CN105117591A - 一种电力设备的运行状态分析方法 - Google Patents

Abstract

本发明公开了一种电力设备的运行状态分析方法，经过读取数据库、数据预处理、神经网络建立电力设备的综合状态量评估模型、模型存储、读取综合状态量评估模型、获取数据、期望输出功率计算、期望输出功率与实际输出功率偏差统计、电力设备运行状态判定：根据实际输出功率采集数据相对于期望输出功率的波动采用多数投票算法对电力设备运行状态进行判定。本发明可实现更加有效和准确的电力设备运行状态监测和预测，也即为电力设备维护维修提供更加有效的和准确的决策支持。

Description

一种电力设备的运行状态分析方法

技术领域

本发明涉及电力设备领域，具体是一种电力设备的运行状态分析方法。

背景技术

电力设备（powersystem）主要包括以发电设备和供电设备两大类，发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、变压器等等，供电设备主要是各种电压等级的输电线路、互感器、接触器等等。电力二次设备构成的是一个系统，不仅仅是装置本身，如交流、直流、控制回路等，由于部分回路还没有监测手段，对设备状态无法进行实时的技术分析判断。因此，就电气二次设备的应用现状而言严格意义上讲大多数保护并不具备状态检修的条件

电力系统中电力设备大多采用的计划检修体制存在着严重缺陷，如临时性维修频繁、维修不足或维修过剩、盲目维修等，这使世界各国每年在设备维修方面耗资巨大。怎样及时了解电力设备的状态，同时保证系统有较高的可靠性，对系统运行人员来说是一个重要课题。

发明内容

本发明的目的在于提供一种有效的和准确的电力设备的运行状态分析方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种电力设备的运行状态分析方法，包括如下步骤：

1)读取数据库：读取电力设备的远程数据中心存储的历史数据；

2)数据预处理：对读取的历史数据进行预处理，去除读取数据中的无效数据；

3)神经网络建模：以预处理后的数据作为输入，采用神经网络和机器学习方法建立电力设备的综合状态量评估模型；

4)综合状态量评估模型存储：将获得的电力设备的综合状态量评估模型存储到数据库中；

5)读取综合状态量评估模型：读取数据库中存储的电力设备的综合状态量评估模型；

6)获取数据：实时获取电力设备输出功率、电阻、电压、电流、局部放电、温度、空气密度数据；

7)期望输出功率计算：以获取的电阻、电压、电流、局部放电、温度、空气密度数据作为综合状态量评估模型输入，计算期望电力设备输出功率；

8)期望输出功率与实际输出功率偏差统计：对期望电力设备输出功率与电力设备实际输出功率进行偏差统计；

9)电力设备运行状态判定：根据实际输出功率采集数据相对于期望输出功率的波动采用多数投票算法对电力设备运行状态进行判定。

与现有技术相比，本发明的有益效果是：

本发明可实现更加有效和准确的电力设备运行状态监测和预测，也即为电力设备维护维修提供更加有效的和准确的决策支持。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例中，一种电力设备的运行状态分析方法，包括：

读取数据库：读取电力设备的远程数据中心存储的历史数据。

数据预处理：对读取的历史数据进行预处理，去除读取数据中的无效数据；无效数据包括停机时采集的数据，故障时采集的数据，极端天气条件下采集的数据和电力设备调试时采集的数据。故障时采集的数据包括网络故障时采集的数据和传感器故障时采集的数据。数据的采集时间间隔为0.5分钟。极端天气总体可以分为极端高温、极端低温、极端干旱、极端降水等几类，一般特点是发生概率小、社会影响大，如雷击、冰雹、飓风、地震、海啸、洪水、火山喷发等。

神经网络建模：以预处理后的数据作为输入，采用神经网络和机器学习方法建立电力设备的综合状态量评估模型。神经网络为径向基神经网络，径向基神经网络的结构为：①核函数为Tansig函数；②输入层节点为4个；③输出层节点为1个；④神经网络层数为1层；采用的机器学习方法为正交最小二乘学习方法，用于对径向神经网络进行训练。神经网络算法的重点是构造阈值逻辑单元，一个值逻辑单元是一个对象，它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。如有输入值X₁,X₂,...,X_n和它们的权系数：W₁,W₂,...,W_n，求和计算出的X_i*W_i，产生了激发层a=(X₁*W₁)+(X₂*W₂)+...+(X_i*W_i)+...+(X_n*W_n)，其中X_i是各条记录出现频率或其他参数，W_i是综合状态量评估模型中得到的权系数。

综合状态量评估模型存储：将获得的电力设备的综合状态量评估模型存储到数据库中。

读取综合状态量评估模型：读取数据库中存储的电力设备的综合状态量评估模型。

获取数据：实时获取电力设备输出功率、电阻、电压、电流、局部放电、温度、空气密度数据。

期望输出功率计算：以获取的电阻、电压、电流、局部放电、温度、空气密度数据作为综合状态量评估模型输入，计算期望电力设备输出功率。

期望输出功率与实际输出功率偏差统计：对期望电力设备输出功率与电力设备实际输出功率进行偏差统计。电力设备运行状态判定：根据实际输出功率采集数据相对于期望输出功率的波动采用多数投票算法对电力设备运行状态进行判定。当实际输出功率采样点相对于期望输出功率波动多数在0.5％以内，则判定风力发电机为正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数在0.5-2.5％内，则判定风力发电机非正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数超过2.5％，则判定风力发电机为故障状态。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种电力设备的运行状态分析方法，其特征在于，包括如下步骤：

1)读取数据库：读取电力设备的远程数据中心存储的历史数据；

2)数据预处理：对读取的历史数据进行预处理，去除读取数据中的无效数据；

3)神经网络建模：以预处理后的数据作为输入，采用神经网络和机器学习方法建立电力设备的综合状态量评估模型；

4)综合状态量评估模型存储：将获得的电力设备的综合状态量评估模型存储到数据库中；

5)读取综合状态量评估模型：读取数据库中存储的电力设备的综合状态量评估模型；

6)获取数据：实时获取电力设备输出功率、电阻、电压、电流、局部放电、温度、空气密度数据；

7)期望输出功率计算：以获取的电阻、电压、电流、局部放电、温度、空气密度数据作为综合状态量评估模型输入，计算期望电力设备输出功率；

8)期望输出功率与实际输出功率偏差统计：对期望电力设备输出功率与电力设备实际输出功率进行偏差统计；

9)电力设备运行状态判定：根据实际输出功率采集数据相对于期望输出功率的波动采用多数投票算法对电力设备运行状态进行判定。