CN104573361B - 一种gis设备评估的方法和装置 - Google Patents
一种gis设备评估的方法和装置 Download PDFInfo
- Publication number
- CN104573361B CN104573361B CN201510003695.3A CN201510003695A CN104573361B CN 104573361 B CN104573361 B CN 104573361B CN 201510003695 A CN201510003695 A CN 201510003695A CN 104573361 B CN104573361 B CN 104573361B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- gis device
- value
- state
- gis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000007547 defect Effects 0.000 claims abstract description 11
- 230000003862 health status Effects 0.000 claims description 50
- 238000009826 distribution Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 9
- 239000012212 insulator Substances 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000005183 dynamical system Methods 0.000 claims description 6
- 238000007789 sealing Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 238000011109 contamination Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种GIS设备评估的方法，其在包括多个子系统及每一子系统中包括多个元件的GIS设备上实现，方法包括：提取GIS设备的历史数据，根据比例风险模型，得到各子系统内每一元件的故障率；依据预设的算法，计算出每一子系统分别对应于健康、欠健康和不健康状态下的概率值及其对应组合成的评估值；获取各子系统的已发生缺陷的和已发生故障的状态修订各子系统的评估值；根据GIS设备逻辑关系建立贝叶斯网络；根据贝叶斯网络及修订的评估值，采用贝叶斯公式得到GIS设备的条件概率，确定系统可靠度。实施本发明，能够融合多种信息来源，结合GIS设备的复杂性，量化GIS设备的可靠性数值，对GIS的可靠性进行准确及快速的评价。
Description
技术领域
本发明涉及电力系统GIS设备技术领域，尤其涉及一种气体绝缘金属封闭开关设备评估的方法和装置。
背景技术
GIS设备(Gas Insulated Switchgear，气体绝缘金属封闭开关设备)因可靠性高、维护简单、占地面积小、绝缘性能优良等诸多优点受到广泛运用，但随着近年GIS设备用量的增加，其缺陷和事故也逐渐显露，尤其是GIS设备往往运行于枢纽电站和关键地区，发生事故往往会导致严重的后果。
目前，GIS设备的可靠性评价有三种方法：一、采用专家经验并结合设备的设计使用寿命进行退役时间的估计；二、结合在线监测的一些方法，依靠设置一些简单的失效阈值作为失效的判断标准；三、采用智能算法，如神经网络等也被引入GIS设备的可靠性评估中。
发明人发现，以上三种评价方法均存在不足之处，其不足之处在于：在第一种方法中，该方法易受专家经验的影响，且设备的设计使用寿命对于某一种类的设备而言是一个固定值，无法随着设备实际使用环境的改变而改变，因此会导致GIS设备提早的退役造成巨大的资源浪费，而可靠性的降低则造成巨大的经济财产损失；在第二种方法中，该方法中阈值的判断标准不具备准确性，且一些复杂的在线监测信号(如UHF和振动信号)的识别仍在研究中，从而无法实现多元信息融合的可靠性评价；在第三种方法中，该方法是一个黑箱系统，缺乏可解释性，且GIS设备作为一个复杂系统有其自身的结构和特点，不同部件也有不同的失效规律，这都是神经网络所无法考虑的，因此导致存在于多个无冗余的子系统中的GIS设备，其可靠性无法得到准确的评价。
因此，鉴于上述三种方法的不足之处，亟需一种评价方法对GIS的可靠性进行准确及快速的评价。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于贝叶斯网络模型的GIS设备评估的方法和装置，能够融合多种信息来源，结合GIS设备的复杂性，量化GIS设备的可靠性数值，对GIS的可靠性进行准确及快速的评价。
为了解决上述技术问题，本发明实施例提供了一种GIS设备评估的方法，其在包括多个子系统及每一子系统中包括多个元件的GIS设备上实现，所述方法包括：
a、提取所述GIS设备的历史数据，并根据预设的比例风险模型，得到各子系统内每一元件的故障率；
b、将所述得到的各子系统内每一元件的故障率，依据预设的算法，计算出每一子系统分别对应于多个评估状态下的概率值，并分别将每一子系统中计算出的多个概率值组合成其对应的评估值；其中，所述多个评估状态包括健康状态、欠健康状态和不健康状态；所述评估值包括依序设定的健康状态的概率值、欠健康状态的概率值和不健康状态的概率值；
c、获取各子系统的实际故障状态，并根据所述获取到的各子系统的实际故障状态，修订各子系统的评估值；其中，所述实际故障状态包括已发生缺陷的状态和已发生故障的状态；
d、根据所述GIS设备完成开断操作的逻辑关系，将各子系统相关联并建立贝叶斯网络；
e、根据所述建立的贝叶斯网络及所述修订后的各子系统的评估值，采用贝叶斯公式得到所述GIS设备对应于每一评估状态的条件概率，并根据所述GIS设备得到的每一评估状态的条件概率，确定所述GIS设备的系统可靠度。
其中，所述步骤a的具体为：
提取所述GIS设备中各子系统内每一元件的在线监测数据和定期预防性实验数据，并根据公式得到各子系统内每一元件的故障率；其中，h(t，Z)为当前元件的故障率；η为威布尔分布的尺度函数；β为威布尔分布的形状函数；Z为当前元件的协变量向量，由(z1，z2...zn)组成，每一个zi代表一个状态变量，所述状态变量包括所述当前元件的累计分合闸次数、累计开断能量、在线监测的温度值、泄漏电流值和超高频各频段的能量；γ为与Z相同长度的向量，为协变量的回归参数。
其中，所述步骤b的具体步骤包括：
S1、根据所述得到的各子系统内每一元件的故障率，获得各子系统内每一元件的可靠度值；
S2、采用蒙特卡洛方法的终止判据，确定抽样次数m；其中，m为正整数；
S3、进行抽样，产生一个位于[0，1]之间的当前随机数N，根据公式将所述确定的各子系统内每一元件的可靠度值均与所述当前随机数N进行比较，转化成相应的0或1；其中，si为当前元件的状态，i为自然数且小于等于当前元件所属子系统中元件个数的总量；1代表工作状态；0代表故障状态；Ri为当前元件的可靠度值；
S4、分别统计各子系统中0的数目，并根据预设的评判规则，确定各子系统对应的当前评估状态，并将各子系统的当前评估状态赋值为一；
S5、所述抽样次数m减一，返回步骤S3；
S6、当所述抽样次数m等于0时，则分别统计各子系统每一评估状态赋值为一的数目，并将所述统计的各子系统每一评估状态赋值为一的数目分别除以所述抽样次数m，得到各子系统每一评估状态分别对应的概率值；
S7、根据所述得到的各子系统每一评估状态分别对应的概率值，设定各子系统对应的评估值。
其中，所述步骤c的具体步骤包括：
当获取到一个或多个子系统的实际故障状态为已发生缺陷的状态时，将所述获取到的一个或多个子系统的评估值修订为(0，0.5，0.5)；
当获取到一个或多个子系统的实际故障状态为已发生故障的状态时，将所述获取到的一个或多个子系统的评估值修订为(0，0.1，0.9)。
其中，所述步骤e的具体步骤包括：
根据所述建立的贝叶斯网络及所述修订后的各子系统的评估值，采用贝叶斯公式计算出所述贝叶斯网络中每一父节点的条件概率，并通过所述计算出的每一父节点的条件概率，确定所述GIS设备作为根节点对应所述多个评估状态下分别获得的条件概率；
当检测到所述GIS设备在健康状态下获得的条件概率最大时，则确定所述GIS设备的系统可靠度最高；
当检测到所述GIS设备在欠健康状态下获得的条件概率最大时，则确定所述GIS设备的系统可靠度适中；
当检测到所述GIS设备在不健康状态下获得的条件概率最大时，则确定所述GIS设备的系统可靠度最低。
其中，所述方法进一步包括：
获取所述GIS设备的当前环境系数，并将所述获取的当前环境系数与所述GIS设备得到的每一评估状态的条件概率相乘，进一步确定所述GIS设备的系统可靠度；其中，所述环境系数根据公式δ＝med+(L-med)·E获得；δ为环境系数；med取值为0.5；L＝max(工作位置系数，腐蚀系数)；E为所述GIS设备的工作位置。
其中，所述环境系数δ取值范围分别为良好0.9，一般1和恶劣1.1；所述工作位置系数为所述GIS设备周围环境污染情况，一般情况下取1、重工业区取1.05、主要道路取1.1和发电厂取1.2；所述腐蚀系数为所述GIS设备外壳受腐蚀的程度，默认值为1，并根据现场的腐蚀程度可分为1.05、1.1、1.15和1.2；所述GIS设备的工作位置E的取值范围为室外取1、室内取0.8和地下取0.6。
其中，所述各子系统包括绝缘子系统、机构子系统、控制系统子系统、动力系统子系统、密封子系统、灭弧室子系统和SF6气体成分子系统。
本发明实施例还提供了一种GIS设备评估的装置，其在包括多个子系统及每一子系统中包括多个元件的GIS设备上实现，所述装置包括：
获取元件故障率单元，用于提取所述GIS设备的历史数据，并根据预设的比例风险模型，得到各子系统内每一元件的故障率；
子系统概率评估单元，用于将所述得到的各子系统内每一元件的故障率，依据预设的算法，计算出每一子系统分别对应于多个评估状态下的概率值，并分别将每一子系统中计算出的多个概率值组合成其对应的评估值；其中，所述多个评估状态包括健康状态、欠健康状态和不健康状态；所述评估值包括依序设定的健康状态的概率值、欠健康状态的概率值和不健康状态的概率值；
概率评估修订单元，用于获取各子系统的实际故障状态，并根据所述获取到的各子系统的实际故障状态，修订各子系统的评估值；其中，所述实际故障状态包括已发生缺陷的状态和已发生故障的状态；
贝叶斯网络建立单元，用于根据所述GIS设备完成开断操作的逻辑关系，将各子系统相关联并建立贝叶斯网络；
设备可靠度确定单元，用于根据所述建立的贝叶斯网络及所述修订后的各子系统的评估值，得到所述GIS设备对应于每一评估状态的条件概率，并根据所述GIS设备得到的每一评估状态的条件概率，确定所述GIS设备的系统可靠度。
其中，所述各子系统包括绝缘子系统、机构子系统、控制系统子系统、动力系统子系统、密封子系统、灭弧室子系统和SF6气体成分子系统。
实施本发明实施例，具有如下有益效果：
1、在本发明实施例中，由于采用比例风险模型，将复杂的GIS设备分解成多个子系统及元件进行分析，评估每一个子系统对应于健康状态、欠健康状态及不健康状态的概率，并根据实际故障状态修订每一个子系统得到的概率，进一步准确的确定GIS设备的可靠度，从而实现能够融合多种信息来源，结合GIS设备的复杂性，量化GIS设备的可靠性数值，对GIS的可靠性进行准确及快速的评价；
2、在本发明实施例中，由于进一步引入影响GIS设备运行的环境因素，从而更精确及快速的评价出GIS设备的可靠度，为GIS设备的维护和退役决策提供完善及可靠的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的GIS设备评估的方法的流程图；
图2为本发明实施例提供的GIS设备构建的贝叶斯网络的结构示意图；
图3为本发明实施例提供的GIS设备评估的装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例提供的一种GIS设备评估的方法，其在包括多个子系统及每一子系统中包括多个元件的GIS设备上实现，所述方法包括：
步骤S101、提取所述GIS设备的历史数据，并根据预设的比例风险模型，得到各子系统内每一元件的故障率；
具体过程为，提取GIS设备中各子系统内每一元件的在线监测数据和定期预防性实验数据，并根据公式得到各子系统内每一元件的故障率；其中，h(t，Z)为当前元件的故障率，不仅与时间有关，还依赖于变量Z的值；η为威布尔分布的尺度函数；β为威布尔分布的形状函数；Z为当前元件的协变量向量，对于协变量向量的对象，可根据当前设备工作条件下实际可收集到的数据，由(z1，z2...zn)组成，每一个zi代表一个状态变量，状态变量包括当前元件的累计分合闸次数、累计开断能量、在线监测的温度值、泄漏电流值和超高频各频段的能量等；γ为与Z相同长度的向量，为协变量的回归参数，反映协变量对故障率的影响大小。
累计故障率为
故障率函数与可靠度函数的关系为
其中，可靠度函数
其二者的似然函数为
将两参数威布尔比例故障模型的概率密度函数和可靠度函数带入式(3)中，得到似然函数为：
此时，f(t，Z)中有n+2个未知参量，分布是β，η和γ向量，使用贝叶斯估计，设他们的先验分布分别为η～Γ(aη，bη)和
其中，形状函数β和协变量γi服从正态分布分布，μβ，μγi，分别是分布中的参数。η服从伽马分布，aη，bη是分布中的参数。
那么，贝叶斯估计的后验分布为
即：
针对式(6)中的后验分布，利用软件winBUGS进行求解，求出未知参数β，η，γ的评估值。
应当说明的是，对于缺乏在线监测数据和可靠性实验数据的元件，因没有协变量，因此设γ向量的值都为0，贝叶斯估计退化为威布尔分布的极大似然估计，可依照相同的步骤计算出元件的缺陷率分布；对于仅有部分协变量的元件，可设相应的γi等于0，按照相同步骤进行计算。
在发明实施例中，各子系统包括但不限于绝缘子系统、机构子系统、控制系统子系统、动力系统子系统、密封子系统、灭弧室子系统和SF6气体成分子系统。
步骤S102、将所述得到的各子系统内每一元件的故障率，依据预设的算法，计算出每一子系统分别对应于多个评估状态下的概率值，并分别将每一子系统中计算出的多个概率值组合成其对应的评估值；其中，所述多个评估状态包括健康状态、欠健康状态和不健康状态；所述评估值包括依序设定的健康状态的概率值、欠健康状态的概率值和不健康状态的概率值；
具体过程包括：步骤S1、根据所述得到的各子系统内每一元件的故障率，获得各子系统内每一元件的可靠度值；
步骤S2、采用蒙特卡洛方法的终止判据，确定抽样次数m；其中，m为正整数；
步骤S3、进行抽样，产生一个位于[0，1]之间的当前随机数N，根据公式将所述确定的各子系统内每一元件的可靠度值均与所述当前随机数N进行比较，转化成相应的0或1；其中，si为当前元件的状态，i为自然数且小于等于当前元件所属子系统中元件个数的总量；1代表工作状态；0代表故障状态；Ri为当前元件的可靠度值；
步骤S4、分别统计各子系统中0的数目，并根据预设的评判规则，确定各子系统对应的当前评估状态，并将各子系统的当前评估状态赋值为一；
步骤S5、所述抽样次数m减一，返回步骤S3；
步骤S6、当所述抽样次数m等于0时，则分别统计各子系统每一评估状态赋值为一的数目，并将所述统计的各子系统每一评估状态赋值为一的数目分别除以所述抽样次数m，得到各子系统每一评估状态分别对应的概率值；
步骤S7、根据所述得到的各子系统每一评估状态分别对应的概率值，设定各子系统对应的评估值。
本发明实施例中，元件组合成子系统的方法使用蒙特卡洛法，将所评估的事件转化为一定的概率模型，利用计算机产生随机数。子系统全部元件的状态组合组成整个子系统的状态，在这里将元件i的状态表示为si,简化为0和1两种状态，即故障状态和正常状态，可以利用在[0,1]之间产生的随机数N来确定元件所处的状态，假如以平均的概率在[0,1]之间抽出一个数，第i次抽取的值为Ni，Ri表示当前元件的可靠度值，则Ni小于Ri则认为本次抽样当前元件正常，Ni大于Ri认为本次抽样当前元件故障，即
如果一个子系统有n个元件，则子系统的状态可由这n种元件状态组合而成。可以通过以下的矢量来表示：Ti＝{S1，S2，...Sn}；其中，Ti表示子系统的状态i，总数有2n个，每个元素都表示一个元件的状态。其中，全部的抽样次数中状态组合Ti发生的次数为m；Ti描述子系统内全部元件的状态，即表示状态空间；该状态空间对应的是评估结果集，记为H，其元素有健康状态，欠健康状态和不健康状态。
状态值Ti和评估结果集H对应着映射关系，这种映射关系的确定要根据设备的实际状况和专家经验确定，即预设的评判规则，作为一个例子，子系统内关键元件没有出现故障，则记为健康状态，3个以下的非关键元件故障记为欠健康状态，3个及以上的非关键元件故障记为不健康状态。
由概率论的知识可以知道，当抽样次数足够多之后，可以用平均值逼近数学期望，所以当抽样次数足够大，记为m时，以健康状态为例，设所有对应于评估结果为健康状态的组合状态Ti共有q个，第q个状态发生的次数为mq，则处于健康状态下的概率值K为：
作为一个例子，以机构子系统为例，该机构子系统包括分析传动杆、弹簧、合闸挚子、缓冲器、机构箱等几个元件。假设某次抽样元件全部正常，即Ti为(1，1，1，1，1)，由于元件全部正常，则子系统也正常，健康状态赋值为一；若某次抽样为缓冲器故障(1，1，1，0，1)，由于一般在缓冲器漏油的情况下，设备依然能完成操作，此状态被记为欠健康状态，因此欠健康状态赋值为一；若某次抽样为(0，1，1，1，1)，由于传动杆为机构子系统的关键部件，其故障常常导致开断失败，因此不健康状态赋值为一；根据蒙特卡洛方法的终止判据，在进行若干次抽样后，分别统计该机构子系统内健康状态赋值为一的数目、欠健康状态赋值为一的数目和不健康状态赋值为一的数目，然后分别用健康状态、欠健康状态和不健康状态的统计出的数值除以抽样的总数m，即得到该机构子系统下三种状态的概率值。最后，将得到的三个概率值依照健康状态的概率值、欠健康状态的概率值及不健康状态的概率值的先后排序，组合成该机构子系统的评估值。
步骤S103、获取各子系统的实际故障状态，并根据所述获取到的各子系统的实际故障状态，修订各子系统的评估值；其中，所述实际故障状态包括已发生缺陷的状态和已发生故障的状态；
具体过程为，为了获取到准确的各子系统的评估值，因此需依照子系统实际故障状态，对各子系统的评估值进行修订和更新。当获取到一个或多个子系统的实际故障状态为已发生缺陷的状态时，将获取到的一个或多个子系统的评估值修订为(0，0.5，0.5)；当获取到一个或多个子系统的实际故障状态为已发生故障的状态时，将获取到的一个或多个子系统的评估值修订为(0，0.1，0.9)。
步骤S104、根据所述GIS设备完成开断操作的逻辑关系，将各子系统相关联并建立贝叶斯网络；
具体过程为，如图2所示，GIS设备为根节点，绝缘子系统、机构子系统及灭弧室子系统作为一级子节点，机构子系统为控制子系统和动力子系统的父节点，灭弧室子系统为SF6气体成分和密封子系统的父节点，从而形成贝叶斯网络。
步骤S105、根据所述建立的贝叶斯网络及所述修订后的各子系统的评估值，采用贝叶斯公式得到所述GIS设备对应于每一评估状态的条件概率，并根据所述GIS设备得到的每一评估状态的条件概率，确定所述GIS设备的系统可靠度。
具体过程为，根据建立的贝叶斯网络及修订后的各子系统的评估值，采用贝叶斯公式计算出贝叶斯网络中每一父节点的条件概率，并通过计算出的每一父节点的条件概率，确定GIS设备作为根节点对应多个评估状态下分别获得的条件概率；
当检测到GIS设备在健康状态下获得的条件概率最大时，则确定GIS设备的系统可靠度最高；
当检测到GIS设备在欠健康状态下获得的条件概率最大时，则确定GIS设备的系统可靠度适中；
当检测到GIS设备在不健康状态下获得的条件概率最大时，则确定GIS设备的系统可靠度最低。
本发明实施例中，条件概率是贝叶斯网络中子节点在父节点处于某种状态下的概率。例如机构子系统的父节点是控制子系统和动力子系统。则当控制子系统处于健康状态，动力子系统处于欠健康状态下，机构子系统的健康程度就是一个条件概率，可以表示为p(机构子系统＝健康|控制子系统＝健康，动力子系统＝欠健康)。这个例子中父节点的概率值，即控制子系统健康，动力子系统欠健康的概率是由步骤二或步骤三得到的，而条件概率值是下面需要计算的。
贝叶斯网络有因果推理、诊断推理和支持推理三种形式，在这里主要使用的是贝叶斯网络的因果推理。假设变量组X＝(X1，X2，...，Xn)的联合物理分布可以被编码在某个网络结构S中，每个变量即表示网络中某个节点的的状态，比如机构子系统＝健康，网络的联合分布可以表示为其中，式(9)中θs是分布p(xi|pai，θs，Sh)的参数向量，用θi表示参数组(θ1，θ2，...θn)的第i个值，Sh代表当前的网络结构。pai表示此节点的父节点。
假定每个变量Xi是离散的，有ri个可能的值这里ri等于三，表示健康、欠健康和不健康，设每个局部函数是一组多项式分布的集合，一个分布对应于pai的一个分量。也就是其中，式(10)中(i＝1，2，...，n；j＝1，2，...qi；k＝1，2，...，ri)；
给θij的先验分布为Dirichlet分布：其中，式(11)中，为Dirichlet分布中的参数；
得到后验分布为：其中，式(12)中，Nijk为且时的案例数目。
使用最简单的线性损失函数，则的估计值为：
随着样本数量的增加，参数中先验参数的比重会降低，样本的权重会增加，先验分布使用0到1之间的平均分布代替Dirichlet分布时，贝叶斯估计退化为极大似然估计，在大样本的条件下，条件概率可以用以下简单的方法估计，即用频率之来逼近概率值：其中，式(14)中，表示统计得到父节点处于条件下，且子节点处于xi条件下的样本数量，表示父节点处于条件下样本数量。二者相除，即表示父节点处于条件下，且子节点处于xi条件下的概率值。
由于GIS设备是一个复杂的系统，在实际运行中受到环境的影响很大，为了更精确及快速的评价出GIS设备的可靠度，为GIS设备的维护和退役决策提供完善及可靠的依据，因此，所述方法进一步包括：获取GIS设备的当前环境系数，并将获取的当前环境系数与所述GIS设备得到的每一评估状态的条件概率相乘，即进一步确定GIS设备的系统可靠度；其中，环境系数根据公式δ＝med+(L-med)·E获得；δ为环境系数；med取值为0.5；L＝max(工作位置系数，腐蚀系数)；E为GIS设备的工作位置。
其中，环境系数δ作为环境的恶化程度，取值范围分别为良好0.9，一般1和恶劣1.1；工作位置系数为GIS设备周围环境污染情况，一般情况下取1、重工业区取1.05、主要道路取1.1和发电厂取1.2；腐蚀系数为表示结合温度和湿度，空气酸度等一系列条件下设备外壳受腐蚀的程度，默认值为1，并根据现场的腐蚀程度可分为1.05、1.1、1.15和1.2等多种等级；GIS设备的工作位置E的取值范围为室外取1、室内取0.8和地下取0.6。
如图3所示，为本发明实施例提出的一种GIS设备评估的装置，其在包括多个子系统及每一子系统中包括多个元件的GIS设备上实现，所述装置包括：
获取元件故障率单元110，用于提取所述GIS设备的历史数据，并根据预设的比例风险模型，得到各子系统内每一元件的故障率；
子系统概率评估单元120，用于将所述得到的各子系统内每一元件的故障率，依据预设的算法，计算出每一子系统分别对应于多个评估状态下的概率值，并分别将每一子系统中计算出的多个概率值组合成其对应的评估值；其中，所述多个评估状态包括健康状态、欠健康状态和不健康状态；所述评估值包括依序设定的健康状态的概率值、欠健康状态的概率值和不健康状态的概率值；
概率评估修订单元130，用于获取各子系统的实际故障状态，并根据所述获取到的各子系统的实际故障状态，修订各子系统的评估值；其中，所述实际故障状态包括已发生缺陷的状态和已发生故障的状态；
贝叶斯网络建立单元140，用于根据所述GIS设备完成开断操作的逻辑关系，将各子系统相关联并建立贝叶斯网络；
设备可靠度确定单元150，用于根据所述建立的贝叶斯网络及所述修订后的各子系统的评估值，得到所述GIS设备对应于每一评估状态的条件概率，并根据所述GIS设备得到的每一评估状态的条件概率，确定所述GIS设备的系统可靠度。
其中，各子系统包括绝缘子系统、机构子系统、控制系统子系统、动力系统子系统、密封子系统、灭弧室子系统和SF6气体子系统。
实施本发明实施例，具有如下有益效果：
1、在本发明实施例中，由于采用比例风险模型，将复杂的GIS设备分解成多个子系统及元件进行分析，评估每一个子系统对应于健康状态、欠健康状态及不健康状态的概率，并根据实际故障状态修订每一个子系统得到的概率，进一步准确的确定GIS设备的可靠度，从而实现能够融合多种信息来源，结合GIS设备的复杂性，量化GIS设备的可靠性数值，对GIS的可靠性进行准确及快速的评价；
2、在本发明实施例中，由于进一步引入影响GIS设备运行的环境因素，从而更精确及快速的评价出GIS设备的可靠度，为GIS设备的维护和退役决策提供完善及可靠的依据。
值得注意的是，上述装置实施例中，所包括的各个装置单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (9)
1.一种GIS设备评估的方法，其特征在于，其在包括多个子系统及每一子系统中包括多个元件的GIS设备上实现，所述方法包括：
a、提取所述GIS设备的历史数据，并根据预设的比例风险模型，得到各子系统内每一元件的故障率；
b、将所述得到的各子系统内每一元件的故障率，依据预设的算法，计算出每一子系统分别对应于多个评估状态下的概率值，并分别将每一子系统中计算出的多个概率值组合成其对应的评估值；其中，所述多个评估状态包括健康状态、欠健康状态和不健康状态；所述评估值包括依序设定的健康状态的概率值、欠健康状态的概率值和不健康状态的概率值；
c、获取各子系统的实际故障状态，并根据所述获取到的各子系统的实际故障状态，修订各子系统的评估值；其中，所述实际故障状态包括已发生缺陷的状态和已发生故障的状态；
d、根据所述GIS设备完成开断操作的逻辑关系，将各子系统相关联并建立贝叶斯网络；
e、根据所述建立的贝叶斯网络及所述修订后的各子系统的评估值，采用贝叶斯公式得到所述GIS设备对应于每一评估状态的条件概率，并根据所述GIS设备得到的每一评估状态的条件概率，确定所述GIS设备的系统可靠度；
其中，所述方法进一步包括：
获取所述GIS设备的当前环境系数，并将所述获取的当前环境系数与所述GIS设备得到的每一评估状态的条件概率相乘，进一步确定所述GIS设备的系统可靠度；其中，所述环境系数根据公式δ＝med+(L-med)·E获得；δ为环境系数；med取值为0.5；L＝max(工作位置系数，腐蚀系数)；E为所述GIS设备的工作位置。
2.如权利要求1所述的方法，其特征在于，所述步骤a的具体为：
提取所述GIS设备中各子系统内每一元件的在线监测数据和定期预防性实验数据，并根据公式得到各子系统内每一元件的故障率；其中，h(t，Z)为当前元件的故障率；η为威布尔分布的尺度函数；β为威布尔分布的形状函数；Z为当前元件的协变量向量，由(z1，z2…zn)组成，每一个zi代表一个状态变量，所述状态变量包括所述当前元件的累计分合闸次数、累计开断能量、在线监测的温度值、泄漏电流值和超高频各频段的能量；γ为与Z相同长度的向量，为协变量的回归参数。
3.如权利要求1所述的方法，其特征在于，所述步骤b的具体步骤包括：
S1、根据所述得到的各子系统内每一元件的故障率，获得各子系统内每一元件的可靠度值；
S2、采用蒙特卡洛方法的终止判据，确定抽样次数m；其中，m为正整数；
S3、进行抽样，产生一个位于[0，1]之间的当前随机数N，根据公式将所述确定的各子系统内每一元件的可靠度值均与所述当前随机数N进行比较，转化成相应的0或1；其中，si为当前元件的状态，i为自然数且小于等于当前元件所属子系统中元件个数的总量；1代表工作状态；0代表故障状态；Ri为当前元件的可靠度值；
S4、分别统计各子系统中0的数目，并根据预设的评判规则，确定各子系统对应的当前评估状态，并将各子系统的当前评估状态赋值为一；
S5、所述抽样次数m减一，返回步骤S3；
S6、当所述抽样次数m等于0时，则分别统计各子系统每一评估状态赋值为一的数目，并将所述统计的各子系统每一评估状态赋值为一的数目分别除以所述抽样次数m，得到各子系统每一评估状态分别对应的概率值；
S7、根据所述得到的各子系统每一评估状态分别对应的概率值，设定各子系统对应的评估值。
4.如权利要求1所述的方法，其特征在于，所述步骤c的具体步骤包括：
当获取到一个或多个子系统的实际故障状态为已发生缺陷的状态时，将所述获取到的一个或多个子系统的评估值修订为(0，0.5，0.5)；
当获取到一个或多个子系统的实际故障状态为已发生故障的状态时，将所述获取到的一个或多个子系统的评估值修订为(0，0.1，0.9)。
5.如权利要求1所述的方法，其特征在于，所述步骤e的具体步骤包括：
根据所述建立的贝叶斯网络及所述修订后的各子系统的评估值，采用贝叶斯公式计算出所述贝叶斯网络中每一父节点的条件概率，并通过所述计算出的每一父节点的条件概率，确定所述GIS设备作为根节点对应所述多个评估状态下分别获得的条件概率；
当检测到所述GIS设备在健康状态下获得的条件概率最大时，则确定所述GIS设备的系统可靠度最高；
当检测到所述GIS设备在欠健康状态下获得的条件概率最大时，则确定所述GIS设备的系统可靠度适中；
当检测到所述GIS设备在不健康状态下获得的条件概率最大时，则确定所述GIS设备的系统可靠度最低。
6.如权利要求1所述的方法，其特征在于，所述环境系数δ取值范围分别为良好0.9，一般1和恶劣1.1；所述工作位置系数为所述GIS设备周围环境污染情况，一般情况下取1、重工业区取1.05、主要道路取1.1和发电厂取1.2；所述腐蚀系数为所述GIS设备外壳受腐蚀的程度，默认值为1，并根据现场的腐蚀程度可分为1.05、1.1、1.15和1.2；所述GIS设备的工作位置E的取值范围为室外取1、室内取0.8和地下取0.6。
7.如权利要求1所述的方法，其特征在于，所述各子系统包括绝缘子系统、机构子系统、控制系统子系统、动力系统子系统、密封子系统、灭弧室子系统和SF6气体成分子系统。
8.一种GIS设备评估的装置，其特征在于，其在包括多个子系统及每一子系统中包括多个元件的GIS设备上实现，所述装置包括：
获取元件故障率单元，用于提取所述GIS设备的历史数据，并根据预设的比例风险模型，得到各子系统内每一元件的故障率；
子系统概率评估单元，用于将所述得到的各子系统内每一元件的故障率，依据预设的算法，计算出每一子系统分别对应于多个评估状态下的概率值，并分别将每一子系统中计算出的多个概率值组合成其对应的评估值；其中，所述多个评估状态包括健康状态、欠健康状态和不健康状态；所述评估值包括依序设定的健康状态的概率值、欠健康状态的概率值和不健康状态的概率值；
概率评估修订单元，用于获取各子系统的实际故障状态，并根据所述获取到的各子系统的实际故障状态，修订各子系统的评估值；其中，所述实际故障状态包括已发生缺陷的状态和已发生故障的状态；
贝叶斯网络建立单元，用于根据所述GIS设备完成开断操作的逻辑关系，将各子系统相关联并建立贝叶斯网络；
设备可靠度确定单元，用于根据所述建立的贝叶斯网络及所述修订后的各子系统的评估值，得到所述GIS设备对应于每一评估状态的条件概率，并根据所述GIS设备得到的每一评估状态的条件概率，确定所述GIS设备的系统可靠度；
其中，所述装置还包括：
设备可靠度修订单元，用于获取所述GIS设备的当前环境系数，并将所述获取的当前环境系数与所述GIS设备得到的每一评估状态的条件概率相乘，进一步确定所述GIS设备的系统可靠度；其中，所述环境系数根据公式δ＝med+(L-med)·E获得；δ为环境系数；med取值为0.5；L＝max(工作位置系数，腐蚀系数)；E为所述GIS设备的工作位置。
9.如权利要求8所述的装置，其特征在于，所述各子系统包括绝缘子系统、机构子系统、控制系统子系统、动力系统子系统、密封子系统、灭弧室子系统和SF6气体成分子系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510003695.3A CN104573361B (zh) | 2015-01-04 | 2015-01-04 | 一种gis设备评估的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510003695.3A CN104573361B (zh) | 2015-01-04 | 2015-01-04 | 一种gis设备评估的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104573361A CN104573361A (zh) | 2015-04-29 |
| CN104573361B true CN104573361B (zh) | 2017-08-22 |
Family
ID=53089407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510003695.3A Active CN104573361B (zh) | 2015-01-04 | 2015-01-04 | 一种gis设备评估的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573361B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334453A (zh) * | 2015-07-22 | 2016-02-17 | 深圳供电局有限公司 | 一种sf6高压断路器状态评估方法及装置 |
| CN107274088B (zh) * | 2017-06-09 | 2020-10-02 | 杭州电力设备制造有限公司 | 一种地下配电室的风险场计算方法及系统 |
| CN107766300B (zh) * | 2017-10-26 | 2021-03-02 | 电子科技大学 | 基于威布尔-伽马模型的电力系统可靠性非精确分析方法 |
| CN112395774B (zh) * | 2020-12-03 | 2023-06-23 | 中国人民解放军国防科技大学 | 一种基于硬件结构树的设备分层健康状态评估方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6076083A (en) * | 1995-08-20 | 2000-06-13 | Baker; Michelle | Diagnostic system utilizing a Bayesian network model having link weights updated experimentally |
| CN102214920A (zh) * | 2011-06-10 | 2011-10-12 | 华北电力大学 | 基于线路集群的电网连锁故障分析方法 |
| CN103793853A (zh) * | 2014-01-21 | 2014-05-14 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 |
| CN103971024A (zh) * | 2014-05-26 | 2014-08-06 | 华北电力大学（保定） | 小样本失效数据下继电保护系统可靠性评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050021237A1 (en) * | 2003-07-03 | 2005-01-27 | Schachter Asher Daniel | Method and apparatus for evaluating new chemical entities |
| US20120078678A1 (en) * | 2010-09-23 | 2012-03-29 | Infosys Technologies Limited | Method and system for estimation and analysis of operational parameters in workflow processes |
-
2015
- 2015-01-04 CN CN201510003695.3A patent/CN104573361B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6076083A (en) * | 1995-08-20 | 2000-06-13 | Baker; Michelle | Diagnostic system utilizing a Bayesian network model having link weights updated experimentally |
| CN102214920A (zh) * | 2011-06-10 | 2011-10-12 | 华北电力大学 | 基于线路集群的电网连锁故障分析方法 |
| CN103793853A (zh) * | 2014-01-21 | 2014-05-14 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 |
| CN103971024A (zh) * | 2014-05-26 | 2014-08-06 | 华北电力大学（保定） | 小样本失效数据下继电保护系统可靠性评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| "基于蒙特卡洛模拟的电网调度运行风险评估研究";陈小青;《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》;20140715(第7期);第13-14页第2.4.2.1节 * |
| "基于贝叶斯网络的复杂系统多态可靠性分析";戚珩 等;《现代制造工程》;20140118(第1期);第93页第2.2节-第96页第3.3节，图4-图8 * |
| "配电网设备状态检修模型研究";刘振勇;《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》;20110515(第5期);第27-29页第4.1节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104573361A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hill et al. | Real-time Bayesian anomaly detection for environmental sensor data | |
| CN110046453B (zh) | 一种激光雷达的寿命预测方法 | |
| CN104573881B (zh) | 一种基于退化数据建模的服役设备剩余寿命自适应预测方法 | |
| Li et al. | Water pipe condition assessment: a hierarchical beta process approach for sparse incident data | |
| US20210175715A1 (en) | System and method for congestion forecasting in electrical networks | |
| US20220057367A1 (en) | Method for evaluating pipe condition | |
| CN104573361B (zh) | 一种gis设备评估的方法和装置 | |
| WO2014200977A1 (en) | Industrial asset health model update | |
| CN114004137A (zh) | 一种多源气象数据融合与预处理方法 | |
| CN105719094A (zh) | 一种输电设备状态评估方法 | |
| Lei et al. | Multi-level time-variant vulnerability assessment of deteriorating bridge networks with structural condition records | |
| Wang et al. | Data-driven lightning-related failure risk prediction of overhead contact lines based on Bayesian network with spatiotemporal fragility model | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN115935139A (zh) | 一种海洋观测数据的空间场插补方法 | |
| CN111999692A (zh) | 一种多表误差的校准方法和装置 | |
| Kong et al. | Remaining useful life prediction for degrading systems with random shocks considering measurement uncertainty | |
| Kim et al. | A POMDP framework for integrated scheduling of infrastructure maintenance and inspection | |
| CN117150445B (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
| CN117526561A (zh) | 基于数字孪生的变电站设备异常监控和预警方法及系统 | |
| Khalid et al. | Performance comparison of artificial intelligence techniques for non-intrusive electrical load monitoring | |
| CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| Alrobaie et al. | Measurement and verification building energy prediction (MVBEP): An interpretable data-driven model development and analysis framework | |
| CN115017143A (zh) | 一种智能化高压开关的数据清洗方法 | |
| CN111313355B (zh) | 一种人工监督下的监控信号事件规则更新的方法 | |
| CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |