CN105426999A - 输变电设备状态变化预测方法和系统 - Google Patents

Abstract

本发明涉及一种输变电设备状态变化预测方法和系统，该方法包括：采集待检测输变电设备的N个状态特征数据，并对N个状态特征数据进行处理得到与待检测输变电设备对应的第一特征向量；将第一特征向量输入对应的聚类模型中得到待检测设备的当前设备状态；根据当前设备状态判断待检测输变电设备是否处于故障状态；若否，则根据当前设备状态及待检测输变电设备对应的状态转移矩阵预测待检测设备发生状态转变的概率，以预测待检测输变电设备状态的变化。该方法通过聚类模型和状态转移矩阵进行分析，成本低且准确率高。

Description

输变电设备状态变化预测方法和系统

技术领域

本发明涉及输变电设备领域，特别是涉及一种输变电设备状态变化预测方法和系统。

背景技术

随着国民经济与电网的发展，一方面电网规模不断扩大，输变电设备数量激增，供电可靠性压力提高；另一方面，人力资源相对显得短缺，维护力量的发展跟不上电网规模发展。电力设备状态检修与设备运行的可靠性、经济性紧密相关。设备状态评价结果可用于电网设备规划设计等资产生命周期环节的管理工作，以及故障预测故障类型及故障处理等环节。电力设备状态检修是保障国民经济产业重要工作。

目前，国内外对输变电设备健康水平和运行状况好坏的评估，主要还是借鉴相关标准及运行经验进行判断，通过停电预防性试验和定期检修来实现的，绝大部分设备到了规定的时间就要进行大修，可能出现对健康状态良好的设备做了不必要的检修工作，而且在设备尚未出现健康问题时就对其实行停运检修或更换设备，很大程度上浪费了人力、物力和财力。所以如何能够快速、准确地确定输变电设备健康状态并对设备可能出现的状态进行预测，从而降低人力物力成本成为了现在电力行业亟待解决的问题。

发明内容

为此，本发明提供了一种低成本且准确率较高的输变电设备状态变化预测方法和系统。

一种输变电设备状态变化预测方法，包括

采集待检测输变电设备的N个状态特征数据，并对N个状态特征数据进行处理得到与待检测输变电设备对应的第一特征向量；

将第一特征向量输入对应的聚类模型中得到待检测设备的当前设备状态；

根据当前设备状态判断待检测输变电设备是否处于故障状态；

若否，则根据当前设备状态及待检测输变电设备对应的状态转移矩阵预测待检测设备发生状态转变的概率，以预测待检测输变电设备状态的变化。

在其中一种实施方式中，在采集待检测输变电设备的N个状态特征数据，并对N个状态特征数据进行处理得到与待检测输变电设备对应的第一特征向量的步骤之前，还包括：预先建立聚类模型的步骤，预先建立聚类模型包括：

获取电网的输变电设备的历史运行数据，并从历史运行数据中提取每台输变电设备的N个状态特征数据；

对每个输变电设备的N个状态特征数据进行处理得到每个输变电设备的第二特征向量；

分别将每个输变电设备的第二特征向量采用无聚类监督算法得到每个输变电设备对应的M类设备状态，并对M类设备状态进行标记得到对应的输变电设备的聚类模型。

在其中一种实施方式中，在预先建立聚类模型的步骤之后，还包括建立状态转移矩阵的步骤，建立状态转移矩阵包括：

按时间顺序依次将第二特征向量输入聚类模型，得到待检测输变电设备的设备状态变化情况；

统计设备状态变化情况中从一个设备状态到其它设备状态变化的次数，得到不同设备状态的转移概率以得到状态转移矩阵。

在其中一种实施方式中，采集待检测输变电设备的N个状态特征数据，并对N个状态特征数据进行处理得到与待检测输变电设备对应的第一特征向量的步骤包括：

采集待检测输变电设备的N个状态特征数据；

对N个状态特征数据进行量化和归一化处理，得到与待检测输变电设备对应的第一特征向量。

一种输变电设备状态变化预测系统，包括

采集模块，用于采集待检测输变电设备的N个状态特征数据，并对N个状态特征数据进行处理得到与待检测输变电设备对应的第一特征向量；

聚类模块，用于将第一特征向量输入对应的聚类模型中得到待检测设备的当前设备状态；

判断模块，用于根据当前设备状态判断待检测输变电设备是否处于故障状态；

预测模块，用于在判断模块的判断结果为否时，根据当前设备状态及待检测输变电设备对应的状态转移矩阵预测待检测设备发生状态转变的概率，以预测待检测输变电设备状态的变化。

在其中一种实施方式中，还包括：建模模块，建模模块包括：

提取单元，用于获取电网的输变电设备的历史运行数据，并从历史运行数据中提取每台输变电设备的N个状态特征数据；

第一处理单元，用于对每个输变电设备的N个状态特征数据进行处理得到每个输变电设备的第二特征向量；

聚类单元，用于分别将每个输变电设备的第二特征向量采用无聚类监督算法得到每个输变电设备对应的M类设备状态，并对M类设备状态进行标记得到对应的输变电设备的聚类模型。

在其中一种实施方式中，还包括状态转移矩阵建立模块，状态转移矩阵建立模块包括：

分析单元，用于按时间顺序依次将第二特征向量输入聚类模型，得到待检测输变电设备的设备状态变化情况；

计算单元，用于统计设备状态变化情况中从一个设备状态到其它设备状态变化的次数，得到不同设备状态的转移概率以得到状态转移矩阵。

在其中一种实施方式中，采集模块包括：

采集单元，用于采集待检测输变电设备的N个状态特征数据；

第二处理单元，用于对N个状态特征数据进行量化和归一化处理得到与待检测输变电设备对应的第一特征向量。

该输变电设备状态变化预测，通过采集待检测设备当前的第一状态特征数据，将当前的第一状态特征数据根据预先建立的聚类模块得到当前的设备状态，若当前设备不处于故障状态，则根据当前的设备状态和状态转移矩阵预测该输变电设备发生状态转变的概率从而预测该输变电设备的状态变化。该方法能够快速的确定当待检测设备的当前设备状态，并预测可能发生转变的设备状态的概率，从而针对较大问题故障的设备能够及时进行检修和更换，从而有效地保障电力设备的正常运行。该方法通过聚类模型和状态转移矩阵进行分析，成本低且准确率高。

附图说明

图1为一种实施方式的输变电设备状态变化预测方法的流程图；；

图2为另一种实施方式的输变电设备状态变化预测方法的流程图；

图3为一种实施方式的预先建立聚类模型的方法的流程图；

图4为一种实施方式的建立状态转移矩阵的方法的流程图；

图5为一种实施方式的状态转移概率的示意图；

图6为一种实施方式的采集状态特征数据得到第一特征向量的方法的流程图；

图7为一种实施方式的输变电设备状态变化预测系统的功能模块示意图；

图8为另一种实施方式的输变电设备状态变化预测系统的功能模块示意图。

具体实施方式

如图1所示，一种输变电设备状态变化预测方法，包括以下步骤：

S30：采集待检测输变电设备的N个状态特征数据，并对N个状态特征数据进行处理得到与待检测输变电设备对应的第一特征向量。

本实施方式以电压等级220kV，容量120MVA及以上的大型油浸式电力变压器为例进行说明，由于变压器生产厂家、制造结构不同，特别是电压等级不同与容量的差异，其影响评估的因素指标也不同，本发明从反映变压器运行状态的油色谱分析、电气试验、油化试验、变压器附件方面来评估状态。因此，确定的变压器的状态特征包括：油色谱分析、电气试验、油化试验和变压器附件。

当需要对某一台变压器的设备状态进行评估时，采集该变压器的上述4个状态特征数据，并对状态特征数据进行处理得到对应的特征向量。

S40：将第一特征向量输入对应的聚类模型中得到待检测设备的当前设备状态。

将第一特征向量输入该输变电设备对应的聚类模型中得到该特征向量的所属设备状态的分类结果，从而得到待检测设备的当前设备状态。

S50：根据当前设备状态判断待检测输变电设备是否处于故障状态。

若是，则产生故障提示信息，提示相关工作人员对设备进行维修，并在设备维护投入使用后继续执行步骤S30。

若否，则执行步骤S60：根据当前设备状态及待检测输变电设备对应的状态转移矩阵预测待检测设备发生状态转变的概率，以预测待检测输变电设备状态的变化。

具体的，根据待检测设备的当前设备状态，通过该待检测输变电设备对应的状态转移矩阵中确定当前设备状态转变为其它设备状态的概率，对该待检测输变电设备状态进行预测。

该输变电设备状态变化预测方法，通过采集待检测设备当前的第一状态特征数据，将当前的第一状态特征数据根据预先建立的聚类模块得到当前的设备状态，若当前设备不处于故障状态，则根据当前的设备状态和状态转移矩阵预测该输变电设备发生状态转变的概率从而预测该输变电设备的状态变化。该方法能够快速的确定当待检测设备的当前设备状态，并预测可能发生转变的设备状态的概率，从而针对较大问题故障的设备能够及时进行检修和更换，从而有效地保障电力设备的正常运行。该方法通过聚类模型和状态转移矩阵进行分析，成本低且准确率高。

在另一种实施方式中，如图2所示，还包括步骤S10：预先建立聚类模型。

具体的，如图3所示，步骤S10包括：

S11：获取电网的输变电设备的历史运行数据，并从历史运行数据中提取每台输变电设备的N个状态特征数据。

在电网的输变电设备的维护和检测过程中，形成了大量的历史运行数据。通过从历史运行数据中提到每台输变电设备的N个状态特征数据组成该输变电设备的全生命周期数据。

S12：对每个输变电设备的N个状态特征数据进行处理得到每个输变电设备的第二特征向量。

对N个状态特征数据进行处理包括对N个状态特征数据进行量化和归一化处理。

S13：分别将每个输变电设备的第二特征向量采用无聚类监督算法得到每个输变电设备对应的M类设备状态，并对M类设备状态进行标记得到对应的输变电设备的聚类模型。

将N个状态特征数据对应的第二特征向量X_ij＝(x_ij1，x_ij2，…x_ijN)作为输入，对设备全生命周期数据进行无监督聚类，分析设备状态的分类。

某个设备全生命周期数据可用矩阵表示：

对于聚类分析得到的M类设备状态，依据检测经验分析每个类别的设备状态，对每个类别的设备状态进行标记，将其标记为M_i。设备状态根据其运行情况可分为运行状态和故障状态。具体的，运行状态又包括良好、一般、较差和严重等不同等级的运行状态MS₁～MS_i，故障状态根据故障的具体类型进行分类分为MW₁～MW_j。

通过将采集的待检测输变电设备的N个状态特征数据对应的第一特征向量输入该待检测输变电设备对应的聚类模型，可得到该待检测输变电设备的当前设备状态。

如图2所示，在步骤S10之后，还包括步骤：S20：建立状态转移矩阵。

具体的，如图4所示，包括：

S21：按时间顺序依次将第二特征向量输入聚类模型，得到待检测输变电设备的设备状态变化情况。

具体的，将该待检测设备的全生命周期数据的第二特征向量按时间顺序依次输入其聚类模型时得到该待检测设备状态变化情况。

S22：统计设备状态变化情况中从一个设备状态到其它设备状态变化的次数，得到不同设备状态的转移概率以得到状态转移矩阵。

具体的，统计该设备状态变化中每相邻的两个设备状态，从一个设备状态到其它设备状态变化的次数，从而统计不同设备状态的转移概念得到待检测输电设备的状态转移矩阵。

$P=\left(\begin{array}{ccc}{P}_{11}& P_{12}& ...P_{1M}\\ P_{21}& P_{22}& ...P_{2M}\\ P_{M1}& P_{M2}& ...P_{MM}\end{array}\right)$

对于待检测输变电设备，根据其当前设备状态及状态转移矩阵能够评估转变的可能状态设备及相应的概率。一种实施方式的状态转移概率如图5所示。

在另一种实施方式中，如图6所示，步骤S30包括：

S31：采集待检测输变电设备的N个状态特征数据

S32：对N个状态特征数据进行量化和归一化处理，得到与待检测输变电设备对应的第一特征向量。

对状态特征数据进行规范化处理，即量化和归一化处理，在其它的实施方式中，特征数据规范化处理包括非量化数据的数字化、在聚类之前数据归一化和将特征向量中某项缺失数据进行补全，例如采用其他数据平均值。

该输变电设备状态变化预测方法，通过采集待检测设备当前的第一状态特征数据，将当前的第一状态特征数据根据预先建立的聚类模块得到当前的设备状态，若当前设备不处于故障状态，则根据当前的设备状态和状态转移矩阵预测该输变电设备发生状态转变的概率从而预测该输变电设备的状态变化。该方法能够快速的确定当待检测设备的当前设备状态，并预测可能发生转变的设备状态的概率，从而针对较大问题故障的设备能够及时进行检修和更换，从而有效地保障电力设备的正常运行。进一步的聚类模型和状态转移矩阵通过对该待检测设备的历史运行数据进行分析获得，因此，该方法的成本低且准确率高。

本发明还提供一种输变电设备状态变化预测系统，如图7所示，包括

采集模块10，用于采集待检测输变电设备的N个状态特征数据并，对N个状态特征数据进行处理得到与待检测输变电设备对应的第一特征向量.

本实施方式以电压等级220kV，容量120MVA及以上的大型油浸式电力变压器为例进行说明，由于变压器生产厂家、制造结构不同，特别是电压等级不同与容量的差异，其影响评估的因素指标也不同，本发明从反映变压器运行状态的油色谱分析、电气试验、油化试验、变压器附件方面来评估状态。因此，确定的变压器的状态特征包括：油色谱分析、电气试验、油化试验和变压器附件。

当需要对某一台变压器的设备状态进行评估时，采集该变压器的上述4个状态特征数据，并对状态特征数据进行处理得到对应的特征向量。

聚类模块20，用于将第一特征向量输入对应的聚类模型中得到待检测设备的当前设备状态。

将第一特征向量输入该输变电设备对应的聚类模型中得到该特征向量的所属设备状态的分类结果，从而得到待检测设备的当前设备状态。

判断模块30，用于根据当前设备状态判断待检测输变电设备是否处于故障状态。

若判断模块判断结果为是，则产生故障提示信息，提示相关工作人员对设备进行维修，并在设备维护投入使用后继续采集该输变电设备的第一状态特征数据。

预测模块40，用于在判断模块的判断结果为否时，根据当前设备状态及待检测输变电设备对应的状态转移矩阵预测待检测设备发生状态转变的概率，以预测待检测输变电设备状态的变化。

具体的，根据待检测设备的当前设备状态，通过该待检测输变电设备对应的状态转移矩阵中确定当前设备状态转变为其它设备状态的概率，对该待检测输变电设备状态进行预测。

该输变电设备状态变化系统，通过采集待检测设备当前的第一状态特征数据，将当前的第一状态特征数据根据预先建立的聚类模块得到当前的设备状态，若当前设备不处于故障状态，则根据当前的设备状态和状态转移矩阵预测该输变电设备发生状态转变的概率从而预测该输变电设备的状态变化。该系统能够快速的确定当待检测设备的当前设备状态，并预测可能发生转变的设备状态的概率，从而针对较大问题故障的设备能够及时进行检修和更换，从而有效地保障电力设备的正常运行。该系统通过聚类模型和状态转移矩阵进行分析，成本低且准确率高。

在另一种实施方式中，如图8所示，还包括：建模模块50，建模模块50包括：

提取单元，用于获取电网的输变电设备的历史运行数据，并从历史运行数据中提取每台输变电设备的N个状态特征数据。

在电网的输变电设备的维护和检测过程中，形成了大量的历史运行数据。通过从历史运行数据中提到每台输变电设备的N个状态特征数据组成该输变电设备的全生命周期数据。

第一处理单元，用于对每个输变电设备的N个状态特征数据进行处理得到每个输变电设备的第二特征向量。

对N个状态特征数据进行处理包括对N个状态特征数据进行量化和归一化处理。

聚类单元，用于分别将每个输变电设备的第二特征向量采用无聚类监督算法得到每个输变电设备对应的M类设备状态，并对M类设备状态进行标记得到对应的输变电设备的聚类模型。

将N个状态特征数据对应的第二特征向量X_ij＝(x_ij1，x_ij2，…x_ijN)作为输入，对设备全生命周期数据进行无监督聚类，分析设备状态的分类。

某个设备全生命周期数据可用矩阵表示：

对于聚类分析得到的M类设备状态，依据检测经验分析每个类别的设备状态，对每个类别的设备状态进行标记，将其标记为M_i。设备状态根据其运行情况可分为运行状态和故障状态。具体的，运行状态又包括良好、一般、较差和严重等不同等级的运行状态，故障状态根据故障的具体类型进行分类。

通过将采集的待检测输变电设备的N个状态特征数据对应的第一特征向量输入该待检测输变电设备对应的聚类模型，可得到该待检测输变电设备的当前设备状态。在另一种实施方式中，还包括状态转移矩阵建立模块60，状态转移矩阵建立模块具体包括：

分析单元，用于按时间顺序依次将第二特征向量输入聚类模型，得到待检测输变电设备的设备状态变化情况。

具体的，将该待检测设备的全生命周期数据的第二特征向量按时间顺序依次输入其聚类模型时得到该待检测设备状态变化情况。

计算单元，用于统计设备状态变化情况中从一个设备状态到其它设备状态变化的次数，得到不同设备状态的转移概率以得到状态转移矩阵。

具体的，统计该设备状态变化中每相邻的两个设备状态，从一个设备状态到其它设备状态变化的次数，从而统计不同设备状态的转移概念得到待检测输电设备的状态转移矩阵。

对于待检测输变电设备，根据其当前设备状态及状态转移矩阵能够评估转变的可能状态设备及相应的概率。

在另一种实施方式中，采集模块10包括：

采集单元，用于采集待检测输变电设备的N个状态特征数据；

第二处理单元，用于对N个状态特征数据进行量化和归一化处理得到与待检测输变电设备对应的第一特征向量。

对状态特征数据进行规范化处理，即量化和归一化处理，在其它的实施方式中，特征数据规范化处理包括非量化数据的数字化、在聚类之前数据归一化和将特征向量中某项缺失数据进行补全，例如采用其他数据平均值。

该输变电设备状态变化预测系统，通过采集待检测设备当前的第一状态特征数据，将当前的第一状态特征数据根据预先建立的聚类模块得到当前的设备状态，若当前设备不处于故障状态，则根据当前的设备状态和状态转移矩阵预测该输变电设备发生状态转变的概率从而预测该输变电设备的状态变化。该系统能够快速的确定当待检测设备的当前设备状态，并预测可能发生转变的设备状态的概率，从而针对较大问题故障的设备能够及时进行检修和更换，从而有效地保障电力设备的正常运行。进一步的聚类模型和状态转移矩阵通过对该待检测设备的历史运行数据进行分析获得，因此，该系统的成本低且准确率高。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种输变电设备状态变化预测方法，其特征在于，包括

采集待检测输变电设备的N个状态特征数据，并对所述N个状态特征数据进行处理得到与所述待检测输变电设备对应的第一特征向量；

将所述第一特征向量输入对应的聚类模型中得到所述待检测设备的当前设备状态；

根据所述当前设备状态判断所述待检测输变电设备是否处于故障状态；

若否，则根据所述当前设备状态及所述待检测输变电设备对应的状态转移矩阵预测所述待检测设备发生状态转变的概率，以预测所述待检测输变电设备状态的变化。

2.根据权利要求1所述的输变电设备状态变化预测方法，其特征在于，在所述采集待检测输变电设备的N个状态特征数据，并对所述N个状态特征数据进行处理得到与所述待检测输变电设备对应的第一特征向量的步骤之前，还包括：预先建立聚类模型的步骤，所述预先建立聚类模型包括：

获取电网的输变电设备的历史运行数据，并从所述历史运行数据中提取每台输变电设备的所述N个状态特征数据；

对每个所述输变电设备的所述N个状态特征数据进行处理得到每个所述输变电设备的第二特征向量；

分别将每个输变电设备的所述第二特征向量采用无聚类监督算法得到每个输变电设备对应的M类设备状态，并对所述M类设备状态进行标记得到对应的所述输变电设备的聚类模型。

3.根据权利要求2所述的输变电设备状态变化预测方法，其特征在于，在所述预先建立聚类模型的步骤之后，还包括建立状态转移矩阵的步骤，所述建立状态转移矩阵包括：

按时间顺序依次将所述第二特征向量输入所述聚类模型，得到所述待检测输变电设备的设备状态变化情况；

统计所述设备状态变化情况中从一个设备状态到其它设备状态变化的次数，得到不同设备状态的转移概率以得到状态转移矩阵。

4.根据权利要求1所述的输变电设备状态变化预测方法，其特征在于，所述采集待检测输变电设备的N个状态特征数据，并对所述N个状态特征数据进行处理得到与所述待检测输变电设备对应的第一特征向量的步骤包括：

采集待检测输变电设备的N个状态特征数据；

对所述N个状态特征数据进行量化和归一化处理，得到与所述待检测输变电设备对应的第一特征向量。

5.一种输变电设备状态变化预测系统，其特征在于，包括

采集模块，用于采集待检测输变电设备的N个状态特征数据，并对所述N个状态特征数据进行处理得到与所述待检测输变电设备对应的第一特征向量；

聚类模块，用于将所述第一特征向量输入对应的聚类模型中得到所述待检测设备的当前设备状态；

判断模块，用于根据所述当前设备状态判断所述待检测输变电设备是否处于故障状态；

预测模块，用于在所述判断模块的判断结果为否时，根据所述当前设备状态及所述待检测输变电设备对应的状态转移矩阵预测所述待检测设备发生状态转变的概率，以预测所述待检测输变电设备状态的变化。

6.根据权利要求5所述的输变电设备状态变化预测系统，其特征在于，还包括：建模模块，所述建模模块包括：

提取单元，用于获取电网的输变电设备的历史运行数据，并从所述历史运行数据中提取每台输变电设备的所述N个状态特征数据；

第一处理单元，用于对每个所述输变电设备的所述N个状态特征数据进行处理得到每个所述输变电设备的第二特征向量；

聚类单元，用于分别将每个输变电设备的所述第二特征向量采用无聚类监督算法得到每个输变电设备对应的M类设备状态，并对所述M类设备状态进行标记得到对应的所述输变电设备的聚类模型。

7.根据权利要求6所述的输变电设备状态变化预测系统，其特征在于，还包括状态转移矩阵建立模块，所述状态转移矩阵建立模块包括：

分析单元，用于按时间顺序依次将所述第二特征向量输入所述聚类模型，得到所述待检测输变电设备的设备状态变化情况；

计算单元，用于统计所述设备状态变化情况中从一个设备状态到其它设备状态变化的次数，得到不同设备状态的转移概率以得到状态转移矩阵。

8.根据权利要求5所述的输变电设备状态变化预测系统，其特征在于，采集模块包括：

采集单元，用于采集待检测输变电设备的N个状态特征数据；

第二处理单元，用于对所述N个状态特征数据进行量化和归一化处理得到与所述待检测输变电设备对应的第一特征向量。