CN102289590A

CN102289590A - Sf6高压断路器运行状态评估方法及智能系统

Info

Publication number: CN102289590A
Application number: CN2011102378675A
Authority: CN
Inventors: 林莘; 李斌; 徐建源; 滕云
Original assignee: Shenyang University of Technology
Current assignee: Shenyang University of Technology
Priority date: 2011-08-18
Filing date: 2011-08-18
Publication date: 2011-12-21
Anticipated expiration: 2031-08-18
Also published as: CN102289590B

Abstract

一种SF₆高压断路器运行状态评估方法及智能系统，属于输变电设备技术领域。该系统包括WEB服务器、数据服务器、工控机、局部放电监测单元、分合闸线圈电流监测单元、开断电流监测单元、分合闸行程监测单元、分合闸位置监测单元、SF6气体温度及压力监测单元和传感元件。该方法包括：1建立评估智能系统；2量化评估指标；3确定待评物元R；4确定模型经典域；5确定模型节典域；6主观权重计算；7客观权重计算；8确定主客观组合权重；9确定待评物元关联度；10子项目层物元评估；11项目层物元评估；12目标层物元评估；13确定运行状态等级；14确定特性指标状态等级趋势。本发明优点：模型简单，评估结果直观，自我完善特性强。

Description

SF<sub>6</sub>高压断路器运行状态评估方法及智能系统

技术领域

本发明属于输变电设备技术领域，特别涉及一种SF₆高压断路器运行状态评估方法及智能系统。

背景技术

SF₆高压断路器是电业部门的重要设备，作为开展状态维修策略的基础性工作，国内已经开始研究其状态评估问题，但目前对于高压断路器运行状态评估的研究工作处于探索阶段，在断路器状态监测方面虽然还没有很成熟的断路器状态监测产品，但部分单位、高校和研究所在这方面也进行了探索性的研究。对于高压断路器的状态评估理论的研究，主要是针对断路器的机械特性和电气性能进行评估，在机械特性方面采用了小波分析和证据理论的方法分析断路器的机械振动；在电气性能方面采用模糊理论、突变理论对断路器的电寿命进行评估。通过这些方法的研究提高了断路器状态评估理论的水平，但是还存在着一些问题，比如在断路器运行状态评估的研究中，断路器运行状态参数的数据量比较少；同时断路器的运行状态评估的研究仅局限于电气性能或机械性能，缺乏系统性和综合性。

发明内容

针对现有技术存在的不足，本发明提供了一种SF₆高压断路器运行状态评估方法及智能系统。

该系统包括WEB服务器、数据服务器、工控机、局部放电监测单元、分合闸线圈电流监测单元、开断电流监测单元、分合闸行程监测单元、分合闸位置监测单元、SF6气体温度及压力监测单元和传感元件；

其中WEB服务器、数据服务器和工控机之间的双控端口依次连接，工控机的双工端通过数据总线连接局部放电监测单元、分合闸线圈电流监测单元、开断电流监测单元、分合闸行程监测单元、分合闸位置监测单元和SF6气体温度及压力监测单元的双工端，局部放电监测单元、分合闸线圈电流监测单元、开断电流监测单元、分合闸行程监测单元、分合闸位置监测单元和SF6气体温度及压力监测单元的输入端分别连接传感元件。

本发明一种SF₆高压断路器运行状态评估方法，按如下步骤进行：

步骤1、建立SF₆高压断路器运行状态评估智能系统，该系统的指标体系从纵向分为目标层、项目层、子项目层和指标层，项目层包括机械特性、电气特性和绝缘特性，子项目层包括时间特性、速度特性、开断特性、气体特性和运行特性，时间特性的指标层包括合闸时间、分闸时间、合闸不同期性和分闸不同期性；速度特性的指标层包括刚合闸速度、刚分闸速度和其它(合闸平均速度、分闸平均速度)；开断特性的指标层包括相对电磨损程度、导电回路电阻、累计开断次数和使用年数；气体特性的指标层包括微水含量、气体泄漏和其它因素(密度、分解物)；运行特性的指标层包括断路器的外观情况(持绝缘子部分、操动机构润滑、主体及机构外观和主回路端子)和环境的污秽度、湿度及温度；

步骤2、量化高压断路器运行状态的评估指标，由于评估指标体系中即有定量指标又有定性指标，且具有不同的量纲和数量级，不能直接进行比较，应采用不同的方法进行量化；时间特性、速度特性、开断特性和气体特性属于定量指标，量化采用升、降半梯形函数，其中极小型指标采用升半梯形函数，极大型指标采用降半梯形函数；

升半梯形函数：

X = \{\begin{matrix} 0 & x \leq a_{1} \\ \frac{x - a_{2}}{a_{2} - a_{1}} & a_{1} < x \leq a_{2} \\ 1 & x > a_{2} \end{matrix}

公式(1)

降半梯形函数：

X = \{\begin{matrix} 1 & x \leq a_{1} \\ \frac{a_{2} - x}{a_{2} - a_{1}} & a_{1} < x \leq a_{2} \\ 0 & x > a_{2} \end{matrix}

公式(2)

式中，X为指标归一化后的值，x为指标实测值，a1，a2表示该指标的注意值和最优值，其值的确定参考《电力设备预防性试验规程》、《高压开关运行规程》及制造厂家的规定；对运行特性中的外观情况等定性指标通过专家调查的形式，由多位专家按经验进行评分，评分区间为[0，1]，分值越接近0，指标反应断路器状态越好；

步骤3、确定待评物元R，定量的待评物元可通过升半梯形函数和降半梯形函获得，定性的待评物元可通过专家评分方式获得；

R = [\begin{matrix} P & c_{1} & v_{1} \\ c_{2} & v_{2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & v_{n} \end{matrix}]

公式(3)

式中，P为待评物元，vn为P关于物元指标cn的量值，即待评物元量化后的值，n为物元指标个数；

步骤4、确定模型经典域Rj

R_{j} = (N_{j}, C_{i}, V_{ji}) = [\begin{matrix} N_{j} & c_{1} & v_{j 1} \\ c_{2} & v_{j 2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & b_{jn} \end{matrix}] = [\begin{matrix} N_{j} & c_{1} & < a_{j 1}, b_{j 1} > \\ c_{2} & < a_{j 2}, b_{j 2} > \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & < a_{jn}, b_{jn} > \end{matrix}]

公式(4)

式中，Nj代表断路器某项目层物元所划分的第j个评价等级名称；Ci为该物元中的第i个评价指标；Vji为Nj关于指标Ci所规定的量值范围<aji，bji>，即经典域；

根据表1，将断路器的运行状态划分为四个等级：“良好”、“一般”、“注意”和“故障”，即可取所有待评物元的经典域均为：

R_{j} = (N_{j} {, C}_{4}, V_{j 4}) = [\begin{matrix} N_{j} & c_{1} & < 0.0,0.2 > \\ c_{2} & < 0.2,0.5 > \\ c_{3} & < 0.5,0.8 > \\ c_{4} & < 0.8,1.0 > \end{matrix}]

表1相对劣化度的定义

步骤5、确定模型节典域Rp

R_{p} = (P, C_{i}, V_{pi}) = [\begin{matrix} P & c_{1} & v_{p 1} \\ c_{2} & v_{p 2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & v_{pn} \end{matrix}] = [\begin{matrix} P & c_{1} & < a_{p 1}, b_{p 1} > \\ c_{2} & < a_{p 2}, b_{p 2} > \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & < a_{pn}, b_{pn} > \end{matrix}]

公式(5)

式中，P为评价等级的全体，vpi为P关于物元指标Ci所取的量值范围<api，bpi>，即节典域，显然有，

由于各评估指标都被量化为[0，1]之间的数，故所有待评物元的节域均为[0，1]，以时间特性P1为例，其节典域为

R_{P 1} = (p_{1}, C_{4}, V_{p 4}) = \begin{matrix} [\begin{matrix} P_{1} & c_{1} & < 0,1 > \\ c_{2} & < 0,1 > \\ c_{3} & < 0,1 > \\ c_{4} & < 0,1 > \end{matrix}] \end{matrix}

步骤6、基于可拓层次分析法的主观权重计算，可拓层次分析法是基于可拓集合理论的层次分析方法，研究在相对重要程度不确定时层次分析法如何构造判断矩阵的方法，该方法在构造判断矩阵时，将人判断的模糊性考虑进去并采用扩展到(-∞，+∞)的关联函数值，使评价精细化、定量化；

步骤6-1、构造可拓评判矩阵，在建立了层次结构之后，针对第k-1层的某一个(例如第h个)因素或准则，将第k层与之相关的全部nk个因素，通过两两比较，利用可拓区间数定量表示它们的相对优劣程度(或重要程度)，从而构造一个可拓区间评判矩阵A；

A＝(aij)n×n中的元素aij＝(aij-，aij+)是一个可拓区间数，为了把可拓评判矩阵中的每个元素定量化，可拓区间数的中值(aij-+aij+)/2就是AHP方法中比较评判所采用的T.J.Saaty提出的1～9标度中的整数，式中i和j分别代表评判矩阵A的横向和纵向元素个数；

可拓评判矩阵A＝(aij)n×n为正互反矩阵，即aij＝1，aij＝aij-1＝(1/aij+，1/aij-)(i，j＝1，2，…，nk)

步骤6-2、计算综合可拓评判矩阵和权重向量，设aijt＝(aij-，aij+)(i，j＝1，2，…，nk；t＝1，2，…，T)为第t个专家给出的可拓区间数，根据式(6)，求得第k层的h个综合可拓区间数，由此得到第k层全体因素对第k-1层的h因素的综合可拓评判矩阵；

A_{ij}^{k} = \frac{1}{T} &CircleTimes; (a_{ij}^{1} + a_{ij}^{2} + \cdot \cdot \cdot + a_{ij}^{t})

公式(6)

对上述第k层综合可拓区间数评判矩阵A＝(A-，A+)，求其满足一致性条件的权重向量步骤为：

①求A-，A+的最大特征值所对应的具有正分量的归一化特征向量x-，x+；

②由，

计算x-和x+特征向量的系数w和m

w = \sqrt{Σ_{j = 1}^{n_{k}} \frac{1}{Σ_{i = 1}^{n_{k}} a_{ij}^{+}}},

m = \sqrt{Σ_{j = 1}^{n_{k}} \frac{1}{Σ_{i = 1}^{n_{k}} a_{ij}^{-}}}

公式(7)

③求出k层权重向量S

S^{k} = {(S_{1}^{k}, S_{2}^{k}, \cdot \cdot \cdot, S_{n_{k}}^{k})}^{T} = < {wx}^{-}, {mx}^{+} >

公式(8)

步骤6-3，层次单排序

V (S_{i}^{k} &GreaterEqual; S_{j}^{k}) = \frac{2 (S_{i}^{k +} - S_{j}^{k -})}{(S_{j}^{k +} - S_{j}^{k -}) + (S_{i}^{k +} - S_{i}^{k -})}

公式(9)

利用式(9)计算

V (S_{i}^{k} &GreaterEqual; S_{j}^{k})

(i，j＝1，2，…，n_k；i≠j)如果

&ForAll; i, j = 1,2, \cdot \cdot \cdot, n;

V (S_{i}^{k} &GreaterEqual; S_{j}^{k}) &GreaterEqual; 0,

则：

P_{jh}^{k} = 1, P_{ih}^{k} = V (S_{i}^{k} &GreaterEqual; S_{j}^{k}), (i, j = 1,2, \cdot \cdot \cdot, n_{k}; i &NotEqual; j)

公式(10)

式中，

表示第k层上第i个因素对第k-1层次上的第h因素的单排序，经归一化后得到

表示第k层上各因素对第k-1层次上的第h个因素的单排序权重向量；

步骤7、基于熵值法的客观权重计算，信息熵表示对一个随机事件的不确定性的量度，也可以理解为某种特定信息的出现概率，熵越大，表示无序程度越高，反之则认为有序程度越高，故可用信息熵评价所获系统信息的有序度及效用，由指标值构成的判断矩阵来确定指标权重，尽量消除各指标权重计算的人为干扰，使评价结果更符合实际；

步骤7-1、构建具有m个样本n个评价指标的归一化后的判断矩阵

R＝(x_ij)_nm i＝1，2，...，n；j＝1，2，...，m；公式(11)

在发明中判断矩阵R就是关联度矩阵k_j(v_i)；

步骤7-2，计算各评级指标的熵H

H_{i} = - \frac{1}{\ln m} (Σ_{j = 1}^{m} f_{ij} \ln f_{ij}) i = 1,2, . . ., n; j = 1,2, . . ., m;

公式(12)

式中m为评估指标个数，n为被评对象个数，为第i个评估单元第j个指标标准化值，Xij为第i个评估单元第j个指标原始值，如果f_ij＝0，则ln f_ij无意义，所以对其修正如下：

f_{ij} = (1 + x_{ij}) / Σ_{j = 1}^{m} (1 + x_{ij});

步骤7-3、计算各评价指标的熵权w

w = {(ω_{j})}_{1 \times n} = \frac{1 - H_{j}}{n - Σ_{j = 1}^{n} H_{j}}, (j = 1, \cdot \cdot \cdot, n)

公式(13)

，且满足

ω_j为为第j个评估单元的熵权值；

步骤8、主客观组合权重的确定

a = {(a_{j})}_{1 \times n} = \frac{P_{j} ω_{j}}{Σ_{j = 1}^{n} P_{j} ω_{j}}, j = 1, . . ., n;

公式(14)

式中，P_j为采用可拓层次分析法计算得到的主观权重矩阵向量，ω_j为采用熵值法计算得到的客观权重矩阵向量；

步骤9、确定待评物元关于各指标状态等级的关联度

k_{j} (v_{i}) = |\begin{matrix} \frac{ρ (v_{i}, v_{ji})}{ρ (v_{i}, v_{pi}) - ρ (v_{i}, v_{ji})} & v_{i} &NotElement; v_{ji} \\ \frac{- ρ (v_{i}, v_{ji})}{| v_{ji} |} & v_{i} &Element; v_{ji} \end{matrix}

公式(15)

式中，k_j(v_i)表示物元的第i个特征关于第j个状态等级的关联度，ρ(v_i，v_ji)，ρ(v_i，v_pi)分别表示点vi与区间vji和vpi的距离，vi为第i个评估指标量值，vji为关于i指标的经典域，vpi为关于i指标的节典域，第i个评估指标第的第为关联度集为K(vi)＝{k1(vi)，k2(vi)，…，kj(vi)}，表示按指标vi评估的结果，则该项目下的所有物元指标就构成了其关联度矩阵：

K_{v} = [\begin{matrix} K_{1} (v_{1}) & K_{2} (v_{1}) & \cdot \cdot \cdot & K_{j} (v_{1}) \\ K_{1} (v_{2}) & K_{2} (v_{1}) & \cdot \cdot \cdot & K_{j} (v_{2}) \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ K_{1} (v_{i}) & K_{2} (v_{i}) & \cdot \cdot \cdot & K_{j} (v_{i}) \end{matrix}]

公式(16)

步骤10、子项目层物元评估

K_{j} (S) = Σ_{k = 1}^{n_{k}} λ_{hik} \times K_{j} (v_{hik})

公式(17)

式中，K_j(S)为对于j个节典域的子项目层评估结果集合，S为子项目层物元集合，λ_hik表示第h个项目中第i个子项目的第k个物元指标的权重，K_j(v_hik)表示该指标的关联度；

步骤11、项目层物元评估

K_{j} (P) = Σ_{i = 1}^{n_{i}} λ_{hi} \times K_{j} (v_{hi})

公式(18)

式中，K_j(P)为对于j个节典域的项目层评估结果集合，P为项目层物元集合，λ_hi表示第h个项目中第i个子项目的第k个物元指标的权重，K_j(v_hi)表示该指标的关联度；

步骤12、目标层物元评估

K_{j} (G) = Σ_{h = 1}^{h} λ_{h} \times K_{j} (v_{h})

公式(19)

式中，K_j(G)为对于j个节典域的目标层评估结果集合，G为目标层物元，λ_h表示第h个项目的权重，K_j(v_h)表示该指标的关联度；

步骤13、运行状态等级的确定

K_{j_{0}} (P) = \max K_{j} (P)

公式(20)

式中，j＝(1，2，…，m)，j0为待评物元所属的状态等级；

步骤14、确定特性指标状态等级趋势，关联度的大小能够反映该对象符合标准对象等级的程度，其值越大，符合的程度越高，令

\overset{&OverBar;}{K_{j}} (N) = \frac{K_{j} (N) - \min_{j}^{n} K_{j} (N)}{\max_{j}^{m} K_{j} (N) - \min_{j}^{m} K_{j} (N)}

公式(21)

j^{*} = \frac{Σ_{j}^{m} j \cdot \overset{&OverBar;}{K_{j}} (N)}{Σ_{j}^{m} \overset{&OverBar;}{K_{j}} (N)}

公式(22)

式中，j*为N的级别变量特征值，N为断路器状态评估的等级，如j*-j0为正值，则表示从j0等级向下一等级的趋势程度；如为负值，则表示从j0等级向上一等级的趋势程度。

本发明的优点：本发明具有评估模型简单，不需要大量的状态评价样本优点，能快速判别断路器的运行状态，是一种更为高效合理的断路器运行状态评价方法，评估结果更直观。具有较强的自我完善特性、灵活性和鲁棒性。可广泛应用于各类电气设备的状态评价、故障诊断及管理决策等方面，具有广阔的应用前景。

附图说明

图1是本发明的高压断路器运行状态智能评估系统结构示意图；

图2是本发明的高压断路器运行状态评估方法流程图；

图3是本发明的高压断路器运行状态在线监测系统示意图；

图4是本发明的高压断路器运行状态评估指标体系示意图；

图5是本发明的高压断路器运行状态智能评估系统多智能体协作过程图；

图6是本发明的高压断路器运行状态智能评估智能体体系结构图。

具体实施方式

本发明结合具体实施例和说明书附图加以详细说明。

如图2展示了本发明的高压断路器运行状态评估方法流程。

根据本发明的高压断路器运行状态在线监测系统，采集高压断路器的状态参数信息及运行信息，即图1和3所示，系统采用分布网络结构，实时数据通过RS485总线采用MODBUS协传输到工控机，内网用户可根据权限设置及查看数据服务器上的监测数据，外网用户可根据权限设置及查看WEB服务器上监测数据，各监测单元采用DSP2812单片机集成开发。连接局部放电传感器采用UHF超高频传感器，连接分合闸线圈电流传感器采用霍尔电流传感器，连接开断电流传感器采用电流互感器，连接分合闸行程传感器采用光电式旋转编码器，连接分合闸位置是开关量可通过单片机直接采集，连接SF₆气体温度传感器采用温度传感器采集，连接SF₆气体压力传感器采用压力传感器。

步骤1，如图4所示，该指标体系从纵向分为目标层、项目层、子项目层和指标层。项目层包括机械特性、电气特性和绝缘特性。子项目层包括时间特性、速度特性、开断特性、气体特性和运行特性。时间特性的指标层包括合闸时间、分闸时间、合闸不同期性和分闸不同期性；速度特性的指标层包括刚合闸速度、刚分闸速度和其它(合闸平均速度、分闸平均速度等)；开断特性的指标层包括相对电磨损程度、导电回路电阻、累计开断次数和使用年数；气体特性的指标层包括微水含量、气体泄漏和其它因素(密度、分解物等)；运行特性的指标层包括断路器的外观情况(持绝缘子部分、操动机构润滑、主体及机构外观和主回路端子)和环境的污秽度、湿度及温度。

步骤2，量化高压断路器运行状态的评估指标，由于评估指标体系中即有定量指标又有定性指标，且具有不同的量纲和数量级，不能直接进行比较，应采用不同的方法进行量化。

时间特性、速度特性、开断特性和气体特性属于定量指标，量化采用升、降半梯形函数，其中极小型指标采用升半梯形函数，极大型指标采用降半梯形函数。

升半梯形函数：

X = \{\begin{matrix} 0 & x \leq a_{1} \\ \frac{x - a_{2}}{a_{2} - a_{1}} & a_{1} < x \leq a_{2} \\ 1 & x > a_{2} \end{matrix}

公式(1)

降半梯形函数：

X = \{\begin{matrix} 1 & x \leq a_{1} \\ \frac{a_{2} - x}{a_{2} - a_{1}} & a_{1} < x \leq a_{2} \\ 0 & x > a_{2} \end{matrix}

公式(2)

式中，X为指标归一化后的值，x为指标实测值，a₁，a₂表示该指标的注意值和最优值，其值的确定参考《电力设备预防性试验规程》、《高压开关运行规程》及制造厂家的规定。

对运行特性中的外观情况等定性指标通过专家调查的形式，由多位专家按经验进行评分。评分区间为[0，1]，分值越接近0，指标反应断路器状态越好。

步骤3，确定待评物元R，定量的待评物元可通过升半梯形函数和降半梯形函获得，定性的待评物元可通过专家评分方式获得。

R = [\begin{matrix} P & c_{1} & v_{1} \\ c_{2} & v_{2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & v_{n} \end{matrix}]

公式(3)

式中，P为待评物元，v_n为P关于物元指标c_n的量值，即待评物元量化后的值，n为物元指标个数。

步骤4，确定模型经典域R_j

R_{j} = (N_{j}, C_{i}, V_{ji}) = [\begin{matrix} N_{j} & c_{1} & v_{j 1} \\ c_{2} & v_{j 2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & b_{jn} \end{matrix}] = [\begin{matrix} N_{j} & c_{1} & < a_{j 1}, b_{j 1} > \\ c_{2} & < a_{j 2}, b_{j 2} > \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & < a_{jn}, b_{jn} > \end{matrix}]

公式(4)

式中，N_j代表断路器某项目层物元所划分的第j个评价等级名称；C_i为该物元中的第i个评价指标；V_ji为N_j关于指标C_i所规定的量值范围<a_ji，b_ji>，即经典域。

根据表1，将断路器的运行状态划分为四个等级：“良好”、“一般”、“注意”和“故障”。即可取所有待评物元的经典域均为：

R_{j} = (N_{j}, C_{4}, V_{j 4}) = [\begin{matrix} N_{j} & c_{1} & < 0.0,0.2 > \\ c_{2} & < 0.2,0.5 > \\ c_{3} & < 0.5,0.8 > \\ c_{4} & < 0.8,1.0 > \end{matrix}]

表1相对劣化度的定义

Tab.1 The definition of relative deterioration degree

步骤5，确定模型节典域R_p

R_{p} = (P, C_{i}, V_{pi}) = [\begin{matrix} P & c_{1} & v_{p 1} \\ c_{2} & v_{p 2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & v_{pn} \end{matrix}] = [\begin{matrix} P & c_{1} & < a_{p 1}, b_{p 1} > \\ c_{2} & < a_{p 2}, b_{p 2} > \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & < a_{pn}, b_{pn} > \end{matrix}]

公式(5)

式中，P为评价等级的全体，v_pi为P关于物元指标C_i所取的量值范围<a_pi，b_pi>，即节典域。显然有，

由于各评估指标都被量化为[0，1]之间的数，故所有待评物元的节域均为[0，1]。以时间特性P₁为例，其节典域为：

R_{P 1} = (p_{1}, C_{4}, V_{p 4}) = \begin{matrix} [\begin{matrix} P_{1} & c_{1} & < 0,1 > \\ c_{2} & < 0,1 > \\ c_{3} & < 0,1 > \\ c_{4} & < 0,1 > \end{matrix}] \end{matrix}

步骤6，基于可拓层次分析法的主观权重计算，可拓层次分析法是基于可拓集合理论的层次分析方法，研究在相对重要程度不确定时层次分析法如何构造判断矩阵的方法，该方法在构造判断矩阵时，将人判断的模糊性考虑进去并采用扩展到(-∞，+∞)的关联函数值，使评价精细化、定量化。

步骤6-1，构造可拓评判矩阵，在建立了层次结构之后，针对第k-1层的某一个(例如第h个)因素或准则，将第k层与之相关的全部n_k个因素，通过两两比较，利用可拓区间数定量表示它们的相对优劣程度(或重要程度)，从而构造一个可拓区间评判矩阵A。

A＝(a_ij)_n×n中的元素a_ij＝(a_ij ^-，a_ij ⁺)是一个可拓区间数，为了把可拓评判矩阵中的每个元素定量化，可拓区间数的中值(a_ij ^-+a_ij ⁺)/2就是AHP方法中比较评判所采用的T.J.Saaty提出的1～9标度中的整数，式中i和j分别代表评判矩阵A的横向和纵向元素个数。

可拓评判矩阵A＝(a_ij)_n×n为正互反矩阵，即a_ij＝1，a_ij＝a_ij ^-1＝(1/a_ij ⁺，1/a_ij ^-)(i，j＝1，2，...，n_k)

步骤6-2，计算综合可拓评判矩阵和权重向量，设a_ij ^t＝(a_ij ^-，a_ij ⁺)(i，j＝1，2，...，n_k；t＝1，2，...，T)为第t个专家给出的可拓区间数，根据式(6)，求得第k层的h个综合可拓区间数，由此得到第k层全体因素对第k-1层的h因素的综合可拓评判矩阵。

A_{ij}^{k} = \frac{1}{T} &CircleTimes; (a_{ij}^{1} + a_{ij}^{2} + \cdot \cdot \cdot + a_{ij}^{t})

公式(6)

对上述第k层综合可拓区间数评判矩阵A＝(A^-，A⁺)，求其满足一致性条件的权重向量步骤为：

①求A^-，A⁺的最大特征值所对应的具有正分量的归一化特征向量x^-，x⁺。

②由，

计算x^-和x⁺特征向量的系数w和m

w = \sqrt{Σ_{j = 1}^{n_{k}} \frac{1}{Σ_{i = 1}^{n_{k}} a_{ij}^{+}}},

m = \sqrt{Σ_{j = 1}^{n_{k}} \frac{1}{Σ_{i = 1}^{n_{k}} a_{ij}^{-}}}

公式(7)

③求出k层权重向量S

S^{k} = {(S_{1}^{k}, S_{2}^{k}, \cdot \cdot \cdot, S_{n_{k}}^{k})}^{T} = < {wx}^{-}, {mx}^{+} >

公式(8)

步骤6-3，层次单排序

V (S_{i}^{k} &GreaterEqual; S_{j}^{k}) = \frac{2 (S_{i}^{k +} - S_{j}^{k -})}{(S_{j}^{k +} - S_{j}^{k -}) + (S_{i}^{k +} - S_{i}^{k -})}

公式(9)

利用式(9)计算

V (S_{i}^{k} &GreaterEqual; S_{j}^{k})

(i，j＝1，2，…，n_k；i≠j)如果

&ForAll; i, j = 1,2, \cdot \cdot \cdot, n;

V (S_{i}^{k} &GreaterEqual; S_{j}^{k}) &GreaterEqual; 0,

则：

P_{jh}^{k} = 1, P_{ih}^{k} = V (S_{i}^{k} &GreaterEqual; S_{j}^{k}), (i, j = 1,2, \cdot \cdot \cdot, n_{k}; i &NotEqual; j)

公式(10)

式中，

表示第k层上各因素对第k-1层次上的第h个因素的单排序权重向量。

步骤7，基于熵值法的客观权重计算，信息熵表示对一个随机事件的不确定性的量度，也可以理解为某种特定信息的出现概率。熵越大，表示无序程度越高，反之则认为有序程度越高。故可用信息熵评价所获系统信息的有序度及效用，由指标值构成的判断矩阵来确定指标权重，尽量消除各指标权重计算的人为干扰，使评价结果更符合实际。

步骤7-1，构建具有m个样本n个评价指标的归一化后的判断矩阵

R＝(x_ij)_nm i＝1，2，...，n；j＝1，2，...，m；公式(11)

在发明中判断矩阵R就是关联度矩阵k_j(v_i)。

步骤7-2，计算各评级指标的熵H

H_{i} = - \frac{1}{\ln m} (Σ_{j = 1}^{m} f_{ij} \ln f_{ij}) i = 1,2, . . ., n; j = 1,2, . . ., m;

公式(12)

式中m为评估指标个数，n为被评对象个数，

为第i个评估单元第j个指标标准化值，X_ij为第i个评估单元第j个指标原始值，如果f_ij＝0，则ln f_ij无意义，所以对其修正如下：

f_{ij} = (1 + x_{ij}) / Σ_{j = 1}^{m} (1 + x_{ij}) .

步骤7-3，计算各评价指标的熵权w

w = {(ω_{j})}_{1 \times n} = \frac{1 - H_{j}}{n - Σ_{j = 1}^{n} H_{j}}, (j = 1, \cdot \cdot \cdot, n)

公式(13)

，且满足ω_j为为第j个评估单元的熵权值。

步骤8，主客观组合权重的确定

a = {(a_{j})}_{1 \times n} = \frac{P_{j} ω_{j}}{Σ_{j = 1}^{n} P_{j} ω_{j}}, j = 1, . . ., n;

公式(14)

式中，P_j为采用可拓层次分析法计算得到的主观权重矩阵向量，ω_j为采用熵值法计算得到的客观权重矩阵向量。

步骤9，确定待评物元关于各指标状态等级的关联度

k_{j} (v_{i}) = |\begin{matrix} \frac{ρ (v_{i}, v_{ji})}{ρ (v_{i}, v_{pi}) - ρ (v_{i}, v_{ji})} & v_{i} &NotElement; v_{ji} \\ \frac{- ρ (v_{i}, v_{ji})}{| v_{ji} |} & v_{i} &Element; v_{ji} \end{matrix}

公式(15)

式中，k_j(v_i)表示物元的第i个特征关于第j个状态等级的关联度。ρ(v_i，v_ji)，ρ(v_i，v_pi)分别表示点v_i与区间v_ji和v_pi的距离，v_i为第i个评估指标量值，v_ji为关于i指标的经典域，v_pi为关于i指标的节典域。第i个评估指标第的第为关联度集为K(v_i)＝{k₁(v_i)，k₂(v_i)，...，k_j(v_i)}，表示按指标v_i评估的结果，则该项目下的所有物元指标就构成了其关联度矩阵：

K_{v} = [\begin{matrix} K_{1} (v_{1}) & K_{2} (v_{1}) & \cdot \cdot \cdot & K_{j} (v_{1}) \\ K_{1} (v_{2}) & K_{2} (v_{1}) & \cdot \cdot \cdot & K_{j} (v_{2}) \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ K_{1} (v_{i}) & K_{2} (v_{i}) & \cdot \cdot \cdot & K_{j} (v_{i}) \end{matrix}]

公式(16)

步骤10，子项目层物元评估

K_{j} (S) = Σ_{k = 1}^{n_{k}} λ_{hik} \times K_{j} (v_{hik})

公式(17)

式中，K_j(S)为对于j个节典域的子项目层评估结果集合，S为子项目层物元集合，λ_hik表示第h个项目中第i个子项目的第k个物元指标的权重，K_j(v_hik)表示该指标的关联度。

步骤11，项目层物元评估

K_{j} (P) = Σ_{i = 1}^{n_{i}} λ_{hi} \times K_{j} (v_{hi})

公式(18)

式中，K_j(P)为对于j个节典域的项目层评估结果集合，P为项目层物元集合，λ_hi表示第h个项目中第i个子项目的第k个物元指标的权重，K_j(v_hi)表示该指标的关联度。

步骤12，目标层物元评估

K_{j} (G) = Σ_{h = 1}^{h} λ_{h} \times K_{j} (v_{h})

公式(19)

式中，K_j(G)为对于j个节典域的目标层评估结果集合，G为目标层物元，λ_h表示第h个项目的权重，K_j(v_h)表示该指标的关联度。

步骤13，运行状态等级的确定

K_{j_{0}} (P) = \max K_{j} (P)

公式(20)

式中，j＝(1，2，...，m)，j₀为待评物元所属的状态等级；

步骤14，确定特性指标状态等级趋势，关联度的大小能够反映该对象符合标准对象等级的程度，其值越大，符合的程度越高。令

\overset{&OverBar;}{K_{j}} (N) = \frac{K_{j} (N) - \min_{j}^{n} K_{j} (N)}{\max_{j}^{m} K_{j} (N) - \min_{j}^{m} K_{j} (N)}

公式(21)

j^{*} = \frac{Σ_{j}^{m} j \cdot \overset{&OverBar;}{K_{j}} (N)}{Σ_{j}^{m} \overset{&OverBar;}{K_{j}} (N)}

公式(22)

式中，j^*为N的级别变量特征值，N为断路器状态评估的等级，如j^*-j₀为正值，则表示从j₀等级向下一等级的趋势程度；如为负值，则表示从j₀等级向上一等级的趋势程度。

本发明的第二方面，高压断路器运行状态智能评估系统实施方式。

根据图5进一步说明，本发明的高压断路器运行状态智能评估系统多智能体的协作实施过程。

(1)在系统中自主循环运行的监测报警Agent实时的监测，来自于高压断路器运行信息是否直接超过了某一故障类型的最大值，如果超过则向黑板优先级最高的报警层发出故障警报及故障类型信息，然后由控制管理Agent把黑板上的结果告知智能用户Agent并展示给用户。

(2)如果没有报警信号，数据预处理Agent将监测信息库中的数据处理成状态评估Agent所需要的特征数据，并把数据送到黑板相应的层中。

(3)特征值比对Agent根据预处理后的高压断路器运行状态数据与特征数据库中的历史数据进行比对，考核他们之间的相似度，如果相似度大于95％则无需求助状态评估Agent，控制管理Agent将通过知识库及故障库直接向黑板输出评估结果，并由智能用户Agent展示给用户。否则控制管理Agent将把任务张贴到黑板上，并请求状态评估Agent进行评估。

(4)状态评估Agent采用本发明中的高压断路器运行状态评估方法结出评估结果。如发现评估结果和实际情况不符，将由人类专家Agent请求人类专家进行评估，评估后各状态评估Agent将学习这条经验，更新各自的知识库。随着系统的长时间运行，请求人类专家的机会也将越来越少。

(5)自学习Agent将会把这次评估的过程作为一条经验，存入知识库中，并通过评估的实际值，对各专家模型进行调整，并更新每个专家的可信度及访问资源的优先级。

(6)最后由智能用户Agent将在黑板上结果层的信息以友好的方式传送给用户。

根据图6进一步说明，本发明的高压断路器运行状态智能评估智能体体系结构。

状态评估Agent主要由状态评估方法、环境感知、知识学习机，任务管理与规划、协调控制器、信息、处理结果和知识库组成，其施过程如下：

首先状态评估Agent通过与控制管理Agent交互，得到进行评估的需求，并感知黑板上的变化，进行任务管理与规划工作，通过协调各功能模块之间的关系，将所要处理的信息输入状态评估方法，最终通过环境交互，将评估结果传递到黑板上。知识学习机可以根据每次预测的误差，动态的更新状态评估方法的信息权重，形成变权重的状态评估。

Claims

1.一种SF₆高压断路器运行状态评估方法，其特征在于：按如下步骤进行：

步骤1、建立SF₆高压断路器运行状态评估智能系统，该系统的指标体系从纵向分为目标层、项目层、子项目层和指标层，项目层包括机械特性、电气特性和绝缘特性，子项目层包括时间特性、速度特性、开断特性、气体特性和运行特性，时间特性的指标层包括合闸时间、分闸时间、合闸不同期性和分闸不同期性；速度特性的指标层包括刚合闸速度、刚分闸速度、合闸平均速度和分闸平均速度；开断特性的指标层包括相对电磨损程度、导电回路电阻、累计开断次数和使用年数；气体特性的指标层包括微水含量、气体泄漏、密度和分解物；运行特性的指标层包括断路器的外观情况即持绝缘子部分、操动机构润滑、主体及机构外观和主回路端子和环境的污秽度、湿度及温度；

步骤2、量化高压断路器运行状态的评估指标，采用时间特性、速度特性、开断特性和气体特性的定量指标进行量化，量化采用升、降半梯形函数，其中极小型指标采用升半梯形函数，极大型指标采用降半梯形函数；

升半梯形函数：

X = \{\begin{matrix} 0 & x \leq a_{1} \\ \frac{x - a_{2}}{a_{2} - a_{1}} & a_{1} < x \leq a_{2} \\ 1 & x > a_{2} \end{matrix}

公式(1)

降半梯形函数：

X = \{\begin{matrix} 1 & x \leq a_{1} \\ \frac{a_{2} - x}{a_{2} - a_{1}} & a_{1} < x \leq a_{2} \\ 0 & x > a_{2} \end{matrix}

公式(2)

式中，X为指标归一化后的值，x为指标实测值，a1，a2表示该指标的注意值和最优值；

R = [\begin{matrix} P & c_{1} & v_{1} \\ c_{2} & v_{2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & v_{n} \end{matrix}]

公式(3)

步骤4、确定模型经典域Rj

R_{j} = (N_{j}, C_{i}, V_{ji}) = [\begin{matrix} N_{j} & c_{1} & v_{j 1} \\ c_{2} & v_{j 2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & b_{jn} \end{matrix}] = [\begin{matrix} N_{j} & c_{1} & < a_{j 1}, b_{j 1} > \\ c_{2} & < a_{j 2}, b_{j 2} > \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & < a_{jn}, b_{jn} > \end{matrix}]

公式(4)

R_{j} = (N_{j}, C_{4}, V_{j 4}) = [\begin{matrix} N_{j} & c_{1} & < 0.0,0.2 > \\ c_{2} & < 0.2,0.5 > \\ c_{3} & < 0.5,0.8 > \\ c_{4} & < 0.8,1.0 > \end{matrix}]

表1相对劣化度的定义

步骤5、确定模型节典域Rp

R_{p} = (P, C_{i}, V_{pi}) = [\begin{matrix} P & c_{1} & v_{p 1} \\ c_{2} & v_{p 2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & v_{pn} \end{matrix}] = [\begin{matrix} P & c_{1} & < a_{p 1}, b_{p 1} > \\ c_{2} & < a_{p 2}, b_{p 2} > \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ c_{n} & < a_{pn}, b_{pn} > \end{matrix}]

公式(5)

式中，P为评价等级的全体，vpi为P关于物元指标Ci所取的量值范围<api，bpi>，即节典域，有，

由于各评估指标都被量化为[0，1]之间的数，所有待评物元的节域均为[0，1]，以时间特性P1为例，其节典域为

R_{P 1} = (p_{1}, C_{4}, V_{p 4}) = \begin{matrix} [\begin{matrix} P_{1} & c_{1} & < 0,1 > \\ c_{2} & < 0,1 > \\ c_{3} & < 0,1 > \\ c_{4} & < 0,1 > \end{matrix}] \end{matrix}

步骤7、基于熵值法的客观权重计算，用信息熵评价所获系统信息的有序度及效用，由指标值构成的判断矩阵来确定指标权重；

步骤8、主客观组合权重的确定

a = {(a_{j})}_{1 \times n} = \frac{P_{j} ω_{j}}{Σ_{j = 1}^{n} P_{j} ω_{j}}, j = 1, . . ., n;

公式(14)

步骤9、确定待评物元关于各指标状态等级的关联度

k_{j} (v_{i}) = |\begin{matrix} \frac{ρ (v_{i}, v_{ji})}{ρ (v_{i}, v_{pi}) - ρ (v_{i}, v_{ji})} & v_{i} &NotElement; v_{ji} \\ \frac{- ρ (v_{i}, v_{ji})}{| v_{ji} |} & v_{i} &Element; v_{ji} \end{matrix}

公式(15)

K_{v} = [\begin{matrix} K_{1} (v_{1}) & K_{2} (v_{1}) & \cdot \cdot \cdot & K_{j} (v_{1}) \\ K_{1} (v_{2}) & K_{2} (v_{1}) & \cdot \cdot \cdot & K_{j} (v_{2}) \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ K_{1} (v_{i}) & K_{2} (v_{i}) & \cdot \cdot \cdot & K_{j} (v_{i}) \end{matrix}]

公式(16)

步骤10、子项目层物元评估

K_{j} (S) = Σ_{k = 1}^{n_{k}} λ_{hik} \times K_{j} (v_{hik})

公式(17)

步骤11、项目层物元评估

K_{j} (P) = Σ_{i = 1}^{n_{i}} λ_{hi} \times K_{j} (v_{hi})

公式(18)

步骤12、目标层物元评估

K_{j} (G) = Σ_{h = 1}^{h} λ_{h} \times K_{j} (v_{h})

公式(19)

步骤13、运行状态等级的确定

K_{j_{0}} (P) = \max K_{j} (P)

公式(20)

式中，j＝(1，2，…，m)，j0为待评物元所属的状态等级；

\overset{&OverBar;}{K_{j}} (N) = \frac{K_{j} (N) - \min_{j}^{n} K_{j} (N)}{\max_{j}^{m} K_{j} (N) - \min_{j}^{m} K_{j} (N)}

公式(21)

j^{*} = \frac{Σ_{j}^{m} j \cdot \overset{&OverBar;}{K_{j}} (N)}{Σ_{j}^{m} \overset{&OverBar;}{K_{j}} (N)}

公式(22)

2.根据权利要求1所述的SF₆高压断路器运行状态评估方法，其特征在于：所述的步骤6按如下方法进行：

步骤6-1、构造可拓评判矩阵，在建立了层次结构之后，针对第k-1层第h个因素或准则，将第k层与之相关的全部nk个因素，通过两两比较，利用可拓区间数定量表示它们的相对优劣程度或重要程度，构造一个可拓区间评判矩阵A；

A＝(aij)n×n中的元素aij＝(aij-，aij+)是一个可拓区间数，可拓区间数的中值(aij-+aij+)/2就是AHP方法中比较评判所采用的T.J.Saaty提出的1～9标度中的整数，式中i和j分别代表评判矩阵A的横向和纵向元素个数；

步骤6-2、计算综合可拓评判矩阵和权重向量，设aijt＝(aij-，aij+)(i，j＝1，2，…，nk；t＝1，2，…，T)为第t个专家给出的可拓区间数，根据式(6)，得第k层的h个综合可拓区间数，由此得到第k层全体因素对第k-1层的h因素的综合可拓评判矩阵；

A_{ij}^{k} = \frac{1}{T} &CircleTimes; (a_{ij}^{1} + a_{ij}^{2} + \cdot \cdot \cdot + a_{ij}^{t})

公式(6)

②由，

计算x-和x+特征向量的系数w和m

w = \sqrt{Σ_{j = 1}^{n_{k}} \frac{1}{Σ_{i = 1}^{n_{k}} a_{ij}^{+}}},

m = \sqrt{Σ_{j = 1}^{n_{k}} \frac{1}{Σ_{i = 1}^{n_{k}} a_{ij}^{-}}}

公式(7)

③求出k层权重向量S

S^{k} = {(S_{1}^{k}, S_{2}^{k}, \cdot \cdot \cdot, S_{n_{k}}^{k})}^{T} = < {wx}^{-}, {mx}^{+} >

公式(8)

步骤6-3，层次单排序

V (S_{i}^{k} &GreaterEqual; S_{j}^{k}) = \frac{2 (S_{i}^{k +} - S_{j}^{k -})}{(S_{j}^{k +} - S_{j}^{k -}) + (S_{i}^{k +} - S_{i}^{k -})}

公式(9)

利用式(9)计算

V (S_{i}^{k} &GreaterEqual; S_{j}^{k})

(i，j＝1，2，…，n_k；i≠j)如果

&ForAll; i, j = 1,2, \cdot \cdot \cdot, n;

V (S_{i}^{k} &GreaterEqual; S_{j}^{k}) &GreaterEqual; 0,

则：

P_{jh}^{k} = 1, P_{ih}^{k} = V (S_{i}^{k} &GreaterEqual; S_{j}^{k}), (i, j = 1,2, \cdot \cdot \cdot, n_{k}; i &NotEqual; j)

公式(10)

式中，

3.根据权利要求1所述的SF₆高压断路器运行状态评估方法，其特征在于：所述的步骤7-1、构建具有m个样本n个评价指标的归一化后的判断矩阵

R＝(x_ij)_nm i＝1，2，...，n；j＝1，2，...，m；公式(11)

判断矩阵R就是关联度矩阵k_j(v_i)；

步骤7-2，计算各评级指标的熵H

H_{i} = - \frac{1}{\ln m} (Σ_{j = 1}^{m} f_{ij} \ln f_{ij}) i = 1,2, . . ., n; j = 1,2, . . ., m;

公式(12)

式中m为评估指标个数，n为被评对象个数，

为第i个评估单元第j个指标标准化值，Xij为第i个评估单元第j个指标原始值，如果f_ij＝0，则l_n f_ij无意义，对其修正如下：

f_{ij} = (1 + x_{ij}) / Σ_{j = 1}^{m} (1 + x_{ij});

步骤7-3、计算各评价指标的熵权w

w = {(ω_{j})}_{1 \times n} = \frac{1 - H_{j}}{n - Σ_{j = 1}^{n} H_{j}}, (j = 1, \cdot \cdot \cdot, n)

公式(13)

，且满足

ω_j为为第j个评估单元的熵权值。

4.权利要求1所述的SF₆高压断路器运行状态评估方法，其特征在于：所采用的SF₆高压断路器运行状态评估智能系统，包括WEB服务器、数据服务器、工控机、局部放电监测单元、分合闸线圈电流监测单元、开断电流监测单元、分合闸行程监测单元、分合闸位置监测单元、SF6气体温度及压力监测单元和传感元件；