CN103454516B - 智能化变电站二次设备健康状态诊断方法 - Google Patents

Abstract

本发明涉及电力系统设备监测领域，具体涉及一种智能化变电站二次设备健康状态诊断方法，明确智能变电站二次设备状态类型，确定二次设备的状态属性信息变量，建立变电站二次设备样本数据库，获得二次设备状态自检信息，离散化得到状态属性值，建立贝叶斯网络分类模型，选择概率最大的故障类型作为二次设备健康状态诊断结果。能够准确掌握设备状态，减小停运时间，提高设备安全可靠性和使用率，延长设备使用寿命；科学地进行检修需求决策，合理安排检修项目、检修间隔和检修工期，有效降低设备运行检修费用，改善设备运行性能，提高经济效益；形成符合状态检修要求的管理体制，提高检修、运行的基础管理水平。

Description

智能化变电站二次设备健康状态诊断方法

技术领域

本发明涉及电力系统设备监测领域，具体涉及一种智能化变电站二次设备健康状态诊断方法。

背景技术

智能化变电站二次设备是电力系统测量、保护、监控的重要组成，运行良好的二次设备对整个电网的影响至关重要。电力系统二次设备的可靠性要求不仅体现在保证了用户正常用电，延长设备的使用寿命，还能够保证电网安全有效地经济运行，提高工作效率。合理的检修策略能够有效避免因保护装置原因而造成的大范围电网事故。

现阶段我国变电站的电气二次设备检修方式主要是定期预防性检修，即以时间周期为特征的经验性计划检修，检修的项目、周期、工期均按照电力主管部门统一制订的规程执行。该检修方式存在以下缺点：①某些不需要检修的设备检修过剩，真正需要检修的设备检修不足，造成了不少原本健康的设备在检修中被损坏，而存在安全隐患的设备又不能及时被发现；②设备的状态信息需要通过停电进行试验来获取，增加了停电几率，降低了供电可靠性；③停电后设备状态（如工作电压、温度等）和运行中有差异，影响了设备状态评估的准确性；④定期检修需要投入大量的人力、物力，难以满足电力系统减员增效的改革要求。

发明内容

本发明的目的在于提供一种智能化变电站二次设备健康状态诊断方法，解决现有的诊断方法存在检测过度、不彻底、影响设备正常运作以及浪费人力物力的问题。

为解决上述的技术问题，本发明采用以下技术方案：

一种智能化变电站二次设备健康状态诊断方法，包括以下步骤：

明确智能变电站二次设备状态类型，依据智能变电站二次设备运行中出现的典型异常和故障类型确定二次设备状态类型信息；

根据变电站的实际条件和环境，确定能够实现在线监测的信息集合并作为二次设备的状态属性信息变量；

建立变电站二次设备样本数据库，根据变电站历史运行记录提取状态属性异常信息及与之相应的二次设备状态类型信息，并建立两者之间的映射关系；

获得二次设备状态自检信息，利用变电站二次设备的自检信息以及二次设备状态的在线监测信息得到二次设备状态自检信息；

离散化得到状态属性值，将监测到的二次设备状态自检信息按照预定的规则离散化，获取固定指定区间的数据；

根据二次设备状态自检信息和状态类型信息建立二次设备状态的贝叶斯网络分类模型；

根据二次设备状态自检信息和贝叶斯网络分类模型计算各个状态类型的概率，并得出各个状态类型下各状态属性的条件概率，选择概率最大的故障类型作为二次设备健康状态诊断结果。

更进一步的技术方案是上述二次设备健康状态诊断结果判断为有故障时，根据结果的状态数据更新贝叶斯网络模型样本数据。

更进一步的技术方案是上述二次设备健康状态诊断结果判断为无故障时，继续采集利用变电站二次设备的自检信息以及二次设备状态的在线监测信息得到二次设备状态自检信息。

更进一步的技术方案是

通过公式

$P\left(C_k\right)=\hat{P}\left(C_k\right)\frac{N_{C_k}}{N}$

计算各个状态类型的概率，其中，N代表的是整个训练集的总数，即所有分类值的数量总和。而代表的是分类状态类型为C_k的频数；

通过公式

$P(X_i=x_i|C_k)=\hat{P}(X_i=x_i|C_k)=\frac{N_{C_k}^{\left(x_i\right)}}{N_{C_k}}$

各个状态类型下各状态属性的条件概率，其中代表故障类型为C_k下且属性X_i的值为x_i时的频数。为故障类型为C_k的频数；

通过公式

$P(X_i=x_i)\frac{N_{X_i=x_i}}{N_{X_i=0}+N_{X_i=1}+N_{X_i=2}}$

计算各个状态属性的概率，其中，为所有状态属性样本数据中X_i＝x_i情况下的频数；

通过公式

$P\left(c_k\right|X_1=x_1,X_2=x_2,...,X_{22}=x_{22})=\frac{P\left(c_k\right)\·\underset{i=1}{\overset{22}{\mathrm{\Π}}}P(X_i=x_i|c_k)}{\underset{i=1}{\overset{22}{\mathrm{\Π}}}P(X_i=x_i)}$

计算当前一组状态属性值情况下各个状态类型的条件概率。

与现有技术相比，本发明的有益效果是：应用现代管理理念和管理技术，采用有效的监测手段和分析诊断技术，准确掌握设备状态，减小停运时间，提高设备安全可靠性和使用率，延长设备使用寿命；科学地进行检修需求决策，合理安排检修项目、检修间隔和检修工期，有效降低设备运行检修费用，改善设备运行性能，提高经济效益；形成符合状态检修要求的管理体制，提高检修、运行的基础管理水平。

附图说明

图1为本发明本发明智能化变电站二次设备健康状态诊断方法一个实施例的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了本发明智能化变电站二次设备健康状态诊断方法的一个实施例：一种智能化变电站二次设备健康状态诊断方法，包括以下步骤：

明确智能变电站二次设备状态类型，依据智能变电站二次设备运行中出现的典型异常和故障类型确定二次设备状态类型信息；

根据变电站的实际条件和环境，确定能够实现在线监测的信息集合并作为二次设备的状态属性信息变量；

建立变电站二次设备样本数据库，根据变电站历史运行记录提取状态属性异常信息及与之相应的二次设备状态类型信息，并建立两者之间的映射关系；

获得二次设备状态自检信息，利用变电站二次设备的自检信息以及二次设备状态的在线监测信息得到二次设备状态自检信息；

离散化得到状态属性值，将监测到的二次设备状态自检信息按照预定的规则离散化，获取固定指定区间的数据；

根据二次设备状态自检信息和状态类型信息建立二次设备状态的贝叶斯网络分类模型；

根据二次设备状态自检信息和贝叶斯网络分类模型计算各个状态类型的概率，并得出各个状态类型下各状态属性的条件概率，选择概率最大的故障类型作为二次设备健康状态诊断结果。

根据本发明智能化变电站二次设备健康状态诊断方法的一个优选实施例，二次设备健康状态诊断结果判断为有故障时，根据结果的状态数据更新贝叶斯网络模型样本数据。

根据本发明智能化变电站二次设备健康状态诊断方法的另一个优选实施例，二次设备健康状态诊断结果判断为无故障时，继续采集利用变电站二次设备的自检信息以及二次设备状态的在线监测信息得到二次设备状态自检信息。

根据本发明智能化变电站二次设备健康状态诊断方法的另一个实施例，在二次设备健康状态诊断结果判断为有故障时，可以先让工作人员现场检测核对后，再做出相应的维护措施和更新贝叶斯网络模型样本数据，或者继续采集利用变电站二次设备的自检信息以及二次设备状态的在线监测信息得到二次设备状态自检信息。

根据本发明智能化变电站二次设备健康状态诊断方法的另一个优选实施例，可以通过公式

$P\left(C_k\right)=\hat{P}\left(C_k\right)\frac{N_{C_k}}{N}$

计算各个状态类型的概率，其中，N代表的是整个训练集的总数，即所有分类值的数量总和。而代表的是分类状态类型为C_k的频数；

可以通过公式

$P(X_i=x_i|C_k)=\hat{P}(X_i=x_i|C_k)=\frac{N_{C_k}^{\left(x_i\right)}}{N_{C_k}}$

各个状态类型下各状态属性的条件概率，其中代表故障类型为C_k下且属性X_i的值为x_i时的频数。为故障类型为C_k的频数；

可以通过公式

$P(X_i=x_i)\frac{N_{X_i=x_i}}{N_{X_i=0}+N_{X_i=1}+N_{X_i=2}}$

计算各个状态属性的概率，其中，为所有状态属性样本数据中X_i＝x_i情况下的频数；

可以通过公式

$P\left(c_k\right|X_1=x_1,X_2=x_2,...,X_{22}=x_{22})=\frac{P\left(c_k\right)\·\underset{i=1}{\overset{22}{\mathrm{\Π}}}P(X_i=x_i|c_k)}{\underset{i=1}{\overset{22}{\mathrm{\Π}}}P(X_i=x_i)}$

计算当前一组状态属性值情况下各个状态类型的条件概率。

下面列举出部分变电站的状态类型和状态属性变量来加以说明：

考虑到智能变电站运行中出现的常见故障类型，选取11种故障类型和正常状态作为二次设备的状态类型：

状态分类	状态类型
		C0	二次设备正常
C1	继电保护设备硬件模块故障
		C2	继电保护软件错误
C3	光纤通信断线
		C4	二次系统馈电线路故障
C5	合并单元故障
		C6	网络交换机故障
C7	智能终端故障
		C8	采样回路电缆接触不良
C9	跳闸回路触电损坏
		C10	不间断电源系统故障
C11	变电站运行环境异常

根据实际工程经验选择如下22个属性作为智能变电站二次设备健康状态诊断的监测数据：

属性变量	征兆类型
		X1	电子式互感器采样数据品质参数
X2	合并单元采样数据品质参数
		X3	合并单元电源自检信息
X4	变电站主要通信信道误码率
		X5	网络交换机接受和发送数据量之比

X6	网络报文记录分析装置记录信息的完整程度
		X7	继电保护设备硬件模块自检信息
X8	继电保护程序CRC校验码
		X9	继电保护设备与过程层设备通信传输速率
X10	继电保护设备上送信息的完整程度
		X11	二次设备运行环境的温度参数
X12	二次设备运行环境的湿度参数
		X13	智能终端发送的反馈报文正确率
X14	断路器位置指示灯异常
		X15	不间断电源系统的工作环境参数
X16	不间断电源系统的负载情况
		X17	不间断电源系统的工作时间
X18	站用交流电源母线电压状况
		X19	变电站重要馈电线路电流状况
X20	直流母线和馈线的绝缘状况
		X21	直流母线电压偏移程度
X22	蓄电池荷电状态

根据智能变电站状态监测系统以及各级运行维护人员在巡视、操作、运行和调试中所发现的故障或者异常状况记录，归类并整理二次设备状态属性异常信息及与之相应的二次设备状态类型信息，建立二次设备历史故障数据表，建立二次设备运行记录数据库。

通常某类故障类型所对应的属性变量组并不是唯一的，某类故障类型可能对应多组典型的状态属性值。从多个地区变电站的运行资料中收集了变电站二次设备运行数据，筛选出光纤通信断线故障类型的典型属性变量信息并将其按照预定规则离散化。智能变电站光纤通信断线故障（C₃）的状态属性如下：

有效利用智能变电站二次设备的自检信息实现智能变电站合并单元、数据通信系统、继电保护装置、电源系统等二次设备状态的在线监测，并据此得到二次设备状态自检信息。

在实际运行中，不同状态属性变量的变化范围差异很大，为了解决问题的方便，对不同属性值设定阈值并将其分段离散化。根据状态属性超标的程度可以将各个属性分成3段，其中0代表不超标，1代表轻微超标，2代表严重超标。以属性X₁₁二次设备运行环境的温度参数为例，当温度处于-5℃～45℃区间时X₁₁属性值为0，处于-45℃～-5℃或者45℃～80℃时X₁₁属性值为1，当温度低于-45℃或者高于80℃时X₁₁属性值为2。不同状态属性的离散化规则需要依据变电站的实际运行参数和工程经验而确定。

基于朴素贝叶斯分类器建立智能变电站二次设备健康状态诊断模型

根据变电站二次设备历史故障样本数据计算各个状态概率，确定状态类型：

①计算每一个状态分类的全概率，即用频数来计算先验概率：

$P\left(C_k\right)=\hat{P}\left(C_k\right)\frac{N_{C_k}}{N}(k=\mathrm{0,1,2},...,11)---\left(1\right)$

公式(1)中，N代表的是整个训练集的总数，即所有分类值的数量总和。而代表的是分类状态类型为C_k的频数。

②计算每一个状态类型下各状态属性的条件概率：

$P(X_i=x_i|C_k)=\hat{P}(X_i=x_i|C_k)=\frac{N_{C_k}^{\left(x_i\right)}}{N_{C_k}}(i=\mathrm{1,2,3},...,22;x_i=\mathrm{0,1,2})---\left(2\right)$

公式(2)中代表故障类型为C_k下且属性X_i的值为x_i时的频数。为故障类型为C_k的频数。

③计算每一个状态属性的全概率：

$P(X_i=x_i)\frac{N_{X_i=x_i}}{N_{X_i=0}+N_{X_i=1}+N_{X_i=2}}(i=\mathrm{1,2,3},...,22;x_i=\mathrm{0,1,2})---\left(3\right)$

公式(3)中，为所有状态属性样本数据中X_i＝x_i情况下的频数。

④计算当前一组状态属性值情况下各个状态类型的条件概率：

$P\left(c_k\right|X_1=x_1,X_2=x_2,...,X_{22}=x_{22})=\frac{P\left(c_k\right)\·\underset{i=1}{\overset{22}{\mathrm{\Π}}}P(X_i=x_i|c_k)}{\underset{i=1}{\overset{22}{\mathrm{\Π}}}P(X_i=x_i)}(k=\mathrm{0,1,2},...,11)---\left(4\right)$

⑤利用公式(1)～(4)计算得到每个状态类型的条件概率后，筛选出概率值最大所对应的这个状态类型作为健康状态诊断结果。

（8）二次设备健康状态诊断结果判断为无故障时，继续采集利用变电站二次设备的自检信息以及二次设备状态的在线监测信息得到二次设备状态自检信息。

（9）二次设备健康状态诊断结果判断为有故障时，根据智能变电站二次设备健康状态诊断结果，现场验证诊断结果并作出相应的检修决策，并根据结果的状态数据更新贝叶斯网络模型样本数据，将本次的状态属性信息和状态诊断信息作为新的样本以完善变电站二次设备状态样本数据，开始下一轮健康状态诊断。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (4)

1.一种智能化变电站二次设备健康状态诊断方法，其特征在于包括以下步骤：

明确智能变电站二次设备状态类型，依据智能变电站二次设备运行中出现的典型异常和故障类型确定二次设备状态类型信息；

根据变电站的实际条件和环境，确定能够实现在线监测的信息集合并作为二次设备的状态属性信息变量；

建立变电站二次设备样本数据库，根据变电站历史运行记录提取状态属性异常信息及与之相应的二次设备状态类型信息，并建立两者之间的映射关系；

获得二次设备状态自检信息，利用变电站二次设备的自检信息以及二次设备状态的在线监测信息得到二次设备状态自检信息；

离散化得到状态属性值，将监测到的二次设备状态自检信息按照预定的规则离散化，获取固定指定区间的数据；

根据二次设备状态自检信息和状态类型信息建立二次设备状态的贝叶斯网络分类模型；

根据二次设备状态自检信息和贝叶斯网络分类模型计算各个状态类型的概率，并得出各个状态类型下各状态属性的条件概率，再计算出各个状态属性的概率，以及当前一组状态属性值情况下各个状态类型的条件概率，选择状态类型的条件概率最大的故障类型作为二次设备健康状态诊断结果。

2.根据权利要求1所述的智能化变电站二次设备健康状态诊断方法，其特征在于：所述二次设备健康状态诊断结果判断为有故障时，根据结果的状态数据更新贝叶斯网络模型样本数据。

3.根据权利要求1所述的智能化变电站二次设备健康状态诊断方法，其特征在于：所述二次设备健康状态诊断结果判断为无故障时，继续采集利用变电站二次设备的自检信息以及二次设备状态的在线监测信息得到二次设备状态自检信息。

4.根据权利要求1所述的智能化变电站二次设备健康状态诊断方法，其特征在于：通过公式

计算所述各个状态类型的概率，其中，N代表的是整个训练集的总数，即所有分类值的数量总和；而代表的是分类状态类型为C_k的频数；

通过公式

各个状态类型下各状态属性的条件概率，其中代表故障类型为C_k下且属性X_i的值为x_i时的频数；为故障类型为C_k的频数；

通过公式

计算各个状态属性的概率，其中，为所有状态属性样本数据中X_i＝x_i情况下的频数；

通过公式

计算当前一组状态属性值情况下各个状态类型的条件概率。