发明内容
有鉴于此,本发明提供一种微电网的故障预测方法、装置及电子设备,以解决在微电网失效时,需要技术人员逐一对微电网中的各个设备进行检测,具有一定的盲目性,耗时长、且浪费人力的问题。
为解决上述技术问题,本发明采用了如下技术方案:
一种微电网的故障预测方法,包括:
获取微电网的故障树模型;其中,所述故障树模型包括所述微电网中的不同故障事件之间的逻辑关系;所述故障树模型中包括顶事件和多个基本事件;所述顶事件为微电网失效的故障事件;所述基本事件为所述微电网中的基础设备故障的故障事件;每一基础设备故障的故障事件对应一基本事件;
计算所述故障树模型的最小割集和最小径集;其中,所述最小割集包括导致顶事件发生所需的最少的基本事件;所述最小径集包括导致顶事件不发生所需的最少的基本事件的逆事件;
依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度;
基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,以使当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测。
优选地,所述多个基本事件包括配电故障、车间负荷故障、风冷热泵故障、充电桩故障、风电故障、储能故障、燃气轮机故障、余热锅炉故障、溴化锂机组故障和光伏发电故障。
优选地,基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,包括:
基于每一所述基本事件发生时导致所述顶事件发生的重要度的数值由大到小的顺序,对各基本事件进行排序,得到排序结果;
其中,所述排序结果中各基本事件的顺序依次为光伏发电故障、配电故障、车间负荷故障、风冷热泵故障、充电桩故障、风电故障、储能故障、燃气轮机故障、余热锅炉故障和溴化锂机组故障。
优选地,依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度,包括:
获取所述最小割集中每一所述基本事件对应的最小割集,以及所述最小径集中每一所述基本事件的逆事件对应的最小径集;其中,所述最小割集的数量和所述最小径集的数量均为多个;
从每一所述基本事件对应的最小割集中选取一个最小割集;
获取为每一所述基本事件选取的最小割集中包括的基本事件的数量;
根据每一所述基本事件的逆事件对应的最小径集,分析得到每一基本事件的逆事件对应的最小径集个数以及每一个最小径集的阶数;
基于每一所述基本事件对应的所述数量、每一所述基本事件的逆事件对应的最小径集个数和每一个最小径集的阶数,计算每一所述基本事件发生时导致顶事件发生的结构重要度;其中,所述重要度包括所述结构重要度。
优选地,计算所述故障树模型的最小割集和最小径集后,还包括:
获取所述微电网内的各所述基础设备的运行数据;其中,所述运行数据按照时间顺序排序;
基于各所述基础设备的运行数据,计算每一时间单元的总运行数据;
使用预设数据模型对所述每一时间单元的总运行数据以及预设故障概率计算公式进行运算,得到表征每一所述基本事件在每一时间单元发生的可能性的概率值;其中,所述预设数学模型用于计算表征每一所述基本事件在每一时间单元发生的可能性的概率值;所述预设故障概率计算公式表征每一时间单元的总运行数据与总运行数据中每种数据类型对应的数据之间的故障对应关系;
基于表征每一所述基本事件在每一时间单元发生的可能性的概率值,计算表征每一所述基本事件发生的可能性的概率值。
优选地,依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致顶事件发生的重要度,包括:
基于表征每一所述基本事件发生的可能性的概率值、以及所述最小割集,计算表征所述顶事件发生的可能性的概率值;
根据计算得到的表征所述顶事件发生的可能性的概率值、以及所述最小径集,计算每一所述基本事件发生时导致顶事件发生的概率重要度;其中,所述重要度包括概率重要度。
一种故障预测装置,包括:
模型获取模块,用于获取微电网的故障树模型;其中,所述故障树模型包括所述微电网中的不同故障事件之间的逻辑关系;所述故障树模型中包括顶事件和多个基本事件;所述顶事件为微电网失效的故障事件;所述基本事件为所述微电网中的基础设备故障的故障事件;每一基础设备故障的故障事件对应一基本事件;
第一数据计算模块,用于计算所述故障树模型的最小割集和最小径集;其中,所述最小割集包括导致顶事件发生所需的最少的基本事件;所述最小径集包括导致顶事件不发生所需的最少的基本事件的逆事件;
重要度计算模块,用于依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度;
排序模块,用于基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,以使当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测。
优选地,所述多个基本事件包括配电故障、车间负荷故障、风冷热泵故障、充电桩故障、风电故障、储能故障、燃气轮机故障、余热锅炉故障、溴化锂机组故障和光伏发电故障。
优选地,所述排序模块包括:
排序子模块,用于基于每一所述基本事件发生时导致所述顶事件发生的重要度的数值由大到小的顺序,对各基本事件进行排序,得到排序结果;
其中,所述排序结果中各基本事件的顺序依次为光伏发电故障、配电故障、车间负荷故障、风冷热泵故障、充电桩故障、风电故障、储能故障、燃气轮机故障、余热锅炉故障和溴化锂机组故障。
优选地,所述重要度计算模块包括:
第一获取子模块,用于获取所述最小割集中每一所述基本事件对应的最小割集,以及所述最小径集中每一所述基本事件的逆事件对应的最小径集;其中,所述最小割集的数量和所述最小径集的数量均为多个;
选取子模块,用于从每一所述基本事件对应的最小割集中选取一个最小割集;
第二获取子模块,用于获取为每一所述基本事件选取的最小割集中包括的基本事件的数量;
分析子模块,用于根据每一所述基本事件的逆事件对应的最小径集,分析得到每一基本事件的逆事件对应的最小径集个数以及每一个最小径集的阶数;
第一计算子模块,用于基于每一所述基本事件对应的所述数量、每一所述基本事件的逆事件对应的最小径集个数和每一个最小径集的阶数,计算每一所述基本事件发生时导致顶事件发生的结构重要度;其中,所述重要度包括所述结构重要度。
优选地,还包括:
数据获取模块,用于所述第一数据计算模块计算所述故障树模型的最小割集和最小径集后,获取所述微电网内的各所述基础设备的运行数据;其中,所述运行数据按照时间顺序排序;
第二数据计算模块,用于基于各所述基础设备的运行数据,计算每一时间单元的总运行数据;
第三数据计算模块,用于使用预设数据模型对所述每一时间单元的总运行数据以及预设故障概率计算公式进行运算,得到表征每一所述基本事件在每一时间单元发生的可能性的概率值;其中,所述预设数学模型用于计算表征每一所述基本事件在每一时间单元发生的可能性的概率值;所述预设故障概率计算公式表征每一时间单元的总运行数据与总运行数据中每种数据类型对应的数据之间的故障对应关系;
第四数据计算模块,用于基于表征每一所述基本事件在每一时间单元发生的可能性的概率值,计算表征每一所述基本事件发生的可能性的概率值。
优选地,所述重要度计算模块包括:
第二计算子模块,用于基于表征每一所述基本事件发生的可能性的概率值、以及所述最小割集,计算表征所述顶事件发生的可能性的概率值;
第三计算子模块,用于根据计算得到的表征所述顶事件发生的可能性的概率值、以及所述最小径集,计算每一所述基本事件发生时导致顶事件发生的概率重要度;其中,所述重要度包括概率重要度。
一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取微电网的故障树模型;其中,所述故障树模型包括所述微电网中的不同故障事件之间的逻辑关系;所述故障树模型中包括顶事件和多个基本事件;所述顶事件为微电网失效的故障事件;所述基本事件为所述微电网中的基础设备故障的故障事件;每一基础设备故障的故障事件对应一基本事件;
计算所述故障树模型的最小割集和最小径集;其中,所述最小割集包括导致顶事件发生所需的最少的基本事件;所述最小径集包括导致顶事件不发生所需的最少的基本事件的逆事件;
依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度;
基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,以使当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测。
相较于现有技术,本发明具有以下有益效果:
本发明提供了一种微电网的故障预测方法、装置及电子设备,获取微电网的故障树模型,计算所述故障树模型的最小割集和最小径集,依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度,基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测,进而可以优先对重要度较高的基础设备进行检测,进而能够快速定位故障设备,省时省力。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种微电网的故障预测方法,参照图1,可以包括:
S11、获取微电网的故障树模型;
其中,所述故障树模型包括所述微电网中的不同故障事件之间的逻辑关系,所述故障树模型中包括顶事件和多个基本事件。所述顶事件为微电网失效的故障事件,所述基本事件为所述微电网中的基础设备故障的故障事件,每一基础设备故障的故障事件对应一基本事件。
可选的,在本实施例的基础上,所述多个基本事件包括配电故障、车间负荷故障、风冷热泵故障、充电桩故障、风电故障、储能故障、燃气轮机故障、余热锅炉故障、溴化锂机组故障和光伏发电故障。
现结合图2,说明下故障树模型的构建思想:
由于微电网分为电源、配电网和负荷三部分,所以微电网发生失效故障时,也从电源侧、配电网侧和负荷侧三部分进行分析。由于负荷只有和配电网联系在一起,才能算做负荷,要不然它就是一个孤立的设备,所以将配电网和负荷两部分组合,则微电网发生失效T故障时,就分为荷网故障A1和能源供应故障A2(即电源侧故障)两种。发生荷网故障A1或能源供应故障A2时,均会导致微电网失效,所以荷网故障A1或能源供应故障A2为或的关系。
荷网故障A1进一步分为负荷侧故障B1和配电故障X1,负荷侧故障B1和配电故障X1同时发生时,才会认为发生荷网故障A1。所以负荷侧故障B1和配电故障X1为与的关系。
典型的微电网中的负荷主要是车间负荷、充电桩和风冷热泵三种。所以负荷侧故障B1进一步下分为车间负荷故障X3、风冷热泵故障X4以及充电桩故障X5。车间负荷故障X3、风冷热泵故障X4以及充电桩故障X5只要有一个发生,就认为发生了负荷侧故障B1,所以车间负荷故障X3、风冷热泵故障X4以及充电桩故障X5为或的关系。
微电网的供电来源中最重要的是光伏发电,所以将光伏发电故障单独作为能源供应故障A2中的一种单独的分支。所以将能源供应故障A2具体分为光伏发电故障X2和其他能源供应形式故障B2。光伏发电故障X2和其他能源供应形式故障B2都发生才会引发能源供应出现问题,所以光伏发电故障X2和其他能源供应形式故障B2为与的关系。
其余的供电来源可以是风电、燃气轮机、储能、余热锅炉和溴化锂机组。所以其他能源供应形式故障B2又具体细分为风电故障X6、燃气轮机故障X3、储能故障X7、余热锅炉故障X9和溴化锂机组故障X10,风电故障X6、燃气轮机故障X8、储能故障X7、余热锅炉故障X9和溴化锂机组故障X10中的一个发生时,就认为发生了其他能源供应形式故障B2,所以风电故障X6、燃气轮机故障X8、储能故障X7、余热锅炉故障X9和溴化锂机组故障X10为或的关系。
通过上述描述可知,故障树的基本事件包括车间负荷故障X3、风冷热泵故障X4、充电桩故障X5、配电故障X1、风电故障X6、燃气轮机故障X8、储能故障X7、余热锅炉故障X9、溴化锂机组故障X10和光伏发电故障X2。具体参照表1。
表1故障树模型的基本事件分类表
S12、计算所述故障树模型的最小割集和最小径集;
其中,所述最小割集包括导致顶事件发生所需的最少的基本事件,所述最小径集包括导致顶事件不发生所需的最少的基本事件的逆事件。
具体的,割集是指系统的一些基本事件组合,当这些基本事件同时发生时,顶事件必然发生。最小割集是指系统中没有其他割集发生的条件下,只有割集的所有的基本事件同时发生,顶事件才发生。割集中任何基本事件不发生,则顶事件都不发生。
一个最小割集代表系统的一种故障模式。最小割集在一定程度上代表系统的危险性大小,一般来说,割集阶数(包含基本事件个数)越少,其发生的可能性就越大,在不同最小割集中重复出现的次数越多的基本事件越重要。在分析系统的安全性与可靠性时,应当抓住重点,首先考虑那些发生概率相对较大或危害性大的小阶数最小割集以及出现次数较多的基本事件。
求解最小割集的过程包括:
采用下行法(Fussel)求解最小割集,如下式所示。其基本原理是从顶事件开始,由顶向下进行,依此把“门”的输出事件用输入事件替换,直到全部“门”事件均置换为基本事件为止。再利用集合运算规则(布尔代数运算)加以简化,得到全部最小割集,求解过程如下式所示。求得8个最小割集,如表2所示。
T=A1+A2
=B1X1+B2X2
=X1(X3+X4+X5)+X2(X6+X7+X8+X9+X10)
=X1X3+X1X4+X1X5+X2X6+X2X7+X2X8+X2X9+X2X10
表2最小割集的数据表
计算故障树的最小径集的过程包括:
在故障树分析中,如果一个基本事件集合内的基本事件全部不发生时,顶事件就不会发生,这个集合成为径集。最小径集,就是顶事件不发生所必需的最低径集。最小径集表示系统的安全性。求出最小径集就可以知道,要使顶事件不发生的几种可能方案。利用最小径集可以经济地、有效地选择采用预防事故的方案。即,利用最小径集可以知道要消除顶事件发生的可以有的几条途径。
求解故障树的最小径集,一般将故障树转化为与之对应的成功树,即:与门换或门,或门换与门。则成功树如下图所示,基本事件表如表3所示。
表3成功树的基本事件分类表
同理通过下行法与布尔代数运算,求得4个最小径集,整理如表4所示。
T’=A1A2
=(B′1+X′1)(B′2+X′2)
=(X′3X′4X′5+X′1)(X′6X′7X′8X′9X′10+X′2)
=X′1X′2+X′2X′3X′4X′5+X′1X′6X′7X′8X′9X′10+X′3X′4X′5X′6X′7X′8X′9X′10
表4最小径集的数据表
由表4可知,成功树求解的最小径集由1个二阶最小径集(X′1X′2)、1个四阶最小径集(X′2X′3X′4X′5)、1个六阶最小径集(X′1X′6X′7X′8X′9X′10)和1个八阶最小径集(X′3X′4X′5X′6X′7X′8X′9X′10)组成。最小径集表示控制顶事件发生的措施,每一组最小径集就是一个控制办法。最小径集的数量越多,表示控制措施越多。
S13、依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度。
S14、基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,以使当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测。
可选的,在本实施例的基础上,步骤S14可以包括:
基于每一所述基本事件发生时导致所述顶事件发生的重要度的数值由大到小的顺序,对各基本事件进行排序,得到排序结果;
其中,所述排序结果中各基本事件的顺序依次为光伏发电故障、配电故障、车间负荷故障、风冷热泵故障、充电桩故障、风电故障、储能故障、燃气轮机故障、余热锅炉故障和溴化锂机组故障。
具体的,根据重要度,对各基本事件的重要度排序,运维人员从而可确定对各基本事件进行安全控制所应采取措施的优先顺序,为制定科学、合理的安全控制措施提供基本的依据。
本实施例中,获取微电网的故障树模型,计算所述故障树模型的最小割集和最小径集,依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度,基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测,进而可以优先对重要度较高的基础设备进行检测,进而能够快速定位故障设备,省时省力。另外,还可以基于每一所述基本事件发生时导致所述顶事件发生的重要度的数值大小,对各基本事件进行排序,能够根据排序结果来制定预防微电网失效的措施。
可选的,在上述实施例的基础上,步骤S13有两种实现方式,现分别进行介绍。
1、第一种实现方式:
参照图4,步骤S13可以包括:
S21、获取所述最小割集中每一所述基本事件对应的最小割集,以及所述最小径集中每一所述基本事件的逆事件对应的最小径集;
其中,所述最小割集的数量和所述最小径集的数量均为多个。
举例来说,假设基本事件为X1,从表2中查找包括X1的最小割集,分别为(X1、X3)、(X1、X4)、(X1、X5)三个,所以基本事件X1对应的最小割集为(X1、X3)、(X1、X4)、(X1、X5)。
从表4中查找包括基本事件X1的逆事件X′1的最小径集,分别为(X′1X′2)和(X′1X′6X′7X′8X′9X′10X′10),则基本事件X1的逆事件X′1对应的最小径集为(X′1X′2)和(X′1X′6X′7X′8X′9X′10)。
S22、从每一所述基本事件对应的最小割集中选取一个最小割集;
具体的,可以从每一所述基本事件对应的最小割集中选择包括的基本事件的数量最少的最小割集,也可以随机选取。
S23、获取为每一所述基本事件选取的最小割集中包括的基本事件的数量;
以基本事件X1为例,若选择的最小割集为(X1、X4),则包括的基本事件的数量为2。
S24、根据每一所述基本事件的逆事件对应的最小径集,分析得到每一基本事件的逆事件对应的最小径集个数以及每一个最小径集的阶数;
基本事件X1的逆事件X′1对应的最小径集为(X′1X′2)和(X′1X′6X′7X′8X′9X′10)。则,基本事件X1的逆事件X′1对应的最小径集个数为2,每一个最小径集的阶数是每一最小径集包括的基本事件的数量,则最小径集阶数分别为2和6。
S25、基于每一所述基本事件对应的所述数量、每一所述基本事件的逆事件对应的最小径集个数和每一个最小径集的阶数,计算每一所述基本事件发生时导致顶事件发生的结构重要度。
其中,所述重要度包括所述结构重要度。
具体的,在不考虑各基本事件的发生概率,或者说假定各基本事件的发生概率都相等的情况下,计算每一所述基本事件发生时导致顶事件发生的结构重要度。即分析各基本事件的发生对顶事件的发生所产生的影响程度。本文采用近似判别式判断,其公式为:
If(i)——基本事件xi发生时导致所述顶事件发生的结构重要度;
kj——包含xi的所有最小径集的阶数;
n——包含xi的最小径集个数;
m——为xi选取的最小割集中包括的基本事件的数量。
则根据上式计算得到每一所述基本事件发生时导致顶事件发生的结构重要度,分别如下:
按照结构重要度的大小顺序进行排序,即可得到各基本事件的重要度排序如下:
I(2)>I(1)>I(3)=I(4)=I(5)>I(6)=I(7)=I(8)=I(9)=I(10)。
根据各基本事件的重要度排序,从定性角度分析可以看出预防微电网失效的最关键因素为能源供应系统中的光伏发电和网侧的配电室,其次为车间重要负荷的运行状况,运维人员从而可确定对各基本事件进行安全控制所应采取措施的优先顺序,为制定科学、合理的安全控制措施提供基本的依据。
针对微电网易多故障和易维修费用高的特点,在对多故障预测结果下,将预测结果通过故障树技术进行重要度排序,按结构重要度将信息发送至微网中央控制器,通过微网中央控制器执行底层设备的控制。迅速优先处理重要度高的故障,将损失降低到最小。
2、第二种实现方式:
参照图5,步骤S12后还可以包括:
S33、获取所述微电网内的各所述基础设备的运行数据;其中,所述运行数据按照时间顺序排序;
通过微网中央控制器获取微电网内的相关数据,所述运行包括正常运行时的数据、超出阈值告警的数据和故障事件状态下的数据。某一代表性的微电网系统的运行数据的内容如表5所示:
表5
其中,表5中给出了66种不同类型的数据,微电网包括光伏、储能、风电等10种设备,每种设备包括至少一种数据类型的运行数据,如光伏设备包括发电功率、瞬时辐照和发电量三种不同的数据类型的运行数据,每种数据类型对应的运行数据均包括正常运行时的数据、超出阈值告警的数据和故障事件状态下的数据。其余设备包括的运行数据请参照表5中的相应内容,在此不再赘述。需要说明的是,每种类型的运行数据均是获取的一段时间的数据。运行数据按照时间顺序进行排列。
需要说明的是,参照图6,微网中央控制器1、微网智慧诊断设备2和服务器3依次连接,微网中央控制器1采集运行数据,将运行数据发送到微网智慧诊断设备2执行图5中的方法,微网智慧诊断设备2计算出每一所述基本事件发生时导致所述顶事件发生的重要度后,可以发送至服务器3进行显示。
可选的,获取到各所述基础设备的运行数据后,可以对运行数据清洗,
由于高质量的数据有利于提高故障预测结果的精确性,因此需要对采集的数据进行数据整理。数据清洗的过程包括:
将空余、有错误的数据转化为有效数据。其中,有效数据是指设备正常运行时的数据。
1、针对空余数据的处理方法:
由于微电网数据在传输过程中,很容易发生掉包导致变量缺失。所以,利用空余赋值的方法,取一段时间该数据类型的运行数据的平均值或中间值进行空余变量的赋值。
2、针对有错误的数据的处理方法:
由于某些数据存在明显的错误,超出合理的取值范围,所以要检查数据是否合乎要求,通过错值去除,将超出每个变量的合理取值范围的错误数据剔除后,采用空余赋值方法进行赋值。利用交叉检验的方法,通过设定微电网内相关数据的相互约束和依赖关系,将逻辑上不合理或者互相矛盾的数据予以删除后,采用空余赋值方法重新进行赋值。
进行整理之后的运行数据仍是按照时间单元进行顺序排列的数据,时间单元t可以是毫秒、秒、分钟等。
S34、基于各所述基础设备的运行数据,计算每一时间单元的总运行数据;
总运行数据如下表示,由正常数据项x1(t)、告警数据项x2(t)和故障事件数据项x3(t)组成。
x(t)=x1(t)+x2(t)+x3(t)
其中,t为时间单元,x(t)为总数据量,x1(t)为正常数据项,x2(t)为告警数据项,x3(t)为故障事件数据项。其中,x2(t)和x3(t)中的运行数据可以为未经过数据清洗后的数据,也可以为经过数据清洗后的数据。
S35、使用预设数据模型对所述每一时间单元的总运行数据以及预设故障概率计算公式进行运算,得到表征每一所述基本事件在每一时间单元发生的可能性的概率值;
其中,所述预设数学模型用于计算表征每一所述基本事件发生的可能性的概率值,所述预设故障概率计算公式表征每一时间单元的总运行数据与总运行数据中每种数据类型对应的数据之间的故障对应关系。
具体的,首先需要获取预设数学模型和预设故障概率计算公式;
其中,yi(t)=A(x(t))+B(x(t),A(x(t)));i=1.2.3.4……66。
yi(t)表示每种数据类型的数据出现故障的概率,x(t)表示每种数据类型的运行数据,是按照时间顺序进行排列的,x(t)包括x1(t)、x2(t)和x3(t)。A表示机器学习智能预测算法,B表示线性模型预测算法,B里面有A,是将A的预测数据再迭代到B里。
此处,采用机器学习智能预测算法和线性模型预测算法的思想来确定yi(t)。
其中,在输入信息x(t)作用下,输出信息y(t)是机器学习智能预测算法A的输出A(x(t))和线性模型B的输出B(x(t),A(x(t)))的叠加。机器学习智能预测算法可包括随机森林、神经网络、支持向量机、逻辑回归、决策树等。
线性回归利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,线性回归模型主要解决的就是如何通过样本数据来获取最佳的拟合线,可以用来优化或者预测。最常用的方法便是最小二乘法,它是一种数学优化技术,它通过最小化误差的平方和寻找数据的最佳函数匹配,通过最小二乘法拟合二次回归模型。
建立机器学习智能预测算法和线性回归混合的算法模型,继承了智能算法技术在预测领域中的高精度优点,优化微电网的多故障预测能力,能够提高故障预测的精度。
本实施例中的预设数学模型是采用机器学习算法构建的模型,具体可以是tensorflow软件,该软件预先进行机器学习,能够计算得到yi(t)。
故障树中的基本事件也就是各个设备出现设备故障的事件,如设备为光伏时,基本事件为光伏故障,设备为储能时,基本事件为储能故障。
具体的,将预设计算规则yi(t)=A(x(t))+B(x(t),A(x(t)))以及x(t)输入到数学模型中,即可计算得到yi(t),由于每一设备对应多个yi(t),将每一设备对应的多个yi(t)进行相加,即可得到表征每一所述基本事件在每一时间单元发生的可能性的概率值;
计算得到的表征每一基本事件在每一时间单元发生的可能性的概率值,参照表6。
表6基本事件在每一时间单元发生的可能性的概率值的汇总表
S36、基于表征每一所述基本事件在每一时间单元发生的可能性的概率值,计算表征每一所述基本事件发生的可能性的概率值。
具体的,表6给出了五个时间单元时,每一基本事件发生的概率值,取五个时间单元的平均值作为表征每一基本事件发生的可能性的概率值。
可选的,在本实施例的基础上,参照图7,步骤S13可以包括:
S41、基于表征每一所述基本事件发生的可能性的概率值、以及所述最小割集,计算表征所述顶事件发生的可能性的概率值;
对顶事件发生可能性的概率值进行求解前,需对故障树进行以下假设:
1)诸基本事件之间相互独立;
2)所有基本事件仅考虑正常和失效两种状态;
3)不考虑随时间的变化而近似作为稳态处理;
4)在某一很短的时间间隔内不考虑同时发生两个以上的设备失效,即认为两个基本事件不同时发生,并且事件发生概率与时间增量成正比。
本文采用最小割集对顶事件的发生概率进行求解。求解方法如下:
由于故障树的各最小割集中有重复事件,根据布尔代数的幂等法则消去每个概率因子中的重复因子,方可得到正确的结果,可用下式进行计算:
P(T)——表征顶事件发生的可能性的概率值;
qi——表征每一基本事件发生的可能性的概率值;
r——最小割集的个数;
i——基本事件的序数;
kj——最小割集的序数;
已经在前边计算得到表征每一基本事件发生的可能性的概率值,带入上述公式,即可得到P(T)==2.99*10-6。
S42、根据计算得到的表征所述顶事件发生的可能性的概率值、以及所述最小径集,计算每一所述基本事件发生时导致顶事件发生的概率重要度。
其中,所述重要度包括概率重要度。
计算表征每一所述基本事件发生时导致所述顶事件发生的概率重要度的公式为:
式中,Ig(i):表征每一所述基本事件发生时导致所述顶事件发生的概率重
要度;
P(T):表征所述顶事件发生的可能性的概率值;
qi:表征每一基本事件发生的可能性的概率值;
根据上式,通过最小径集进行求解,过程如下:
T’=A1A2
=(B′1+X′1)(B′2+X′2)
=(X′3X′4X′5+X′1)(X′6X′7X′8X′9X′10+X′2)
=X′1X′2+X′2X′3X′4X′5+X′1X′6X′7X′8X′9X′10+X′3X′4X′5X′6X′7X′8X′9X′10
g(2)=0.00018
Ig(3)=1.408×10-8
Ig(4)=1.126×10-9
Ig(5)=2.048×10-9
Ig(6)=Ig(7)=Ig(8)=Ig(9)=Ig(10)=2.408×10-17
整理如表7所示:
表7每一基本事件发生时导致顶事件发生的概率重要度的汇总表
依据每一所述基本事件发生时导致顶事件发生的概率重要度,对基本事件进行排序得到:
Ig(2)>Ig(1)>Ig(3)>Ig(4)=Ig(5)>Ig(6)=Ig(7)=Ig(8))=Ig(9)=Ig(10)。
其中,采用两种不同的计算方式得到的基本事件的排序结果相同,第一种实现方式为定性分析,第二种实现方式为定量分析。
需要说明的是,每一所述基本事件发生时导致顶事件发生的重要度计算得到后,可以根据重要度的数值的数量级,来确定每一基本事件的事件发生频繁程度。其中,事件发生频繁程度是技术人员根据经验进行设定的,具体参照表6。
表6事件发生频繁程度与数量级的对应关系
如基本事件为光伏,Ig(1)=0.00016,数量级为10-5,则光伏事件发生频繁程度为很难发生。
本实施例中,给出了两种计算得到每一所述基本事件发生时导致所述顶事件发生的重要度,进而可以在不同的场景下使用不同的方法计算得到重要度。并且可以依据重要度对基本事件进行排序,进而确定导致微电网失效的重要基本事件,为预防微电网发生故障提供了有效依据。
可选的,在上述故障预测方法的实施例的基础上,本发明的另一实施例提供了一种微电网的故障预测装置,参照图8,可以包括:
模型获取模块101,用于获取微电网的故障树模型;其中,所述故障树模型包括所述微电网中的不同故障事件之间的逻辑关系;所述故障树模型中包括顶事件和多个基本事件;所述顶事件为微电网失效的故障事件;所述基本事件为所述微电网中的基础设备故障的故障事件;每一基础设备故障的故障事件对应一基本事件;
第一数据计算模块102,用于计算所述故障树模型的最小割集和最小径集;其中,所述最小割集包括导致顶事件发生所需的最少的基本事件;所述最小径集包括导致顶事件不发生所需的最少的基本事件的逆事件;
重要度计算模块103,用于依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度;
排序模块104,用于基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,以使当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测。
进一步,所述多个基本事件包括配电故障、车间负荷故障、风冷热泵故障、充电桩故障、风电故障、储能故障、燃气轮机故障、余热锅炉故障、溴化锂机组故障和光伏发电故障。
进一步,所述排序模块104可以包括:
排序子模块,用于基于每一所述基本事件发生时导致所述顶事件发生的重要度的数值由大到小的顺序,对各基本事件进行排序,得到排序结果;
其中,所述排序结果中各基本事件的顺序依次为光伏发电故障、配电故障、车间负荷故障、风冷热泵故障、充电桩故障、风电故障、储能故障、燃气轮机故障、余热锅炉故障和溴化锂机组故障。
本实施例中,获取微电网的故障树模型,计算所述故障树模型的最小割集和最小径集,依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度,基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测,进而可以优先对重要度较高的基础设备进行检测,进而能够快速定位故障设备,省时省力。另外,还可以基于每一所述基本事件发生时导致所述顶事件发生的重要度的数值大小,对各基本事件进行排序,能够根据排序结果来制定预防微电网失效的措施。
需要说明的是,本实施例中的模块和子模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选的,在上述任一故障预测装置的实施例的基础上,所述重要度计算模块包括:
第一获取子模块,用于获取所述最小割集中每一所述基本事件对应的最小割集,以及所述最小径集中每一所述基本事件的逆事件对应的最小径集;其中,所述最小割集的数量和所述最小径集的数量均为多个;
选取子模块,用于从每一所述基本事件对应的最小割集中选取一个最小割集;
第二获取子模块,用于获取为每一所述基本事件选取的最小割集中包括的基本事件的数量;
分析子模块,用于根据每一所述基本事件的逆事件对应的最小径集,分析得到每一基本事件的逆事件对应的最小径集个数以及每一个最小径集的阶数;
第一计算子模块,用于基于每一所述基本事件对应的所述数量、每一所述基本事件的逆事件对应的最小径集个数和每一个最小径集的阶数,计算每一所述基本事件发生时导致顶事件发生的结构重要度;其中,所述重要度包括所述结构重要度。
进一步,故障预测装置还包括:
数据获取模块,用于所述第一数据计算模块计算所述故障树模型的最小割集和最小径集后,获取所述微电网内的各所述基础设备的运行数据;其中,所述运行数据按照时间顺序排序;
第二数据计算模块,用于基于各所述基础设备的运行数据,计算每一时间单元的总运行数据;
第三数据计算模块,用于使用预设数据模型对所述每一时间单元的总运行数据以及预设故障概率计算公式进行运算,得到表征每一所述基本事件在每一时间单元发生的可能性的概率值;其中,所述预设数学模型用于计算表征每一所述基本事件在每一时间单元发生的可能性的概率值;所述预设故障概率计算公式表征每一时间单元的总运行数据与总运行数据中每种数据类型对应的数据之间的故障对应关系;
第四数据计算模块,用于基于表征每一所述基本事件在每一时间单元发生的可能性的概率值,计算表征每一所述基本事件发生的可能性的概率值。
进一步,所述重要度计算模块还可以包括:
第二计算子模块,用于基于表征每一所述基本事件发生的可能性的概率值、以及所述最小割集,计算表征所述顶事件发生的可能性的概率值;
第三计算子模块,用于根据计算得到的表征所述顶事件发生的可能性的概率值、以及所述最小径集,计算每一所述基本事件发生时导致顶事件发生的概率重要度;其中,所述重要度包括概率重要度。
本实施例中,给出了两种计算得到每一所述基本事件发生时导致所述顶事件发生的重要度,进而可以在不同的场景下使用不同的方法计算得到重要度。并且可以依据重要度对基本事件进行排序,进而确定导致微电网失效的重要基本事件,为预防微电网发生故障提供了有效依据。
需要说明的是,本实施例中的模块和子模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选的,在上述故障预测方法及装置的实施例的基础上,本发明的另一实施例提供了一种电子设备,可以包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取微电网的故障树模型;其中,所述故障树模型包括所述微电网中的不同故障事件之间的逻辑关系;所述故障树模型中包括顶事件和多个基本事件;所述顶事件为微电网失效的故障事件;所述基本事件为所述微电网中的基础设备故障的故障事件;每一基础设备故障的故障事件对应一基本事件;
计算所述故障树模型的最小割集和最小径集;其中,所述最小割集包括导致顶事件发生所需的最少的基本事件;所述最小径集包括导致顶事件不发生所需的最少的基本事件的逆事件;
依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度;
基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,以使当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测。
本实施例中,获取微电网的故障树模型,计算所述故障树模型的最小割集和最小径集,依据计算得到的最小割集和最小径集,计算每一所述基本事件发生时导致所述顶事件发生的重要度,基于每一所述基本事件发生时导致所述顶事件发生的重要度,对各基本事件进行排序,得到排序结果,当微电网失效时,按照所述排序结果对所述微电网中的各基础设备依次进行检测,进而可以优先对重要度较高的基础设备进行检测,进而能够快速定位故障设备,省时省力。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。