技术特征：
1.一种变压器状态评估方法，其特征在于，包括：采集历史变压器状态数据并进行状态标注，形成样本训练集；建立多个概率神经网络模型，将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练，直到概率神经网络模型收敛；采集预设时段内多个时刻下对应的多组变压器状态数据；将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和，获得多个状态概率集；对多个所述概率状态集进行数据融合，获得故障发生概率。2.根据权利要求1所述的方法，其特征在于，所述变压器状态数据包括变压器的运行数据和/或对变压器状态进行计算获得的指标数据。3.根据权利要求1所述的方法，其特征在于，所述概率神经网络模型包括起始层，所述起始层用于对所述样本训练集和所述变压器状态数据进行预处理。4.根据权利要求3所述的方法，其特征在于，对所述样本训练集和所述变压器状态数据的预处理包括归一化处理，通过如下公式表示：其中，x为变压器状态数据集或者样本训练集，x
i
为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据，为计算获得得到的归一化值，n为变压器状态数据或者样本训练集中的数据总数，max(x)表示变压器状态数据集或者样本训练集中的最大数据，min(x)表示变压器状态数据集或者样本训练集中的最小数据。5.根据权利要求3所述的方法，其特征在于，所述概率神经网络模型还包括样本层和求和层；将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和，获得多个状态概率集，包括：分别将多组变压器状态数据分别输入至训练后的多个概率神经网络模型中的起始层进行预处理；概率神经网络模型将经过所述起始层预处理后的变压器状态数据输入样本层作为样本点，计算各个样本点对应各个状态的条件概率；将各个状态对应各个样本点的条件概率输入求和层分别进行求和，得到各个状态对应的概率值；根据各个状态对应的概率值，得到状态概率集；多个概率神经网络模型输出状态概率集，获得多个状态概率集。6.根据权利要求1或5所述的方法，其特征在于，所述条件概率通过以下公式进行计算：其中，σ为平滑因子，n为样本点的总数，x为变压器运行时某个状态的正常值，为第i
个变压器状态数据或者样本训练集中第i个历史变压器状态数据归一化后的值，为第i个变压器状态数据或者样本训练集中第i个历史变压器状态数据为某个状态的概率值，π为常数。7.根据权利要求1所述的方法，其特征在于，对多个所述概率状态集进行数据融合，获得故障发生概率，包括：从所述多个概率状态集中选择两个概率状态集进行融合，获得融合概率状态集；从剩余的概率状态集中选择一个状态概率状态集与所述融合概率状态集进行融合，获得新的融合概率状态集，重复该步骤直到剩余的概率状态集数量为0，获得的最终融合概率状态集为故障发生概率。8.根据权利要求1所述的方法，其特征在于，从所述多个概率状态集中选择两个概率状态集进行融合，获得融合概率状态集，通过如下公式计算：z
r
＝p
r
q
r
/(1-∑p
r
q
r
)；r＝1,2,
…
,m；其中，z
r
为融合概率状态集中第r种状态的概率，p
r
和q
r
分别为两个概率状态集中的第r种状态的概率。9.一种应用于如权利要求1-8任一所述方法的变压器状态评估装置，其特征在于，包括：样本模块，用于采集历史变压器状态数据并进行状态标注，形成样本训练集；模型训练模块，用于建立多个概率神经网络模型，将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练，直到概率神经网络模型收敛；采集模块，用于采集预设时段内多个时刻下对应的多组变压器状态数据；状态计算模块，用于将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和，获得多个状态概率集；融合模块，用于对多个所述概率状态集进行数据融合，获得故障发生概率。10.一种变压器状态评估系统，其特征在于，包括处理器和存储装置，所述存储装置存储有多条指令，所述处理器用于读取所述多条指令并执行如权利要求1-8任一所述的方法。
技术总结
本发明公开了一种变压器状态评估方法、装置及系统，方法包括：采集历史变压器状态数据并进行状态标注，形成样本训练集；建立多个概率神经网络模型，将不同的多组样本训练集分别输入至多个概率神经网络模型进行预处理和训练，直到概率神经网络模型收敛；采集预设时段内多个时刻下对应的多组变压器状态数据；将多组变压器状态数据分别输入至训练后的多个概率神经网络模型进行预处理、条件概率计算以及概率求和，获得多个状态概率集；对多个所述概率状态集进行数据融合，获得故障发生概率；该方法能够提高变压器运行状态评估的准确率。方法能够提高变压器运行状态评估的准确率。方法能够提高变压器运行状态评估的准确率。
技术研发人员：陈挺 吴鹏 张泽 付慧 蔚超 姚建光 杨小平 马勇 吴益明 李勇 吴艳 鞠玲 陈凯 陆云才 李健生 王同磊 赵科 李洪涛 林元棣
受保护的技术使用者：国网江苏省电力有限公司电力科学研究院
技术研发日：2022.10.31
技术公布日：2023/2/23