CN110361609A - 特高压设备监测系统及方法 - Google Patents

Abstract

公开了特高压设备监测系统及方法，系统包括平台资源层、基础服务层、服务支持层以及应用服务层，平台资源层配置成提供数据和资源支持，所述平台资源层包括存储特高压设备运行和维护时产生的数据的数据库、存储特高压设备知识的知识库、存储算法模型和诊断规则的模型库和索引库；服务支持层配置成实现对特高压设备的故障诊断和状态监测，服务支持层接收应用服务层发送的操作指令以及访问基础服务层，并响应操作指令进行相应的业务逻辑处理以生成处理结果，所述服务支持层包括故障诊断模块和状态监测模块，故障诊断模块包括利用非线性流形学习算法直接提取原始高维数据空间中的低维流形的降维单元和基于混合隐马尔科夫模型诊断故障的诊断单元。

Description

特高压设备监测系统及方法

技术领域

本发明涉及电力设备技术领域，特别是一种特高压设备监测系统及方法。

背景技术

电力系统朝着特高压的方向迈进成为近年来电网建设的热点，特高压等级的交、直流变电站中的特高压变压器及组合电器等复杂装备具有部件组成众多、结构层次多，不同零部件之间关系复杂、耦合性强等特点。特高压设备相较于低电压等级的电力设备承担着更加重要的输变电功能，一旦发生故障，常常会造成巨大的损失，甚至是灾难性后果，传统的“事后维修”和“计划维修”难以适应特高压设备故障诊断任务的需求，将故障消灭在萌芽状态的“视情维修”和“预知维修”成为复杂装备系统未来保障维护的发展方向，由此产生了故障预测与健康管理(Prognostic and Health Management，PHM)的概念。

我国国内在电力设备的故障诊断和状态评估领域目前已经取得了丰硕的成果，但尚未在国内形成一个相对完整、统一的体系结构和框架。PHM技术在航天、航空领域取得了一定的应用，但将其理念运用于电力系统的设备评估及管理尚无先例。实现特高压设备的故障预测与健康管理，将是电力设备从状态监测到状态管理的转变。另外，故障诊断和状态预测技术作为处于设备故障预测与健康管理系统核心功能，现有算法模型也存在局限，有待改善。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

发明内容

鉴于上述问题，本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结特高压设备监测系统及方法。

本发明的目的是通过以下技术方案予以实现。

一种特高压设备监测系统，其包括平台资源层、基础服务层、服务支持层以及应用服务层，其中，

平台资源层，其配置成提供数据和资源支持，所述平台资源层包括存储特高压设备运行和维护时产生的数据的数据库、存储特高压设备知识的知识库、存储算法模型和诊断规则的模型库和索引库；

基础服务层，其配置成提供资源、权限、安全及网络服务，所述基础服务层响应于服务支持层的指令以访问和调用所述平台资源层；

服务支持层，其配置成实现对特高压设备的故障诊断和状态监测，服务支持层接收应用服务层发送的操作指令以及访问基础服务层，并响应所述操作指令进行相应的业务逻辑处理以生成处理结果，所述服务支持层包括，

故障诊断模块，其包括利用非线性流形学习算法直接提取原始高维数据空间中的低维流形的降维单元和基于混合隐马尔科夫模型诊断故障的诊断单元，

状态监测模块，其基于自回归滑动平均模型和神经网络以监测系统状态；

应用服务层，其配置成实现人机交互操作，发送操作指令到服务支持层，并且接收服务支持层返回的处理结果。

所述的特高压设备监测系统中，特高压设备监测系统还包括提供故障诊断工具的外部诊断模块，其数据交互所述平台资源层以及连接所述应用服务层。

所述的特高压设备监测系统中，状态监测模块包括用于捕捉时间序列线性部分的ARMA模型单元和处理非线性时间序列的ANN单元。

所述的特高压设备监测系统中，所述诊断单元包括正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型。

所述的特高压设备监测系统中，特高压设备监测系统设置于云端服务器，云端服务器包括处理器、硬盘、内存、总线和用于以统一格式交互的无线通信设备，所述无线通信设备至少包括移动通信网络设备，所述移动通信网络设备包括2G无线通信芯片、3G无线通信芯片、4G无线通信芯片和/或5G无线通信芯片。

所述的特高压设备监测系统中，平台资源层、基础服务层、服务支持层以及应用服务层分别包括用于数据交互的交换机。

所述的特高压设备监测系统中，所述平台资源层还包括本体库和专家库。

所述的特高压设备监测系统中，服务支持层还包括用于对特高压设备数据处理的数据处理模块、用于获取知识的知识获取模块和用于检索知识的知识检索模块。

根据本发明的另一方面，一种利用所述特高压设备监测系统的故障诊断方法包括以下步骤，

第一步骤，输入特高压设备的原始训练数据和原始测试数据以及成生故障诊断操作指令且发送服务支持层，

第二步骤，响应所述故障诊断操作指令，服务支持层进行相应的业务逻辑处理以及访问基础服务层，其中，

分别对特高压设备的原始训练数据和原始测试数据进行数据预处理，降维单元对两组预处理后的数据分别通过非线性流形学习算法直接提取原始高维数据空间中的低维流形实现数据降维；诊断单元接收两组降维后的数据且输入混合隐马尔可夫模型中，经训练后得到正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型；

分别计算出四种模型的正常状态、中间状态、间歇状态、故障状态的似然概率，通过对比这四个似然概率的大小，当故障状态HMM模型概率最大时，发出出现故障处理结果，

第三步骤，应用服务层接收服务支持层返回的出现故障处理结果。

根据本发明又一方面，一种利用所述特高压设备监测系统的状态监测方法包括以下步骤，

第一步骤，输入采集的现场特高压设备的状态数据以及成生状态监测操作指令且发送服务支持层，

第二步骤，响应所述状态监测操作指令，服务支持层进行相应的业务逻辑处理以及访问基础服务层，其中，

对现场特高压设备的状态数据进行数据预处理，降维单元对预处理后的数据通过非线性流形学习算法直接提取原始高维数据空间中的低维流形实现数据降维；状态监测模块基于自回归滑动平均模型进行模式识别，利用自回归滑动平均模型模型对精度进行检验，基于精度的检验标准，获得ARMA的预测模型，初步得到状态监测处理结果，迭代计算得到预测残差，计算值与实际值的偏差，计算状态监测处理结果是否满足精度，如果不满足，则重新将数据代入模式识别进行判断，如果满足，则将状态监测处理结果输出，

第三步骤，应用服务层接收服务支持层返回的出现故障处理结果。

发明与现有技术相比，采用如上技术方案带来的有益技术效果是：本发明在对特高压设备的维护系统中引入PHM概念，使系统实现从状态监测到状态管理的转变优化了作为系统核心功能的故障诊断模块和状态评估模块的分析模型，提出了针对特高压设备海量数据及信息的知识分类、检索方法等，可以有效降低设备故障的虚报警率，并提高诊断知识资源的使用效率。

上述说明仅是本发明技术方案的概述，为了能够使得本发明的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂，下面以本发明的具体实施方式进行举例说明。

附图说明

通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。

在附图中：

图1是根据本发明一个实施例的特高压设备监测系统的结构示意图；

图2是根据本发明一个实施例的故障诊断方法的步骤示意图；

图3是根据本发明一个实施例的故障诊断方法的基于非线性流形学习算法和混合隐马尔科夫模型的流程示意图；

图4是根据本发明一个实施例的状态监测方法的步骤示意图；

图5是根据本发明一个实施例的状态监测方法的基于自回归滑动平均模型和神经网络的状态预测流程示意图。

以下结合附图和实施例对本发明作进一步的解释。

具体实施方式

下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

为了更好地理解，如图1所示，一种特高压设备监测系统包括平台资源层、基础服务层、服务支持层以及应用服务层，其中，

平台资源层，其配置成提供数据和资源支持，所述平台资源层包括存储特高压设备运行和维护时产生的数据的数据库、存储特高压设备知识的知识库、存储算法模型和诊断规则的模型库和索引库；

基础服务层，其配置成提供资源、权限、安全及网络服务，所述基础服务层响应于服务支持层的指令以访问和调用所述平台资源层；

服务支持层，其配置成实现对特高压设备的故障诊断和状态监测，服务支持层接收应用服务层发送的操作指令以及访问基础服务层，并响应所述操作指令进行相应的业务逻辑处理以生成处理结果，所述服务支持层包括，

故障诊断模块，其包括利用非线性流形学习算法直接提取原始高维数据空间中的低维流形的降维单元和基于混合隐马尔科夫模型诊断故障的诊断单元，

状态监测模块，其基于自回归滑动平均模型和神经网络以监测系统状态；

应用服务层，其配置成实现人机交互操作，发送操作指令到服务支持层，并且接收服务支持层返回的处理结果。

本发明通过利用和整合特高压设备运行和维护全过程全寿命周期中的海量数据、目前成熟的算法模型、专家经验和有效知识资源，采用统一的智能算法对设备多源、异构数据进行降维处理，运用修正的故障诊断模型和状态评估方法对设备风险进行评估，形成一种面向特高压设备服务的风险评估与健康管理系统，为特高压设备的安全稳定运行提供支持。本系统优化了作为系统核心功能的故障诊断模块和状态评估模块的分析模型，提出了针对特高压设备海量数据及信息的知识分类、检索方法，可以有效降低设备故障的虚报警率，并提高诊断知识资源的使用效率。

在一个实施例中，所述系统包括：

平台资源层：用于为系统提供基础数据和资源支持；所述平台资源层包括数据库、知识库、本体库、模型库、专家库和索引库，用于存储特高压设备在运行和维护全过程中产生的海量数据、特高压设备的相关知识资源以及目前成熟的算法模型、诊断规则、专家经验，为系统的基础服务层、服务支持层和应用服务层提供基础数据和资源支持。

基础服务层：用于为系统提供资源管理、权限管理、安全管理及网络管理服务；

服务支持层：用于实现对特高压设备的故障诊断、故障预测和状态评估提供服务；所述服务支持层包括故障诊断模块、故障预测模块和状态评估模块，故障诊断模块和故障预测模块通过采用基于非线性流形学习算法和混合隐马尔科夫模型的故障诊断方法实现对特高压设备进行故障诊断及预测，所述状态评估模块通过采用基于自回归滑动平均模型和神经网络的状态预测方法实现对特高压设备进行状态评估。所述故障诊断模块和故障预测模块所采用的基于非线性流形学习算法和混合隐马尔科夫模型的故障诊断方法是通过利用非线性流形学习算法直接提取原始高维数据空间中的低维流形，并利用建立的混合隐马尔科夫模型对特高压设备进行故障诊断。所述状态评估模块所采用的基于自回归滑动平均模型和神经网络的状态预测方法是利用ARMA模型在捕捉时间序列线性部分的优势和ANN处理非线性时间序列的良好性能，考虑实时数据对模型参数的影响，建立混合动态预测模型对特高压设备进行状态评估。

应用服务层：用于为特高压设备相关工作人员提供应用服务平台。

建立的混合隐马尔科夫模型包括正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型。

特高压设备相关工作人员包括状态监测人员、运行维护人员、型号研制人员，其可以通过应用服务平台获取关于设备诊断及管理的相关服务，也可以为系统提供数据资源。

所述的特高压设备监测系统优选实施例中，特高压设备监测系统还包括提供故障诊断工具的外部诊断模块，其数据交互所述平台资源层以及连接所述应用服务层。

所述的特高压设备监测系统优选实施例中，状态监测模块包括用于捕捉时间序列线性部分的ARMA模型单元和处理非线性时间序列的ANN单元。

所述的特高压设备监测系统优选实施例中，所述诊断单元包括正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型。

所述的特高压设备监测系统优选实施例中，特高压设备监测系统设置于云端服务器，云端服务器包括处理器、硬盘、内存、总线和用于以统一格式交互的无线通信设备，所述无线通信设备至少包括移动通信网络设备，所述移动通信网络设备包括2G无线通信芯片、3G无线通信芯片、4G无线通信芯片和/或5G无线通信芯片。

所述的特高压设备监测系统优选实施例中，平台资源层、基础服务层、服务支持层以及应用服务层分别包括用于数据交互的交换机。

所述的特高压设备监测系统优选实施例中，所述平台资源层还包括本体库和专家库。

所述的特高压设备监测系统优选实施例中，服务支持层还包括用于对特高压设备数据处理的数据处理模块、用于获取知识的知识获取模块和用于检索知识的知识检索模块。

如同2所示，一种利用所述特高压设备监测系统的故障诊断方法包括以下步骤，

第一步骤，输入特高压设备的原始训练数据和原始测试数据以及成生故障诊断操作指令且发送服务支持层，

第二步骤，响应所述故障诊断操作指令，服务支持层进行相应的业务逻辑处理以及访问基础服务层，其中，

分别对特高压设备的原始训练数据和原始测试数据进行数据预处理，降维单元对两组预处理后的数据分别通过非线性流形学习算法直接提取原始高维数据空间中的低维流形实现数据降维；诊断单元接收两组降维后的数据且输入混合隐马尔可夫模型中，经训练后得到正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型；

分别计算出四种模型的正常状态、中间状态、间歇状态、故障状态的似然概率，通过对比这四个似然概率的大小，当故障状态HMM模型概率最大时，发出出现故障处理结果，

第三步骤，应用服务层接收服务支持层返回的出现故障处理结果。

为了进一步理解本方法，如图3所示，方法包括如下步骤：

步骤1、分别输入特高压设备的原始训练数据和原始测试数据，并对两组数据分别进行数据预处理；

步骤2、对两组预处理后的数据，分别通过非线性流形学习算法直接提取原始高维数据空间中的低维流形，实现数据降维；

步骤3、将两组降维后的数据带入混合隐马尔可夫模型中，经训练后得到四种不同的HMM诊断模型，四种模型分别为：正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型；

步骤4、分别计算出四种模型的正常状态、中间状态、间歇状态、故障状态的似然概率，通过对比这四个似然概率的大小，输出概率最大的HMM模型状态即为当前的系统状态。

如图4所示，一种利用所述特高压设备监测系统的状态监测方法包括以下步骤，

第一步骤，输入采集的现场特高压设备的状态数据以及成生状态监测操作指令且发送服务支持层，

第二步骤，响应所述状态监测操作指令，服务支持层进行相应的业务逻辑处理以及访问基础服务层，其中，

对现场特高压设备的状态数据进行数据预处理，降维单元对预处理后的数据通过非线性流形学习算法直接提取原始高维数据空间中的低维流形实现数据降维；状态监测模块基于自回归滑动平均模型进行模式识别，利用自回归滑动平均模型模型对精度进行检验，基于精度的检验标准，获得ARMA的预测模型，初步得到状态监测处理结果，迭代计算得到预测残差，计算值与实际值的偏差，计算状态监测处理结果是否满足精度，如果不满足，则重新将数据代入模式识别进行判断，如果满足，则将状态监测处理结果输出，

第三步骤，应用服务层接收服务支持层返回的出现故障处理结果。

为了进一步理解本方法，如图5所示，方法包括如下步骤：

步骤1、采集现场特高压设备的各项数据，并对其进行预处理，通过预处理实现数据结构的统一化和多源数据的降维，并基于相关诊断算法对其进行模式识别。

步骤2、利用模型对精度进行检验，基于精度的检验标准，获得ARMA的预测模型，初步得到预测结果。

步骤3、迭代计算得到预测残差，根据关联规则下计算值与实际值的偏差，计算预测结果是否满足精度，如果不满足，则重新将数据代入模式识别步骤进行判断，如果满足，则将评估结论输出。

一种计算机可读介质，所述计算机可读介质在被执行时进行所述的方法。

图形用户界面，其包括所述的特高压设备监测系统。

本领域普通技术人员可以理解实现上述方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器或随机存储器等。

工业实用性

本发明所述的特高压设备监测系统及方法可以电力设备领域制造并使用。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种特高压设备监测系统，其包括平台资源层、基础服务层、服务支持层以及应用服务层，其中，

平台资源层，其配置成提供数据和资源支持，所述平台资源层包括存储特高压设备运行和维护时产生的数据的数据库、存储特高压设备知识的知识库、存储算法模型和诊断规则的模型库和索引库；

基础服务层，其配置成提供资源、权限、安全及网络服务，所述基础服务层响应于服务支持层的指令以访问和调用所述平台资源层；

服务支持层，其配置成实现对特高压设备的故障诊断和状态监测，服务支持层接收应用服务层发送的操作指令以及访问基础服务层，并响应所述操作指令进行相应的业务逻辑处理以生成处理结果，所述服务支持层包括，

故障诊断模块，其包括利用非线性流形学习算法直接提取原始高维数据空间中的低维流形的降维单元和基于混合隐马尔科夫模型诊断故障的诊断单元，

状态监测模块，其基于自回归滑动平均模型和神经网络以监测系统状态；

应用服务层，其配置成实现人机交互操作，发送操作指令到服务支持层，并且接收服务支持层返回的处理结果。

2.如权利要求1所述的特高压设备监测系统，其中，优选的，特高压设备监测系统还包括提供故障诊断工具的外部诊断模块，其数据交互所述平台资源层以及连接所述应用服务层。

3.如权利要求1所述的特高压设备监测系统，其中，状态监测模块包括用于捕捉时间序列线性部分的ARMA模型单元和处理非线性时间序列的ANN单元。

4.如权利要求1所述的特高压设备监测系统，其中，所述诊断单元包括正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型。

5.如权利要求1所述的特高压设备监测系统，其中，特高压设备监测系统设置于云端服务器，云端服务器包括处理器、硬盘、内存、总线和用于以统一格式交互的无线通信设备，所述无线通信设备至少包括移动通信网络设备，所述移动通信网络设备包括2G无线通信芯片、3G无线通信芯片、4G无线通信芯片和/或5G无线通信芯片。

6.如权利要求1所述的特高压设备监测系统，其中，平台资源层、基础服务层、服务支持层以及应用服务层分别包括用于数据交互的交换机。

7.如权利要求1所述的特高压设备监测系统，其中，所述平台资源层还包括本体库和专家库。

8.如权利要求1所述的特高压设备监测系统，其中，服务支持层还包括用于对特高压设备数据处理的数据处理模块、用于获取知识的知识获取模块和用于检索知识的知识检索模块。

9.一种利用权利要求1-8中任一项所述特高压设备监测系统的故障诊断方法，其包括以下步骤，

第一步骤，输入特高压设备的原始训练数据和原始测试数据以及成生故障诊断操作指令且发送服务支持层，

第二步骤，响应所述故障诊断操作指令，服务支持层进行相应的业务逻辑处理以及访问基础服务层，其中，分别对特高压设备的原始训练数据和原始测试数据进行数据预处理，降维单元对两组预处理后的数据分别通过非线性流形学习算法直接提取原始高维数据空间中的低维流形实现数据降维；诊断单元接收两组降维后的数据且输入混合隐马尔可夫模型中，经训练后得到正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型；分别计算出四种模型的正常状态、中间状态、间歇状态、故障状态的似然概率，通过对比这四个似然概率的大小，当故障状态HMM模型概率最大时，发出出现故障处理结果，

第三步骤，应用服务层接收服务支持层返回的出现故障处理结果。

10.一种利用权利要求1-8中任一项所述特高压设备监测系统的状态监测方法，其包括以下步骤，

第一步骤，输入采集的现场特高压设备的状态数据以及成生状态监测操作指令且发送服务支持层，

第二步骤，响应所述状态监测操作指令，服务支持层进行相应的业务逻辑处理以及访问基础服务层，其中，对现场特高压设备的状态数据进行数据预处理，降维单元对预处理后的数据通过非线性流形学习算法直接提取原始高维数据空间中的低维流形实现数据降维；状态监测模块基于自回归滑动平均模型进行模式识别，利用自回归滑动平均模型模型对精度进行检验，基于精度的检验标准，获得ARMA的预测模型，初步得到状态监测处理结果，迭代计算得到预测残差，计算值与实际值的偏差，计算状态监测处理结果是否满足精度，如果不满足，则重新将数据代入模式识别进行判断，如果满足，则将状态监测处理结果输出，

第三步骤，应用服务层接收服务支持层返回的出现故障处理结果。