CN111062500B - 一种基于离散模糊数和层次分析法的电力设备评价方法 - Google Patents

Abstract

本发明提出了一种基于离散模糊数和层次分析法的电力设备评价方法。通过变压器评价指标构建多级层次分析模型，并采用专家评价依次为各层级指标权重赋值，通过最底层变压器评价指标构建指标权重向量；针对变压器各状态量之间的量纲差异以及因极性不同而不能直接比较的情况，将电力设备指标实测数据分为效益型和成本型分别进行标准化处理，得到无量纲化数据；采用多等级的模糊语言描述变压器状态，将无量纲化数据通过模糊矩阵映射到隶属度空间，结合指标权重向量通过隶属度原则确定电力设备状态，实现电力设备评价。本发明可以兼顾电力设备评价指标的随机性和模糊性，一定程度上降低设备状态评价中人为主观影响和样本数据贫乏问题，评价可靠性高。

Description

一种基于离散模糊数和层次分析法的电力设备评价方法

技术领域

本发明属于变压器故障评价检修技术领域，具体涉及一种基于离散模糊数和层次分析法的电力设备评价方法。

背景技术

智能变电站作为智能电网的重要组成部分，具有信息数字化、标准化、资源网络共享等特征，可以帮助电网实现发电变电、输电配电、业务信息共享一体化和智能化，实现高效协同互动。其中变压器作为输变电系统中的核心设备，肩负着电网安全运行的重要责任。然而，考虑到各种环境因素以及内在材料等影响，变压器在长期的运行中出现故障或者事故的情况通常不可避免。目前变电站的维护主要依靠定期检修，通过巡检人员对变压器的状态进行诊断、评估等，以便及时、准确地监测出变压器潜在的隐患。在早期，对变压器等设备的设备状态诊断、评估等大多是依据巡检人员的工作经验，而对于实践经验缺乏的巡检人员而言，极易造成对变压器状态的不合理评估，导致检修不足或者设备过检、误检停电等造成经济损失，应用前景十分有限。

利用数学模型和理论对变压器的历史数据和表征指标进行评价确定设备状态而不过多依赖人为判断成为解决电力设备检修管理的一种新的有效可行的解决方案。然而，目前电压器的评估多采用单一指标和历史数据，存在评估不全面，计算复杂等问题，且未考虑电力设备评价指标的模糊性和随机性，为此，本发明提出一种基于离散模糊数和层次分析法的电力设备评价方法。引入多维模糊数理论，综合考虑多项常用的指标建立离散评价矩阵，得到等级隶属向量，最后结合指标权重生成最终评价值。其中，基于实测数据的离散矩阵可以降低设备状态评价中的人为主观影响，兼顾电力设备评价指标的模糊性和随机性，并在一定程度上解决样本数据贫乏等问题，为电力系统变压器评价提供一种新的、可靠的解决方案。

发明内容

本发明要解决的技术问题是：提供一种基于离散模糊数和层次分析法的电力设备评价方法，兼顾电力评价指标的模糊性和随机性，并在一定程度上解决样本数据贫乏等问题，为变压器状态评估提供一种新的解决方案以及为后续检修工作提供科学合理的指导。

本发明的技术特征在于：本发明引入离散模糊数和层次分析法，通过构建层次分析模型，结合专家赋权得到指标权重向量；采用多等级的模糊语言描述变压器状态，将基于多指标的设备评价通过模糊矩阵映射到隶属度空间，结合指标权重生成最终评价向量，再根据隶属度原则确定设备状态。

为实现本发明之目的，采用以下步骤予以实现：

步骤1：通过变压器评价指标构建多级层次分析模型，并采用专家评价依次为各层级指标权重赋值，通过最底层变压器评价指标构建指标权重向量；

步骤2：针对变压器各状态量之间的量纲差异以及因极性不同而不能直接比较的情况，将电力设备指标实测数据分为效益型指标和成本型指标分别进行标准化处理，得到无量纲化数据；

步骤3：采用多等级的模糊语言描述变压器状态，将无量纲化数据通过模糊矩阵映射到隶属度空间，结合指标权重向量通过隶属度原则确定电力设备状态，实现电力设备评价。

本发明的有益效果为：

兼顾电力设备评价指标的模糊性和随机性。基于实测数据的离散矩阵可以降低设备状态评价中的人为主观影响，并在一定程度上解决样本数据贫乏等问题，为电力系统变压器评价提供一种新的、可靠的解决方案。

附图说明

图1：油浸式变压器关键指标。

图2：电力设备评价方法流程图。

具体实施方式

为了使本发明专利的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明专利进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明专利，并不用于限定本发明专利。此外，下面所描述的本发明专利各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

步骤1：通过变压器评价指标构建多级层次分析模型，并采用专家评价依次为各层级指标权重赋值，通过最底层变压器评价指标构建指标权重向量；

考虑到变电站设备的状态参量具有独立的特性且对设备的运行情况的影响程度不尽相同，例如随着设备使用年限的增加，在设备运行过程中会出现不同程度的老化，损坏等，而且，变电站设备结构复杂，基于单一指标参量的设备评估不仅无法全面反映设备健康状态，也无法为后续的设备检修、维护等提供相对科学有效的参考与指导。因此，在实际操作中需要综合考量各状态参量对于设备的相对重要性和参量测量结果。为此，本发明采用层次分析法为各参量进行权重赋值，通过常用变压器的绝缘油试验、电气试验、油中溶解气体这三大类别，共涉及12项评价指标：油中微水、油介质、油击穿电压、油中糠醛；吸收比、极化指数、绕组介质损耗、绕组泄露电流、H₂含量、C₂H₂含量、总烃含量、C₂H₆含量；构建多级层次分析模型，如附图1所示。

其具体过程为采用专家评价依次将同一层次的多种影响因素两两对比建立层次判断矩阵，赋值依据为T.L.Saaty提出的比例标度法，如表1所示，并检验其一致性，逐层排序。

表1比例标度值

令同层n个元素Y₁,Y₂,…，Y_n对上层某一元素Z的判断矩阵为M_Z-Y，则

其中，y_ij表示元素i与元素j的相对于上层元素Z的性能比例标度值。相对权重W具体计算方法为

M_Z-YW＝λ_maxW (2)

式中，λ_max是M_Z-Y的最大特征根，W是对应的特征向量，所得的W经归一化后即可作为权重向量。假设层次模型共N层，则最底层指标的权重向量ω计算公式如下：

ω＝W₁₂·W₂₃·…·W_(N-1)N (3)

式中，W₁₂、W₂₃、……、W_(N-1)N分别表示层次模型中第1层和第2层、第2层和第3层、……、第N-1层和第N层之间的权重向量。

在判断矩阵的构造中，由于客观实物的复杂性和主观认识的多样性，式(4)并不要求一定严格成立，但为了避免出现“元素甲比元素乙极端重要，元素乙比元素丙极端重要，而元素丙又比元素乙极端重要”的判断，导致决策失误，需要对判断矩阵进行一致性检验。

式中C.I.为一致性指标；R.I.表示平均随机一致性指标；n为矩阵M_Z-Y的对角线元素之和。为了便于计算，表2列出了1～14阶矩阵M_Z-Y计算1000次得到的平均随机一致性指标值。

当C.R.小于某一阈值T_b时，认为递阶层次结构在该层水平的所有判断具有整体满意的一致性，即所得层次总排序具有可靠性，可作为算法方案选择依据。否则，应当对判断矩阵做出适当修正，通常将阈值设置为0.1。

表2平均随机一致性指标R.I.

步骤2：针对变压器各状态量之间的量纲差异以及因极性不同而不能直接比较的情况，将电力设备指标实测数据分为效益型指标和成本型指标分别进行标准化处理，得到无量纲化数据，具体为：

根据评价指标对设备状态的正反作用效果，将评价指标分为效益型指标和成本型指标两类，分别对应效益型测度和成本型测度；

成本型指标为：油中微水、油介质损耗、绕组介质损耗、绕组泄露电流、油中糠醛含量、H₂含量、C₂H₂含量、总烃含量、C₂H₆含量；

效益型指标为：吸收比、油击穿电压，极化指数；

其中，效益型指标越大，综合评价值越大，设备发生故障风险概率越高；成本性指标则反之，由此得到一致的效果测度，使得不同量纲之间的数据具备可比性，便于后续加权的数据处理与运算。

在故障风险评估过程中，采取相同效果的测度会影响评估诊断结果，造成误差甚至误诊，因此，对于上述两类指标类型采取如下不同的数据处理方式：

若x_i为效益型指标，则有

若x_i成本型指标，则有

式中，x_i'为标准化之后的数据；x_i表示指标实际测量值；x_min表示下限阈值，x_max表示上限阈值，通常为指标状态异常限值，由相应的国家标准规定；x_o通常为出厂状态值。通过上述数据处理过程可以将数值差异大、类别杂的评价指标变换为目标相关性一致的无量纲数值，通常也被称为模糊隶属度。

步骤3：模糊数通常应用于函数概率的性质研究。通常，离散模糊集合能够较好地适应电力设备评价中指标的模糊性和随机性。

采用多等级的模糊语言描述变压器状态，具体为：

为了更精确地区分评价等级，降低不同平级之间的交差性和相似性，考虑m种等级的数学模糊语言构成等级链路L，将其转化成数学描述为

L＝{1,2,…,m} (8)

根据经过数据处理后的实际测量值计算各特征的评价等级，设评价体系中共n个子指标，则

其中，i＝1,2,…,n；x_i'为标准化之后的指标数据；r_i表示各指标模糊等级，所有r_i构成指标评价等级向量r。

根据上述每个特征的评级等级随机生成Y个正态分布随机数。对Y个随机评价数进行统计，规则为：先取绝对值，再依据四舍五入原则归纳至1～m等级，若超过m，则取m；若小于1，则取1；

将基于多指标的设备评价通过模糊矩阵映射到隶属度空间，具体为：

由此构造模糊数评价矩阵A：

其中，A₁,A₂,…,A_n分别表示n个指标下的一维模糊矩阵，a_ij(i＝1,2,…,n；j＝1,2,…,m)为评价对象A的评价因子。

针对离散模糊矩阵A，利用模糊计算构造电力设备特征矩阵u_A：

式中：i＝1,2,…,n；i＝1,2,…,m；L＝{1,2,…,m}；k_0i是集合L中最接近均值

μ(A_i)的数值：

k_0i＝{k∈L:|k-μ(A_i)|≤0.5} (13)

其中均值μ(A_i)：

特别的，当均值μ(A_i)满足|k-μ(A_i)|＝|k+1-μ(A_i)|＝0.5时，k_0i取值k，k+1。此时式(12)可修正为式(17)：

最后，结合步骤1中得到的最底层12个指标的权重向量，得到最终评价状态向量S，具体为：

S＝u_A*ω^T (18)

式中T表示数学中的转置运算。根据隶属度原则，S(i)(i,＝2,,1…m)最大，则电力设备状态等级为i。

为了验证本发明的有效性，以某330kV变电站主变实测数据为例如表3所示进行评估，通过上述指标处理过程，如式(6)～(7)所示，得到表4所示归一化数据(具体参见相关国家标准)。依据电力系统相关标准，通常将电力设备状态分为四个等级：正常状态、注意状态、异常状态、严重状态。为了降低评估运算过程造成的数据差异性丢失，由式(8)所示建立评判集：

L＝{1 2 3 4 5 6 7}

其中，1,3,5,7分别表示正常状态、注意状态、异常状态、严重状态，2,4,6表示表示四种状态的中间值。

表3某330kV变电站主变实测数据

表4归一化数据

(1)评估指标权重确定

由图1所示分层模型可知，变压器评价共包括三层(决策层、第一因素层、第二因素层)，第一因素层共三个因素：

U＝{J,D,Y}，

第二因素层共12项因素：

J＝{J1,J2,J3,J4}，D＝{D1,D2,D3,D4}，Y＝{Y1,Y2,Y3,Y4}

目前各二级指标在一级指标中的重要等级并没有相关的国家标准，因此，本发明根据表1所示方法得到各层级判断矩阵如下表5～表8所示：

表5 U层判断矩阵

表6 J层判断矩阵

表7 D层判断矩阵

表8 Y层判断矩阵

由式(4)-(5)对上述判断矩阵进行一致性检验得：

C.R.＝{C.R._U C.R._J C.R._D C.R._Y}

＝{0.000776 0.001111 0.015481 0.000815}

所有C.R.均小于阈值0.1，表明上述判断矩阵具有整体满意的一致性。

由式(2)计算相对权重，得到

因此由式(3)可得最底层各评价指标权重向量如下所示：

(2)模糊数评级由式(9)和表4中的归一化数据可得12个指标的评价等级向量如下：

r＝[4 6 1 3 2 3 1 2 5 2 1 7]

因此，由式(10)得到该设备此次测量结果的离散模糊矩阵为：

再由式(11)-式(17)可得电力设备特征矩阵u_A为：

最后由式(18)得到最终评价状态向量S

S＝[0.3185 0.3481 0.2750 0.3759 0.3831 0.2675 0.1365]

根据最大隶属度原则，S(5)最大，可知变压器评价等级为5，即评价结果为异常状态。通过实际分析可知，该设备此次测量结果绝缘油劣化，油中微水和H₂含量超标，极化指数和吸收比也较高，表明该变压器运行存在风险，应及时停电检修，更换相应零部件。因此，本发明方法能够较为合理反映现场变压器运行状态，进而为电力系统设备评价决策、检修、延长设备使用寿命等提供一定依据。

以上实例仅用于说明本发明的设计思想和特点，并验证本发明的有效性。其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实例，所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (1)

1.一种基于离散模糊数和层次分析法的电力设备评价方法，其特征在于，包括以下步骤：

步骤1：通过变压器评价指标构建多级层次分析模型，并采用专家评价依次为各层级指标权重赋值，通过最底层变压器评价指标构建指标权重向量；

步骤2：针对变压器各状态量之间的量纲差异以及因极性不同而不能直接比较的情况，将电力设备指标实测数据分为效益型指标和成本型指标分别进行标准化处理，得到无量纲化数据；

步骤3：采用多等级的模糊语言描述变压器状态，将无量纲化数据通过模糊矩阵映射到隶属度空间，结合指标权重向量通过隶属度原则确定电力设备状态，实现电力设备评价；

步骤3所述采用多等级的模糊语言描述变压器状态，具体为：

考虑m种等级的数学模糊语言构成等级链路L，将其转化成数学描述为：

L＝{1,2,…,m}

根据经过数据处理后的实际测量值计算各特征的评价等级，设评价体系中共n个子指标，则

其中，i＝1,2,…,n；x′_i为标准化之后的指标数据；r_i表示各指标模糊等级，所有r_i构成指标评价等级向量r；

根据上述每个特征的评级等级随机生成Y个正态分布随机数；

对Y个随机评价数进行统计，规则为：先取绝对值，再依据四舍五入原则归纳至1～m等级，若超过m，则取m；若小于1，则取1；

步骤3所述通过模糊矩阵映射到隶属度空间，具体为：

由此构造模糊数评价矩阵A：

其中，A₁,A₂,…,A_n分别表示n个指标下的一维模糊矩阵，

a_ij,i＝1,2,…,n；j＝1,2,…,m，为评价对象A的评价因子；

针对离散模糊矩阵A，利用模糊计算构造电力设备特征矩阵u_A：

式中：i＝1,2,…,n；i＝1,2,…,m；L＝{1,2,…,m}；k_0i是集合L中最接近均值μ(A_i)的数值：

k_0i＝{k∈L:|k-μ(A_i)|≤0.5}

其中均值μ(A_i)：

步骤3所述结合指标权重向量通过隶属度原则确定电力设备状态，具体为：

结合步骤1中所述的指标权重向量，得到最终评价状态向量S，具体为：

S＝u_A*ω^T

式中，T表示数学中的转置运算；根据隶属度原则，S(i)(i＝1,2,…,m)最大，则电力设备状态等级为i。

Images