CN110348676A - 一种变电站自动化设备状态评价方法及系统 - Google Patents
一种变电站自动化设备状态评价方法及系统 Download PDFInfo
- Publication number
- CN110348676A CN110348676A CN201910456673.0A CN201910456673A CN110348676A CN 110348676 A CN110348676 A CN 110348676A CN 201910456673 A CN201910456673 A CN 201910456673A CN 110348676 A CN110348676 A CN 110348676A
- Authority
- CN
- China
- Prior art keywords
- state
- index
- evaluation
- fuzzy
- state index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 120
- 230000009466 transformation Effects 0.000 title claims abstract description 44
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000005484 gravity Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 206010016322 Feeling abnormal Diseases 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 230000004888 barrier function Effects 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 32
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 13
- 238000013278 delphi method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开一种变电站自动化设备状态评价方法及系统,方法包括建立评价指标体系;划分状态级别并形成参数集;利用专家评价数据形成多个模糊软集;利用所有模糊软集获取区间值模糊软集;采用加权模糊决策算法获得集成区间值模糊集以及初始得分;归一化处理初始得分得到比重值和权重值;确定每一项状态指标的评分值与状态等级;根据指标权重得出状态指标的重要性排序,并根据状态指标对应的评分值判断存在的故障危险,综合分析后给出相应的预警检修策略。本发明能够避免模糊层次分析法确定权重时的繁重计算量和可能产生的排序一致性问题,能够较客观有效地评估变电站自动化系统的综合状态并给出检修策略参考,具有扩展性强的优点。
Description
技术领域
本发明涉及电力工程领域的变电站自动化设备检测技术,具体涉及一种变电站自动化设备状态评价方法及系统。
背景技术
随着智能电网的发展,出现了智能变电站,其采用现代先进的传感器、电子、信息、通信、控制和软件技术,构建统一的应用平台。通过网络通信和数字系统,智能变电站的二次系统的功能正在从根本上发展:除了主系统的控制、保护和监控等传统功能外,变电站自动化系统还将提供更多与新功能相关的信息,如动态性能监控、系统老化和动态容量等。常规的传感方法已经可以确保简单的绝缘结构和出色的动态性能;智能高压设备已经可以实现包括操作条件,控制和工作负荷的自我评估和自我描述;一些高级的本地分析和数据管理软件已经在变电站层面内使用,这对电网内运行设备,尤其是核心变电站可靠、健康运行提出了更高的要求,维护方案将发生巨大的改变。从企业成本的角度来说,计划维护和事后维护工作量大、而成效不显著,互联的智能设备,在线监测系统和强大的状态信息管理系统确保了从计划维护过渡到下一个阶段状态检修。
而要开展状态检修工作,首先得进行设备状态评价。为了评估设备的总体状况,有必要包括尽可能多的可用数据,并确定不同条件因素在检测资产健康状况中的相对重要程度。许多决策方法,如层次分析法,模糊逻辑已被用于电力设备状态评估。目前,已经出现了多种分析评价方法,包括:基于多准则的模糊层次分析模型来确定变压器的整体健康指数;以及采用模糊层级分析和熵权法结合的方法来对二次设备状态进行评估,并从多个指标对被评价事物隶属等级状况进行综合性评判。模糊层次分析相比于层次分析法能够将专家的经验纳入决策过程,并保持思维的一致性。然而,上述方法都是采用层次分析法和德尔菲法结合来确定目标的权重,但随着变电站设备的多样化,为保证评估结果的准确度,所收集的指标数量也越来越多,层次分析中的1~9评级法的计算量就越来越大,判断矩阵的特征值和特征向量的求解变得越来越困难;且在许多模糊决策应用中,仅用1~9评级来描述某个指标的个性化时,不能准确描述其不确定性。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种变电站自动化设备状态评价方法及系统,本发明通过引入区间值模糊软集、模糊决策集成算子以此来确定包含相关专家意见、经验的新权重,能够有效保证变电站自动化设备状态评价的客观性和准确性,能够避免模糊层次分析法确定权重时的繁重计算量和可能产生的排序一致性问题,具有扩展性强的优点。
为了解决上述技术问题,本发明采用的技术方案为:
一种变电站自动化设备状态评价方法,实施步骤包括:
1)对变电站自动化设备的离线状态信息和在线状态信息进行分类并建立评价指标体系得到评价指标集U,所述评价指标集U包括多项离线状态指标和多项在线状态指标;
2)针对评价指标集U中的每一项状态指标生成用于将该状态指标划分状态等级的参数形成参数集E;
3)针对评价指标集U中的每一项状态指标按照参数集E中的参数进行多次评价得到评分数据,形成对应数量的多个模糊软集;
4)对所有模糊软集采用最大最小归一化算法得到区间值模糊软集;
5)将区间值模糊软集通过加权模糊决策算法得到集成区间值模糊集与指标集U中的每一项状态指标hi的初始得分ri;
6)对初始得分ri进行归一化处理得到评价指标集U中的每一项状态指标hi的对应的比重值xi并计算权重值wi;
7)对变电站自动化设备的离线状态信息和在线状态信息进行数据采集,采用预设的状态指标项评分函数得到评价指标集U中的每一项状态指标的评分值及其状态等级;
8)根据指标权重给出状态指标的重要性排序,并根据评分值判断状态指标存在的故障危险,综合分析后给出相应的预警检修策略。
优选地,步骤1)中的多项离线状态指标包括历史故障记录h1、定期检查情况h2、安装调试记录h3、家族性缺陷h4、投运时间h5;多项在线状态指标包括备用电源状态h6、CPU负载h7、实时故障信息h8、硬盘读取速度h9、通信网络模块h10、温度h11、湿度h12。
优选地,步骤2)中形成参数集E时时,状态指标划分状态等级包括正常e1、预警e2和危险e3三种状态等级,且历史故障记录h1按照历史故障次数来划分;定期检查情况h2根据最新检查情况来划分;安装调试记录h3根据调试结果来划分;家族性缺陷h4根据缺陷所导致的危害程度来划分;投运时间h5根据设备运行时间规定来划分;备用电源状态h6根据电源连接情况、电池状况来划分;CPU负载h7根据CPU资源占用率来划分;实时故障信息h8根据有无故障信息来划分;硬盘读取速度h9根据硬盘检测软件结果来划分;通信网络模块h10根据时钟同步错误、吞吐量、延迟、丢包率和误码率等数据来划分;温度h11根据环境温度来划分;湿度h12根据环境湿度来划分。
优选地,步骤4)的详细步骤包括:对所有模糊软集中的评价指标集U以及参数集E分别按升序对原始数据进行排序;分别找到对应参数集E中每个参数ek,评价指标集U中每一个评价指标hi的最大数据和最小数据;采用最大最小归一化算法将最大数据和最小数据转换为[0,1]的子区间,使其被归一化为相关区间值模糊软集中的上和下隶属度,从而获得所有模糊软集的区间值模糊软集。
优选地,步骤5)中将区间值模糊软集通过加权模糊决策算法得到集成区间值模糊集与指标集U中的每一项状态指标hi的初始得分ri具体是指首先针对区间值模糊软集通过式(1) 计算评价指标集U中每一个评价指标hi的选择价值ci,从而得到所有选择价值ci构成的集成区间值模糊集然后根据式(2)计算初始得分ri;
式(1)中,分别为评价指标集U中第i个评价指标hi的集成区间值模糊集的上和下隶属度,E为参数集,m为评价指标集E中参数的总数量。w′k为参数ek的权重,通常由专家经验决定。和分别表示评价指标集U中第i个评价指标hi对于参数集E 中每个参数ek的上、下隶属度,F(E)为从参数集E到评价指标集U上所有区间值模糊软集组成的集合的映射;
式(2)中,hj表示评价指标集U中除第i个评价指标hi以外的第j项状态指标,u表示评价指标集U中除第i个评价指标hi以外的状态指标集合,和分别为状态指标集合u中的第j项状态指标hj的集成区间值模糊集的上和下隶属度。
优选地,步骤6)中比重值xi的计算函数表达式如式(3)所示,权重值wi的计算函数表达式如式(4)所示;
式(3)中,ri表示评价指标集U中第i个评价指标hi的初始得分,K为大于max(ri)的定值,max(ri)为所有初始得分ri中的最大值,min(ri)为所有初始得分ri中的最小值;
式(4)中,xi表示评价指标集U中第i个评价指标hi的比重值,n为评价指标集U中评价指标的总数量。
优选地,步骤7)中采用预设的状态指标项评分函数得到评价指标集U中的每一项状态指标的评分值及其状态等级具体是指首先根据每一项状态指标的状态值范围选择式(5)~(9) 所示预设的状态指标项评分函数中的一种状态指标项评分函数,然后根据选择的状态指标项评分函数对该状态指标的状态值进行计算得到该状态指标对应的评分值;且在状态指标的评分值在[a-δ,a+δ]范围内时判定该状态指标的状态等级为正常级别,在状态指标的评分值在 [a1,a-δ]∪[a+δ,a2]范围内时判定该状态指标的状态等级为预警级别,在状态指标的评分值在[0, a1]∪[a2,100]范围内时判定该状态指标的状态等级为危险级别;
式(5)~(9)中,v1(s)~v5(s)分别表示各个状态指标项评分函数输出的评分值,s为状态指标的状态值,a、a1、a2及b1、b2、b3、b4、b5为预设常数参数,δ为状态等级划分参数。
优选地,步骤8)中状态指标权重越大即代表其重要性越高,应优先检查状态等级危险且重要性较高的状态指标。
此外,本发明还提供一种变电站自动化设备状态评价系统,包括计算机设备,该计算机设备被编程或配置以执行所述变电站自动化设备状态评价方法的步骤,或者该计算机设备的存储介质上存储有被编程或配置以执行所述变电站自动化设备状态评价方法的计算机程序。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行所述变电站自动化设备状态评价方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、本发明变电站自动化设备状态评估方法通过引入区间值模糊软集和模糊决策集成算子来确定各单项指标的权重,避免了模糊层次分析法确定权重时的繁重计算量和可能产生的排序一致性问题。
2、本发明变电站自动化设备状态评估方法应用灵活,可拓展性强,当需要增加新的指标时,不需要构造更加复杂的判断矩阵,可以组合两个评估系统以获得更全面的评估。实例计算表明,本发明变电站自动化设备状态评估方法能够较客观有效地评估变电站自动化系统的综合状态并给出检修策略参考。
附图说明
图1为本发明实施例方法的基本流程示意图。
具体实施方式
下面以湖南某变电站自动化设备为例,对本发明变电站自动化设备状态评价方法及系统进行进一步的详细说明。
如图1所示,本实施例变电站自动化设备状态评价方法的实施步骤包括:
1)对变电站自动化设备的离线状态信息和在线状态信息进行分类并建立评价指标体系得到评价指标集U,所述评价指标集U包括多项离线状态指标和多项在线状态指标;
2)针对评价指标集U中的每一项状态指标生成用于将该状态指标划分状态等级的参数形成参数集E;
3)针对评价指标集U中的每一项状态指标按照参数集E中的参数进行多次评价得到评分数据,形成对应数量的多个模糊软集;
4)对所有模糊软集采用最大最小归一化算法得到区间值模糊软集;
5)将区间值模糊软集通过加权模糊决策算法得到集成区间值模糊集与指标集U中的每一项状态指标hi的初始得分ri;
6)对初始得分ri进行归一化处理得到评价指标集U中的每一项状态指标hi的对应的比重值xi并计算权重值wi;
7)对变电站自动化设备的离线状态信息和在线状态信息进行数据采集,采用预设的状态指标项评分函数得到评价指标集U中的每一项状态指标的评分值及其状态等级;
8)根据指标权重给出状态指标的重要性排序,并根据评分值判断状态指标存在的故障危险,综合分析后给出相应的预警检修策略。
本实施例中,评价指标集U表示为U={h1,h2,…,hn},其中h1~hn为评价指标集U中的各项状态指标,本实施例中,状态指标数量n的取值为12。本实施例中,步骤1)中的多项离线状态指标包括历史故障记录h1、定期检查情况h2、安装调试记录h3、家族性缺陷h4、投运时间h5;多项在线状态指标包括备用电源状态h6、CPU负载h7、实时故障信息h8、硬盘读取速度h9、通信网络模块h10、温度h11、湿度h12,具体如表1所示。
表1:状态指标表。
本实施例中,参数集E表示为E={e1,e2,…,em}。本实施例中,步骤2)中形成参数集E 时时,状态指标划分状态等级包括正常e1、预警e2和危险e3三种状态等级,且历史故障记录 h1按照历史故障次数来划分;定期检查情况h2根据最新检查情况来划分;安装调试记录h3根据调试结果来划分;家族性缺陷h4根据缺陷所导致的危害程度来划分;投运时间h5根据设备运行时间规定来划分;备用电源状态h6根据电源连接情况、电池状况来划分;CPU负载h7根据CPU资源占用率来划分;实时故障信息h8根据有无故障信息来划分;硬盘读取速度 h9根据硬盘检测软件结果来划分;通信网络模块h10根据时钟同步错误、吞吐量、延迟、丢包率和误码率等数据来划分;温度h11根据环境温度来划分;湿度h12根据环境湿度来划分。本实施例中状态等级数量m取值为3,构造的参数集E={e1,e2,e3}。
本实施例中,步骤3)针对评价指标集U中的每一项状态指标按照参数集E中的参数进行多次评价得到评分数据,形成对应数量的多个模糊软集。
对每一项状态指标按照不同的所述状态等级进行多次评价得到评分数据,形成多个模糊软集。下面举例简述模糊软集的形成过程。设定U={h1,h2,h3}是三台变电站自动化设备, E={e1,e2,e3}是一组参数,e1、e2、e3分别代表正常e1、预警e2和危险e3。假设有五位专家从e1、e2、三个方面评估这三台变电站自动化设备。评分数据(评估分数限于[0.0,10.0]范围)如下:
对于来自方面e1的设备h1,五位专家分别给出评估分数,例如5.8,6.7,8.5,4.1,7.3;
对于来自方面e2的设备h1,五位专家分别给出评估分数,例如2.3,4.8,6.7,4.5,7.2;
对于来自方面e3的设备h1,五位专家分别给出评估分数,例如6.9,7.8,8.4,9.1,7.3;
对于来自方面e1的设备h2,五位专家分别给出评估分数,例如6.7,5.6,5.5,7.1,8.2;
对于来自方面e2的设备h2,五位专家分别给出评估分数,例如6.3,4.8,6.5,7.5,7.8;
对于来自方面e3的设备h2,五位专家分别给出评估分数,例如7.2,6.5,7.7,5.1,6.3;
对于来自方面e1的设备h3,五位专家分别给出评估分数,例如6.2,6.4,8.6,6.1,7.8;
对于来自方面e2的设备h3,五位专家分别给出评估分数,例如8.3,8.8,7.7,5.9,7.3;
对于来自方面e3的设备h3,五位专家分别给出评估分数,例如7.9,7.6,7.4,8.1,6.3。
可得五个专家给出的模糊软集,其中第一位专家给出的模糊软集如表2所示。
表2:一号专家评分模糊软集的部分内容示例。
U/E | e<sub>1</sub> | e<sub>2</sub> | e<sub>3</sub> |
h<sub>1</sub> | 5.8 | 2.3 | 6.9 |
h<sub>2</sub> | 6.7 | 6.3 | 7.2 |
h<sub>3</sub> | 6.2 | 8.3 | 7.9 |
参见表2可知,模糊软集为二维数据,二维数据的数据行为评价指标集U中的各项状态指标,二维数据的数据列为正常e1、预警e2和危险e3三种状态等级,任意行、列对应的元素对应评价指标集U中的某项状态指标对应某一项状态等级的评分结果。需要说明的是,该示例只有h1~h3三个指标,不同于本实施例实际上有h1-h12共12个指标。该示例只是用于简单示范前五个步骤的执行方法示例中指标较少,计算较为简便。
本实施例中,步骤4)的详细步骤包括:对所有模糊软集中的评价指标集U以及参数集 E分别按升序对原始数据进行排序;分别找到对应参数集E中每个参数ek;对应评价指标集 U中每一个评价指标hi的最大数据和最小数据;将最大数据和最小数据转换为[0,1]的子区间,使其被归一化为相关区间值模糊软集中的上和下隶属度,从而获得所有模糊软集的区间值模糊软集,表示为其中为包含所有区间值的集合。
对于每个hi∈U,对于每个参数ek,1≤k≤m,按升序对所有专家评分进行排序;找到每个参数ek的每个hi∈U的最大数据和最小数据;将最大数据和最小数据转换为[0,1]的子区间,其被归一化为相关区间值模糊软集中的上和下隶属度,即形成获得区间值模糊软集继续以步骤3)中的三台变电站自动化设备为示例,对于每个hi∈U,对于每个参数ek,按升序对所有专家评分进行排序,因此我们可以得到最大数据和最小数据如下:
对于正常e1,设备h1最大数据和最小数据分别为8.5和4.1;
对于预警e2,设备h1最大数据和最小数据分别为7.2和2.3;
对于危险e3,设备h1最大数据和最小数据分别为9.1和6.9;
对于正常e1,设备h2最大数据和最小数据分别为8.2和5.5;
对于预警e2,设备h2最大数据和最小数据分别为7.8和4.8;
对于危险e3,设备h2最大数据和最小数据分别为7.7和5.1;
对于正常e1,设备h3最大数据和最小数据分别为8.6和6.1;
对于预警e2,设备h3最大数据和最小数据分别为8.8和5.9;
对于危险e3,设备h3最大数据和最小数据分别为8.1和6.3。
将最大评估得分和最小评估得分转换为[0,1]的子区间,其被归一化为相关区间值模糊软集中的上和下隶属度。例如对于h1与e1,上下隶属度形成的区间是[0.41,0.85]。所有上下隶属度形成的区间值模糊软集如表3所示。
表3:区间值模糊软集
U/E | e<sub>1</sub> | e<sub>2</sub> | e<sub>3</sub> |
h<sub>1</sub> | [0.41,0.85] | [0.23,0.72] | [0.69,0.91] |
h<sub>2</sub> | [0.55,0.82] | [0.48,0.78] | [0.51,0.77] |
h<sub>3</sub> | [0.61,0.86] | [0.59,0.88] | [0.63,0.81] |
本实施例中湖南某变电站自动化设备的区间值模糊软集如表4所示。
表4:区间值模糊软集的实例。
本实施例中,步骤5)中将区间值模糊软集通过加权模糊决策算法得到集成区间值模糊集与指标集U中的每一项状态指标hi的初始得分ri具体是指首先针对区间值模糊软集通过式 (1)计算评价指标集U中每一个评价指标hi的选择价值ci,从而得到所有选择价值ci构成的集成区间值模糊集然后根据式(2)计算初始得分ri;
式(1)中,分别为评价指标集U中第i个评价指标hi的集成区间值模糊集的上和下隶属度,E为参数集,m为评价指标集E中参数的总数量。w′k为参数ek的权重,通常由专家经验决定。和分别表示评价指标集U中第i个评价指标hi对于参数集E 中每个参数ek的上、下隶属度,F(E)为从参数集E到评价指标集U上所有区间值模糊软集组成的集合的映射;
式(2)中,hj表示评价指标集U中除第i个评价指标hi以外的第j项状态指标,u表示评价指标集U中除第i个评价指标hi以外的状态指标集合,和分别为状态指标集合u中的第j项状态指标hj的集成区间值模糊集的上和下隶属度;
本实施例中,F(E)表示从E={e1,e2,e3}到U={h1,h2,…,h12}上所有区间值模糊软集组成的集合的映射。
下面举例简述集成区间值模糊集与初始得分ri的形成过程。
首先基于步骤4)的区间值模糊软集示例,应用模糊集成算子进行计算,可以得到对象hi的选择价值ci。假设e1、e2、e3三个参数重要性相同,因此取则:
因此,可得集成区间值模糊集如表5所示。
表5:集成区间值模糊集
然后计算初始得分ri,例如对象h1的初始得分r1的计算过程如下:
本实施例中,步骤6)中比重值xi的计算函数表达式如式(3)所示,权重值wi的计算函数表达式如式(4)所示;
式(3)中,ri表示评价指标集U中第i个评价指标hi的初始得分,K为大于max(ri)的定值,max(ri)为所有初始得分ri中的最大值,min(ri)为所有初始得分ri中的最小值;对应初始得分ri,由于本实施例是主要讨论指标故障状态,我们考虑采用反向指标函数来对得分ri进行归一化处理。该函数具有很好的代数性质,但评价信息不能得到充分利用,因此可能出现综合决策的结果不易分辨的情况。为此,将反向指标函数进行适当改进,从而进行归一化处理得到xi。本实施例中K大于max(ri)的1.5倍。
式(4)中,xi表示评价指标集U中第i个评价指标hi的比重值,n为评价指标集U中评价指标的总数量。
下面举例简述本步骤的计算过程。基于步骤5)示例的初始得分ri,比重值xi和权重值 wi计算表达式如下:
本实施例中,步骤7)中采用预设的状态指标项评分函数得到评价指标集U中的每一项状态指标的评分值及其状态等级具体是指首先根据每一项状态指标的状态值范围选择式 (5)~(9)所示预设的状态指标项评分函数中的一种状态指标项评分函数,然后根据选择的状态指标项评分函数对该状态指标的状态值进行计算得到该状态指标对应的评分值;且在状态指标的评分值在[a-δ,a+δ]范围内时判定该状态指标的状态等级为正常级别,在状态指标的评分值在[a1,a-δ]∪[a+δ,a2]范围内时判定该状态指标的状态等级为预警级别,在状态指标的评分值在[0,a1]∪[a2,100]范围内时判定该状态指标的状态等级为危险级别;
式(5)~(9)中,v1(s)~v5(s)分别表示各个状态指标项评分函数输出的评分值,s为状态指标的状态值,a、a1、a2及b1、b2、b3、b4、b5为预设常数参数,δ为状态等级划分参数。
搜集所述离线状态信息,以及实时采集在线状态信息,采用状态指标项评分函数得到对应每一项状态指标的评分值vi,并确定每一项状态指标对应的所述状态等级。在本步骤中,考虑监测数据,给出了3个状态等级的边界区间,状态指标项评分函数如式(5)-(9)所示。通过前述公式(5)-(9)结合德尔菲法可得到每一项状态指标的评分值vi。德尔菲法,也称专家调查法,1946年由美国兰德公司创始实行。该方法最初是由企业组成一个专门的预测机构,其中包括若干专家和企业预测组织者,按照规定的程序,背靠背地征询专家对未来市场的意见或者判断,然后进行预测的方法。德尔菲法本质上是一种反馈匿名函询法,其大致流程是:在对所要预测的问题征得专家的意见之后,进行整理、归纳、统计,再匿名反馈给各专家,再次征求意见,再集中,再反馈,直至得到一致的意见。其过程可简单表示如下:匿名征求专家意见-归纳、统计-匿名反馈-归纳、统计……若干轮后停止。德尔菲法作为一种主观、定性的方法,不仅可以用于预测领域,而且可以广泛应用于各种评价指标体系的建立和具体指标的确定过程。
最终,本实施例中得到各指标的初始得分ri、比重值xi和权重值wi如表6所示。
表6指标选择价值、初始得分、比重、权重表。
执行步骤7)得到每一项状态指标的评分值vi。在本实施例中,根据专家建议,设定b1=80, b2=20,b3=60,b4=20,b5=60,由此得到的单项状态指标的评分值如表7所示。
表7:单项状态指标评分值。
U | 评分值 | U | 评分值 |
h<sub>1</sub> | 95.5 | h<sub>7</sub> | 32.7 |
h<sub>2</sub> | 82.4 | h<sub>8</sub> | 100 |
h<sub>3</sub> | 97.2 | h<sub>9</sub> | 89.6 |
h<sub>4</sub> | 72.3 | h<sub>10</sub> | 92.4 |
h<sub>5</sub> | 90.4 | h<sub>11</sub> | 69.3 |
h<sub>6</sub> | 91.5 | h<sub>12</sub> | 93.6 |
步骤7)中在状态指标的评分值在[a-δ,a+δ]范围内时判定该状态指标的状态等级为正常级别,在状态指标的评分值在[a1,a-δ]∪[a+δ,a2]范围内时判定该状态指标的状态等级为预警级别,在状态指标的评分值在[0,a1]∪[a2,100]范围内时判定该状态指标的状态等级为危险级别,从而可以分析出每一项状态指标存在的危险;根据权重wi值大小可以得出每一项状态指标的重要性排序,从而可方便给出相应的预警检修策略。本实施例中执行步骤8)后,得变电站自动化系统的设备状态指标的重要性排序与状态等级如表8所示(状态指标重要性排序数值越大代表该状态指标的重要性越高),可知是自动化设备的CPU这个指标存在危险的可能性,且指标h7(CPU负载)的重要性最高,需要立即进行检修。经过维护人员检查发现,由于温度过高以及系统软件问题导致主机CPU负载率高达80%,经过软件厂家维护,系统恢复正常。
表8指标重要性排序与状态等级。
综上所述,本实施例变电站自动化设备状态评价方法通过引入区间值模糊软集和模糊决策集成算子来确定各单项指标的权重,避免了模糊层次分析法确定权重时的繁重计算量和可能产生的排序一致性问题。并且应用灵活,可拓展性强,当需要增加新的指标时,不需要构造更加复杂的判断矩阵,可以组合两个评估系统以获得更全面的评估。实例计算表明,该评估方法能够较客观有效地评估变电站自动化系统的综合状态。
此外,本发明还提供一种变电站自动化设备状态评价系统,包括计算机设备,该计算机设备被编程或配置以执行所述变电站自动化设备状态评价方法的步骤,或者该计算机设备的存储介质上存储有被编程或配置以执行所述变电站自动化设备状态评价方法的计算机程序。此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行所述变电站自动化设备状态评价方法的计算机程序。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种变电站自动化设备状态评价方法,其特征在于实施步骤包括:
1)对变电站自动化设备的离线状态信息和在线状态信息进行分类并建立评价指标体系得到评价指标集U,所述评价指标集U包括多项离线状态指标和多项在线状态指标;
2)针对评价指标集U中的每一项状态指标生成用于将该状态指标划分状态等级的参数形成参数集E;
3)针对评价指标集U中的每一项状态指标按照参数集E中的参数进行多次评价得到评分数据,形成对应数量的多个模糊软集;
4)对所有模糊软集采用最大最小归一化算法得到区间值模糊软集;
5)将区间值模糊软集通过加权模糊决策算法得到集成区间值模糊集与指标集U中的每一项状态指标hi的初始得分ri;
6)对初始得分ri进行归一化处理得到评价指标集U中的每一项状态指标hi的对应的比重值xi并计算权重值wi;
7)对变电站自动化设备的离线状态信息和在线状态信息进行数据采集,采用预设的状态指标项评分函数得到评价指标集U中的每一项状态指标的评分值及其状态等级;
8)根据指标权重给出状态指标的重要性排序,并根据评分值判断状态指标存在的故障危险,综合分析后给出相应的预警检修策略。
2.根据权利要求1所述的变电站自动化设备状态评价方法,其特征在于,步骤1)中的多项离线状态指标包括历史故障记录h1、定期检查情况h2、安装调试记录h3、家族性缺陷h4、投运时间h5;多项在线状态指标包括备用电源状态h6、CPU负载h7、实时故障信息h8、硬盘读取速度h9、通信网络模块h10、温度h11、湿度h12。
3.根据权利要求2所述的变电站自动化设备状态评价方法,其特征在于,步骤2)中形成参数集E时时,状态指标划分状态等级包括正常e1、预警e2和危险e3三种状态等级,且历史故障记录h1按照历史故障次数来划分;定期检查情况h2根据最新检查情况来划分;安装调试记录h3根据调试结果来划分;家族性缺陷h4根据缺陷所导致的危害程度来划分;投运时间h5根据设备运行时间规定来划分;备用电源状态h6根据电源连接情况、电池状况来划分;CPU负载h7根据CPU资源占用率来划分;实时故障信息h8根据有无故障信息来划分;硬盘读取速度h9根据硬盘检测软件结果来划分;通信网络模块h10根据时钟同步错误、吞吐量、延迟、丢包率和误码率等数据来划分;温度h11根据环境温度来划分;湿度h12根据环境湿度来划分。
4.根据权利要求1所述的变电站自动化设备状态评价方法,其特征在于,步骤4)的详细步骤包括:对所有模糊软集中的评价指标集U以及参数集E分别按升序对原始数据进行排序;分别找到对应参数集E中每个参数ek,评价指标集U中每一个评价指标hi的最大数据和最小数据;采用最大最小归一化算法将最大数据和最小数据转换为[0,1]的子区间,使其被归一化为相关区间值模糊软集中的上和下隶属度,从而获得所有模糊软集的区间值模糊软集。
5.根据权利要求1所述的变电站自动化设备状态评价方法,其特征在于,步骤5)中将区间值模糊软集通过加权模糊决策算法得到集成区间值模糊集与指标集U中的每一项状态指标hi的初始得分ri具体是指首先针对区间值模糊软集通过式(1)计算评价指标集U中每一个评价指标hi的选择价值ci,从而得到所有选择价值ci构成的集成区间值模糊集 然后根据式(2)计算初始得分ri;
式(1)中,分别为评价指标集U中第i个评价指标hi的集成区间值模糊集的上和下隶属度,E为参数集,m为评价指标集E中参数的总数量。w′k为参数ek的权重,通常由专家经验决定。和分别表示评价指标集U中第i个评价指标hi对于参数集E中每个参数ek的上、下隶属度,F(E)为从参数集E到评价指标集U上所有区间值模糊软集组成的集合的映射;
式(2)中,hj表示评价指标集U中除第i个评价指标hi以外的第j项状态指标,u表示评价指标集U中除第i个评价指标hi以外的状态指标集合,和分别为状态指标集合u中的第j项状态指标hj的集成区间值模糊集的上和下隶属度。
6.根据权利要求1所述的变电站自动化设备状态评价方法,其特征在于,步骤6)中,比重值xi的计算函数表达式如式(3)所示,权重值wi的计算函数表达式如式(4)所示;
式(3)中,ri表示评价指标集U中第i个评价指标hi的初始得分,K为大于max(ri)的定值,max(ri)为所有初始得分ri中的最大值,min(ri)为所有初始得分ri中的最小值;
式(4)中,xi表示评价指标集U中第i个评价指标hi的比重值,n为评价指标集U中评价指标的总数量。
7.根据权利要求1所述的变电站自动化设备状态评价方法,其特征在于,步骤7)中采用预设的状态指标项评分函数得到评价指标集U中的每一项状态指标的评分值及其状态等级具体是指首先根据每一项状态指标的状态值范围选择式(5)~(9)所示预设的状态指标项评分函数中的一种状态指标项评分函数,然后根据选择的状态指标项评分函数对该状态指标的状态值进行计算得到该状态指标对应的评分值;且在状态指标的评分值在[a-δ,a+δ]范围内时判定该状态指标的状态等级为正常级别,在状态指标的评分值在[a1,a-δ]∪[a+δ,a2]范围内时判定该状态指标的状态等级为预警级别,在状态指标的评分值在[0,a1]∪[a2,100]范围内时判定该状态指标的状态等级为危险级别;
式(5)~(9)中,v1(s)~v5(s)分别表示各个状态指标项评分函数输出的评分值,s为状态指标的状态值,a、a1、a2及b1、b2、b3、b4、b5为预设常数参数,δ为状态等级划分参数。
8.根据权利要求1所述的变电站自动化设备状态评价方法,其特征在于,步骤8)中状态指标权重越大即代表其重要性越高,应优先检查状态等级危险且重要性较高的状态指标。
9.一种变电站自动化设备状态评价系统,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求1~8中任意一项所述变电站自动化设备状态评价方法的步骤,或者该计算机设备的存储介质上存储有被编程或配置以执行权利要求1~8中任意一项所述变电站自动化设备状态评价方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有被编程或配置以执行权利要求1~8中任意一项所述变电站自动化设备状态评价方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910456673.0A CN110348676A (zh) | 2019-05-29 | 2019-05-29 | 一种变电站自动化设备状态评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910456673.0A CN110348676A (zh) | 2019-05-29 | 2019-05-29 | 一种变电站自动化设备状态评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348676A true CN110348676A (zh) | 2019-10-18 |
Family
ID=68174381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910456673.0A Pending CN110348676A (zh) | 2019-05-29 | 2019-05-29 | 一种变电站自动化设备状态评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348676A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126813A (zh) * | 2019-12-16 | 2020-05-08 | 东软集团股份有限公司 | 确定设备状态的方法、装置、存储介质及电子设备 |
CN112415947A (zh) * | 2020-12-04 | 2021-02-26 | 上电智联科技(江苏)有限公司 | 一种基于dtu设备的cnc机床数据采集与管理方法及系统 |
CN117251804A (zh) * | 2023-11-17 | 2023-12-19 | 天津中电华利电器科技集团有限公司 | 一种变电室运行状态监测数据处理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651169A (zh) * | 2016-12-19 | 2017-05-10 | 国家电网公司 | 基于模糊综合评价的配电自动化终端状态评价方法及系统 |
CN107203947A (zh) * | 2017-05-22 | 2017-09-26 | 武汉大学 | 一种数字化变电站继电保护系统状态评价方法 |
-
2019
- 2019-05-29 CN CN201910456673.0A patent/CN110348676A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651169A (zh) * | 2016-12-19 | 2017-05-10 | 国家电网公司 | 基于模糊综合评价的配电自动化终端状态评价方法及系统 |
CN107203947A (zh) * | 2017-05-22 | 2017-09-26 | 武汉大学 | 一种数字化变电站继电保护系统状态评价方法 |
Non-Patent Citations (1)
Title |
---|
LONG LI, ETL.: "Substation Automation Equipment State Evaluation Method Based on Comprehensive Analysis of Interval Value Fuzzy Soft Sets", 《2018 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126813A (zh) * | 2019-12-16 | 2020-05-08 | 东软集团股份有限公司 | 确定设备状态的方法、装置、存储介质及电子设备 |
CN111126813B (zh) * | 2019-12-16 | 2023-10-31 | 东软集团股份有限公司 | 确定设备状态的方法、装置、存储介质及电子设备 |
CN112415947A (zh) * | 2020-12-04 | 2021-02-26 | 上电智联科技(江苏)有限公司 | 一种基于dtu设备的cnc机床数据采集与管理方法及系统 |
CN112415947B (zh) * | 2020-12-04 | 2021-06-01 | 上电智联科技(江苏)有限公司 | 一种基于dtu设备的cnc机床数据采集与管理方法及系统 |
CN117251804A (zh) * | 2023-11-17 | 2023-12-19 | 天津中电华利电器科技集团有限公司 | 一种变电室运行状态监测数据处理系统及方法 |
CN117251804B (zh) * | 2023-11-17 | 2024-04-19 | 天津中电华利电器科技集团有限公司 | 一种变电室运行状态监测数据处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN111553590A (zh) | 一种雷达嵌入式健康管理系统 | |
CN107430715A (zh) | 建筑物自动化中的级联识别 | |
Loska | Exploitation assessment of selected technical objects using taxonomic methods | |
CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及系统 | |
CN104881609A (zh) | 一种复杂软件系统软件单元可信性评估方法 | |
CN106327062A (zh) | 一种配电网设备的状态评估方法 | |
CN102629364A (zh) | 一种电力设备状态的量化评分方法 | |
CN110348676A (zh) | 一种变电站自动化设备状态评价方法及系统 | |
CN109146184A (zh) | 基于改进熵和得分函数的区间直觉模糊多属性决策方法 | |
CN110333414A (zh) | 电力变压器多层次状态评估方法 | |
KR20160093119A (ko) | 전력 설비 자산 관리 시스템 및 방법 | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
Siew-Hong et al. | Selection of optimal maintenance policy by using fuzzy multi criteria decision making method | |
CN114065605A (zh) | 一种智能电能表运行状态检测评估系统和方法 | |
CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
CN108898285A (zh) | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
Di Pasquale et al. | Methodology for the analysis and quantification of human error probability in manufacturing systems | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
CN115545514A (zh) | 基于健康度评估的配电融合设备差异化运维方法及装置 | |
Kao et al. | Data envelopment analysis with imprecise data: an application of Taiwan machinery firms | |
Odeyale et al. | The analytical hierarchy process concept for maintenance strategy selection in manufacturing industries | |
CN111553581B (zh) | 一种基于熵值的装备维修性评价模型 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |
|
RJ01 | Rejection of invention patent application after publication |