CN103149475B - 电力设备故障诊断方法及系统 - Google Patents

Abstract

一种电力设备故障诊断方法及系统，该方法包括：获取状态量数据，根据状态量数据确定发生异常的各状态量；根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断。根据本发明，其建立了各种类型状态量与各故障类型之间的关联关系，故障类型可能与多个状态量之间存在关联，并通过各类型的状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断，从而实现了对电力设备状态的综合性评估，提高电力设备故障诊断的准确性。

Description

电力设备故障诊断方法及系统

技术领域

本发明涉及电力系统的故障诊断领域，特别涉及一种电力设备故障诊断方法、一种电力设备故障诊断系统。

背景技术

电力企业在设备的运行维护过程中，通常需要通过运行人员的人工采集、在线监测、预防性试验等多种方式，来采集到表征设备的健康状况、设备是否存在故障的数据。然而，在目前实际的设备缺陷诊断、处理的过程中，由于专业管理范畴不同、信息化实现方式不同等因素，所采集的这些数据并不能有效的应用于设备的故障分析和诊断。

设备的故障是多种多样的，当故障发生时，有一些对于运行人员而言是明显的，称之为显性故障，而有一些是发生在设备内部或者通过现有检测方式是无法检测到的，这些无法直接检测或者需要推理正式的故障一般称之为隐性故障。如何通过检测手段获取表达设备故障的有效信息是设备故障管理(包括故障预防)的重要课题，大多数电力公司都在日常的运行积累中总结设备故障情况，整理出了设备故障知识库。这些设备故障诊断方式，一般只是采用单一的特征对故障进行诊断。然而，实际运行中。故障分类存在模糊性，一种故障状态可能引起多种故障特征，而一种故障特征也可能在不同程度上反映多种故障状态，采用单一的故障特征对故障进行诊断，并不能全面的反映故障情况，从而导致故障诊断的不准确。

发明内容

基于此，针对上述现有技术中存在的问题，本发明的目的在于提供一种电力设备故障诊断方法及电力设备故障诊断系统，其可以实现对电力设备状态的综合性评估，提高电力设备故障诊断的准确性。

为达到上述目的，本发明采用以下技术方案：

一种电力设备故障诊断方法，包括步骤：

获取状态量数据，根据所述状态量数据确定发生异常的各状态量；

根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，所述预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；

根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断；

所述故障诊断包括：根据发生异常的各状态量对相关联的各故障类型的故障影响权值，确定相关联的各故障类型发生的可能性，包括：

将与各故障类型相关联的状态量中，发生异常的状态量的参数值置为1，未发生异常的状态量的参数值置为0；

对所述相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的参数值乘以该状态量对该故障类型的故障影响权值的乘积，并根据各状态量的乘积进行计算确定该故障类型发生的可能性。

一种电力设备故障诊断系统，包括：

异常判定单元，用于获取状态量数据，根据所述状态量数据确定发生异常的各状态量；

故障类型判定单元，用于根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，所述预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；

故障诊断单元，用于根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断；

所述故障诊断单元包括：

可能性诊断单元，用于根据发生异常的各状态量对相关联的各故障类型的故障影响权值，确定相关联的各故障类型发生的可能性，包括：

将与各故障类型相关联的状态量中，发生异常的状态量的参数值置为1，未发生异常的状态量的参数值置为0；

对所述相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的参数值乘以该状态量对该故障类型的故障影响权值的乘积，并根据各状态量的乘积进行计算确定该故障类型发生的可能性。

根据本发明方案，其是在获取状态量数据后，依据该状态量数据从中确定发生了异常的各状态量，并根据预设故障诊断模型，确定与发生了异常的各状态量相关联的各故障类型，在确定了各故障类型之后，从而可以根据发生了异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断。根据本发明，其建立了各种类型状态量与各故障类型之间的关联关系，故障类型可能与多个状态量之间存在关联，并通过各种类型的状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断，从而实现了对电力设备状态的综合性评估，提高电力设备故障诊断的准确性。

附图说明

图1是本发明的电力设备故障诊断方法实施例一的流程示意图；

图2是本发明的电力设备故障诊断方法实施例二的流程示意图；

图3是本发明的电力设备故障诊断方法实施例三的流程示意图；

图4是本发明的电力设备故障诊断系统实施例的结构示意图。

具体实施方式

以下结合其中的较佳实施方式对本发明方案进行详细阐述。

实施例一

图1中示出了本发明的电力设备故障诊断方法实施例的流程示意图。如图1所示，本实施例中的方法包括步骤：

步骤S101：获取状态量数据，根据所述状态量数据确定发生异常的各状态量；

步骤S102：根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，所述预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；

步骤S103：根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断。

根据本发明实施例的方案，其是在获取状态量数据后，依据该状态量数据从中确定发生了异常的各状态量，并根据预设故障诊断模型，确定与发生了异常的各状态量相关联的各故障类型，在确定了各故障类型之后，从而可以根据发生了异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断。根据本发明，其建立了各种类型状态量与各故障类型之间的关联关系，故障类型可能与多个状态量之间存在关联，并通过各种类型的状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断，从而实现了对电力设备状态的综合性评估，提高电力设备故障诊断的准确性。

其中，上述状态量数据的获取方式可以不限，可以是包括从MIS系统、EMS系统、在线监测系统获取的状态量数据，还可以包括有工作人员输入的、人工观察到的信息等等。

在上述对各故障类型进行故障诊断时，一般情况下，都会从两个角度进行考虑：可能性与严重性，故障发生的可能性表征了可能发生该故障的概率，故障发生的严重性表征了发生的该故障的严重程度。以下从可能性、严重性两个方面分别进行举例说明。

实施例二

图2中示出了本发明的电力设备故障诊断方法实施例二的流程示意图。在本实施例中，与上述实施例一的不同之处主要在于，本实施例中是以对各故障类型的可能性进行诊断为例进行举例说明。

如图2所示，本实施例中的方法包括步骤：

步骤S201：获取状态量数据，根据所述状态量数据确定发生异常的各状态量；

步骤S202：根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，所述预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；

步骤S203：根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断，该故障诊断包括：根据发生异常的各状态量对相关联的各故障类型的故障影响权值，确定相关联的各故障类型发生的可能性。

其中，在确定相关联的各故障类型发生的可能性时，其中一种方式可以是：

将与各故障类型相关联的状态量中，发生异常的状态量的参数值置为1，未发生异常的状态量的参数值置为0；

对相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的参数值乘以该状态量对该故障类型的故障影响权值的乘积，并根据各状态量的乘积进行计算确定该故障类型发生的可能性。

根据这种方式，是将发生异常的状态量的参数值置为1，说明该状态量会对与其关联的故障类型产生影响，而将未发生异常的状态量的参数值置为0，说明该状态量不会对与其关联的故障类型产生影响，从而可以据此对各故障类型是否有可能发生进行综合判断。当然，基于实际需要，也可以采用其他的方式来对发生异常的状态量、未发生异常的状态量进行区分和表达，只要能够代表其对相关量的故障类型的影响即可。

在确定了各故障类型发生的可能性后，可以将可能性最高的故障类型、或者是可能性最高的前第一预设数目个故障类型作为当前发生的故障类型。

其中，上述预设故障诊断模型，还可以包括有与各故障类型对应的故障处理措施。从而，在进行故障诊断、确定了当前发生的故障类型之后，还可以采用预设的与各故障类型对应的故障处理措施进行故障修复，实现对故障的及时修复。

在进行故障修复时，还可以及时收集故障修复的处理结果，并根据故障修复的处理结果对预设故障诊断模型进行更新。具体的处理结果，可以是例如是否修复了故障、修复程度等等信息，基于对故障修复的处理结果的信息的收集，可以对预设故障诊断模型中的故障类型与各状态量的关联关系、故障影响权值、故障处理措施等进行验证，并可以据此对预设故障诊断模型进行更新和优化，从而可以进一步提高电力设备故障诊断的准确性。

实施例三

图3中示出了本发明的电力设备故障诊断方法实施例三的流程示意图。在本实施例中，与上述实施例一的不同之处主要在于，本实施例中是以对各故障类型的严重性进行诊断为例进行举例说明。

如图3所示，本实施例中的方法包括步骤：

步骤S301：获取状态量数据，根据所述状态量数据确定发生异常的各状态量；

步骤S302：根据发生异常的各状态量的状态量数据的异常级别，确定发生异常的各状态量的扣分值；

步骤S303：根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，所述预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；

步骤S304：根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断，该故障诊断包括：根据发生异常的各状态量的扣分值、发生异常的各状态量对相关联的各故障类型的故障影响权值，确定关联的各故障类型发生的严重性。

其中，上述步骤S302中确定扣分值的过程，与上述步骤S303中确定各故障类型的过程，可以不分先后顺序、同时进行。

在上述确定关联的各故障类型发生的严重性时，其中一种方式可以是：

对相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的扣分值乘以各状态量对该故障类型的故障影响权值的乘积值，并根据各状态量的乘积值进行计算，确定该故障类型发生的严重性。

其中，在对乘积值进行计算时，可以采用任何可能的计算方式进行，例如相加、相乘、加权平均等等，具体的计算方式可以基于实际需要进行设定。

在确定了各故障类型发生的可能性后，可以将严重性最高的故障类型、或者是严重性最高的前第二预设数目个故障类型作为当前发生的故障类型。

其中，上述预设故障诊断模型，还可以包括有与各故障类型对应的故障处理措施。从而，在进行故障诊断、确定了当前发生的故障类型之后，还可以采用预设的与各故障类型对应的故障处理措施进行故障修复，实现对故障的及时修复。

在进行故障修复时，还可以及时收集故障修复的处理结果，并根据故障修复的处理结果对预设故障诊断模型进行更新。具体的处理结果，可以是例如是否修复了故障、修复程度等等信息，基于对故障修复的处理结果的信息的收集，可以对预设故障诊断模型中的故障类型与各状态量的关联关系、故障影响权值、故障处理措施等进行验证，并可以据此对预设故障诊断模型进行更新和优化，从而可以进一步提高电力设备故障诊断的准确性。

以下结合其中一个具体示例进行详细说明，在该具体示例中，以同时对可能性和严重性进行诊断为例进行说明。该具体示例的说明仅仅是为了便于理解所作的示意性说明，并不用以对本发明方案构成限定。

本发明方案在实施时，需要实现建立预设故障诊断模型，该预设故障诊断模型中包括有：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值、以及各状态量的状态量数据的异常级别与各状态量的扣分值。以下先对该预设故障诊断模型进行举例说明。

在建立预设故障诊断模型时，首先需要梳理出设备的状态量模型。具体可以是依据设备状态评价导则来进行，主要可以是通过对不同的电力设备，依据其功能特点、技术特征、运行环境特点等作为考虑因素，梳理出设备故障诊断有帮助的状态量，规范设备的状态指标，并对这些设备指标进行规范化。

在对各状态量的扣分值进行设置时，可以基于该状态量的特性、状态量异常的级别进行设定。对于某些状态量来说，在从MIS系统、EMS系统、在线监测系统等获取过来后，这些状态量数据本身的信息内容就已经表示出了是否发生异常以及发生异常的程度。以漏油为例，其存在的状态可能是未漏油、一般漏油、轻微漏油、漏油严重、漏油非常严重，从而可以基于这些区别设定不同状态下的扣分值，例如，未漏油的情况下扣分值为0(不扣分)、一般漏油的情况下扣分值为2、轻微漏油的情况下扣分值为4、漏油严重的情况下扣分值为6、漏油非常严重的情况下扣分值我为6。当然，这里的状态、扣分值的设置，仅仅只是为了出于便于理解的目的所作的示例性说明，在实际应用中，可以做不同的设置。

而对于某些状态量来说，则需要对其进行一定的分析之后才能知晓其是否发生异常以及发生异常的程度。以气压为例，一般都会有一个安全气压门限值，在获取了实际气压值之后，可以基于实际气压值是否超出该安全气压门限值以及超出该安全企业门限值的程度设定不同程度下的扣分值。

而对于另外一些状态量来说，其状态量可能与下属的各子状态量向关联，从而可以基于各子状态量的扣分值综合确定该状态量的扣分值。

下表表1中示出了一个具体示例中、针对金属氧化物避雷器的扣分值进行设置的具体举例。

表1 金属氧化物避雷器状态评价模型

上述表1中，以历史性缺陷为例，权重系数表示历史性缺陷在家族缺陷中所占的比重，基本扣分表示历史性缺陷的基本扣分值，基于权重系数和基本扣分可以得到最后的扣分值。通过上表可见，以家族缺陷的状态量为例，家族缺陷的状态量与三个子状态量相关联：同厂、同型、同期设备的家族性缺陷，历史性缺陷，运行年限。

需要说明的是，上表1仅仅只是示例性的说明，在实际应用中，对于各状态量，基于其可能的扣分依据，基于实际需要的不同，可以对各不同的状态量的扣分值做不同的设定。

此外，还需要对故障模式进行梳理，确定各故障类型与各状态量的关联关系，并确定各状态量对故障类型的故障影响权值，或者也可以称之为影响比重。对于某一个状态量来说，其可能会与多个不同的故障类型发生关联，也就是说，某一个状态量发生异常，有可能导致发生的故障类型可能会有多个。对于某一个故障类型来说，其可能会与多个不同的状态量相关联，也就是说，在这多个不同的状态量发生异常的情况下，才有可能发生该类型的故障。

表2中示出了一个具体示例中、状态量与故障类型之间的关联关系的具体举例。

表2所示中，√表示对应的状态量与故障类型之间存在关联关系，√后的数字表示该状态量与该故障类型之间的关联程度，即该状态量对该故障类型的故障影响权重，×表示对应的状态量与故障类型之间不存在关联关系，或者也可以理解为该状态量对该故障类型的故障影响权重为0。

确定的状态量与故障类型之间的关联关系，实际上表示了该故障与哪些状态量有关。从而可以基于此设定针对于该故障类型的故障处理措施。

表3中示出了一个具体示例中，故障现象、故障类型与对应的故障处理措施的关联关系。

从表3可以得知，对于同一故障现象，发生该故障的原因可能有多个，从而可以采用不同的故障处理措施来对故障进行排除。

在上述预设故障诊断模型设定好后，在实际应用时，需先获取相关的状态量数据。这些状态量数据中，对于某一些状态量数据，可以通过人工观察并记录的方式来获得。然而，随着技术的进步，在电力行业中，越来越多的采用了在线监测装置对设备进行监测，因此，在本发明方案中，可以直接从在线检测装置中获得这些状态量数据进行应用。就目前来说，所获取和识别的状态量数据，可主要来源于管理运行数据的MIS系统、EMS系统、在线监测系统等等。在在线监测系统等做了更新或者有新的监测系统出现，可以直接从更新后的或者新的监测系统中获取数据。

在获取各状态量数据后，依据各状态量数据确定出发生异常的各状态量。在确定发生异常的各状态量时，具体采用何种方式对状态量是否发生异常进行判断可以采用任何可能的方式进行。如上所述，对于某些状态量来说，获取到的状态量数据本身已经表示出了是否异常，因而可以直接确定该状态量是否异常。而对于某些状态量来说，需要对其状态量数据进行分析才能确定其是否发生异常。对状态量数据进行分析、判断状态量是否发生异常的方式可以采用现有技术中已有的方式进行，在此不予赘述。

在确定发生异常的各状态量后，假设发生异常的状态量有三个，分别记为A、B、C。

在确定这三个异常的状态量之后，可以确定各异常状态量的状态量数据的异常级别，确定发生异常的各状态量的扣分值。在本示例中，结合表1所示，假设状态量A的扣分权重为2，当前异常级别的基础扣分为4，则状态量A的扣分值为2*4＝8分，假设状态量B的扣分权重为2，当前异常级别的基础扣分为8，则状态量B的扣分值为2*8＝16分，假设状态量C的扣分权重为4，当前异常级别的基础扣分为4，则状态量C扣分值为4*4＝16分。

基于这三个状态量，可以确定出与这三个状态量有关联的故障类型。在确定与这三个状态量有关联的故障类型时，可以采用不同的确定方式。

在其中一种实现方式中，可以是只确定出同时与这三个状态量有关联的故障类型。假设状态量A与3个故障类型F1、F2、F3相关联，状态量B与三个故障类型F1、F2、F3相关联，状态量C与4个故障类型F1、F2、F3、F4相关联，而故障类型F1与状态量A、B、C相关联，故障类型F2与状态量A、B、C相关联，故障类型F3与状态量A、B、C相关联，故障类型F4与状态量C、D相关联，从而可以确定同时与这三个发生异常的状态量相关联的故障类型只有三个：F1、F2、F3。

在另外一种实现方式中，可以是确定出与这三个状态量中任意一个状态量存在关联的故障类型。假设状态量A与3个故障类型F1、F2、F3相关联，状态量B与三个故障类型F1、F2、F3相关联，状态量C与4个故障类型F1、F2、F3、F4相关联，则无需关心故障类型F1、F2、F3、F4相关联是否还与其他状态量向关联，就可以确定与这三个发生异常的状态量相关联的故障类型有四个：F1、F2、F3、F4。

在其他的实现方式中，还可以是确定出发生异常的状态量中的至少M个状态量有关联的故障类型。以上述3个异常的状态量为例，可以是确定出与3个异常状态量的至少3个有关联的故障类型。如上所述，假设状态量A与3个故障类型F1、F2、F3相关联，状态量B与三个故障类型F1、F2、F3相关联，状态量C与4个故障类型F1、F2、F3、F4相关联，而故障类型F1与状态量A、B、C相关联，故障类型F2与状态量A、B、C相关联，故障类型F3与状态量A、B、C相关联，故障类型F4与状态量C、D相关联，由于故障类型F4至于这三个状态量中的1个相关联，从而可以确定与这三个发生异常的状态量相关联的故障类型只有三个：F1、F2、F3。

基于实际需要，还可以采用其他的方式来确定出关联的故障类型，在此不予穷举赘述。

以上述确定出的相关联的故障类型为F1、F2、F3、F4为例，假设状态量A、B、C对故障类型F1的故障影响权重分别为10、8、8，状态量A、B、C对故障类型F2的故障影响权重分别为10、2、2，状态量A、B、C对故障类型F3的故障影响权重分别为8、8、8，状态量C、D对故障类型F4的故障影响权重分别为10、8，由于状态量A、B与故障类型F1不相关联，因此状态量A、B对故障类型F4的故障影响权值为0、0。

据此，在对各故障类型发生的可能性进行诊断时，可将发生异常的状态量A、B、C的参数值置为1，将未发生异常的状态量D的参数值置为0。从而，故障F1发生的可能性可以通过F1→P{A*10，B*8，C*8}确定，故障F2发生的可能性可以通过F2→P{A*10，B*2，C*2}确定，故障F3发生的可能性可以通过F3→P{A*8，B*8，C*8}确定，故障F4发生的可能性可以通过F4→P{C*10，D*8}确定。上述各式中，A、B、C、D分别表示该状态量是否发生异常的参数值。

在得到各状态量的乘积(例如上述的A*10)后，即可对各状态量的乘积进行相关运算得到各故障类型的可能性，具体的计算可以采用各种可能的方式进行。

在其中一种计算方式中，可以将各状态量的乘积相乘，并将乘积相乘后所得的结果作为该故障发生的可能性。例如，假如将上述故障影响权值的最大值为10，或者将上述故障影响权值(10、8、8)理解为百分比(100％、80％、80％)，故障F1发生的可能性为(1*100％)*(1*80％)*(1*80％)＝64。类似地，可以计算出故障F2、F3、F4发生的可能性为4％、100％、0％。从而可以确定出发生故障F1、F2、F3、F4的可能性分别为64％、4％、51.2％、0％。当然，这里仅仅只是一种示例性的说明，基于实际需要，在得到A*10、B*8、C*8之后，也可以是采用其他的方式进行计算，例如求和、相乘、加权平均、基于最大值或者最小值的有线运算等等。

在另一种计算方式中，还可以是通过确定各状态量乘积的占重比例，或者说各状态量乘积的影响程度，并结合该占重比例确定出最后的可能性。以上述F1为例，假设设定的是A、B、C的影响是相当的，则A、B、C的占重比可以均设置为1/3，从而最后可以基于1/3*A*10、1/3*B*8、1/3*C*8来确定。最后可再将这三个值来相加来确定。例如，假如将上述故障影响权值的最大值为10，，或者将上述故障影响权值(10、8、8)理解为百分比(100％、80％、80％)，故障F1发生的可能性为(1/3*1*100％)+(1/3*1*80％)+(1/3*1*80％)＝86.7％。类似地，可以计算出故障F2发生的可能性为46.7％、80％、33.3％。从而可以确定出发生故障F1、F2、F3、F4的可能性分别为86.7％、46.7％、80％、33.3％。当然，这里仅仅只是一种示例性的说明，基于实际需要，在得到1/3*A*10、1/3*B*8、1/3*C*8之后，也可以是采用其他的方式进行计算，例如求和、相乘、加权平均、基于最大值或者最小值的优先运算、或者是其他复杂的计算方式等等。

在对故障类型发生的严重性进行诊断时，可以根据发生异常的各状态量的扣分值、发生异常的各状态量对相关联的各故障类型的故障影响权值来确定。

在其中一种计算确定方式中，可以先计算出与该故障类型相关联的各状态量的扣分值乘以各状态量对该故障类型的故障影响权值的乘积值。结合上述内容，故障F1发生的严重性可以通过F1→S{A*10，B*8，C*8}确定，故障F2发生的严重性可以通过F2→S{A*10，B*2，C*2}确定，故障F3发生的严重性可以通过F3→S{A*10，B*10，C*10}确定，故障F4发生的严重性可以通过F4→S{C*10，D*8}确定。上述各式中，A、B、C、D分别表示该状态量的扣分值。

在得到各状态量的乘积后，可以针对各种可能的计算方式进行计算以得到各故障的严重性。在其中一种计算方式中，可以将各状态量的乘积相乘，并将乘积相乘后所得的结果作为该故障发生的严重性。例如，故障F1发生的严重性为(8*10)*(16*8)*(16*8)。假如将上述故障影响权值(10、8、8)理解为百分比(100％、80％、80％)，则该故障F1发生的严重性为1310。类似地，可以计算出故障F2、F3、F4发生的严重性为82、1048.5、0。最后可以基于该严重性的值所在的区间范围确定出故障发生的严重性，例如将严重性的值大于1200的故障确定为紧急故障，将严重性的值介于600-1200之间的故障确定为重大故障等等。

在另一种计算方式中，还可以是通过对各状态量乘积进行求和来确定个故障的严重性。例如，故障F1发生的严重性为(8*10)+(16*8)+(16*8)。假如将上述故障影响权值(10、8、8)理解为百分比(100％、80％、80％)，则该故障F1发生的严重性为33.6。类似地，可以计算出故障F2、F3、F4发生的严重性为14.4、32、16。最后可以基于该严重性的值所在的区间范围确定出故障发生的严重性，例如将严重性的值大于40的故障确定为紧急故障，将严重性的值介于25-40之间的故障确定为重大故障等等，将严重性的值介于10-25之间的确定为一般故障，将严重性的值介于0-10之间的为轻微故障。具体的区间范围的设置可以基于实际需要进行设定。

当然，本领域技术人员可以知晓的是，这里仅仅只是一种示例性的说明，基于实际需要，也可以是采用其他的方式进行计算，例如求和、相乘、加权平均、基于最大值或者最小值的优先运算、或者是其他复杂的计算方式等等。

在确定了各故障类型发生的可能性、严重性后，可以基于故障类型发生的可能性确定当前发生的故障。在其中一种方式中，可以将满足可能性在第N高内、严重性在第M高内的故障类型确定为当前发生的故障类型。在有多个的情况下，还可以进一步的排除和综合性确定。这里的N、M可以相同也可以不同。当然，在确定了可能性、严重性后，基于实际需要，也可以采用其他任何可能的方式对到底哪个故障类型为当前发生的故障类型进行综合性判定。在此不予详加赘述和穷举。

在确定了正在发生的故障类型后，可以采用与该故障类型故障处理措施进行故障修复。在进行故障修复时，还可以及时收集故障修复的处理结果，并根据故障修复的处理结果对预设故障诊断模型进行更新。具体的处理结果，可以是例如是否修复了故障、修复程度等等信息，基于对故障修复的处理结果的信息的收集，可以对预设故障诊断模型中的故障类型与各状态量的关联关系、故障影响权值、故障处理措施等进行验证，并可以据此对预设故障诊断模型进行更新和优化，从而可以进一步提高电力设备故障诊断的准确性。

根据上述本发明的电力设备故障诊断方法，本发明还提供一种电力设备故障诊断系统。以下针对各电力设备故障诊断系统的实施例进行说明。

图4中示出了本发明的电力设备故障诊断系统实施例的结构示意图。如图4所示，本实施例中的电力设备故障诊断系统包括：

异常判定单元401，用于获取状态量数据，根据所述状态量数据确定发生异常的各状态量；

故障类型判定单元402，用于根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，所述预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；

故障诊断单元403，用于根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断。

根据本发明实施例的方案，其是在获取状态量数据后，依据该状态量数据从中确定发生了异常的各状态量，并根据预设故障诊断模型，确定与发生了异常的各状态量相关联的各故障类型，在确定了各故障类型之后，从而可以根据发生了异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断。根据本发明，其建立了各种类型状态量与各故障类型之间的关联关系，故障类型可能与多个状态量之间存在关联，并通过各种类型的状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断，从而实现了对电力设备状态的综合性评估，提高电力设备故障诊断的准确性。

其中，上述异常判定单元401获取状态量数据的方式可以不限，可以是包括从MIS系统、EMS系统、在线监测系统获取的状态量数据，还可以包括有工作人员输入的、人工观察到的信息等等。

在上述对各故障类型进行故障诊断时，一般情况下，都会考虑可能性，故障发生的可能性表征了可能发生该故障的概率。

据此，如图4所示，上述403故障诊断单元包括有：

可能性诊断单元4031，用于根据发生异常的各状态量对相关联的各故障类型的故障影响权值，确定相关联的各故障类型发生的可能性。

其中，可能性诊断单元4031确定相关联的各故障类型发生的可能性时，其中一种采用的方式可以是：

将与各故障类型相关联的状态量中，发生异常的状态量的参数值置为1，未发生异常的状态量的参数值置为0；

对所述相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的参数值乘以该状态量对该故障类型的故障影响权值的乘积，并根据各状态量的乘积进行计算确定该故障类型发生的可能性。

在上述对各故障类型进行故障诊断时，一般情况下，还会考虑严重性，故障发生的严重性表征了发生的该故障的严重程度。

据此，如图4所示，本发明的电力设备故障诊断系统还可以包括有：

扣分值确定单元4010，用于根据发生异常的各状态量的状态量数据的异常级别，确定发生异常的各状态量的扣分值。

此时，上述故障诊断单元403，还可以包括有严重性诊断单元4032：用于根据发生异常的各状态量的扣分值、发生异常的各状态量对相关联的各故障类型的故障影响权值，确定关联的各故障类型发生的严重性。

其中，严重性诊断单元403确定关联的各故障类型发生的严重性时，其中一种采用的方式可以是：

对所述相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的扣分值乘以各状态量对该故障类型的故障影响权值的乘积值，并根据各状态量的乘积值进行计算，确定该故障类型发生的严重性。

其中，上述预设故障诊断模型，还可以包括有与各故障类型对应的故障处理措施。从而，在进行故障诊断、确定了当前发生的故障类型之后，还可以采用预设的与各故障类型对应的故障处理措施进行故障修复，实现对故障的及时修复。

据此，如图4所示，在本发明的电力设备故障诊断系统中，还可以包括有：

修复单元404，用于采用预设的与各故障类型对应的故障处理措施进行故障修复。

在进行故障修复时，还可以及时收集故障修复的处理结果，并根据故障修复的处理结果对预设故障诊断模型进行更新。具体的处理结果，可以是例如是否修复了故障、修复程度等等信息，基于对故障修复的处理结果的信息的收集，可以对预设故障诊断模型中的故障类型与各状态量的关联关系、故障影响权值、故障处理措施等进行验证，并可以据此对预设故障诊断模型进行更新和优化，从而可以进一步提高电力设备故障诊断的准确性。

据此，上述修复单元404，还可以根据所述故障修复的处理结果对所述预设故障诊断模型进行更新。

本发明的电力设备故障诊断系统中的各模块的实施方式，可以与上述本发明的电力设备故障诊断方法中的相同，在此不予详加赘述。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种电力设备故障诊断方法，其特征在于，包括步骤：

获取状态量数据，根据所述状态量数据确定发生异常的各状态量；

根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，所述预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；

根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断；

所述故障诊断包括：根据发生异常的各状态量对相关联的各故障类型的故障影响权值，确定相关联的各故障类型发生的可能性，包括：

将与各故障类型相关联的状态量中，发生异常的状态量的参数值置为1，未发生异常的状态量的参数值置为0；

对所述相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的参数值乘以该状态量对该故障类型的故障影响权值的乘积，并根据各状态量的乘积进行计算确定该故障类型发生的可能性。

2.根据权利要求1所述的电力设备故障诊断方法，其特征在于：

还包括步骤：根据发生异常的各状态量的状态量数据的异常级别，确定发生异常的各状态量的扣分值；

所述故障诊断包括：根据发生异常的各状态量的扣分值、发生异常的各状态量对相关联的各故障类型的故障影响权值，确定关联的各故障类型发生的严重性。

3.根据权利要求2所述的电力设备故障诊断方法，其特征在于，确定关联的各故障类型发生的严重性的方式包括：

对所述相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的扣分值乘以各状态量对该故障类型的故障影响权值的乘积值，并根据各状态量的乘积值进行计算，确定该故障类型发生的严重性。

4.根据权利要求1至3任意一项所述的电力设备故障诊断方法，其特征在于：

所述预设故障诊断模型，还包括与各故障类型对应的故障处理措施；

在进行故障诊断之后，还包括步骤：采用预设的与各故障类型对应的故障处理措施进行故障修复。

5.根据权利要求4所述的电力设备故障诊断方法，其特征在于，还包括步骤：根据所述故障修复的处理结果对所述预设故障诊断模型进行更新。

6.根据权利要求1至3任意一项所述的电力设备故障诊断方法，其特征在于，所述状态量数据包括从MIS系统、EMS系统、在线检测系统获取的状态量数据。

7.一种电力设备故障诊断系统，其特征在于，包括：

异常判定单元，用于获取状态量数据，根据所述状态量数据确定发生异常的各状态量；

故障类型判定单元，用于根据预设故障诊断模型，确定与发生异常的各状态量相关联的各故障类型，所述预设故障诊断模型中包括：故障类型与状态量的关联关系、各状态量对故障类型的故障影响权值；

故障诊断单元，用于根据发生异常的各状态量对相关联的各故障类型的故障影响权值，对相关联的各故障类型进行故障诊断；

所述故障诊断单元包括：

可能性诊断单元，用于根据发生异常的各状态量对相关联的各故障类型的故障影响权值，确定相关联的各故障类型发生的可能性，包括：

将与各故障类型相关联的状态量中，发生异常的状态量的参数值置为1，未发生异常的状态量的参数值置为0；

对所述相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的参数值乘以该状态量对该故障类型的故障影响权值的乘积，并根据各状态量的乘积进行计算确定该故障类型发生的可能性。

8.根据权利要求7所述的电力设备故障诊断系统，其特征在于：

还包括扣分值确定单元，用于根据发生异常的各状态量的状态量数据的异常级别，确定发生异常的各状态量的扣分值；

所述故障诊断单元包括严重性诊断单元：根据发生异常的各状态量的扣分值、发生异常的各状态量对相关联的各故障类型的故障影响权值，确定关联的各故障类型发生的严重性。

9.根据权利要求8所述的电力设备故障诊断系统，其特征在于，所述严重性诊断单元确定关联的各故障类型发生的严重性的方式包括：

对所述相关联的故障类型中的任意一个故障类型，分别计算与该故障类型相关联的各状态量的扣分值乘以各状态量对该故障类型的故障影响权值的乘积值，并根据各状态量的乘积值进行计算，确定该故障类型发生的严重性。

10.根据权利要求7至9任意一项所述的电力设备故障诊断系统，其特征在于：

还包括修复单元，用于采用预设的与各故障类型对应的故障处理措施进行故障修复；

所述预设故障诊断模型，还包括与各故障类型对应的故障处理措施。

11.根据权利要求10所述的电力设备故障诊断系统，其特征在于，所述修复单元，还用于根据所述故障修复的处理结果对所述预设故障诊断模型进行更新。

12.根据权利要求7至9任意一项所述的电力设备故障诊断系统，其特征在于，所述状态量数据包括从MIS系统、EMS系统、在线检测系统获取的状态量数据。