CN104700321B - 一种输变电设备状态运行趋势分析方法 - Google Patents

Abstract

一种输变电设备状态运行趋势分析方法，包括步骤一、建立输变电设备信息模型；步骤二、从输变电设备信息模型中选取设备各部件运行特征参数值，构建输变电设备状态特征空间，计算设备各部件的不同运行特征参数值对应的动态劣化度值，使用变权模糊综合评价法得到设备运行状态值，得到时间序列上的设备历史运行状态样本；步骤三、使用设备历史运行状态样本作为原始训练样本，进行基于主成分分析法的神经网络训练，得到输变电设备运行状态趋势分析的神经网络模型；步骤四、使用训练好的神经网络进行输变电设备运行状态趋势分析。本发明可及时发现运行状态欠佳的设备，为制定合理的日常输变电设备维护、检修方案提供支持，提高电网运行的可靠性。

Description

一种输变电设备状态运行趋势分析方法

技术领域

本发明涉及输变电设备日常维护和检修信息化、智能化技术领域，具体是一种输变电设备状态运行趋势分析方法。

背景技术

随着电网规模的壮大和输变电设备数量的增加，用户对供电可靠性要求不断提高，同时设备的信息化程度越来越高，设备状态监测系统日益普及，而目前众多输变电设备在线监测系统大量历史运行数据未得到有效的利用，这些数据蕴含输变电设备运行状态的重要信息，其潜在的价值亟待开发，可以应用于分析输变电设备运行状态趋势，为输变电设备维护和检修提供决策支持，减小输变电设备出现异常的概率，提高供电可靠性。

电力设备的管理与检修方式大致可以分为事后维修、定期维修和状态检修，事后维修和定期检修往往存在维修不足和维修过度的问题，状态检修根据设备当前的实际工作情况，通过对设备的运行状态进行分析、判断，预测设备状态发展趋势，在此基础上制定维修计划，可以有效地节约成本、提高效率。电力设备的状态检修研究始于上世纪70年代，由美国电力科学研究院率先开展，美国已有50％以上的电力公司应用该技术进行发电设备的状态检修，日本于上世纪80年代开始对电力设备进行以在线监测和分析为基础的检修，此外，德国、丹麦、法国等国家的一些公司在状态检修方面也有一些进展。我国电力企业于上世纪80年代开始进行状态检修的探讨，但仅有少数企业应用该技术，真正实现状态检修的电力公司仅有9.8％。目前主要的技术方法包括基于专家系统的方法，基于人工神经网络的数据挖掘方法、概率统计方法以及模糊评价方法。

本发明人在实现本发明的过程中发现：数据挖掘技术是一门可以在海量数据中发现有用知识的新兴学科，可以为科学决策提供有力支持。其中的神经网络方法特别适合于解决内部机制复杂的问题，可以很好地对不能建立明确推理规则的技术系统进行状态评价。

发明内容

本发明提供一种输变电设备状态运行趋势分析方法，通过将数据挖掘技术应用于电力公司生产管理系统运行的海量历史数据挖掘中，并结合气象监测系统数据分析输变电设备运行状态趋势，及时发现运行状态欠佳的设备，为制定合理的日常输变电设备维护、检修方案提供支持，提高电网运行的可靠性。

一种输变电设备状态运行趋势分析方法，包括如下步骤：

步骤一、对电力公司生产管理系统输变电设备运行状态历史信息和气象监测系统的气象信息进行汇总整理，选择每隔12小时记录的属性数据建立输变电设备信息模型，所选择记录的属性数据包括设备标定参数、设备特征量、设备基础信息、环境参数、不同环境条件下设备或部件需停运时的特征参数阈值序列；

步骤二、从所述输变电设备信息模型中选取设备各部件运行特征参数值，构建输变电设备状态特征空间，参考输变电设备信息模型中的其他属性数据及当天环境参数，计算设备各部件的不同运行特征参数值对应的动态劣化度值，使用变权模糊综合评价法得到设备运行状态值，得到时间序列上的设备历史运行状态样本；

步骤三、使用步骤二获得的设备历史运行状态样本作为原始训练样本，进行基于主成分分析法的神经网络训练，并验证其可靠性，得到输变电设备运行状态趋势分析的神经网络模型；

步骤四、使用步骤三训练好的基于主成分分析法的神经网络模型进行输变电设备运行状态趋势分析。

如上所述的输变电设备状态运行趋势分析方法，所述步骤一中建立的输变电设备信息模型为E＝{B,F,P,M,G}，其中

B＝{b₁,b₂,…,b_n}，为设备基础信息的集合，反映设备固有属性的数据，包括设备名称、出厂日期、出厂编号、投运日期；

F＝{<f₁,s₁>,<f₂,s₁>,…,<f_t,s_m>}，为由设备特征量及其隶属的部件组成的有序集合，m代表设备的第m个部件，t代表第m个部件的第t个特征参数；

P＝{<f_ij,e_ij>}，由设备部件特征量及其额定值组成的有序集合，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个特征参数；

M＝{m_ij}，由影响不同部件的环境参数组成的集合，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个环境影响因素；

G＝{G_ijq}，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个运行特征参数，q＝1,2,…,l，代表第m个部件的第j个运行特征参数在第q个环境影响因素条件下需停运时的特征参数阈值。

如上所述的输变电设备状态运行趋势分析方法，步骤二具体为：

(2-1)从输变电设备信息模型中将某输变电设备与功能相关的各部件运行特征参数选择出来，构建输变电设备状态特征空间，与功能相关的部件个数记为m，第i(i＝1,2,…,m)个部件的运行特征参数动态劣化度集为d_i＝{d_i1,d_i2,…,d_in}，其中d_ij(j＝1,2,…,n)为第i类运行特征参数的子集的第j个运行特征参数动态劣化度，当值为1时，表明处于故障状态，当值为0时，表明处于健康状态；

(2-2)参考输变电设备信息模型中的其他属性数据及当天环境参数，对每个运行特征参数集合确定各运行特征参数的标准值和停运阈值，计算各运行特征参数的动态劣化度，进而得到设备各部件的不同运行特征参数值对应的动态劣化度值；

(2-3)确定状态评语集V＝{v₁,v₂,v₃,v₄}，v₁,v₂,v₃,v₄分别代表良好状态、较好状态、一般状态和拟故障状态四种状态；

(2-4)通过专家关于设备各部件及运行特征参数重要程度的分析，根据层次分析法确定各部件以及各运行特征参数对输变电设备运行影响的权重；

(2-5)根据步骤(2-2)获得的设备各部件的不同运行特征参数值对应的动态劣化度值以及步骤(2-4)获得的设备各部件以及各运行特征参数对输变电设备运行影响的权重，利用变权模糊综合评价法计算各部件与状态评语集V中四种状态对应的模糊评价集，并以此为基础计算设备与状态评语集V中四种状态对应的模糊评价集，针对不同时间的输变电设备状态特征空间计算其对应的模糊评价集，依时间先后顺序构成时间序列上的设备历史运行状态样本。

如上所述的输变电设备状态运行趋势分析方法，步骤(2-4)中常权权重向量表示为：

A＝(a₁,a₂,…,a_m)；

A_i＝(a_i1,a_i2,…,a_ij)；

i＝1,2,…,m；j＝1,2,…,n，其中A表示设备的常权权重向量，A_i为第i个部件的常权权重向量，a_m、a_ij分别为第m个部件的常权权重和第i个部件的第j个运行特征参数的常权权重；

同时计算各运行特征参数的变权权重，变权公式如式6所示：

式6

式6中，w_ij为设备第i个部件第j个运行特征参数的变权权重，w_i表示第i个部件的变权权重向量集，a＝0.5。

如上所述的输变电设备状态运行趋势分析方法，步骤(2-5)具体为：

采用梯形分布函数计算部件i的运行特征参数动态劣化度d_ij对应的状态评语集V＝{v₁,v₂,v₃,v₄}中四种状态的隶属度，得到各部件运行特征参数动态劣化度子集评判矩阵形如：

式7

其中，i＝1,2,…,m，j＝1,2,…,n，表示运行特征参数劣化度d_ij对状态v_t的隶属度，t＝1,2,3,4；

根据各部件运行特征参数动态劣化度子集评判矩阵形，结合(2-4)中计算的各部件对应的变权权重向量集，计算每个部件对应的模糊评价集，如式8所示：

B_i＝w_i·R_i＝(b_i(v₁),b_i(v₂),b_i(v₃),b₄(v₄)) 式8

式中b_i(v_t)表示第i个部件的运行状态隶属于状态v_t的程度，B_i表示第i个部件与状态评语集V中四种状态对应的模糊评价集，w_i表示第i个部件的变权权重向量集，t＝1,2,3,4，i＝1,2,…,m，

则各部件动态劣化度子集评判矩阵形如：

R＝[B₁,B₂,…,B_m]^T 式9

设备与状态评语集V中四种状态对应的的模糊评价集为：

B＝A·R＝[b(v₁),b(v₂),b(v₃),b(v₄)] 式10

B表示设备对应的模糊评价集，A表示设备的常权权重向量，b(v_t)表示设备的运行状态隶属于状态v_t的程度，t＝1,2,3,4，依据最大隶属度原则可以判断设备处于何种运行状态；

依输变电设备状态特征空间的时间先后顺序计算设备运行状态特征参数，构成时间序列上的设备历史运行状态样本

如上所述的输变电设备状态运行趋势分析方法，步骤三具体为：

(3-1)对设备历史运行状态样本中的运行状态特征参数进行主成分分析，得到主成分运行状态特征参数；

(3-2)构造BP神经网络模型，BP神经网络模型的输入层节点数等于主成分运行状态特征参数，输出层节点数等于对应的四种运行状态数；

(3-3)利用设备历史运行状态样本，抽出一定比例作为训练样本，以前一个时刻的主成分运行状态特征参数作为输入样本，后一个时刻的输变电设备运行状态对应的模糊评价集中的四个状态值作为输出，计算BP神经网络中每个神经元的输出，计算BP神经网络对于每一个样本的输出值以及每个神经元节点所产生的误差，反向传递该误差，修正各个权值和阈值，重复对网络进行训练，直到误差值小于设定的误差值，使用另一部分设备历史运行状态样本进行测试，比较输出结果与真实状态值，计算错误率，若错误率较高，则重新进行模型训练，直至预测结果满足精度要求，得到训练好的基于主成分分析法的神经网络模型。

如上所述的输变电设备状态运行趋势分析方法，步骤四具体为：

(4-1)从生产管理系统采集输变电设备运行监测数据，每12小时建立输变电设备信息模型，作为下一时间段输变电设备状态运行趋势分析模型的输入数据，根据神经网络的输入要求输入输变电设备信息模型中的主成分运行状态参数，进行趋势分析得到分析结果；

(4-2)分析结果为一个与模糊评价集中四个状态一一对应的数值集合，根据最大隶属度原则，数值越大，其对应的状态就是输变电设备的运行状态趋势。

本发明提供的方法是一种为状态检修提供决策支持的方法，以数据挖掘中经典的BP神经网络模型为核心，以改进的劣化度的计算方法以及变权模糊综合评价法为辅助，建立输变电设备运行状态趋势分析模型。

与现有技术相比，本发明的优点是：

1.本发明提供的基于数据挖掘的输变电设备运行状态趋势分析方法将生产管理系统中海量的输变电设备运行状态历史数据进行有效的利用，实现对输变电设备运行状态趋势的分析，可以为制定合理的维修计划提供支持，而且其基于每隔12小时采样的数据来训练模型，可以用最新采集的数据对12小时内输变电设备运行状态趋势进行分析，实现设备每日运行状态分析，确保设备问题及时发现、及时检修，保障电网运行的稳定性；

2.本发明提供的方法，解决了计划维修造成的过度维修和人力、物力资源的浪费，解决了故障维修这种事后被动维修的问题，提高了电网运行的稳定性；

3.本发明使用动态劣化度作为评价输变电设备运行状态的参数，考虑到不同环境条件下输变电设备停运阈值会有差异，将输变电设备停运阈值改进为与环境条件相关的阈值序列，根据当天环境因素动态选取计算劣化度，相比传统劣化度更为全面、灵活、精确，并且可把输变电设备运行状态详细分为良好状态、较好状态、一般状态和拟故障状态四种状态，不仅仅限于故障状态和非故障状态，更加精细化，为日常管理、维护、检修输变电设备提供更为准确的信息，更为有效的保障电网的可靠性、安全性以及管理、运维效率。

附图说明

图1是本发明输变电设备状态运行趋势分析方法流程示意图；

图2是BP神经网络拓扑结构图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。

图1所示为本发明输变电设备状态运行趋势分析方法的流程示意图，所述输变电设备状态运行趋势分析方法包括如下步骤：

步骤一、对某电力公司生产管理系统输变电设备运行状态历史信息和气象监测系统的气象信息进行汇总整理，选择每隔12小时记录的属性数据建立输变电设备信息模型，所选择记录的属性数据包括正常数据与故障数据，属性数据涉及设备标定参数、设备特征量、设备基础信息、环境参数、不同环境条件下设备或部件需停运时的特征参数阈值序列。属性数据介绍如下：

(1-1)设备标定参数：设备标定参数是设备特征量的额定值，通常情况下，设备在此参数下工作运行状况最稳定，设备寿命最长，是设备的最理想运行状态。

(1-2)设备特征量：直接或间接表征设备状态的信息指标，一个设备通常有多个设备特征量，如电压、电流、温度、运行时间等。

(1-3)设备基础信息：反映设备固有属性的数据，如设备名称、出厂日期、出厂编号、投运日期等。

(1-4)环境参数：影响设备运行性能、寿命的环境参数，如温度、湿度、光照辐射、气压等。

(1-5)不同环境条件下设备或部件需停运时的特征参数阈值序列：通过在不同环境条件下设备或部件正常运行时进行大量测试统计计算所得。

建立的输变电设备信息模型为E＝{B,F,P,M,G}，其中：

B＝{b₁,b₂,…,b_n}，为设备基础信息的集合，如设备名称、投运日期等，基本固定；

F＝{<f₁,s₁>,<f₂,s₁>,…,<f_t,s_m>}，为由设备特征量及其隶属的部件组成的有序集合，m代表设备的第m个部件，t代表第m个部件的第t个特征参数；

P＝{<f_ij,e_ij>}，由设备部件特征量及其额定值组成的有序集合，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个特征参数；

M＝{m_ij}，由影响不同部件的环境参数如温度、气压等组成的集合，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个环境影响因素；

G＝{G_ijq}，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个运行特征参数，q＝1,2,…,l，代表第m个部件的第j个运行特征参数在第q个环境影响因素条件下需停运时的特征参数阈值。

步骤二、从所述输变电设备信息模型中选取设备各部件运行特征参数值，构建输变电设备状态特征空间，参考输变电设备信息模型中的其他属性数据及当天环境参数，计算设备各部件的不同运行特征参数值对应的动态劣化度值，使用变权模糊综合评价法得到设备运行状态值，得到时间序列上的设备历史运行状态样本，具体步骤如下：

(2-1)从所述输变电设备信息模型中将某输变电设备与功能相关的各部件运行特征参数选择出来，构建输变电设备状态特征空间，例如对于耦合器，其运行特征参数可以确定为耦合器振幅、耦合器轴瓦温度、工作油温度、工作油压，功能相关的部件个数记为m，第i(i＝1,2,…,m)个部件的运行特征参数动态劣化度集为d_i＝{d_i1,d_i2,…,d_in}，其中d_ij(j＝1,2,…,n)为第i类运行特征参数的子集的第j个运行特征参数动态劣化度，各类运行特征参数子集的元素个数可以不相等，即不同的d_ij中n值可能不等。动态劣化度d_ij取值范围为[0,1]。当值为1时，表明处于故障状态，当值为0时，表明处于健康状态。

(2-2)参考输变电设备信息模型中的其他属性数据及当天环境参数，，对每个运行特征参数集合确定各运行特征参数的标准值和停运阈值，计算各运行特征参数的动态劣化度，进而得到设备各部件的不同运行特征参数值对应的动态劣化度值。根据各运行特征参数的特点，可以参考下列3种方法确定其动态劣化度。

方法一：对于可以用状态检测参数和性能参数来反映设备或部件状态的情况，其动态劣化度计算方法如下：

对于停运参数为一上限的运行特征参数，其动态劣化度可按式1计算：

d_j＝[(x_j-x₀)/(x_{max jq}-x₀)]^k (x₀≤x_j≤x_{max jq}) 式1

式中x₀表示该设备或部件运行特征参数设备标定参数，x_{max jq}表示该设备或部件在q个环境影响因素条件下需停运时的特征参数阈值，根据当天环境条件从输变电设备信息模型中动态选取，x_j表示该设备或部件运行特征参数的实际测量值，k的取值大小反映了该运行特征参数与该设备或部件健康状况的关系。一般情况下，取k值为1，表明状态与劣化度之间呈线性关系，即劣化度越大，健康状态越差；j＝1,2,…,n，q＝1,2,…,l。

对于停运参数为一下限的运行特征参数，其动态劣化度可按式2计算：

d_j＝[(x₀-x_j)/(x₀-x_{min jq})]^k (x_{min jq}≤x_i≤x₀) 式2

式中x₀表示该设备或部件运行特征参数设备标定参数，x_{min jq}表示该设备或部件需停运时的特征参数阈值，x_j表示该设备或部件运行特征参数的实际测量值，k、j、q与式1意义相同。

对于运行特征参数阈值为某一范围的情况，其劣化度可按式3计算：

式3

式中x₁、x₂为设备或部件运行特征参数设备标定参数下限和上限，x₀、x₃为设备或部件在不同环境条件下必须停运时特征参数的下限和上限，k与式1相同。

方法二：对于难以检测、但可得到故障间隔统计值的运行特征参数，其劣化度可按式4计算，即

d_j＝(t/T)^k 式4

式中t为系统从启动(或更换)起已运行的时间；T为系统允许的运行时间，k与式1相同。

方法三：对于无法进行状态检测、且没有故障间隔期统计值的运行特征参数，其劣化度可由维修人员、检测人员和使用人员打分估计：

d_j＝a·w₁+b·w₂+c·w₃ 式5

式中a、b、c分别为维修人员、检测人员和使用人员的打分，其值介于“0～1”之间，“0”代表无劣化，“1”代表完全劣化；w₁、w₂、w₃分别为相应权值，w₁+w₂+w₃＝1。

(2-3)确定状态评语集V＝{v₁,v₂,v₃,v₄}，v₁,v₂,v₃,v₄分别代表良好状态、较好状态、一般状态和拟故障状态四种状态。

(2-4)通过专家关于设备各部件及运行特征参数重要程度的分析，根据层次分析法确定各部件以及各运行特征参数对输变电设备运行影响的权重，其中部件的常权权重向量可表示为：

A＝(a₁,a₂,…,a_m)；A_i＝(a_i1,a_i2,…,a_ij)；

i＝1,2,…,m；j＝1,2,…,n，其中的a_m、a_ij均为常权权重。其中A_i为第i个部件的常权权重向量，a_m、a_ij分别为第m个部件的常权权重和第i个部件的第j个运行特征参数的常权权重。

计算各运行特征参数的变权权重。变权公式如式6所示：

式6

式6中，w_ij为设备第i个部件第j个运行特征参数的变权权重，w_i表示第i个部件的变权权重向量集。a为一常数，这里a可取值0.5。

(2-5)根据步骤(2-2)获得的设备各部件的不同运行特征参数值对应的动态劣化度值以及步骤(2-4)获得的设备各部件以及各运行特征参数对输变电设备运行影响的权重，利用变权模糊综合评价法计算各部件与状态评语集V中四种状态对应的模糊评价集，并以此为基础计算设备与状态评语集V中四种状态对应的模糊评价集，针对不同时间的输变电设备状态特征空间计算其对应的模糊评价集，依时间先后顺序构成时间序列上的设备历史运行状态样本。具体步骤如下：

采用梯形分布函数计算部件i的运行特征参数动态劣化度d_ij对应的状态评语集V＝{v₁,v₂,v₃,v₄}中四种状态的隶属度，得到各部件运行特征参数动态劣化度子集评判矩阵形如：

式7

其中，i＝1,2,…,m，j＝1,2,…,n，表示运行特征参数劣化度d_ij对状态v_t的隶属度，t＝1,2,3,4。

进一步根据各部件运行特征参数动态劣化度子集评判矩阵形，结合(2-4)中计算的各部件对应的变权权重向量集，计算每个部件对应的模糊评价集，如式8所示：

B_i＝w_i·R_i＝(b_i(v₁),b_i(v₂),b_i(v₃),b₄(v₄)) 式8

式中b_i(v_t)表示第i个部件的运行状态隶属于状态v_t的程度，B_i表示第i个部件与状态评语集V中四种状态对应的模糊评价集，w_i表示第i个部件的变权权重向量集，t＝1,2,3,4，i＝1,2,…,m。

则各部件动态劣化度子集评判矩阵形如：

R＝[B₁,B₂,…,B_m]^T 式9

设备与状态评语集V中四种状态对应的的模糊评价集为：

B＝A·R＝[b(v₁),b(v₂),b(v₃),b(v₄)] 式10

B表示设备对应的模糊评价集，b(v_t)表示设备的运行状态隶属于状态v_t的程度，t＝1,2,3,4。依据最大隶属度原则可以判断设备处于何种运行状态。

依输变电设备状态特征空间的时间先后顺序计算设备运行状态特征参数，构成时间序列上的设备历史运行状态样本。

步骤三、使用步骤二获得的设备历史运行状态样本作为原始训练样本，进行基于主成分分析法的神经网络训练，并验证其可靠性，得到输变电设备运行状态趋势分析的神经网络模型，具体步骤如下：

(3-1)对设备历史运行状态样本中的运行状态特征参数进行主成分分析，得到主成分运行状态特征参数。

(3-2)构造BP神经网络模型，模型结构如图2所示。输入层节点数等于主成分运行状态特征参数，输出层节点数等于对应的四种运行状态数，单隐含层的BP神经网络可以映射所有连续的模式，因此模型中只设置单隐含层，目前如何选择隐含层节点数没有确定的方法可依，最常用的方法是参考经验值加试凑法。本发明参考的经验公式如式11所示：

2^l>N 式11

式中，l为隐含层节点数，N为设备历史运行状态样本数。在经验公式的基础上，采用试凑法。在网络初始权值和阈值一定的情况下，从一个比较小的隐含层节点数，进行训练，逐步增加隐含层节点数，直至找到最优的节点数目。

采用BP神经网络中常用的Sigmoid型双曲正切对称型函数为隐含层激励函数。网络初始权值决定了网络训练在误差曲面上的起始位置，通过选取合适的初始化权值对缩短网络训练时间和提高训练精度的效果明显。本模型采用随机赋初值的方法。

(3-3)利用(2-5)中的设备历史运行状态样本，抽出一定比例作为训练样本。以前一个时刻的主成分运行状态特征参数作为输入样本，后一个时刻(即12个小时以后)的输变电设备运行状态对应的模糊评价集中的四个状态值作为输出，计算BP神经网络中每个神经元的输出，计算BP神经网络对于每一个样本的输出值以及每个神经元节点所产生的误差，反向传递该误差，修正各个权值和阈值，重复对网络进行训练，直到误差值小于设定的误差值。BP神经网络的具体算法为现有技术，可参考相关书籍或文献在此不再赘述。使用另一部分设备历史运行状态样本进行测试，比较输出结果与真实状态值，计算错误率，若错误率较高，则重新进行模型训练，直至预测结果满足精度要求，得到训练好的基于主成分分析法的神经网络模型，可用于输变电设备运行状态趋势分析。

步骤四、使用步骤三训练好的基于主成分分析法的神经网络模型进行输变电设备运行状态趋势分析。具体步骤如下：

(4-1)从生产管理系统采集输变电设备运行监测数据，每12小时建立输变电设备信息模型，作为下一时间段输变电设备状态运行趋势分析模型的输入数据，根据神经网络的输入要求输入输变电设备信息模型中的主成分运行状态参数，进行趋势分析得到分析结果；

(4-2)分析结果为一个与模糊评价集中四个状态一一对应的数值集合，根据最大隶属度原则，数值越大，其对应的状态就是输变电设备的运行状态趋势。

Claims (3)

1.一种输变电设备状态运行趋势分析方法，其特征在于：包括如下步骤：

步骤一、对电力公司生产管理系统输变电设备运行状态历史信息和气象监测系统的气象信息进行汇总整理，选择每隔12小时记录的属性数据建立输变电设备信息模型，所选择记录的属性数据包括设备标定参数、设备特征量、设备基础信息、环境参数、不同环境条件下设备或部件需停运时的特征参数阈值序列；所述输变电设备信息模型为E＝{B,F,P,M,G}，其中

B＝{b₁,b₂,…,b_n}，为设备基础信息的集合，反映设备固有属性的数据，包括设备名称、出厂日期、出厂编号、投运日期；

F＝{<f₁,s₁>,<f₂,s₁>,…,<f_t,s_m>}，为由设备特征量及其隶属的部件组成的有序集合，m代表设备的第m个部件，t代表第m个部件的第t个特征参数；

P＝{<f_ij,e_ij>}，由设备部件特征量及其额定值组成的有序集合，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个特征参数；

M＝{m_ij}，由影响不同部件的环境参数组成的集合，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个环境影响因素；

G＝{G_ijq}，其中i＝1,2,…,m，代表第m个部件，j＝1,2,…n，代表第m个部件的第j个运行特征参数，q＝1,2,…,l，代表第m个部件的第j个运行特征参数在第q个环境影响因素条件下需停运时的特征参数阈值；

步骤二、从所述输变电设备信息模型中选取设备各部件运行特征参数值，构建输变电设备状态特征空间，参考输变电设备信息模型中的其他属性数据及当天环境参数，计算设备各部件的不同运行特征参数值对应的动态劣化度值，使用变权模糊综合评价法得到设备运行状态值，得到时间序列上的设备历史运行状态样本；

步骤二具体为：

(2-1)从输变电设备信息模型中将某输变电设备与功能相关的各部件运行特征参数选择出来，构建输变电设备状态特征空间，与功能相关的部件个数记为m，第i个部件的运行特征参数动态劣化度集为d_i＝{d_i1,d_i2,…,d_in}，其中i＝1,2,…,m，d_ij为第i类运行特征参数的子集的第j个运行特征参数动态劣化度，j＝1,2,…n，当值为1时，表明处于故障状态，当值为0时，表明处于健康状态；

(2-2)参考输变电设备信息模型中的其他属性数据及当天环境参数，对每个运行特征参数集合确定各运行特征参数的标准值和停运阈值，计算各运行特征参数的动态劣化度，进而得到设备各部件的不同运行特征参数值对应的动态劣化度值；

(2-3)确定状态评语集V＝{v₁,v₂,v₃,v₄}，v₁,v₂,v₃,v₄分别代表良好状态、较好状态、一般状态和拟故障状态四种状态；

(2-4)通过专家关于设备各部件及运行特征参数重要程度的分析，根据层次分析法确定各部件以及各运行特征参数对输变电设备运行影响的权重；

(2-5)根据步骤(2-2)获得的设备各部件的不同运行特征参数值对应的动态劣化度值以及步骤(2-4)获得的设备各部件以及各运行特征参数对输变电设备运行影响的权重，利用变权模糊综合评价法计算各部件与状态评语集V中四种状态对应的模糊评价集，并以此为基础计算设备与状态评语集V中四种状态对应的模糊评价集，针对不同时间的输变电设备状态特征空间计算其对应的模糊评价集，依时间先后顺序构成时间序列上的设备历史运行状态样本；

步骤三、使用步骤二获得的设备历史运行状态样本作为原始训练样本，进行基于主成分分析法的神经网络训练，并验证其可靠性，得到输变电设备运行状态趋势分析的神经网络模型；

步骤三具体为：

(3-1)对设备历史运行状态样本中的运行状态特征参数进行主成分分析，得到主成分运行状态特征参数；

(3-2)构造BP神经网络模型，BP神经网络模型的输入层节点数等于主成分运行状态特征参数，输出层节点数等于对应的四种运行状态数；

(3-3)利用设备历史运行状态样本，抽出一定比例作为训练样本，以前一个时刻的主成分运行状态特征参数作为输入样本，后一个时刻的输变电设备运行状态对应的模糊评价集中的四个状态值作为输出，计算BP神经网络中每个神经元的输出，计算BP神经网络对于每一个样本的输出值以及每个神经元节点所产生的误差，反向传递该误差，修正各个权值和阈值，重复对网络进行训练，直到误差值小于设定的误差值，使用另一部分设备历史运行状态样本进行测试，比较输出结果与真实状态值，计算错误率，若错误率较高，则重新进行模型训练，直至预测结果满足精度要求，得到训练好的基于主成分分析法的神经网络模型；

步骤四、使用步骤三训练好的基于主成分分析法的神经网络模型进行输变电设备运行状态趋势分析；

步骤四具体为：

(4-1)从生产管理系统采集输变电设备运行监测数据，每12小时建立输变电设备信息模型，作为下一时间段输变电设备状态运行趋势分析模型的输入数据，根据神经网络的输入要求输入输变电设备信息模型中的主成分运行状态参数，进行趋势分析得到分析结果；

(4-2)分析结果为一个与模糊评价集中四个状态一一对应的数值集合，根据最大隶属度原则，数值越大，其对应的状态就是输变电设备的运行状态趋势。

2.如权利要求1所述的输变电设备状态运行趋势分析方法，其特征在于：步骤(2-4)中常权权重向量表示为：

A＝(a₁,a₂,…,a_m)；

A_i＝(a_i1,a_i2,…,a_ij)；

i＝1,2,…,m；j＝1,2,…,n，其中A表示设备的常权权重向量，A_i为第i个部件的常权权重向量，a_m、a_ij分别为第m个部件的常权权重和第i个部件的第j个运行特征参数的常权权重；

同时计算各运行特征参数的变权权重，变权公式如式6所示：

式6中，w_ij为设备第i个部件第j个运行特征参数的变权权重，w_i表示第i个部件的变权权重向量集，α＝0.5。

3.如权利要求1所述的输变电设备状态运行趋势分析方法，其特征在于步骤(2-5)具体为：

采用梯形分布函数计算部件i的运行特征参数动态劣化度d_ij对应的状态评语集V＝{v₁,v₂,v₃,v₄}中四种状态的隶属度，得到各部件运行特征参数动态劣化度子集评判矩阵形如：

其中，i＝1,2,…,m，j＝1,2,…,n，表示运行特征参数劣化度d_ij对状态v_t的隶属度，t＝1,2,3,4；

根据各部件运行特征参数动态劣化度子集评判矩阵形，结合(2-4)中计算的各部件对应的变权权重向量集，计算每个部件对应的模糊评价集，如式8所示：

B_i＝w_i·R_i＝(b_i(v₁),b_i(v₂),b_i(v₃),b₄(v₄)) 式8

式中b_i(v_t)表示第i个部件的运行状态隶属于状态v_t的程度，B_i表示第i个部件与状态评语集V中四种状态对应的模糊评价集，w_i表示第i个部件的变权权重向量集，t＝1,2,3,4，i＝1,2,…,m，

则各部件动态劣化度子集评判矩阵形如：

R＝[B₁,B₂,…,B_m]^T 式9

设备与状态评语集V中四种状态对应的的模糊评价集为：

B＝A·R＝[b(v₁),b(v₂),b(v₃),b(v₄)] 式10

B表示设备对应的模糊评价集，A表示设备的常权权重向量，b(v_t)表示设备的运行状态隶属于状态v_t的程度，t＝1,2,3,4，依据最大隶属度原则可以判断设备处于何种运行状态；

依输变电设备状态特征空间的时间先后顺序计算设备运行状态特征参数，构成时间序列上的设备历史运行状态样本。