CN102779230B - 一种电力变压器系统状态分析和维修决策判断方法 - Google Patents

Abstract

本发明公开了一种电力变压器系统状态分析和维修决策判断方法，包括以下步骤：S1计算同类变压器历史监测数据Y在正常状态的概率分布函数h₀(y)和故障状态下的概率分布函数h₁(y)；S2获取新监测数据，并根据贝叶斯公式利用新监测数据更新电力变压器系统处于故障状态的后验概率函数P；S3利用贝叶斯控制理论的最优值函数计算报警阈值；S4电力变压器系统投运后，获取新监测数据，通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议。本发明的方法利用贝叶斯公式动态更新变压器的监测数据，能实时反映变压器状态，充分利用历史数据信息科学计算出报警阈值，最终给出维修决策建议，为生产人员合理安排生产计划提供辅助建议。

Description

一种电力变压器系统状态分析和维修决策判断方法

技术领域

本发明涉及电路变压器的分析维修方法，特别涉及一种电力变压器系统状态分析和维修决策判断方法。

背景技术

随着社会经济的发展，各行各业及居民用户对用电安全提高的要求也越来越高，而电力变压器是电力网络的核心设备，变压器的健康状况对电网安全可靠运行极为关键。通过变压器状态监测数据，分析变压器运行状态并做出维修判断决策，有利于生产人员科学地安排生产计划，减少事故的发生。

变压器在长期运行的过程中，由于电压、热、化学、机械振动以及其他因素的影响，出现绝缘老化、材质劣化的现象，以及外部的破坏和影响等，难免引发变压器故障事故。通过分析其监测数据的变化能判断变压器运行状态，目前，电力部门主要应用传统方法以及一些智能方法进行分析判断。

传统分析方法包括IEC三比值法、大卫三角形法等，智能方法常见的有人工神经网络、专家系统等。传统方法虽然仍然是电力行业普遍使用的状态分析方法，但其不足之处日益凸显。传统方法往往直接使用原始数据进行故障判断，未充分考虑数据中的不确定性，只根据单次测量值或近期数据进行判断分析，参数和阈值的选取依赖专家经验。人工神经网络方法具有很强的自学习能力，理论上能实现对任意复杂非线性函数的逼近。然而其训练过程通常需要大量历史数据，可生产实际中的故障数据往往占少数，再加之神经网络的结构和参数往往缺乏实际的物理意义，不利于调试和改进。专家系统是另一种常用的人工智能方法，它通过将专业知识和逻辑推理相结合来模拟领域专家解决复杂问题。但是专家系统的建立需要大量的实际经验，而且很难超越这些经验而直接从历史数据中发掘出规律。此外，专家系统内规则的数量随变量数成指数增长，当变量数较多时可能出现“组合爆炸”效应，需要庞大的计算量。

此外，变压器在运行过程中，除了老化因素外，环境的突变或负载的变化引起变压器监测数据的起伏，而外界情况趋于缓和时，监测数据可能又会趋于正常。若在不充分考虑变压器历史近期数据的情况下，仅仅根据当前数据进行分析判断，容易导致误判。此外，在以上传统方法和智能方法中，很少有决策能力，即只告诉生产人员出了什么问题，不能告诉生产人员该怎么做。

作为电力系统重要设备的主变压器主体复杂，运行环境多变万化，因此在可靠性和安全性上往往也有更高的标准，因此需要专门研究和开发针对主变压器的状态分析及决策判断算法。

发明内容

本发明的目的在于克服现有技术的上述缺点与不足，提供一种电力变压器系统状态分析和维修决策判断方法，实现历史数据和专家经验的有效结合，并结合部分观测的马尔科夫模型解决不完全信息下复杂系统的顺序决策问题，利用变压器监测数据进行故障检测并能做出维修决策建议，有利于维护人员科学地安排变压器维修计划，减少事故发生、节约维修成本。

本发明的目的通过以下技术方案实现：

一种电力变压器系统状态分析和维修决策判断方法，包括以下步骤：

S1计算同类变压器历史监测数据Y在正常状态的概率分布函数h₀(y)和故障状态下的概率分布函数h₁(y)；

S2根据贝叶斯公式计算电力变压器系统处于故障状态的后验概率函数P；

S3利用贝叶斯控制理论的最优值函数计算报警阈值；

S4电力变压器系统投运后，获取新监测数据，通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议。

步骤S1所述故障状态下的概率分布函数h₁(y)，包括过热条件下Y的分布函数h_1o(y)，放电条件下Y的分布函数h_1d(y)。

步骤S2所述电力变压器系统处于故障状态的后验概率函数P，具体形式如下：

$P_{\mathrm{mh}}=\frac{1-e^{-\mathrm{\θh}}(1-P_{(m-1)h})}{1-e^{-\mathrm{\θh}}(1-P_{(m-1)h})(1-e^{(n{d}_1^2+z_m)/2})},$ 对m=1，2，...，(1)

其中，h为监测数据采样间隔，m为截止到t时刻的采样总次数；

用于将多维变量y_j转换为一维变量Z；

$d_1={\left[{({\mathrm{\μ}}_1-{\mathrm{\μ}}_0)}^T{\mathrm{\Σ}}^{-1}({\mathrm{\μ}}_1-{\mathrm{\μ}}_0)\right]}^{1/2}$ 为马氏距离；

μ₀和μ₁分别为正常状态下和故障状态下监测数据变量的均值。

步骤S3所述利用贝叶斯控制理论的最优值函数计算报警阈值，具体为：

贝叶斯控制理论的最优值函数具有以下形式：

$V_{m+1}\left(P\right)=\max \{-A-\mathrm{RP},\mathrm{\λh}-(b+\mathrm{cn})-M(h-(1-P)(1-e^{-\mathrm{\θh}})/\mathrm{\θ})$

$+{\∫}_{-\∞}^{\∞}{V}_m\left(P_h(z,P)\right)h\left(z\right|P)\mathrm{dz}\}---\left(2\right)$

其中A表示系统停止和报警的成本，R表示维修更换的成本；λ表示单位运行时间的奖励，（b+cn)表示采样成本，M为故障状态下单位时间运行的损失，θ为系统的历史故障率；h(z|P)=h₁(z)(1-e^-θh(1-P))+h₀(z)e^-θh(1-P)表示一个无条件概率分布函数；报警阈值的计算是在设备投运前进行，获得报警阈值后保持不变，若有需要可若干时间后再进行一次调整。

对式（2）进行迭代，具体过程如下：

（1）选取函数初值V₀(P)=-A-RP₀和误差允许范围ε；P₀由用户根据需要在[0,1]范围中取值；

（2）对于P∈[0，1]将区间[0,1]分为N等份，每次取一个值代入式（2）计算；

（3）如果max{|V_m(P)-V_m-1(P)|}＞＞ε，则m=m+1，返回步骤(2)，否则进入步骤(4)；

（4）结束，迭代结果为P^*，满足P^*=min{P：V_C(P)=V_S(P)}。

步骤S4所述通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议，具体为：

将新监测到的数据代入下式中

$P=P_{(m+1)h}=\frac{1-e^{-\mathrm{\θh}}(1-P_{\mathrm{mh}})}{1-e^{-\mathrm{\θh}}(1-P_{\mathrm{mh}})(1-e^{(n{d}_1^2+z)/2})}---\left(3\right)$

其中P=P_(m+1)h指获得新监测数据计算得到的后验概率，P_mh为上一次监测数据获得的后验概率。

若此时P<P^*，则该设备可以继续运行；若P>P^*，则最优决策为停止运行，发出警报。

与现有技术相比，本发明具有以下优点和有益效果：

1、本发明根据贝叶斯控制理论，用提取出的信息来更新先验知识，以先验概率的形式表示，最终结果通过后验概率向量的形式输出，向量内的每个元素分别对应系统处于各种不同故障模式的概率，从而实现故障的初步检测和分类。

2、由于贝叶斯方法的主要优点在于其对油中气体的变化趋势较为敏感，因而能够在早期发现一些细微的变化，只要油中气体的含量发生了异常的增加，贝叶斯算法都能及时地发现这一趋势，而不论其正常运行的基准值是多少，因此本发明的方法具有很高的灵敏度。

3、本发明通过最优值函数的迭代获取最优后验概率，选取合适的报警阈值，从而获得报警决策建议，为生产人员安排生产提供科学的维修建议，达到减少事故的发生、节约维修成本的目的。

附图说明

图1为本发明的电力变压器系统状态分析和维修决策判断方法的流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，本发明一种电力变压器系统状态分析和维修决策判断方法，包括以下步骤：

S1计算同类变压器历史监测数据Y在正常状态的概率分布函数h₀(y)和故障状态下的概率分布函数h₁(y)；所述故障状态下的概率分布函数h₁(y)，包括过热条件下Y的分布函数h_1o(y)，放电条件下Y的分布函数h_1d(y)。

S2根据贝叶斯公式计算电力变压器系统处于故障状态的后验概率函数P；

所述电力变压器系统处于故障状态的后验概率函数P，具体形式如下：

$P_{\mathrm{mh}}=\frac{1-e^{-\mathrm{\&theta;h}}(1-P_{(m-1)h})}{1-e^{-\mathrm{\&theta;h}}(1-P_{(m-1)h})(1-e^{(n{d}_1^2+z_m)/2})},$ 对m=1，2，...，(1)

其中，h为监测数据采样间隔，m为截止到t时刻的采样总次数；

用于将多维变量yj转换为一维变量Z；

$d_1={\left[{({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_0)}^T{\mathrm{\&Sigma;}}^{-1}({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_0)\right]}^{1/2}$ 为马氏距离；

μ₀和μ₁分别为正常状态下和故障状态下监测数据变量的均值。

S3利用贝叶斯控制理论的最优值函数计算报警阈值，具体为：

贝叶斯控制理论的最优值函数具有以下形式：

$V_{m+1}\left(P\right)=\max \{-A-\mathrm{RP},\mathrm{\&lambda;h}-(b+\mathrm{cn})-M(h-(1-P)(1-e^{-\mathrm{\&theta;h}})/\mathrm{\&theta;})$

$+{\&Integral;}_{-\&infin;}^{\&infin;}{V}_m\left(P_h(z,P)\right)h\left(z\right|P)\mathrm{dz}\}---\left(2\right)$

其中A表示系统停止和报警的成本，R表示维修更换的成本；λ表示单位运行时间的奖励，（b+cn)表示采样成本，M为故障状态下单位时间运行的损失，θ为系统的历史故障率；h(z|P)=h₁(z)(1-e^-θh(1-P))+h₀(z)e^-θh(1-P)表示一个无条件概率分布函数；报警阈值的计算是在设备投运前进行，获得报警阈值后保持不变，若有需要可若干时间后再进行一次调整。

对式（3）进行迭代，具体过程如下：

（1）选取函数初值V₀(P)=-A-RP₀和误差允许范围ε；P₀由用户根据需要在[0,1]范围中取值；

（2）对于P∈[0，1]将区间[0,1]分为N等份，每次取一个值代入式（2）计算；

（3）如果max{|V_m(P)-V_m-1(P)|}＞＞ε，则m=m+1，返回步骤(2)，否则进入步骤(4)；

（4）结束，迭代结果为P^*，满足P^*=min{P：V_C(P)=V_S(P)}。

S4电力变压器系统投运后，获取新监测数据，通过新监测数据更新后验概率P，根据报警阈值，给出最佳维修决策建议，具体为：

将新监测到的数据代入下式中

$P=P_{(m+1)h}=\frac{1-e^{-\mathrm{\&theta;h}}(1-P_{\mathrm{mh}})}{1-e^{-\mathrm{\&theta;h}}(1-P_{\mathrm{mh}})(1-e^{(n{d}_1^2+z)/2})}---\left(3\right)$

其中P=P_(m+1)h指获得新监测数据计算得到的后验概率P，P_mh为上一次监测数据获得的后验概率。

若此时P<P^*，则该设备可以继续运行；若P>P^*，则最优决策为停止运行，发出警报。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (1)

1.一种电力变压器系统状态分析和维修决策判断方法，其特征在于，包括以下步骤：

S1计算同类变压器历史监测数据Y在正常状态的概率分布函数h₀(y)和故障状态下的概率分布函数h₁(y)；所述故障状态下的概率分布函数h₁(y)，包括过热条件下Y的分布函数h_1o(y)，放电条件下Y的分布函数h_1d(y)；

S2根据贝叶斯公式计算电力变压器系统处于故障状态的后验概率函数P，具体形式如下：

$P_{\mathrm{mh}}=\frac{1-e^{-\mathrm{\&theta;h}}(1-P_{(m-1)h})}{1-e^{-\mathrm{\&theta;h}}(1-P_{(m-1)h})(1-e^{({\mathrm{nd}}_1^2+z_m)/2})},$ 对m＝1，2，...，(1)

其中，h为监测数据采样间隔，n为截止到t时刻的采样总次数；θ为系统的历史故障率；

用于将多维变量y_j转换为一维变量Z_m；

d₁＝[(μ₁-μ₀)^T∑^-1(μ₁-μ₀)]^1/2为马氏距离；

μ₀和μ₁分别为正常状态下和故障状态下监测数据变量的均值；

S3利用贝叶斯控制理论的最优值函数计算报警阈值，具体为：

贝叶斯控制理论的最优值函数具有以下形式：

$\begin{array}{c}{V}_{m+1}\left(P\right)=\max \{-A-\mathrm{RP},\mathrm{\&lambda;h}-(b+\mathrm{cn})-M(h-(1-P)(1-e^{-\mathrm{\&theta;h}})/\mathrm{\&theta;})\\ +{\&Integral;}_{-\&infin;}^{\&infin;}{V}_m\left(P_h(z,P)\right)h\left(z\right|P)\mathrm{dz}\}\end{array}---\left(2\right)$

其中A表示系统停止和报警的成本，R表示维修更换的成本；λ表示单位运行时间的奖励，(b+cn)表示采样成本，M为故障状态下单位时间运行的损失，θ为系统的历史故障率；h(z|P)＝h₁(z)(1-e^-θh(1-P))+h₀(z)e^-θh(1-P)表示一个无条件概率分布函数；

对式(2)进行迭代，具体过程如下：

(1)选取函数初值V₀(P)＝-A-RP₀和误差允许范围ε；P₀由用户根据需要在[0，1]范围中取值；

(2)对于P∈[0，1]将区间[0，1]分为N等份，每次取一个值代入式(2)计算；

(3)如果max{|V_m(P)-V_m-1(P)|}＞＞ε，则m＝m+1，返回步骤(2)，否则进入步骤(4)；

(4)结束，迭代结果为P*，满足P^*＝min{P：V_C(P)＝V_S(P)}；

S4电力变压器系统投运后，获取新监测数据，通过新监测数据更新后验概率函数P，根据报警阈值，给出最佳维修决策建议，具体为：

将新监测到的数据代入下式中

$P=P_{(m+1)h}=\frac{1-e^{\mathrm{\&theta;h}}(1-P_{\mathrm{mh}})}{1-e^{-\mathrm{\&theta;h}}(1-P_{\mathrm{mh}})(1-e^{({\mathrm{nd}}_1^2+z)/2})}---\left(3\right)$

其中P＝P_(m+1)h指获得新监测数据计算得到的后验概率函数P，P_mh为上一次监测数据获得的后验概率；

若此时P＜P*，则电力变压器继续运行；若P＞P*，则最优决策为停止运行，发出警报。