【技术实现步骤摘要】
本专利技术涉及电力系统，具体涉及基于数模交互和联邦学习的油浸式变压器寿命预测方法。
技术介绍
1、油浸式变压器是电力系统中输送电能的枢纽设备，其对电力系统的安全、稳定、高效运行具有重要作用。一方面，由于热应力，电应力和机械应力的共同影响下，油浸式变压器的绝缘材料会逐渐劣化，从而引发油浸式变压器发生不可逆转的退化，影响电力系统供电的稳定性，造成巨大的经济损失，严重时甚至危及检修人员的生命；另一方面，由于地理因素，油浸式变压器的数据存储在分散的物理位置上，其数据呈现出复杂、异构和不平衡特点，存在典型的“数据孤岛”现象，使得各电力数据持有者之间数据无法形成数据共享，从而导致各数据持有者所建立的算法模型性能大大降低。因此，研究有效的分布式油浸式变压器的剩余寿命预测方法，对进一步优化生产和运维过程，延长油浸式变压器剩余寿命，降低其维修成本具有重要的实际意义。
2、油浸式变压器剩余寿命预测方法主要包括基于失效机理建模方法、基于数据驱动方法和两者混合的方法。然而，由于油浸式变压器绝缘材料退化过程往往是非线性的，通常难以建立其精确的数学模型，使得基于失效机理建模的油浸式变压器剩余寿命预测方法在实际应用中存在诸多限制；基于数据驱动的油浸式变压器剩余寿命预测方法存在数据获取难、可解释性差和计算量大等问题。目前，已有学者开始研究将上述二者相结合的方法，但都未能充分考虑所建立的退化模型与油浸式变压器多源传感监测数据不适配的问题，退化特征的提取与随机退化建模过程孤立进行，与大数据背景下的油浸式变压器剩余寿命预测需求不相适应。此外，针对“数据孤
技术实现思路
1、为了克服现有油浸式变压器剩余寿命预测存在多源传感监测数据与随机退化模型不适配及“数据孤岛”问题，本专利技术提出了基于数模交互和联邦学习的油浸式变压器寿命预测方法。首先，获取油浸式变压器多源传感历史监测数据集，并利用最大—最小归一化方法对其预处理；其次，采用残差卷积神经网络融合油浸式变压器多源传感监测数据，并构建表征其退化特征的复合健康指标；然后，基于线性维纳退化过程建模该复合健康指标时变演化趋势，并构建以最小化预测均方误差为核心的优化目标函数；最后，利用平均联邦学习算法，对残差卷积神经网络的模型参数与失效阈值进行反向优化调整，形成联邦学习、特征提取和融合与退化指标建模交互反馈的油浸式变压器剩余寿命预测方法。
2、本专利技术解决其技术问题所采用的技术方案是：
3、基于数模交互和联邦学习的油浸式变压器寿命预测方法，所述方法包括以下步骤：
4、步骤1)油浸式变压器历史工况数据集获取；
5、步骤1.1)获取n台加速老化油浸式变压器的离线检测多源传感监测数据集u，其中，监测数据样本包括呋喃总浓度(total furan，tf)、二氧化碳与一氧化碳比值co2/co、聚合度(degree of polymerization，dp)及服役时间(loss of life，lol)；设ltot为变压器的总寿命，其剩余使用寿命rul可表示为：
6、rul＝ltot-lol (1)
7、步骤1.2)以剩余寿命为状态量，监测数据为状态量，建立状态空间模型，得到dp数据和相应时刻的rul数据：
8、
9、其中，ltot为变压器的总寿命，feqa为等效老化因子，vt为误差。根据状态空间模型可得监测数据在离线状态下所对应的剩余寿命数据集；
10、步骤2)油浸式变压器工况数据集预处理；
11、采用最大—最小归一化方法对步骤1)所得的变压器多源传感历史监测数据集进行预处理。假设对于同一台油浸式变压器共安装有s个传感器，第i个随机退化设备的监测数据个数为ki，令ci,j(t)为第i(1≤i≤n)个随机退化设备第j(1≤j≤s)个传感器在t(t＝0,1,2,...,ki)时刻采集到的性能退化监测数据,归一化处理后的历史监测数据xi,j(t)为：
12、
13、其中，分别为第i台油浸式变压器第j个传感器性能退化监测数据中最大值和最小值；
14、步骤3)油浸式变压器复合健康指标构建；运用一维残差卷积神经网络融合多源传感器监测数据得到的第i(1≤i≤n)台油浸式变压器的一维复合健康指标为:
15、yi(t)＝h(xi,j(t),w,a) (4)
16、其中，h(·)为残差卷积网络，w为网络层的权重参数，a为偏置参数，监测时刻为ti＝1,2,...,ki。
17、步骤4)基于线性维纳过程的油浸式变压器随机退化过程建模；基于线性维纳过程的油浸式变压器随机退化模型yi(t)可表示为：
18、yi(t)＝yi,0+λi·t+σi·b(t) (5)
19、其中，yi,0为复合健康指标对应的观测数据初始值，λi为第i台变压器的退化率，σi为扩散系数，b(t)为标准布朗运动，yi,0为初始退化值。
20、根据首达时间下的剩余寿命定义，定义第i台油浸式变压器的剩余寿命为：
21、ri＝inf{t:yi(t)≥vi|yi,0＜vi} (6)
22、其中,vi是融合油浸式变压器多源传感历史监测数据的复合健康指标对应的失效阈值，且油浸式变压器剩余寿命ri服从逆高斯分布，则第i台油浸式变压器的概率密度函数和点估计得到的退化设备寿命预测值及其方差var[ri]分别为：
23、
24、
25、
26、其中，根据以上结果预测油浸式变压器的剩余寿命,首先需要确定退化率λi和扩散系数σi。退化指标yi(t)的增量数据集为其中δyi,k＝yi,k-yi,k-1,k＝0,1,2,...,ki。增量数据集的似然函数可以表示为：
27、
28、根据极大似然估计法，分别对λi和σi2求偏导，并令其偏导为零，得到退化率λi和扩散系数σi2的极大似然估计为：
29、
30、其中，yi,0＝h(xi,j(ti,0),wi,ai)。
31、步骤5)油浸式变压器退化模型参数聚合；采用平均联邦学习算法，对残差卷积网络的权重和偏置及失效阈值反向优化调整；
32、为了克服不同变压器之间的“数据孤岛”问题，采用平均联邦学习算法，用于对残差卷积网络的权重参数w和偏置参数a以及随机退化建模中的失效阈值v进行反向优化调整。过程如下：
33、步骤5.1)确定以最小化预测均方误差为核心的联邦学习损失函数。令n台变压器拥有的总数据量为d，第d条(d＝1,2,....,di)数据寿命预测值和对应的实际寿命值r(d)的预测损失为：
34、
35、其中，本文档来自技高网...
【技术保护点】
1.基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，所述步骤1)具体过程如下：
3.根据权利要求1所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，所述步骤2)具体过程如下：
4.根据权利要求1所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，所述步骤3)具体过程如下：
5.根据权利要求1所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，所述步骤4)具体过程如下：
6.根据权利要求1所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，所述步骤5)具体过程如下：
7.根据权利要求5所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，所述步骤6)具体过程如下：
【技术特征摘要】
1.基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，所述步骤1)具体过程如下：
3.根据权利要求1所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法，其特征在于，所述步骤2)具体过程如下：
4.根据权利要求1所述的基于数模交互和联邦学习的油浸式变压器寿命预测方法...
【专利技术属性】
技术研发人员：张文安，徐梦乾，张宝康，吴麒，郭方洪，葛其运，倪洪杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。