[发明专利]一种输变电设备状态运行趋势分析方法

摘要

一种输变电设备状态运行趋势分析方法，包括步骤一、建立输变电设备信息模型；步骤二、从输变电设备信息模型中选取设备各部件运行特征参数值，构建输变电设备状态特征空间，计算设备各部件的不同运行特征参数值对应的动态劣化度值，使用变权模糊综合评价法得到设备运行状态值，得到时间序列上的设备历史运行状态样本；步骤三、使用设备历史运行状态样本作为原始训练样本，进行基于主成分分析法的神经网络训练，得到输变电设备运行状态趋势分析的神经网络模型；步骤四、使用训练好的神经网络进行输变电设备运行状态趋势分析。本发明可及时发现运行状态欠佳的设备，为制定合理的日常输变电设备维护、检修方案提供支持，提高电网运行的可靠性。

主权项

一种输变电设备状态运行趋势分析方法，其特征在于：包括如下步骤：步骤一、对电力公司生产管理系统输变电设备运行状态历史信息和气象监测系统的气象信息进行汇总整理，选择每隔12小时记录的属性数据建立输变电设备信息模型，所选择记录的属性数据包括设备标定参数、设备特征量、设备基础信息、环境参数、不同环境条件下设备或部件需停运时的特征参数阈值序列；所述输变电设备信息模型为E＝{B,F,P,M,G}，其中B＝{b1,b2,…,bn}，为设备基础信息的集合，反映设备固有属性的数据，包括设备名称、出厂日期、出厂编号、投运日期；F＝{<f1,s1>,<f2,s1>,…,<ft,sm>}，为由设备特征量及其隶属的部件组成的有序集合，m代表设备的第m个部件，t代表第m个部件的第t个特征参数；P＝{<fij,eij>}，由设备部件特征量及其额定值组成的有序集合，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个特征参数；M＝{mij}，由影响不同部件的环境参数组成的集合，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个环境影响因素；G＝{Gijq}，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个运行特征参数，q＝1,2,…,l，代表第m个部件的第j个运行特征参数在第q个环境影响因素条件下需停运时的特征参数阈值；步骤二、从所述输变电设备信息模型中选取设备各部件运行特征参数值，构建输变电设备状态特征空间，参考输变电设备信息模型中的其他属性数据及当天环境参数，计算设备各部件的不同运行特征参数值对应的动态劣化度值，使用变权模糊综合评价法得到设备运行状态值，得到时间序列上的设备历史运行状态样本；步骤二具体为：(2‑1)从输变电设备信息模型中将某输变电设备与功能相关的各部件运行特征参数选择出来，构建输变电设备状态特征空间，与功能相关的部件个数记为m，第i个部件的运行特征参数动态劣化度集为di＝{di1,di2,…,din}，其中i＝1,2,…,m，dij为第i类运行特征参数的子集的第j个运行特征参数动态劣化度，j＝1,2,…n，当值为1时，表明处于故障状态，当值为0时，表明处于健康状态；(2‑2)参考输变电设备信息模型中的其他属性数据及当天环境参数，对每个运行特征参数集合确定各运行特征参数的标准值和停运阈值，计算各运行特征参数的动态劣化度，进而得到设备各部件的不同运行特征参数值对应的动态劣化度值；(2‑3)确定状态评语集V＝{v1,v2,v3,v4}，v1,v2,v3,v4分别代表良好状态、较好状态、一般状态和拟故障状态四种状态；(2‑4)通过专家关于设备各部件及运行特征参数重要程度的分析，根据层次分析法确定各部件以及各运行特征参数对输变电设备运行影响的权重；(2‑5)根据步骤(2‑2)获得的设备各部件的不同运行特征参数值对应的动态劣化度值以及步骤(2‑4)获得的设备各部件以及各运行特征参数对输变电设备运行影响的权重，利用变权模糊综合评价法计算各部件与状态评语集V中四种状态对应的模糊评价集，并以此为基础计算设备与状态评语集V中四种状态对应的模糊评价集，针对不同时间的输变电设备状态特征空间计算其对应的模糊评价集，依时间先后顺序构成时间序列上的设备历史运行状态样本；步骤三、使用步骤二获得的设备历史运行状态样本作为原始训练样本，进行基于主成分分析法的神经网络训练，并验证其可靠性，得到输变电设备运行状态趋势分析的神经网络模型；步骤三具体为：(3‑1)对设备历史运行状态样本中的运行状态特征参数进行主成分分析，得到主成分运行状态特征参数；(3‑2)构造BP神经网络模型，BP神经网络模型的输入层节点数等于主成分运行状态特征参数，输出层节点数等于对应的四种运行状态数；(3‑3)利用设备历史运行状态样本，抽出一定比例作为训练样本，以前一个时刻的主成分运行状态特征参数作为输入样本，后一个时刻的输变电设备运行状态对应的模糊评价集中的四个状态值作为输出，计算BP神经网络中每个神经元的输出，计算BP神经网络对于每一个样本的输出值以及每个神经元节点所产生的误差，反向传递该误差，修正各个权值和阈值，重复对网络进行训练，直到误差值小于设定的误差值，使用另一部分设备历史运行状态样本进行测试，比较输出结果与真实状态值，计算错误率，若错误率较高，则重新进行模型训练，直至预测结果满足精度要求，得到训练好的基于主成分分析法的神经网络模型；步骤四、使用步骤三训练好的基于主成分分析法的神经网络模型进行输变电设备运行状态趋势分析；步骤四具体为：(4‑1)从生产管理系统采集输变电设备运行监测数据，每12小时建立输变电设备信息模型，作为下一时间段输变电设备状态运行趋势分析模型的输入数据，根据神经网络的输入要求输入输变电设备信息模型中的主成分运行状态参数，进行趋势分析得到分析结果；(4‑2)分析结果为一个与模糊评价集中四个状态一一对应的数值集合，根据最大隶属度原则，数值越大，其对应的状态就是输变电设备的运行状态趋势。