CN107918690A - 一种基于bp神经网络算法的继电保护设备状态评估方法 - Google Patents
一种基于bp神经网络算法的继电保护设备状态评估方法 Download PDFInfo
- Publication number
- CN107918690A CN107918690A CN201710890375.3A CN201710890375A CN107918690A CN 107918690 A CN107918690 A CN 107918690A CN 201710890375 A CN201710890375 A CN 201710890375A CN 107918690 A CN107918690 A CN 107918690A
- Authority
- CN
- China
- Prior art keywords
- parameter
- evaluation
- free time
- score
- scoring
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于BP神经网络算法的继电保护设备状态评估方法,包括:基于经典可靠性理论和历史维修数据进行状态评估模型的神经单元,基于大量的样本进行训练学习,通过BP算法形成状态评估模型算法;采用所述状态评估模型,对继电保护装置的设备运行环境等情况进行评价,获得对所述继电保护装置的评价结果;采用状态评估模型,对二次回路的运行环境等装置回路检查情况进行评价,获得对二次回路的评价结果;根据所述继电保护装置以及所述二次回路的评价结果获得检修范围。应用本发明提供的实施例,通过完善的继电保护装置及二次回路的评价与评估方法,结合继电保护设备的数据模型,对继电保护设备进行量化分析和监测预警。
Description
技术领域
本发明涉及电力系统领域,特别涉及一种基于BP神经网络算法的继电保护设备状态评估方法。
背景技术
继电保护设备检修是电网系统中对继电保护设备进行性能检修,以保证其可靠性的工作。传统的继电保护设备检修采用的是定期检验模式,随着现代电网规模和技术的发展,这种检修模式已经越来越不适应电网发展的需要。
按照传统定期检修的模式,设备的检修周期是固定的,无论设备状况的综合状态情况,到期必须强制性停运检修,设备检修计划的科学性不强;并且传统的检修方式,要在有限的检修时间内完成较多检修项目,检修重点分散且无针对性,导致检修效率不高,在实际操作过程中存在着“检修不足”和“检修过量”的问题,导致继电保护设备检修质量水平不高,给电网安全运行带来了严重影响。
发明内容
本发明所要解决的技术问题是提供一种基于BP神经网络算法的继电保护设备状态评估方法,旨在适用来解决变电站传统的继电保护设备状态检修的局限性、僵化性、非动态性等缺陷和不足。通过完善的继电保护装置及二次回路的评价与评估方法,利用数据挖掘分析设备运行信息和历史状态信息,并结合继电保护设备的数据模型,对继电保护设备进行量化分析和监测预警;依据状态评估的结果辅助用户制订继电保护状态检修策略,从而实现变电站继电保护设备状态检修的“应修必修,修必修好”的目标。
为实现上述目的,本发明提供以下的技术方案:一种基于BP神经网络算法的继电保护设备状态评估方法,包括:
基于可靠性理论和继电保护设备的历史维修数据构建针对继电保护设备的状态评估模型,其中,所述状态评估模型能够结合预设参照系统对继电保护设备的缺项状态信息进行预测;
采用所述状态评估模型对继电保护装置的设备运行环境参数、装置无故障时间参数、家族性无故障时间参数、保护装置动作正确率参数、装置绝缘状况参数、装置数据采样参数、通讯状况参数、纵联通道运行情况参数、差动保护差流检查情况参数、版本参数和定值检查情况参数进行评价,获得对所述继电保护装置的评价结果;
采用所述状态评估模型,对二次回路的运行环境参数、操作箱无故障时间参数、操作箱家族性无故障时间参数、回路绝缘状况参数、抗干扰措施参数、二次回路红外温度参数、锈蚀状况参数、回路检查情况参数进行评价,获得对所述二次回路的评价结果;
根据所述继电保护装置以及所述二次回路进行评价结果,以及预先制定的检修策略,获得检修范围。
可选的,所述采用所述状态评估模型对继电保护装置的设备运行环境参数、装置无故障时间参数、家族性无故障时间参数、保护装置动作正确率参数、装置绝缘状况参数、装置数据采样参数、通讯状况参数、纵联通道运行情况参数、差动保护差流检查情况参数、版本参数和定值检查情况参数进行评价,获得对所述继电保护装置的评价结果的步骤,包括:
a.对设备运行环境参数的评价包括:根据设备温度采集数据及其在评价周期内所处时间的长短,利用公式计算设备环境温度评分Ka1,其中,Xi为设备温度采集数据对应的电力行业设备评价标准中的对应分值,Bi为所处的时间占整个评价时间的百分比,当0分时间所占比值超过设定限值时,设备环境温度评分为0;根据湿度采集数据及其在评价周期内所处时间的长短,利用预先制定的湿度和得分关系图,获得设备环境湿度评分Ka2,根据设备环境温度评分Ka1和湿度评分Ka2,利用公式Ka=(Ka1×a%+Ka2×b%)计算设备运行环境的综合评分,其中a%和b%为模型中预先设定的百分比数值;
b.对装置无故障时间参数评价包括:设置预计无故障时间倍数等于实际无故障时间与预计无故障时间的比值,根据预设的无故障时间倍数与分值对应关系,获得装置无故障时间对应的评分值;
c.对家族性无故障时间参数的评价包括:同型号无故障时间评分及其评分比例,以及同批次无故障时间评分及其评分比例得到保护装置家族性无故障时间评价综合评分;
d.对保护装置动作正确率参数的评价包括:保护装置本身正确动作率RCO1=装置正确动作次数/装置总动作次数×100%,在统计周期内没有动作或动作正确,RCO1等于1,动作不正确或原因不明本项得0分;保护装置同型号正确动作率RCO2=装置正确动作次数/同型号装置总动作次数×100%,在统计周期内没有动作,RCO2等于1,同批次正确动作率(RCO3)=装置正确动作次数/同批次装置总动作次数×100%,在统计周期内没有动作,RCO3等于1,正确动作率RCO=(30%×RCO2+70×%RCO3)×RCO1,利用公式B=B1/B2*100%依次求保护装置本身正确动作率、保护装置同型号正确动作率、同批次动作正确率,其中,B1均为保护装置动作次数,B2分别为装置总动作次数、同型号装置总动作次数、同批次装置总动作次数,根据电力行业设备评价标准,确定保护装置本身正确动作率、保护装置同型号正确动作率、同批次动作正确率对保护装置正确动作率的影响因子,求出保护装置正确动作率以及不同正确动作率对应的评分;
e.对装置绝缘状况参数评价,包括:根据变电所内绝缘检测装置支路绝缘测量数据可以上传时绝缘数据和变化率计算评分值Ke1,且在绝缘监察装置不发生接地信号,Ke2为1分,否则为0分,根据Ke1和Ke2的乘积获得综合评分Ke;
f.对装置数据采样的评价包括:按随机抽取电流、电压通道各组测量值的采样值CTi、PTi,与其标准值(高精度钳型表或测控数据)的偏差值来判断装置采样的整体性能,评分数Kf1:
CTi为保护各通道采样值,CTi(标准)为测控显示值。测试时电流应大于0.1IN。取测量值的各电压、电流通道采样误差测试数据的最大值来判断装置采样的整体性能,发生开入异常装置评价分数Kf2得0分,不发生开入异常得1分,采样评分Kf=Kf1×Kf2;
g.对通信状况参数的评价包括:设置年检次数为N,最高分数值为10,当通讯终端或错误频率为0时,通信状况对应最高评分,为最高时对应最低评分,根据最高评分和最低评分组成的线性关系图,确定不同通讯状况对应的评分;
h.对纵联通道运行状况参数的评价包括:获得通讯终端、告警频率次数,根据误码率、丢包率、通道时延倍数与分值的对应关系,得到光纤通道运行状况评分Kh2,得到光纤通道综合得分Kh=Kh2/(光纤通道告警、中断次数+1);
i.对差动保护差流检查情况的评价包括:,在差流数据不超过原始数据时,设置为最高分,设置超过预设范围值时为最低分,并设置差流数据在最低分与最高分对应分数;
j.对版本和定值检查情况的评价包括:设置软件版本检查一致时Kj1为0分,不一致时为-10分;设置保护定值检查情况评分Kj2定值一致Kj2为0分,定值不一致为-100分,设置软件版本和保护定值检查情况综合得分Kj=Kj1+Kj2。
可选的,所述采用所述状态评估模型,对二次回路的运行环境参数、操作箱无故障时间参数、操作箱家族性无故障时间参数、回路绝缘状况参数、抗干扰措施参数、二次回路红外温度参数、锈蚀状况参数、回路检查情况参数进行评价,获得对所述二次回路的评价结果的步骤,包括:
a.对运行环境参数评价,包括:根据设备温度采集数据及其在评价周期内所处时间的长短,利用公式计算设备环境温度评分K1,其中,Xi为设备温度采集数据对应的电力行业设备评价标准中的对应分值,Bi为所处的时间占整个评价时间的百分比,当0分时间所占比值超过设定限值时,设备环境温度评分为0;根据湿度采集数据及其在评价周期内所处时间的长短,利用预先制定的湿度和得分关系图,获得设备环境湿度评分K2,根据设备环境温度评分K1和湿度评分K2,利用公式K=(K1×c%+K2×d%)计算设备运行环境的综合评分,其中c%和d%为模型中预先设定的百分比数值;
b.对操作箱无故障时间参数评价,包括:设置预计无故障时间倍数为实际无故障时间与预计无故障时间的比值,并将所述预计无故障时间倍数作为操作箱无故障时间评价信息;
c.对操作箱家族性无故障时间参数评价,包括:根据预计无缺陷时间倍数与分值的关系,确定同型号无故障时间Kc1的以及预计无缺陷时间倍数与分值的关系,确定同批次无故障时间Kc2,二次电缆家族性无故障时间评价综合评分Kc3=Kc1×C1%+Kc2×C2%,以及操作箱家族性无故障时间评价综合评分Kc4=Kc1×C3%+Kc2×C4%,设定二次回路家族性无故障时间评价综合评分K=Min(Kc3、Kc4);
d.对回路绝缘状况参数的评价,包括:根据变电所内绝缘检测装置支路绝缘测量数据无法上传时绝缘数据和变化率,获得Kd1;绝缘监察装置不发生接地信号,Kd2得1分,因装置绝缘原因发生接地信号得0分;绝缘状况综合得分Kd=Kd1×Kd2,得到绝缘状况综合得分;
e.对抗干扰措施参数的评价,包括:设置抗干扰反措未完成数量为得分值的反比例下降关系,根据反比例关系获得抗干扰反措未完成数量得到对应评分值;
f.对二次回路红外温度参数的评价,包括:设置回路温度为0至标准值使得分为最高分,温度达到标准值加15分为最高分以一定斜率下降为分数0;
g.对锈蚀状况参数的评价,包括:分别计算二次回路的锈蚀情况评分和端子箱渗水现象评分,当锈腐程度小于锈腐程度设定的最小值时,锈蚀情况评分最高,当锈腐程度大于锈腐程度,对应的评分为最低,并连接这两点在坐标轴上的直线,得到锈蚀程度与评分值的比例关系;当端子箱无渗水现象时,端子箱渗水现象评分为最高,反之则为最低;二次回路的锈蚀情况评分和端子箱渗水现象评分的乘积即为二次回路锈蚀状况的综合评分;
h.对封堵状况参数的评价,包括:以未完成防火封堵和防火措施数量与预设分数值的关系,得到在电缆孔洞封堵不全,防火墙和防火涂料不齐全以及齐全情况下的得分;
i.保护装置二次回路接线正确评分为1,否则为负100。
可选的,所述根据所述继电保护装置以及所述二次回路的评价结果,以及预先制定的检修策略,获得检修范围,包括:
根据所述继电保护装置以及所述二次回路的评价结果,获得评价状态、设备的检修等级、检修时间、检修项目以及设备得分,并以此综合评价获得检修范围。
与现有技术相比,本发明的本发明的一种基于BP神经网络算法的继电保护设备状态评估方法的有益效果如下:
一、本发明的一种基于BP神经网络算法的继电保护设备状态评估方法,对继电保护装置及二次回路核心指标进行梳理,分析相关环节的主要故障模式和相应特征量,明确相对应的评价细则,同时结合当前状态检修的实际情况,更加精确了保护设备的状态评价;
二、本发明本发明的一种基于BP神经网络算法的继电保护设备状态评估方法,提高了设备状态检修决策的科学性,使得检修计划更具有针对性,检修工作的重点转移到真正需要检修的设备上面,继电保护设备检修管理水平得到了极大提高,增加了继电保护设备的运行可靠性,大幅减少了常规的检修工作和电网检修的停运时间,检修效率也得到明显提高。
附图说明
图1是本发明的一种继电器保护设备状态评价与评估方法实现的结构图;
图2a和图2b是设备运行环境的评价示意图;
图3是装置无故障时间评价示意图;
图4a和图4b是家族性无故障时间的评价示意图;
图5是保护装置动作正确率的评价示意图;
图6a和图6b是装置绝缘状况评价示意图;
图7是装置数据采样的评价示意图;
图8是通信状况的评价示意图;
图9是纵联通道运行状况的评价示意图;
图10是差动保护差流检查情况的评价示意图;
图11a和11b是版本和定值检查情况的评价示意图;
图12a、12b是二次回路中运行环境评价的评价示意图;
图13a、13b是回路绝缘状况评价示意图;
图14是抗干扰措施的评价示意图;
图15是二次回路红外温度的评价示意图;
图16是锈蚀状况的评价示意图;
图17是封堵状况的评价示意图;
图18是及接线状况的评价示意图。
具体实施方式
为使发明的目的、技术方案和优点更加清楚明了,下面通过附图中及实施例,对本发明技术方案进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明技术方案,并不用于限制本发明技术方案的范围。
为解现有技术问题,本发明实施例提供一种基于BP神经网络算法的继电保护设备状态评估方法,参见图1:
基于经典可靠性理论和历史维修数据进行状态评估模型的神经单元,基于大量的样本进行训练学习,通过BP算法形成状态评估模型算法。其中,所述状态评估模型能够结合预设参照系统对继电保护设备的缺项状态信息进行预测;
采用所述状态评估模型对继电保护装置的设备运行环境参数、装置无故障时间参数、家族性无故障时间参数、保护装置动作正确率参数、装置绝缘状况参数、装置数据采样参数、通讯状况参数、纵联通道运行情况参数、差动保护差流检查情况参数、版本参数和定值检查情况参数进行评价,获得对所述继电保护装置的评价结果;
采用所述状态评估模型,对二次回路的运行环境参数、操作箱无故障时间参数、操作箱家族性无故障时间参数、回路绝缘状况参数、抗干扰措施参数、二次回路红外温度参数、锈蚀状况参数、回路检查情况参数进行评价,获得对所述二次回路的评价结果;
根据所述继电保护装置以及所述二次回路进行评价结果,以及预先制定的检修策略,获得检修范围。
具体的,对设备运行环境的评价参见图2a和图2b,包括:根据设备温度采集数据及其在评价周期内所处时间的长短,利用公式计算设备环境温度评分Ka1,其中,Xi为设备温度采集数据对应的电力行业设备评价标准中的对应分值,Bi为所处的时间占整个评价时间的百分比,当0分时间所占比值超过设定限值时,设备环境温度评分为0;根据湿度采集数据及其在评价周期内所处时间的长短,利用预先制定的湿度和得分关系图,获得设备环境湿度评分Ka2,根据设备环境温度评分Ka1和湿度评分Ka2,利用公式Ka=(Ka1×a%+Ka2×b%)计算设备运行环境的综合评分,其中a%和b%为模型中预先设定的百分比数值,示例性的a为60,b为40,最高为5分,对应的温度为5-30,湿度为0-75;
b.对装置无故障时间评价包括:设置预计无故障时间倍数等于实际无故障时间与预计无故障时间的比值,根据预设的无故障时间倍数与分值对应关系,获得装置无故障时间对应的评分值,示例性的,如图3所示,假设评分为0-15之间,对应预计无缺陷时间倍数为0-1;
c.对家族性无故障时间的评价包括:参照图4a获得同型号无故障时间评分,另外可以设置及其评分比例,参照图4b获得同批次无故障时间评分及另外获得其评分比例得到保护装置家族性无故障时间评价综合评分,将他们的评分与比例相乘后并相加得到综合评分;
d.对保护装置动作正确率的评价包括:保护装置本身正确动作率RCO1=装置正确动作次数/装置总动作次数×100%,在统计周期内没有动作或动作正确,RCO1等于1,动作不正确或原因不明本项得0分;保护装置同型号正确动作率RCO2=装置正确动作次数/同型号装置总动作次数×100%,在统计周期内没有动作,RCO2等于1,同批次正确动作率(RCO3)=装置正确动作次数/同批次装置总动作次数×100%,在统计周期内没有动作,RCO3等于1,正确动作率RCO=(30%×RCO2+70×%RCO3)×RCO1,利用公式B=B1/B2*100%依次求保护装置本身正确动作率、保护装置同型号正确动作率、同批次动作正确率,其中,B1均为保护装置动作次数,B2分别为装置总动作次数、同型号装置总动作次数、同批次装置总动作次数,根据电力行业设备评价标准,确定保护装置本身正确动作率、保护装置同型号正确动作率、同批次动作正确率对保护装置正确动作率的影响因子,根据图5求出保护装置正确动作率以及不同正确动作率对应的评分;
e.对装置绝缘状况评价,包括:根据图6a和图6b获得变电所内绝缘检测装置支路绝缘测量数据可以上传时绝缘数据和变化率计算评分值Ke1,且在绝缘监察装置不发生接地信号,Ke2为1分,否则为0分,根据Ke1和Ke2的乘积获得综合评分Ke;
f.对装置数据采样的评价包括:按随机抽取电流、电压通道各组测量值的采样值CTi、PTi,与其标准值(高精度钳型表或测控数据)的偏差值来判断装置采样的整体性能,评分数Kf1:
CTi为保护各通道采样值,CTi(标准)为测控显示值。测试时电流应大于0.1IN。取测量值的各电压、电流通道采样误差测试数据的最大值来判断装置采样的整体性能,曲线如图7所示,且在发生开入异常装置评价分数Kf2得0分,不发生开入异常得1分,采样评分Kf=Kf1×Kf2;
g.对通信状况的评价包括:如图8所示设置年检次数为N,最高分数值为10,当通讯终端或错误频率为0时,通信状况对应最高评分10,为最高时对应最低评分0,根据最高评分和最低评分组成的线性关系图,确定不同通讯状况对应的评分;
h.对纵联通道运行状况的评价包括:高频收信电平降低不大于3db、丢包率、误码率不得超过标准值如图9所示,根据误码率、丢包率、通道时延倍数与分值的对应关系,得到光纤通道运行状况评分Kh2,得到光纤通道综合得分Kh=Kh2/(光纤通道告警、中断次数+1);
i.对差动保护差流检查情况的评价包括:如图10在差流数据不超过原始数据时,设置为最高分10,设置超过预设范围值时为最低分0,并设置差流数据在最低分与最高分对应分数;
j.对版本和定值检查情况的评价包括:如图11a、图11b所示,设置软件版本检查一致时Kj1为0分,不一致时为-10分;设置保护定值检查情况评分Kj2定值一致Kj2为0分,定值不一致为-100分,设置软件版本和保护定值检查情况综合得分Kj=Kj1+Kj2。
在本发明的一种实现方式中,所述采用所述状态评估模型,对二次回路的运行环境、操作箱无故障时间、操作箱家族性无故障时间、回路绝缘状况、抗干扰措施、二次回路红外温度、锈蚀状况、封堵状况装置回路检查情况进行评价,获得对所述二次回路的评价结果的步骤,包括:
a.对运行环境评价,包括:根据图12a设备温度采集数据及其在评价周期内所处时间的长短,利用公式计算设备环境温度评分K1,其中,Xi为设备温度采集数据对应的电力行业设备评价标准中的对应分值,Bi为所处的时间占整个评价时间的百分比,当0分时间所占比值超过设定限值时,设备环境温度评分为0;根据图12b湿度采集数据及其在评价周期内所处时间的长短,利用预先制定的湿度和得分关系图,获得设备环境湿度评分K2,根据设备环境温度评分K1和湿度评分K2,利用公式K=(K1×c%+K2×d%)计算设备运行环境的综合评分,其中c%和d%为模型中预先设定的百分比数值;
b.对操作箱无故障时间评价,包括:如图3所示设置预计无故障时间倍数为实际无故障时间与预计无故障时间的比值,并将所述预计无故障时间倍数作为操作箱无故障时间评价信息;
c.对操作箱家族性无故障时间评价,包括:根据图4a根据预计无缺陷时间倍数与分值的关系,确定同型号无故障时间Kc1,以及图4b的预计无缺陷时间倍数与分值的关系,确定同批次无故障时间Kc2,二次电缆家族性无故障时间评价综合评分Kc3=Kc1×C1%+Kc2×C2%,以及操作箱家族性无故障时间评价综合评分Kc4=Kc1×C3%+Kc2×C4%,设定二次回路家族性无故障时间评价综合评分K=Min(Kc3、Kc4);
d.对回路绝缘状况评价,包括:1、回路绝缘大于1MΩ、不发生直流接地;根据图13a、或者图13b所示变电所内绝缘检测装置支路绝缘测量数据无法上传时绝缘数据和变化率,获得Kd1;绝缘监察装置不发生接地信号,Kd2得1分,因装置绝缘原因发生接地信号得0分;绝缘状况综合得分Kd=Kd1×Kd2,得到绝缘状况综合得分;
e.对抗干扰措施的评价,包括:如图14设置抗干扰反措未完成数量5为得分值10的反比例下降关系,根据反比例关系获得抗干扰反措未完成数量得到对应评分值;
f.对二次回路红外温度的评价,包括:如图15所示设置回路温度为0至标准值使得分为最高10分,温度达到标准值加15分为最高分以一定斜率下降为分数0;
g.对锈蚀状况的评价,包括:如图16分别计算二次回路的锈蚀情况评分和端子箱渗水现象评分,当锈腐程度小于锈腐程度设定的最小值5%时,锈蚀情况评分最高10分,当锈腐程度大于锈腐程度15%,对应的评分为最低0,并连接这两点在坐标轴上的直线,得到锈蚀程度与评分值的比例关系;当端子箱无渗水现象时,端子箱渗水现象评分为最高1,反之则为最低0;二次回路的锈蚀情况评分和端子箱渗水现象评分的乘积即为二次回路锈蚀状况的综合评分;
h.对封堵状况的评价,包括:如图17,以未完成防火封堵和防火措施数,5与预设分数值5的关系,得到在电缆孔洞封堵不全,防火墙和防火涂料不齐全以及齐全情况下的得分;
i.如图18所示,保护装置二次回路接线正确评分为1,否则为负100。
具体的,所述根据所述继电保护装置以及所述二次回路的评价结果,以及预先制定的检修策略,获得检修范围,包括:
根据所述继电保护装置以及所述二次回路的评价结果,获得评价状态、设备的检修等级、检修时间、检修项目以及设备得分,并以此综合评价获得检修范围。
示例性的,继电保护装置及二次回路状态总体评价继电保护装置评价表如表1和二次回路状态评价表表2所示,对设备或间隔的运行情况进行评估,其中装置总体得分在90以上为良好,80~90分为正常,70~80分为注意,60~70分为异常,60分以下为严重异常。
评价结果按量化分值分为“良好状态”、“正常状态”、“注意状态”、“异常状态”和“严重异常状态”五个状态,评价结果如下表:
表1
表2
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 (4)
1.一种基于BP神经网络算法的继电保护设备状态评估方法,其特征在于,所述方法包括步骤:
基于经典可靠性理论和历史维修数据进行状态评估模型的神经单元,基于大量的样本进行训练学习,通过BP算法形成状态评估模型算法。其中,所述状态评估模型能够结合预设参照系统对继电保护设备的缺项状态信息进行预测;
采用所述状态评估模型对继电保护装置的设备运行环境参数、装置无故障时间参数、家族性无故障时间参数、保护装置动作正确率参数、装置绝缘状况参数、装置数据采样参数、通讯状况参数、纵联通道运行情况参数、差动保护差流检查情况参数、版本参数和定值检查情况参数进行评价,获得对所述继电保护装置的评价结果;
采用所述状态评估模型,对二次回路的运行环境参数、操作箱无故障时间参数、操作箱家族性无故障时间参数、回路绝缘状况参数、抗干扰措施参数、二次回路红外温度参数、锈蚀状况参数、回路检查情况参数进行评价,获得对所述二次回路的评价结果;
根据所述继电保护装置以及所述二次回路进行评价结果,以及预先制定的检修策略,获得检修范围。
2.根据权利要求1所述的一种基于BP神经网络算法的继电保护设备状态评估方法,其特征在于,所述采用所述状态评估模型对继电保护装置的设备运行环境参数、装置无故障时间参数、家族性无故障时间参数、保护装置动作正确率参数、装置绝缘状况参数、装置数据采样参数、通讯状况参数、纵联通道运行情况参数、差动保护差流检查情况参数、版本参数和定值检查情况参数进行BP神经网络计算,获得对所述继电保护装置的评价结果的步骤,包括:
a.对设备运行环境参数的评价包括:根据设备温度采集数据及其在评价周期内所处时间的长短,利用公式计算设备环境温度评分Ka1,其中,Xi为设备温度采集数据对应的电力行业设备评价标准中的对应分值,Bi为所处的时间占整个评价时间的百分比,当0分时间所占比值超过设定限值时,设备环境温度评分为0;根据湿度采集数据及其在评价周期内所处时间的长短,利用预先制定的湿度和得分关系图,获得设备环境湿度评分Ka2,根据设备环境温度评分Ka1和湿度评分Ka2,利用公式Ka=(Ka1×a%+Ka2×b%)计算设备运行环境的综合评分,其中a%和b%为模型中预先设定的百分比数值;
b.对装置无故障时间参数评价包括:设置预计无故障时间倍数等于实际无故障时间与预计无故障时间的比值,根据预设的无故障时间倍数与分值对应关系,获得装置无故障时间对应的评分值;
c.对家族性无故障时间参数的评价包括:同型号无故障时间评分及其评分比例,以及同批次无故障时间评分及其评分比例得到保护装置家族性无故障时间评价综合评分;
d.对保护装置动作正确率参数的评价包括:保护装置本身正确动作率RCO1=装置正确动作次数/装置总动作次数×100%,在统计周期内没有动作或动作正确,RCO1等于1,动作不正确或原因不明本项得0分;保护装置同型号正确动作率RCO2=装置正确动作次数/同型号装置总动作次数×100%,在统计周期内没有动作,RCO2等于1,同批次正确动作率(RCO3)=装置正确动作次数/同批次装置总动作次数×100%,在统计周期内没有动作,RCO3等于1,正确动作率RCO=(30%×RCO2+70×%RCO3)×RCO1,利用公式B=B1/B2*100%依次求保护装置本身正确动作率、保护装置同型号正确动作率、同批次动作正确率,其中,B1均为保护装置动作次数,B2分别为装置总动作次数、同型号装置总动作次数、同批次装置总动作次数,根据电力行业设备评价标准,确定保护装置本身正确动作率、保护装置同型号正确动作率、同批次动作正确率对保护装置正确动作率的影响因子,求出保护装置正确动作率以及不同正确动作率对应的评分;
e.对装置绝缘状况参数评价,包括:根据变电所内绝缘检测装置支路绝缘测量数据可以上传时绝缘数据和变化率计算评分值Ke1,且在绝缘监察装置不发生接地信号,Ke2为1分,否则为0分,根据Ke1和Ke2的乘积获得综合评分Ke;
f.对装置数据采样的评价包括:按随机抽取电流、电压通道各组测量值的采样值CTi、PTi,与其标准值(高精度钳型表或测控数据)的偏差值来判断装置采样的整体性能,评分数Kf1:
CTi为保护各通道采样值,CTi(标准)为测控显示值。测试时电流应大于0.1IN。取测量值的各电压、电流通道采样误差测试数据的最大值来判断装置采样的整体性能,发生开入异常装置评价分数Kf2得0分,不发生开入异常得1分,采样评分Kf=Kf1×Kf2;
g.对通信状况参数的评价包括:设置年检次数为N,最高分数值为10,当通讯终端或错误频率为0时,通信状况对应最高评分,为最高时对应最低评分,根据最高评分和最低评分组成的线性关系图,确定不同通讯状况对应的评分;
h.对纵联通道运行状况参数的评价包括:获得通讯终端、告警频率次数,根据误码率、丢包率、通道时延倍数与分值的对应关系,得到光纤通道运行状况评分Kh2,得到光纤通道综合得分Kh=Kh2/(光纤通道告警、中断次数+1);
i.对差动保护差流检查情况的评价包括:,在差流数据不超过原始数据时,设置为最高分,设置超过预设范围值时为最低分,并设置差流数据在最低分与最高分对应分数;
j.对版本和定值检查情况的评价包括:设置软件版本检查一致时Kj1为0分,不一致时为-10分;设置保护定值检查情况评分Kj2定值一致Kj2为0分,定值不一致为-100分,设置软件版本和保护定值检查情况综合得分Kj=Kj1+Kj2。
3.根据权利要求1所述的一种基于BP神经网络算法的继电保护设备状态评估方法,其特征在于,所述采用所述状态评估模型,对二次回路的运行环境参数、操作箱无故障时间参数、操作箱家族性无故障时间参数、回路绝缘状况参数、抗干扰措施参数、二次回路红外温度参数、锈蚀状况参数、回路检查情况参数进行评价,获得对所述二次回路的评价结果的步骤,包括:
a.对运行环境参数评价,包括:根据设备温度采集数据及其在评价周期内所处时间的长短,利用公式计算设备环境温度评分K1,其中,Xi为设备温度采集数据对应的电力行业设备评价标准中的对应分值,Bi为所处的时间占整个评价时间的百分比,当0分时间所占比值超过设定限值时,设备环境温度评分为0;根据湿度采集数据及其在评价周期内所处时间的长短,利用预先制定的湿度和得分关系图,获得设备环境湿度评分K2,根据设备环境温度评分K1和湿度评分K2,利用公式K=(K1×c%+K2×d%)计算设备运行环境的综合评分,其中c%和d%为模型中预先设定的百分比数值;
b.对操作箱无故障时间参数评价,包括:设置预计无故障时间倍数为实际无故障时间与预计无故障时间的比值,并将所述预计无故障时间倍数作为操作箱无故障时间评价信息;
c.对操作箱家族性无故障时间参数评价,包括:根据预计无缺陷时间倍数与分值的关系,确定同型号无故障时间Kc1的以及预计无缺陷时间倍数与分值的关系,确定同批次无故障时间Kc2,二次电缆家族性无故障时间评价综合评分
Kc3=Kc1×C1%+Kc2×C2%,以及操作箱家族性无故障时间评价综合评分
Kc4=Kc1×C3%+Kc2×C4%,设定二次回路家族性无故障时间评价综合评分K=Min(Kc3、Kc4);
d.对回路绝缘状况参数的评价,包括:根据变电所内绝缘检测装置支路绝缘测量数据无法上传时绝缘数据和变化率,获得Kd1;绝缘监察装置不发生接地信号,Kd2得1分,因装置绝缘原因发生接地信号得0分;绝缘状况综合得分Kd=Kd1×Kd2,得到绝缘状况综合得分;
e.对抗干扰措施参数的评价,包括:设置抗干扰反措未完成数量为得分值的反比例下降关系,根据反比例关系获得抗干扰反措未完成数量得到对应评分值;
f.对二次回路红外温度参数的评价,包括:设置回路温度为0至标准值使得分为最高分,温度达到标准值加15分为最高分以一定斜率下降为分数0;
g.对锈蚀状况参数的评价,包括:分别计算二次回路的锈蚀情况评分和端子箱渗水现象评分,当锈腐程度小于锈腐程度设定的最小值时,锈蚀情况评分最高,当锈腐程度大于锈腐程度,对应的评分为最低,并连接这两点在坐标轴上的直线,得到锈蚀程度与评分值的比例关系;当端子箱无渗水现象时,端子箱渗水现象评分为最高,反之则为最低;二次回路的锈蚀情况评分和端子箱渗水现象评分的乘积即为二次回路锈蚀状况的综合评分;
h.对封堵状况参数的评价,包括:以未完成防火封堵和防火措施数量与预设分数值的关系,得到在电缆孔洞封堵不全,防火墙和防火涂料不齐全以及齐全情况下的得分;
i.保护装置二次回路接线正确评分为1,否则为负100。
4.根据权利要求1-3任一项所述的一种基于BP神经网络算法的继电保护设备状态评估方法,其特征在于,所述根据所述继电保护装置以及所述二次回路的评价结果,以及预先制定的检修策略,获得检修范围,包括:
根据所述继电保护装置以及所述二次回路的评价结果,获得评价状态、设备的检修等级、检修时间、检修项目以及设备得分,并以此综合评价获得检修范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710890375.3A CN107918690A (zh) | 2017-09-27 | 2017-09-27 | 一种基于bp神经网络算法的继电保护设备状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710890375.3A CN107918690A (zh) | 2017-09-27 | 2017-09-27 | 一种基于bp神经网络算法的继电保护设备状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107918690A true CN107918690A (zh) | 2018-04-17 |
Family
ID=61898817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710890375.3A Pending CN107918690A (zh) | 2017-09-27 | 2017-09-27 | 一种基于bp神经网络算法的继电保护设备状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107918690A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411034A (zh) * | 2018-09-27 | 2019-11-05 | 深圳市磐石科技工程技术有限公司 | 基于物联网的智能热水出水方法及其系统 |
CN113420409A (zh) * | 2021-05-17 | 2021-09-21 | 云南电网有限责任公司 | 一种基于深度学习的继电保护装置运行状态预测方法 |
CN114167342A (zh) * | 2021-12-01 | 2022-03-11 | 浙江浙能兰溪发电有限责任公司 | 一种继电保护装置运行健康状态的评价方法 |
CN114826923A (zh) * | 2021-01-27 | 2022-07-29 | 华中科技大学 | 一种sdn网络的网络僵化度评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5805400A (en) * | 1996-05-18 | 1998-09-08 | Korea Electric Power Corp. | Auto-reclosing dead time control apparatus and method thereof for transmission cable protection relay system |
CN103823972A (zh) * | 2014-02-18 | 2014-05-28 | 国网安徽省电力公司 | 一种继电保护设备状态评价与评估方法 |
CN104360184A (zh) * | 2014-10-29 | 2015-02-18 | 中国石油化工股份有限公司 | 基于神经网络模型的电力设备在线状态监测系统及方法 |
CN106355249A (zh) * | 2016-08-29 | 2017-01-25 | 国网江苏省电力公司电力科学研究院 | 一种基于bp神经网络的继电保护设备状态识别方法 |
-
2017
- 2017-09-27 CN CN201710890375.3A patent/CN107918690A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5805400A (en) * | 1996-05-18 | 1998-09-08 | Korea Electric Power Corp. | Auto-reclosing dead time control apparatus and method thereof for transmission cable protection relay system |
CN103823972A (zh) * | 2014-02-18 | 2014-05-28 | 国网安徽省电力公司 | 一种继电保护设备状态评价与评估方法 |
CN104360184A (zh) * | 2014-10-29 | 2015-02-18 | 中国石油化工股份有限公司 | 基于神经网络模型的电力设备在线状态监测系统及方法 |
CN106355249A (zh) * | 2016-08-29 | 2017-01-25 | 国网江苏省电力公司电力科学研究院 | 一种基于bp神经网络的继电保护设备状态识别方法 |
Non-Patent Citations (1)
Title |
---|
周晨: "台州电网继电保护状态检修评估体系的构建", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411034A (zh) * | 2018-09-27 | 2019-11-05 | 深圳市磐石科技工程技术有限公司 | 基于物联网的智能热水出水方法及其系统 |
CN110411034B (zh) * | 2018-09-27 | 2022-01-11 | 深圳市磐石科技工程技术有限公司 | 基于物联网的智能热水出水方法及其系统 |
CN114826923A (zh) * | 2021-01-27 | 2022-07-29 | 华中科技大学 | 一种sdn网络的网络僵化度评估方法 |
CN113420409A (zh) * | 2021-05-17 | 2021-09-21 | 云南电网有限责任公司 | 一种基于深度学习的继电保护装置运行状态预测方法 |
CN113420409B (zh) * | 2021-05-17 | 2022-12-20 | 云南电网有限责任公司 | 一种基于深度学习的继电保护装置运行状态预测方法 |
CN114167342A (zh) * | 2021-12-01 | 2022-03-11 | 浙江浙能兰溪发电有限责任公司 | 一种继电保护装置运行健康状态的评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918690A (zh) | 一种基于bp神经网络算法的继电保护设备状态评估方法 | |
CN107967520A (zh) | 一种面向新型智能站继电保护设备的综合状态评估理论方法 | |
CN108931972B (zh) | 一种基于模型驱动的变电站二次设备状态智能诊断方法 | |
CN109102171A (zh) | 一种基于大数据的变电站设备状态智能化评价系统及方法 | |
CN103823972A (zh) | 一种继电保护设备状态评价与评估方法 | |
CN103218695A (zh) | 二次设备智能状态评估诊断系统及其方法 | |
RU2548025C2 (ru) | Контроль электрической сети энергоснабжения | |
CN103995172B (zh) | 变电站gis母线负荷电流在线监测方法 | |
CN106597225B (zh) | 一种配电网在线状态监测系统及其在线监测方法 | |
CN103996099B (zh) | 在培训系统中对学员运行操作进行智能评估的方法 | |
CN109358306B (zh) | 一种基于gm(1,1)的智能电能表健康度趋势预测方法 | |
CN103942735A (zh) | 一种继电保护状态评估的方法 | |
CN104539051A (zh) | 一种智能变电站二次设备在线评估系统 | |
CN114065875B (zh) | 基于大数据的电力电网故障识别系统 | |
CN112116276B (zh) | 一种计及电气主设备时变状态的变电站运行风险评估方法 | |
CN111143958A (zh) | 配电自动化条件下配电网信息物理系统可靠性分析方法 | |
CN104820884A (zh) | 一种结合电力系统特征的电网调度实时数据稽查方法 | |
CN106997513A (zh) | 基于大数据分析的配网设备状态评价系统 | |
CN115248402A (zh) | 油浸变压器在线监测系统及方法 | |
CN114252694A (zh) | 用于监测电气系统中的能量相关数据的系统和方法 | |
CN109902447A (zh) | 一种巨型水电厂状态检修模型及构建方法 | |
CN106952178B (zh) | 一种基于量测平衡的遥测不良数据辨识与原因分辨方法 | |
CN106291149A (zh) | 一种10kV开关柜的带电检测方法 | |
CN103605910A (zh) | 考虑隐性故障的单一保护装置可靠性评估方法 | |
CN110866615A (zh) | 一种变电站及其无故障时间计算方法、回路状态检修方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |