A3分别表示指标状态正常、轻度劣化、重度劣化。
优选地,步骤4中,优先级III且为单向劣化类型指标,选择梯形分布的隶属度函数作为该类评价指标的隶属度函数,隶属度函数公式为:
其中,μ1(x)为评价指标对于正常状态A1的隶属度,μ2(x)为评价指标对于注意状态A2的隶属度,μ3(x)为评价指标对于异常状态A3的隶属度,μ4(x)为评价指标对于严重状态A4的隶属度;
x1、x2、x3、x4、、x5、x6分别表示正常点、进入轻度劣化点、结束轻度劣化点、进入重度劣化点、结束重度劣化点、故障点。
优选地,步骤4中,优先级III且为双向劣化类型指标,选择梯形分布的隶属度函数作为该类评价指标的隶属度函数,隶属度函数公式为:
其中,μ1(x)、μ2(x)、μ3(x)为分别表示指标状态对模糊集A1、模糊集A2、模糊集A3的隶属度;
x1、x2、x3、x4、、x5、x6、x7、x8、x9、x10、、x11、x12分别表示为故障起点、首次进入重度劣化点、首次结束重度劣化点、首次进入轻度劣化点、首次结束轻度劣化点、进入正常点、结束正常点、再次进入轻度劣化点、再次结束轻度劣化点、再次进入重度劣化点、再次结束重度劣化点、故障终点;
模糊集A1、模糊集A2、模糊集A3分别表示指标状态正常、轻度劣化、重度劣化。
优选地,步骤4中,根据评价指标的层级,分别建立数字化电力互感器、环境因素、绝缘性能层级的指标权重模型;
其中,对于环境因素层级,采用专家评估的方式建立指标权重模型。
优选地,对于数字化电力互感器层级,基于BP神经网络建立指标权重模型,输入信号为投运时间、近三年累计故障次数、同型号累计故障次数3个指标的隶属度计算结果,输出期望为数学化电力互感器的实时状态,通过训练模型来拟合数字化电力互感器的状态评估过程,当拟合结果与实际状态一致时,得到对应的指标权重模型。
优选地,对于绝缘性能层级,基于BP神经网络建立指标权重模型,输入信号为电晕放电、沿面放电、内部放电、悬浮放电4个指标的隶属度计算结果,输出期望为网络通信***的实时状态,通过训练模型来拟合网络通信***的状态评估过程,当拟合结果与实际状态一致时,得到对应的指标权重模型。
本申请所达到的有益效果:
本发明根据对数字化电力互感器健康状态影响,确定评价指标和评价层级,配置不同权重,实现基于多级综合评估指标的数字化电力互感器健康状态评估,使得评估结果更加的合理准确;
确定了评价指标和评价层级后,根据指标优先级、劣化方向双因素,选择合适的隶属度函数,使模糊综合评价规则更具针对性;
然后应用BP神经网络确定指标权重,且考虑到数字化电力互感器的多样性,没有任何一个装置同类评价指标评估结果可以作为一般化代表,因此各指标评估结果都需要作为输入信号项,导致输入层神经元个数的激增,进而导致神经网络结构的复杂化,影响训练的速度和结果。为避免该问题的发生,本发明采取参照评价指标的层级对应建立多个神经网络的措施,能够对数字化电力互感器做出有效评价,具有较高的可信度。
附图说明
图1是本发明一种数字化电力互感器健康状态模糊综合评价方法的流程图;
图2是本发明实施例中优先级I&单向劣化指标隶属度函数;
图3是本发明实施例中三角形分布和梯形分布隶属度函数;
图4是本发明实施例中三角形分布和正态分布的隶属度函数;
图5是本发明实施例中三角形分布和抛物线的隶属度函数;
图6是本发明实施例中优先级II&单向劣化指标隶属度函数;
图7是本发明实施例中优先级III&单向劣化指标隶属度函数;
图8是本发明实施例中优先级III&双向劣化指标隶属度函数;
图9是本发明实施例中BP神经网络的样本训练流程图;
图10是本发明实施例中环境因素指标以及最终状态雷达图;
图11是本发明实施例中数字化电力互感器指标以及最终状态雷达图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
客观世界中存在着很多模糊的现实,很多因素难以量化反映,因此模糊数学的出现就是为了解决这些问题。其中模糊综合评价法就是其中一种方法。
其基本原理是:首先确定被评价对象的评价等级集合,再分别确定各个评价指标的权重和它们的隶属度向量,获得模糊评判矩阵,最后将模糊评判矩阵和影响指标的权重向量进行模糊运算,归一化后得到最终的评价结果。
具体地:首先确定评价对象的因素论域:
U={u1,u2,...,um}
即m个影响因素。其次,确定评价层级论域,评价层级论域是评价者对被评价对象的各种可能的评价结果的组合,用V表示:
V={v1,v2,...,vn}
即为n个评价结果。
从单一的影响指标出发进行评价,来确定评价对象对评价集合V的隶属度,称为单因素模糊评价。构造完评价因素集合后,就需要逐个对被评价对象的每个因素ui=(i=1,2,...,m)进行量化,确定影响指标对被评价对象的隶属度,计算得到模糊关系矩阵:
其中,rij(i=1,2,...,m;j=1,2,...,n)表示某个被评价对象ui对vj的隶属度。隶属关系的确定通常是通过专家或者与评价问题相关的专业人士根据评价等级的相关标准对评价对象进行打分,统计得分结果,求得各个评价对象对评价等级的平均隶属度。
为了反映不同因素的重要程度差异,对不同的因素U分配一个权重系数ai,各权重系数组合成权重集合A。
最终通过模糊运算得到模糊综合评价结果为:
本发明首先确定数字化电力互感器的因素论域,其次确定评价层级论域。构造完评价因素集合后,逐个对被评价数字化电力互感器的每个因素进行优化确定影响指标对被评价对象的隶属度,计算得到模糊关系矩阵,最终通过模糊运算得到模糊综合评价结果,为后期的数字化电力互感器运维提供依据。
具体的,如图1所示,本发明的一种数字化电力互感器健康状态模糊综合评价方法,包括以下步骤:
步骤1:评价指标和评估等级的确立:选取影响数字化电力互感器状态的评价指标并进行层级划分;
具体实施时,在考虑因素较多时,如果所有评价指标对数字化电力互感器健康状态影响都相同显然是不合理的。因此为了使得评估结果更加的合理准确,本发明采用了多级综合评估指标进行数字化电力互感器健康状态评估。
数字化电子化互感器评价指标如表1所示。这些指标将作为模糊评价的因素论域。
表1数字化电力互感器健康评价指标
环境因素是指数字化电力互感器运行过程中周围环境的温湿度等环境条件,环境因素对于数字化电力互感器健康状态评估不可忽视。通常情况下,除了环境的温湿度,还有大气压、海拔高度、污秽程度等环境因素,考虑到评价指标选取的意义,对于影响不大的评价指标舍弃,选取了环境的温度、相对湿度、震动和噪声作为环境因素。
将数字化电力互感器的第二级评价指标确定为:投运时间、近三年累计故障次数和同型号累计故障次数。
投运时间是自设备开始运行的累计运行时间;
近三年累计故障次数是该设备最近运行的三年中累计故障次数,不足三年的按照同型号的平均值统计;
同型号累计故障次数以一年运行时间为基准,选取10台设备,如果投运时间不足一年,按照同型号的平均值统计。通过细化指标更加全面真实地反映数字化电力互感器设备的运行状态。
绝缘性能也是运行状态的重要指标之一。作为能够反映配电设备绝缘性能的参数,采用电晕放电、沿面放电、内部放电、悬浮放电四种局部放电类型作为绝缘性能的第二级评价指标。其中电晕放电是指气体介质在不均匀电场中的局部自持放电,是最常见的一种放电形式;沿面放电是指沿不同聚集态电介质分界面的放电现象;内部放电是指在电气设备的绝缘***中,各部位的电场强度往往是不相等的,当局部区域的电场强度达到电介质的击穿场强时,该区域就会出现放电;悬浮放电可能发生于变压器内处于高电位的金属部件。局部放电数据为离散数据,并且每种局部放电类型对设备绝缘性能的影响程度不同。
步骤2:划分数字化电力互感器的评估状态;
具体实施时,通过查阅国家电网公司相关的标准文件,本发明中对数字化电力互感器的状态评估描述为4种状态:正常状态、注意状态、异常状态、严重状态。4种状态的定义如下:
正常状态:各个评价指标都处于良好稳定的范围之内,设备运行正常,标记为A1。
注意状态:部分评价指标变化趋势逐渐脱离良好的范围,向着阈值方向发展,目前设备依然可以正常运行,但是需要加强监视,标记为A2。
异常状态:评价指标变化较大,有些已经接近或者超出了阈值,需要加强监视,同时需要采取一定的措施进行检修,标记为A3。
严重状态:评价指标已经超出了阈值,需要立刻采取措施,标记为A4。
将这4种状态作为评价层级论域。
步骤3:对评价指标进行优先级和劣化方向分类;
考虑到各个级别的评价指标在整个状态评估***中的重要性的不同,这将对后期做状态评估会产生影响,因此将所有指标的优先级分为三个等级,具体如下:
优先级I:这类指标对数字化电力互感器状态起着非常重要的作用,其单一的指标状态就可能引起相应模块的运行故障。在上述的评价指标当中,有4种指标符合该优先级,分别是“绝缘性能”中的四种放电类型:“电晕放电”、“沿面放电”、“内部放电”、“悬浮放电”;
优先级II:这类指标对数字化电力互感器状态起着较为重要的作用。在上述的评价指标当中,有3种指标符合该优先级,分别是“数字化电力互感器”中的“投运时间”、“近三年累计故障次数”、“同型号累计故障次数”。
优先级III:“环境因素”这类指标通常对数字化电力互感器状态影响较小,是为了保证评价体系的完备性和科学性而确立的。
由于数字化电力互感器状态从“正常”到“故障”是一种变化的过程和趋势,对于大多数的评价指标而言,其演变过程都是有固定方向的,只有当指标低于或者高于某个阈值时,状态才会发生变化。当然,也存在一些特殊的评价指标,其影响数字化电力互感器状态是双向的,低于或者高于阈值时,都会发生状态的变化。因此,所有评价指标都被分为两种情况,分别是单向劣化和双向劣化。
由于大多数的评价指标都是单向劣化的,因此,只要找出少数的双向劣化的评价指标就可以完成单双向的劣化分类。
根据表1的评价指标和国家电网相关准则的内容,在已经确立的评价指标当中,属于双向劣化的评价指标只有“环境因素”的“温度”。通过上述的分析,可将数字化电子互感器状态评价指标进行分类。
步骤4:分别建立步骤3各类别的评价指标隶属度函数,通过应用BP神经网络确定步骤1不同层级评价指标的权重,获得模糊评价矩阵;
确定了评价指标和评价层级后,为了建立模糊综合评价规则,需要确定各个评价指标对评价层级的隶属度,即选择合适的隶属度函数。目前解决实际问题的隶属度函数有:三角形模型、梯形模型、正态分布模型、柯西分布模型等。
本发明中根据上述评价指标优先级、劣化方向分类建立了如下的数学模型。
1.优先级I&单向劣化、优先级I&双向劣化
这类评价指标一般在实际工程中只有两种状态:正常和故障。并且正常状态的范围较小,为了后续建模形式上的统一,本发明选取阶跃函数作为该类型指标的隶属度函数。
函数模型如图2所示。
根据阶跃函数定义,可得优先级I&单向劣化指标的隶属度函数公式为:
其中,μ1(x)为评价指标对于正常状态A1的隶属度,μ4(x)为评价指标对于严重状态A4的隶属度,x为评价指标,x1为正常和异常的临界点。
对于优先级I且为双向劣化类型指标,该类指标特点与优先级I&单向劣化基本一致,唯一区别就是劣化方向问题,同样选取阶跃函数作为该类型评价指标的隶属度函数,隶属度函数公式为:
其中,μ1(x)为评价指标对于正常状态A1的隶属度,μ4(x)为评价指标对于严重状态A4的隶属度,x为评价指标,x1、x2分别为两个正常与故障的临界点。
2.优先级II&单向劣化
这类指标的评估误差往往会对上一级的评估造成明显的误差,因此,需要选择更加严格的隶属度函数,下面给出几种常用的隶属度函数对比。
三角形分布和梯形分布隶属度函数如图3所示。
从图3中可以看出,三角形分布时隶属度为1时是一个点,而梯形分布时隶属度为1为一段区间。根据实际情况,通常故障或者正常状态都是持续一段时间,相比之下,梯形分布的隶属度函数更加符合实际。
三角形分布和正态分布隶属度函数如图4所示。
从图4中可以看出,当隶属度处于高位时,正态分布的隶属度可以获得更多的隶属度信息,当隶属度处于低位时,正态分布的隶属度可以屏蔽更多的隶属度信息。
三角形分布和抛物线隶属度函数如图5所示。
从图5中可以看出,不管是在高位隶属度还是在地位隶属度,抛物线获取的隶属度信息总是比三角形分布的隶属度信息要多,这显然不符合实际情况。因此,抛物线型函数不适合作为隶属度函数。
考虑到其他类型的隶属度函数计算较为复杂,这里不再作比较。根据上述几种隶属度函数的对比情况,选择梯形分布和正态分布的隶属度函数适合作为最终建模的隶属度函数。
优先级II&单向劣化类型指标在超出一定的阈值后会出现逐步劣化的情况,但是随着指标超出的程度不断加大时,劣化程度也越来越严重,最终造成严重状态。由于该类指标对于数字化电力互感器运行状态评估比较重要,因此,需要选择比较符合其变化规律的隶属度函数进行建模。对于梯形分布和正态分布函数,梯形有一段区间值为1,而实际中设备缓慢达到一种状态后,随着指标的继续劣化,将进入下一个状态,是一种变化过程,在梯形分布中没有反映出这种变化,因此,本发明中选择正态分布组合而成的隶属度函数作为该类评价指标的隶属度函数,如图6所示。
由于正态分布的函数值主要分布在数学期望左右三个标准差的范围之内,因此文中每个正态分布定义区间为6σ,在[x1,x2]区间中,x2-x1=3σ,x3-x2=3σ,在此区间内,注意状态的的隶属度为正态分布函数,超出定义域范围取值为0。
可得优先级II&单向劣化指标隶属度函数公式为:
其中,μ1(x)为评价指标对于正常状态A1的隶属度,μ2(x)为评价指标对于注意状态A2的隶属度,μ3(x)为评价指标对于异常状态A3的隶属度,μ4(x)为评价指标对于严重状态A4的隶属度,x为评价指标,x1、x2、x3、x4分别为正常,注意,异常,严重状态的阈值。
3.优先级II&双向劣化
这类指标模型分为三阶段。
第一阶段,可建成线性变化的斜线模型;第二阶状态变化不大,可以建成状态恒定的水平线模型;第三阶段,建立正态分布模型。
具体的隶属度函数为:
其中,μ1(x)、μ2(x)、μ3(x)为分别表示指标状态对模糊集A1(正常)、模糊
集A2(轻度劣化)、模糊集A3(重度劣化)的隶属度,x1、x2分别为从初始到轻度劣化的过渡值和轻度劣化到正常状态的过渡值,x3、x4、、x5分别表示为正常,轻度劣化,重度劣化的临界点。
4.优先级III&单向劣化
这类指标对于数字化电子互感器运行状态评估重要性较低,因此不需要建立特别精确的隶属度函数模型。为了便于后续计算分析,本发明选择梯形分布的隶属度函数作为该类评价指标的隶属度函数。
如图7所示,优先级III&单向劣化指标隶属度函数公式为:
其中,μ1(x)为评价指标对于正常状态A1的隶属度,μ2(x)为评价指标对于注意状态A2的隶属度,μ3(x)为评价指标对于异常状态A3的隶属度,μ4(x)为评价指标对于严重状态A4的隶属度。x1、x2、x3、x4、、x5、x6分别表示正常点、进入轻度劣化点、结束轻度劣化点、进入重度劣化点、结束重度劣化点、故障点。
5.优先级III&双向劣化
依旧采用梯形分布的隶属度函数作为该类评价指标的隶属度函数。
根据图8可得优先级III&双向劣化指标隶属度函数公式,具体隶属度函数公式为:
其中,μ1(x)、μ2(x)、μ3(x)为分别表示指标状态对模糊集A1(正常)、模糊集A2(轻度劣化)、模糊集A3(重度劣化)的隶属度。x1、x2、x3、x4、、x5、x6、x7、x8、x9、x10、、x11、x12分别表示为故障点、首次进入重度劣化点、首次结束重度劣化点、首次进入轻度劣化点、首次结束轻度劣化点、进入正常点、结束正常点、再次进入轻度劣化点、再次结束轻度劣化点、再次进入重度劣化点、再次结束重度劣化点、故障点。
建立完成各个评价指标的隶属度函数后,根据相关的标准设置参数,即可求得具体的隶属度。
考虑到数字化电力互感器的多样性,没有任何一个装置同类评价指标评估结果可以作为一般化代表,因此各指标评估结果都需要作为输入信号项,这就导致输入层神经元个数的激增,进而导致神经网络结构的复杂化,影响训练的速度和结果。为避免该问题的发生,采取参照评价指标的层级对应建立多个神经网络的措施,具体对应关系如下:
一、神经网络建立与层级评价体系的分层对应
(1)环境因素层级(表征运行环境)
包括"温度"、"相对湿度"、"震动"、"噪声"四个环境因素指标,由于环境因素对数字化电力互感器影响作用较小,不再对其单独建立BP神经网络进行训练,而是采取专家评估的方式,利用专家积累的经验给出各指标的影响权重评分,建立下表2:
表2不同指标权重的专家评分表
将"温度"、"相对湿度"、"震动"、"噪声"四个指标的权重分别记为wa1、wa2、wa3、wa4,可通过以下公式计算:
通过专家评估的方式得到wa1、wa2、wa3、wa4,后,可以将溫度和相对湿度的隶属度计算结果进行加权计算,获取环境因素的评估结果。
(2)数学化电力互感器层级(表征配电设备状态)
包括"投运时间"、"近三年累计故障次数"、"同型号累计故障次数"3个指标。对其建立神经网络时,输入信号为"投运时间"、"近三年累计故障次数"、"同型号累计故障次数"3个指标的隶属度计算结果,输出期望为该装置(数学化电力互感器)的实时状态。同时考虑到的数字化电力互感器不仅仅是一个或者一种,将所有的数字化电力互感器个数记为N,并按照各自特点的相似性分类,记为M类,建立M个神经网络对所有数字化电力互感器中"投运时间"、"近三年累计故障次数"、"同型号累计故障次数"评价指标的影响权重进行计算,分别记为
其中上标X表示M类数字化电力互感器的第X类。
各类智能装置的指标权重确立后,可以对各数字化电力互感器的评价指标进行加权计算,获取该装置的状态评估结果。
(3)绝缘性能层级(表征网络通信***绝缘性能)
包括"电晕放电"、"沿面放电"、"内部放电"、"悬浮放电"4个评价指标,在神经网络建立时,输入信号为这4个指标的隶属度计算结果,输出期望为通信***的实时状态。通过神经网络模型计算可得到的这4个指标对绝缘性能的影响权重,分别记为wc1、wc2、wc3、wc4,将各指标的隶属度计算结果按这些权重加权计算,可获取绝缘性能的状态评估结果。
二、神经网络模型建立
用BP神经网络来计算数字化电力互感器状态评估体系中指标权重需要建立多个BP神经网络,但是所有神经网络的建模过程是一致的,区别仅在于部分约束条件的不同。
BP神经网络由输入层、中间层和输出层组成,中间层也就是隐含层,可以是一层或多层。该种网络的学习过程包含两部分;工作信号的正向传播和误差信号的反向传播。这两个过程反复进行迭代,使得误差信号达到允许的范围之内,即完成学习过程利用BP神经网络来确定指标权重。其基本的应用思路主要是是以BP神经网络训练模型来拟合数字化电力互感器的状态评估过程,当拟合结果与期望的输出,即与实际状态一致时,即可利用现有的公式来计算指标权重,具体的:
首先选取特殊时间节点的数字化电力互感器***状态作为神经网络训练样本,以各样本指标的隶属度函数计算得到的评估结果为输入信号,通过模糊评估模型求取,以样本中某一模块的实时状态作为期望输出,由于这类状态信息无法进行一般化定量评估,所以将特殊时间节点定位于明显故障点以及检修后的初步稳定期;
其次是神经网络的迭代学习过程,当样本的训练结果达到对实际过程的拟合要求后,训练结束;
最后根据既有的研究成果中的公式计算输入信号对输出结果的影响权重,做归一化处理,即可得到各指标权重。
本发明以数学化电力互感器层级(表征配电设备状态)为例介绍BP神经网络模型的建立及应用:
1、神经网络结构
BP神经网络由输入层、隐含层和输出层三部分组成:
输入层:以字母I表示,输入层神经元个数即输入信号的维数,标记为ni。以通信***为例,输入信号包括"投运时间"、"近三年累计故障次数"、"同类型累计故障次数"3个指标的评估结果,则输入层神经元的个数为3。
输出层:以字母O表示,输出层神经元个数同样等于输出信号的维数,标记为n0,输出期望为该***实时状态评估结果,则输出层神经元的个数为1。
隐含层;以字母H表示,BP神经网络中隐含层可以为1层,也可以为多层。查阅相关文献可知,如BP网络的隐含层神经元节点数可根据需要自由设定,那么一个单隐层BP神经网络足任意精度逼近任何连续函数,隐含层神经元节点数可参照下面公式计算:
其中ni为输入层节点数;k为输出层节点数;k为1到10之间的常数,以设备状态模块为例,带入输入层和输出层神经元的个数3和1,k取最大值10,可得隐含神经元节点数为13。
连接权值矩阵:神经网络中常用wij表示神经元i和神经元j之间的联接强度,称之为连接权值。所有输入层神经元与隐含层神经元之间的连接权值组成的权值矩阵成为输入一隐含层权值矩阵,记为WIH;所有隐含层神经元与输出层神经元么间的连接权值组成的权值矩阵成为隐含一输出层权值矩阵,记为WHO。
2、神经网络约束条件
BP神经网络结构确定后,需要对神经网络各类约束条件进行设置,BP神经网络的约束条件主要包括激励函数、目标函数和网络初始权值及其学习参数三类,本发明对这三类约束条件进行如下设置:
激励函数:
激励函数用于限制神经元的输出,将输出信号压缩在一个允许范围内。本发明的激励函数采用如下方案,隐含层的神经元采用可微的Sigmoid函数,其公式为:
输出层的神经元采用线性激活函数,其公式为:
其中,n表示上层神经元的个数,wi和xi分别表示上层神经元与该神经元的连接权值和向该神经元传输的信号。
目标函数:
目标函数即误差能量函数,是计算实际输出与期望输出之间误差信号的函数,其与任意两神经元连接权值之间的梯度函数是连接权值学习调整时需要参照的约束条件。
BP神经网络的目标函数公式为:
其中Oe表示输出层的期望输出,Oa表示输出层的实际输出。
网络初始权值及其学习参数:
网络初始权值是指神经网络学习初对输入一隐含层权值矩阵和隐含一输出层权值矩阵的初始设置值,分别记为WIH(t0)和WHO(t0)。
权值的初始值设定在神经网络学习过程是非常重要的,通常选择(-2.4/n,2.4/n)之间的均匀分布的小数经验值,其中n为所连单元的输入端个数。另外,为避免每一步权值的调整方向是同向的,应将初始权值设为随机数。BP神经网络的学习训练过程,就是对网络中各连接权值的学习调整过程,其中涉及到调整参数,就是学习参数。BP神经网络中权值的修正量与误差能量对权值的偏微分成正比,这一比例系数称为η学习步长,记作而权值的修正;而权值的修正量称为学习速率,记作λ。学习速率过大时,导致BP神经网络的学习收敛过快,会引起网络振荡;学习速率过小时,则学习收敛速度过慢为避免这一情况,引入几个新的学习参数一加速学习步长η+、减速学习步长η-及权重学习速率的上下限λmin、λmax。学习初始阶段,使用加速学习步长η+,加速初期的收敛过程;当误差因学习收敛变得较小时,使用减速学习步长η-,保证稳定收敛,同时送两个过程中学习速率都必须在权重学习速率的λmin、λmax上下限之间。
3、样本的学习训练过程
BP神经网络的结构跟约束条件确定后,就可以对样本进行学习训练,如图9所示,具体步骤包括:
(1)随机输入样本,并记下迭代次数n=0;
(2)前向计算每层神经元的输入和输出,得到神经网络的最终输出结果Oa(n),由输出Oe和实际输出Oa(n)计算误差能量EO。
(3)判断误差能量EO。是否小于ε满足转步骤(6),不满足则转步骤(4);
(4)反向计算每层神经元的局部梯度,此计算学习速率λ,并修正连接权值,n=n+1;
(5)判断迭代次数n是否大于N,大于转步骤(6),不大于转步骤(2);
(6)判断是否学习完所有的训练样本,是则结束,并保留网络中各连接权值,否则转至步骤(1)。
4、评估体系中指标权重的修正
通过利用各BP神经网络的特殊时间节点样本的训练拟合,可以得到各自网络的连接权值,利用这些权值可以求出输入信号(即评估体系中对应的评价指标)对输出信号(即评估体系中相应的上级指标)的影响权重。
利用网络的连接权值求取这一权重的公式,如下所示的公式:
其中w′cj表示神经网络中第j个输入信号对输出信号的影响权重,nh和分别表示输入层和隐含层的神经元节点数目,公式右侧的w全部表示神经网络间的各类连接权值,其上标中i、h、o分别对应神经网络的输入层、隐含层和输出层,其下标中k、m、n分别指向输入层、隐含层和输出层的神经元,n在此处实为1。利用上述公式计算得到相关权重后,还要对其进行归一化处理,才是评估指标权重的最终结果,计算公式如下;
其中wcj表示数学化电力互感器层级中第j个评价指标信号对该***整体状态的影响权重,N表示通信***模块评估的评价指标个数。
实际工程实践中,随着地域和时令等因素的变化,评估体系中各类指标的权重并不是一成不变的。为了避免这种变化引起的评估结果的误差,在实际的评估工作中,需要根据外界条件的变化对指标权重做出相应的修正。
在对各指标权重进行修正时,仍然采用BP神经网络训练的方法,重新截取新环境中特殊时间节点的样本,训练完成后其修正计算公式依然采用上述公式。而且由于神经网络的记忆功能,修正过程中训练工作往往可以很快地收敛和结束,有效提高了修正工作的效率。
步骤5:采用模糊评价矩阵进行模糊运算,运算结果归一化后,结合步骤2的划分结果得到最终的评价结果。
代入实际数据即可求得每个评价指标的评估结果,评估结果采用如下形式:
(μ1(x),μ2(x),μ3(x),μ4(x))。
实施例1
按照步骤1-5,根据相关数字化电力互感器运行数据,对数字化电力互感器健康状态进行评估。首先对评价指标的数据信息进行收集,然后计算各个评价指标信息的隶属度。根据不同层级评价指标的重要程度,应用BP神经网络确定评价指标权重,计算得到数字化电力互感器的状态。
评价指标的数据信息收集
将在线监测***和历史数据库中收集到的数字化电力互感器数据根据评价指标的分类进行整理,如果有数据缺失,则选取就近时间段的数据,如果缺失范围过大,则检查该设备情况。下面选取三个时刻的状态信息进行评估。
环境因素:
温度,数据完整,分别为8.5℃、17.7℃、21.2℃。
相对湿度,数据完整,分别为37%、44%、66%。
震动,数据完整,分别为5mm/s,8mm/s,10mm/s。
噪声,数据完整,分别为45db、50db、60db。
根据上述收集的信息,可以建立如表3所示的环境因素信息表。
表3三个时刻的环境因素信息表
其中U1,U2、U3、U4分别代表温度、相对湿度、震动、噪声指标。
数字化电力互感器、绝缘性能:数据完整,这里收集了三个时刻设备的信息,如表4所示。
其中,U5、U6、U7、U8分别代表开投运时间、近三年累计故障次数、同型号累计故障次数和绝缘性能。
表4三个时刻配电设备信息表
1 | 2 | 3 | |
U<sub>5</sub> | 3年 | 7年 | 13年 |
U<sub>6</sub> | 2次 | 5次 | 7次 |
U<sub>7</sub> | 15次 | 16次 | 18次 |
U<sub>8</sub> | 正常 | 电晕放电异常 | 正常 |
对于评价指标隶属度的计算,需要查找相关行业标准,根据相关的行业标准合理确定参数阈值x1、x2、x3、x4等的值、,具体数值的确定可根据国家电网公司的有关标准。根据确定的参数值,可以得到各个评价指标对于评价等级的隶属度函数,将各类评价指标信息代入对应的公式计算得到各个评价指标的隶属度,然后需要按层级,从低到高计算得到数字化电力互感器最终的状态结果。因此,需要对每个层级的评价指标设置一定的权重。
每个评价指标对于数字化电力互感器状态的影响都不尽相同,因此根据评价指标的重要程度对评价指标赋予相应的权重。目前权重的赋予尚未有理论的支撑,还处于研究阶段,实际工程中根据经验进行权重赋值。
本发明实施例通过BP神经网络对评价指标的权重赋值如表5所示。
表5数字化电力互感器评价指标权重
将同过BP神经网络得到的全都中带入模糊权重分配向量A=(a1,a2,…,am),最终通过模糊运算得到模糊综合评价结果为:
数字化电力互感器状态评估结果;
根据的数据处理和评价指标的权重赋值,低级的评价指标加权求和得到高一级指标评价结果,得到数字化电力互感器状态评价结果如表6所示。
表6三个时刻数字化电力互感器状态评估结果
采用雷达图直观表达数字化电力互感器各评价指标以及最终状态如图10、11所示。
经计算可知三个时刻数字化电力互感器状态整体良好,第一时刻数字化电力互感器运行更加稳定,第二,第三时刻状态有些指标已经进入异常或者严重状态。根据第一级的指标数据分析可知,第一时刻、第二时刻的环境已经进入了注意的状态,可以打开空调进行温度和湿度的调节,第三时刻的环境已经进入异常状态,经检查,相对湿度过大,需要及时除湿;第二时刻的数字化电力互感器整体运行较好,但某部分指标已经超出了阈值,达到严重状态;第三时刻进入严重状态,需要及时对数字化电力互感器进行维护。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (14)
1.一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
所述方法包括以下步骤:
步骤1:选取影响数字化电力互感器状态的评价指标并进行层级划分;
步骤2:划分数字化电力互感器的评估状态;
步骤3:对评价指标进行优先级和劣化方向分类;
步骤4:分别建立各类别的评价指标隶属度函数,通过应用BP神经网络确定不同层级评价指标的权重,获得模糊评价矩阵;
步骤5:采用模糊评价矩阵进行模糊运算,运算结果归一化后,得到最终的评价结果。
2.根据权利要求1所述的一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
步骤1中,选取影响数字化电力互感器状态的评价指标并进行层级划分,得到:
第一层级的评价指标为:数字化电力互感器指标、环境因素指标、绝缘性能指标;
所述数字化电力互感器指标的第二级评价指标确定为:投运时间、近三年累计故障次数和同型号累计故障次数;
所述投运时间是自设备开始运行的累计运行时间;
所述近三年累计故障次数是设备最近运行的三年中累计故障次数;
所述同型号累计故障次数是一年运行时间内若干同型号设备累计故障次数的平均值;
所述环境因素指标的第二级评价指标确定为:温度、相对湿度、震动和噪声;
所述绝缘性能指标的第二级评价指标确定为:电晕放电、沿面放电、内部放电、悬浮放电四种放电类型。
3.根据权利要求1所述的一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
步骤2中,将数字化电力互感器的评估状态划分为正常状态、注意状态、异常状态、严重状态这4种状态;
所述正常状态是指各个评价指标都处于稳定的范围之内,设备运行正常;
所述注意状态是指部分评价指标变化趋势逐渐脱离稳定的范围,向着阈值方向发展,目前设备依然可以正常运行,但是需要加强监视;
所述异常状态是指评价指标变化较大,存在评价指标已经接近或者超出异常状态阈值,需要加强监视,同时需要采取一定的措施进行检修;
所述严重状态是指评价指标超出严重状态阈值,需要立刻采取措施。
4.根据权利要求1所述的一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
步骤3中,将所有指标的优先级分为如下三类:
优先级I:这类指标中单一的指标状态变化可引起相应模块的运行故障;
优先级II:这类指标中多项指标的状态变化才会引起相应模块的运行故障;
优先级III:这类指标的状态变化不会引起相应模块的运行故障。
5.根据权利要求4所述的一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
步骤3中,将所有指标的劣化方向分为如下两类:
单向劣化:只有指标低于或者高于某个阈值时,数字化电力互感器状态才会发生变化;
双向劣化:不论指标低于低阈值或者高于高阈值,数字化电力互感器状态都会发生变化。
11.根据权利要求5所述的一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
步骤4中,优先级III且为双向劣化类型指标,选择梯形分布的隶属度函数作为该类评价指标的隶属度函数,隶属度函数公式为:
其中,μ1(x)、μ2(x)、μ3(x)为分别表示指标状态对模糊集A1、模糊集A2、模糊集A3的隶属度;
x1、x2、x3、x4、、x5、x6、x7、x8、x9、x10、、x11、x12分别表示为故障起点、首次进入重度劣化点、首次结束重度劣化点、首次进入轻度劣化点、首次结束轻度劣化点、进入正常点、结束正常点、再次进入轻度劣化点、再次结束轻度劣化点、再次进入重度劣化点、再次结束重度劣化点、故障终点;
模糊集A1、模糊集A2、模糊集A3分别表示指标状态正常、轻度劣化、重度劣化。
12.根据权利要求1所述的一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
步骤4中,根据评价指标的层级,分别建立数字化电力互感器、环境因素、绝缘性能层级的指标权重模型;
其中,对于环境因素层级,采用专家评估的方式建立指标权重模型。
13.根据权利要求12所述的一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
对于数字化电力互感器层级,基于BP神经网络建立指标权重模型,输入信号为投运时间、近三年累计故障次数、同型号累计故障次数3个指标的隶属度计算结果,输出期望为数学化电力互感器的实时状态,通过训练模型来拟合数字化电力互感器的状态评估过程,当拟合结果与实际状态一致时,得到对应的指标权重模型。
14.根据权利要求12所述的一种数字化电力互感器健康状态模糊综合评价方法,其特征在于:
对于绝缘性能层级,基于BP神经网络建立指标权重模型,输入信号为电晕放电、沿面放电、内部放电、悬浮放电4个指标的隶属度计算结果,输出期望为网络通信***的实时状态,通过训练模型来拟合网络通信***的状态评估过程,当拟合结果与实际状态一致时,得到对应的指标权重模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015949.5A CN113591402A (zh) | 2021-08-31 | 2021-08-31 | 一种数字化电力互感器健康状态模糊综合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015949.5A CN113591402A (zh) | 2021-08-31 | 2021-08-31 | 一种数字化电力互感器健康状态模糊综合评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591402A true CN113591402A (zh) | 2021-11-02 |
Family
ID=78240496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111015949.5A Pending CN113591402A (zh) | 2021-08-31 | 2021-08-31 | 一种数字化电力互感器健康状态模糊综合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591402A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887846A (zh) * | 2021-12-07 | 2022-01-04 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器的超差风险预警方法 |
CN114609899A (zh) * | 2022-03-17 | 2022-06-10 | 华中科技大学 | 一种基于多传感器协同的净化箱环境测控方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621434A (zh) * | 2012-04-19 | 2012-08-01 | 山东大学 | 一种电力电缆隧道运行安全非线性模糊检测方法 |
CN103954897A (zh) * | 2014-05-20 | 2014-07-30 | 电子科技大学 | 基于紫外成像的智能电网高压绝缘损坏监控***及方法 |
CN205374710U (zh) * | 2016-01-28 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种电子式互感器评估*** |
CN106093733A (zh) * | 2016-07-30 | 2016-11-09 | 清华大学 | 电晕电流的测量装置及用其进行多点电晕电流定位方法 |
CN107390156A (zh) * | 2017-06-19 | 2017-11-24 | 国网湖南省电力公司计量中心 | 一种基于基波零序特征的电力互感器状态监测方法及装置 |
CN110580578A (zh) * | 2019-08-28 | 2019-12-17 | 国网湖北省电力有限公司电力科学研究院 | 一种智能变电站二次***运行质量多分层评价方法 |
CN111598456A (zh) * | 2020-05-18 | 2020-08-28 | 电子科技大学 | 一种电子式互感器的状态评估方法 |
CN112163371A (zh) * | 2020-09-18 | 2021-01-01 | 山东电工电气集团有限公司 | 一种变压器套管状态评估方法 |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN112285631A (zh) * | 2020-09-29 | 2021-01-29 | 上海许继电气有限公司 | 一种电流互感器主动预警的判断方法及*** |
-
2021
- 2021-08-31 CN CN202111015949.5A patent/CN113591402A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621434A (zh) * | 2012-04-19 | 2012-08-01 | 山东大学 | 一种电力电缆隧道运行安全非线性模糊检测方法 |
CN103954897A (zh) * | 2014-05-20 | 2014-07-30 | 电子科技大学 | 基于紫外成像的智能电网高压绝缘损坏监控***及方法 |
CN205374710U (zh) * | 2016-01-28 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种电子式互感器评估*** |
CN106093733A (zh) * | 2016-07-30 | 2016-11-09 | 清华大学 | 电晕电流的测量装置及用其进行多点电晕电流定位方法 |
CN107390156A (zh) * | 2017-06-19 | 2017-11-24 | 国网湖南省电力公司计量中心 | 一种基于基波零序特征的电力互感器状态监测方法及装置 |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN110580578A (zh) * | 2019-08-28 | 2019-12-17 | 国网湖北省电力有限公司电力科学研究院 | 一种智能变电站二次***运行质量多分层评价方法 |
CN111598456A (zh) * | 2020-05-18 | 2020-08-28 | 电子科技大学 | 一种电子式互感器的状态评估方法 |
CN112163371A (zh) * | 2020-09-18 | 2021-01-01 | 山东电工电气集团有限公司 | 一种变压器套管状态评估方法 |
CN112285631A (zh) * | 2020-09-29 | 2021-01-29 | 上海许继电气有限公司 | 一种电流互感器主动预警的判断方法及*** |
Non-Patent Citations (2)
Title |
---|
刘旭: "智能变电站二次***的状态评估", 中国优秀硕士学位论文全文数据库·工程科技II辑, pages 18 - 61 * |
国家电网公司武汉高压研究所: "电力监测与故障诊断技术全书 变压器、电抗器、互感器卷 下", pages: 753 - 756 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887846A (zh) * | 2021-12-07 | 2022-01-04 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器的超差风险预警方法 |
CN114609899A (zh) * | 2022-03-17 | 2022-06-10 | 华中科技大学 | 一种基于多传感器协同的净化箱环境测控方法及*** |
CN114609899B (zh) * | 2022-03-17 | 2024-05-24 | 华中科技大学 | 一种基于多传感器协同的净化箱环境测控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
CN107725283A (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN111879349A (zh) | 一种传感器数据偏差自适应修正方法 | |
CN113313371B (zh) | 配电网风险评估方法、装置、计算机设备及存储介质 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及*** | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN114169683A (zh) | 基于模糊综合评价理论的发电机励磁***状态评价方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN110580578A (zh) | 一种智能变电站二次***运行质量多分层评价方法 | |
CN116307844A (zh) | 一种低压台区线损评估分析方法 |
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 |