[发明专利]基于退化模型与数据驱动的断路器实时剩余寿命预测方法

说明书

本发明涉及一种基于退化模型与数据驱动的断路器实时剩余寿命预测方法，从断路器跳/合闸线圈电流波形和跳/合闸操作过程中断路器辅助触点电压波形中提取五个时间特征量作为状态监测数据来构建高压断路器的退化程度指标；然后，基于退化程度指标与操作次数间的指数型函数关系建立了高压断路器的指数型退化模型；最后，使用最大似然估计对模型中参数初值进行离线估计，并引入贝叶斯算法实现参数的在线更新，从而将历史数据和在线监测数据相结合以实现对高压断路器的实时剩余寿命预测。

技术领域

本发明属于电力保护领域，涉及继电器剩余寿命预测，特别涉及一种基于退化模型与数据驱动的断路器实时剩余寿命预测方法。

背景技术

断路器在电力系统中起着保护与控制双重作用，是最重要的电力设备之一。断路器故障会造成电网事故或扩大事故范围，甚至引起连锁故障导致系统瓦解。随着断路器在线服役时间的增长，其跳/合闸操作性能和运行可靠性会因操动机构磨损或部件老化等因素而不断降低。因此，完善的维护策略是断路器的持续可靠运行的必要保障，从而确保电力系统的安全稳定运行。

目前普遍采用的断路器均存在事后维护与计划维护策略存在维护不足、过剩抑或盲目维护等缺陷。因此，如何实现兼顾经济性与可靠性的断路器与其他电力设备维护决策与优化已成为了领域内关键问题。

为实现上述目标，以设备当前运行状态为依据的状态维护(Condition-BasedMaintenance，CBM)是当下颇受关注且已走向实际工程应用的维护策略。为了有效减少不必要的维护活动，基于退化建模的状态监测与健康评估是CBM主要的决策支持技术。

近年来随着人工智能技术的快速发展，作为一种更新颖的CBM策略，预测性维护(Predictive Maintenance，PdM)正逐渐成为研究热点。基于数据驱动的剩余寿命计算与故障预测等决策支持技术的引入使得PdM相较于传统CBM在通用性与节约维护成本等方面更具优势。目前有关断路器PdM决策及其支持方法可分为三类：退化建模方法、数据驱动方法、模型和数据融合方法。

退化建模方法通过建立断路器失效模型或退化模型并计算概率性指标或剩余寿命作为PdM决策依据。该方法已有成果未引入设备状态监测数据，预测精度易受设备个体差异的不确定性所影响；未考虑设备退化过程中的时变不确定性对预测结果的影响。

因此基于退化建模的PdM决策具有适用性不强、工程应用预测准确率较低等缺点。随着智能传感器、机器学习等新技术的快速发展，基于状态监测的数据驱动方法为PdM提供了新的途径。但已有成果仅评价断路器当前的退化程度，无法为PdM决策提供更有价值的剩余寿命与故障预测支持。退化模型和数据驱动相融合方法综合了上述两类方法的优势，已获得了研究者的重点关注。

发明内容

本发明的目的在于克服现有技术的不足，从断路器跳/合闸线圈电流波形和跳/合闸操作过程中断路器辅助触点电压波形中提取五个时间特征量作为状态监测数据来构建高压断路器的退化程度指标，然后基于退化程度指标与操作次数间的指数型函数关系建立了高压断路器的指数型退化模型；最后，使用最大似然估计对模型中参数初值进行离线估计，并引入贝叶斯算法实现参数的在线更新，从而将历史数据和在线监测数据相结合以实现对高压断路器的实时剩余寿命预测。

本发明解决其技术问题是通过以下技术方案实现的：

一种基于退化模型与数据驱动的断路器实时剩余寿命预测方法，其特征在于：所述方法的步骤为：

(1)收集可有效反映设备退化程度的断路器状态监测数据

提取断路器跳闸线圈电流波形中时间特征量t₁、t₂和t₃作为反映二次回路退化程度的状态监测数据，提取断路器辅助触点电压波形中时间特征量t₄和t₅作为反映操动机构退化程度的状态监测数据；

(2)建立断路器退化模型