一种基于多状态量预测的变压器状态评估方法技术

本发明专利技术公开了一种基于多状态量预测的变压器状态评估方法，包含以下过程：变压器主要故障状态量的选取；对选取好的变压器主要故障状态量分成静态参数，动态参数，准动态参数，外部参数这四类；基于分类好的变压器主要故障状态量采用状态量预测算法对变压器的状态进行预测得到预测状态值；通过采用神经网络预测算法判定待评估变压器运行状态的趋势；最后综合变压器实时运行状态及其趋势，给出变压器状态的综合评估结果。本发明专利技术具有能够对变压器的大量状态信息进行综合分析，发现及预测变压器潜伏性故障的优点。

A method of transformer condition assessment based on multi state prediction

The invention discloses an evaluation method for prediction of multiple state variables based on transformer condition, the process of selecting the main transformer fault state of the main faults of the transformer; the choice of the volume into static parameters, the dynamic parameters, dynamic parameters, external parameters of these four types of forecast; state forecast algorithm the state of the transformer by the main transformer fault classification based on the amount of good; through the prediction algorithm is determined to be evaluation of the transformer trend using neural network; real-time operation state of transformer and its trend finally, integrated condition assessment of transformer is given the results. The invention has the advantages of comprehensive analysis of a large number of state information of transformers, and the detection and prediction of latent faults of transformers.

【技术实现步骤摘要】
一种基于多状态量预测的变压器状态评估方法
本专利技术涉及电力设备状态评估
,特别涉及一种基于多状态量预测的变压器状态评估方法。
技术介绍
在“十三五”规划时期，中国电力体制改革将不断深化，供电企业必须以更加安全、可靠、优质的服务来满足用户的需求。随着电网结构的发展、电网改革的深化，各种电压等级的变电站分布范围越来越广，数量也在急剧增加，与之相适应的电力设备也越来越多，变电站是输配电系统中关键的环节，所以对变电站关键设备的检修、维护工作也更加复杂,对设备健康状态分析准确性和电网可靠性的标准越来越高。变电设备数据的主要来源包括在线监测、带电检测、机器人巡检等,设备的状态信息量众多，要对设备的状态进行全面和准确的状态评价，必须结合设备的当前和历史状态进行综合分析。然而,现有设备状态评价和诊断模型主要基于单一或少数状态参量进行分析和判断，多数局限于阈值诊断的范畴，尚无法达到全面掌握设备真实健康状态与运行风险的需要，信息综合应用水平低下,无法充分利用设备大量状态信息进行综合分析，状态评价结果片面，同时也无法全面反映故障演变与表现特征之间的客观规律，难实现潜伏性故障的发现和预测。变压器故障状态信息极为繁多，比如，预防性试验、不良运行工况记录、家族缺陷记录、检修记录、自身质量记录、在线监测等，如果考虑所有故障状态信息的话，状态评估体系将极为复杂，同时有些状态信息比较模糊，不宜定量的描述，不利于对变压器全面而准确的评估，另外检/监测数据采集范围广、价值密度低。随着电网的建设与发展，变电设备状态监测、生产管理、运行调度、环境气象等数据逐步在统一的信息平台上的集成共享，推动设备状态评估和预测向基于全景状态的信息集成和综合分析方向发展。
技术实现思路
本专利技术的目的是提供一种基于多状态量预测的变压器状态评估方法，通过综合考虑设备多个状态量的当前值、历史值与预测值对变压器的状态进行全方面评估，实现对变压器的大量状态信息进行综合分析，发现及预测变压器潜伏性故障的目的。为了实现以上目的，本专利技术通过以下方案实现：一种基于多状态量预测的变压器状态评估方法，包含以下过程：对选取的变压器主要故障状态量根据更新周期分成静态参数，动态参数，准动态参数，外部参数这四类；所述静态参数不更新；所述动态参数更新周期≤1个月；所述准动态参数定期或不定期更新，更新周期≥1个月；所述外部参数为变压器所处的外部环境因素以及社会经济因素；通过采用状态量预测算法对所述动态参数，准动态参数在之后一个检修周期内的状态值进行预测得到预测状态值；将所述预测状态值代入神经网络预测算法进而判定待评估变压器运行状态的趋势。优选地，所述静态参数包含：设备台帐参数和设备投运前的试验参数。优选地，所述动态参数包含：H2含量、C2H6含量、C2H4含量、CO相对产气速率、CO2相对产气速率、C2H2含量、CH4含量等变压器故障状态量。优选地，所述准动态参数包含：绝缘电阻吸收比、极化指数、体积电阻率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、局部放电量、铁心接地电流、铁心绝缘电阻、绕组直流电阻互差、中性点油流静电电流、绝缘油介损、油中含水量、油击穿电压、油中含气量、糠醛含量、纸板聚合度。优选地，所述状态量预测算法包含：待观测量为一时间序列函数y(t)，基于最小二乘法采用线性函数对y(t)进行分段拟合，y(t)＝p(t-t0)+y0式中，t0为时间区间的起点；y0为时刻t0对应的数值；p为斜率，反应观测量的变化趋势，p＞0表示观测量在该时间区间整体趋势是上升，p＜0表示观测量在该时间区间整体趋势是下降，p＝0表示观测量在该时间区间整体趋势保持不变；所述待观测量对应所述动态和准动态参数；t1时刻对应的线性近似值的特征分别为t01、y01和p1，则个采样时间以后，在t1+kΔt时刻有式中，Δt为步长。优选地，所述神经网络算法为三层神经网络模型，定义误差：Ep＝0.5∑(Tpi-Ypi)2式中，Ypi为输出节点pi的计算输出，Tpi为对应的教师数据，激活函数为Sigmoid型函数，权值修正公式为：ΔWij(n+1)＝hφiYj+αΔWij(n)式中：h为学习因子；φi为输出节点i的计算误差；Yj为输出节点j的计算输出；α为动量因子；n代表迭代次数，ΔWij(n+1)代表第n+1次迭代计算得到的权值修正量，ΔWij(n)代表第n次迭代计算得到的权值修正量。本专利技术另一个技术方案为：一种基于多状态量预测的变压器状态评估方法，包含以下过程：将实时监测得到的待评估变压器的故障状态量以及历史数据作为所述神经网络预测算法的初始值，对变压器设备运行状态是否正常进行第一次预测，将得到的结果预测值参照静态参数，判断待评估的变压器是否正常；之后，通过采用状态量预测算法对变压器的主要故障状态量中的动态参数，准动态参数在之后一个检修周期内的状态值进行预测得到预测状态值；将所述预测状态值代入神经网络预测算法对变压器设备运行状态是否正常进行第二次预测；综合第一与第二次故障预测结果，分别得到四种评估结果；若第一次故障预测结果为否，第二次故障预测结果也为否，则得出评估结果为正常态；若第一次故障预测结果为否，第二次故障预测结果为是，则得出评估结果为需注意态；如第一次故障预测结果为是，第二次故障预测结果为否，则得出评估结果为异常态；如第一次故障预测结果为是，第二次故障预测结果为是，则得出评估结果为严重态；所述静态参数不更新；所述动态参数更新周期≤1个月；所述准动态参数定期或不定期更新，更新周期≥1个月。优选地，所述动态参数包含：H2含量、C2H6含量、C2H4含量、CO相对产气速率、CO2相对产气速率、C2H2含量、CH4含量等变压器故障状态量；所述准动态参数包含：绝缘电阻吸收比、极化指数、体积电阻率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、局部放电量、铁心接地电流、铁心绝缘电阻、绕组直流电阻互差、中性点油流静电电流、绝缘油介损、油中含水量、油击穿电压、油中含气量、糠醛含量、纸板聚合度；所述静态参数包含：设备台帐参数和设备投运前的试验参数。优选地，所述状态量预测算法包含：待观测量为一时间序列函数y(t)，基于最小二乘法采用线性函数对y(t)进行分段拟合，y(t)＝p(t-t0)+y0式中，t0为时间区间的起点；y0为时刻t0对应的数值；p为斜率，反应观测量的变化趋势，p＞0表示观测量在该时间区间整体趋势是上升，p＜0表示观测量在该时间区间整体趋势是下降，p＝0表示观测量在该时间区间整体趋势保持不变；所述待观测量对应所述动态和准动态参数；t1时刻对应的线性近似值的特征分别为t01、y01和p1，则个采样时间以后，在t1+kΔt时刻有式中，Δt为步长。优选地，所述神经网络算法为三层神经网络模型，定义误差：Ep＝0.5∑(Tpi-Ypi)2式中，Ypi为输出节点pi的计算输出，Tpi为对应的教师数据，激活函数为Sigmoid型函数，权值修正公式为：ΔWij(n+1)＝hφiYj+αΔWij(n)式中：h为学习因子；φi为输出节点i的计算误差；Yj为输出节点j的计算输出；α为动量因子。n代表迭代次数，ΔWij(n+1)代表第n+1次迭代计算得到的权值修正量，ΔWij(n)代表第n次迭代计算得到的权值修正量本文档来自技高网...

【技术保护点】
一种基于多状态量预测的变压器状态评估方法，其特征在于，包含以下过程：对选取的变压器主要故障状态量根据更新周期分成静态参数，动态参数，准动态参数，外部参数这四类；所述静态参数不更新；所述动态参数更新周期≤1个月；所述准动态参数定期或不定期更新，更新周期≥1个月；所述外部参数为变压器所处的外部环境因素以及社会经济因素；通过采用状态量预测算法对所述动态参数，准动态参数在之后一个检修周期内的状态值进行预测得到预测状态值；将所述预测状态值代入神经网络预测算法进而判定待评估变压器运行状态的趋势。

【技术特征摘要】
1.一种基于多状态量预测的变压器状态评估方法，其特征在于，包含以下过程：对选取的变压器主要故障状态量根据更新周期分成静态参数，动态参数，准动态参数，外部参数这四类；所述静态参数不更新；所述动态参数更新周期≤1个月；所述准动态参数定期或不定期更新，更新周期≥1个月；所述外部参数为变压器所处的外部环境因素以及社会经济因素；通过采用状态量预测算法对所述动态参数，准动态参数在之后一个检修周期内的状态值进行预测得到预测状态值；将所述预测状态值代入神经网络预测算法进而判定待评估变压器运行状态的趋势。2.如权利要求1所述一种基于多状态量预测的变压器状态评估方法，其特征在于，所述静态参数包含：设备台帐参数和设备投运前的试验参数。3.如权利要求1所述一种基于多状态量预测的变压器状态评估方法，其特征在于，所述动态参数包含：H2含量、C2H6含量、C2H4含量、CO相对产气速率、CO2相对产气速率、C2H2含量、CH4含量等变压器故障状态量。4.如权利要求1所述一种基于多状态量预测的变压器状态评估方法，其特征在于，所述准动态参数包含：绝缘电阻吸收比、极化指数、体积电阻率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、局部放电量、铁心接地电流、铁心绝缘电阻、绕组直流电阻互差、中性点油流静电电流、绝缘油介损、油中含水量、油击穿电压、油中含气量、糠醛含量、纸板聚合度。5.如权利要求1所述一种基于多状态量预测的变压器状态评估方法，其特征在于，所述状态量预测算法包含：待观测量为一时间序列函数y(t)，基于最小二乘法采用线性函数对y(t)进行分段拟合，y(t)＝p(t-t0)+y0式中，t0为时间区间的起点；y0为时刻t0对应的数值；p为斜率，反应观测量的变化趋势，p＞0表示观测量在该时间区间整体趋势是上升，p＜0表示观测量在该时间区间整体趋势是下降，p＝0表示观测量在该时间区间整体趋势保持不变；所述待观测量对应所述动态和准动态参数；t1时刻对应的线性近似值的特征分别为t01、y01和p1，则k(k＝1,2,3,)··个采样时间以后，在t1+kΔt时刻有式中，Δt为步长。6.如权利要求1所述一种基于多状态量预测的变压器状态评估方法，其特征在于，所述神经网络算法为三层神经网络模型，定义误差：Ep＝0.5∑(Tpi-Ypi)2式中，Ypi为输出节点pi的计算输出，Tpi为对应的教师数据，激活函数为Sigmoid型函数，权值修正公式为：ΔWij(n+1)＝hφiYj+αΔWij(n)式中：h为学习因子；φi为输出节点i的计算误差；Yj为输出节点j的计算输出；α为动量因子；n代表迭代次数，ΔWij(n+1)代表第n+1次迭代计算得到的权值修正量，ΔWij(n)代表第n次迭代计算得到的权值修正量。7.一种基于多状态量预测的变压器状态评估方法，其特征在于，包含以下过程：将实时监测得到的待评估变压器的故障状态量以及历史数据作为所述神经网络预...

【专利技术属性】
技术研发人员：高敬贝，周毓颖，吴季浩，刘艳敏，王建军，姜黛琳，宁连营，郑晓冬，黄文焘，余墨多，
申请(专利权)人：国网上海市电力公司，上海交通大学，
类型：发明
国别省市：上海,31