CN108073551B - 一种基于多Agent协同的高压开关柜在线故障诊断方法 - Google Patents
一种基于多Agent协同的高压开关柜在线故障诊断方法 Download PDFInfo
- Publication number
- CN108073551B CN108073551B CN201711339096.4A CN201711339096A CN108073551B CN 108073551 B CN108073551 B CN 108073551B CN 201711339096 A CN201711339096 A CN 201711339096A CN 108073551 B CN108073551 B CN 108073551B
- Authority
- CN
- China
- Prior art keywords
- agent
- data
- agents
- switch cabinet
- information
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B3/00—Apparatus specially adapted for the manufacture, assembly, or maintenance of boards or switchgear
Abstract
本发明提供了一种基于多Agent协同的高压开关柜在线故障诊断方法。包括:S1、使用Apriori算法计算高压开关柜故障因素和故障率之间的关联性系数,建立高压开关柜状态全景模型;S2、通过依照IEC 61968/61970电力行业国际、国家、行业标准,接入各应用系统数据,关联信息并进行多维处理后形成数据框架;S3、通过数据框架结合高压开关柜状态故障诊断分析方法的冗余性和互补性,构建多Agent协同的诊断模型;S4、通过对信息融合Agent,对Agent层次结构图确定各指标重要性权重,计算出方案层各Agent诊断结果的相对权重,通过对各诊断Agent带有差异及冗余的结果进行融合,得出高压开关柜在线故障信息。本发明方法效率高,应修设备检修及时。
Description
技术领域
本发明涉及高压开关柜在线故障诊断技术领域,尤其涉及一种基于多Agent协同的高压开关柜在线故障诊断方法。
背景技术
高压开关柜是配电网系统中非常关键的设备,承担着将部分电力线路投入运行或切出的重任,它关系到配电网的运行水平、安全程度以及供电服务质量,一旦高压开关柜发生故障,首先将会导致相关的电力设备和线路受损,进而引发用户大面积停电等影响国民正常生产生活的供电事故。
对高压开关柜及其它的重要电气设备,目前一般是定期对配电网网设备进行检修,这样很容易造成应修设备未及时检修,从而影响了应修设备技术性能和使用寿命,严重的情况下会造成故障或事故,影响供电可靠性,同时也有很多供电设备没发生故障而进行定期检修从而容易造成了人力、物力和财力的浪费。
目前高压开关柜故障类型主要有如下几种常见的故障:
绝缘放电故障:开关柜放电的原因主要是绝缘件或绝缘间隙的绝缘强度低于外加电压时就发生放电,甚至发生绝缘击穿事故;
拒动、误动故障:这种故障是高压开关柜最主要的故障,其原因可分为两类:一类是因操动机构及传动系统的机械故障造成,具体表现为机构卡涩,部件变形、位移或损坏,分合闸铁芯松动、卡涩,轴销松断,脱扣失灵等;另一类是因电气控制和辅助回路造成,表现为二次接线接触不良,端子松动,接线错误,分合闸线圈因机构卡涩或转换开关不良而烧损,辅助开关切换不灵,以及操作电源、合闸接触器、微动开关等故障;
过热故障:封闭式开关柜在运行中不能打开,因此难以测量柜内触头的实际温度,如果触头过热缺陷不能及时发现并处理,会严重威胁到电力安全生产。开关柜过热通常是由于过流或者电阻增大发热造成的,过热点通常发生在手车的梅花触头、电流互感器以及出线电缆头等。开关柜手车开关长期在满负荷运行,合闸时动、静触头间有间隙,接触的点、面少,过流时固定静触头与夹紧弹簧的螺栓和夹紧弹簧参与分流、导电,造成螺栓烧断或者触头发热引起梅花触头的弹簧变形而失去弹性,接触电阻变大,运行中发热烧熔,烧损触头周围的绝缘件,最终绝缘击穿,造成触头相间短路故障;
开断与关合故障:开断与关合故障是由开关柜本体造成的,对少油开关柜而言,主要表现为喷油短路、灭弧室烧损、开断能力不足、关合时爆炸等。对于真空开关柜而言,表现为灭弧室及波纹管漏气、真空度降低、切电容器组重燃、陶瓷管破裂等。高压开关柜开断与关合短路故障时,都会出现电弧;
载流故障:载流故障主要原因是开关柜隔离插头接触不良导致触头烧融;
外力及其他故障:包括异物撞击,自然灾害,小动物短路等不可知的其他外力及意外故障的发生;
在状态检修工作中,通常巡视人员主要进行周期巡视维护,监测设备是否老化,通过对开关柜采用超声波探测仪、红外热成像仪、局放测试仪进行设备状态监测;其次检修人员通过在线监测系统以及日常带电检测等技术获取设备的相关运行信息,结合数理分析算法对设备状态进行量化评价,并以此作为制定检修计划的辅助决策信息,最大限度地减少因设备检修造成的停电时间,延长设备的使用寿命,降低设备的维护成本,实现配电网设备状态检修工作的智能化、自动化和动态化,提高状态检修的及时性与准确性。
上述通过巡视人员进行周期检查或诊断的方法相对单一,并且由于目前的在线诊断系统大都是单一的系统,整体上来说上述通过巡视人员进行周期检查或诊断的方法的诊断能力比较弱,对于一些复杂的开关柜故障其诊断效果并不好。
发明内容
本发明的目的在于至少解决上述问题之一,提供一种基于多Agent协同的高压开关柜在线故障诊断方法。
本发明解决上述技术问题的技术方案如下:
一种基于多Agent协同的高压开关柜在线故障诊断方法,包括:
S1、使用Apriori算法计算高压开关柜故障因素和故障率之间的关联性系数,建立高压开关柜状态全景模型;
S2、通过依照IEC 61968/61970电力行业国际、国家、行业标准,接入各应用系统数据,关联信息并进行多维处理后形成数据框架;
S3、通过数据框架结合高压开关柜状态故障诊断分析方法的冗余性和互补性,构建多Agent协同的诊断模型;
S4、通过对信息融合,对Agent层次结构图确定各指标重要性权重,计算出方案层各Agent诊断结果的相对权重,通过对各诊断Agent带有差异及冗余的结果进行融合,得出高压开关柜在线故障信息。
在一实施例中高压开关柜状态全景模型包括信息分类模型和信息综合处理模型,信息分类模型由基本信息模型、评估信息模型、故障诊断模型、状态信息模型、过程信息模型和环境信息模型组成,通过使用Apriori算法计算信息分类模型的关联性系数,通过信息多维关联处理,形成信息集成处理平台,其中信息分类模块中的信息分类具体为:基本信息:设备类别、出厂参数、运行地点;历史案例:同台设备故障案例、同类设备故障案例、同台设备历史信息、运行状态评估信息、寿命估计信息;初始信息:预防性实验结果;告警信息:单个检测量异常告警、气象异常告警、单个检测量突变告警;在线监测:断路器状态监测、SF6状态监测、主回路温度监测、柜内温湿度监测、隔室带电监测;运行工况:负荷情况、设备污秽情况、红外测温情况、局部放电试验;气象信息:环境温度、环境湿度、当日天气、当地气候;参考信息:同类设备间纵向比较、系统之间的横向比较、间隔之间的比较。
在一实施例中各应用系统数据主要包括在线监测系统数据、生产管理系统(PMS)数据、电网GIS平台数据、能量管理系统(EMS)、气象信息系统数据、试验/历史数据、巡检/缺陷数据,各应用数据可以通过信息内外系统直接推送,或由跨平台JDBC/ODBC数据接口、文件传输、WEB SERVICE、IEB信息交换总线等技术完成数据获取,通过依照IEC 61968/61970电力行业国际、国家、行业标准,接入各应用系统数据,关联信息并进行多维处理后形成数据框架,数据框架主要是对数据通过规则库进行:数据预处理,数据预处理包括对数据标记,规则封装;数据清洗,主要是对数据进行校验,噪声平滑,离群点识别,缺失值填充;评价数据,主要是对数据质量进行评价;数据转换,通过对数据进行数据泛化、数据规范化形成规范的数据,把规范后的数据及关联性导入各Agent数据库/规则库以及融合分析数据库/规则库实现数据服务,实现数据库访问,标准接口访问,文件访问,进而实现高压开关柜状态评估与诊断系统,高压开关柜状态评估与诊断系统对诊断的结果分类储存为结构化数据,非结构化数据,历史准/实时数据,电网空间数据。
在一实施例中信息集成处理平台设置有人机智能界面与总控Agent,总控Agent可以向调度Agent分陪任务和指令,调度Agent通过通信Agent实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent,环境Agent实现控制和诊断,调度Agent也可以通过融合Agent,融合Agent再通过通信Agent实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent,环境Agent实现控制和诊断;同时总控Agent可以通过多库协同器向通过通信Agent直接实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent,环境Agent实现控制和诊断。
在一实施例中调度Agent用于接受总控Agent分配的任务,并通知在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent,并检查开关柜故障案例和状态识别规则库是否存在相应的数据,同时根据不同的结果做出反应,如相应的开关柜故障分析数据不存在则提示用户进行相应的开关柜故障分析工作,并通过人机界面将数据输入存入数据库;如数据存在,则向相应的资源Agent发送任务。
在一实施例中通信Agent用于实现用户、总控Agent、以及各资源Agent之间的通信,负责接受来自用户、总控Agent、以及各资源Agent的信息,并转换成消息和相应的应答方式。
在一实施例中资源Agent包括在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent,所述各资源Agent接收到任务之后,根据开关柜故障分析数据,结合相应的规则库,并启动相应的开关柜状态评价和故障诊断推理机,对开关柜实施诊断,得到诊断结果,再通过通信Agent,将诊断结果返回给总控Agent。
在一实施例中在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent都对应自己的数据库和规则库。
在一实施例中人机智能界面用于电网运维人员可以通过人机智能界面,输入数据进行诊断工作完成对各诊断Agent知识库的维护。在一实施例中融合Agent用于对高压开关柜故障进行定量描述,得到故障的缺陷程度,从而有效地预测、预防故障的发生,采用基于模糊数学与登普斯特-沙夫尔(D-S)证据理论的融合诊断新方法,该方法将各种开关柜分析数据作为各种证据,利用开关柜检测的界限值,通过引入模糊集合思想,设计了“开关柜检测结果异常”的隶属度函数,并以此获取各证据的可信度,建立“故障”与“开关柜检测参数异常”之间的规则,利用规则可信度和证据可信度的乘积得到规则综合置信度,并以此作为D-S证据理论中各证据对结果的支持程度,从而实现开关柜故障诊断结果。
本发明的有益效果是:本发明专利技术方法通过遵循电力行业国际标准IEC61970,采用多源异构数据融合技术,建立高压开关柜全景信息模型;遵循电力行业信息交换总线等相关规范,实现与电网其它业务系统的信息交换及运维信息的导入,结合高压开关柜在线监测系统,全面获取高压开关柜各项运行参数、环境因素等各类信息;运用人工智能、大数据挖掘和分析技术,建立基于多Agent协同的高压开关柜状态评价、故障诊断模型,提高电网高压开关柜状态评价、故障告警和预警的及时性、准确性,为电力行业运行维护、状态检修提供科学依据。
多Agent系统(MAS)是多个Agent组成的集合,其多个Agent成员之间相互协调,相互服务,共同完成一个任务。它的目标是将大而复杂的系统分解成多个小的、彼此互相通信和协调的,易于管理的系统。多Agent技术打破了人工智能领域仅仅使用一个专家系统的限制,在MAS环境,各领域的不同专家可能协作求解某一个专家无法解决或无法很好解决的问题,提高了系统解决问题的能力。
附图说明
图1为本发明实施例一种基于多Agent协同的高压开关柜在线故障诊断方法的全景模型流程示意图;
图2为本发明实施例一种基于多Agent协同的高压开关柜在线故障诊断方法的数据框架示意图。
图3为本发明实施例一种基于多Agent协同的高压开关柜在线故障诊断方法的诊断模型示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例一
如图1~3所示,为本发明一种基于多Agent协同的高压开关柜在线故障诊断方法,包括:
S1、使用Apriori算法计算高压开关柜故障因素和故障率之间的关联性系数,建立高压开关柜状态全景模型;
S2、通过依照IEC 61968/61970电力行业国际、国家、行业标准,接入各应用系统数据,关联信息并进行多维处理后形成数据框架;
S3、通过数据框架结合高压开关柜状态故障诊断分析方法的冗余性和互补性,构建多Agent协同的诊断模型;
S4、通过对信息融合,对Agent层次结构图确定各指标重要性权重,计算出方案层各Agent诊断结果的相对权重,通过对各诊断Agent带有差异及冗余的结果进行融合,得出高压开关柜在线故障信息。
本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中高压开关柜状态全景模型包括信息分类模型和信息综合处理模型,信息分类模型由基本信息模型、评估信息模型、故障诊断模型、状态信息模型、过程信息模型和环境信息模型组成,通过使用Apriori算法计算信息分类模型的关联性系数,通过信息多维关联处理,形成信息集成处理平台,其中信息分类模块中的信息分类具体为:基本信息:设备类别、出厂参数、运行地点;历史案例:同台设备故障案例、同类设备故障案例、同台设备历史信息、运行状态评估信息、寿命估计信息;初始信息:预防性实验结果;告警信息:单个检测量异常告警、气象异常告警、单个检测量突变告警;在线监测:断路器状态监测、SF6状态监测、主回路温度监测、柜内温湿度监测、隔室带电监测;运行工况:负荷情况、设备污秽情况、红外测温情况、局部放电试验;气象信息:环境温度、环境湿度、当日天气、当地气候;参考信息:同类设备间纵向比较、系统之间的横向比较、间隔之间的比较。
本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中各应用系统数据主要包括在线监测系统数据、生产管理系统(PMS)数据、电网GIS平台数据、能量管理系统(EMS)、气象信息系统数据、试验/历史数据、巡检/缺陷数据,各应用数据可以通过信息内外系统直接推送,或由跨平台JDBC/ODBC数据接口、文件传输、WEB SERVICE、IEB信息交换总线等技术完成数据获取,通过依照IEC 61968/61970电力行业国际、国家、行业标准,接入各应用系统数据,关联信息并进行多维处理后形成数据框架,数据框架主要是对数据通过规则库进行:数据预处理,数据预处理包括对数据标记,规则封装;数据清洗,主要是对数据进行校验,噪声平滑,离群点识别,缺失值填充;评价数据,主要是对数据质量进行评价;数据转换,通过对数据进行数据泛化、数据规范化形成规范的数据,把规范后的数据及关联性导入各Agent数据库/规则库以及融合分析数据库/规则库实现数据服务,实现数据库访问,标准接口访问,文件访问,进而实现高压开关柜状态评估与诊断系统,高压开关柜状态评估与诊断系统对诊断的结果分类储存为结构化数据,非结构化数据,历史准/实时数据,电网空间数据。
本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中信息集成处理平台设置有人机智能界面与总控Agent,总控Agent可以向调度Agent分陪任务和指令,调度Agent通过通信Agent实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent,环境Agent实现控制和诊断,调度Agent也可以通过融合Agent,融合Agent再通过通信Agent实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent,环境Agent实现控制和诊断;同时总控Agent可以通过多库协同器向通过通信Agent直接实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent,环境Agent实现控制和诊断。
本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中调度Agent用于接受总控Agent分配的任务,并通知在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent,并检查开关柜故障案例和状态识别规则库是否存在相应的数据,同时根据不同的结果做出反应,如相应的开关柜故障分析数据不存在则提示用户进行相应的开关柜故障分析工作,并通过人机界面将数据输入存入数据库;如数据存在,则向相应的资源Agent发送任务。
本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中通信Agent用于实现用户、总控Agent、以及各资源Agent之间的通信,负责接受来自用户、总控Agent、以及各资源Agent的信息,并转换成消息和相应的应答方式。
本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中资源Agent包括在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent,所述各资源Agent接收到任务之后,根据开关柜故障分析数据,结合相应的规则库,并启动相应的开关柜状态评价和故障诊断推理机,对开关柜实施诊断,得到诊断结果,再通过通信Agent,将诊断结果返回给总控Agent。
本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent都对应自己的数据库和规则库。
本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中人机智能界面用于电网运维人员可以通过人机智能界面,输入数据进行诊断工作完成对各诊断Agent知识库的维护。本实施例一种基于多Agent协同的高压开关柜在线故障诊断方法中融合Agent用于对高压开关柜故障进行定量描述,得到故障的缺陷程度,从而有效地预测、预防故障的发生,采用基于模糊数学与登普斯特-沙夫尔(D-S)证据理论的融合诊断新方法,该方法将各种开关柜分析数据作为各种证据,利用开关柜检测的界限值,通过引入模糊集合思想,设计了“开关柜检测结果异常”的隶属度函数,并以此获取各证据的可信度,建立“故障”与“开关柜检测参数异常”之间的规则,利用规则可信度和证据可信度的乘积得到规则综合置信度,并以此作为D-S证据理论中各证据对结果的支持程度,从而实现开关柜故障诊断结果。
示例:融合诊断实例
基于多Agent协同的高压开关柜在线故障诊断方法中各Agent知识和经验的限制,通过对信息融合,对Agent层次结构图确定各指标重要性权重,计算出方案层各Agent诊断结果的相对权重,通过对各诊断Agent带有差异及冗余的结果进行融合,使融合后的结果比单个Agent的诊断结果可信度更高,从而提高故障诊断专家系统诊断结果准确性。
规则i:如果“XXXX检测数据异常”CFEi,则“FFFF故障发生”CFRi
CFEi(i=1,2,…,n)为高压开关柜检测数据为异常的可信度,即为证据i的可信度;CFRi为每条规则的可信度,如果认为每种数据异常的情况下一定可以推出“FFFF故障发生”这一结论,则CFRi=1,事实上,不同的检测数据推出故障的置信度通常是不同的,因此,CFRi可根据实际情况取其他在0到1之间的任意值;CFi为每条规则综合可信度。即
CFi=CFEi·CFRi (1)
为了计算各高压开关柜检测数据异常(即各条证据)的可信度,引入模糊集合概念,设高压开关柜某分析数据异常为一模糊子集Ai,通过确定隶属度函数,可以得到实际检测数据对Ai的隶属度μAi(xi),此时,可以用隶属度μAi(xi)来作为证据的可信度,即
CFEi=μAi(xi) (2)
首先对分析数据进行归一化处理,设分析数据的异常限a,将检测数据除以异常限后得到归一化数据,此时,对所有高压开关柜分析数据的界限值统一归一化为“1”。因此可以确定其隶属度函数如式(3)所示,公式(3)中的k值控制曲线的陡峭程度。不同的k值下隶属度曲线不同。根据经验选取k=0.5,当检测数据超过异常界X限越多,其隶属度即高压开关柜检测数据属于异常的程度也越大。
规则的可信度CFRi需要根据经验确定,亦可按实际情况给予不同的权重。如示例设定高压开关柜某故障为双重假设,即“出现该故障”和“不出现该故障”两个互斥的假设。设每个陈述对集合A和θ的支持程度分别为:
且有:
由数学归纳法可以证明:
对于示例两重假设问题,集合A为“故障F发生”,集合θ为A的补集,即“故障F不发生”。因此,可以根据规则综合可信度CFi来确定每个证据(即每个高压开关柜检测数据)对集合A(故障F发生)的支持程度,然后运用D-S证据理论实现对各种证据支持程度的融合,得到融合诊断结果。需要指出的是,当征兆不完全时,即可能只进行了几种Agent检测诊断,可以令未检测的数据对应的征兆隶属度为“0”,按同样的方法计算即可。
需要说明的是:S1应用的Apriori算法,使用一种称为逐层搜索的迭代方法,k项集用于探索(k+1)项集。首先扫描一次数据库,产生频繁1项集L1;然后进行循环,在第k次循环中,首先由频繁k-1项集进行自连接和剪枝产生候选频繁k项集Ck,然后使用Hash函数把Ck存储到一棵树上,扫描数据库,对每一个交易T使用同样的Hash函数,计算出该交易T内包含哪些候选频繁k项集,并对这些候选频繁项集的支持度加1,如果某个候选频繁项集的支持度大于最小支持度,则该候选项集为频繁项集;如此下去,直到不能再找到频繁项集为止。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
Agent可指能够自主活动的软件或者硬件实体。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于多Agent协同的高压开关柜在线故障诊断方法,其特征在于,包括:
S1、使用Apriori算法计算高压开关柜故障因素和故障率之间的关联性系数,建立高压开关柜状态全景模型;
S2、通过依照IEC 61968/61970电力行业国际、国家、行业标准,接入各应用系统数据,关联信息并进行多维处理后形成数据框架;
S3、通过数据框架结合高压开关柜状态故障诊断分析方法的冗余性和互补性,构建多Agent协同的诊断模型;
S4、通过对信息融合,对Agent层次结构图确定各指标重要性权重,计算出方案层各Agent诊断结果的相对权重,通过对各诊断Agent带有差异及冗余的结果进行融合,得出高压开关柜在线故障信息;
所述高压开关柜状态全景模型包括信息分类模型和信息综合处理模型,信息分类模型由基本信息模型、评估信息模型、故障诊断模型、状态信息模型、过程信息模型和环境信息模型组成,通过使用Apriori算法计算信息分类模型的关联性系数,通过信息多维关联处理,形成信息集成处理平台,其中信息分类模块中的信息分类具体为:基本信息:设备类别、出厂参数、运行地点;历史案例:同台设备故障案例、同类设备故障案例、同台设备历史信息、运行状态评估信息、寿命估计信息;初始信息:预防性实验结果;告警信息:单个检测量异常告警、气象异常告警、单个检测量突变告警;在线监测:断路器状态监测、SF6状态监测、主回路温度监测、柜内温湿度监测、隔室带电监测;运行工况:负荷情况、设备污秽情况、红外测温情况、局部放电试验;气象信息:环境温度、环境湿度、当日天气、当地气候;参考信息:同类设备间纵向比较、系统之间的横向比较、间隔之间的比较;
所述各应用系统数据包括在线监测系统数据、生产管理系统数据、电网GIS平台数据、能量管理系统数据、气象信息系统数据、试验/历史数据、巡检/缺陷数据,各应用数据可以通过信息内外系统直接推送,或由跨平台JDBC/ODBC数据接口、文件传输、WEB SERVICE、IEB信息交换总线技术完成数据获取,通过依照IEC 61968/61970电力行业国际、国家、行业标准,接入各应用系统数据,关联信息并进行多维处理后形成数据框架,数据框架是对数据通过规则库进行:数据预处理,数据预处理包括对数据标记,规则封装;数据清洗,是对数据进行校验,噪声平滑,离群点识别,缺失值填充;评价数据,是对数据质量进行评价;数据转换,通过对数据进行数据泛化、数据规范化形成规范的数据,把规范后的数据及关联性导入各Agent数据库/规则库以及融合分析数据库/规则库实现数据服务,实现数据库访问,标准接口访问,文件访问,进而实现高压开关柜状态评估与诊断系统,高压开关柜状态评估与诊断系统对诊断的结果分类储存为结构化数据,非结构化数据,历史准/实时数据,电网空间数据。
2.根据权利要求1所述的一种基于多Agent协同的高压开关柜在线故障诊断方法,其特征在于,所述信息集成处理平台设置有人机智能界面与总控Agent,总控Agent可以向调度Agent分陪任务和指令,调度Agent通过通信Agent实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent的控制和诊断,调度Agent也可以通过融合Agent,融合Agent再通过通信Agent实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent的控制和诊断;同时总控Agent可以通过多库协同器向通信Agent直接实现对在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent的控制和诊断。
3.根据权利要求2所述的一种基于多Agent协同的高压开关柜在线故障诊断方法,其特征在于,所述调度Agent用于接受总控Agent分配的任务,并通知在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent,并检查开关柜故障案例和状态识别规则库是否存在相应的数据,同时根据不同的结果做出反应,如相应的开关柜故障分析数据不存在则提示用户进行相应的开关柜故障分析工作,并通过人机界面将数据输入存入数据库;如数据存在,则向相应的资源Agent发送任务。
4.根据权利要求2所述的一种基于多Agent协同的高压开关柜在线故障诊断方法,其特征在于,所述通信Agent用于实现用户、总控Agent、以及各资源Agent之间的通信,负责接受来自用户、总控Agent、以及各资源Agent的信息,并转换成消息和相应的应答方式。
5.根据权利要求2所述的一种基于多Agent协同的高压开关柜在线故障诊断方法,其特征在于,资源Agent包括在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent,各资源Agent接收到任务之后,根据开关柜故障分析数据,结合相应的规则库,并启动相应的开关柜状态评价和故障诊断推理机,对开关柜实施诊断,得到诊断结果,再通过通信Agent,将诊断结果返回给总控Agent。
6.根据权利要求5所述的一种基于多Agent协同的高压开关柜在线故障诊断方法,其特征在于,所述在线监测Agent、负荷Agent、巡检Agent、缺陷Agent、试验Agent、环境Agent都对应自己的数据库和规则库。
7.根据权利要求3所述的一种基于多Agent协同的高压开关柜在线故障诊断方法,其特征在于,所述人机智能界面用于电网运维人员输入数据进行诊断工作完成对各诊断Agent知识库的维护。
8.根据权利要求2所述的一种基于多Agent协同的高压开关柜在线故障诊断方法,其特征在于,所述融合Agent用于对高压开关柜故障进行定量描述,得到故障的缺陷程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711339096.4A CN108073551B (zh) | 2017-12-14 | 2017-12-14 | 一种基于多Agent协同的高压开关柜在线故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711339096.4A CN108073551B (zh) | 2017-12-14 | 2017-12-14 | 一种基于多Agent协同的高压开关柜在线故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108073551A CN108073551A (zh) | 2018-05-25 |
CN108073551B true CN108073551B (zh) | 2021-05-07 |
Family
ID=62158587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711339096.4A Active CN108073551B (zh) | 2017-12-14 | 2017-12-14 | 一种基于多Agent协同的高压开关柜在线故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108073551B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109188153A (zh) * | 2018-10-22 | 2019-01-11 | 平顶山学院 | 一种高压开关设备三维全景智能状态监测系统 |
CN109358676A (zh) * | 2018-10-27 | 2019-02-19 | 深圳市博科思智能股份有限公司 | 一种远程智能调控通讯防护箱 |
CN109387782A (zh) * | 2018-12-14 | 2019-02-26 | 国网上海市电力公司 | 一种ct自取电开关柜检测装置及系统 |
CN109657373B (zh) * | 2018-12-25 | 2023-06-02 | 佛山科学技术学院 | 一种多Agent的故障检测方法及装置 |
CN110689062A (zh) * | 2019-09-19 | 2020-01-14 | 中国航空综合技术研究所 | 使用多个Agent对机电装备进行综合健康管理的系统和方法 |
CN112711811B (zh) * | 2020-12-29 | 2024-02-09 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于分层诊断架构的系统测试任务分配方法 |
CN114636555B (zh) * | 2022-03-22 | 2023-10-13 | 南京航空航天大学 | 一种航空发动机磨损故障模糊融合诊断方法及系统 |
CN115865731B (zh) * | 2022-11-28 | 2024-04-09 | 四川天邑康和通信股份有限公司 | 网关设备与网络机顶盒通信测试系统、方法及存储介质 |
CN116186017B (zh) * | 2023-04-25 | 2023-07-28 | 蓝色火焰科技成都有限公司 | 一种大数据协同监管方法及平台 |
CN117254598B (zh) * | 2023-11-17 | 2024-03-08 | 国网吉林省电力有限公司长春供电公司 | 一种基于红外热成像技术的开关柜状态监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修系统 |
CN104820716A (zh) * | 2015-05-21 | 2015-08-05 | 中国人民解放军海军工程大学 | 基于数据挖掘的装备可靠性评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060223569A1 (en) * | 2005-04-04 | 2006-10-05 | Mithril, Llc | Handheld medium probe for managing wireless networks |
-
2017
- 2017-12-14 CN CN201711339096.4A patent/CN108073551B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修系统 |
CN104820716A (zh) * | 2015-05-21 | 2015-08-05 | 中国人民解放军海军工程大学 | 基于数据挖掘的装备可靠性评估方法 |
Non-Patent Citations (1)
Title |
---|
基于多Agent的卫星故障诊断融合技术研究;范显峰等;《中国空间科学技术》;20030430(第2期);第39-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108073551A (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073551B (zh) | 一种基于多Agent协同的高压开关柜在线故障诊断方法 | |
CN106597231B (zh) | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 | |
CA2832950C (en) | Dynamic assessment system for high-voltage electrical components | |
Razi-Kazemi et al. | Priority assessment of online monitoring investment for power system circuit breakers—Part I: Qualitative-quantitative approach | |
CN104020754A (zh) | 一种变电站一次主设备状态监测信息接入调控系统的方法 | |
JP2013538543A (ja) | 送電網用の機械学習 | |
CN105260778A (zh) | 基于专家数据库的电力变压器故障诊断系统 | |
CN112713649A (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
Žarković et al. | Artificial intelligence SF6 circuit breaker health assessment | |
CN113537415A (zh) | 基于多信息融合的换流站巡检方法、装置和计算机设备 | |
CN111008485A (zh) | 基于神经网络的三相交流异步电机多参数寿命预测方法 | |
Milosavljevic et al. | Integrated transformer health estimation methodology based on Markov chains and evidential reasoning | |
Žarković et al. | Artificial intelligence based thermographic approach for high voltage substations risk assessment | |
CN109962528A (zh) | 一种变电站二次设备智能管控系统 | |
Bardyk et al. | An Analysis of Uncertainty for Failure Risk Assessment of Power Transformer | |
Teive et al. | Intelligent system for automatic performance evaluation of distribution system operators | |
JunPing et al. | Health Status Evaluation of Intelligent Power Distribution Room based on AHP-Entropy method | |
Stevanović et al. | Influence of circuit breaker replacement on power station reliability | |
Jongen et al. | Application of statistical analysis in the asset management decision process | |
Chao et al. | A multi-layer power transformer life span evaluating decision model based on information fusion | |
Khalyasmaa et al. | Information and analytical system for power system life cycle management | |
KR102585390B1 (ko) | 고전압 변압기의 수명 예측을 통한 유지보수 의사결정 시스템 | |
CN116542372A (zh) | 一种开关柜触头趋势裂化预测方法及系统 | |
Gómez et al. | Analysis of Asset Management Models for a Transformer Fleet in the National Laboratory of Smart Grids (LAB+ i) | |
CN117791562A (zh) | 变电设备状态管理方法、装置、管理服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |