CN112488327B - 一种自学习电网设备故障缺陷预警系统及其方法 - Google Patents

Abstract

本发明涉及一种自学习电网设备故障缺陷预警系统及其方法，该系统包括数据采集模块、数据存储模块、数据分析模块、评估模块及预警显示模块；数据采集模块与电网设备故障缺陷信息库相连接，采集电网设备信息并发送给数据分析模块及数据存储模块；数据存储模块接收电网设备信息进行保存；数据分析模块对数据采集模块提供的电网设备信息进行分析，提取每类信息的关键因子并发送至评估模块；评估模块根据分析结果及数据存储模块提供的设备信息进行评估；预警显示模块根据评估结果进行电网设备预警显示。本发明实现了电网设备故障缺陷预警功能，有助于决策电网设备运维检修关注重点，有效地避免电网设备故障的发生，保证了电网稳定可靠地运行。

Description

一种自学习电网设备故障缺陷预警系统及其方法

技术领域

本发明属于电网高压设备技术领域，尤其是一种自学习电网设备故障缺陷预警系统及其方法。

背景技术

目前，电网高压设备装用量巨大，但是，随着运行年限的增长，电网高压设备受热、力、光的老化，长期服役逐渐会产生缺陷导致故障，影响电网供电的稳定性。由于电网故障受影响因子繁多，电网设备故障处理处于被动模式，只有等到电网高压设备出现故障时，才对其进行维修，这样势必造成停电检修，给工农业生产及人民生活带来极大的不便。经检索，目前尚无主动对电网设备故障缺陷进行预警的技术。

发明内容

本发明的目地在于克服现有技术的不足，提出一种设计合理、能够避免电网设备发生故障并保证电网稳定运行的自学习电网设备故障缺陷预警系统及其方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种自学习电网设备故障缺陷预警系统，包括数据采集模块、数据存储模块、数据分析模块、评估模块及预警显示模块；所述数据采集模块与电网设备故障缺陷信息库相连接，采集电网设备信息并发送给数据分析模块及数据存储模块；所述数据存储模块接收电网设备信息进行保存，并为评估模块提供电网设备信息；所述数据分析模块对数据采集模块提供的电网设备信息进行分析，提取每类信息的关键因子并发送至评估模块；所述评估模块根据数据分析模块提供的分析结果以及数据存储模块提供的设备信息进行评估；所述预警显示模块根据评估结果进行电网设备预警显示。

一种自学习电网设备故障缺陷预警系统的方法，包括以下步骤：

步骤1、数据采集模块通过电网设备故障缺陷信息库采集电网设备信息，并发送至数据分析模块和数据存储模块；

步骤2、数据存储模块存储数据采集模块的信息；

步骤3、数据分析模块分析电网设备信息，提取每类信息的关键因子；

步骤4、评估模块采用深度学习算法，匹配出发生相同故障缺陷的概率，反馈关键因子的发展趋势；

步骤5、预警显示模块根据步骤4得到的概率信息，对于变化率超过阈值的关键因子提出警示。

而且，所述电网设备信息包括：设备装用量、设备年缺陷率、家族性缺陷信息、重大故障信息和典型缺陷信息。

而且，所述设备装用量信息包括设备生产厂家、设备型号、投运年限和装用数量；所述设备年缺陷率包括不同生产厂家、不同设备型号的年度缺陷率；所述家族性缺陷包括不同生产厂家、不同设备型号和不同缺陷类型；所述典型缺陷信息包括缺陷类型、设备生产厂家和设备型号。

而且，所述步骤3数据分析模块提取每类信息的关键因子的方法为：

⑴对设备生产厂家、设备型号、投运年限、装用数量、设备年缺陷率、缺陷类型分别制定不同级别及有效范围；

⑵如果在有效数据范围内，则判断数据合理可用，如果不在有效数据范围内，则判断数据不合理，并进行报警提示。

而且，所述步骤4的具体实现方法为：评估模块采用深度学习算法，通过不断更新重大故障信息、重大缺陷信息、家族性缺陷信息，从而匹配出发生相同故障缺陷的概率，反馈设备发生缺陷的概率。

而且，所述评估模块通过厂家、电压等级、型号、缺陷类型多维度反馈设备发生缺陷的概率。

而且，所述步骤5中的阈值为30％。

本发明的优点和积极效果是：

本发明设计合理，其利用现有电网设备故障缺陷信息库，将数据采集模块、数据分析模块、评估模块及预警显示模块组合在一起，能够实时的采集设备装用量、设备年缺陷率、家族性缺陷、重大故障信息；并对原始信息系统进行隔离、重组、存储保障信息安全；确定电网设备生产厂家、设备型号、投运年限、装用数量、设备年缺陷率、缺陷类型等关键因子；对家族性缺陷、典型故障案例及典型缺陷信息进行深度学习，得出关键因素的概率，并且在显示屏上对关键因素进行预警。实现了电网设备故障缺陷预警功能，有助于决策电网设备运维检修关注重点，针对可能发生缺陷概率高的设备制定运维策略，有效地避免电网设备故障的发生，保证了电网稳定可靠地运行。

附图说明

图1为本发明的系统连接示意图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

一种自学习电网设备故障缺陷预警系统，如图1所示，包括数据采集模块、数据存储模块、数据分析模块、评估模块及预警显示模块。所述数据采集模块与电网设备故障缺陷信息库相连接，采集设备装用量、设备年缺陷率、家族性缺陷信息、重大故障信息、典型缺陷信息等设备信息，并将采集的设备信息发送给数据分析模块及数据存储模块。所述数据存储模块对数据采集模块提供的设备信息进行保存，数据存储模块中存储的设备信息为原始信息可提供给评估模块进行评估。所述数据分析模块对数据采集模块提供的设备信息进行分析，提取每类信息的关键因子并发送至评估模块。所述评估模块采用深度学习算法，根据数据分析模块提供的分析结果以及数据存储模块提供的设备信息进行评估，匹配出发生相同故障缺陷的概率，得出关键因子的发展趋势。所述预警显示模块对变化率超过30％的关键因子提出警示。

基于上述自学习电网设备故障缺陷预警系统，本发明还提出一种自学习电网设备故障缺陷预警方法，包括以下步骤：

步骤1、数据采集模块通过电网设备故障缺陷信息库采集设备装用量、设备年缺陷率、家族性缺陷信息、重大故障信息、典型缺陷信息，发送至数据分析模块。

在本步骤中，数据采集模块与现有的电网设备故障缺陷信息库相连接采集上述设备信息，其中：

设备装用量信息包括设备生产厂家、设备型号、投运年限、装用数量等。

设备年缺陷率包括不同生产厂家、不同设备型号的年度缺陷率，设备年缺陷率＝缺陷数量/投运年限。

家族性缺陷含不同生产厂家、不同设备型号、不同缺陷类型。

典型缺陷信息含缺陷类型、设备生产厂家、设备型号。

步骤2、数据存储模块存储数据采集模块的信息。

在本步骤中，数据存储模块接收数据采集模块采集的设备信息并进行存储，数据存储模块存储的是原始信息，可提供给评估模块使用。

步骤3、数据分析模块分析设备装用量、设备年缺陷率、家族性缺陷信息、重大故障信息、典型缺陷信息，提取每类信息的关键因子。

在本步骤中，对设备装用量、设备年缺陷率、家族性缺陷信息、重大故障信息、典型缺陷信息的关键信息进行有效范围设定。完成关键因子提取和处理，具体步骤是：

①数据分析模块对设备生产厂家、设备型号、投运年限、装用数量、设备年缺陷率、缺陷类型分别制定不同级别及有效范围。

②如果在有效数据范围内，则判断数据合理可用，如果不在有效数据范围内，则判断数据不合理，并进行报警提示。

步骤4、评估模块采用深度学习算法，匹配出发生相同故障缺陷的概率，反馈关键因子的发展趋势。

在本步骤中，评估模块采用深度学习算法，通过不断更新重大故障信息、重大缺陷信息，家族性缺陷信息。匹配出发生相同故障缺陷的概率，最终反馈设备发生缺陷的概率，从厂家、电压等级、型号、缺陷类型等多维度进行反馈。

步骤5、预警显示模块根据步骤4得到的概率信息，对于变化率超过30％的关键因子提出警示。

在本步骤中，预警模块获取步骤4中概率信息，并且通过平台展示出来。

电网发生的故障及典型缺陷具有带代表性，每类设备都可以分别采用这个故障预测方法。可以分别针对变压器设备、开关设备、避雷器设备、互感器设备、电缆设备等，只要资产台账信息完善，电网公司范围内所有台账内设备均可以参与故障缺陷预测，发掘运维检修重点及关键部位。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种自学习电网设备故障缺陷预警系统，其特征在于：包括数据采集模块、数据存储模块、数据分析模块、评估模块及预警显示模块；所述数据采集模块与电网设备故障缺陷信息库相连接，采集电网设备信息并发送给数据分析模块及数据存储模块；所述数据存储模块接收电网设备信息进行保存，并为评估模块提供电网设备信息；所述数据分析模块对数据采集模块提供的电网设备信息进行分析，提取每类信息的关键因子并发送至评估模块；所述评估模块根据数据分析模块提供的分析结果以及数据存储模块提供的电网设备信息进行评估；所述预警显示模块根据评估结果进行电网设备预警显示；

所述电网设备信息包括：设备装用量、设备年缺陷率、家族性缺陷信息、重大故障信息和典型缺陷信息；

所述关键因子包括电网设备生产厂家、设备型号、投运年限、装用数量、设备年缺陷率和缺陷类型；

所述评估模块进行评估的方法为：采用深度学习算法，通过不断更新重大故障信息、典型缺陷信息、家族性缺陷信息，从而匹配出发生相同故障缺陷的概率，反馈设备发生缺陷的概率。

2.一种如权利要求1所述自学习电网设备故障缺陷预警系统的方法，其特征在于：包括以下步骤：

步骤1、数据采集模块通过电网设备故障缺陷信息库采集电网设备信息，并发送至数据分析模块和数据存储模块；所述电网设备信息包括：设备装用量、设备年缺陷率、家族性缺陷信息、重大故障信息和典型缺陷信息；

步骤2、数据存储模块存储数据采集模块的信息；

步骤3、数据分析模块分析电网设备信息，提取每类信息的关键因子，所述关键因子包括电网设备生产厂家、设备型号、投运年限、装用数量、设备年缺陷率和缺陷类型；

步骤4、评估模块采用深度学习算法，通过不断更新重大故障信息、典型缺陷信息、家族性缺陷信息，从而匹配出发生相同故障缺陷的概率，反馈设备发生缺陷的概率；所述评估模块通过厂家、电压等级、型号、缺陷类型多维度反馈设备发生缺陷的概率；

步骤5、预警显示模块根据步骤4得到的概率信息，对于变化率超过阈值的关键因子提出警示，该阈值为30％。

3.根据权利要求2所述的一种自学习电网设备故障缺陷预警系统的方法，其特征在于：所述设备装用量信息包括设备生产厂家、设备型号、投运年限和装用数量；所述设备年缺陷率包括不同生产厂家、不同设备型号的年度缺陷率；所述家族性缺陷包括不同生产厂家、不同设备型号和不同缺陷类型；所述典型缺陷信息包括缺陷类型、设备生产厂家和设备型号。

4.根据权利要求2所述的一种自学习电网设备故障缺陷预警系统的方法，其特征在于：所述步骤3数据分析模块提取每类信息的关键因子的方法为：

⑴对设备生产厂家、设备型号、投运年限、装用数量、设备年缺陷率、缺陷类型分别制定不同级别及有效范围；

⑵如果在有效数据范围内，则判断数据合理可用，如果不在有效数据范围内，则判断数据不合理，并进行报警提示。

Images