CN110619467B - 一种基于告警大数据信息的电力设备状态评估方法 - Google Patents

Abstract

本发明公开了一种基于告警大数据信息的电力设备状态评估方法，通过电力系统的实际运行情况确定影响设备的因素，然后利用层次分析(AHP)法求取各状态量对设备状态影响大小的组合权重，并进行一致性检验，然后在得到组合权重的基础上，运用模糊综合评价法对设备的状态进行综合分析和评价，得到评估结果。

Description

一种基于告警大数据信息的电力设备状态评估方法

技术领域

本发明属于电力设备的状态评估技术领域，更为具体地讲，涉及一种基于告警大数据信息的电力设备状态评估方法。

背景技术

电力行业已经迈进了大电网、信息化、数字化和智能化的时代，电力系统的运行水平直接关系国民经济的发展和国家能源安全。长期以来，对电力设备的运维和管理是采用计划性检修和故障后检修的方式，已经不适应安全和发展的要求。虽然部分企业和研究机构已逐步开展针对电力系统设备的状态评估、状态检修技术的研究，但主要集中在加装监测装置获取零散的告警信息，这样会带来成本和安全风险问题，如何利用好现有的告警大数据信号进行数据挖掘、采用先进算法进行科学有效评估尤为关键。

针对上述问题，本专利提出了一种基于告警大数据信息的电力设备状态评估方法，充分利用现有的告警大数据信息和设备台账信息进行数据挖掘，采用了层次分析法、模糊算法等先进算法得到状态评估结果。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于告警大数据信息的电力设备状态评估方法，在组合权重的基础上，运用模糊综合评价法对设备状态进行综合分析和评价，得到评估结果，从而解决了长期以来，对电力设备的运维和管理是采用计划性检修和故障后检修的方式。

为实现上述发明目的，本发明一种基于告警大数据信息的电力设备状态评估方法，其特征在于，包括以下步骤：

(1)、基于告警大数据信息评估电力设备状态的影响因素集；

利用告警信息、频发信息、长时未复归信息、抖动信息和投运时间5种告警大数据信息建立评估电力设备状态的影响因素集；

其中，告警信息中又建立6个维度，分别为：事故、异常、越限、变位、告知和其它；

(2)、计算各影响因素的权重；

(2.1)、构造判断矩阵Z；

利用1-9标度法，构造各影响因素的判断矩阵Z，Z＝[z_ij]_5×5，其中，z_ij表示第i个与第j个影响因素的相对重要性，i,j∈[1,5]；

(2.2)、利用和积法求取判断矩阵Z的权重集W；

(2.2.1)、将判断矩阵Z的每一元素按列作归一化处理；

(2.2.2)、将归一化处理后的的元素

按行相加，得到每一行的权重量W_i；

(2.2.3)、对W_i进行归一化处理；

(2.2.4)、将归一化处理后的

组成权重集

(3)、一致性检验；

(3.1)、计算判断矩阵Z的最大特征根λ_max；

(3.2)、计算判断矩阵一致性指标CI；

(3.3)、计算随机一致性比率CR；

其中，RI为引入的平均随机一致性指标；

(3.4)、判断随机一致性比率CR是否小于预设阈值，如果小于，则进入步骤(4)、否则，返回步骤(2)；

(4)、模糊综合评估

(4.1)、设置评价因素集，包括：正常状态、一般状态、严重状态和危急状态，同时设置四种评价因素的相对得分，以及四种评价因素的隶属度函数；

(4.2)、利用层次分析法计算每个影响因素的评分；

(4.2.1)、计算告警信息的评分；

B_告＝100+B₁

其中，n_i表示告知、越限、异常、事故、变位和其他发生的次数，b_i表示发生n_i时的对应评分；

(4.2.2)、计算频发信息的评分；

B_频＝100+B₂

B₂＝w_i*b_i

其中，权重系数

N表示频发信息总个数，n_i表示第i个频发信息发生的次数；权重系数

t_i表示第i个频发信息的持续时长；

(4.2.3)、计算长时未复归信息的评分；

B_长＝100+B₃

B₃＝w_i*b_i

其中，权重系数

N表示长时未复归信息总个数，n_i表示第i个长时未复归信息发生的次数；权重系数

t_i表示第i个长时未复归信息的持续时长；

(4.2.4)、计算抖动信息的评分；

设置采样间隔的时间<1s，抖动次数>10次的信息为抖动信息；

B_抖＝100+w₁B_t≤0.4s+w₂B_{0.4s＜t≤0.6s}+w₃B_{0.6s＜t≤1s}

其中，

n_i表示第i类抖动信息发生的次数，N_t≤0.4s表示采样时长在t≤0.4s内发生第i类抖动信息发生的次数，N表示采样时长在t≤0.4s内发生各类抖动信息发生的总次数，b_i表示发生n_i时的对应评分；同理，计算出B_{0.4s＜t≤0.6s}和B_{0.6s＜t≤1s}；w₁、w₂、w₃表示对应采样时长时的权重系数；

(4.2.5)、计算投运时间的评分；

B_投＝100+B₅

其中，B₅为投运年限评分，其投运年限越久，分数越小；

(4.3)、将每个影响因素的评分代入到各评价因素的隶属度函数，计算出每个影响因素相对于单个评价因素的隶属度；

(4.4)、根据隶属度建立模糊关系矩阵R；

其中，r_ij表示第i个影响因素相对于第j个评价因素的隶属度；

(4.5)、计算模糊评价集B；

将权重集W与模糊关系矩阵R相乘，得到：

B＝W·R＝(b₁,b₂,b₃,b₄)

其中，如果

则将模糊评价集B进行归一化处理，即：

(4.6)、计算设备综合评分

将模糊评价集B与设置的四种评价因素的相对得分相乘，得到设备的最终得分；

B·V＝(b₁,b₂,b₃,b₄)·[100,89,79,69]^T

＝100b₁+89b₂+79b₃+69b₄

(4.7)、根据设备的最终得分，与设置的四种评价因素的相对得分比较，如果设备的最终得分落入某一种评价因素的相对得分区间内，则将该设备的最终状态归为该评价状态。

本发明的发明目的是这样实现的：

本发明基于告警大数据信息的电力设备状态评估方法，通过电力系统的实际运行情况确定影响设备的因素，然后利用层次分析(AHP)法求取各状态量对设备状态影响大小的组合权重，并进行一致性检验，然后在得到组合权重的基础上，运用模糊综合评价法对设备的状态进行综合分析和评价，得到评估结果。

同时，本发明基于告警大数据信息的电力设备状态评估方法还具有以下有益效果：

(1)、基于告警大数据信息及设备台账信息，避免了加装监测装置带来的采购和运维成本问题；

(2)、根据电网调度和监控运行经验，采用层次分析法选择对电力设备状态影响较大的5个维度建立评价对象的影响因素集，其评价结果更加贴近实际；

(3)、采用模糊综合评价法，过模糊评判的标准化处理设备的状态评价指标后，得出隶属度向量，对所有的评价指标的隶属度向量进行合成，最终得到设备的综合评价结果，从而使评估更加准确。

附图说明

图1是本发明基于告警大数据信息的电力设备状态评估方法流程图；

图2是模糊综合评估流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于告警大数据信息的电力设备状态评估方法流程图。

在本实施例中，如图1所示，本发明一种基于告警大数据信息的电力设备状态评估方法，包括以下步骤：

S1、基于告警大数据信息评估电力设备状态的影响因素集；

根据电网调度和监控运行经验，基于告警大数据信息选择对电力设备状态影响较大的5个维度建立评价对象的影响因素集，分别为：告警信息、频发信息、长时未复归信息、抖动信息和投运时间，同时在告警信息中再建立第二层次的6个维度分别为：事故、异常、越限、变位、告知和其它，并建立层次结构模型如表1所示；根据电网设备缺陷性质的描述，建立评价对象的评价因素集，分别为：正常状态、一般状态、严重状态和危急状态，如表1所示。

表1S2、计算各影响因素的权重；

S2.1、构造判断矩阵Z；

判断矩阵表示针对上一层次某单元(元素)，本层次与其有关单元(元素)之间相对重要性的比较。层次分析法要求权重专家小组成员利用1-9标度法针对不同情况的评比给出数量标度，对同一层元素进行两两比较，对比元素z_i和z_j哪个更重要，并建立判断矩阵。以下表2列出了层次分析法采用的1-9标度方法的定义和说明：

表2是构造判断矩阵的9标度法定义和说明；

标度	定义说明
		1	两个元素z<sub>i</sub>和z<sub>j</sub>对于某类属性具有同等重要性
3	两个元素比较，z<sub>i</sub>比z<sub>j</sub>稍微重要
		5	两个元素比较，z<sub>i</sub>比z<sub>j</sub>明显重要
7	两个元素比较，z<sub>i</sub>比z<sub>j</sub>重要很多
		9	两个元素比较，z<sub>i</sub>比z<sub>j</sub>极度重要
2，4，6，8	介于奇数标度之间折中的标度
		z<sub>ji</sub>＝1/z<sub>ij</sub>	两个元素的反比较

对元素进行两两比较，对比两个元素哪个更重要，并利用1-9标度法给出数量标度，建立判断矩阵如表3所示；

表3

由上表可知，构造各影响因素的判断矩阵Z，Z＝[z_ij]_5×5，其中，z_ij表示第i个与第j个影响因素的相对重要性，i,j∈[1,5]；

其中，判定矩阵Z具有如下性质：

z_ii＝1；

z_ij＝1/z_ji；

z_ij＝z_ik/z_jk；

其中，i,j,k∈[1,5]。

S2.2、利用和积法求取判断矩阵Z的权重集W；

S2.2.1、将判断矩阵Z的每一元素按列作归一化处理；

S2.2.2、将归一化处理后的的元素

按行相加，得到每一行的权重量W_i；

S2.2.3、对W_i进行归一化处理；

S2.2.4、将归一化处理后的

组成权重集

S3、一致性检验；

S3.1、计算判断矩阵Z的最大特征根λ_max；

S3.2、计算判断矩阵一致性指标CI；

CI值越大表明判断矩阵偏离完全一致性的程度越大，CI值越小，表明判断矩阵越接近于完全一致性。

一般判断矩阵的阶数n越大，人为造成的偏离完全一致性指标CI的值便越大；n越小，人为造成的偏离完全一致性指标CI的值便越小。

S3.3、计算随机一致性比率CR；

其中，RI为引入的平均随机一致性指标；

在本实施例中，为了减少人为造成的偏离程度，对于多阶判断矩阵，引入平均随机一致性指标RI，RI的定义为同阶随机判断矩阵的一致性指标的平均值，表4给出了1-10阶正互反矩阵，通过计算1000次得到的平均随机一致性指标：

表4是平均随机一致性指标；

N	1	2	3	4	5	6	7	8	9	10
											P	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.46	1.49

表4

由表4可知，当n＜3时，判断矩阵永远具有完全一致性。

S3.4、判断随机一致性比率CR是否小于预设阈值，如果小于，则进入步骤S4、否则，返回步骤S2；

在本实施例中，当CR<0.1时，便认为判断矩阵具有可以接受的一致性，如果不满足该条件则认为判断矩阵应该进行调整或者重新构造判断矩阵。当CR>0.1时，就需要适当的调整和修正判断矩阵，直至满足CR<0.1为止，从而具有满意的一致性。CR值越小，判断矩阵的一致性就越好。

S4、模糊综合评估，具体流程如图2所示；

S4.1、如表1所示，设置评价因素集，包括：正常状态、一般状态、严重状态和危急状态，同时设置四种评价因素的相对得分，以及四种评价因素的隶属度函数；

在模糊数学中，一个实测值是属于某一级别的程度称为隶属度，隶属度的值介于0～1之间。隶属度越接近于1，则隶属于某一级别的程度就越大。模糊化过程就是将各种状态信息转化成隶属度的过程。因此，每个评价因素指标的实测值即对应一个隶属度，这种对应关系称为隶属函数。

由于设备评分与设备状态呈线性递增规律变化，可直接根据设备评分建立其隶属度函数，且基于其线性特性，选用梯形分布函数作为其隶属函数，各评价因素的相对得分区间及对应的隶属度函数如下表5所示：

表5模糊综合评价表；

表5S4.2、利用层次分析法计算每个影响因素的评分；

S4.2.1、计算告警信息的评分；

B_告＝100+B₁

其中，n_i表示告知、越限、异常、事故、变位和其他发生的次数，b_i表示发生n_i时的对应评分；

其中，b_i的含义及评分细则如表6所示：

表6告警信息评分依据参照表；

信号类型	评分参考依据
		告知b<sub>1</sub>	-10/次
越限b<sub>2</sub>	-5/次
		异常b<sub>3</sub>	-25/次
事故b<sub>4</sub>	-45/次
		变位b<sub>5</sub>	-5/次
其他b<sub>6</sub>	-10/次

表6S4.2.2、规定给定时间段内发生次数在前20％的信息为频发信息，计算频发信息的评分为：

B_频＝100+B₂

B₂＝w_i*b_i

其中，权重系数

N表示频发信息总个数，n_i表示第i个频发信息发生的次数；权重系数

t_i表示第i个频发信息的持续时长；

S4.2.3、对未复归信息进行统计，未复归时长在前10％的未复归信息规定为长时未复归信息，计算长时未复归信息的评分为：

B_长＝100+B₃

B₃＝w_i*b_i

其中，权重系数

N表示长时未复归信息总个数，n_i表示第i个长时未复归信息发生的次数；权重系数

t_i表示第i个长时未复归信息的持续时长；

S4.2.4、计算抖动信息的评分；

设置采样间隔的时间<1s，抖动次数>10次的信息为抖动信息；

B_抖＝100+w₁B_t≤0.4s+w₂B_{0.4s＜t≤0.6s}+w₃B_{0.6s＜t≤1s}

其中，

n_i表示第i类抖动信息发生的次数，N_t≤0.4s表示采样时长在t≤0.4s内发生第i类抖动信息发生的次数，N表示采样时长在t≤0.4s内发生各类抖动信息发生的总次数，b_i表示发生n_i时的对应评分，其含义及评分细则同告警信息相同；同理，计算出B_{0.4s＜t≤0.6s}和B_{0.6s＜t≤1s}；w₁、w₂、w₃表示对应采样时长时的权重系数；

其中，w₁、w₂、w₃的计算方式如表7：

发生时长	权重
		t≤0.4s(w<sub>1</sub>)	0.2
0.4s＜t≤0.6s(w<sub>2</sub>)	0.3
		0.6s＜t≤1s(w<sub>3</sub>)	0.5

表7S4.2.5、计算投运时间的评分；

B_投＝100+B₅

其中，B₅为投运年限评分，其投运年限越久，分数越小，具体评分可以参考表8；

表8投运年限评分依据参照表；

投运年限	评分参考依据
		1～3	-15
4	-16
		5	-17
6	-18
		7	-19
8	-20
		9	-21
10	-22
		11	-23
12	-24
		13～20	-25
21～30	-30
		31～40	-35
41～50	-40
		>50	-45

表8S4.3、将每个影响因素的评分代入到各评价因素的隶属度函数，计算出每个影响因素相对于单个评价因素的隶属度；

S4.4、根据隶属度建立模糊关系矩阵R；

其中，r_ij表示第i个影响因素相对于第j个评价因素的隶属度；

S4.5、计算模糊评价集B；

将权重集W与模糊关系矩阵R相乘，得到：

B＝W·R＝(b₁,b₂,b₃,b₄)

其中，如果

则将模糊评价集B进行归一化处理，即：

S4.6、计算设备综合评分

将模糊评价集B与设置的四种评价因素的相对得分V相乘，得到设备的最终得分；

B·V＝(b₁,b₂,b₃,b₄)·[100,89,79,69]^T

＝100b₁+89b₂+79b₃+69b₄

S4.7、根据设备的最终得分，与设置的四种评价因素的相对得分比较，如果设备的最终得分落入某一种评价因素的相对得分区间内，则将该设备的最终状态归为该评价状态。

实例

基于某设备的告警大数据信息，利用层次分析法构造判断矩阵并将每一列经归一化后的判断矩阵按行相加得到表9所示的判断矩阵：

表9

对最右边列向量归一化处理：

一致性检验：

计算判断矩阵最大特征根λ_max＝5.2866

计算判断矩阵一致性指标

计算随即一致性比率CR

因此认为该判断矩阵满足一致性。

模糊综合评价法建立模糊关系矩阵,假设根据某个设备数据得到以下矩阵:

计算模糊评价集,利用层次分析法计算出的权重w与R相乘，得到：

B＝W·R

因此可求出总评分为C为：

C＝B·V＝[0,0.0989,0.6571,0.2440]*

通过状态评估得到该设备的总评分显示，该设备状态处于严重状态，需要重点进行关注。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于告警大数据信息的电力设备状态评估方法，其特征在于，包括以下步骤：

(1)、基于告警大数据信息评估电力设备状态的影响因素集；

利用告警信息、频发信息、长时未复归信息、抖动信息和投运时间5种告警大数据信息建立评估电力设备状态的影响因素集；

其中，告警信息中又建立6个维度，分别为：事故、异常、越限、变位、告知和其它；

(2)、计算各影响因素的权重；

(2.1)、构造判断矩阵Z；

利用1-9标度法，构造各影响因素的判断矩阵Z，Z＝[z_ij]_5×5，其中，z_ij表示第i个与第j个影响因素的相对重要性，i,j∈[1,5]；

(2.2)、利用和积法求取判断矩阵Z的权重集W；

(2.2.1)、将判断矩阵Z的每一元素按列作归一化处理；

(2.2.2)、将归一化处理后的的元素

按行相加，得到每一行的权重量W_i；

(2.2.3)、对W_i进行归一化处理；

(2.2.4)、将归一化处理后的

组成权重集

(3)、一致性检验；

(3.1)、计算判断矩阵Z的最大特征根λ_max；

(3.2)、计算判断矩阵一致性指标CI；

(3.3)、计算随机一致性比率CR；

其中，RI为引入的平均随机一致性指标；

(3.4)、判断随机一致性比率CR是否小于预设阈值，如果小于，则进入步骤(4)、否则，返回步骤(2)；

(4)、模糊综合评估

(4.1)、设置评价因素集，包括：正常状态、一般状态、严重状态和危急状态，同时设置四种评价因素的相对得分，以及四种评价因素的隶属度函数；

(4.2)、利用层次分析法计算每个影响因素的评分；

(4.2.1)、计算告警信息的评分；

B_告＝100+B₁

其中，n_i表示告知、越限、异常、事故、变位和其他发生的次数，b_i表示发生n_i时的对应评分；

(4.2.2)、计算频发信息的评分；

B_频＝100+B₂

B₂＝w_i*b_i

其中，权重系系数

N表示频发信息总个数，n_i表示第i个频发信息发生的次数；权重系数

t_i表示第i个频发信息的持续时长；

(4.2.3)、计算长时未复归信息的评分；

B_长＝100+B₃

B₃＝w_i*b_i

其中，权重系数

N表示长时未复归信息总个数，n_i表示第i个长时未复归信息发生的次数；权重系数

t_i表示第i个长时未复归信息的持续时长；

(4.2.4)、计算抖动信息的评分；

设置采样间隔的时间<1s，抖动次数>10次的信息为抖动信息；

B_抖＝100+w₁B_t≤0.4s+w₂B_{0.4s＜t≤0.6s}+w₃B_{0.6s＜t≤1s}

其中，

n_i表示第i类抖动信息发生的次数，N_t≤0.4s表示采样时长在t≤0.4s内发生第i类抖动信息发生的次数，N表示采样时长在t≤0.4s内发生各类抖动信息发生的总次数，b_i表示发生n_i时的对应评分；同理，计算出B_{0.4s＜t≤0.6s}和B_{0.6s＜t≤1s}；w₁、w₂、w₃表示对应采样时长时的权重系数；

(4.2.5)、计算投运时间的评分；

B_投＝100+B₅

其中，B₅为投运年限评分，其投运年限越久，分数越小；

(4.3)、将每个影响因素的评分代入到各评价因素的隶属度函数，计算出每个影响因素相对于单个评价因素的隶属度；

(4.4)、根据隶属度建立模糊关系矩阵R；

其中，r_ij表示第i个影响因素相对于第j 个评价因素的隶属度；

(4.5)、计算模糊评价集B；

将权重集W与模糊关系矩阵R相乘，得到：

B＝W·R＝(b₁,b₂,b₃,b₄)

其中，如果

则将模糊评价集B进行归一化处理，即：

(4.6)、计算设备综合评分

将模糊评价集B与设置的四种评价因素的相对得分相乘，得到设备的最终得分；

B·V＝(b₁,b₂,b₃,b₄)·[100,89,79,69]^T

＝100b₁+89b₂+79b₃+69b₄

(4.7)、根据设备的最终得分，与设置的四种评价因素的相对得分比较，如果设备的最终得分落入某一种评价因素的相对得分区间内，则将该设备的最终状态归为该评价状态。

2.根据权利要求1所述的一种基于告警大数据信息的电力设备状态评估方法，其特征在于，所述判定矩阵Z具有如下性质：

z_ii＝1；

z_ij＝1/z_ji；

z_ij＝z_ik/z_jk；

其中，i,j,k∈[1,5]。

Images