CN113868848B - 加权灰靶算法和模拟退火法的变压器状态评估方法 - Google Patents
加权灰靶算法和模拟退火法的变压器状态评估方法 Download PDFInfo
- Publication number
- CN113868848B CN113868848B CN202111083839.2A CN202111083839A CN113868848B CN 113868848 B CN113868848 B CN 113868848B CN 202111083839 A CN202111083839 A CN 202111083839A CN 113868848 B CN113868848 B CN 113868848B
- Authority
- CN
- China
- Prior art keywords
- target
- transformer
- state
- gray
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 239000007789 gas Substances 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 32
- 241001522301 Apogonichthyoides nigripinnis Species 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000000137 annealing Methods 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 11
- 238000013210 evaluation model Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及基于加权灰靶算法和模拟退火法的变压器状态评估方法，包括以下步骤：对靶心度进行分级，获得靶心度参考值；对变压器油中的气体含量进行灰靶模型建模以获得灰靶模型，并根据灰靶模型计算靶心系数；基于模拟退火法对灰靶模型中的各个指标进行权重寻优处理，确定各个指标的权重；各个指标为变压器油中各种气体的含量；根据靶心系数和各个指标的权重，获得靶心度计算值；根据靶心度计算值和靶心度参考值对变压器的状态进行评估。本发明利用加权灰靶算法进行靶心系数计算，再利用模拟退火法进行指标权重寻优，从而可以得到准确的靶心度，进而可以准确可靠地评估变压器状态。
Description
技术领域
本发明涉及变压器状态评估的技术领域，更具体地说，涉及一种基于加权灰靶算法和模拟退火法的变压器状态评估方法。
背景技术
电力变压器是电力***的重要电气设备，确保电力变压器的正常运行对于提高供电可靠性具有重要意义。目前，我国的电力变压器检修策略已经逐步由原来的计划检修过渡到状态检修。计划检修一方面不能及时地发现电力变压器的异常运行状态，尤其是当电力变压器内部存在潜伏性故障时，电力变压器仍然能够维持运行一段时间，但是在这期间潜伏性故障可能逐渐发展成为严重故障，进而损坏电力变压器。另一方面，为了确保电力变压器的可靠运行，往往存在“检修过剩”的情况，相比于状态检修，计划检修显得效率低下。状态检修策略则是被认为是设备检修方式中效率最高的一种方式，该策略使检修工作更加合理化和科学化，可以有效降低设备检修费用。
变压器状态评估指标可以大致分成以下几类：油色谱指标、电气试验指标、油化试验指标、附件及运行记录指标。其中，电气试验指标和油化试验指标都需要采用离线方式获得，这类指标的获取需要花费更多的时间成本和经济成本。油色谱指标主要是指变压器中油中H2、CH4、C2H6、C2H4、C2H2等特征气体的含量，由于电力变压器普遍装有油色谱在线监测装置，该类指标的获取相对比较容易。另外，研究表明利用油色谱指标分析变压器的运行状态具有较高的可靠性。综合考虑，采用油色谱指标进行变压器状态评估，在成本控制以及可靠性方面具有优势。
然而，正常运行状态下的电力变压器同样会产生上述特征气体，因此不能仅仅通过在变压器油中检测到某种组分的气体即认为变压器内部存在异常。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于加权灰靶算法和模拟退火法的变压器状态评估方法。
本发明解决其技术问题所采用的技术方案是：构造一种基于加权灰靶算法和模拟退火法的变压器状态评估方法，包括以下步骤：
对靶心度进行分级，获得靶心度参考值；
对变压器油中的各气体含量进行灰靶模型建模以获得灰靶模型，并根据所述灰靶模型计算靶心系数；
基于模拟退火法对所述灰靶模型中的各个指标进行权重寻优处理，确定各个指标的权重；所述各个指标为所述变压器油中各种气体的含量；
根据所述靶心系数和所述各个指标的权重，获得靶心度计算值；
根据所述靶心度计算值和所述靶心度参考值对所述变压器的状态进行评估。
在本发明所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法中，所述对变压器油中的各气体含量进行灰靶模型建模以获得灰靶模型，并根据所述灰靶模型计算靶心系数包括：
获取状态模式指标序列；
根据所述变压器油中的气体含量和所述状态模式指示序列构造标准模式指标序列；
对所述状态模式指标序列进行灰靶变换，获得灰靶变换指标序列；
根据所述标准模式指标序列和所述灰靶变换指标序列，计算差异信息空间；
基于所述差异信息空间和分辨系数，计算所述靶心系数。
在本发明所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法中，所述灰靶变换指标序列通过以下式子获得：
式中：T(sj(i))表示对第j个状态模式指标序列中的第i个指标进行灰靶变化，sj(i)为第j个状态模式指标序列中的第i个指标，s0(i)为标准模式指标序列的第i个指标。
在本发明所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法中，所述根据所述标准模式指标序列和所述灰靶变换指标序列，计算差异信息空间包括：
将每一个灰靶变换指标序列与其对应的标准模式指标序列作差，获得每一个灰靶变换指标序列与其对应的标准模式指标序列的差值；
对所述差值取绝对值，获得每一个灰靶变换指标序列与其对应的标准模式指标序列的差值绝对值；
所有灰靶变换指标序列与其对应的标准模式指标序列的差值绝对值形成所术差异信息空间。
在本发明所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法中，所述基于模拟退火法对所述灰靶模型中的各个指标进行权重寻优处理，确定各个指标的权重包括：
基于所述灰靶模型中的各个指标的权重，确定待优化变量；
对所述待优化变量和所述模拟退火法的算法参数进行初始化；
在完成初始化后，计算所述待优化变量的目标函数值；
对所述待优化变量的目标函数值进行迭代测试；
对迭代测试过程中产生的所有测试点进行接收判定；
根据接收判定结果继续进行循环迭代测试；
在进行循环迭代测试过程中，判断是否满足收敛条件；
若满足收敛条件，则输出当前解；所述当前解为所述待优化变量中的最优解；
根据所述当前解确定指标的权重。
在本发明所述的加权灰靶算法和模拟退火法的变压器状态评估方法中，所述方法还包括：
在进行循环迭代测试过程中，调整迭代步长；
在根据调整后的迭代步长进行多次迭代后，进行冷却操作。
在本发明所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法中，所述靶心度计算值通过以下式子获得：
式中：ξ(Xr，X0)为靶心度；γ(xj(i)，x0(i))为靶心系数；ωi表示第i个指标的权重。
在本发明所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法中，所述靶心度参考值包括：第一范围值、第二范围值、第三范围值、第四范围值和第五范围值；
所述第一范围值为：0.9～1；所述第二范围值为：0.6～0.9；所述第三范围值为：0.5～0.6；所述第四范围值为：0.4～0.5；所述第五范围值为：0.33～0.4。
在本发明所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法中，所述根据所述靶心度计算值和所述靶心度参考值对所述变压器的状态进行评估包括：
将所述靶心度计算值分别与所述第一范围值、所述第二范围值、所述第三范围值、所述第四范围值和所述第五范围值进行比较；
若所述靶心度计算值在所述第一范围值内，则判定所述变压器的状态为健康状态；
若所述靶心度计算值在所述第二范围值内，则判定所述变压器的状态为正常状态；
若所述靶心度计算值在所述第三范围值内，则判定所述变压器的状态为轻度故障状态；
若所述靶心度计算值在所述第四范围值内，则判定所述变压器的状态为中度故障状态；
若所述靶心度计算值在所述第五范围值内，则判定所述变压器的状态为严重故障状态。
本发明还提供一种电子设备，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序时，实现以上所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法。
实施本发明的基于加权灰靶算法和模拟退火法的变压器状态评估方法，具有以下有益效果：包括以下步骤：对靶心度进行分级，获得靶心度参考值；对变压器油中的各气体含量进行灰靶模型建模以获得灰靶模型，并根据灰靶模型计算靶心系数；基于模拟退火法对灰靶模型中的各个指标进行权重寻优处理，确定各个指标的权重；各个指标为变压器油中各种气体的含量；根据靶心系数和各个指标的权重，获得靶心度计算值；根据靶心度计算值和靶心度参考值对变压器的状态进行评估。本发明利用加权灰靶算法进行靶心系数计算，再利用模拟退火法进行指标权重寻优，从而可以得到准确的靶心度，进而可以准确可靠地评估变压器状态。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的基于加权灰靶算法和模拟退火法的变压器状态评估方法的流程示意图；
图2是本发明实施例提供的靶心系数计算的流程示意图；
图3中本发明实施例提供的指标权重寻优的流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1，为本发明提供的基于加权灰靶算法和模拟退火法的变压器状态评估方法一可选实施例的流程示意图。
该基于加权灰靶算法和模拟退火法的变压器状态评估方法是基于变压器油中的溶解气体数据，利用加权灰靶算法建立变压器状态评估模型，并利用模拟退火法通过对样本训练获得加权灰靶算法中各个指标的最优权重组合，进而得到对应的靶心度，从而基于所得到的靶心度评估变压器的状态。
具体的，如图1所示，该基于加权灰靶算法和模拟退火法的变压器状态评估方法，其特征在于，包括以下步骤：
步骤S101、对靶心度进行分级，获得靶心度参考值。
本发明实施例中，靶心度参考值包括：第一范围值、第二范围值、第三范围值、第四范围值和第五范围值。其中，第一范围值为：0.9～1；第二范围值为：0.6～0.9；第三范围值为：0.5～0.6；第四范围值为：0.4～0.5；第五范围值为：0.33～0.4。
其中，对变压器的各状态靶心度分级如下表1所示。
| 状态类型 | 靶心度范围 |
| 健康 | [0.9，1] |
| 正常 | [0.6，0.9) |
| 轻度故障 | [0.5，0.6) |
| 中度故障 | [0.4，0.5) |
| 严重故障 | [0.33，0.4) |
表1
步骤S102、对变压器油中的各气体含量进行灰靶模型建模以获得灰靶模型，并根据灰靶模型计算靶心系数。
一些实施例中，如图2所示，对变压器油中的各气体含量进行灰靶模型建模以获得灰靶模型，并根据灰靶模型计算靶心系数包括：
步骤S1021、获取状态模式指标序列；
步骤S1022、根据变压器油中的气体含量和状态模式指示序列构造标准模式指标序列。
本发明实施例中，通过对变压器油中的气体构造标准模式，设有n种气体，则对应的有n个评价指标。
首先，构建指标序列：S＝(s(1)，s(2)，…，s(n))，其中s(i)(i＝1，2，…，n)表示第i个指标。如果使用m个状态模式指标序列构造标准模式，则这m个指标序列称为典型状态模式指标序列，第j个状态模式指标序列表示为Sj(j＝1，2，…，m)，其中有Sj＝(sj(1)，sj(2)，…，sj(n))。记标准模式为S0＝(s0(1)，s0(2)，…，s0(n))，则标准模式指标序列值确定方法如下：
当指标i有极大值极性时，s0(i)＝max(sj(i))(j＝1，2，…，m)。
当指标i有极小值极性时，s0(i)＝min(sj(i))(j＝1，2，…，m)。
当指标i有适中极性时，
步骤S1023、对状态模式指标序列进行灰靶变换，获得灰靶变换指标序列。
本发明实施例中，灰靶变换是为了让指标序列中各个指标具有相同数量级，防止出现指标之间的数值差异过大而出现“信息湮没”现象。
具体的，设符号“T”表示灰靶变换，则有T(Sj)＝Xj、T(sj(i))＝xj(i)，其中，灰靶变换后的指标序列即灰靶变换指标序列为：Xj＝(xj(1)，xj(2)，…，xj(n))。灰靶变换指标序列中的指标xj(i)(i＝1，2，…，n)通过以下式子获得：
式中：T(sj(i))表示对第j个状态模式指标序列中的第i个指标进行灰靶变化，sj(i)为第j个状态模式指标序列中的第i个指标，s0(i)为标准模式指标序列的第i个指标。
其中，灰靶变换指标序列Xj中的指标取值范围为(0，1)，sj(i)越接近s0(i)，则xj(i)越接近1；相反地，如果sj(i)离s0(i)越远，则xj(i)越接近0。因此，实际上灰靶变换可以看成是测算指标序列Xj中的指标与标准模式指标序列S0中的指标的距离(归一化之后的距离)。特别地，对于标准模式指标序列S0，其灰靶变换之后的指标序列X0＝(x0(1)，x0(2)，…，x0(n))＝(1，1，…，1)。
步骤S1024、根据标准模式指标序列和灰靶变换指标序列，计算差异信息空间。
一些实施例中，根据标准模式指标序列和灰靶变换指标序列，计算差异信息空间包括：将每一个灰靶变换指标序列与其对应的标准模式指标序列作差，获得每一个灰靶变换指标序列与其对应的标准模式指标序列的差值；对差值取绝对值，获得每一个灰靶变换指标序列与其对应的标准模式指标序列的差值绝对值；所有灰靶变换指标序列与其对应的标准模式指标序列的差值绝对值形成所术差异信息空间。
可以理解地，灰靶变换指标序列Xj与标准模式指标序列X0的差异信息为Δ0j，所有差异信息统称为差异信息空间。
具体的，Δ0j＝(Δ0j(1)，Δ0j(2)，…，Δ0j(n）)，Δ0j(i)的表达式如下：
Δ0j(i)＝|x0(i)-xj(i)|＝|1-xj(i)| (2)。
Δ0j表征的是指标序列Xj与标准模式指标序列X0的差异程度，差异程度越小，则Δ0j中的指标值越小。
步骤S1025、基于差异信息空间和分辨系数，计算靶心系数。
具体的，设第j个灰靶变换指标序列的第i个指标靶心系数为：γ(xj(i)，x0(i))，则根据靶心系数的定义γ(xj(i)，x0(i))的计算方式如下：
其中表示Δ0j(i)(j＝1，2，…，m+1)(i＝1，2，…，n)的最小值，表示Δ0j(i)(j＝1，2，…，m+1)(i＝1，2，…，n)的最大值。m+1个指标序列由m个典型状态模式指标序列和1个待模式识别指标序列Xr组成。公式(3)中的参数ρ称为分辨系数，通常取值为0.5。
步骤S103、基于模拟退火法对灰靶模型中的各个指标进行权重寻优处理，确定各个指标的权重；各个指标为变压器油中各种气体的含量。
一些实施例中，如图3所示，基于模拟退火法对灰靶模型中的各个指标进行权重寻优处理，确定各个指标的权重包括：
步骤S1031、基于灰靶模型中的各个指标的权重，确定待优化变量。
本发明实施例中，待优化变量为计算靶心度时各个指标的权重ωi(i＝1，2，…，n)，目标函数的定义如下：
其中，na为已标注样本数量，εk的表达式如下：
需要注意的是，公式(5)中展示的目标函数带有一个待优化变量的约束条件该约束条件可以通过以下方法消除：
其中x与ω的关系满足：
由x与ω的关系可知约束条件已自动满足。
基于此，本发明实施例中，进行模拟退火优化时，可定义xi(i＝1,2,……，n)为待优化变量，当确定xi的最优值时，根据公式(8)即可确定w的最优解。
步骤S1032、对待优化变量和模拟退火法的算法参数进行初始化。
本发明实施例中，对待优化变量初始值的选取不需要利用先验信息，因此，本发明实施例中，待优化变量的初始值可以在其定义域内随机选取。
本发明实施例中，模拟退火的算法参数需要经过多次测试，其最终取值如下：
其中，T0是初始温度，RT是冷却系数，NS是变步长迭代次数，NT是变温度迭代次数，NEND和χ则是用于设定自动终止条件。
步骤S1033、在完成初始化后，计算待优化变量的目标函数值。
具体的，在完成初始化后，根据公式(7)计算目标函数值。
步骤S1034、对待优化变量的目标函数值进行迭代测试。
步骤S1035、对迭代测试过程中产生的所有测试点进行接收判定。
本发明实施例中，可以根据蒙特卡洛法则进行接收判定。具体如下：
Δf≤0,p＝1
其中Δf＝f(x')-f(x)，x'是待进行接收判定的测试点，x是当前的取值。T是模拟退火法温度参数，p是接受该测试点的概率。如果该测试点被接受，则有x＝x'、f(x)＝f(x')，下一个测试点将会从这个新接受的点附近产生。
步骤S1036、根据接收判定结果继续进行循环迭代测试。
步骤S1037、在进行循环迭代测试过程中，判断是否满足收敛条件。
步骤S1038、若满足收敛条件，则输出当前解。当前解为待优化变量中的最优解。
步骤S1039、根据当前解确定指标的权重。
进一步地，该基于加权灰靶算法和模拟退火法的变压器状态评估方法还包括：在进行循环迭代测试过程中，调整迭代步长；在根据调整后的迭代步长进行多次迭代后，进行冷却操作。
可选的，本发明实施例中，迭代的次数可以通过NT×NS×n计算得到。其中，n为每一个维度每两次调整之间所经过的迭代次数。
可以理解地，模拟退火法在每一次迭代时，只改变一个维度的数值，因此，所有维度调整一次需要经过n次迭代。所以，完成NS×n次迭代后，需要进行步长调整，所谓步长就是迭代中允许的最大跨度，步长调整根据如下公式进行：
其中，nu(u＝1,2,…,n)是前NS次对u维度的数值变更中，被接收次数。步长调整的目的是维持接收的测试点和拒绝的测试点数量比例大体在1:1的比例，这个比例即可以保证算法可以跳出局部最优位置，又可以防止因步长过大而影响收敛速度。
进一步地，每经过NT次步长调整，模拟退火法将对温度参数T进行调整，并且温度参数T是随着迭代的进行而逐步减小的。根据公式(10)可知，温度参数T的调整最终会影响测试点被接收的概率。算法运行初期，由于温度参数T的数值较大，即使测试点的目标函数值大于当前位置的目标函数值，测试点被接收的概率仍然较大。但是，进入迭代后期时，由于温度参数T的数值小，目标函数大的测试点被接收的概率越来越小，然后算法开始收敛至某一点上。综上，模拟退火法每经过NT×NS×n次迭代后，需要进行冷却操作：
T＝RT×T (12)。
本发明实施例中，模拟退火法可以根据终止条件自动进行收敛判定，不需要设定迭代次数，其中，终止条件为：
|f(x)-f(xopt)|＜χ
其中，第一个条件表示的含义是当前位置的目标函数值与历史最小目标函数值(f(xopt))的误差限小于设定值，第二个条件表示的含义是当前位置往前最近的4×NT×NS×n次迭代中，目标函数值没有进一步减小。
步骤S104、根据靶心系数和各个指标的权重，获得靶心度计算值。
本发明实施例中，靶心度计算值通过以下式子获得：
式中：ξ(Xr，X0)为靶心度；γ(xj(i)，x0(i))为靶心系数；ωi表示第i个指标的权重。
步骤S105、根据靶心度计算值和靶心度参考值对变压器的状态进行评估。
一些实施例中，根据靶心度计算值和靶心度参考值对变压器的状态进行评估包括：将靶心度计算值分别与第一范围值、第二范围值、第三范围值、第四范围值和第五范围值进行比较；若靶心度计算值在第一范围值内，则判定变压器的状态为健康状态；若靶心度计算值在第二范围值内，则判定变压器的状态为正常状态；若靶心度计算值在第三范围值内，则判定变压器的状态为轻度故障状态；若靶心度计算值在第四范围值内，则判定变压器的状态为中度故障状态；若靶心度计算值在第五范围值内，则判定变压器的状态为严重故障状态。
以下用一个具体的实例进行说明。收集电力变压器7中典型状态模型指标序列，如表2所示：
表2
基于表2中7种典型的状态模型，收集了30个案例数据，采用等权灰靶算法、加权灰靶算法、以及本发明的基于加权灰靶算法和模拟退火法的评估方法对这30个案例数据进行验证，具体验证结果如表3所示：
表3
由表3的对比结果可以看出，本发明的方法准确率达到96.7％，均比等权灰靶算法(83.3％)和基于贡献度的加权灰靶算法(93.3％)高，因此，本发明的方法准确率更高，评估的可靠性更好。
本发明还提供一种电子设备，包括存储器和处理器；存储器用于存储计算机程序；处理器用于执行存储器存储的计算机程序，实现本发明实施例公开的基于加权灰靶算法和模拟退火法的变压器状态评估方法。
本发明实施例中，指标权重的计算不依赖于状态模式指标序列，因此无需考虑状态模式指标序列是否偏置。
另外，本发明实施例中，状态评估模型可以随着训练样本的增加而自我完善，本模型在使用过程中，当有新的训练样本(状态评估案例数据)补充进来时，模拟退火法可以从新的数据中学到新的信息，进而更新指标权重，使得评估模型更加准确和可靠。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。
Claims (8)
1.一种基于加权灰靶算法和模拟退火法的变压器状态评估方法，其特征在于，包括以下步骤：
对靶心度进行分级，获得靶心度参考值；
对变压器油中的各气体含量进行灰靶模型建模以获得灰靶模型，并根据所述灰靶模型计算靶心系数；所述对变压器油中的各气体含量进行灰靶模型建模以获得灰靶模型，并根据所述灰靶模型计算靶心系数包括：获取状态模式指标序列；根据所述变压器油中的气体含量和所述状态模式指示序列构造标准模式指标序列；对所述状态模式指标序列进行灰靶变换，获得灰靶变换指标序列；根据所述标准模式指标序列和所述灰靶变换指标序列，计算差异信息空间；基于所述差异信息空间和分辨系数，计算所述靶心系数；
基于模拟退火法对所述灰靶模型中的各个指标进行权重寻优处理，确定各个指标的权重；所述各个指标为所述变压器油中各种气体的含量；所述基于模拟退火法对所述灰靶模型中的各个指标进行权重寻优处理，确定各个指标的权重包括：基于所述灰靶模型中的各个指标的权重，确定待优化变量；对所述待优化变量和所述模拟退火法的算法参数进行初始化；在完成初始化后，计算所述待优化变量的目标函数值；对所述待优化变量的目标函数值进行迭代测试；对迭代测试过程中产生的所有测试点进行接收判定；根据接收判定结果继续进行循环迭代测试；在进行循环迭代测试过程中，判断是否满足收敛条件；若满足收敛条件，则输出当前解；所述当前解为所述待优化变量中的最优解；根据所述当前解确定指标的权重；
根据所述靶心系数和所述各个指标的权重，获得靶心度计算值；
根据所述靶心度计算值和所述靶心度参考值对所述变压器的状态进行评估。
2.根据权利要求1所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法，其特征在于，所述灰靶变换指标序列通过以下式子获得：
；
式中：T(s j (i))表示对第j个状态模式指标序列中的第i个指标进行灰靶变化，灰靶变换得到的结果则称为灰靶变换指标序列，s j (i)为第j个状态模式指标序列中的第i个指标，s 0 (i) 为标准模式指标序列的第i个指标。
3.根据权利要求1所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法，其特征在于，所述根据所述标准模式指标序列和所述灰靶变换指标序列，计算差异信息空间包括：
将每一个灰靶变换指标序列与其对应的标准模式指标序列作差，获得每一个灰靶变换指标序列与其对应的标准模式指标序列的差值；
对所述差值取绝对值，获得每一个灰靶变换指标序列与其对应的标准模式指标序列的差值绝对值；
所有灰靶变换指标序列与其对应的标准模式指标序列的差值绝对值形成所述差异信息空间。
4.根据权利要求1所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法，其特征在于，所述方法还包括：
在进行循环迭代测试过程中，调整迭代步长；
在根据调整后的迭代步长进行多次迭代后，进行冷却操作。
5.根据权利要求1所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法，其特征在于，所述靶心度计算值通过以下式子获得：
；
式中：为靶心度；/>为靶心系数；/>表示第i个指标的权重。
6.根据权利要求1所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法，其特征在于，所述靶心度参考值包括：第一范围值、第二范围值、第三范围值、第四范围值和第五范围值；
所述第一范围值为：0.9~1；所述第二范围值为：0.6~0.9；所述第三范围值为：0.5~0.6；所述第四范围值为：0.4~0.5；所述第五范围值为：0.33~0.4。
7.根据权利要求6所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法，其特征在于，所述根据所述靶心度计算值和所述靶心度参考值对所述变压器的状态进行评估包括：
将所述靶心度计算值分别与所述第一范围值、所述第二范围值、所述第三范围值、所述第四范围值和所述第五范围值进行比较；
若所述靶心度计算值在所述第一范围值内，则判定所述变压器的状态为健康状态；
若所述靶心度计算值在所述第二范围值内，则判定所述变压器的状态为正常状态；
若所述靶心度计算值在所述第三范围值内，则判定所述变压器的状态为轻度故障状态；
若所述靶心度计算值在所述第四范围值内，则判定所述变压器的状态为中度故障状态；
若所述靶心度计算值在所述第五范围值内，则判定所述变压器的状态为严重故障状态。
8.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序时，实现权利要求1-7任一项所述的基于加权灰靶算法和模拟退火法的变压器状态评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111083839.2A CN113868848B (zh) | 2021-09-14 | 2021-09-14 | 加权灰靶算法和模拟退火法的变压器状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111083839.2A CN113868848B (zh) | 2021-09-14 | 2021-09-14 | 加权灰靶算法和模拟退火法的变压器状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113868848A CN113868848A (zh) | 2021-12-31 |
| CN113868848B true CN113868848B (zh) | 2024-05-31 |
Family
ID=78996220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111083839.2A Active CN113868848B (zh) | 2021-09-14 | 2021-09-14 | 加权灰靶算法和模拟退火法的变压器状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113868848B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572105B (zh) * | 2023-03-02 | 2024-06-18 | 广东省源天工程有限公司 | 一种电力设备隐性缺陷的混合式检测装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455658A (zh) * | 2013-07-10 | 2013-12-18 | 西北工业大学自动化学院 | 一种基于加权灰靶理论的容错电机健康状态测定方法 |
| CN107330286A (zh) * | 2017-07-10 | 2017-11-07 | 华南理工大学 | 一种大型油浸式电力变压器可靠性评估动态修正方法 |
| CN109239546A (zh) * | 2018-08-28 | 2019-01-18 | 西南交通大学 | 一种变压器绝缘寿命预测与可靠性评估方法 |
| CN109460879A (zh) * | 2017-11-22 | 2019-03-12 | 国网浙江省电力公司湖州供电公司 | 一种基于灰靶算法的变压器运行状态评估***及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160327600A1 (en) * | 2015-05-04 | 2016-11-10 | General Electric Company | Integrated transformer health monitoring architecture |
-
2021
- 2021-09-14 CN CN202111083839.2A patent/CN113868848B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455658A (zh) * | 2013-07-10 | 2013-12-18 | 西北工业大学自动化学院 | 一种基于加权灰靶理论的容错电机健康状态测定方法 |
| CN107330286A (zh) * | 2017-07-10 | 2017-11-07 | 华南理工大学 | 一种大型油浸式电力变压器可靠性评估动态修正方法 |
| CN109460879A (zh) * | 2017-11-22 | 2019-03-12 | 国网浙江省电力公司湖州供电公司 | 一种基于灰靶算法的变压器运行状态评估***及方法 |
| CN109239546A (zh) * | 2018-08-28 | 2019-01-18 | 西南交通大学 | 一种变压器绝缘寿命预测与可靠性评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模糊层次分析法的变压器状态评估;张晶晶等;《电力***保护与控制》;20170208;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113868848A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112488395B (zh) | 一种配电网线损预测方法及*** | |
| CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
| CN110632545B (zh) | 基于回归神经网络电子式互感器误差风险评估方法和装置 | |
| CN108090629B (zh) | 基于非线性自回归神经网络的负荷预测方法与*** | |
| CN110083951B (zh) | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 | |
| CN111125964B (zh) | 一种基于克里金插值法的污水处理过程代理模型构建方法 | |
| CN109165421B (zh) | 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 | |
| CN113868848B (zh) | 加权灰靶算法和模拟退火法的变压器状态评估方法 | |
| Liu et al. | Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance | |
| CN112183368A (zh) | 基于lstm的电力***低频振荡模态特征的快速辨识方法 | |
| CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
| CN115860280B (zh) | 一种页岩气产量预测方法、装置、设备及存储介质 | |
| CN115616470B (zh) | 电流互感器计量误差状态预测方法、***、设备及介质 | |
| CN114329347B (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
| Wang et al. | A DRL-aided multi-layer stability model calibration platform considering multiple events | |
| CN114415488A (zh) | 一种原子钟钟差数据异常检测及修正方法和*** | |
| CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
| CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
| CN113268885A (zh) | 基于灰色马尔可夫模型的变压器故障预测方法及电子设备 | |
| CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及*** | |
| CN109886288B (zh) | 一种用于电力变压器的状态评价方法及装置 | |
| CN112613718B (zh) | 一种特定场所风险评估方法及装置 | |
| CN113552444A (zh) | 一种泄漏电流特征阈值在线整定方法及装置 | |
| CN109213967B (zh) | 一种运载火箭数据预测方法及装置、存储介质和电子设备 | |
| CN113159114A (zh) | 一种基于nir数据中应用的高维数据降维交叉验证分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |