CN112507290B - 配电设备故障概率预判方法、装置及存储介质 - Google Patents
配电设备故障概率预判方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112507290B CN112507290B CN202011416344.2A CN202011416344A CN112507290B CN 112507290 B CN112507290 B CN 112507290B CN 202011416344 A CN202011416344 A CN 202011416344A CN 112507290 B CN112507290 B CN 112507290B
- Authority
- CN
- China
- Prior art keywords
- fault
- probability
- factor
- power distribution
- class
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000004020 conductor Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000012212 insulator Substances 0.000 claims description 3
- 238000011002 quantification Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种配电设备故障概率预判方法、装置及存储介质,旨在解决现有技术中准确性较低、难以量化、成本消耗高等问题。其包括:实时获取配电设备的故障类别和故障因素;利用预先构建的多层故障概率融合模型对配电设备的故障类别和故障因素进行处理,获得配电设备的故障概率初始预判值;利用概率阈值对故障概率初始预判值进行有效性判定,获得配电设备的故障概率预判结果。本发明能够实现更准确的、定量的配电设备的故障概率预判,成本低且效率高。
Description
技术领域
本发明涉及一种配电设备故障概率预判方法、装置及存储介质,属于配电网设备技术领域。
背景技术
近二十年来,在国家海量资源的投入下,我国的电力系统建设取得了飞速的发展,但是由于历史上电力工业发展的各种原因,我国配电网的发展明显滞后于发电网和输电网。目前用户停电95%以上是由配电系统原因引起的,电网有约一半的损耗也发生在配电网,我国配电网的自动化、智能化程度以及自愈和优化运行能力远低于输电网。
当前,传统配电网设备巡检以人工为主,主要通过人工目测检查,或借助于便携式仪器测量获取设备局部的信息,对设备的健康状况做出诊断。巡检配电设备体量大、种类多、部署分散,设备状态检测作业点多面广,现有的巡检方式存在以下问题:人工检查主观性强,准确程度较低;难以量化,通常只能做出定性判断或者等级评判;整体性较差,一般只能作局部检查,且需预先知道故障发生大致部位;获取的是局部信息,无法全面了解整体状况;不能及时作出故障预警,缺乏科学的预判,通常只能在发展到较为严重的程度时才能发现问题等等。
采用传统带电检测工作模式需要耗费大量的人力、物力,如何有效利用各种历史数据、设备老化状况和各种当前状态数据,开展配电设备故障情况的智能状态融合预判,及时发现设备缺陷隐患,是防范配电设备故障、保障配电设备运行安全的重要举措。尤其是开展新一代配电物联网建设后,对于规模化配电设备监测和数据的融合处理和实时性、对故障的定性量化判断要求变得越来越迫切。
发明内容
为了解决现有技术中配电设备故障判断准确性较低、难以量化、成本消耗高等问题,本发明提出了一种配电设备故障概率预判方法、装置及存储介质,通过数据分析获取环境因素、设备自身状态等与配电设备故障之间的概率映射关系,基于多层故障概率融合模型进行特定条件下的配电设备故障预判,实现更准确、定量的配电设备的故障概率预判。
为解决上述技术问题,本发明采用了如下技术手段:
第一方面,本发明提出了一种配电设备故障概率预判方法,包括如下步骤:
实时获取配电设备的故障类别和故障因素,所述故障因素包括气候因素、设备运行参数因素和设备运行年限因素;
利用预先构建的多层故障概率融合模型对配电设备的故障类别和故障因素进行处理,获得配电设备的故障概率初始预判值;
利用概率阈值对故障概率初始预判值进行有效性判定,获得配电设备的故障概率预判结果。
结合第一方面,进一步的,所述多层故障概率融合模型的构建方法包括如下步骤:
获取多条配电设备的历史运行数据,每条历史运行数据中包括故障类别和故障因素,每个故障因素包括多个下级属性;
基于历史运行数据计算每个故障类别发生的先验概率,并利用层次分析法依次计算每个故障因素下每个故障类别发生的先验概率;
利用先验概率获得每个故障类别的多层故障概率融合模型。
结合第一方面,进一步的,所述故障类别包括避雷器故障、电缆故障、杆塔故障、环网柜故障、架空导线故障、绝缘子故障、开关柜故障、配电室故障、箱变故障、柱上设备故障。
结合第一方面,进一步的,所述每个故障类别发生的先验概率的计算公式如下:
其中,Ai表示第i个故障类别,P(Ai)表示故障类别Ai发生的先验概率,Fh(Ai)为故障类别Ai的发生函数,i=1,2,…,N,N为历史运行数据中故障类别的数量,h=1,2,…,H,H为历史运行数据的总条数;
结合第一方面,进一步的,每个故障因素下每个故障类别发生的先验概率的计算方法如下:
基于层次分析法中的成对比较法和1~9尺度获得每个故障因素的权重判断矩阵:
CB=(αi,j)N×M (3)
CR=(αi,k)N×q (4)
CZ=(αi,l)N×L (5)
其中,CB表示气候因素的权重判断矩阵,αi,j表示气候因素的下级属性Bj对故障类别Ai的权重,CR表示设备运行参数因素的权重判断矩阵,αi,k表示设备运行参数因素的下级属性Rk对故障类别Ai的权重,CZ表示设备运行年限因素的权重判断矩阵,αi,l表示设备运行年限因素的下级属性Zl对故障类别Ai的权重,j=1,2,...,M,M为历史运行数据中气候因素的下级属性的数量,k=1,2,...,q,q为历史运行数据中设备运行参数因素的下级属性的数量,l=1,2,...,L,L为历史运行数据中设备运行年限因素的下级属性的数量;
根据权重判断矩阵CB计算气候因素下故障类别Ai发生的先验概率P(B|Ai):
其中,P(Bj|Ai)表示气候因素的第j个下级属性Bj对故障类别Ai的似然函数;
根据权重判断矩阵CR计算设备运行参数因素下故障类别Ai发生的先验概率P(R|Ai):
其中,P(Rk|Ai)表示设备运行参数因素的第k个下级属性Rk对故障类别Ai的似然函数;
根据权重判断矩阵CZ计算设备运行年限因素下故障类别Ai发生的先验概率P(Z|Ai):
其中,P(Zl|Ai)表示设备运行年限因素的第l个下级属性Zl对故障类别Ai的似然函数。
结合第一方面,进一步的,利用先验概率获得每个故障类别的多层故障概率融合模型的具体操作如下:
对每个故障因素下每个故障类别发生的先验概率进行概率融合,获得融合先验概率:
P(B∩Z∩R|Ai)=P(B|Ai)×P(Z|Ai)×P(R|Ai) (9)
其中,P(B∩Z∩R|Ai)表示故障类别Ai发生的情况下所有故障因素都发生的融合先验概率,P(B|Ai)表示气候因素下故障类别Ai发生的先验概率,P(Z|Ai)表示设备运行参数因素下故障类别Ai发生的先验概率,P(R|Ai)表示设备运行年限因素下故障类别Ai发生的先验概率,i=1,2,...,N,N为历史运行数据中故障类别的数量;
根据融合先验概率和贝叶斯定理获得每个故障类别的多层故障概率融合模型,具体表达式如下:
其中,P(Ai|B∩Z∩R)表示故障因素下故障类别Ai的故障概率初始预判值,P(Ai)表示故障类别Ai发生的先验概率,P(B∩Z∩R)表示所有故障因素都发生的概率,n=1,2,...,N。
结合第一方面,进一步的,所述有效性判定的具体操作如下:
获取预先设置的概率阈值;
将故障因素下每个故障类别的故障概率初始预判值分别与概率阈值比较,当故障概率初始预判值大于概率阈值时,认为该故障类别的故障概率初始预判值有效,否则无效;
利用有效的故障概率初始预判值作为配电设备的故障概率预判结果。
第二方面,本发明提出了一种配电设备故障概率预判装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行本发明第一方面所述方法的步骤。
第三方面,本发明提出了计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面所述方法的步骤。
采用以上技术手段后可以获得以下优势:
本发明提出了一种配电设备故障概率预判方法、装置及存储介质,在故障预判过程中充分考虑环境、设备老化、设备运行状态等因素,通过分析配电设备的历史运行数据,对不同气候因素、不同设备运行参数因素和不同设备运行年限因素进行融合处理,获得多层故障概率融合模型,该模型能够得到更符合实际情况的、融合的故障概率预判结果,有效提高配电设备故障预判的准确性。本发明可以根据实时测量、更新的故障因素进行设备故障概率预判,其预判结果不受主观影响,预判的自动化程度更高,相比于人工检查,本发明方法的成本更低、效率更高、结果更准确。
本发明还提出了有效性判定,能够通过预设的概率阈值对配电设备故障预判的准确度进行定量评估,实现融合建模不确定性的量化,使故障发生的预判更具有实际意义。
附图说明
图1为本发明一种配电设备故障概率预判方法的步骤流程图。
图2为本发明实施例中构建多层故障概率融合模型的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明:
本发明提出了一种配电设备故障概率预判方法,如图1所示,具体包括如下步骤:
步骤1、实时获取配电设备的故障类别和故障因素;
步骤2、利用预先构建的多层故障概率融合模型对配电设备的故障类别和故障因素进行处理,获得配电设备的故障概率初始预判值;
步骤3、利用概率阈值对故障概率初始预判值进行有效性判定,获得配电设备的故障概率预判结果。
本发明方法中的故障因素可以表示为其中,B、R、Z依次表示气候因素、设备运行参数因素和设备运行年限因素,每个故障因素包括多个下级属性;本发明经过大量研究获得:气候因素主要包括高温、极低温、高湿度、极干燥、强风、暴雨、雷击等,设备运行参数因素主要包括负荷电流、温度,局放运行状态监测值等,设备运行年限因素可以分为“20年以上”、“16-20年”、“12-16年”、“8-12年”、“4-8年”、“0-4年”这几个档位。
故障类别与故障设备的类型有关,故障类别主要包括避雷器故障、电缆故障、杆塔故障、环网柜故障、架空导线故障、绝缘子故障、开关柜故障、配电室故障、箱变故障和柱上设备故障,上述的任意两个故障类别的交集为空,故障类别可以表示为A={A1,A2,…,Ai,…,An},其中,Ai表示第i个故障类别。
本发明方法中的故障因素及其下级属性都可以根据实际情况进行扩展。
如图2所示,步骤2中多层故障概率融合模型的构建方法包括如下步骤:
1)获取多条配电设备的历史运行数据,每条历史运行数据中包括故障类别和故障因素。
本发明实施例中,在获得配电设备的历史运行数据后可以对历史运行数据进行分类和标记,具体操作如下:
根据故障类别对历史运行数据进行分类,将存在相同故障类别的历史运行数据存入故障类别对应的故障集合中,当一条历史运行数据中同时存在多个故障类别时,可以将该条数据分别放入对应的故障集合中。
根据故障因素对每个故障集合中的每条数据进行标记:针对历史运行数据中的气候因素,判断其是否属于极端气候因素,如高温(环境温度≥35℃)、极低温(环境温度≤2℃)、高湿度(环境湿度≥90%)、极干燥(环境湿度≤50%)、强风(风力≥17.2m/s)、暴雨(≥50/mm)、雷击等,并对其进行标记;针对历史运行数据中的设备运行参数因素,分别判断故障发生时设备是否存在负荷电流、温度、局放异常情况,并对其进行标记;针对历史运行数据中的设备运行年限因素,按照年限档位进行标记。
数据分类标记操作可以是人工操作,也可以由计算机程序自动标记。配电设备的历史运行数据可以随时间实时更新,确保多层故障概率融合模型的准确性。
2)基于历史运行数据计算每个故障类别发生的先验概率,并利用层次分析法依次计算每个故障因素下每个故障类别发生的先验概率;其中,每个故障类别发生的先验概率的计算公式如下:
其中,P(Ai)表示故障类别Ai发生的先验概率,Fh(Ai)为故障类别Ai的发生函数,i=1,2,...,N,N为历史运行数据中故障类别的数量,h=1,2,...,H,H为历史运行数据的总条数。
利用层次分析法依次计算每个故障因素下每个故障类别发生的先验概率的方法如下:
利用极大似然估计法计算气候因素的第j个下级属性Bj对故障类别Ai的似然函数P(Bj|Ai):
其中,Bj表示气候因素的第j个下级属性,Fh(Ai,Bj)表示在气候因素的下级属性Bj的条件下故障类别Ai的发生函数,,j=1,2,...,M,M为历史运行数据中气候因素的下级属性的数量。
利用极大似然估计法计算设备运行参数因素的第k个下级属性Rk对故障类别Ai的似然函数P(Rk|Ai):
其中,Fh(Ai,Rk)表示在设备运行参数因素的下级属性Rk的条件下故障类别Ai的发生函数,k=1,2,...,q,q为历史运行数据中设备运行参数因素的下级属性的数量。
利用极大似然估计法计算设备运行年限因素的第l个下级属性Zl对故障类别Ai的似然函数P(Zl|Ai):
其中,Fh(Ai,Zl)表示在设备运行年限因素的下级属性Zl的条件下故障类别Ai的发生函数,l=1,2,...,L,L为历史运行数据中设备运行年限因素的下级属性的数量。
基于层次分析法中的成对比较法和1~9尺度分别获得每个故障因素的权重判断矩阵:
CB=(αi,j)N×M (19)
CR=(αi,k)N×q (20)
CZ=(αi,l)N×L (21)
其中,CB表示气候因素的权重判断矩阵,αi,j表示气候因素的下级属性Bj对故障类别Ai的权重,CR表示设备运行参数因素的权重判断矩阵,αi,k表示设备运行参数因素的下级属性Rk对故障类别Ai的权重,CZ表示设备运行年限因素的权重判断矩阵,αi,l表示设备运行年限因素的下级属性Zl对故障类别Ai的权重,αi,j、αi,k和αi,l的取值范围都是[0,1]。
对权重判断矩阵进行一致性检验,一致性检验通过后,根据权重判断矩阵CB和P(Bj|Ai)计算气候因素下故障类别Ai发生的先验概率P(B|Ai):
根据权重判断矩阵CR和P(Rj|Ai)计算设备运行参数因素下故障类别Ai发生的先验概率P(R|Ai):
根据权重判断矩阵CZ和P(Zl|Ai)计算设备运行年限因素下故障类别Ai发生的先验概率P(Z|Ai):
3)利用先验概率获得每个故障类别的多层故障概率融合模型,具体操作如下:
设气候因素、设备运行参数因素和设备运行年限因素相互独立,则当三种故障因素同时发生时,根据贝叶斯定理对每个故障因素下每个故障类别发生的先验概率进行概率融合,获得融合先验概率:
P(B∩Z∩R|Ai)=P(B|Ai)×P(Z|Ai)×P(R|Ai) (25)
其中,P(B∩Z∩R|Ai)表示故障类别Ai发生的情况下所有故障因素都发生的融合先验概率。
根据融合先验概率和贝叶斯定理获得每个故障类别的多层故障概率融合模型的初始表达式:
其中,P(Ai|B∩Z∩R)表示故障因素下故障类别Ai的故障概率初始预判值,P(B∩Z∩R)表示所有故障因素都发生的概率。
根据全概率公式获得P(B∩Z∩R)的表达式:
将公式(25)、(27)分别代入公式(26),获得多层故障概率融合模型的计算公式:
其中,n=1,2,...,N,An表示第n个故障类别。
将步骤1实时获取的配电设备的故障类别和故障因素输入多层故障概率融合模型中,通过上述运算可以得到配电设备的故障概率初始预判值,为了进一步提高故障预测的准确度,本发明方法还需要对故障概率初始预判值进行有效性判定。
步骤3中的有效性判定的具体操作如下:
获取预先设置的概率阈值,概率阈值通常是人为设定的。
将故障因素下每个故障类别的故障概率初始预判值分别与概率阈值比较,当故障概率初始预判值大于概率阈值时,认为该故障类别的故障概率初始预判值有效,否则无效;
利用有效的故障概率初始预判值作为配电设备的故障概率预判结果。
本发明还提出了一种基于贝叶斯定理的配电设备故障概率预判装置,包括处理器及存储介质;其中,存储介质用于存储指令;处理器用于根据所述指令进行操作以执行本发明配电设备故障概率预判方法的步骤。
本发明还提出了计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明配电设备故障概率预判方法的步骤。
相比于现有技术,本发明能够通过分析配电设备的历史运行数据获得不同故障因素与不同故障类别之间的概率映射关系,即多层故障概率融合模型,通过多层故障概率融合模型和实时获取环境数据、配电设备运行数据,就可以提供自动化的、实时更新的、准确的故障概率预判结果,且预判的成本更低、效率更高。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种配电设备故障概率预判方法,其特征在于,包括如下步骤:
实时获取配电设备的故障类别和故障因素,所述故障因素包括气候因素、设备运行参数因素和设备运行年限因素;
利用预先构建的多层故障概率融合模型对配电设备的故障类别和故障因素进行处理,获得配电设备的故障概率初始预判值;
利用概率阈值对故障概率初始预判值进行有效性判定,获得配电设备的故障概率预判结果;
所述多层故障概率融合模型的构建方法包括如下步骤:
获取多条配电设备的历史运行数据,每条历史运行数据中包括故障类别和故障因素,每个故障因素包括多个下级属性;
基于历史运行数据计算每个故障类别发生的先验概率,并利用层次分析法依次计算每个故障因素下每个故障类别发生的先验概率;
利用先验概率获得每个故障类别的多层故障概率融合模型;
所述故障类别包括避雷器故障、电缆故障、杆塔故障、环网柜故障、架空导线故障、绝缘子故障、开关柜故障、配电室故障、箱变故障、柱上设备故障;
所述每个故障类别发生的先验概率的计算公式如下:
其中,Ai表示第i个故障类别,P(Ai)表示故障类别Ai发生的先验概率,Fh(Ai)为故障类别Ai的发生函数,i=1,2,…,N,N为历史运行数据中故障类别的数量,h=1,2,…,H,H为历史运行数据的总条数;
每个故障因素下每个故障类别发生的先验概率的计算方法如下:
基于层次分析法中的成对比较法和1~9尺度获得每个故障因素的权重判断矩阵:
CB=(αi,j)N×M
CR=(αi,k)N×q
CZ=(αi,l)N×L
其中,CB表示气候因素的权重判断矩阵,αi,j表示气候因素的下级属性Bj对故障类别Ai的权重,CR表示设备运行参数因素的权重判断矩阵,αi,k表示设备运行参数因素的下级属性Rk对故障类别Ai的权重,CZ表示设备运行年限因素的权重判断矩阵,αi,l表示设备运行年限因素的下级属性Zl对故障类别Ai的权重,j=1,2,…,M,M为历史运行数据中气候因素的下级属性的数量,k=1,2,…,q,q为历史运行数据中设备运行参数因素的下级属性的数量,l=1,2,…,L,L为历史运行数据中设备运行年限因素的下级属性的数量;
根据权重判断矩阵CB计算气候因素下故障类别Ai发生的先验概率P(B|Ai):
其中,P(Bj|Ai)表示气候因素的第j个下级属性Bj对故障类别Ai的似然函数;
根据权重判断矩阵CR计算设备运行参数因素下故障类别Ai发生的先验概率P(R|Ai):
其中,P(Rk|Ai)表示设备运行参数因素的第k个下级属性Rk对故障类别Ai的似然函数;
根据权重判断矩阵CZ计算设备运行年限因素下故障类别Ai发生的先验概率P(Z|Ai):
其中,P(Zl|Ai)表示设备运行年限因素的第l个下级属性Zl对故障类别Ai的似然函数;
利用先验概率获得每个故障类别的多层故障概率融合模型的具体操作如下:
对每个故障因素下每个故障类别发生的先验概率进行概率融合,获得融合先验概率:
P(B∩Z∩R|Ai)=P(B|Ai)×P(Z|Ai)×P(R|Ai)
其中,P(B∩Z∩R|Ai)表示故障类别Ai发生的情况下所有故障因素都发生的融合先验概率,P(B|Ai)表示气候因素下故障类别Ai发生的先验概率,P(Z|Ai)表示设备运行参数因素下故障类别Ai发生的先验概率,
P(R|Ai)表示设备运行年限因素下故障类别Ai发生的先验概率,i=1,2,…,N,N为历史运行数据中故障类别的数量;
根据融合先验概率和贝叶斯定理获得每个故障类别的多层故障概率融合模型,具体表达式如下:
其中,P(Ai|B∩Z∩R)表示故障因素下故障类别Ai的故障概率初始预判值,P(Ai)表示故障类别Ai发生的先验概率,P(B∩Z∩R)表示所有故障因素都发生的概率,n=1,2,…,N。
2.根据权利要求1所述的一种配电设备故障概率预判方法,其特征在于,所述有效性判定的具体操作如下:
获取预先设置的概率阈值;
将故障因素下每个故障类别的故障概率初始预判值分别与概率阈值比较,当故障概率初始预判值大于概率阈值时,认为该故障类别的故障概率初始预判值有效,否则无效;
利用有效的故障概率初始预判值作为配电设备的故障概率预判结果。
3.一种配电设备故障概率预判装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~2任一项所述方法的步骤。
4.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~2任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011416344.2A CN112507290B (zh) | 2020-12-07 | 2020-12-07 | 配电设备故障概率预判方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011416344.2A CN112507290B (zh) | 2020-12-07 | 2020-12-07 | 配电设备故障概率预判方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507290A CN112507290A (zh) | 2021-03-16 |
CN112507290B true CN112507290B (zh) | 2024-04-30 |
Family
ID=74970706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011416344.2A Active CN112507290B (zh) | 2020-12-07 | 2020-12-07 | 配电设备故障概率预判方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507290B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115580635B (zh) * | 2022-09-26 | 2023-06-13 | 广州健新科技有限责任公司 | 一种物联网终端的智能化故障诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016028228A1 (en) * | 2014-08-21 | 2016-02-25 | Avennetz Technologies Pte Ltd | System, method and apparatus for determining driving risk |
CN109685340A (zh) * | 2018-12-11 | 2019-04-26 | 国网山东省电力公司青岛供电公司 | 一种配电设备健康状态评估方法及系统 |
CN110070118A (zh) * | 2019-04-10 | 2019-07-30 | 广东电网有限责任公司 | 一种多时空数据融合方法 |
CN110427015A (zh) * | 2019-08-02 | 2019-11-08 | 广东职业技术学院 | 一种锅炉余热爆炸故障诊断分析方法 |
-
2020
- 2020-12-07 CN CN202011416344.2A patent/CN112507290B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016028228A1 (en) * | 2014-08-21 | 2016-02-25 | Avennetz Technologies Pte Ltd | System, method and apparatus for determining driving risk |
CN109685340A (zh) * | 2018-12-11 | 2019-04-26 | 国网山东省电力公司青岛供电公司 | 一种配电设备健康状态评估方法及系统 |
CN110070118A (zh) * | 2019-04-10 | 2019-07-30 | 广东电网有限责任公司 | 一种多时空数据融合方法 |
CN110427015A (zh) * | 2019-08-02 | 2019-11-08 | 广东职业技术学院 | 一种锅炉余热爆炸故障诊断分析方法 |
Non-Patent Citations (11)
Title |
---|
Research on Multi-Source Data Fusion of Distribution Network Equipment Fault Based on Bayesian Reasoning and Analytic Hierarchy Proces;刘娟 等;《2021 13th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC)》;20211007;53-56 * |
刁守斌 ; 李辛鹏 ; 于涛 ; 安鹏 ; 祝永刚 ; .基于D-S证据理论的配电网设备健康状态评估.电器工业.2020,(第10期),63-67. * |
地区电网多场景运行品质的熵权-贝叶斯模糊AHP评估;张华 等;《电工电能新技术》;20201130;第39卷(第11期);33-40 * |
基于D-S证据理论的配电网设备健康状态评估;刁守斌;李辛鹏;于涛;安鹏;祝永刚;;电器工业;20201005(第10期);63-67 * |
基于交叉熵理论的配电变压器寿命组合预测方法;栗然;刘会兰;卢云;韩彪;;电力系统保护与控制;20140115(第02期);97-103 * |
基于多源数据融合的恶劣气象下10 kV配变实时状态评估;时亚军;顾洁;李楠;王春义;牟宏;崔国柱;;高电压技术;20200222(第02期);448-460 * |
基于层次分析-贝叶斯网络的社区配电网风险动态综合评估方法;史运涛 等;《安全与环境工程》;20200303;第27卷(第1期);111-116 * |
基于模糊故障树的配电网综合风险评估;熊双菊;段雨舟;李孟凡;王劲峰;李君豪;;广东电力;20200225(第02期);93-100 * |
时亚军 ; 顾洁 ; 李楠 ; 王春义 ; 牟宏 ; 崔国柱 ; .基于多源数据融合的恶劣气象下10 kV配变实时状态评估.高电压技术.2020,(第02期),448-460. * |
栗然 ; 刘会兰 ; 卢云 ; 韩彪 ; .基于交叉熵理论的配电变压器寿命组合预测方法.电力系统保护与控制.2014,(第02期),97-103. * |
熊双菊 ; 段雨舟 ; 李孟凡 ; 王劲峰 ; 李君豪 ; .基于模糊故障树的配电网综合风险评估.广东电力.2020,(第02期),93-100. * |
Also Published As
Publication number | Publication date |
---|---|
CN112507290A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
CN112365100B (zh) | 基于灾害风险综合评估的电网灾害预警及应对方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及系统 | |
CN106600447B (zh) | 一种变电站巡检机器人集中监控系统大数据云分析方法 | |
CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN109359894A (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及系统 | |
CN107741578A (zh) | 一种用于智能电能表运行误差远程校准的原始抄表数据处理方法 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN112507290B (zh) | 配电设备故障概率预判方法、装置及存储介质 | |
CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
CN113960700B (zh) | 区域数值预报结果的客观检验、统计及分析系统 | |
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 | |
CN112734204B (zh) | 配电网故障线路风险评估方法和系统 | |
CN110082617B (zh) | 基于物联网技术的输变电设备状态监测分析方法 |
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 |