CN111582700B - 一种配电网设备故障率计算方法 - Google Patents
一种配电网设备故障率计算方法 Download PDFInfo
- Publication number
- CN111582700B CN111582700B CN202010360818.XA CN202010360818A CN111582700B CN 111582700 B CN111582700 B CN 111582700B CN 202010360818 A CN202010360818 A CN 202010360818A CN 111582700 B CN111582700 B CN 111582700B
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- factors
- failure
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000009916 joint effect Effects 0.000 claims abstract description 6
- 230000001186 cumulative effect Effects 0.000 claims description 23
- 230000006378 damage Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000005315 distribution function Methods 0.000 claims description 16
- 230000004069 differentiation Effects 0.000 claims description 15
- 241001465754 Metazoa Species 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 13
- 208000025274 Lightning injury Diseases 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000009545 invasion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003412 degenerative effect Effects 0.000 claims description 2
- 230000001314 paroxysmal effect Effects 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010061217 Infestation Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本申请公开了一种配电网设备故障率计算方法,包括统计监测地区配电网的主要故障停电因素,包括主要渐变性因素和主要突发性因素;采用基于重要参量输入的故障率计算模型计算渐变性因素联合作用下的故障率λ1;采用故障率参数修正模型对前面计算出的故障率λ1进行突发性因素的逐一修正,得到设备的真实故障率λ2。本申请采用重要参量输入和故障率参数修正相结合的方法,结合在线监测实时数据和环境的影响计算得到的设备故障率,能够准确反映同一类型设备不同个体之间的差异化实时状态。
Description
技术领域
本发明属于配电网运维技术领域,涉及一种配电网设备故障率计算方法。
背景技术
配电网由于拓扑结构及运行环境复杂,部件种类繁多,容易受到设备使用年限、恶劣天气、小动物侵害等因素的影响,发生重复性停电。配电网发生重复性停电不仅会影响电网公司的效益,停电期间更会给各类商业、工业用户等带来不同程度的经济损失,将严重影响社会的正常运行。由于配电网不同支路的停电风险不同,倘若能够计算出各配电设备的真实故障率,进而对配电网进行实时风险评估,分析出停电概率较大的支路并在发生故障停电之前对其进行检修维护,这对配电网的可靠运行具有重要意义。
目前配电设备故障率计算大致有两类方法,第一类是研究影响配电设备故障率的主要因素,单纯通过参数修正的方式来表征不同因素对于故障率的影响。该方法可以表征部分因素对于故障率的影响,但是对于设备质量、设备所处地理位置等渐变性因素对故障率的影响难以通过参数修正的方式表征。同时逐一修正这些因素对于故障率的影响,工作量大,且修正模型越多可能导致计算结果越不准确。第二类方法是利用配电设备健康指数与故障率之间的关系,计算设备的故障率。然而现有研究难以准确计算出健康指数H与故障率λi之间的数学模型λi=CeDH中待定系数C、D,导致该模型不够准确。
发明内容
为解决现有技术中的不足,本申请提供一种配电网设备故障率计算方法。
为了实现上述目标,本申请采用如下技术方案:
一种配电网设备故障率计算方法,所述方法包括以下步骤:
步骤1:确定监测地区配电网的主要故障停电因素,所述主要故障停电因素按照其对设备故障率的影响快慢程度分为主要渐变性因素和主要突发性因素两类;
步骤2:采用基于重要参量输入的故障率计算模型计算主要渐变性因素联合作用下的故障率λ1;
步骤3:采用故障率参数修正模型对步骤2计算出的故障率λ1进行主要突发性因素的逐一修正,得到设备的真实故障率λ2。
本发明进一步包括以下优选方案:
优选地,在步骤1中,统计监测地区配电网的故障停电因素,选择同一故障原因导致的故障停电数量大于故障停电数量阈值n1的故障停电因素作为主要突发性因素。
优选地,步骤2所述采用基于重要参量输入的故障率计算模型计算主要渐变性因素联合作用下的故障率λ1,具体包括:
步骤2.1:筛选重要参量:
统计不同配电设备在主要渐变性因素作用下发生的故障类型,利用布尔离散结合关联规则挖掘方法筛选各故障类型对应的重要参量;
步骤2.2:确定重要参量对应的Weibull模型:
将待测的重要参量的历史数据带入构造的似然方程组中,对似然方程组进行优化求出未知参量α和β,从而确定每类重要参量的Weibull模型;
步骤2.3:确定重要参量的状态边界值及离散区间:
统计并计算同一地区同一类型设备处于正常、注意、异常、严重四类状态的数量和比例,带入Weibull模型的逆累积分布函数中,计算状态边界值和离散区间;
步骤2.4:计算差异化限值:
统计同一地区同一类型设备在主要渐变性因素影响下的平均故障概率fave,带入Weibull模型的逆累积分布函数中得到各重要参量的差异化限值xlim;
步骤2.5:计算重要参量处于不同状态时故障概率:
通过Apriori算法计算已知配电设备发生某种故障时,设备的重要参量x处于正常、注意、异常、严重中某种状态的概率;
步骤2.6:构造重要参量累积故障概率函数:
利用步骤2.5计算得到的结果,构造第m类重要参量处于正常、注意、异常、严重不同状态区间对应的第j种故障发生的概率函数Fjm;
步骤2.7:计算重要参量权重:
统计主要渐变性因素影响下同一故障类型中不同重要参量超过各自差异化限值xlim的个数Ljm,将同一故障类型中不同重要参量进行归一化,确定第m类重要参量对第j种故障形式的权重ωjm:
A代表重要参量的种类;
步骤2.8:计算每类故障发生概率fT(j):
每一类重要参量对第j类故障的贡献为Fjm·ωjm,由此求和得到A类重要参量对第j类故障的综合故障率fT(j):
步骤2.9:计算主要渐变性因素联合作用下的综合故障率λ1:
将B类故障中每一种故障的故障率fT(j)求和得到主要渐变性因素联合作用下的综合故障率λ1:
式中:fT(j)为第j类故障形式的故障概率。
优选地,步骤2.1具体包括:
(2.1.1)使用布尔离散对在线监测参量进行离散化处理:
根据S.00.00.05/Q100-0006-0912-814《广东电网公司设备状态评价与风险评估技术导则》和GB/T 7252-2001中各参量的限值和设备的实际状态分别对参量x和故障类型y进行映射,得到映射值d*:
d*=0,参量x在限值范围内或者设备没有发生特定故障类型y的故障;
d*=1,参量x超过限值范围或者设备发生特定故障类型y的故障。
(2.1.2)形成布尔型故障数据库D*,其中A为参量x的种类总量,B为故障类型y的模式总量;
(2.1.3)使用Apriori算法计算故障数据库D*中参量与不同故障类型的关联关系,通过设置最小的支持度和置信度阈值,筛选出重要参量。
优选地,步骤2.2中,Weibull模型的配电设备故障率密度函数和故障率累积分布函数分别为:
式中,x为某类重要参量的在线监测量。
优选地,步骤2.3具体包括:
(2.3.1)统计同一地区主要渐变性因素影响下同类型配电设备处于正常、注意、异常、严重四类状态的数量,然后计算正常、注意、异常、严重四类状态的出现概率,即概率密度f=[fnor,fatt,fabn,fser];
(2.3.2)对各状态出现的概率进行求和,得到各配电设备的状态累积分布F=[FIFII FIII 1];
(2.3.3)将F=[FI FII FIII 1]带入Weibull模型的故障率逆累积分布函数,计算得到[xI xII xIII xIV],由此得到配电设备正常、注意、异常、严重四类状态的不同参量的临界值Xcri=[xI xII xIII xIV],以及正常、注意、异常、严重四类状态的离散区间I1、I2、I3、I4;
所述Weibull模型的故障率逆累积分布函数为:
x=α[-ln(1-F)]1/β (9)。
优选地,所述步骤2.5具体包括:
(2.5.1)统计各地区每类配电设备的故障样本数据,规定故障样本中有A类重要参量和B类故障形式;
将所有故障样本中重要参量x的历史值根据步骤(2.3.3)计算出的临界值离散到I1、I2、I3、I4内,将第m类重要参量子集记为Ifm=[Ifm(1),Ifm(2),Ifm(3),Ifm(4)],其中m=1…A,Ifm(1),Ifm(2),Ifm(3),Ifm(4)分别代表第m类重要参量处于正常、注意、异常、严重状态;
(2.5.2)将配电设备的故障类型记为T=[T1,T2,…,TB],构造故障类型和重要参量的数据库S=[T,If1,If2,…,IfA];
(2.5.3)按重要参量类型将数据库S拆分为A个,S1=[T,If1],S2=[T,If2],…,SA=[T,IfA];
(2.5.4)计算步骤(2.5.3)得到的Si中Tj与If的置信度:
式中Cou为计数函数,Cou(Tj→If)表示发生第j种故障时第m类参量处于分别处于Ifm(1),Ifm(2),Ifm(3),Ifm(4)的数量,Cou(Si)表示在所有故障样本中第j种故障发生的数量;
所述置信度即为当已知配电设备发生某种故障时,设备的参量x处于正常、注意、异常、严重中某种状态的概率。
优选地,步骤2.6中,通过步骤2.5计算得到第j种故障在重要参量Ifm的正常、注意、异常、严重四类状态区间分布概率:Cjm(1),Cjm(2),Cjm(3),Cjm(4),且四类状态区间分布概率之和为1,即:
由此得到重要参量x在不同状态区间对应的第j种故障发生的概率函数为:
式中x为在线监测装置获取设备的实时量值,xI、xII、xIII、xIV由步骤(2.3.3)计算得到。
优选地,步骤3所述故障率参数修正模型为:
ch为h类主要突发性因素的修正系数;
ωhk为第h类主要突发性因素对第k类配电设备的权重,Nhk为第k类配电设备中第h类主要突发性因素所占的数量,D代表主要突发性因素的种类。
优选地,所述主要渐变性因素包括:负载率变化、设备质量、设备使用年限、非灾害性天气情况和设备所处地理位置;
所述主要突发性因素包括:雷击、小动物、树木破坏和其他。
优选地,雷击的修正系数c1为:
n1为某类设备在连续几年p月份里面对配电设备非灾害性天气的天数,l1为该设备在非灾害性天气的天数由于渐变性因素影响引发的故障的次数,n2为发生雷击的天数,l2为该设备由于雷击天气引发故障的次数;
小动物的修正系数c2为:
树木破坏的修正系数c3为:
设备在连续几年p月份里,l3为该设备由于渐变性因素影响引发的故障的次数,l4为由于小动物侵害引发故障的次数;l5表示设备由于树木破坏引发故障的次数;
其他的修正系数c4取1。
本申请所达到的有益效果:
1.本发明提出了基于重要参量输入和参数修正相结合的配电网设备故障率计算方法,根据对设备故障率的影响快慢程度将主要故障因素分成主要渐变性因素和主要突发性因素。主要渐变性因素对故障率的影响,通过将在线监测装置获取到的实时参量x,带入到基于重要参量的模型中,计算出这些主要渐变性因素联合作用影响下的设备故障率,从而避免逐一讨论这些缓慢型因素对于故障率的影响,减小了工作量。而且对于不同厂家生产设备的质量、设备所处的地理位置、及非灾害性天气情况等主要渐变性因素对设备故障率的影响,很难逐一构建数学模型表达出来。
2.在计算差异化限值时,统计同一地区同类型设备在主要渐变性因素影响下的平均故障概率fave,避免原有研究没有将影响因素进行分类,导致设备处于异常严重状态的数量增加,进而影响各重要状态量的临界值以及差异化限值的计算。
3.该方法克服了现有研究单纯使用修正系数逐一计算各故障因素对配电设备故障率的影响,由于即使同类设备之间也存在差异性,单一的数学模型很难恰如其分地将这种差异性体现出来。
附图说明
图1是本申请一种配电网设备故障率计算方法的流程示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本申请的一种配电网设备故障率计算方法,包括以下步骤:
步骤1:确定监测地区配电网的主要故障停电因素,所述主要故障停电因素按照其对设备故障率的影响快慢程度分为主要渐变性因素和主要突发性因素两类;
主要渐变性因素对故障率的影响效果使用基于重要参量输入的配电设备故障率计算模型表征,主要突发性因素对故障率的影响效果通过参数修正的方法实现。
所述主要渐变性因素主要包括设备自身因素及非主要突发性因素,如负载率变化、设备质量、设备使用年限、非灾害性天气情况和设备所处地理位置等;
这些因素会引起配电设备测量的重要参量x的规律性缓慢变化,通过在线监测装置获取实时重要参量x,利用基于重要参量输入的故障率计算模型可计算出主要渐变性因素联合影响下的设备故障率λ1,从而避免逐一讨论这些缓慢性因素对于设备故障率的影响。
所述主要突发性因素包括:雷击、小动物、树木破坏等外界不可控因素,当配电设备暴露在这些强烈的主要突发性因素作用下时,配电设备直接发生故障的概率会较大。因此逐一考虑主要突发性因素对于配电设备故障率的影响,这部分主要通过统计配电设备的历史故障数据建立修正系数,实现配电设备真实故障率λ2的准确估算。
本申请实施例中,在步骤1中,统计监测地区配电网的故障停电因素,选择同一故障原因导致的故障停电数量大于故障停电数量阈值n1的故障停电因素作为主要突发性因素。
筛选主要故障停电因素时,主要渐变性因素不需要根据故障停电数量筛选,所有主要渐变性因素联合作用会引起配电设备测量的重要参量x的规律性缓慢变化。
根据数量筛选主要故障停电因素是针对主要突发性因素,因为主要突发性因素对故障率的影响是通过逐一建立主要突发性因素的参数修正模型实现的;
因此突发性因素导致的故障数量很少时,可以一起归入主要突发性因素中的其他故障因素,修正系数取1。
例如:统计广州某地区2013-2018年配电网的故障停电因素,选择故障数量大于30(具体数字根据实际情况选择)的主要突发性因素作为需要建立参数修正模型的主要突发性因素,因此这里考虑的主要突发性因素包括雷击、小动物、树木破坏和其他。
主要渐变性因素可选择为:负载率变化、设备质量、设备使用年限、非灾害性天气情况和设备所处地理位置。
步骤2:采用基于重要参量输入的故障率计算模型计算主要渐变性因素联合作用下的故障率λ1,具体包括:
步骤2.1:筛选重要参量:
随着泛在电力物联网的建设,电力设备监测参量与日俱增,而特定类型故障实际上只与某些参量关联较大,这里将关联较大的参量称之为“重要参量”。为了筛选出不同故障模式对应的重要参量,降低数据的维度,可以使用布尔离散结合关联规则方法进行挖掘,具体为:
统计不同配电设备在主要渐变性因素作用下发生的故障类型,利用布尔离散结合关联规则挖掘方法筛选各故障类型对应的重要参量,包括以下步骤:
(2.1.1)由于在线监测量一般为连续的,因此使用布尔离散对在线监测参量进行离散化处理:
根据S.00.00.05/Q100-0006-0912-814《广东电网公司设备状态评价与风险评估技术导则》和GB/T 7252-2001中各参量的限值和设备的实际状态分别对参量x和故障类型y进行映射,得到映射值d*:
d*=0,参量x在限值范围内或者设备没有发生特定故障类型y的故障;
d*=1,参量x超过限值范围或者设备发生特定故障类型y的故障。
(2.1.2)形成布尔型故障数据库D*,其中A为参量x的种类总量,B为故障类型y的模式总量;
(2.1.3)使用Apriori算法计算故障数据库D*中参量与不同故障类型的关联关系,通过设置最小的支持度和置信度阈值,筛选出重要参量。
步骤2.2:确定重要参量对应的Weibull模型:
在得到各故障类型对应的重要参量以后,需要确定重要参量对应的Weibull模型。
配电设备故障率密度函数和故障率累积分布函数分别为:
式中,x为某类重要参量的在线监测量。
将待测的重要参量的历史数据带入构造的似然方程组中,对似然方程组进行优化求出未知参量α和β,从而确定每类重要参量的Weibull模型。
步骤2.3:确定重要参量的状态边界值及离散区间:
现有的S.00.00.05/Q100-0006-0912-814《广东电网公司设备状态评价与风险评估技术导则》和GB/T 7252-2001中没有给出参量x分别处于正常、注意、异常、严重四类状态时对应的量值,使用Weibull模型计算重要参量的状态边界值及离散区间,具体为:
统计并计算同一地区同一类型设备处于正常、注意、异常、严重四类状态的数量和比例,带入Weibull模型的逆累积分布函数中,计算状态边界值和离散区间;
(2.3.1)统计同一地区主要渐变性因素影响下同类型配电设备处于正常到严重四类状态的数量,然后计算四类状态的出现概率,即概率密度f=[fnor,fatt,fabn,fser];
(2.3.2)对各状态出现的概率进行求和,得到各配电设备的状态累积分布F=[FIFII FIII 1];
(2.3.3)将F=[FI FII FIII 1]带入Weibull模型的故障率逆累积分布函数,计算得到[xI xII xIII xIV],由此得到配电设备四类状态的不同参量的临界值Xcri=[xI xII xIIIxIV],以及正常、注意、异常、严重四类状态的离散区间I1~I4,分别代表配电设备处于正常、注意、异常、严重四类状态;
所述Weibull模型的故障率逆累积分布函数为:
x=α[-ln(1-F)]1/β (9)。
步骤2.4:计算差异化限值:
在配电设备的运行过程中,由于设备的使用年限和运行环境的差异,不同配电设备真实限值会与导则中的规定的上下限值产生偏差。重要参量的限值与设备的故障率有关,不同重要参量的差异化限值可以使用公式(9)计算得到,具体步骤如下:
(2.4.1)统计同一地区所有同型设备在渐变性因素影响下的平均故障概率fave
式中,m表示故障次数,y表示运行年数;对于变压器和断路器等设备,式中n为该地区运行设备的年平均台数;对于架空线路和电缆线路,式中n为该地区线路的长度,单位为km。
在实际中由于配电网设备种类繁多,逐个统计每类型号的平均故障概率较为困难。对于架空线路或电缆线路而言,若已知某地区架空线路的故障率为fover,通过该地区的网架结构图估计使用的架空线路:电缆线路数量=1:m1,通过统计得到该地区发生故障的架空线路:电缆线路数量=1:k1,则可以估算该地区电缆线路的故障率:
对于变压器、断路器、熔断器等设备,也可以参照公式(1)计算。
若设备在每个月的故障率差异较大,想要统计各设备每个月的故障率则可以按照公式(2)计算,这样就可以得到配电设备每个月的差异化限值:
fave=η1λ1′+η2λ2′ (2)
其中,λ1′为各类配电设备的年平均故障概率,η1为年平均故障概率的权重;λ2′为各类配电设备月平均故障概率,η2为月平均故障概率的权重。η1、η2的具体取值根据可收集的数据决定,在一般情况下取η1=η2=0.5若该设备的数据量足够多,统计得到的各类配电网设备的月平均故障概率λ2′较为精确,则η2的取值较大,否则η2的取值较小。
(2.4.2)将fave带入各重要参量的故障率逆累积分布函数x=α[-ln(1-F)]1/β,此时的Fave=fave,计算各重要参量的差异化限值xlim。
步骤2.5:计算重要参量处于不同状态时故障概率:
通过Apriori算法计算已知配电设备发生某种故障时,设备的重要参量x处于正常、注意、异常、严重中某种状态的概率;所述置信度即为当已知配电设备发生某种故障时,设备的参量x处于正常、注意、异常、严重中某种状态的概率。
具体步骤如下:
(2.5.1)统计各地区每类配电设备的故障样本数据,规定故障样本中有A类重要参量和B类故障形式;
将所有故障样本中重要参量x的历史值根据前面计算出的临界值离散到I1~I4内,将第m类重要参量子集记为Ifm=[Ifm(1),Ifm(2),Ifm(3),Ifm(4)],其中m=1…A,Ifm(1),Ifm(2),Ifm(3),Ifm(4)分别代表第m类重要参量处于正常、注意、异常、严重状态;
(2.5.2)将配电设备的故障类型记为T=[T1,T2,…,TB],构造故障类型和重要参量的数据库S=[T,If1,If2,…,IfA];
(2.5.3)按重要参量类型将数据库S拆分为A个,S1=[T,If1],S2=[T,If2],…,SA=[T,IfA];
(2.5.4)计算步骤(2.5.3)得到的Si中Tj与If的置信度为:
式中Cou为计数函数,Cou(Tj→If)表示发生第j种故障时第m类参量处于分别处于Ifm(1),Ifm(2),Ifm(3),Ifm(4)的数量,Cou(Si)表示在所有故障样本中第j种故障发生的数量;
步骤2.6:构造重要参量累积故障概率函数:
利用公式(11)计算得到的结果,构造重要参量x处于正常、注意、异常、严重不同状态区间对应的第j种故障发生的概率函数Fjm;
通过步骤2.5计算得到第j种故障在重要参量Ifm的正常、注意、异常、严重四类状态区间分布概率:Cjm(1),Cjm(2),Cjm(3),Cjm(4),且由定义可得四类状态区间分布概率之和为1,即:
由此得到重要参量x在不同状态区间对应的第j种故障发生的概率函数为:
式中x为在线监测装置获取设备的实时量值,xI、xII、xIII、xIV由步骤2.3计算得到。
步骤2.7:计算重要参量权重:
不同重要参量对于不同故障类型有效反映程度各不相同,倘若某地区发生第j类故障M例,则在这总共M例故障中,第m类重要参量超过限值的例数越多,则该参量的权重也就越大。因此计算重要参量权重的方法为:
统计主要渐变性因素影响下同一故障类型中不同重要参量超过各自差异化限值xlim的个数L,将同一故障类型中不同重要参量进行归一化,确定第m类重要参量对第j种故障形式的权重ωjm;
(2.7.1)统计平均故障率并将其带入故障率逆累积分布函数,获取配电设备各重要参量差异化限值xlim;
(2.7.2)统计主要渐变性因素影响下不同故障类型中重要参量超过各自差异化限值xlim的个数L:
矩阵L中每一行代表一类故障类型中各重要参量超过限值的个数,每一列代表每一类重要参量在各种故障类型中超过限制的个数;
(2.7.3)将各重要参量按故障类型进行归一化,得到第m类重要参量对第j种故障形式的权重ωjm:
步骤2.8:计算每类故障发生概率fT(j):
每一类重要参量对第j类故障的贡献为Fjm·ωjm,由此求和得到A类重要参量对第j类故障的综合故障率fT(j):
步骤2.9:计算主要渐变性因素联合作用下的综合故障率λ1:
配电设备正常工作的前提是没有发生共计B类故障中的任意一种,因此配电设备故障概率的计算方法与串联元件的故障率的计算方法相似。渐变性因素影响下,根据在线监测的A类重要参量可以得到设备故障率如式(17)所示:
将B类故障中每一种故障的故障率fT(j)求和得到主要渐变性因素联合作用下的综合故障率λ1:
式中:fT(j)为第j类故障形式的故障率。
步骤3:采用故障率参数修正模型对步骤2计算出的故障率λ1进行主要突发性因素的逐一修正,得到设备的真实故障率λ2,具体包括:
步骤3.1:逐一计算雷击恶劣天气、小动物、树木破坏等各类主要突发性因素的修正系数ch,h代表主要突发性因素类型;
式(17)算出的设备故障率考虑了渐变性因素的影响,但是对于雷击等外界突发性因素导致的配电设备故障没有考虑,因此有必要对式(17)算出来的故障率进行修正。
这里对广州地区发生数量最多的雷击、小动物、树木破坏这三类主要突发性因素进行修正,其他的外界突发性因素的修正系数取1。
雷击等突发性因素的修正:
统计某类设备在连续几年p月份里面对配电设备非灾害性天气的天数n1,该设备在这段时间由于渐变性因素影响引发的故障的次数l1,以及发生雷击的天数n2以及设备由于雷击天气引发故障的次数l2。则当架空线路、中压避雷器、柱上隔离开关等在雷击天气时,需要考虑雷击影响的雷击修正系数c1如式(3)所示:
同理可以计算出大风大雨、洪涝、台风等其他突发性灾害天气的修正系数。
小动物及树木破坏引起的修正系数:
通过统计发现广州地区每年的3-5月份,小动物侵害导致架空线路、跌落式熔断器、干式变压器等配电设备发生故障的情况比较严重。统计设备在连续几年p月份里,该设备在这段时间由于渐变性因素影响引发的故障的次数l3,以及由于小动物侵害引发故障的次数l4。则考虑小动物侵害影响的修正系数c2如式(4)所示:
同理,考虑树木破坏影响的修正系数c3如式(5)所示。
式中,l5表示设备在这段时间由于树木破坏引发故障的次数。
步骤3.2:计算不同主要突发性因素权重:
统计同一配电设备中雷击、小动物、树木破坏等各类主要突发性因素各自所占的数量Nhk,将各类主要突发性因素按同一设备类型进行归一化,得到第h类主要突发性因素对第k类配电设备的权重ωhk;
由于不同地区的雷击、小动物、树木破坏等外界突发性因素,对于架空线、电缆等非开关元件及隔离开关等开关元件的故障影响程度不同,因此需要计算各类突发性因素的权重。
矩阵(18)中i代表配电设备类型,D代表主要突发性因素的种类。矩阵N中每一行代表一种配电设备故障因素中,雷击、小动物、树木破坏等外界突发性因素各自所占的数量Nhk;每一列代表同种突发性因素在各类配电设备故障因素中所占数量。将各类突发性因素按设备类型进行归一化,得到第h类突发性因素对第k类配电设备的权重ωhk,如式(19)所示。
步骤3.3:计算真实故障率λ2:
对式(17)得到的渐变性因素影响下的λ1,进行外界突发性因素参数修正,构建故障率参数修正模型为:
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (8)
1.一种配电网设备故障率计算方法,其特征在于:
所述方法包括以下步骤:
步骤1:确定监测地区配电网的主要故障停电因素,所述主要故障停电因素按照其对设备故障率的影响快慢程度分为主要渐变性因素和主要突发性因素两类;
步骤2:采用基于重要参量输入的故障率计算模型计算主要渐变性因素联合作用下的故障率λ1,具体包括:
步骤2.1:筛选重要参量;
步骤2.2:确定重要参量对应的Weibull模型;
步骤2.3:基于Weibull模型确定重要参量的状态边界值及离散区间;
步骤2.4:基于Weibull模型计算重要参量的差异化限值;
步骤2.5:计算重要参量处于不同状态时故障概率;
步骤2.6:基于所述故障概率构造重要参量累积故障概率函数:
步骤2.7:基于差异化限值计算重要参量权重;
步骤2.8:基于重要参量累积故障概率函数和权重,计算每类故障发生概率;
步骤2.9:基于每类故障发生概率计算主要渐变性因素联合作用下的综合故障率λ1;
步骤3:采用故障率参数修正模型对步骤2计算出的故障率λ1进行主要突发性因素的逐一修正,得到设备的真实故障率λ2;
步骤3所述故障率参数修正模型为:
ch为h类主要突发性因素的修正系数;
ωhk为第h类主要突发性因素对第k类配电设备的权重,Nhk为第k类配电设备中第h类主要突发性因素所占的数量,D代表主要突发性因素的种类;
所述主要渐变性因素包括:负载率变化、设备质量、设备使用年限、非灾害性天气情况和设备所处地理位置;
所述主要突发性因素包括:雷击、小动物、树木破坏;
雷击的修正系数c1为:
n1为某类设备在连续几年p月份里面对配电设备非灾害性天气的天数,l1为该设备在非灾害性天气的天数由于渐变性因素影响引发的故障的次数,n2为发生雷击的天数,l2为该设备由于雷击天气引发故障的次数;
小动物的修正系数c2为:
树木破坏的修正系数c3为:
设备在连续几年p月份里,l3为该设备由于渐变性因素影响引发的故障的次数,l4为由于小动物侵害引发故障的次数;l5表示设备由于树木破坏引发故障的次数;
修正系数c4取1。
2.根据权利要求1所述的一种配电网设备故障率计算方法,其特征在于:
在步骤1中,统计监测地区配电网的故障停电因素,选择同一故障原因导致的故障停电数量大于故障停电数量阈值n1的故障停电因素作为主要突发性因素。
3.根据权利要求1所述的一种配电网设备故障率计算方法,其特征在于:
步骤2所述采用基于重要参量输入的故障率计算模型计算主要渐变性因素联合作用下的故障率λ1,具体包括:
步骤2.1:筛选重要参量:
统计不同配电设备在主要渐变性因素作用下发生的故障类型,利用布尔离散结合关联规则挖掘方法筛选各故障类型对应的重要参量;
步骤2.2:确定重要参量对应的Weibull模型:
将待测的重要参量的历史数据带入构造的似然方程组中,对似然方程组进行优化求出未知参量α和β,从而确定每类重要参量的Weibull模型;
步骤2.3:确定重要参量的状态边界值及离散区间:
统计并计算同一地区同一类型设备处于正常、注意、异常、严重四类状态的数量和比例,带入Weibull模型的逆累积分布函数中,计算状态边界值和离散区间;
步骤2.4:计算差异化限值:
统计同一地区同一类型设备在主要渐变性因素影响下的平均故障概率fave,带入Weibull模型的逆累积分布函数中得到各重要参量的差异化限值xlim;
步骤2.5:计算重要参量处于不同状态时故障概率:
通过Apriori算法计算已知配电设备发生某种故障时,设备的重要参量x处于正常、注意、异常、严重中某种状态的概率;
步骤2.6:构造重要参量累积故障概率函数:
利用步骤2.5计算得到的结果,构造第m类重要参量处于正常、注意、异常、严重不同状态区间对应的第j种故障发生的概率函数Fjm;
步骤2.7:计算重要参量权重:
统计主要渐变性因素影响下同一故障类型中不同重要参量超过各自差异化限值xlim的个数Ljm,将同一故障类型中不同重要参量进行归一化,确定第m类重要参量对第j种故障形式的权重ωjm:
A代表重要参量的种类;
步骤2.8:计算每类故障发生概率fT(j):
每一类重要参量对第j类故障的贡献为Fjm·ωjm,由此求和得到A类重要参量对第j类故障的综合故障率fT(j):
步骤2.9:计算主要渐变性因素联合作用下的综合故障率λ1:
将B类故障中每一种故障的故障率fT(j)求和得到主要渐变性因素联合作用下的综合故障率λ1:
式中:fT(j)为第j类故障形式的故障概率。
4.根据权利要求3所述的一种配电网设备故障率计算方法,其特征在于:
步骤2.1具体包括:
(2.1.1)使用布尔离散对在线监测参量进行离散化处理:
根据S.00.00.05/Q100-0006-0912-814《广东电网公司设备状态评价与风险评估技术导则》和GB/T 7252-2001中各参量的限值和设备的实际状态分别对参量x和故障类型y进行映射,得到映射值d*:
d*=0,参量x在限值范围内或者设备没有发生特定故障类型y的故障;
d*=1,参量x超过限值范围或者设备发生特定故障类型y的故障;
(2.1.2)形成布尔型故障数据库D*,其中A为参量x的种类总量,B为故障类型y的模式总量;
(2.1.3)使用Apriori算法计算故障数据库D*中参量与不同故障类型的关联关系,通过设置最小的支持度和置信度阈值,筛选出重要参量。
6.根据权利要求5所述的一种配电网设备故障率计算方法,其特征在于:
步骤2.3具体包括:
(2.3.1)统计同一地区主要渐变性因素影响下同类型配电设备处于正常、注意、异常、严重四类状态的数量,然后计算正常、注意、异常、严重四类状态的出现概率,即概率密度f=[fnor,fatt,fabn,fser];
(2.3.2)对各状态出现的概率进行求和,得到各配电设备的状态累积分布F=[FI FIIFIII 1];
(2.3.3)将F=[FI FII FIII 1]带入Weibull模型的故障率逆累积分布函数,计算得到[xIxII xIII xⅣ],由此得到配电设备正常、注意、异常、严重四类状态的不同参量的临界值Xcri=[xI xII xIII xⅣ],以及正常、注意、异常、严重四类状态的离散区间I1、I2、I3、I4;
所述Weibull模型的故障率逆累积分布函数为:
x=α[-ln(1-F)]1/β (9)。
7.根据权利要求6所述的一种配电网设备故障率计算方法,其特征在于:
所述步骤2.5具体包括:
(2.5.1)统计各地区每类配电设备的故障样本数据,规定故障样本中有A类重要参量和B类故障形式;
将所有故障样本中重要参量x的历史值根据步骤(2.3.3)计算出的临界值离散到I1、I2、I3、I4内,将第m类重要参量子集记为Ifm=[Ifm(1),Ifm(2),Ifm(3),Ifm(4)],其中m=1…A,Ifm(1),Ifm(2),Ifm(3),Ifm(4)分别代表第m类重要参量处于正常、注意、异常、严重状态;
(2.5.2)将配电设备的故障类型记为T=[T1,T2,…,TB],构造故障类型和重要参量的数据库S=[T,If1,If2,…,IfA];
(2.5.3)按重要参量类型将数据库S拆分为A个,S1=[T,If1],S2=[T,If2],…,SA=[T,IfA];
(2.5.4)计算步骤(2.5.3)得到的Si中Tj与If的置信度:
式中Cou为计数函数,Cou(Tj→If)表示发生第j种故障时第m类参量处于分别处于Ifm(1),Ifm(2),Ifm(3),Ifm(4)的数量,Cou(Si)表示在所有故障样本中第j种故障发生的数量;
所述置信度即为当已知配电设备发生某种故障时,设备的参量x处于正常、注意、异常、严重中某种状态的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360818.XA CN111582700B (zh) | 2020-04-30 | 2020-04-30 | 一种配电网设备故障率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360818.XA CN111582700B (zh) | 2020-04-30 | 2020-04-30 | 一种配电网设备故障率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582700A CN111582700A (zh) | 2020-08-25 |
CN111582700B true CN111582700B (zh) | 2022-06-10 |
Family
ID=72123011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010360818.XA Active CN111582700B (zh) | 2020-04-30 | 2020-04-30 | 一种配电网设备故障率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582700B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115618A (zh) * | 2020-09-22 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 |
CN112486057B (zh) * | 2020-11-03 | 2021-11-09 | 江苏核电有限公司 | 干式变压器多信息量在线综合监测方法及系统 |
CN112633759B (zh) * | 2020-12-31 | 2023-04-07 | 国网河南省电力公司电力科学研究院 | 一种变电一次主设备状态评估方法 |
CN113553547A (zh) * | 2021-07-15 | 2021-10-26 | 广西电网有限责任公司电力科学研究院 | 一种架空线路时变故障概率计算系统及方法 |
CN113988709A (zh) * | 2021-11-18 | 2022-01-28 | 广东电网有限责任公司 | 中压配电线路故障率分析方法、装置、终端设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016159702A (ja) * | 2015-02-27 | 2016-09-05 | 株式会社ショーワ | 電動パワーステアリング装置 |
CN106570792A (zh) * | 2016-11-14 | 2017-04-19 | 国网天津市电力公司 | 一种面向可靠性评估的配电设备状态评价方法 |
CN107403027A (zh) * | 2017-06-06 | 2017-11-28 | 国网江西省电力公司萍乡供电分公司 | 一种建立计及检修影响的电气设备故障率修正模型的方法 |
-
2020
- 2020-04-30 CN CN202010360818.XA patent/CN111582700B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016159702A (ja) * | 2015-02-27 | 2016-09-05 | 株式会社ショーワ | 電動パワーステアリング装置 |
CN106570792A (zh) * | 2016-11-14 | 2017-04-19 | 国网天津市电力公司 | 一种面向可靠性评估的配电设备状态评价方法 |
CN107403027A (zh) * | 2017-06-06 | 2017-11-28 | 国网江西省电力公司萍乡供电分公司 | 一种建立计及检修影响的电气设备故障率修正模型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111582700A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582700B (zh) | 一种配电网设备故障率计算方法 | |
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
CN110598726A (zh) | 一种基于随机森林的输电杆塔鸟害风险预测方法 | |
CN111523699A (zh) | 一种基于综合状态健康度的架空线路故障概率预测方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
US8682623B1 (en) | Electric power distribution interruption risk assessment calculator | |
CN112116276B (zh) | 一种计及电气主设备时变状态的变电站运行风险评估方法 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN114386753A (zh) | 一种基于主变负载状况的设备风险综合分析预警方法 | |
CN108596514A (zh) | 基于模糊遗传算法的电力设备混合威布尔可靠性建模方法 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
CN113762604A (zh) | 一种工业互联网大数据服务系统 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
Feng et al. | Failure risk interval estimation of traction power supply equipment considering the impact of multiple factors | |
CN111581802B (zh) | 一种配电设备实时综合故障率计算方法和系统 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN116862478A (zh) | 基于分层架构与动态赋权的变压器健康评估方法 | |
CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 | |
CN110580578A (zh) | 一种智能变电站二次系统运行质量多分层评价方法 | |
Nie et al. | Research on AHP-based Multi-factor Medium Voltage Distribution Network Line Risk Quantitative Assessment Method | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN112001073B (zh) | 一种牵引供电系统的可靠性分析研究方法 | |
CN114638169A (zh) | 变压器时变故障概率计算方法、装置及计算机可读存储介质 | |
CN114266508A (zh) | 一种配电网供电可靠性评估指标权重的修正算法 |
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 |