CN111475925B - 一种电力设备的状态评估方法、装置及存储介质 - Google Patents
一种电力设备的状态评估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111475925B CN111475925B CN202010193975.6A CN202010193975A CN111475925B CN 111475925 B CN111475925 B CN 111475925B CN 202010193975 A CN202010193975 A CN 202010193975A CN 111475925 B CN111475925 B CN 111475925B
- Authority
- CN
- China
- Prior art keywords
- state
- power equipment
- model
- establishing
- variables
- 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.)
- Active
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种电力设备的状态评估方法、装置及存储介质,该方法包括步骤:获取电力设备的几何尺寸和物性参数作为状态向量,获取外部施加应力作为输入向量,获取外部可观测参量作为输出向量,建立电力设备的状态空间模型;确定状态空间模型的状态空间大小;建立工程仿真计算模型,并进行正常模拟试验和故障模拟试验,进行误差分析和修正;通过状态空间模型和修正后的工程仿真计算模型,建立电力设备的全景数据指纹库;选择电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,建立基于变异状态变量的电力设备动态评估模型。本发明建立的动态评估模型,不仅数据来源全面和可靠,且适用于增量设备和存量设备。
Description
技术领域
本发明涉及电力设备检测技术领域,尤其涉及一种电力设备的状态评估方法、装置及存储介质。
背景技术
随着电力设备老化问题日益突出,资产效益要求的提升,电力企业检修策略变得越来越主动,越来越需要考虑成本。因此电力企业的电力设备检修策略逐步从故障检修、定期检修转变为状态检修和以可靠性为中心的检修,而状态检修和以可靠性为中心的检修的实现完全依赖于电力设备的状态评估。因此,电力设备检修对电力设备状态评估提出了迫切的需求。
但目前的电力设备的状态评估仅通过简单的模拟试验和现场数据搜集作为样本库,信息覆盖面小,不全面,导致建立起的状态评估模型可信度差,且增量设备和存量设备的状态评估基本分离,评估模型无法通用。
发明内容
本发明实施例的目的是提供一种电力设备的状态评估方法、装置及存储介质,通过建立工程仿真计算模型,能够模拟获取电力设备的全工况数据,保证数据来源全面和可靠,且建立的动态评估模型,适用于增量设备和存量设备,能贯穿全生命周期。
为实现上述目的,本发明一实施例提供了一种电力设备的状态评估方法,包括以下步骤:
根据现代控制理论,通过理论分析的方法,获取电力设备的几何尺寸和物性参数作为状态向量,获取所述电力设备的外部施加应力作为输入向量,获取所述电力设备的外部可观测参量作为输出向量,建立所述电力设备的状态空间模型;
根据电力设备故障模式分析理论,分析确定所述状态向量中的状态变量、所述输入向量中的工作条件变量和环境条件变量以及所述电力设备的外部可观测参量,以确定所述状态空间模型的状态空间大小;
根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,并搭建正常模拟试验装置和故障模拟试验装置,以使所述工程仿真计算模型进行正常模拟试验和故障模拟试验,进行误差分析和修正;
根据状态空间线性近似理论,通过所述状态空间模型和修正后的所述工程仿真计算模型,建立在不同的所述工作条件变量和不同所述环境条件变量下,不同所述状态变量与所述输出向量的特征参量之间的一一对应关系,得到所述电力设备的全景数据指纹库;
选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型。
优选地,所述确定所述状态空间模型的状态空间大小是通过以下步骤进行的:
根据电力设备的维修需要,将所述状态变量进行离散化处理,分为正常、注意、异常和严重四档,依据同样的方法将所述工作条件变量、所述环境条件变量和所述外部可观测参量根据需要进行分档,根据分档结果,确定所述电力设备的状态空间模型的所述状态向量、所述输入向量和所述输出向量对应的维度和空间大小,最终得到所述状态空间模型的状态空间大小。
优选地,所述根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,具体包括:
根据所述电力设备的几何尺寸建立所述电力设备的几何模型,根据所述物性参数设置材料的参数,根据所述电力设备的外部施加应力设置边界条件和施加载荷,得到所述工程仿真计算模型。
优选地,所述选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型,具体包括:
根据机器学习理论,在所述全景数据指纹库提取在不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应的所述输出向量的机器学习特征参数,建立基于机器学习的第一状态评估模型;
根据统计理论,在所述全景数据指纹库提取不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应所述输出向量的统计特征参数,建立基于统计理论的第二状态评估模型;
根据物理方法,在所述全景数据指纹库库提取在不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应所述输出向量的物理特征参数,建立基于物理方法的第三状态评估模型;
综合第一状态评估模型、第二状态评估模型和第三状态评估模型,得到所述电力设备的状态评估模型;
选择所述电力设备在运行中发生变异的变异状态变量,根据可靠性理论,确定所述变异状态变量的加速因子,设计加速寿命试验,根据所述状态评估模型,建立基于所述变异状态变量的电力设备动态评估模型。
本发明另一实施例提供了一种电力设备的状态评估装置,所述装置包括:
状态空间模型建立模块,用于根据现代控制理论,通过理论分析的方法,获取电力设备的几何尺寸和物性参数作为状态向量,获取所述电力设备的外部施加应力作为输入向量,获取所述电力设备的外部可观测参量作为输出向量,建立所述电力设备的状态空间模型;
状态空间计算模块,用于根据电力设备故障模式分析理论,分析确定所述状态向量中的状态变量、所述输入向量中的工作条件变量和环境条件变量以及所述电力设备的外部可观测参量,以确定所述状态空间模型的状态空间大小;
仿真计算模型建立模块,用于根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,并搭建正常模拟试验装置和故障模拟试验装置,以使所述工程仿真计算模型进行正常模拟试验和故障模拟试验,进行误差分析和修正;
指纹库获取模块,用于根据状态空间线性近似理论,通过所述状态空间模型和修正后的所述工程仿真计算模型,建立在不同的所述工作条件变量和不同所述环境条件变量下,不同所述状态变量与所述输出向量的特征参量之间的一一对应关系,得到所述电力设备的全景数据指纹库;
动态评估模型建立模块,用于选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型。
本发明还有一实施例提供了一种使用电力设备的状态评估方法的装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一项所述的电力设备的状态评估方法。
本发明还有一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项所述的电力设备的状态评估方法。
与现有技术相比,本发明实施例所提供的一种电力设备的状态评估方法、装置及存储介质,通过建立工程仿真计算模型,能够模拟获取电力设备的全工况数据,保证数据来源全面和可靠,且建立的动态评估模型,适用于增量设备和存量设备,能实现增量设备和存量设备状态评估模型的融合统一,贯穿全生命周期。
附图说明
图1是本发明一实施例提供的一种电力设备的状态评估方法的流程示意图;
图2是本发明一实施例提供的一种分合闸线圈的工作示意图;
图3是本发明一实施例提供的一种分合闸线圈的回路电流随时间变化的波形图;
图4是本发明一实施例提供的一种分合闸线圈动作工程仿真计算模型和故障模拟试验装置的示意图;
图5是本发明一实施例提供的一种电力设备的状态评估装置的示意图;
图6是本发明一实施例提供的一种使用电力设备的状态评估方法的装置的示意图。
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作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。
参见图1,是本发明一实施例提供的一种电力设备的状态评估方法的流程示意图,所述方法包括步骤S1至步骤S5:
S1、根据现代控制理论,通过理论分析的方法,获取电力设备的几何尺寸和物性参数作为状态向量,获取所述电力设备的外部施加应力作为输入向量,获取所述电力设备的外部可观测参量作为输出向量,建立所述电力设备的状态空间模型;
S2、根据电力设备故障模式分析理论,分析确定所述状态向量中的状态变量、所述输入向量中的工作条件变量和环境条件变量以及所述电力设备的外部可观测参量,以确定所述状态空间模型的状态空间大小;
S3、根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,并搭建正常模拟试验装置和故障模拟试验装置,以使所述工程仿真计算模型进行正常模拟试验和故障模拟试验,进行误差分析和修正;
S4、根据状态空间线性近似理论,通过所述状态空间模型和修正后的所述工程仿真计算模型,建立在不同的所述工作条件变量和不同所述环境条件变量下,不同所述状态变量与所述输出向量的特征参量之间的一一对应关系,得到所述电力设备的全景数据指纹库;
S5、选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型。
需要说明的是,依据现代控制理论,任何系统均可用以下动态方程表示:
量测测程y=g(x,u,t)
式中,x为状态变量,u为输入变量,t为时间,f和g为函数向量。
当电力设备的状态评估只考虑其状态变量在初始状态的小范围变化时,可以近似为线性系统,此时电力设备的状态评估可用以下系统动态方程来描述:
量测测程y=Cx+Du
电力设备状态评估的本质即为首先建立u,x和y之间一一映射关系,然后在进行状态评估时根据已知的输入向量和输出向量,通过事先建立好的一一映射关系反推x的情况,即获得电力设备的内部状态。
具体地,根据现代控制理论,通过理论分析的方法,获取电力设备的几何尺寸和物性参数作为状态向量,获取电力设备的外部施加应力作为输入向量,获取电力设备的外部可观测参量作为输出向量,根据得到的状态向量、输入向量和输出向量,可以建立电力设备的状态空间模型。
根据电力设备故障模式分析理论,分析确定状态向量中的状态变量、输入向量中的工作条件变量和环境条件变量以及电力设备的外部可观测参量,以确定状态空间模型的状态空间大小。因为电力设备对应的状态向量、输入向量和输出向量对应的参数有很多,要根据电力设备发生故障的模式,进行恰当地筛选,以减少状态空间大小。
根据电力设备数值仿真计算理论,确定电力设备的工程仿真计算模型与状态空间模型之间的一一对应关系,建立工程仿真计算模型,并搭建正常模拟试验装置和故障模拟试验装置,对应得到正常工程仿真计算模型和故障工程仿真计算模型,这样就能使工程仿真计算模型进行正常模拟试验和故障模拟试验,进行误差分析和修正,这是为了提高工程仿真计算模型的可信度。误差分析和修正即为:使处于正常状态下的仿真误差以及处于故障状态时相对正常状态变异率的误差均处于可接受的范围内,保证工程仿真计算模型的仿真精度满足状态评估的需要。之所以要进行误差分析和修正,是因为同型号的不同电力设备的几何尺寸和材料物性参数制造时存在分散性,因此通过试验实测建立起的个体工程仿真计算模型用于某型号设备的状态评估,对于其它个体不一定满足精度要求,因此要验证其对所有该型号设备是通用的,误差在允许范围内。
根据状态空间线性近似理论,通过状态空间模型和修正后的工程仿真计算模型,建立在不同的工作条件变量和不同环境条件变量下,不同状态变量与输出向量的特征参量之间的一一对应关系,得到电力设备的全景数据指纹库。这一过程可以模拟得到电力设备全工况的仿真数据,统一状态评估模型全工况建模数据的来源,保证了数据来源的全面和可靠。
选择电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据全景数据指纹库,建立基于变异状态变量的电力设备动态评估模型。更详细地,可以根据全景数据指纹库,先建立电力设备的状态评估模型。为了提升状态评估的准确性,状态评估模型的建立可以基于物理方法、统计理论、机器学习融合的电力设备状态评估方法进行。得到状态评估模型后,选择电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,建立电力设备动态评估模型。利用该电力设备动态评估模型可以进行电力设备的状态评估,实现电网增量设备和存量设备状态评估模型的融合统一,解决现有的状态评估模型无法通用,贯穿全生命周期。
本发明实施例1提供的一种电力设备的状态评估方法,通过建立工程仿真计算模型,能够模拟获取电力设备的全工况数据,保证数据来源全面和可靠,且建立的动态评估模型,适用于增量设备和存量设备,能实现增量设备和存量设备状态评估模型的融合统一,贯穿全生命周期。
具体地,电力设备的状态空间模型对应的系统动态方程为其中,x为状态向量,状态向量中包括多个状态变量,u为输入向量,输入向量中包括多个输入变量,为状态向量对应的一阶微分方程,y为输出向量,输出向量中包括多个输出变量,A、B、C、D为系数矩阵。针对于电力设备,x表示电力设备内部状态,包括电力设备的几何尺寸和材料性能等,u表示电力设备的外部施加应力,y表示电力设备的外部可观测量。
作为上述方案的改进,所述确定所述状态空间模型的状态空间大小是通过以下步骤进行的:
根据电力设备的维修需要,将所述状态变量进行离散化处理,分为正常、注意、异常和严重四档,依据同样的方法将所述工作条件变量、所述环境条件变量和所述外部可观测参量根据需要进行分档,根据分档结果,确定所述电力设备的状态空间模型的所述状态向量、所述输入向量和所述输出向量对应的维度和空间大小,最终得到所述状态空间模型的状态空间大小。
需要说明的是,为了减少系统动态方程中状态变量的数量,采用故障模式分析方法,排除电力设备在运行过程中各向量随观测时间基本不变、变化微小不影响设备性能、发生变化概率低的参量,选择在电力设备运行过程中发生明显变化的参量为状态变量,这样处理的好处就是大大降低了系统动态方程状态变量的维度,降低了状态评估的难度。
为进一步减少状态空间的大小,对状态变量进行离散化处理,依据电力设备状态评估的工程实际需要,将电力设备的状态变量分为正常、注意、异常和严重四档。正常状态表示各状态向量均在技术标准规定的合格值范围之内,即验收合格,正常边界用N表示;注意状态表示设备已有老化趋势,应加强观测,异常边界用A表示;异常状态表示设备已老化到一定程度,应适时检修,异常边界用B表示;严重状态表示设备老化至将发生失效,应尽快检修,严重边界用S表示。
具体地,根据电力设备的维修需要,将状态变量进行离散化处理,分为正常、注意、异常和严重四档,依据同样的方法将工作条件变量、环境条件变量和外部可观测参量根据需要进行分档,工作条件变量、环境条件变量和外部可观测参量的分档不一定为四档,可以根据实际情况进行选择。例如,工作条件变量可以分为三档或者五档。每一个变量的档级分好后,就可以得到分档结果。
根据分档结果,确定电力设备的状态空间模型的状态向量、输入向量和输出向量对应的维度和空间大小,最终得到状态空间模型的状态空间大小。
作为上述方案的改进,所述根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,具体包括:
根据所述电力设备的几何尺寸建立所述电力设备的几何模型,根据所述物性参数设置材料的参数,根据所述电力设备的外部施加应力设置边界条件和施加载荷,得到所述工程仿真计算模型。
具体地,根据电力设备的几何尺寸建立电力设备的几何模型,根据物性参数设置材料的参数,根据电力设备的外部施加应力设置边界条件和施加载荷,得到工程仿真计算模型。得到工程仿真计算模型后,进行计算和后处理,后处理得到的参量与输出向量对应。
需要说明的是,电力设备的工程仿真计算模型的误差主要来源于四个方面,包括几何尺寸、物性参数、外部施加载荷和边界条件,其中几何尺寸、外部施加载荷和边界条件可以通过测试获得数据,因此其误差主要取决于测试误差。而对于物性参数,大部分物性参数来源于材料手册,与现实的电力设备材料存在较大差别,因此调整物性参数是调整工程仿真计算模型的主要方法。
作为上述方案的改进,所述选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型,具体包括:
根据机器学习理论,在所述全景数据指纹库提取在不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应的所述输出向量的机器学习特征参数,建立基于机器学习的第一状态评估模型;
根据统计理论,在所述全景数据指纹库提取不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应所述输出向量的统计特征参数,建立基于统计理论的第二状态评估模型;
根据物理方法,在所述全景数据指纹库库提取在不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应所述输出向量的物理特征参数,建立基于物理方法的第三状态评估模型;
综合第一状态评估模型、第二状态评估模型和第三状态评估模型,得到所述电力设备的状态评估模型;
选择所述电力设备在运行中发生变异的变异状态变量,根据可靠性理论,确定所述变异状态变量的加速因子,设计加速寿命试验,根据所述状态评估模型,建立基于所述变异状态变量的电力设备动态评估模型。
具体地,根据机器学习理论,在全景数据指纹库提取在不同工作条件变量和不同环境条件变量下,状态变量分别处于正常、注意、异常和严重四个状态时对应的输出向量的机器学习特征参数,建立基于机器学习的第一状态评估模型。
根据统计理论,在全景数据指纹库提取不同工作条件变量和不同环境条件变量下,状态变量分别处于正常、注意、异常和严重四个状态时对应输出向量的统计特征参数,建立基于统计理论的第二状态评估模型。
根据物理方法,在全景数据指纹库库提取在不同工作条件变量和不同环境条件变量下,状态变量分别处于正常、注意、异常和严重四个状态时对应输出向量的物理特征参数,建立基于物理方法的第三状态评估模型。
综合第一状态评估模型、第二状态评估模型和第三状态评估模型,得到电力设备的状态评估模型;也就是说,根据机器学习理论、统计理论和物理方法这三种方法,建立在不同工作条件变量和不同环境条件变量下,状态变量分别处于正常、注意、异常和严重状态与输出向量特征参量之间的一一对应关系,即建立联合判据,得到电力设备的状态评估模型。为了提升状态评估模型的准确性,可以依据可靠性理论设计故障模拟试验方法,设置故障样本,进行故障模拟试验和故障检测率测试,确定状态评估模型的准确性。
选择电力设备在运行中发生变异的变异状态变量,一般地,根据状态评估模型和电力设备的老化规律,确定动态评估的变异状态变量。根据可靠性理论,确定变异状态变量的加速因子,设计加速寿命试验,得到电力设备的变异状态变量的时变规律。根据电力设备的变异状态变量的时变规律,建立基于变异状态变量的电力设备动态评估模型。最后就能根据电力设备动态评估模型,进行电力设备的状态评估,这里的电力设备可以是电网的增量设备或者存量设备。所以说,本发明得到的动态评估模型可以实现电网增量设备和存量设备状态评估模型的融合统一,解决现有的增量设备的状态评估和存量设备的状态评估基本分离的难题。
为了加深对本发明的理解,本发明该实施例以分合闸线圈为例对本发明的方法的实施过程进行说明。
参见图2,是本发明该实施例提供的一种分合闸线圈的工作示意图,其中,1.分合闸线圈;2.延时断开时间继电器;3.手动按钮;4.直流电源;5.脱扣线圈;6.复位弹簧;7.脱扣杆;8.动铁芯。
首先通过分合闸线圈动作的物理方程确定系统的状态向量、输入向量和输出向量。显然,根据现场的运维检修实际情况,选择线圈的几何尺寸和材料性能D作为状态向量,环境向量E和控制电压v为输入向量,回路电流i作为输出向量。需要说明的是,任何物理方程均需要考虑环境向量,因为环境向量将影响状态向量。
通过线圈的现场运行情况可以得出,目前线圈主要有四类故障模式,一是线圈卡涩、匝间短路、接触不良和间隙异常。因此可以确定状态变量为铁芯阻力f,匝数N,线圈电阻R和铁芯间隙d,状态向量的其它参量均认为是状态常量。由于环境向量E中环境温度T变量主要影响线圈电阻R,其它环境变量对状态变量基本不影响,因此其它环境变量均可认为是输入常量,因此输入变量为控制电压U(有效值)和环境温度T。
参见图3,是本发明该实施例提供的一种分合闸线圈的回路电流随时间变化的波形图。由图3可知,t0为分合闸命令到达时刻;t1是线圈中电流上升到反电动势占主导时刻;t2是铁芯运动到最大行程时刻;t3是时间继电器断开时刻;I1~I3分别是t1~t3时刻对应的电流值。通过对分合闸线圈动作物理过程的分析,暂时可以通过物理方法选择输出变量y为(I1,I2,I3,t1,t2),后续可通过机器学习或统计理论等方法确定其它输出变量。
将分合闸线圈的状态变量按照状态分级定义进行分类,其正常状态的边界为N=1900±100匝,f=20﹢20N,R=80±5Ω,d=3.5±0.5mm;其注意状态的边界为N=1900-150匝,f=20+40N,R=80﹢20Ω,d=3.5±1.0mm,其异常状态的边界为N=1900-200匝,f=20+80N,R=80﹢30Ω,d=3.5±2.0mm,其严重状态的边界为N=1900-250匝,f=20+60N,R=80﹢50Ω,d=3.5±2.5mm。
所以,电力设备状态评估动态方程的参量为每个状态变量只有正常、注意、异常和严重四个值,输入变量可根据现场观测实际进行分档,在确定状态变量和输入变量的取值之后,其输出变量的取值即确定,至此,建立起了分合闸线圈的状态空间模型。
在对工程仿真计算模型进行精度验证的过程,首先根据动态方程,建立工程仿真计算模型与动态方程各向量之间的一一对应关系。分合闸线圈的几何尺寸和物性参数为状态向量,外部施加载荷和边界条件为输入向量,电流波形为输出向量。
影响仿真模型的精度的主要是物性参数,查看麦克斯韦方程组,其物性参数主要磁导率、电导率,而电流仅在铜线中流过,因此电导率仅跟铜线有关,铜线电导率较为常用,其电导率可直接查询手册,而对于动静铁芯,其关键物性参数为磁导率,为电工材料DT4,为非线性导磁材料,因此主要需要调整该材料的物性参数。建立某型号线圈的工程仿真计算模型,同时建立其分合闸线圈的故障模拟试验装置。上述分合闸线圈根据上述修正后建立的工程仿真计算模型的计算精度达5%,达到了工程仿真计算模型的精度要求。参见图4,是本发明该实施例提供的一种分合闸线圈动作工程仿真计算模型和故障模拟试验装置的示意图。
现场进行在线监测测试时,控制电压和环境温度均不受控制,控制电压在65%-115%之间波动,环境温度在0-70℃之内波动。现场进行停电测试时,控制电压可以固定,环境温度在0-70℃之内波动。根据现场实际经验,将控制电压分为7当,环境温度分为8档。回路电阻、铁芯间隙、线圈匝数及铁芯阻力各分为正常、注意、异常和严重4档。其状态空间大小为7×8×44=14336。
下面为根据物理方法、统计方法和机器学习方法获得状态评估的过程:
(1)物理方法
回路电阻的正常范围为:78±5Ω。取特征值为I3=7%;回路电阻的严重范围为:78+50Ω。取特征值I3=-39%;铁芯间隙的正常范围为:3.5±0.5mm。取特征值t2=8%;铁芯间隙的严重范围为:3.5±2.5Ω。取特征值t2=34%;线圈匝数的正常范围为:1900±100匝。取I2=9%;铁芯间隙的严重范围为:1900-380匝。取I2=36%;线圈阻力的正常范围为:20N。取特征值t1=12%;线圈阻力的严重范围为:100N。取特征值t1=44%。
最终确定状态评估判据,正常状态:所有特征参量变化率β:β≤10%;注意状态:所有特征参量变化率β:10%<β≤20%;异常状态:所有特征参量变化率β:20%<β≤30%;严重状态:所有特征参量变化率β:30%<β≤40%
(2)统计方法
对分合闸线圈电流进行多次采样分析,求取平均电流曲线(μ)及分散度(σ),在平均电流曲线(μ)的基础上加减3σ形成99%分位点形成的包络线。将当前电流波形与99%指纹包络线进行比较,根据重合度进行判断,当待测电流波形超过99%包络线时,发出预警。
(3)机器学习方法
定义输出向量y=[t1,t2,I1,I2,I3],采用机器学习中支持向量机法,对样本进行训练,建立状态评估模型。另外还有一种方法采用直接采用机器学习方法中主成分分析法对电流波形特征参量(即输出变量)进行提取。
以上三种方法的结合,可获得状态评估的准确度达98%。
依据现场分合闸线圈的老化规律,确定铁芯阻力作为状态变量,根据可靠性理论和现场运行经验确定盐雾老化试验的加速因子,设计了盐雾加速试验,建立基于铁芯阻力的线圈动态评估模型,实现了分合闸线圈状态的动态评估,验证了本发明的有效性。
参见图5,是本发明一实施例提供的一种电力设备的状态评估装置,所述装置包括:
状态空间模型建立模块11,用于根据现代控制理论,通过理论分析的方法,获取电力设备的几何尺寸和物性参数作为状态向量,获取所述电力设备的外部施加应力作为输入向量,获取所述电力设备的外部可观测参量作为输出向量,建立所述电力设备的状态空间模型;
状态空间计算模块12,用于根据电力设备故障模式分析理论,分析确定所述状态向量中的状态变量、所述输入向量中的工作条件变量和环境条件变量以及所述电力设备的外部可观测参量,以确定所述状态空间模型的状态空间大小;
仿真计算模型建立模块13,用于根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,并搭建正常模拟试验装置和故障模拟试验装置,以使所述工程仿真计算模型进行正常模拟试验和故障模拟试验,进行误差分析和修正;
指纹库获取模块14,用于根据状态空间线性近似理论,通过所述状态空间模型和修正后的所述工程仿真计算模型,建立在不同的所述工作条件变量和不同所述环境条件变量下,不同所述状态变量与所述输出向量的特征参量之间的一一对应关系,得到所述电力设备的全景数据指纹库;
动态评估模型建立模块15,用于选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型。
本发明实施例所提供的一种电力设备的状态评估装置能够实现上述任一实施例所述的电力设备的状态评估方法的所有流程,装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的电力设备的状态评估方法的作用以及实现的技术效果对应相同,这里不再赘述。
参见图6,是本发明实施例提供的一种使用电力设备的状态评估方法的装置的示意图,所述使用电力设备的状态评估方法的装置包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10执行所述计算机程序时实现上述任一实施例所述的电力设备的状态评估方法。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器20中,并由处理器10执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在一种电力设备的状态评估方法中的执行过程。例如,计算机程序可以被分割成状态空间模型建立模块、状态空间计算模块、仿真计算模型建立模块、指纹库获取模块和动态评估模型建立模块,各模块具体功能如下:
状态空间模型建立模块11,用于根据现代控制理论,通过理论分析的方法,获取电力设备的几何尺寸和物性参数作为状态向量,获取所述电力设备的外部施加应力作为输入向量,获取所述电力设备的外部可观测参量作为输出向量,建立所述电力设备的状态空间模型;
状态空间计算模块12,用于根据电力设备故障模式分析理论,分析确定所述状态向量中的状态变量、所述输入向量中的工作条件变量和环境条件变量以及所述电力设备的外部可观测参量,以确定所述状态空间模型的状态空间大小;
仿真计算模型建立模块13,用于根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,并搭建正常模拟试验装置和故障模拟试验装置,以使所述工程仿真计算模型进行正常模拟试验和故障模拟试验,进行误差分析和修正;
指纹库获取模块14,用于根据状态空间线性近似理论,通过所述状态空间模型和修正后的所述工程仿真计算模型,建立在不同的所述工作条件变量和不同所述环境条件变量下,不同所述状态变量与所述输出向量的特征参量之间的一一对应关系,得到所述电力设备的全景数据指纹库;
动态评估模型建立模块15,用于选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型。
所述使用电力设备的状态评估方法的装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述使用电力设备的状态评估方法的装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,示意图6仅仅是一种使用电力设备的状态评估方法的装置的示例,并不构成对所述使用电力设备的状态评估方法的装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述使用电力设备的状态评估方法的装置还可以包括输入输出设备、网络接入设备、总线等。
处理器10可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器10也可以是任何常规的处理器等,处理器10是所述使用电力设备的状态评估方法的装置的控制中心,利用各种接口和线路连接整个使用电力设备的状态评估方法的装置的各个部分。
存储器20可用于存储所述计算机程序和/或模块,处理器10通过运行或执行存储在存储器20内的计算机程序和/或模块,以及调用存储在存储器20内的数据,实现所述使用电力设备的状态评估方法的装置的各种功能。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述使用电力设备的状态评估方法的装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的电力设备的状态评估方法。
综上,本发明实施例所提供的一种电力设备的状态评估方法、装置及存储介质,提出基于故障模式分析的电力设备内外部量测参量联动机制的分析方法,可以解决现有的状态评估的数据需求不清晰,造成采集系统的大量数量浪费的问题;通过建立工程仿真计算模型,能够模拟电力设备的全工况数据,且精度满足状态评估的需要,使得状态评估数据来源更全面和更可靠;采用工程仿真计算数据,来源统一,且融合多种方法进行状态评估,评估准确性高;通过建立电力设备的动态评估模型,不仅适用于入网前的质量状态评估,也适用于入网后的运行状态评估,且入网前和入网的状态评估模型可以统一,能贯穿电力设备的全生命周期。
以上所述是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种电力设备的状态评估方法,其特征在于,包括以下步骤:
根据现代控制理论,通过理论分析的方法,获取电力设备的几何尺寸和物性参数作为状态向量,获取所述电力设备的外部施加应力作为输入向量,获取所述电力设备的外部可观测参量作为输出向量,建立所述电力设备的状态空间模型;
根据电力设备故障模式分析理论,分析确定所述状态向量中的状态变量、所述输入向量中的工作条件变量和环境条件变量以及所述电力设备的外部可观测参量,以确定所述状态空间模型的状态空间大小;
根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,并搭建正常模拟试验装置和故障模拟试验装置,以使所述工程仿真计算模型进行正常模拟试验和故障模拟试验,进行误差分析和修正;
根据状态空间线性近似理论,通过所述状态空间模型和修正后的所述工程仿真计算模型,建立在不同的所述工作条件变量和不同所述环境条件变量下,不同所述状态变量与所述输出向量的特征参量之间的一一对应关系,得到所述电力设备的全景数据指纹库;
选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型。
3.如权利要求1所述的电力设备的状态评估方法,其特征在于,所述确定所述状态空间模型的状态空间大小是通过以下步骤进行的:
根据电力设备的维修需要,将所述状态变量进行离散化处理,分为正常、注意、异常和严重四档,依据同样的方法将所述工作条件变量、所述环境条件变量和所述外部可观测参量根据需要进行分档,根据分档结果,确定所述电力设备的状态空间模型的所述状态向量、所述输入向量和所述输出向量对应的维度和空间大小,最终得到所述状态空间模型的状态空间大小。
4.如权利要求1所述的电力设备的状态评估方法,其特征在于,所述根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,具体包括:
根据所述电力设备的几何尺寸建立所述电力设备的几何模型,根据所述物性参数设置材料的参数,根据所述电力设备的外部施加应力设置边界条件和施加载荷,得到所述工程仿真计算模型。
5.如权利要求3所述的电力设备的状态评估方法,其特征在于,所述选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型,具体包括:
根据机器学习理论,在所述全景数据指纹库提取在不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应的所述输出向量的机器学习特征参数,建立基于机器学习的第一状态评估模型;
根据统计理论,在所述全景数据指纹库提取不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应所述输出向量的统计特征参数,建立基于统计理论的第二状态评估模型;
根据物理方法,在所述全景数据指纹库库提取在不同所述工作条件变量和不同所述环境条件变量下,所述状态变量分别处于正常、注意、异常和严重四个状态时对应所述输出向量的物理特征参数,建立基于物理方法的第三状态评估模型;
综合第一状态评估模型、第二状态评估模型和第三状态评估模型,得到所述电力设备的状态评估模型;
选择所述电力设备在运行中发生变异的变异状态变量,根据可靠性理论,确定所述变异状态变量的加速因子,设计加速寿命试验,根据所述状态评估模型,建立基于所述变异状态变量的电力设备动态评估模型。
6.一种电力设备的状态评估装置,其特征在于,包括:
状态空间模型建立模块,用于根据现代控制理论,通过理论分析的方法,获取电力设备的几何尺寸和物性参数作为状态向量,获取所述电力设备的外部施加应力作为输入向量,获取所述电力设备的外部可观测参量作为输出向量,建立所述电力设备的状态空间模型;
状态空间计算模块,用于根据电力设备故障模式分析理论,分析确定所述状态向量中的状态变量、所述输入向量中的工作条件变量和环境条件变量以及所述电力设备的外部可观测参量,以确定所述状态空间模型的状态空间大小;
仿真计算模型建立模块,用于根据电力设备数值仿真计算理论,确定所述电力设备的工程仿真计算模型与所述状态空间模型之间的一一对应关系,建立所述工程仿真计算模型,并搭建正常模拟试验装置和故障模拟试验装置,以使所述工程仿真计算模型进行正常模拟试验和故障模拟试验,进行误差分析和修正;
指纹库获取模块,用于根据状态空间线性近似理论,通过所述状态空间模型和修正后的所述工程仿真计算模型,建立在不同的所述工作条件变量和不同所述环境条件变量下,不同所述状态变量与所述输出向量的特征参量之间的一一对应关系,得到所述电力设备的全景数据指纹库;
动态评估模型建立模块,用于选择所述电力设备在运行中发生变异的变异状态变量,设计加速寿命试验,根据所述全景数据指纹库,建立基于所述变异状态变量的电力设备动态评估模型。
7.一种使用电力设备的状态评估方法的装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的电力设备的状态评估方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任一项所述的电力设备的状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010193975.6A CN111475925B (zh) | 2020-03-18 | 2020-03-18 | 一种电力设备的状态评估方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010193975.6A CN111475925B (zh) | 2020-03-18 | 2020-03-18 | 一种电力设备的状态评估方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111475925A CN111475925A (zh) | 2020-07-31 |
CN111475925B true CN111475925B (zh) | 2022-12-06 |
Family
ID=71747583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010193975.6A Active CN111475925B (zh) | 2020-03-18 | 2020-03-18 | 一种电力设备的状态评估方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475925B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084675B (zh) * | 2020-09-17 | 2024-05-07 | 南方电网科学研究院有限责任公司 | 一种gis设备的数字孪生体的构建方法、装置及存储介质 |
CN112488456B (zh) * | 2020-11-12 | 2023-02-28 | 南方电网科学研究院有限责任公司 | 一种电力设备数字数据建模方法 |
CN114676572B (zh) * | 2022-03-25 | 2023-02-17 | 中国航空发动机研究院 | 一种参数确定方法及装置、计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229049B (zh) * | 2018-01-17 | 2021-04-09 | 中国航空综合技术研究所 | 基于性能模型进行多状态系统任务可靠性建模的方法 |
CN109740859A (zh) * | 2018-12-11 | 2019-05-10 | 国网山东省电力公司淄博供电公司 | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 |
CN110069860B (zh) * | 2019-04-23 | 2022-06-14 | 中国航空综合技术研究所 | 伸缩节可靠性疲劳寿命评估方法 |
-
2020
- 2020-03-18 CN CN202010193975.6A patent/CN111475925B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111475925A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111475925B (zh) | 一种电力设备的状态评估方法、装置及存储介质 | |
James et al. | Intelligent time-adaptive transient stability assessment system | |
CN106529090B (zh) | 一种航天电子类产品可靠性评估方法 | |
CN109271741A (zh) | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 | |
EP3745229B1 (de) | Verfahren und vorrichtung zur ausfallvorhersage von elementarrelais | |
CN109936113B (zh) | 一种基于随机森林算法的保护动作智能诊断方法及系统 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN113378449A (zh) | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 | |
CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
CN113744087A (zh) | 一种电子电器用变压器运行状态智能检测的方法及装置 | |
US11699013B2 (en) | Computer-implemented method for simulation of an electrical circuit | |
CN109190210B (zh) | 基于Saber平台建模仿真的电路性能可靠性分析方法 | |
CN113642209A (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
CN111460734A (zh) | 一种结合先进自适应采样和人工神经网络的微波器件自动建模方法 | |
CN116682485A (zh) | 磁存储器电迁移失效及寿命预测方法、装置及电子设备 | |
CN113687154B (zh) | 变压器的空载运行状态监测方法、装置、设备及存储介质 | |
CN113627755B (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
Sawhney et al. | On-line transient stability assessment using artificial neural network | |
CN113435795B (zh) | 一种电力设备的状态评估方法、装置、设备及介质 | |
CN111967208B (zh) | 一种测试性评估仿真模型的构建方法及装置 | |
Farren et al. | System test cost modelling based on event rate analysis | |
Artjuhova et al. | The quality of aerospace equipment production analysis | |
Roche et al. | Machine learning for grey box modelling of electrical components for circuit-and EMC-simulation | |
Bounceur et al. | Accurate analog/RF BIST evaluation based on SVM classification of the process parameters | |
CN116991149B (zh) | 一种费控产品检验方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |