CN108680808A - 电气设备故障诊断方法及装置 - Google Patents

Abstract

本发明涉及一种电气设备故障诊断方法，解决了现有技术的不足，技术方案为：包括以下步骤：步骤S1，构建相关性函数，计算检测电气设备运行的所有传感器之间的相互支持程度；步骤S2，构建隶属度函数，提取传感器回传的故障特征值，计算各传感器所提供数据的可信度；步骤S3，根据传感器的支持度及可信度转换成基本概率赋值；步骤S4，对获取的基本概率赋值进行合成，获得综合概率分配值；步骤S5，综合概率分配值超过设定阈值则进行报警操作。

Description

电气设备故障诊断方法及装置

技术领域

本专利涉及电气设备技术领域的安全保护，具体涉及一种电气设备状态监测、城市电力突发事件应急防控故障原因以及对电气设备实时监测的方法

背景技术

电力安全是公共安全的重要内容，电网稳定安全运行是城市居民生活和国民经济发展的重要保证，减少停电检修是保证供电可靠性的有效手段。随着电力大数据的兴起以及电气设备质量和性能的提高，设备故障诊断和检修工作相应提高。由于设备本身的复杂性和和运行环境的不稳定性，设备反映的信息具有不确定性，如何监视这些设备的状态，分析可能出现的异常情况，预防事故的发生并能快速找出事故发展原因是电气设备故障诊断的重要内容。

目前，由于电气设备运行及状态信息分散在多个信息平台，且各平台之间相对独立，造成信息孤岛，各种数据无法进行分享，比如台账信息、电气设备运行参数、在线监测、巡检信息和历史维修数据等；除此之外，数据之间存在结构多样、关系复杂，数据融合程度不足等问题，大量实时数据被沉淀下来成为历史数据，潜在应用价值亟需深入挖掘，给运维评估人员造成信息分析不足、实时性不强等问题。因此，有必要进一步加强电气设备故障诊断，提高故障诊断的准确性。

发明内容

本发明的目的在于解决上述现有技术数据之间存在结构多样、关系复杂，数据融合程度不足等问题，大量实时数据被沉淀下来成为历史数据，潜在应用价值亟需深入挖掘，给运维评估人员造成信息分析不足、实时性不强等问题，提供一种提高电气设备相关数据之间的融合程度，最大程度的挖掘电气设备数据之间的潜在价值，关键是能够帮助运维人员更精确化的定位电气设备故障发生点，可以有效的保证电力安全可靠性的电气设备故障诊断方法。

本发明解决其技术问题所采用的技术方案是：一种电气设备故障诊断方法，包括以下步骤：

步骤S1，构建相关性函数，计算检测电气设备运行的所有传感器之间的相互支持程度；

步骤S2，构建隶属度函数，提取传感器回传的故障特征值，计算各传感器所提供数据的可信度；

步骤S3，根据传感器的支持度及可信度转换成基本概率赋值；

步骤S4，对获取的基本概率赋值进行合成，获得综合概率分配值；

步骤S5，综合概率分配值超过设定阈值则进行报警操作。电气设备故障的产生涉及多个方面数据，例如异常电流电压数据、设备实时状态监测数据、历史维修数据等，需要对各种数据进行综合分析考虑，定位出故障点。由于信息来源具有一定程度的不确定性，需要对各信息源进行不确定性处理。如何对采集到的信息源进行设备故障特征提取，如何通过各信息源特征提取后进行故障识别，成为一大难点。传统的方法是通过专家知识和经验来确定，但在某些情况下是不现实的，且该方法过度依赖专家经验，无法保证电气设备故障诊断的精确化。因此本发明提出一种基于模糊理论和D-S证据理论的信息特征融合技术对电气设备故障诊断。首先通过模糊理论中的隶属度方法和mass函数提取故障特征及赋值，然后通过D-S理论合成规则进行特征信息融合，减少电气设备故障诊断的误差。

作为优选，步骤S1中，构建一个秩为n的矩阵方阵f(h/t)，f(h/t)的相关性函数如下：

f(h/t)＝f(h/t)/max[f(h/t)，f(t/h)]，h，t＝1，2，....，n.；

f(h/t)表示传感器h被传感器t的支持程度，h，t＝1，2，....，n；

通过以下公式计算各个传感器被其他传感器所相互支持程度：

其中，C_h表示第h个传感器被其他传感器支持的程度。

步骤S1中，计算相关性函数后得出的f(h/t)＝1-d_ht，d_ht表示多传感器数据的置信距离测度。

作为优选，步骤S2中，构建隶属度函数由电气设备本身的工作特性以及采集到的参数及数据确定，即获取电气设备稳定时的工作参数的数据作为标准测量参数，获取当前电气设备的实际测量值，将实际测量值作为变量进行隶属度运算，由得出的隶属度来表示各传感器所提供数据的可信度。

作为优选，步骤S2中的隶属度函数如下所示：

其中，x_0ij为电气设备在稳定运行的标准测量参数；μ_ij为传感器i测定被诊断部件j属于故障部件的隶属度；x_i为传感器i的实际测量值；e_ij为测量参数的正常变化范围，t_ij为测量参数的极限偏差。

作为优选，步骤S3中，根据相关性函数和隶属度函数所得到的各传感器的支持度及可信度，如下构建mass函数，获得基本概率赋值，

Θ为辨识框架，m为Θ的基本可信度分配，如果A为Θ的子集，则m(A)称为A的概率分配函数，即mass函数，反映了证据支持命题A发生的程度，但不支持任何A的真子集。

作为优选，步骤S4中，对提取的基本概率赋值合成，设定m1和m2是2^Θ上的，Bel₁的焦元是B₁，B₂，...，B_k，Bel₂的焦元C₁，C₂，...，C_n，则有

其中为一个避免在合成时将非零概率赋给空集Φ的归一化常数，若K＝0，停止对基本概率分配值进行组合；若K≠0，则m(A)确定一个基本概率分配值，计算为m1和m2的综合概率分配值。

一种电气设备故障诊断装置，包括控制器、传感器和报警器，所述控制器在工作时执行以下步骤：

步骤S1，构建相关性函数，计算检测电气设备运行的所有传感器之间的相互支持程度；

步骤S2，构建隶属度函数，提取传感器回传的故障特征值，计算各传感器所提供数据的可信度；

步骤S3，根据传感器的支持度及可信度转换成基本概率赋值；

步骤S4，对获取的基本概率赋值进行合成，获得综合概率分配值；

步骤S5，综合概率分配值超过设定阈值则进行报警操作。

本发明的实质性效果是：本发明提出一种基于模糊理论和D-S证据理论的信息特征融合技术对电气设备故障诊断。首先通过模糊理论中的隶属度方法和mass函数提取故障特征及赋值，然后通过D-S理论合成规则进行特征信息融合，减少电气设备故障诊断的误差。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面通过具体实施例，对本发明的技术方案作进一步的具体说明。

实施例1：

一种电气设备故障诊断方法，包括以下步骤：

步骤S1，构建相关性函数，计算检测电气设备运行的所有传感器之间的相互支持程度；

步骤S2，构建隶属度函数，提取传感器回传的故障特征值，计算各传感器所提供数据的可信度；

步骤S3，根据传感器的支持度及可信度转换成基本概率赋值；

步骤S4，对获取的基本概率赋值进行合成，获得综合概率分配值；

步骤S5，综合概率分配值超过设定阈值则进行报警操作。

步骤S1中，构建一个秩为n的矩阵方阵f(h/t)，f(h/t)的相关性函数如下：

f(h/t)＝f(h/t)/max[f(h/t)，f(t/h)]，h，t＝1，2，....，n.；

f(h/t)表示传感器h被传感器t的支持程度，h，t＝1，2，....，n；

通过以下公式计算各个传感器被其他传感器所相互支持程度：

其中，表示第h个传感器被其他传感器支持的程度。

步骤S1中，计算相关性函数后得出的f(h/t)＝1-d_ht，d_ht表示多传感器数据的置信距离测度。

步骤S2中，构建隶属度函数由电气设备本身的工作特性以及采集到的参数及数据确定，即获取电气设备稳定时的工作参数的数据作为标准测量参数，获取当前电气设备的实际测量值，将实际测量值作为变量进行隶属度运算，由得出的隶属度来表示各传感器所提供数据的可信度。

步骤S4中，对提取的基本概率赋值合成，设定m1和m2是2^Θ上的，Bel₁的焦元是B₁，B₂，...，B_k，Bel₂的焦元C₁，C₂，...，C_n，则有

步骤S3中，根据相关性函数和隶属度函数所得到的各传感器的支持度及可信度，如下构建mass函数，获得基本概率赋值，

Θ为辨识框架，m为Θ的基本可信度分配，如果A为Θ的子集，则m(A)称为A的概率分配函数，即mass函数，反映了证据支持命题A发生的程度，但不支持任何A的真子集。

步骤S2中的隶属度函数如下所示：

其中，x_0ij为电气设备在稳定运行的标准测量参数；μ_ij为传感器i测定被诊断部件j属于故障部件的隶属度；x_i为传感器i的实际测量值；e_ij为测量参数的正常变化范围，t_ij为测量参数的极限偏差。

提出一种基于模糊理论和D-S证据理论的信息特征融合技术对电气设备故障诊断。对于多个证据的组合，可采用此组合对证据进行两两融合，完成电气设备故障数据的融合，为电力安全高效运行提供数据支撑作用。本实施例首先通过模糊理论中的隶属度方法和mass函数提取故障特征及赋值，然后通过D-S理论合成规则进行特征信息融合，减少电气设备故障诊断的误差。

一种电气设备故障诊断装置，包括控制器、传感器和报警器，所述控制器在工作时执行以下步骤：

步骤S1，构建相关性函数，计算检测电气设备运行的所有传感器之间的相互支持程度；

步骤S2，构建隶属度函数，提取传感器回传的故障特征值，计算各传感器所提供数据的可信度；

步骤S3，根据传感器的支持度及可信度转换成基本概率赋值；

步骤S4，对获取的基本概率赋值进行合成，获得综合概率分配值；

步骤S5，综合概率分配值超过设定阈值则进行报警操作。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (8)

1.一种电气设备故障诊断方法，其特征在于，包括以下步骤：

步骤S1，构建相关性函数，计算检测电气设备运行的所有传感器之间的相互支持程度；

步骤S2，构建隶属度函数，提取传感器回传的故障特征值，计算各传感器所提供数据的可信度；

步骤S3，根据传感器的支持度及可信度转换成基本概率赋值；

步骤S4，对获取的基本概率赋值进行合成，获得综合概率分配值；

步骤S5，综合概率分配值超过设定阈值则进行报警操作。

2.根据权利要求1所述的电气设备故障诊断方法，其特征在于，步骤S1中，构建一个秩为n的矩阵方阵f(h/t)，f(h/t)的相关性函数如下：

f(h/t)＝f(h/t)/max[f(h/t)，f(t/h)]，h，t＝1，2，....，n.；

f(h/t)表示传感器h被传感器t的支持程度，h，t＝1，2，....，n；

通过以下公式计算各个传感器被其他传感器所相互支持程度：

C′_h＝min f(h/A)，A＝1，2，...，n.；

其中，C′_h表示第h个传感器被其他传感器支持的程度。

3.根据权利要求2所述的电气设备故障诊断方法，其特征在于，步骤S1中，计算相关性函数后得出的f(h/t)＝1-d_ht，d_ht表示多传感器数据的置信距离测度。

4.根据权利要求1所述的电气设备故障诊断方法，其特征在于，

步骤S2中，构建隶属度函数由电气设备本身的工作特性以及采集到的参数及数据确定，即获取电气设备稳定时的工作参数的数据作为标准测量参数，获取当前电气设备的实际测量值，将实际测量值作为变量进行隶属度运算，由得出的隶属度来表示各传感器所提供数据的可信度。

5.根据权利要求4所述的电气设备故障诊断方法，其特征在于，步骤S2中的隶属度函数如下所示：

其中，x_0ij为电气设备在稳定运行的标准测量参数；μ_ij为传感器i测定被诊断部件j属于故障部件的隶属度；x_i为传感器i的实际测量值；e_ij为测量参数的正常变化范围，t_ij为测量参数的极限偏差。

6.根据权利要求4所述的电气设备故障诊断方法，其特征在于，步骤S3中，根据相关性函数和隶属度函数所得到的各传感器的支持度及可信度，如下构建mass函数，获得基本概率赋值，

Θ为辨识框架，m为Θ的基本可信度分配，如果A为Θ的子集，则m(A)称为A的概率分配函数，即mass函数，反映了证据支持命题A发生的程度，但不支持任何A的真子集。

7.根据权利要求6所述的电气设备故障诊断方法，其特征在于，步骤S4中，对提取的基本概率赋值合成，设定m1和m2是2^Θ上的，Bel₁的焦元是B₁，B₂，...，B_k，Bel₂的焦元C₁，C₂，...，C_n，则有

其中为一个避免在合成时将非零概率赋给空集Φ的归一化常数，若K＝0，停止对基本概率分配值进行组合；若K≠0，则m(A)确定一个基本概率分配值，计算Y′为m1和m2的综合概率分配值。

8.一种电气设备故障诊断装置，包括控制器、传感器和报警器，其特征在于，所述控制器在工作时执行以下步骤：

步骤S1，构建相关性函数，计算检测电气设备运行的所有传感器之间的相互支持程度；

步骤S2，构建隶属度函数，提取传感器回传的故障特征值，计算各传感器所提供数据的可信度；

步骤S3，根据传感器的支持度及可信度转换成基本概率赋值；

步骤S4，对获取的基本概率赋值进行合成，获得综合概率分配值；

步骤S5，综合概率分配值超过设定阈值则进行报警操作。