CN106405271A - 基于监测数据的变压器状态专家诊断方法 - Google Patents
基于监测数据的变压器状态专家诊断方法 Download PDFInfo
- Publication number
- CN106405271A CN106405271A CN201610711897.8A CN201610711897A CN106405271A CN 106405271 A CN106405271 A CN 106405271A CN 201610711897 A CN201610711897 A CN 201610711897A CN 106405271 A CN106405271 A CN 106405271A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- expert
- reasoning
- rule
- knowledge base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于监测数据的变压器状态专家诊断方法，包括以下步骤：步骤一，建立专家系统知识库，专家系统知识库是专家系统的核心，完整的专家系统知识库的建设过程包括知识表达、知识获取、知识存储、知识一致性检查和数据库设计；步骤二，建立专家评分规则；步骤三，诊断推理，诊断推理采用正向推理；步骤四，得出诊断结果。本发明基于专家系统理论知识建立的变压器状态综合诊断系统，根据专家知识能和对变压器实时监测数据进行快速、准确的状态诊断。
Description
技术领域
本发明涉及一种诊断方法，具体地，涉及一种基于监测数据的变压器状态专家诊断方法。
背景技术
随着我国经济的快速发展，对电力的需求与日俱增，2011-2020年，我国全社会用电量将保持3.3-4％以上的增速，全社会用电量达到6.7-7万亿千瓦时，这对电力设备的可靠性、安全性和稳定性提出了更高的要求，电力设备的故障诊断和设备寿命预测也越来越重要。1990年9月，我国广东发生特大停电事故，220KV线路短路故障造成7个发电厂解裂，13条220KV线路跳闸，11个220KV变电站停电，广州市区2/3负荷，佛山1/2负荷及韶关、清远、肇庆全部负荷中断供电。2003年8月15日，美国纽约、底特律、克利夫兰以及加拿大的多伦多、渥太华等大城市发生大面积断电，5000万人生活受到影响，造成上百亿美元的经济损失。由上可知，保障电力系统的安全运行具有十分重要的意义。
虽然电力设备功能不断完善，安全性、稳定性得到极大提高，但是电力设备的正常运行受众多因素的影响，包括电磁振动，机械磨损，化学作用，大气腐蚀，电腐蚀等，所以电力设备在长期运行过程中，故障不可绝对避免，因而必须定期或不定期地对电力设备进行检测，以确保电力系统的正常运行。而变压器是整个电力系统中最为关键的部分，其正常与否直接关系到整个系统的运行。
状态检修(CBM:Condition Based Maintenance)是指以设备的运行状态来绝对检修模式，该理论最早由美国杜邦公司于1970年提出，目前已经广泛运用于美国的电力系统，上世纪80年代，日本和欧洲电力系统也相继引入该理论，开发了相应的状态检修系统。同期，我国学者机构开始对该理论进行研究，国电公司也提出了“要加快推进电力设备状态检修工作”的指示，状态检修理论也广泛运用于电力系统运维。状态检修最重要的是设备状态诊断，诊断方法是整个理论的核心。
人工神经网络(ANN)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。具有自适应学习和调整网络复杂程度的能力，将以往包含有故障数据的采样信息作为神经网络的输入，神经网络在自适应学习的过程中，建立了数据输入与故障原因之间的映射。优点是学习规则简单，便于计算机实现，缺点是学习时间长，某些情况下可能达不到学习目的。
遗传算法(GA)是建立在达尔文的自然选择和Mendel遗传学说的基础上，通过模仿生物遗传和进化进程寻求复杂问题全局最优解的优化算法，能在诊断信息不完整的情况下给出多个可能的诊断结论，缺点是具有不稳定性，初始参数的设置依靠经验值。
模糊诊断方法是通过某些故障的隶属度来求出各种故障原因的隶属度，以表征故障存在的倾向性缺点是需要大量现场实际运行数据，其准确度依赖于数据的准确度。
专家系统是一种智能的计算机程序，借助源自于人类的专家知识，采取一定的搜索策略，并通过推理的手段去解决某一特定领域的相关问题。专家系统是一个广范围多经验高水平的知识系统，专家系统能够获取大量的领域内的专业知识以及处理问题的经验，而且还具有很强的可扩展性和可移植性，最所掌握的知识不断的进行更新和补充。专家系统的准确性依赖于专家提供的知识和经验。专家系统的推理方式一般有三种：基于规则推理；基于案例推理；基于模型推理；其中基于规则的推理模式是应用最为广泛的。
变压器诊断的类似算法包括神经网络、遗传算法、模糊集理论等。这些方法的共同点是基于已有的知识来训练诊断规则，问题包括两个方面：一是诊断的结果依赖于已有知识的准确度和丰富程度；二是在训练诊断规则中可能出现学习时间长，得不到规则知识或诊断结果不稳定等情况。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于监测数据的变压器状态专家诊断方法，其基于专家系统理论知识建立的变压器状态综合诊断系统，根据专家知识能和对变压器实时监测数据进行快速、准确的状态诊断，一方面解决了以往人工查找大量规程文件来评定设备状态的复杂、繁琐方式；另一方面基于专家系统方法诊断结果准确可靠，规避了神经网络，遗传算法等其他方式带来的诊断结果的不确定性；再者，专家系统知识库可以动态维护，系统可扩展性强。
根据本发明的一个方面，提供一种基于监测数据的变压器状态专家诊断方法，其特征在于，包括以下步骤：
步骤一，建立专家系统知识库，专家系统知识库是专家系统的核心，完整的专家系统知识库的建设过程包括知识表达、知识获取、知识存储、知识一致性检查和数据库设计；
步骤二，建立专家评分规则；
步骤三，诊断推理，诊断推理采用正向推理；
步骤四，得出诊断结果。
优选地，所述步骤二建立两级权重评分规则体系：基本思想为系统对一次变压器状态检测中的每一检测项进行专家诊断推理，得到该检测项所属知识子库类型和该检测项表征的设备状态评分；然后分别对各检测项按所属知识子库进行权重求和，得到七个知识子库对应的七个评分值；此为第一级权重评分规则体系；系统得到七个知识库类型对应的评分后，根据各知识子库对变压器状态的影响权重，进行权重求和，得到变压器状态总评分，此为第二级权重评分规则体系。
优选地，所述正向推理是指从已知的事实出发，在专家系统知识库中寻找当前可适用的知识的过程本发明利用正向推理，对每一检测项，在专家系统知识库中寻找可用的规则结论，如结论存在，则推理结束；如果不存在，则根据最大隶属度的原则，在知识库中寻找隶属度最高、相似度最大的结论作为该项诊断结果。
优选地，所述正向推理的过程如下：一、系统从事实链取出事实；二、在知识库中寻找规则集合；三、诺找到匹配规则，直接适用规则，推理结束；四、诺没有找到批配规则，则计算规则隶属度；五、选取最大隶属度作为本次推理结果；六、将推理结果作为规则，加入知识库。
与现有技术相比，本发明具有如下的有益效果：本发明基于专家系统理论知识建立的变压器状态综合诊断系统，根据专家知识能和对变压器实时监测数据进行快速、准确的状态诊断，一方面解决了以往人工查找大量规程文件来评定设备状态的复杂、繁琐方式；另一方面基于专家系统方法诊断结果准确可靠，规避了神经网络，遗传算法等其他方式带来的诊断结果的不确定性；再者，专家系统知识库可以动态维护，系统可扩展性强。本发明为变电站的运维管理带来极大便利，减少了运维成本，提高了管理效率和水平。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于监测数据的变压器状态专家诊断方法的流程图。
图2为本发明中节点分离法的原理的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对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。
本发明基于变压器运维的相关规程文件及专家系统知识库的基本理论建立变压器状态诊断知识库，然后调用相关诊断算法，对变压器各检测项指标进行诊断评分，最后根据各项权重对各指标项评分进行累积求和得到变压器综合评分，根据总分值确定变压器运行状态。
如图1所示，本发明基于监测数据的变压器状态专家诊断方法包括以下步骤：
步骤一，建立专家系统知识库，专家系统知识库是专家系统的核心，相当于领域专家的大脑，是进行专家诊断的基础，知识库的完善与否直接决定了诊断结论的可靠性。完整的专家系统知识库的建设过程包括知识表达、知识获取、知识存储、知识一致性检查和数据库设计。知识表达、获取及运用是知识处理学的三大课题，而知识表达处于中心地位，常用的表达方式有产生式、框架表示法、脚本表示、过程表示等。知识获取是建立专家系统的前提。一般知识的来源包括行业标准、专家经验以及系统自身的知识积累等。知识一致性检查主要解决矛盾性规则和循环规则问题，前者指如何避免相同的推理条件得到互相矛盾的结论，后者指当规则形成循环链时程序如何避免陷入死循环。本发明中知识的来源包括如下几个方面：一、《Q/CSG10007-2004电力设备预防性试验规程》、国家电网公司关于印发《750kV电力设备交接试验规程》及其他相关专业文件。二、领域专家知识。三、变压器设备厂家提供的相关参数文件。四、变压器运营单位规定的。五、系统运行过程中积累的诊断知识。本发明基于产生式规则来对知识进行表达。产生式规则的一般形式为：“IF P，THEN Q”，其中P代表前提或状态，Q代表结论或动作，其含义是如果P为真，那么可以得到Q。
建立专家系统知识库的公式表示如下式(1)：
其中m，n>1，k＝1，2，....n；Rk表示第K条规则，Ck表示第K条结论。
产生式规则的数据拓扑式如下式(2)：
Eijk代表每个节点，行代表
多行之间的关系就表示为
产生式规则中存在前提的复用和结论与前提关联的情况，即如下式(3)：
Eijk＝E1mn(i≠1)……(3)
E1mn表示与Eijk不相同的某个节点。
当K＝n时，满足如下式(4)：
Eijk＝Cm(k≠m)……(4)
Cm表示某条结论。
产生式规则是一种不规范的图形结构，要在关系数据库二维结构中存储规则必须先进行规范化处理，处理方式如下：
a、利用逻辑关系“或”的等价转换关系将一条规则中前提间的混合逻辑关系转换为只含逻辑关系“与”的单一关系，逻辑关系“或”的等价关系为式(5)：
c表示单条规则对应的子结论。
b、利用节点分离法消除规则间的关联，节点分离法的原理如图2所示。
本发明中基于产生式规则，将获得的知识转化为二维数据关系数据库中存储的记录。根据不同知识子类，分为如下七个知识逻辑子库：一、绕阻绝缘电阻；二、绕阻介损及电容；三、套管；四、绕阻直流电阻；五、泄露电流实验；六、电压比；七、油中溶解气体分析；本发明中专家系统知识库提供管理员操作接口，可以动态维护添加新知识，淘汰过期知识。
步骤二，建立专家评分规则，变压器状态和世界上很多事物一样，并非处于绝对的正常与不正常的二元状态，理论上来说处于一种灰色的连续的状态集合中，而这种连续的状态集合可以用状态评分来表示。评分的高低代表设备状态的优良度，根据专家经验设定状态评分阈值，低于该阈值认为设备需要检修；一个完整的变压器由多个部件组成，变压器的状态评分也受多种因素的影响，因此不能仅凭单一指标来断定设备状态，而必须综合多方面指标，再基于一定的权重规则，综合得到设备状态评分。本发明建立两级权重评分规则体系：基本思想为系统对一次变压器状态检测中的每一检测项进行专家诊断推理，得到该检测项所属知识子库类型和该检测项表征的设备状态评分；然后分别对各检测项按所属知识子库进行权重求和，得到七个知识子库对应的七个评分值；此为第一级权重评分规则体系；系统得到七个知识库类型对应的评分后，根据各知识子库对变压器状态的影响权重，进行权重求和，得到变压器状态总评分，此为第二级权重评分规则体系。系统中所有的得分规则和各项权重值都是由领域专家设定。
建立专家评分规则的公式如下式(6)：
式中：Score为最终变压器状态评分；xi为单一检测项的诊断设备评分；wi为单项权重；Pj为各知识子库对应的权重。
步骤三，诊断推理，诊断推理采用正向推理，是指从已知的事实出发，在专家系统知识库中寻找当前可适用的知识的过程本发明利用正向推理，对每一检测项，在专家系统知识库中寻找可用的规则结论，如结论存在，则推理结束；如果不存在，则根据最大隶属度的原则，在知识库中寻找隶属度最高、相似度最大的结论作为该项诊断结果。因为计算隶属度需要耗费大量系统资源，所以推理过程第一步为直接寻找可用结论，随着知识库系统的不断完善，大量的推理诊断将在第一步完成，这样能节省推理时间。本发明中正向推理的过程如下：一、系统从事实链取出事实；二、在知识库中寻找规则集合；三、诺找到匹配规则，直接适用规则，推理结束；四、诺没有找到批配规则，则计算规则隶属度；五、选取最大隶属度作为本次推理结果；六、将推理结果作为规则，加入知识库。
步骤四，得出诊断结果，本发明中变压器诊断结果基于WebGIS(网络地理信息系统)根据变压器的坐标进行二维展示。在地图中变压器的状态根据状态评分值设置不同的颜色，颜色值是连续的范围。这样管理员根据地图中展布的变压器的颜色就可以迅速直观的判别设备的状态。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (4)
1.一种基于监测数据的变压器状态专家诊断方法，其特征在于，包括以下步骤：
步骤一，建立专家系统知识库，专家系统知识库是专家系统的核心，完整的专家系统知识库的建设过程包括知识表达、知识获取、知识存储、知识一致性检查和数据库设计；
步骤二，建立专家评分规则；
步骤三，诊断推理，诊断推理采用正向推理；
步骤四，得出诊断结果。
2.根据权利要求1所述的基于监测数据的变压器状态专家诊断方法，其特征在于，所述步骤二建立两级权重评分规则体系：基本思想为系统对一次变压器状态检测中的每一检测项进行专家诊断推理，得到该检测项所属知识子库类型和该检测项表征的设备状态评分；然后分别对各检测项按所属知识子库进行权重求和，得到七个知识子库对应的七个评分值；此为第一级权重评分规则体系；系统得到七个知识库类型对应的评分后，根据各知识子库对变压器状态的影响权重，进行权重求和，得到变压器状态总评分，此为第二级权重评分规则体系。
3.根据权利要求1所述的基于监测数据的变压器状态专家诊断方法，其特征在于，所述正向推理是指从已知的事实出发，在专家系统知识库中寻找当前可适用的知识的过程本发明利用正向推理，对每一检测项，在专家系统知识库中寻找可用的规则结论，如结论存在，则推理结束；如果不存在，则根据最大隶属度的原则，在知识库中寻找隶属度最高、相似度最大的结论作为该项诊断结果。
4.根据权利要求1所述的基于监测数据的变压器状态专家诊断方法，其特征在于，所述正向推理的过程如下：一、系统从事实链取出事实；二、在知识库中寻找规则集合；三、诺找到匹配规则，直接适用规则，推理结束；四、诺没有找到批配规则，则计算规则隶属度；五、选取最大隶属度作为本次推理结果；六、将推理结果作为规则，加入知识库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610711897.8A CN106405271A (zh) | 2016-08-23 | 2016-08-23 | 基于监测数据的变压器状态专家诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610711897.8A CN106405271A (zh) | 2016-08-23 | 2016-08-23 | 基于监测数据的变压器状态专家诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106405271A true CN106405271A (zh) | 2017-02-15 |
Family
ID=58004392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610711897.8A Pending CN106405271A (zh) | 2016-08-23 | 2016-08-23 | 基于监测数据的变压器状态专家诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106405271A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522329A (zh) * | 2018-09-30 | 2019-03-26 | 蓝库时代(北京)科技有限公司 | 一种基于人工智能的营销传播分析方法 |
| CN110189010A (zh) * | 2019-05-22 | 2019-08-30 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种基于遗传算法的高海拔地区换流变压器差异化运维方法及系统 |
| CN113162498A (zh) * | 2021-04-27 | 2021-07-23 | 谷芯(广州)技术有限公司 | 一种基于模糊pi控制的永磁同步电机矢量控制方法及系统 |
-
2016
- 2016-08-23 CN CN201610711897.8A patent/CN106405271A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522329A (zh) * | 2018-09-30 | 2019-03-26 | 蓝库时代(北京)科技有限公司 | 一种基于人工智能的营销传播分析方法 |
| CN110189010A (zh) * | 2019-05-22 | 2019-08-30 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种基于遗传算法的高海拔地区换流变压器差异化运维方法及系统 |
| CN113162498A (zh) * | 2021-04-27 | 2021-07-23 | 谷芯(广州)技术有限公司 | 一种基于模糊pi控制的永磁同步电机矢量控制方法及系统 |
| CN113162498B (zh) * | 2021-04-27 | 2021-12-21 | 谷芯(广州)技术有限公司 | 一种基于模糊pi控制的永磁同步电机矢量控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985561A (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
| CN106327062A (zh) | 一种配电网设备的状态评估方法 | |
| CN105512448A (zh) | 一种配电网健康指数的评估方法 | |
| CN105044497A (zh) | 一种牵引变流器故障智能分析方法 | |
| CN106405271A (zh) | 基于监测数据的变压器状态专家诊断方法 | |
| CN106802599A (zh) | 一种基于专家数据库的电力变压器故障诊断系统 | |
| CN112152313A (zh) | 一种采集系统进行电力设备识别的方法 | |
| CN107358297A (zh) | 一种状态检测数据的快速索引方法 | |
| CN110309134A (zh) | 基于用电行为迁移与社群演化的配电网用电异常检测方法 | |
| CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
| CN106548284A (zh) | 一种面向运行调控的自适应模块化电网安全预警评价方法 | |
| CN104865959B (zh) | 一种消防电源控制系统的故障自诊断方法 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| Fung et al. | Rethinking the patent domains: An application to wind energy | |
| CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
| Liu et al. | Research on text classification method of distribution network equipment fault based on deep learning | |
| Xu et al. | Evaluation method of DG black start of distribution network | |
| Li et al. | Power system transient voltage vulnerability assessment based on knowledge visualization of CNN | |
| Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning | |
| Gao et al. | An Event-based Judgment Method for Distribution Network Faults Based on Deep Learning | |
| Li et al. | [Retracted] Performance Evaluation System Based on Online Monitoring of Internet of Things | |
| Jie et al. | Investigation on Power System Dynamic Monitoring System Using Artificial Neural Networks | |
| CN112230083B (zh) | 一种关口计量装置异常事件识别方法和系统 | |
| Liu et al. | Research on Overload Warning Method of Distribution Network Transformer Based on Neural Network | |
| Yong et al. | Big-data-based KPI Performance Appraisal System of State Grid Provincial Metering Center |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
| RJ01 | Rejection of invention patent application after publication |