CN106226621A - 一种基于灰色关联分析的二次设备故障诊断和预警方法 - Google Patents

Abstract

本发明公开一种基于设备状态监测特征量灰色关联分析的二次设备故障诊断和预警方法，在应用时首先获取智能变电站各二次设备故障诊断和监测预警的监测状态参量。然后选取其中一个监测状态量作表征故障的行为参量，再将其他监测状态量作为可能引起故障的因素参量，并利用同样的考察目标序号，形成设备故障特征行为序列和相关因素行为序列。然后进行无量纲转换，在此基础上计算相关因素行为序列和特征行为序列的关联系数及灰色关联度。再根据计算得到灰色关联度，找出和二次设备故障特征行为关联度最大的，即为最相关因素。本发明可对能监测到的所有引起故障的因素参数进行灰色关联度分析，从而实现二次设备故障的诊断和预警。

Description

一种基于灰色关联分析的二次设备故障诊断和预警方法

技术领域

本发明涉及电力系统设备状态监测和故障诊断技术领域，特别是一种基于设备状态监测特征量灰色关联分析的智能变电站二次设备故障诊断和监测预警方法。

背景技术

随着我国输变电技术的发展，电网规模在不断扩大，输变电电压等级也在不断升高，这使得变电站的电力设备的数量和复杂性不断上升，变电站二次设备的重要性也越来越高，二次设备的正常稳定运行直接影响了变电站一次系统的安全可靠运行。

目前二次设备的故障诊断和预警主要靠先验知识，通过规则推理判断进行故障原因分析，但由于规则库有限，规则库的维护也较复杂，很多故障的原因并不能很好分析和快速的发现。此外，导致二次设备故障发生的原因往往有很多，哪些是导致故障发生的主要因素，哪些是次要因素，目前也没有很好的方法进行区别。因此研究基于设备状态监测特征量灰色关联分析方法，通过挖掘和分析可能导致二次设备故障发生的各状态参量的变化趋势，对可能引起设备故障的二次设备各状态参量的动态发展过程进行量化比较分析，进而找出影响故障发生的主要因素，通过对反映这些设备实际工作状况的主要状态参量的发展趋势进行监测，识别故障的早期征兆，对故障部分、故障严重程度及发展趋势进行判断，从而实现对设备故障的监视预警和智能诊断，提早发现问题、快速定位故障、消除故障隐患，对保障电力系统的安全可靠运行具有很重要的意义。

发明内容

本发明的目的是，提出一种基于设备状态监测特征量灰色关联分析的二次设备故障诊断和预警方法，其能够定量的找出引起二次设备故障发生的主要因素，以及这些主要因素特征量的范围区间，并通过对这些特征状态量的发展趋势进行监测，以识别故障的早期征兆，对故障部分、故障严重程度及发展趋势进行判断，从而实现对设备故障的监视预警和智能诊断。

本发明采取的技术方案具体为：一种智能变电站二次设备故障诊断方法，包括以下步骤：

1)获取智能变电站各二次设备故障诊断和监测预警的监测状态参量；上述监测状态参量基于全站二次设备配置、二次设备状态监测和二次设备网络报文分析获得，具体的，可通过对二次设备自身状态监测量进行采集，或通过抓取二次设备网络传输保温并结合变电站系统配置文件SCD对二次设备网络传输报文报告进行解析，从而获取，为现有技术；

2)对于一种二次设备故障类型，从与该故障类型相关的监测状态参量中，选取其中一个监测状态参量X₀作为表征故障的行为参量，其在序号k上的监测数据为x₀(k)，(k＝1,2,···,n)，则X₀(k)＝(x₀(1),x₀(2)···x₀(n))为设备故障特征行为序列；

3)将其它与该故障相关的监测状态量X_i作为可能引起故障的因素参量，其在序号k上的监测数据为x_i(k)，(k＝1,2,···,n)，则X_i(k)＝(x_i(1),x_i(2)···x_i(n))为设备故障相关因素行为序列；其中，k可为时间序号、装置某元器件配置数目序号或者某种特定的指标参数序号等；

4)对包括设备故障状态行为参量X₀和可能引起故障的因素参量X_i在内的各监测状态量数据序列X＝(x(1),x(2)···x(n))按初值化变换法进行无量纲的数据变化处理；

关联度是由关联系数演变而来，不同数据序列由于物理意义不同，量纲也不相同，很难进行数列的比较，所以在计算关联系数前，要对原始数据进行变换，以消除量纲对数据的影响。本发明所述初始值变换法为现有算法，具体为，把每一组序列中的每一个数去除以相应序列中的第一个数，得到一组新的数列，即初始值化数列，该数列中没有量纲。

5)计算各设备故障相关因素行为序列和设备故障特征行为序列的关联系数：

$r\left(x_0\right(k\left)x_i\right(k\left)\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ξ}\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ξ}\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|}$

其中，ξ为分辨系数，通常取值为在0～1之间，择优选取0.5，其作用是消除值过大使得计算的关联系数r值失真的影响。

6)计算各设备故障对应的故障因素参量x_i(k)与故障行为参量x₀(k)的灰色关联度：

$\mathrm{\γ}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{x}_0\left(k\right)x_i\left(k\right)$

即，各设备故障相关因素行为与设备故障特征行为之间的灰色关联度，为n个关联系数的算术平均值，当k代表时间序号，则最终计算得到的灰色关联度为各个时刻关联系数的算术平均值；

7)对于每一种设备故障，对引起该故障的各设备故障相关因素行为和设备故障特征行为，分别计算灰色关联度，然后分别进行对比，找出和各设备故障特征行为关联度最大的设备故障相关因素，即为设备故障最相关因素，也即引起二次设备相应故障的最主要因素。

本发明还公开一种基于上述诊断方法的智能变电站二次设备故障预警方法，包括以下步骤：

8)对关联度最大的可能引起各设备故障的相关因素行为参量的数值分别进行曲线拟合，形成引起各二次设备故障的最主要因素的状态监测参量变化趋势曲线；

上述引起二次设备故障的最要因素的状态监测参量变化趋势曲线是基于故障特征量序列序号进行拟合的，该序列的序号可为时间序号，或者其它如单位时间内发生某种异常的次数等某种特定的指标参数序号等。

9)对故障特征行为序列进行分析，找出发生故障时相应故障特征行为参量在序列中的序号值，并通过量纲换算，计算出发生故障时，该故障特征行为参量的序号及其前一序号所对应的可能引起设备故障的最主要因素的状态量值；

10)选取发生故障时相应故障特征行为参量对应序号的前一序号所对应的最主要因素的状态量值，作为产生相应二次设备故障类型的主要因素的状态预警参量值；

11)根据各类型二次设备故障对应的状态预警参量值，分别进行各类型二次设备故障的监测预警。即实时监测各类型二次设备故障对应的最主要因素的状态量值，当监测得到的状态量值接近或等于状态预警参量值时，则发出相应的二次设备故障预警信号。

本发明的方法具有以下特点和功能：

(1)通过计算可能引起故障发生的各因素行为和故障特征行为的灰色关联度并进行比较，从而计算得到引起智能变电站二次设备故障行为发生的主要关联特征量；

(2)根据识别的引起智能变电站二次设备故障行为发生的主要关联特征量的变化趋势和故障行为序号，计算出故障发生时的故障特征量的范围区间；

(3)通过对引起智能变电站二次设备故障行为发生的主要关联特征状态量的发展趋势及故障特征量的区间范围进行状态监测，实现对设备故障的智能诊断和监视预警。

本发明所达到的有益效果：

本方法在实际智能变电站二次设备状态监测数据下开展二次设备故障诊断和监测预警的研究和尝试，摸索出一种在采集、挖掘大量二次设备状态监测数据的基础上，识别引起故障发生的主要关联因素的状态量，基于这些状态量及其变化趋势，进行二次设备故障诊断和监测预警的方法。本方法基于状态监测数据和故障分析参考目标序列，形成设备故障特征行为序列，和可能引起故障发生的，设备故障相关因素行为序列，在此基础上进行灰色关联度计算和分析，得出引起智能变电站二次设备故障行为发生的主要因素，并通过对这些主要因素的状态量进行监测和故障区间范围预警，从而实现智能变电站二次设备故障诊断和监视预警。通过对智能变电站二次设备故障诊断和监视预警，可以提早发现二次设备可能存在的问题，对发生的故障进行快速定位故障，对可能产生的隐患提早消除，对保障电力系统的安全可靠运行具有很重要的意义。

由于本发明涉及的二次设备故障诊断灰色关联分析计算，都是自动计算，不需要大量人力的参与，计算速度也可以满足需求，有效的解决了以往诊断分析分析需大量人力，依靠经验，效率低的弊病。

附图说明

图1所示为本发明方法流程示意图；

图2所示为本发明预警方法中一种实施例的曲线拟合示意图。

具体实施方式

以下结合附图和具体实施例进一步描述。

参考图1，本发明基于灰色关联分析的智能变电站二次设备故障诊断和预警方法流程为：首先基于全站二次设备基础配置信息、二次设备状态监测和二次设备网络报文分析等，获取智能变电站各二次设备故障诊断和监测预警的监测状态参量。然后根据故障行为分析选取其中一个监测状态量作表征故障的行为参量，并根据考察目标序列，形成设备故障特征行为序列。再将其他监测状态量作为可能引起故障的相关因素参量，并根据同样的考察目标序号，形成设备故障相关因素行为序列。然后对各监测状态量数据序列进行无量纲转换，再计算各因素行为序列和特征行为序列的关联系数及灰色关联度。再根据各因素行为和故障特征行为的灰色关联度，找出和二次设备故障特征行为关联度最大的，则为最相关因素。依据上述方法，并通过反复关联分析，可以对所有可以监测到的所有引起故障的因素参数进行灰色关联度分析，找出引起二次设备故障的最主要因素。最后分析和计算引起故障的各主要因素的状态监测参量变化趋势和发生故障时主要因素的状态量值的范围区间。通过对主要因素的状态监测参量变化趋势进行监测，实现对智能变电站二次设备故障诊断和监测预警。

具体的，本发明诊断和预警方法包括以下步骤：

1)获取智能变电站各二次设备故障诊断和监测预警的监测状态参量；

2)对于一种二次设备故障类型，从与该故障类型相关的监测状态参量中，选取其中一个监测状态参量X₀作为表征故障的行为参量，其在序号k上的监测数据为x₀(k)，(k＝1,2,···,n)，则X₀(k)＝(x₀(1),x₀(2)···x₀(n))为设备故障特征行为序列；

3)将其它与该故障相关的监测状态量X_i作为可能引起故障的因素参量，其在序号k上的监测数据为x_i(k)，(k＝1,2,···,n)，则X_i(k)＝(x_i(1),x_i(2)···x_i(n))为设备故障相关因素行为序列；

4)对包括设备故障状态行为参量X₀和可能引起故障的因素参量X_i在内的各监测状态量数据序列X＝(x(1),x(2)···x(n))按初值化变换法进行无量纲的数据变化处理；

5)计算各设备故障相关因素行为序列和设备故障特征行为序列的关联系数：

$r\left(x_0\right(k\left)x_i\right(k\left)\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ξ}\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ξ}\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|}$

其中，ξ为分辨系数，ξ∈(0,1)，ξ优选取值为0.5。

6)计算各设备故障对应的故障因素参量x_i(k)与故障行为参量x₀(k)的灰色关联度：

$\mathrm{\γ}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{x}_0\left(k\right)x_i\left(k\right)$

即，各设备故障相关因素行为与设备故障特征行为之间的灰色关联度，为n个关联系数的算术平均值，当k代表时间序号，则最终计算得到的灰色关联度为各个时刻关联系数的算术平均值；

7)对于每一种设备故障，对引起该故障的各设备故障相关因素行为和设备故障特征行为，分别计算灰色关联度，然后分别进行对比，找出和各设备故障特征行为关联度最大的设备故障相关因素，即为设备故障最相关因素，也即引起二次设备相应故障的最主要因素。

以下为预警步骤：

8)对关联度最大的可能引起各设备故障的相关因素行为参量的数值分别进行曲线拟合，形成引起二次设备故障的最主要因素的状态监测参量变化趋势曲线；

上述引起二次设备故障的最要因素的状态监测参量变化趋势曲线是基于故障特征量序列序号进行拟合的，该序列的序号可为时间序号，或者其它如单位时间内发生某种异常的次数等某种特定的指标参数序号等。

9)对故障特征行为序列进行分析，找出发生故障时相应故障特征行为参量在序列中的序号值，并通过量纲换算，计算出发生故障时，该故障特征行为参量的序号及其前一序号所对应的可能引起设备故障的最主要因素的状态量值；

10)选取发生故障时相应故障特征行为参量对应序号的前一序号所对应的最主要因素的状态量值，作为产生相应二次设备故障类型的主要因素的状态预警参量值；

11)根据各类型二次设备故障对应的状态预警参量值，分别进行各类型二次设备故障的监测预警。

实施例

以下是本发明的一个优选实施案例，包含了采用本发明方法的一个智能变电站二次设备网络故障诊断和预警的过程，它的特征、目的和优点可以从实施例的说明中看出。

(1)智能变电站二次设备网络链路故障是智能变电站常发生的一种故障，反映二次设备网络状态的参量可能有二次设备装置温度、二次设备光口收发功率、二次设备网络端口流量、二次设备工作电压、二次设备CPU负荷、装置通信端口TCP连接中断次数、TCP通信响应超时次数、GOOSE/SV/MMS报文帧数、GOOSE/SV/MMS报文字节数等。

(2)通过分析，可以发现二次设备网络链路发生故障的主要特征表现为是二次设备网络端口TCP发生通信响应超时随着时间的推移，次数越来越多，直至最后发生中断并且无法恢复，因此可以选取单位时间段内二次设备通信端口TCP通信响应超时次数为故障行为特征量X0，，其在序号k上的监测数据为x0(k)，(k＝1,2,···,n)，则X0(k)＝(x0(1),x0(2)···x0(n))为设备故障特征行为序列。

(3)将其他监测状态量作Xi为可能引起故障的因素参量，其在序号k上的监测数据为xi(k)，(k＝1,2,···,n)，则Xi(k)＝(xi(1),xi(2)···xi(n))为设备故障相关因素行为序列。其中，k可为时间序号，并从装置上电开始运行的时刻，对数据进行考察分析。

(4)对各监测状态量数据序列X＝(x(1),x(2)···x(n))按初值化变换法进行无量纲的数据变化处理。

(5)计算各因素行为序列和特征行为序列的关联系数

$r\left(x_0\right(k\left)x_i\right(k\left)\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ξ}\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ξ}\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|}$

(6)计算各因素行为和故障特征行为的灰色关联度。

${\mathrm{\γ}}_{0i}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\γ}}_{0i}\left(k\right)$

(7)通过计算和比较，可以发现在某一种情况下，装置温度参量和发生TCP通信响应超时关联度最大，即随着装置温度逐渐升高，装置发生TCP通信响应超时的次数也越来越多，最终当温度达到某一范围区间时，装置TCP完全没有响应，发生中断并且无法恢复。

(8)继续采用上述方法，以装置工作温度为故障特征行为参量进行灰色关联分析时，发现外界环境温度及装置本身的通信端口数目这两个因素参量和装置工作温度的灰色关联度数值都较大。由于外界环境温度或装置端口数目是可测量和可控制的因素参量(如设备外界环境温度可通过空调或换热器等设备调节外界环境温度，装置端口数目可通过减少端口配置进行控制)，从而可以推断造成二次设备网络链路故障的主要因素可能和外界装置环境温度或装置本身通信端口配置的数量有关。

(9)图2示出了外部温度即外界装置环境温度参量序列与装置发生中断故障之间的曲线拟合示意图。基于对外界装置环境温度或装置本身通信端口配置的数量的综合关联监测，即可以实现智能变电站二次设备网络故障的监视预警。

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 (3)

1.一种智能变电站二次设备故障诊断方法，其特征是，包括以下步骤：

1)获取智能变电站各二次设备故障诊断和监测预警的监测状态参量；

2)对于一种二次设备故障类型，从与该故障类型相关的监测状态参量中，选取其中一个监测状态参量X₀作为表征故障的行为参量，其在序号k上的监测数据为x₀(k)，(k＝1,2,…,n)，则X₀(k)＝(x₀(1),x₀(2)…x₀(n))为设备故障特征行为序列；

3)将其它与该故障相关的监测状态量X_i作为可能引起故障的因素参量，其在序号k上的监测数据为x_i(k)，(k＝1,2,…,n)，则X_i(k)＝(x_i(1),x_i(2)…x_i(n))为设备故障相关因素行为序列；

4)对包括设备故障状态行为参量X₀和可能引起故障的因素参量X_i在内的各监测状态量数据序列X＝(x(1),x(2)…x(n))按初值化变换法进行无量纲的数据变化处理；

5)计算各设备故障相关因素行为序列和设备故障特征行为序列的关联系数：

$r\left(x_0\right(k\left)x_i\right(k\left)\right)=\frac{\underset{i}{min}\underset{k}{min}|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ξ}\underset{i}{\max }\underset{k}{\max }\left|x_0\right(k)-x_i(k\left)\right|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ξ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}$

其中，ξ为分辨系数，ξ∈(0,1)；

6)计算各设备故障对应的故障因素参量x_i(k)与故障行为参量x₀(k)的灰色关联度：

$\mathrm{\γ}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{x}_0\left(k\right)x_i\left(k\right)$

即，各设备故障相关因素行为与设备故障特征行为之间的灰色关联度，为n个关联系数的算术平均值，当k代表时间序号，则最终计算得到的灰色关联度为各个时刻关联系数的算术平均值；

7)对于每一种设备故障，对引起该故障的各设备故障相关因素行为和设备故障特征行为，分别计算灰色关联度，然后分别进行对比，找出和各设备故障特征行为关联度最大的设备故障相关因素，即为设备故障最相关因素，也即引起二次设备相应故障的最主要因素。

2.根据权利要求1所述的方法，其特征是，步骤5中，分辨系数ξ的取值为0.5。

3.基于上述诊断方法的智能变电站二次设备故障预警方法，其特征是，包括以下步骤：

8)对关联度最大的可能引起各设备故障的相关因素行为参量的数值分别进行曲线拟合，形成引起二次设备故障的最主要因素的状态监测参量变化趋势曲线；

9)对故障特征行为序列进行分析，找出发生故障时相应故障特征行为参量在序列中的序号值，并通过量纲换算，计算出发生故障时，该故障特征行为参量的序号及其前一序号所对应的可能引起设备故障的最主要因素的状态量值；

10)选取发生故障时相应故障特征行为参量对应序号的前一序号所对应的最主要因素的状态量值，作为产生相应二次设备故障类型的主要因素的状态预警参量值；

11)根据各类型二次设备故障对应的状态预警参量值，分别进行各类型二次设备故障的监测预警。