CN105046402A - 一种应用于智能变电站二次设备的状态评估方法 - Google Patents

Abstract

本发明公开了一种应用于智能变电站二次设备的状态评估方法，包括以下步骤，步骤一，根据评价对象，从相关二次设备中获取在线实时检测数据，从数据库中获得历史数据和基本数据；步骤二，融合多种类型数据，并采用多种评估方法的方式进行综合评估；步骤三，根据评估结果，指导工作人员对二次设备进行检修和更换。本发明不仅将在线监测信息应用于状态评估系统中，还将二次设备的历史数据整合到状态评估中，为检测的可靠性提供了保障；同时利用了群决策中专家客观权重的方法，客观确定评价因素的权重，通过加权TOPSIS评估法与改进型模糊综合SVM状态评估法相结合，快速有效监测二次设备的健康状况，方便二次设备的维护。

Description

一种应用于智能变电站二次设备的状态评估方法

技术领域

本发明涉及一种应用于智能变电站二次设备的状态评估方法，属于智能变电站二次设备状态监测领域。

背景技术

长期以来，电力设备都是依赖于定期离线检测，但其在防止事故方面有很大的局限性和不足，离线试验不能全过程的反应设备运行条件下的各种状态，对突发性故障无法提前预知。

随着传感器技术以及检测技术的发展，电力系统一次设备的在线监测得到了前所未有的进步。然而如何对传感器等电力系统中的二次设备进行有效的在线监测成了难题。

尽管二次设备相对于一次设备来说价格低，重要程度不如一次设备，但是二次设备如果出现故障，并没有及时排查，将会导致对一次设备状态监测的错误，甚至会引起电力系统的大范围故障。因此有效识别电力系统二次设备的工作状态，了解二次设备的健康程度对于整个系统来说有着十分重要的意义。

目前对于常规站或智能变电站内二次设备的状态监测或评估，主要依赖与二次工作人员现场取样所获得，通过统一输入PMIS(项目管理信息系统)中的评估方法获得对应的检修策略，进行评估的设备主要局限于继电保护及二次回路，相关评估算法也较为简单，因此在实时性、简便性、可行性上有所不足；其次对于智能变电站内二次设备的状态评估还是参照常规站进行，没有很好的体现出智能站的优势，因此发掘智能变电站的潜在力量，将有效提高智能变电站二次设备的状态评估的有效性、简便性和实时性。

发明内容

为了解决上述技术问题，本发明提供了一种应用于智能变电站二次设备的状态评估方法。

为了达到上述目的，本发明所采用的技术方案是：

一种应用于智能变电站二次设备的状态评估方法，包括以下步骤，

步骤一，根据评价对象，从相关二次设备中获取在线实时检测数据，从数据库中获得历史数据和基本数据；

所述基本数据是通过不同的具有一定电力系统运行和研究经验的专家给出各类评价因素相对重要程度的数据集；

步骤二，融合多种类型数据，并采用多种评估方法的方式进行综合评估；

步骤三，根据评估结果，指导工作人员对二次设备进行检修和更换。

所述历史数据和实时监测数据分为量化样本数据和量化实例数据，所述历史数据、实时监测数据和基本数据均采用加权TOPSIS评估和改进型模糊综合SVM状态评估相结合的方法进行分析评估，具体步骤如下，

A1)用基本数据确定评价对象中各评价因素的客观权重；

A2)将量化样本数据和量化实例数据输入模糊矩阵计算模型，获得模糊关系矩阵；

A3)将客观权重和模糊关系矩阵作为加权TOPSIS评估的基本参数，通过加权TOPSIS评估运算，得到一份评估结果；

将客观权重和模糊关系矩阵作为改进型模糊综合SVM状态评估的基本参数，通过改进型模糊综合SVM状态评估运算，得到另一份评估结果；

A4)将两份评估结果进行对比，获得最终的评估结果。

用基本数据确定评价对象中各评价因素的客观权重的具体过程如下，

B1)从基本数据中获得x位专家参与决策并给出的判断矩阵，x位专家记作E₁，E₂，…,E_x；

专家E_k给出的判断矩阵为，

其中，k∈{1,2,3,…x}，n为整数，为评价因数的总数，判断矩阵A^(k)是正互反矩阵，每一个元素代表所在行列对应评价因素的重要程度，其衡量采用专家1-9标度法，数值越大，表示重要程度越高；

B2)由判断矩阵A^(k)根据矩阵定理得到集合Ω；根据集合Ω和一致性矩阵原理，构造一致性判断矩阵，记A_l为第l个一致性判断矩阵，l＝1,2,…n^(n-2)；

A_l可以得到一个权重向量W_l＝(w_l1,w_l2,…w_ln)^T以及一个相对应的方案排序B_l＝(b_l1,b_l2,…b_ln)^T，其中，b_li表示根据第l个排序方案得出的第i个方案在整个排序中所处的位置，i∈{1,2,…n}；

B3)在n^(n-2)个方案排序中，选出最能代表专家E_k意见的排序 $B^{*}=(b_1^{*},b_2^{*},...b_n^{*});$

B4)比较n^(n-2)个方案排序与之间的关系，得出专家E_k的个体一致程度；

专家E_k的个体一致程度为，

S_k＝1-P_k

其中，P_k为专家E_k给出的判断矩阵的偏移度；

$P_k=\frac{\underset{i=1}{\overset{n}{\Σ}}{p}_{ki}}{M}$

其中，M为阶矩阵的最大偏移度，

p_ki为专家E_k给出的判断矩阵在方案i上判断的平均偏移度

$p_{ki}=\underset{i=1}{\overset{n^{n-2}}{\Σ}}\frac{|b_{li}-b_i^{*}|}{n^{n-2}};$

B5)根据个体一致程度，计算专家E_k判断矩阵的可信度权值；

专家E_k判断矩阵的可信度权值α_k为，

${\mathrm{\α}}_k=S_k/\underset{k=1}{\overset{x}{\Σ}}{S}_k;$

B6)计算专家E_k和E_k′判断矩阵的迁移矩阵的等价向量；

专家E_k判断矩阵的迁移矩阵的等价向量为，

R_k＝diag[r_1k,r_2k,…r_nk]

专家E_k′判断矩阵的迁移矩阵的等价向量为，

R_k′＝diag[r_1k′,r_2k′,…r_nk′]

其中， $\underset{i=1}{\overset{n}{\Σ}}{r}_{ik}=1,\underset{i=1}{\overset{n}{\Σ}}{r}_{{\mathrm{ik}}^{\′}}=1,k^{\′}\∈\{1,2,3,...x\};$

B7)计算专家E_k和E_k′迁移矩阵的一致程度；

迁移矩阵的一致程度用两相连夹角的余弦值来表示；

${{\mathrm{cos\θ}}^i}_{k,k^{\′}}=\frac{(R_k,R_{k^{\′}})}{\left|R_k\right|\left|R_{k^{\′}}\right|}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_{ik}{r}_{{\mathrm{ik}}^{\′}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_{ik}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_{{\mathrm{ik}}^{\′}}^2}};$

B8)计算专家E_k和E_k′之间的平均一致度；

专家E_k和E_k′之间的平均一致度为，

$S_{{\mathrm{kk}}^{\′}}=\frac{1}{2(n-2)}\left(\underset{i=1}{\overset{n}{\Σ}}{S}_{{\mathrm{kk}}^{\′}}^i+\underset{ii=1}{\overset{n}{\mathrm{\Σ}}}{S}_{{\mathrm{kk}}^{\′}}^i\right)$

其中， $S_{{\mathrm{kk}}^{\′}}^i={{\mathrm{cos\θ}}^i}_{(k,k^{\′})}i\overline{)=}k,k^{\′};$

B9)计算专家E_k与其他所有专家的一致程度之和的平均值，即表示专家E_k判断矩阵的评价一致程度S_k；

$S_k=\frac{1}{x-1}\underset{k^{\′}=1}{\overset{x}{\Σ}}{S}_{{\mathrm{kk}}^{\′}}$

B10)计算专家E_k判断矩阵的可信度权值β_k；

${\mathrm{\β}}_k=S_k/\underset{k=1}{\overset{x}{\Σ}}{S}_k;$

B11)结合步骤B5和B10，专家E_k的客观权重为λ_k＝(α_kβ_k)^1/2；

B12)根据已知每个专家的判断矩阵A^(k)和步骤B11得到的每个专家的客观权重向量W′＝{λ₁,λ₂…λ_k}，可以计算得到整体的判断矩阵，

A＝A⁽¹⁾×λ₁+A⁽²⁾×λ₂+…A^(k)×λ_k；

B13)根据整体的判断矩阵，求其特征值，再归一化即可得到每个评价因素的客观权重W。

量化样本数据和量化实例数据输入模糊矩阵计算模型，获得模糊关系矩阵的具体步骤如下，

C1)对评价因素进行评分；

评分函数Q为，

Q＝{q₁,q₂,…q_n}＝100-A_if_i

其中，A_i是第i个项评价因素对应的扣分参数；f_i代表第i种评价因素发生的次数，q_i表示第i个项评价因素的分值；

C2)定义评价结果分为p种状态，将p种状态构成评价集V＝{v₁,v₂,v₃,…,v_p}；

C3)通过隶属度函数计算隶属度；所述隶属度函数描述了评价因素与评价结果之间的数量关系；

隶属度函数为，

$\left\{\begin{array}{c}{M}_1=e^{-k^{\″}{(q_i-h_1)}^2}\\ M_2=e^{-k^{\″}{(q_i-h_2)}^2}\\ M_3=e^{-k^{\″}{(q_i-h_3)}^2}\\ \·\\ \·\\ \·\\ M_p=e^{-k^{\″}{(q_i-h_p)}^2}\end{array}\right.$

其中，k″是调节参数，M_j表示第i个项评价因素与第j个评价结果之间的数量关系，h_j表示分值；j∈{1,2,…p}；

C4)根据隶属度函数构建模糊关系矩阵T；

其中，t_ij表示第i个项评价因素对评估结果中状态v_j的隶属程度。

将客观权重和模糊关系矩阵作为改进型模糊综合SVM状态评估的基本参数，通过改进型模糊综合SVM状态评估运算的过程为，

D1)进行模糊合成运算；

B＝W·L＝[w₁,w₂,…,w_n]·[t_iy]_n×j＝[b₁,b₂,…,b_p]

其中，b_j等于客观权重W的元素分别与模糊关系矩阵T的第j列对应元素两两先进行取小运算，再在所得的结果中进行取大运算；

D2)判断历史数据和实时监测数据是量化样本数据还是量化实例数据，如果是量化样本数据，则转至步骤D3；如果是量化实例数据，则转至步骤D4；

D3)从数据库中调用样本结果y_i，将B与y_i输入SVM状态验证算法中，得到SVM模型参数；

D4)利用SVM状态划分算法得到状态评估结果。

将客观权重和模糊关系矩阵作为加权TOPSIS评估的基本参数，通过加权TOPSIS评估运算的过程为；

E1)根据评价因素的评分获得决策矩阵D＝[d_ti]_m×n；

其中，m代表带评价的样本数量，t∈{1,2,…m}，d_ti表示第t个样本的第i个评价因素的得分；

E2)用向量规范化的方法得到规范决策矩阵Y＝[y_ti]_m×n；

其中，

$y_{ti}=\frac{d_{ti}}{\sqrt{\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{d}_{ti}^2}};$

E3)构造加权的规范化决策矩阵Z＝[z_ti]_m×n；

其中，

z_ti＝w_iy_ti

w_i为客观权重W的第i个元素，w＝[w₁,w₂,…,w_n]；E4)构造正理想解向量Z⁺和负理想解向量Z^-；

正理想解向量 $Z^{+}=(z_1^{+},z_2^{+},...,z_n^{+});$

其中；

$z_q^{+}=\left\{\begin{array}{ccc}max& z_{tq}& q\∈T_1\\ min& z_{tq}& q\∈T_2\end{array}\right.$

p为整数，p∈{1,2,…n}，

负理想解向量 $Z^{-}=(z_1^{-},z_2^{-},...,z_n^{-});$

其中；

$z_q^{-}=\left\{\begin{array}{ccc}min& z_{tq}& q\∈T_1\\ \max & z_{tq}& q\∈T_2\end{array}\right.$

T₁为越大越优型的效益型指标或正指标，T₂为越小越优型的成本型指标或逆指标， $T_1\⊆\{1,2,...n\},T_2\⊆\{1,2,...n\};$

E5)计算各评估对象到正理想解与负理想解的欧氏距离；

到正理想解的欧氏距离公式为，

$d_t^{+}=||z_t-Z^{+}||=\sqrt{\underset{i\text{=}1}{\overset{n}{\Σ}}{(z_{ti}-z_t^{+})}^2};$

到负理想解的欧氏距离公式为，

$d_t^{-}=||z_t-Z^{-}||=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(z_{ti}-z_t^{-})}^2};$

E6)计算各评估对象与正理想解的相对贴近度，根据相对贴近度得到状态评估结果；

各评估对象与正理想解的相对贴近度公式为，

$C_t=d_t^{-}/(d_t^{-}+d_t^{+}).$

本发明所达到的有益效果：本发明不仅将在线监测信息应用于状态评估系统中，还将二次设备的历史数据整合到状态评估中，为检测的可靠性提供了保障；同时利用了群决策中专家客观权重的方法，客观确定评价因素的权重，通过加权TOPSIS评估法与改进型模糊综合SVM状态评估法相结合，快速有效监测二次设备的健康状况，方便二次设备的维护。

附图说明

图1为本发明的流程图。

图2为根据评价因素获得的相关数据。

图3为采用加权TOPSIS评估和改进型模糊综合SVM状态评估相结合的方法进行分析评估的流程图。

图4为用基本数据确定客观权重的流程图。

图5为获得模糊关系矩阵的流程图。

图6为通过加权TOPSIS评估运算的流程图。

图7为通过改进型模糊综合SVM状态评估运算的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种应用于智能变电站二次设备的状态评估方法，包括以下步骤：

步骤一，根据评价对象，从相关二次设备中获取在线实时检测数据，从数据库中获得历史数据和基本数据；基本数据是通过不同的具有一定电力系统运行和研究经验的专家给出各类评价因素相对重要程度的数据集；具体相关数据如图2所示。

步骤二，融合多种类型数据，并采用多种评估方法的方式进行综合评估。

历史数据和实时监测数据分为量化样本数据和量化实例数据。

历史数据、实时监测数据和基本数据均采用加权TOPSIS评估和改进型模糊综合SVM状态评估相结合的方法进行分析评估，具体步骤如图3所示：

A1)用基本数据确定评价对象中各评价因素的客观权重；

具体过程如图4所示：

B1)从基本数据中获得x位专家参与决策并给出的判断矩阵，x位专家记作E₁，E₂，…,E_x；

专家E_k给出的判断矩阵为，

其中，k∈{1,2,3,…x}，n为整数，为评价因数的总数，判断矩阵A^(k)是正互反矩阵，每一个元素代表所在行列对应评价因素的重要程度，其衡量采用专家1-9标度法，数值越大，表示重要程度越高，比如当时，表示第一行对应的因素比第二列所对应的因素重要很多；

B2)由判断矩阵A^(k)根据矩阵定理得到集合Ω；

根据集合Ω和一致性矩阵原理，构造一致性判断矩阵，记A_l为第l个一致性判断矩阵，l＝1,2,…n^(n-2)；

A_l可以得到一个权重向量W_l＝(w_l1,w_l2,…w_ln)^T以及一个相对应的方案排序B_l＝(b_l1,b_l2,…b_ln)^T，其中，b_li表示根据第l个排序方案得出的第i个方案在整个排序中所处的位置，i∈{1,2,…n}；

B3)在n^(n-2)个方案排序中，选出最能代表专家E_k意见的排序 $B^{*}=(b_1^{*},b_2^{*},...b_n^{*});$

假设第l个排序方案中，权重次序标注函数为，

式中：j′为整数，j′＝1,2,…n，

显而易见

$\underset{l=1}{\overset{n^{n-2}}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\δ}}_l(i,j^{\′})=n^{n-2},\underset{i=1}{\overset{n}{\Σ}}\underset{j^{\′}=1}{\overset{n}{\Σ}}{\mathrm{\δ}}_l(i,j^{\′})=n$

权重次序函数为

式中：

$u(i,j{\′}^{})=\frac{1}{n^{n-2}}\underset{l=1}{\overset{n^{n-2}}{\Σ}}{\mathrm{\δ}}_l(i,j^{\′})$ 为权重次序标注的频率，

由上述定义可知，

并且，若有u(1)≤u(2)，则w₁≥w₂，因此就可以得到正确权重向量排序，对于w_i＝w_j′的处理，可以认为既满足w₁≤w₂，又满足w₁≥w₂，这种情况，可以称为弱排序；

B4)比较n^(n-2)个方案排序与之间的关系，得出专家E_k的个体一致程度；

专家E_k的个体一致程度为，

S_k＝1-P_k

其中，P_k为专家E_k给出的判断矩阵的偏移度；

$P_k=\frac{\underset{i=1}{\overset{n}{\Σ}}{p}_{ki}}{M}$

其中，M为阶矩阵的最大偏移度，

p_ki为专家E_k给出的判断矩阵在方案i上判断的平均偏移度，

$p_{ki}=\underset{i=1}{\overset{n^{n-2}}{\Σ}}\frac{|b_{li}-b_i^{*}|}{n^{n-2}};$

B5)根据个体一致程度，计算专家E_k判断矩阵的可信度权值；

专家E_k的个体一致程度S_k，反映了这位专家自身判断的一致性程度，其值越大，说明这位专家判断一致性越高，则专家E_k判断矩阵的可信度权值α_k为，

${\mathrm{\α}}_k=S_k/\underset{k=1}{\overset{x}{\Σ}}{S}_k;$

B6)计算专家E_k和E_k′判断矩阵的迁移矩阵的等价向量；

专家E_k判断矩阵的迁移矩阵的等价向量为，

R_k＝diag[r_1k,r_2k,…r_nk]

专家E_k′判断矩阵的迁移矩阵的等价向量为，

R_k′＝diag[r_1k′,r_2k′,…r_nk′]

其中， $\underset{i=1}{\overset{n}{\Σ}}{r}_{ik}=1,\underset{i=1}{\overset{n}{\Σ}}{r}_{{\mathrm{ik}}^{\′}}=1,k^{\′}\∈\{1,2,3,...x\};$

B7)计算专家E_k和E_k′迁移矩阵的一致程度；

迁移矩阵的一致程度用两相连夹角的余弦值来表示；

${{\mathrm{cos\θ}}^i}_{k,k^{\′}}=\frac{(R_k,R_{k^{\′}})}{\left|R_k\right|\left|R_{k^{\′}}\right|}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_{ik}{r}_{{\mathrm{ik}}^{\′}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_{ik}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_{{\mathrm{ik}}^{\′}}^2}}$

余弦值越大，则两向量之间的一致度越高；

B8)计算专家E_k和E_k′之间的平均一致度；

专家E_k和E_k′之间的平均一致度为，

$S_{{\mathrm{kk}}^{\′}}=\frac{1}{2(n-2)}\left(\underset{i=1}{\overset{n}{\Σ}}{S}_{{\mathrm{kk}}^{\′}}^i+\underset{ii=1}{\overset{n}{\mathrm{\Σ}}}{S}_{{\mathrm{kk}}^{\′}}^i\right)$

其中， $S_{{\mathrm{kk}}^{\′}}^i={{\mathrm{cos\θ}}^i}_{(k,k^{\′})},i\overline{)=}k,k^{\′};$

B9)计算专家E_k与其他所有专家的一致程度之和的平均值，即表示专家E_k判断矩阵的评价一致程度S_k；

$S_k=\frac{1}{x-1}\underset{k^{\′}=1}{\overset{x}{\Σ}}{S}_{{\mathrm{kk}}^{\′}}$

B10)计算专家E_k判断矩阵的可信度权值β_k；

${\mathrm{\β}}_k=S_k/\underset{k=1}{\overset{x}{\Σ}}{S}_k;$

B11)结合步骤B5和B10，专家E_k的客观权重为λ_k＝(α_kβ_k)^1/2；

B12)根据已知每个专家的判断矩阵A^(k)和步骤B11得到的每个专家的客观权重向量W′＝{λ₁,λ₂…λ_k}，可以计算得到整体的判断矩阵，

A＝A⁽¹⁾×λ₁+A⁽²⁾×λ₂+…A^(k)×λ_k；

B13)根据整体的判断矩阵，求其特征值，再归一化即可得到每个评价因素的客观权重W；

A2)将量化样本数据和量化实例数据输入模糊矩阵计算模型，获得模糊关系矩阵；

具体步骤如如图5所示：

C1)对评价因素进行评分；

评分函数Q为，

Q＝{q₁,q₂,…q_n}＝100-A_if_i

其中，A_i是第i个项评价因素对应的扣分参数；f_i代表第i种评价因素发生的次数，q_i表示第i个项评价因素的分值；

C2)定义评价结果分为p种状态，将p种状态构成评价集V＝{v₁,v₂,v₃,…,v_p}；一般这里主要采用五种状态，分别为“良好，正常，注意，异常，严重异常”；

C3)通过隶属度函数计算隶属度；所述隶属度函数描述了评价因素与评价结果之间的数量关系；

隶属度函数为，

$\left\{\begin{array}{c}{M}_1=e^{-k^{\″}{(q_i-h_1)}^2}\\ M_2=e^{-k^{\″}{(q_i-h_2)}^2}\\ M_3=e^{-k^{\″}{(q_i-h_3)}^2}\\ \·\\ \·\\ \·\\ M_p=e^{-k^{\″}{(q_i-h_p)}^2}\end{array}\right.$

其中，k″是调节参数，M_j表示第i个项评价因素与第j个评价结果之间的数量关系，h_j表示分值；j∈{1,2,…p}；

C4)根据隶属度函数构建模糊关系矩阵T；

其中，t_ij表示第i个项评价因素对评估结果中状态v_j的隶属程度；

A3)将客观权重和模糊关系矩阵作为加权TOPSIS评估的基本参数，通过加权TOPSIS评估运算，得到一份评估结果；

具体过程如图6所示：

E1)根据评价因素的评分获得决策矩阵D＝[d_ti]_m×n；

其中，m代表带评价的样本数量，t∈{1,2,…m}，d_ti表示第t个样本的第i个评价因素的得分；

E2)用向量规范化的方法得到规范决策矩阵Y＝[y_ti]_m×n；

其中，

$y_{ti}=\frac{d_{ti}}{\sqrt{\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{d}_{ti}^2}};$

E3)构造加权的规范化决策矩阵Z＝[z_ti]_m×n；

其中，

z_ti＝w_iy_ti

w_i为客观权重W的第i个元素，w＝[w₁,w₂,…,w_n]，w₁+w₂+…+w_n＝1；

E4)构造正理想解向量Z⁺和负理想解向量Z^-；

正理想解向量 $Z^{+}=(z_1^{+},z_2^{+},...,z_n^{+});$

其中；

$z_q^{+}=\left\{\begin{array}{ccc}max& z_{tq}& q\∈T_1\\ min& z_{tq}& q\∈T_2\end{array}\right.$

p为整数，p∈{1,2,…n}，

负理想解向量 $Z^{-}=(z_1^{-},z_2^{-},...,z_n^{-});$

其中；

$z_q^{-}=\left\{\begin{array}{ccc}min& z_{tq}& q\∈T_1\\ \max & z_{tq}& q\∈T_2\end{array}\right.$

T₁为越大越优型的效益型指标或正指标，T₂为越小越优型的成本型指标或逆指标， $T_1\⊆\{1,2,...n\},T_2\⊆\{1,2,...n\};$

E5)计算各评估对象到正理想解与负理想解的欧氏距离；

到正理想解的欧氏距离公式为，

$d_t^{+}=||z_t-Z^{+}||=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(z_{ti}-z_t^{+})}^2};$

到负理想解的欧氏距离公式为，

$d_t^{-}=\left|\right|z_t-Z^{-}\left|\right|=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(z_{ti}-z_t^{-})}^2};$

E6)计算各评估对象与正理想解的相对贴近度，根据相对贴近度得到状态评估结果；

各评估对象与正理想解的相对贴近度公式为，

$C_t=d_t^{-}/(d_t^{-}+d_t^{+});$

将客观权重和模糊关系矩阵作为改进型模糊综合SVM状态评估的基本参数，通过改进型模糊综合SVM状态评估运算，得到另一份评估结果；

具体过程如图7所示：

D1)进行模糊合成运算；

B＝W·L＝[w₁,w₂,…,w_n]·[t_iy]_n×j＝[b₁,b₂,…,b_p]

其中，b_j等于客观权重W的元素分别与模糊关系矩阵T的第j列对应元素两两先进行取小运算，再在所得的结果中进行取大运算；；

D2)判断历史数据和实时监测数据是量化样本数据还是量化实例数据，如果是量化样本数据，则转至步骤D3；如果是量化实例数据，则转至步骤D4；

D3)从数据库中调用样本结果y_i，将B与y_i输入SVM状态验证算法中，得到SVM模型参数；

D4)利用SVM状态划分算法得到状态评估结果；

A4)将两份评估结果进行对比，获得最终的评估结果。

步骤三，根据评估结果，指导工作人员对二次设备进行检修和更换。

综上所述，上述评估方法不仅将在线监测信息应用于状态评估系统中，还将二次设备的历史数据整合到状态评估中，为检测的可靠性提供了保障；同时利用了群决策中专家客观权重的方法，客观确定各评价因素的权重，通过加权TOPSIS评估法与改进型模糊综合SVM状态评估法相结合，快速有效监测二次设备的健康状况，方便二次设备的维护。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种应用于智能变电站二次设备的状态评估方法，其特征在于：包括以下步骤，

步骤一，根据评价对象，从相关二次设备中获取在线实时检测数据，从数据库中获得历史数据和基本数据；

所述基本数据是通过不同的具有一定电力系统运行和研究经验的专家给出各类评价因素相对重要程度的数据集；

步骤二，融合多种类型数据，并采用多种评估方法的方式进行综合评估；

步骤三，根据评估结果，指导工作人员对二次设备进行检修和更换。

2.根据权利要求1所述的一种应用于智能变电站二次设备的状态评估方法，其特征在于：所述历史数据和实时监测数据分为量化样本数据和量化实例数据，所述历史数据、实时监测数据和基本数据均采用加权TOPSIS评估和改进型模糊综合SVM状态评估相结合的方法进行分析评估，具体步骤如下，

A1)用基本数据确定评价对象中各评价因素的客观权重；

A2)将量化样本数据和量化实例数据输入模糊矩阵计算模型，获得模糊关系矩阵；

A3)将客观权重和模糊关系矩阵作为加权TOPSIS评估的基本参数，通过加权TOPSIS评估运算，得到一份评估结果；

将客观权重和模糊关系矩阵作为改进型模糊综合SVM状态评估的基本参数，通过改进型模糊综合SVM状态评估运算，得到另一份评估结果；

A4)将两份评估结果进行对比，获得最终的评估结果。

3.根据权利要求2所述的一种应用于智能变电站二次设备的状态评估方法，其特征在于：用基本数据确定评价对象中各评价因素的客观权重的具体过程如下，

B1)从基本数据中获得x位专家参与决策并给出的判断矩阵，x位专家记作E₁，E₂，…,E_x；

专家E_k给出的判断矩阵为，

其中，k∈{1,2,3,…x}，n为整数，为评价因数的总数，判断矩阵A^(k)是正互反矩阵，每一个元素代表所在行列对应评价因素的重要程度，其衡量采用专家1-9标度法，数值越大，表示重要程度越高；

B2)由判断矩阵A^(k)根据矩阵定理得到集合Ω；根据集合Ω和一致性矩阵原理，构造一致性判断矩阵，记A_l为第l个一致性判断矩阵，l＝1,2,…n^(n-2)；

A_l可以得到一个权重向量W_l＝(w_l1,w_l2,…w_ln)^T以及一个相对应的方案排序B_l＝(b_l1,b_l2,…b_ln)^T，其中，b_li表示根据第l个排序方案得出的第i个方案在整个排序中所处的位置，i∈{1,2,…n}；

B3)在n^(n-2)个方案排序中，选出最能代表专家E_k意见的排序

B4)比较n^(n-2)个方案排序与之间的关系，得出专家E_k的个体一致程度；

专家E_k的个体一致程度为，

S_k＝1-P_k

其中，P_k为专家E_k给出的判断矩阵的偏移度；

其中，M为阶矩阵的最大偏移度，

p_ki为专家E_k给出的判断矩阵在方案i上判断的平均偏移度

B5)根据个体一致程度，计算专家E_k判断矩阵的可信度权值；

专家E_k判断矩阵的可信度权值α_k为，

B6)计算专家E_k和E_k′判断矩阵的迁移矩阵的等价向量；

专家E_k判断矩阵的迁移矩阵的等价向量为，

R_k＝diag[r_1k,r_2k,…r_nk]

专家E_k′判断矩阵的迁移矩阵的等价向量为，

R_k′＝diag[r_1k′,r_2k′,…r_nk′]

其中，k′∈{1,2,3,…x}；

B7)计算专家E_k和E_k′迁移矩阵的一致程度；

迁移矩阵的一致程度用两相连夹角的余弦值来表示；

B8)计算专家E_k和E_k′之间的平均一致度；

专家E_k和E_k′之间的平均一致度为，

其中，i≠k,k′；

B9)计算专家E_k与其他所有专家的一致程度之和的平均值，即表示专家E_k判断矩阵的评价一致程度S_k；

B10)计算专家E_k判断矩阵的可信度权值β_k；

B11)结合步骤B5和B10，专家E_k的客观权重为λ_k＝(α_kβ_k)^1/2；

B12)根据已知每个专家的判断矩阵A^(k)和步骤B11得到的每个专家的客观权重向量W′＝{λ₁,λ₂…λ_k}，可以计算得到整体的判断矩阵，

A＝A⁽¹⁾×λ₁+A⁽²⁾×λ₂+…A^(k)×λ_k；

B13)根据整体的判断矩阵，求其特征值，再归一化即可得到每个评价因素的客观权重W。

4.根据权利要求3所述的一种应用于智能变电站二次设备的状态评估方法，其特征在于：量化样本数据和量化实例数据输入模糊矩阵计算模型，获得模糊关系矩阵的具体步骤如下，

C1)对评价因素进行评分；

评分函数Q为，

Q＝{q₁,q₂,…q_n}＝100-A_if_i

其中，A_i是第i个项评价因素对应的扣分参数；f_i代表第i种评价因素发生的次数，q_i表示第i个项评价因素的分值；

C2)定义评价结果分为p种状态，将p种状态构成评价集V＝{v₁,v₂,v₃,…,v_p}；

C3)通过隶属度函数计算隶属度；所述隶属度函数描述了评价因素与评价结果之间的数量关系；

隶属度函数为，

其中，k″是调节参数，M_j表示第i个项评价因素与第j个评价结果之间的数量关系，h_j表示分值；j∈{1,2,…p}；

C4)根据隶属度函数构建模糊关系矩阵T；

其中，t_ij表示第i个项评价因素对评估结果中状态v_j的隶属程度。

5.根据权利要求4所述的一种应用于智能变电站二次设备的状态评估方法，其特征在于：将客观权重和模糊关系矩阵作为改进型模糊综合SVM状态评估的基本参数，通过改进型模糊综合SVM状态评估运算的过程为，

D1)进行模糊合成运算；

B＝W·L＝[w₁,w₂,…,w_n]·[t_iy]_n×j＝[b₁,b₂,…,b_p]

其中，b_j等于客观权重W的元素分别与模糊关系矩阵T的第j列对应元素两两先进行取小运算，再在所得的结果中进行取大运算；

D2)判断历史数据和实时监测数据是量化样本数据还是量化实例数据，如果是量化样本数据，则转至步骤D3；如果是量化实例数据，则转至步骤D4；

D3)从数据库中调用样本结果y_i，将B与y_i输入SVM状态验证算法中，得到SVM模型参数；

D4)利用SVM状态划分算法得到状态评估结果。

6.根据权利要求5所述的一种应用于智能变电站二次设备的状态评估方法，其特征在于：将客观权重和模糊关系矩阵作为加权TOPSIS评估的基本参数，通过加权TOPSIS评估运算的过程为；

E1)根据评价因素的评分获得决策矩阵D＝[d_ti]_m×n；

其中，m代表带评价的样本数量，t∈{1,2,…m}，d_ti表示第t个样本的第i个评价因素的得分；

E2)用向量规范化的方法得到规范决策矩阵Y＝[y_ti]_m×n；

其中，

E3)构造加权的规范化决策矩阵Z＝[z_ti]_m×n；

其中，

z_ti＝w_iy_ti

w_i为客观权重W的第i个元素，w＝[w₁,w₂,…,w_n]；

E4)构造正理想解向量Z⁺和负理想解向量Z^-；

正理想解向量

其中；

p为整数，p∈{1,2,…n}，

负理想解向量

其中；

T₁为越大越优型的效益型指标或正指标，T₂为越小越优型的成本型指标或逆指标，

E5)计算各评估对象到正理想解与负理想解的欧氏距离；

到正理想解的欧氏距离公式为，

到负理想解的欧氏距离公式为，

E6)计算各评估对象与正理想解的相对贴近度，根据相对贴近度得到状态评估结果；

各评估对象与正理想解的相对贴近度公式为，