(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210960961.1 (22)申请日 2022.08.11 (71)申请人 南京航空航天大 学 地址 214000 江苏省无锡市梁 溪区古华 山 路惠麓东苑8号815 (72)发明人 江军　张文乾　李波　陶彦博　 刘维　陆云才　 (74)专利代理 机构 无锡华源专利商标事务所 (普通合伙) 32228 专利代理师 过顾佳 (51)Int.Cl. G06F 30/20(2020.01) G06F 17/16(2006.01) G06F 119/02(2020.01) G06F 119/04(2020.01) (54)发明名称 基于数据融合和Wiener模型的变压器寿命 评估方法 (57)摘要 本申请公开了一种基于数据融合和Wiener 模型的变压器寿命评估 方法， 涉及变压器技术领 域， 该方法构建包含变压器的聚合度和运行状态 参数的状态 量集合， 对每个历史采样点处的状态 量子集中的状态量的取值按照各个状态量的动 态权重进行加权计算， 得到各个历史采样点处的 寿命关联指标； 然后以变压器的寿命关联指标作 为退化量基于Wiener随机退化模型构建得到寿 命预测模型， 进行变压器寿命评估。 该方法融合 包含聚合度和运行状态参数的多维退化量数据， 能有效从不同状态量的角度分析变压器的运行 状况以及 寿命情况， 使 得变压器寿命评估更为全 面和准确。 权利要求书3页 说明书7页 附图3页 CN 115221731 A 2022.10.21 CN 115221731 A 1.一种基于数据融合和Wiener模型的变压器寿命评估方法， 其特征在于， 所述方法包 括： 构建变压器在 当前监测时间参数的状态量集合， 所述状态量集合包括当前监测时间参 数之前的历史运行阶段内的若干个历史采样点处的状态量子集， 每个状态量子集包括m个 状态量在当前历史采样点处的取值， 所述状态量集合中包含的状态量的参数类型包括所述 变压器的聚合度和运行状态参数， m≥2； 确定所述状态量 集合中每个状态量在每 个历史采样点处的动态权 重； 对每个历史采样点处的状态量子集中的状态量的取值按照各个状态量的动态权重进 行加权计算， 得到各个历史采样点处的寿命关联指标； 以所述变压器的寿命关联指标作为退化量基于Wiener随机退化模型构建得到寿命预 测模型； 利用所述寿命预测模型评估得到所述变压器的剩余寿命。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 根据所述变压器的热点温度计算温度平移 因子， 并基于聚合度累计损失动力学方程结 合温度平 移因子计算得到所述变压器的聚合度在各个历史采样点处的取值。 3.根据权利要求1所述的方法， 其特征在于， 所述变压器的运行状态参数包括所述变压 器的油中溶解气体、 铁芯接地电流、 微水含量中的至少一种。 4.根据权利要求1所述的方法， 其特征在于， 所述确定所述状态量集合中每个状态量在 每个历史采样点处的动态权重， 包括对于每个历史采样点处的状态量子集中的各个状态 量； 利用层次分析法确定每 个状态量的权 重初始值； 基于每个状态量的权重初始值结合所述状态量子集中的各个状态量的取值、 利用变权 原理确定各个 状态量在当前历史采样点处的动态权 重。 5.根据权利要求4所述的方法， 其特征在于， 所述利用变权原 理确定各个状态量在 当前 历史采样点处的动态权重， 包括确定任意第i个状态量在当前历史采样点处的动态权重 ωi′为： 其中， ωi是第i个状态量的权重初始值， xi是第i个状态量在当前历史采样点 处的取值， ωj是任意第j个状态量的权重初始值， xj是第j个状态量在当前历史采样点处的取值， m是状 态量子集中包 含的状态量的个数， α 是变权系数。 6.根据权利要求4所述的方法， 其特征在于， 所述利用层次分析法确定每个状态量的权 重初始值， 包括： 采用九标度法构建判断矩阵 其中， 任意的aij表示第i个状态 量相权　利　要　求　书 1/3 页 2 CN 115221731 A 2对于第j个 状态量的重要度， aij取值越大、 所表征的重要度越大； 采用列平均法对所述判断矩阵中的元素按列进行归一化、 得到归一化后的判断矩阵， 元素aij进行归一 化后的取值 为 对归一化后的判断矩阵中的元素按行相加得到各个状态量的权重初始值， 对任意第i 行的归一 化后的元 素相加得到第i个 状态量的权 重初始值 7.根据权利要求1所述的方法， 其特征在于， 所述以所述变压器的寿命关联指标作为退 化量基于Wiener随机退化模型构建得到寿命预测模型， 包括： 构建得到的所述寿命预测模型指示任意时间参数T处的退化量X(T)＝X(0)+λT+ηB(T)， 其中X(0)表 示根据各个历史采样点处的寿命关联指标确定的取值为0的退化量初始 值， λ为 漂移系数且服从N( μ, σ2)的正态分布， η为扩散系 数， B(T)为服从N(0,T)的正态分布的布朗 运动； 其中， 漂移系数λ和扩散系数η利用贝叶斯更新和最大期望算法基于各个历史采样点处 的寿命关联指标迭代更新得到 。 8.根据权利要求7 所述的方法， 其特 征在于， 所述方法还 包括： 在第k次迭代中， 利用贝叶斯规则确定第n个历史采样点处的漂移系数λ的期望 漂移系数 λ 的方差 其中， η(k ‑1)是第k‑1次迭代的扩散系数， xn是第n个历 史采样点的寿命关联指标， μn‑1(k‑1)是第k‑1次迭代中得到的第n ‑1个历史采样点处的漂移 系数λ的期望， 是第k‑1次迭代中得到的第n ‑1个历史采样点处的漂移系数λ的方 差， tn是第n个历史采样点的时间参数， tn‑1是第n‑1个历史采样点的时间参数， n∈[1,N]， k ≥1； μ0(0)为漂移系数期望初 始值， 为漂移系数方差初 始值， η(0)为扩散系数初 始值， N是寿命关联指标的总数量； 根据 μN(k)和 确定第k次迭代的扩散系数 η(k)为： 若第k次迭代的扩散系数η(k)与第k ‑1次迭代的扩散系数η(k ‑1)的误差超出误差范围， 则执行第k+1迭代； 若第k次迭代的扩散系数η(k)与第k ‑1次迭代的扩散系数η(k ‑1)的误差未超出所述误 差范围， 则由第k次迭代得到的μN(k)和 确定得到漂移系数λ， 并将第k次迭代的扩散系 数 η(k)作为 最终的扩散系数 η。 9.根据权利要求7所述的方法， 其特征在于， 所述利用所述寿命预测模型评估得到所述权　利　要　求　书 2/3 页 3 CN 115221731 A 3