CN104346627A - 一种基于大数据分析的sf6气体泄漏在线预警平台 - Google Patents

Abstract

本发明公开了一种基于大数据分析的SF₆气体泄漏在线预警平台，针对变电设备检测中的红外热像等非结构化数据检测，研究变电设备典型故障与红外热像数据分析，提取相关特征信息，开发红外热像检测数据的汇总、存储与在线分析技术，最终建立基于大数据分析的SF₆气体泄漏在线预警系统。本发明能够发现泄漏发生规律和设备家族缺陷，能够预警高风险设备、部位和时间，使检测有的放矢；加强对高风险设备的检测，提高故障发现率，减少因检查SF₆气体泄漏而发生的大量人力和机具成本；通过DS证据理论对变电设备多元数据进行融合诊断，有效识别出变电设备SF₆气体状态，输出识别结果，在线进行预警。

Description

一种基于大数据分析的SF6气体泄漏在线预警平台

技术领域

本发明涉及一种基于大数据分析的SF₆气体泄漏在线预警平台。

背景技术

SF₆气体具有稳定的理化性能、优良的绝缘性能及优异的灭弧性能，在高压电器设备中被广泛使用。随着电网的发展，电力系统大量采用SF₆气体作为绝缘介质的电气设备。随着社会的进步，经济的发展,人们对供电可靠率的要求不断提高，变电设备长年运行于野外，受气象条件、密封设备的老化等的影响，SF₆气体可能发生泄漏造成潜在设备故障。因此，保证以SF₆为绝缘气体设备的安全运行显得日益重要。

针对SF₆气体泄漏，目前多采用红外技术检测变电设备SF₆气体泄漏情况。SF₆红外成像检漏技术是利用SF₆气体对特定波长红外光的吸收特性比空气而言极强的物理特性，使两者反映的红外影像不同，在其高性能的红外探测器及先进的红外探测技术的帮助下使泄漏的SF₆气体变得可见。与传统方法相比，不受设备带电情况下检测部位有限的限制，可以安全的在远距离对设备带电部位泄漏点进行检测，大大提高了设备漏点的查找效率。然而单纯采用红外成像检漏，无法对泄漏数据进行在线汇总分析，不能发挥数据的价值。

发明内容

本发明为了解决上述问题，提出了一种基于大数据分析的SF₆气体泄漏在线预警平台，本装置将检测数据在主站进行汇总分析比对，能够发现泄漏发生规律和设备家族缺陷，能够预警高风险设备、部位和时间，使检测有的放矢，加强对高风险设备的检测，提高故障发现率，减少因检查SF₆气体泄漏而发生的大量人力和机具成本。

为了实现上述目的，本发明采用如下技术方案：

一种基于大数据分析的SF₆气体泄漏在线预警平台，包括数据存储模块、数据处理模块及监测预警模块，其中：

所述数据存储模块，用于存储变电设备历史故障记录、设备和电网监测、检测数据以及环境、气象监测数据；

所述数据处理模块，连接多个传感器，采集传感器和信息源的数据和信息，进行DS信息融合故障诊断；

所述监测预警模块，用于监测SF₆气体状态，进行在线预警。

所述数据处理模块，包括信度函数模块、DS组合模块、融合信度函数模块和故障判定模块，其中，信度函数模块有多个，分别一一连接传感器，计算传感器采集的信息可信度分配值，发送给DS组合模块，DS组合模块根据合成规则计算所有信息联合作用下的基本可信度分配值，故障判定模块根据计算结果进行故障判定。

一种基于上述系统的工作方法，包括以下步骤：

(1)数据处理模块DS信息融合故障诊断技术多个传感器和信息源的数据和信息，即证据进行预处理；然后计算各个证据的基本可信度分配值；再根据合成规则计算所有证据联合作用下的基本可信度分配值；最后按照一定的判决规则选择可信度最大的假设作为融合结果；

(2)监测预警模块根据变电设备多元数据的融合诊断结果，识别出变电设备SF₆气体状态，输出识别结果，在线进行预警；数据存储模块存储记录数据。

所述步骤(1)中，其具体方法包括：

(1-1)通过隶属函数确定各传感器信度函数，分别对变电设备检测和监测数据的越小越优型和越大越优型指标，采用三角与半梯形分布相结合的模糊隶属度方式，将规程规定的初值与注意值间通过等距离点，划分各评估级别的隶属度函数范围；

(1-2)将设备样本数据按照隶属度函数进行评估，计算指标对评语集各评估级别的隶属度向量，计算指标关注度；

(1-3)采用有序方式进行证据融合，即按劣化变权由小到大顺序融合，得到融合结果。

所述步骤(1-1)中，通过隶属函数确定各传感器信度函数的方法为：各传感器信度函数有隶属函数来确定，受限将变电设备SF₆气体状态定义为4个等级，确定辨识框架，定义L_m＝m(m＝l，2，3，4)为劣化关注权，分别与4个评估级别相对应，即L＝{L₁,L₂,L₃,L₄}对应{优，良，注意，泄漏}。

所述步骤(1-1)中，越小越优型指标计算：

越大越优型指标计算： $l_i={\left(\frac{C_i-C_{\min }}{C_0-C_{\min }}\right)}^k,$

式中，l_i是第i个状态指标的相对劣化度，C₀为该指标的允许值，C_min和C_max为指标极限值，C_i为指标实测值，k为参数变化对设备状态的影响程度；

分别对变电设备检测和监测数据的越小越优型和越大越优型指标，采用三角与半梯形分布相结合的模糊隶属度方式，将规程规定的初值与注意值(或警示值)间通过等距离点，划分各评估级别的隶属度函数范围。

所述步骤(1-2)中，将设备样本数据按照隶属度函数进行评估，则指标对评语集各评估级别的隶属度向量为：E(X_i)＝{μ(X_i,m)|m＝1,2,3,4}，式中，μ(X_i,m)为指标X_i对评语集评估级别L_m的隶属度函数值；

将指标对评语集各评估级别的隶属度向量E(X_i)，结合劣化关注权L_m，定义指标关注度：

$\hat{D}\left(X_i\right)=\underset{m=1}{\overset{4}{\mathrm{\Σ}}}\mathrm{\μ}\left(X_{i,m}\right)L_m---\left(1\right)$

根据隶属于同一父指标的各子指标关注度定义子指标相对关注度：

$D\left(X_i\right)=\hat{D}\left(X_i\right)/\max \left\{\hat{D}\left(X_i\right)\right|i=\mathrm{1,2},...n\}---\left(2\right).$

所述步骤(1-2)中，将隶属于同一父指标的各子指标相对关注度与静态相对权重相结合，求得变权：

$\hat{v}=D\left(X_i\right)w_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}D\left(X_i\right)w_i---\left(3\right)$

则劣化变权表示为：

$v_i={\hat{v}}_i/\max \left\{{\hat{v}}_i\right|i=\mathrm{1,2},...n\}---\left(4\right)$

劣化变权体现了考虑劣化情况的指标间相对重要程度，将其作为修正系数，对识别框架评估级别隶属度向量E(X_i)进行修正，剩余可信度分配给未知情况m(Θ)，得到指标的基本可信度分配(BPA)值，即证据m(X_i)：

$\left\{\begin{array}{c}\\ m\left(X_i\right)=\left[m_i\left(L_1\right)m_i\left(L_2\right)m_i\left(L_3\right)m_i\left(L_4\right)m_i\left(\mathrm{\Θ}\right)\right]\\ m_i\left(L_m\right)=\left\{\mathrm{\μ}\left(X_{i,m}\right)v_i\right|m=\mathrm{1,2,3,4}\}\\ m_i\left(\mathrm{\Θ}\right)=1-\underset{m=1}{\overset{4}{\mathrm{\Σ}}}{m}_i\left(L_m\right)\end{array}\right.---\left(5\right)$

劣化变权越大，修正后得到的证据未知情况的可信度越小，从而在改进合成规则的证据融合中能够更有利于突出对劣化严重程度的关注。

所述步骤(1-3)中，为使融合结果更加突出对劣化严重的关注，提出证据融合采用有序方式进行，即按劣化变权由小到大顺序融合，在几个证据冲突严重情况下，保留劣化程度严重的证据对最终结果的影响：对于同一辨识框Θ下的两个信度函数m1和m2，焦元分别为A1,A2,…,An，则 $m\left(X\right)\left\{\begin{array}{c}\frac{1}{1-K}\mathrm{\Σ}{m}_1\left(A_1\right)m_2\left(A_2\right)\\ 0,A=\mathrm{\Φ}\end{array}\right.,A\≠\mathrm{\Φ}$

其中K＝∑m₁(A₁)m₂(A₂)。

本发明的有益效果为：

(1)能够发现泄漏发生规律和设备家族缺陷，能够预警高风险设备、部位和时间，使检测有的放矢；

(2)加强对高风险设备的检测，提高故障发现率，减少因检查SF₆气体泄漏而发生的大量人力和机具成本；

(3)通过DS证据理论对变电设备多元数据进行融合诊断，有效识别出变电设备SF₆气体状态，输出识别结果，在线进行预警。

附图说明

图1为数据处理模块示意图；

图2为越小越优型指标评语集隶属度函数示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

本项目所研发系统将检测数据在主站进行汇总分析比对，能够发现泄漏发生规律和设备家族缺陷，能够预警高风险设备、部位和时间，使检测有的放矢，加强对高风险设备的检测，提高故障发现率，减少因检查SF₆气体泄漏而发生的大量人力和机具成本。

本项目针对变电设备检测中的红外热像等非结构化数据检测，研究变电设备典型故障与红外热像数据分析，提取相关特征信息，开发红外热像检测数据的汇总、存储与在线分析技术，最终建立基于大数据分析的SF₆气体泄漏在线预警系统。

系统包括数据存储模块、数据处理模块及监测预警模块。

数据存储模块是指将变电设备历史故障记录、设备和电网监测、检测数据以及环境、气象监测数据存入数据库中。

数据处理模块采用DS信息融合故障诊断技术。DS证据理论是针对事件发生后的结果(证据)，探求事件发生的主要原因(假设)。使用DS方法融合多传感器数据的基本思想是:首先对来自多个传感器和信息源的数据和信息(即证据)进行预处理；然后计算各个证据的基本可信度分配值；再根据合成规则计算所有证据联合作用下的基本可信度分配值；最后按照一定的判决规则选择可信度最大的假设作为融合结果。

如图1所示，中m_j(A1),m_j(A2),…,m_j(A n)表示传感器j测得的症状属于故障A1,A2,…,An的信度函数；m(A1),m(A2),…,m(An)是传感器融合后分配到各故障模式A1,A2,…,An上的信度函数值。

各传感器信度函数有隶属函数来确定。受限将变电设备SF6气体状态定义为4个等级，确定辨识框架，定义L_m＝m(m＝l，2，3，4)为劣化关注权，分别与4个评估级别相对应，即L＝{L₁,L₂,L₃,L₄}对应{优，良，注意，泄漏}。

越小越优型指标计算： $l_i={\left(\frac{C_i-C_0}{C_{\max }-C_0}\right)}^k$

越大越优型指标计算： $l_i={\left(\frac{C_i-C_{\min }}{C_0-C_{\min }}\right)}^k$

式中，l_i是第i个状态指标的相对劣化度，C₀为该指标的允许值，C_min和C_max为指标极限值，C_i为指标实测值，k为参数变化对设备状态的影响程度。

分别对变电设备检测和监测数据的越小越优型(如介损值)和越大越优型(如绝缘电阻值)指标，采用三角与半梯形分布相结合的模糊隶属度方式，将规程规定的初值与注意值(或警示值)间通过等距离点，划分各评估级别的隶属度函数范围，如图2所示。

将设备样本数据按照隶属度函数进行评估，则指标对评语集各评估级别的隶属度向量为：E(X_i)＝{μ(X_i,m)|m＝1,2,3,4}，式中，μ(X_i,m)为指标X_i对评语集评估级别L_m的隶属度函数值。

将指标对评语集各评估级别的隶属度向量E(X_i)，结合劣化关注权L_m，定义指标关注度：

$\hat{D}\left(X_i\right)=\underset{m=1}{\overset{4}{\mathrm{\Σ}}}\mathrm{\μ}\left(X_{i,m}\right)L_m$      式(1)

根据隶属于同一父指标的各子指标关注度定义子指标相对关注度：

$D\left(X_i\right)=\hat{D}\left(X_i\right)/\max \left\{\hat{D}\left(X_i\right)\right|i=\mathrm{1,2},...n\}$      式(2)

将隶属于同一父指标的各子指标相对关注度与静态相对权重相结合，求得变权：

$\hat{v}=D\left(X_i\right)w_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}D\left(X_i\right)w_i$       式(3)

则劣化变权可表示为：

$v_i={\hat{v}}_i/\max \left\{{\hat{v}}_i\right|i=\mathrm{1,2},...n\}$      式(4)

劣化变权体现了考虑劣化情况的指标间相对重要程度，将其作为修正系数，对识别框架评估级别隶属度向量E(X_i)进行修正，剩余可信度分配给未知情况m(Θ)，得到指标的基本可信度分配(BPA)值，即证据m(X_i)：

$\left\{\begin{array}{c}\\ m\left(X_i\right)=\left[m_i\left(L_1\right)m_i\left(L_2\right)m_i\left(L_3\right)m_i\left(L_4\right)m_i\left(\mathrm{\Θ}\right)\right]\\ m_i\left(L_m\right)=\left\{\mathrm{\μ}\left(X_{i,m}\right)v_i\right|m=\mathrm{1,2,3,4}\}\\ m_i\left(\mathrm{\Θ}\right)=1-\underset{m=1}{\overset{4}{\mathrm{\Σ}}}{m}_i\left(L_m\right)\end{array}\right.$      式(5)

劣化变权越大，修正后得到的证据未知情况的可信度越小，从而在改进合成规则的证据融合中能够更有利于突出对劣化严重程度的关注。为使融合结果更加突出对劣化严重的关注，提出证据融合采用有序方式进行，即按劣化变权由小到大顺序融合，可以在几个证据冲突严重情况下，尽可能保留劣化程度严重的证据对最终结果的影响。

对于同一辨识框Θ下的两个信度函数m1和m2，焦元分别为A1,A2,…,An，则 $m\left(X\right)\left\{\begin{array}{c}\frac{1}{1-K}\mathrm{\Σ}{m}_1\left(A_1\right)m_2\left(A_2\right)\\ 0,A=\mathrm{\Φ}\end{array}\right.,A\≠\mathrm{\Φ}$

其中K＝∑m₁(A₁)m₂(A₂)

通过上述DS证据理论对变电设备多元数据进行融合诊断，识别出变电设备SF₆气体状态，输出识别结果，在线进行预警。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于大数据分析的SF₆气体泄漏在线预警平台，其特征是：包括数据存储模块、数据处理模块及监测预警模块，其中：

所述数据存储模块，用于存储变电设备历史故障记录、设备和电网监测、检测数据以及环境、气象监测数据；

所述数据处理模块，连接多个传感器，采集传感器和信息源的数据和信息，进行DS信息融合故障诊断；

所述监测预警模块，用于监测SF₆气体状态，进行在线预警。

2.如权利要求1所述的基于大数据分析的SF₆气体泄漏在线预警平台，其特征是：所述数据处理模块，包括信度函数模块、DS组合模块、融合信度函数模块和故障判定模块，其中，信度函数模块有多个，分别一一连接传感器，计算传感器采集的信息可信度分配值，发送给DS组合模块，DS组合模块根据合成规则计算所有信息联合作用下的基本可信度分配值，故障判定模块根据计算结果进行故障判定。

3.一种基于如权利要求1-2中任一项所述的系统的工作方法，其特征是：包括以下步骤：

(1)数据处理模块DS信息融合故障诊断技术多个传感器和信息源的数据和信息，即证据进行预处理；然后计算各个证据的基本可信度分配值；再根据合成规则计算所有证据联合作用下的基本可信度分配值；最后按照一定的判决规则选择可信度最大的假设作为融合结果；

(2)监测预警模块根据变电设备多元数据的融合诊断结果，识别出变电设备SF₆气体状态，输出识别结果，在线进行预警；数据存储模块存储记录数据。

4.如权利要求3所述的工作方法，其特征是：所述步骤(1)中，其具体方法包括：

(1-1)通过隶属函数确定各传感器信度函数，分别对变电设备检测和监测数据的越小越优型和越大越优型指标，采用三角与半梯形分布相结合的模糊隶属度方式，将规程规定的初值与注意值间通过等距离点，划分各评估级别的隶属度函数范围；

(1-2)将设备样本数据按照隶属度函数进行评估，计算指标对评语集各评估级别的隶属度向量，计算指标关注度；

(1-3)采用有序方式进行证据融合，即按劣化变权由小到大顺序融合，得到融合结果。

5.如权利要求4所述的工作方法，其特征是：所述步骤(1-1)中，通过隶属函数确定各传感器信度函数的方法为：各传感器信度函数有隶属函数来确定，受限将变电设备SF₆气体状态定义为4个等级，确定辨识框架，定义L_m＝m(m＝l，2，3，4)为劣化关注权，分别与4个评估级别相对应，即L＝{L₁,L₂,L₃,L₄}对应{优，良，注意，泄漏}。

6.如权利要求4所述的工作方法，其特征是：所述步骤(1-1)中，越小越优型指标计算： $l_i={\left(\frac{C_i-C_0}{C_{\max }-C_0}\right)}^k,$

越大越优型指标计算：

式中，l_i是第i个状态指标的相对劣化度，C₀为该指标的允许值，C_min和C_max为指标极限值，C_i为指标实测值，k为参数变化对设备状态的影响程度；

分别对变电设备检测和监测数据的越小越优型和越大越优型指标，采用三角与半梯形分布相结合的模糊隶属度方式，将规程规定的初值与注意值或警示值间通过等距离点，划分各评估级别的隶属度函数范围。

7.如权利要求4所述的工作方法，其特征是：所述步骤(1-2)中，将设备样本数据按照隶属度函数进行评估，则指标对评语集各评估级别的隶属度向量为：

E(X_i)＝{μ(X_i,m)|m＝1,2,3,4}，式中，μ(X_i,m)为指标X_i对评语集评估级别L_m的隶属度函数值；

将指标对评语集各评估级别的隶属度向量E(X_i)，结合劣化关注权L_m，定义指标关注度：

$\hat{D}\left(X_i\right)=\underset{m=1}{\overset{4}{\mathrm{\Σ}}}\mathrm{\μ}\left(X_{i,m}\right)L_m---\left(1\right)$

根据隶属于同一父指标的各子指标关注度定义子指标相对关注度：

$D\left(X_i\right)=\hat{D}\left(X_i\right)/\max \left\{\hat{D}\left(X_i\right)\right|i=\mathrm{1,2},...n\}---\left(2\right).$

所述步骤(1-2)中，将隶属于同一父指标的各子指标相对关注度与静态相对权重相结合，求得变权：

$\hat{v}=D\left(X_i\right)w_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}D\left(X_i\right)w_i---\left(3\right)$

则劣化变权表示为：

$v_i={\hat{v}}_i/\max \left\{{\hat{v}}_i\right|i=\mathrm{1,2},...n\}---\left(4\right)$

劣化变权体现了考虑劣化情况的指标间相对重要程度，将其作为修正系数，对识别框架评估级别隶属度向量E(X_i)进行修正，剩余可信度分配给未知情况m(Θ)，得到指标的基本可信度分配值，即证据m(X_i)：

$\left\{\begin{array}{c}\\ m\left(X_i\right)=\left[m_i\left(L_1\right)m_i\left(L_2\right)m_i\left(L_3\right)m_i\left(L_4\right)m_i\left(\mathrm{\Θ}\right)\right]\\ m_i\left(L_m\right)=\left\{\mathrm{\μ}\left(X_{i,m}\right)v_i\right|m=\mathrm{1,2,3,4}\}\\ m_i\left(\mathrm{\Θ}\right)=1-\underset{m=1}{\overset{4}{\mathrm{\Σ}}}{m}_i\left(L_m\right)\end{array}\right.---\left(5\right)$

劣化变权越大，修正后得到的证据未知情况的可信度越小，从而在改进合成规则的证据融合中能够更有利于突出对劣化严重程度的关注。

8.如权利要求3所述的工作方法，其特征是：所述步骤(1-3)中，为使融合结果更加突出对劣化严重的关注，提出证据融合采用有序方式进行，即按劣化变权由小到大顺序融合，在几个证据冲突严重情况下，保留劣化程度严重的证据对最终结果的影响：对于同一辨识框Θ下的两个信度函数m1和m2，焦元分别为A1,A2,…,An，则 $m\left(X\right)\left\{\begin{array}{c}\frac{1}{1-K}\mathrm{\Σ}{m}_1\left(A_1\right)m_2\left(A_2\right)\\ 0,A=\mathrm{\Φ}\end{array}\right.,A\≠\mathrm{\Φ}$

其中K＝Σm₁(A₁)m₂(A₂)。