CN112526251B - 一种基于数据驱动的变电站电力设备故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的变电站电力设备故障诊断方法，包括以下步骤：S1：获取变电站的电力设备基础信息；S2：获取电力设备的历史故障信息和维护信息；S3：通过电力设备的基础信息、电力设备的历史故障信息和电力设备的维护信息计算电力设备故障概率；S4：根据电力设备的历史故障信息进行电力设备分类；S5：根据电力设备分类情况对电力设备进行监测，获取电力设备的监测数据；S6：通过电力设备的故障概率和电力设备的监测数据计算电力设备故障系数；S7：通过电力设备故障系数判断电力设备是否发生故障；本发明通过故障发生系数实现电力设备的提前维护，减少国网损失，降低电网运行成本，提高电网工作人员的工作效率。

Description

一种基于数据驱动的变电站电力设备故障诊断方法

技术领域

本发明涉及变电站运维技术领域，尤其涉及一种基于数据驱动的变电站电力设备故障诊断方法。

背景技术

传统运维关注故障后设备的检修和重新投入，被动式模式限制了设备运维水平的进一步提升。受到航天航空、核电设备、电子系统可靠性工程理念的启发，电力设备运维正向设备生命周期健康管理方向发展，设备剩余运行寿命预测、故障预报等是该领域的热点问题。

随着经济社会的不断发展，电网规模日趋庞大，电网的运维、检修、方式调整等业务量愈发变大。传统运维以人为运维业务的“主体”，人员现场设备巡视、倒闸操作、工作许可等，工作量大、工作强度高、效率低。同时，投入现场应用的智能运检设备或装备未能充分转换为实际生产力，存在设备覆盖不全面、建设标准不统一、主辅数据不共享、人机交互不友好等问题。传统依托人力资源的变电运维模式难以适应企业和电网发展需求。

例如，申请号为CN201910717499.0，申请日为2019年08月05日的中国专利申请公开了一种电力设备发热缺陷的诊断方法以及诊断系统，包括如下步骤：步骤S1：从历史现场测试数据中提取电力设备各类发热缺陷对应的红外温度数据；步骤S2：对所述红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据；所述缺陷数据至少包括电力设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记；步骤S3：利用步骤S2中电力设备的缺陷数据以及发热缺陷类型标签训练深度卷积神经网络得到发热缺陷诊断模型；其中，发热缺陷模型的输入数据为电力设备的缺陷数据，输出数据为电力设备的发热缺陷诊断结果，所述诊断结果包括是否存在发热缺陷以及发热缺陷的类型；步骤S4：采集待诊断电力设备的红外温度数据，并进行预处理得到缺陷数据；步骤S5：将步骤S4的缺陷数据输入至步骤S3的发热缺陷诊断模型中得到发热缺陷诊断结果。该申请的电力设备故障诊断方法，需要在设备发生故障之后才进行故障诊断检测，此时故障已经发生一段时间，给国网和用户带来了大量损失，无法进行电力设备的提前故障诊断。

发明内容

本发明主要解决现有的技术中缺乏对电力设备故障进行提前诊断的问题；提供一种基于数据驱动的变电站电力设备故障诊断方法，对电力设备的故障进行提前判断，有利于维护人员对设备进行提前维护，减少国网损失，降低电网运行成本。

本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于数据驱动的变电站电力设备故障诊断方法，包括以下步骤：

S1：获取变电站的电力设备基础信息；

S2：获取电力设备的历史故障信息和维护信息；

S3：通过电力设备的基础信息、电力设备的历史故障信息和电力设备的维护信息计算电力设备故障概率；

S4：根据电力设备的历史故障信息进行电力设备分类；

S5：根据电力设备分类情况对电力设备进行监测，获取电力设备的监测数据；

S6：通过电力设备的故障概率和电力设备的监测数据计算电力设备故障系数；

S7：通过电力设备故障系数判断电力设备是否发生故障。先利用电力设备的历史故障信息和维护的程度信息以及电力设备本身的硬件信息，判断电力设备整体的故障发生概率，根据设备的整体故障发生概率，对设备进行不同程度和不同角度的监测，包括对整体的数据监测以及对多发故障位置的零件的监测，提高数据监测的准确性，根据实时监测数据结合设备历史发生故障的前兆数据进行比对，计算电力设备的故障系数，判断电力设备在接下来多长的时间内会发生故障，在发生故障前进行维护，提前维护，减少国网损失，降低电网运行成本。

作为优选，所述的步骤S1中，获取的电力设备基础信息包括电力设备的出厂日期、电力设备的零件信息、电力设备型号以及电力设备的保养信息。对于同一设备工厂，不同出厂日期的同一设备有可能具有不同程度的寿命区别，构成电力设备的零件是多样的，同一电力设备用不同厂家的零件有可能使电力设备具有不同的寿命，因此同一类型对于不同基础的电力设备，其使用时长和使用寿命均是不同的。

作为优选，所述的步骤S2中，获取的电力设备的历史故障信息包括故障类型、初次故障发生的时间、每次故障发生的原因、故障发生的次数以及每次故障发生的时间间隔；获取的电力设备的维护信息包括维护人员信息以及维护时长。而对于同一类型同一基础的电力设备，由于工作环境不同，发生故障的次数以及概率也是不同的。

作为优选，所述的步骤S3中，电力设备故障概率的计算方法包括以下步骤：

S31：根据电力设备基础信息，建立电力设备的总使用寿命表；

S32：通过电力设备的历史故障信息和维护信息计算电力设备的寿命缺失系数；

S33：根据电力设备的寿命缺失系数计算电力设备的剩余使用寿命；

S34：根据电力设备的剩余使用寿命和电力设备的总使用寿命计算电力设备故障概率。

作为优选，所述的步骤S4中，根据电力设备的历史故障信息进行电力设备分类的方法为：建立分类模型，建立分类模型时人工标注l个样本作为训练集{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(l),y^(l))}，y⁽ⁱ⁾∈{1,2,…,h}，h为相应的电力设备的故障类型数量；

令代价函数

其中，

为分类模型的参数，

为权重衰减项，λ>0，获得使得代价函数J(θ)最小的分类模型参数，即完成相应的电力设备的分类模型的建立，根据分类模型进行电力设备分类。

作为优选，所述的步骤S5中，对电力设备进行监测的方法为：根据分类模型将电力设备分为一类设备和二类设备，分别在一类设备和二类设备上均安装第一监测传感器，第一监测传感器用于监测一类设备和二类设备的整体设备状态，在二类设备上安装第二监测传感器，第二监测传感器用于监测二类设备的故障位置的状态。

作为优选，所述的步骤S6中，通过电力设备的故障概率和电力设备的监测数据计算电力设备故障系数的计算式为：

其中，γ为电力设备故障系数，T_g为电力设备的总使用寿命，ω_g为电力设备的历史故障等级系数，δ为电力设备发生故障的次数，τ为电力设备的寿命缺失系数，A_g为电力设备工作正常的监测值，C_g为第一监测传感器的实时监测值，M_g为二类设备出现历史故障零件的正常工作的监测值，N_g为第二监测传感器的实时监测值。

作为优选，所述的通过电力设备故障系数判断电力设备是否发生故障的方法为：将γ<0.01的判断为设备发生故障，将0.01≤γ<0.04的判断为即将发生故障，将0.04≤γ<0.07的判断为不会发生故障，将γ≥0.07的判断为电力设备稳定工作。

作为优选，所述的二类设备的故障位置由零件发生故障的概率分布函数进行确定，采用概率分布函数分析法进行分析，将概率密度函数定义为：

f(t)＝λe^-λt

其中，λ为零件的故障率。

作为优选，所述的步骤S31中，电力设备的总使用寿命的建立方法包括以下步骤：

S311：获取电力设备的出厂日期；

S312：获取电力设备的零件信息，根据电力设备的零件信息判断电力设备是否为整机设备或组装设备；

S313：获取电力设备的型号信息，查找相同型号设备的历史使用时长以及故障次数信息；

S314：将电力设备的出厂日期、零件信息、相同型号设备的历史使用时长以及故障次数信息进行加权计算，得到总使用寿命。

本发明的有益效果是：先通过电力设备的基础信息，判断电力设备本身具有的使用寿命，通过电力设备的历史故障信息和维护程度判断电力设备的剩余使用寿命，进而计算电力设备在接下来的使用过程的故障发生概率，通过电力设备的故障发生概率对故障进行不同程度的监测，对于剩余寿命较少的电力设备或故障发生次数较多的电力设备的零件进行重点监测，结合实时监测数据计算电力设备的故障发生系数，通过故障发生系数实现电力设备的提前维护，减少国网损失，降低电网运行成本，提高电网工作人员的工作效率。

附图说明

图1是本发明实施例一电力设备故障诊断方法的流程框图。

图2是本发明实施例一电力设备故障概率计算方法的流程框图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例一：一种基于数据驱动的变电站电力设备故障诊断方法，如图1所示，包括以下步骤：S1：获取变电站的电力设备基础信息；获取的电力设备基础信息包括电力设备的出厂日期、电力设备的零件信息、电力设备型号以及电力设备的保养信息。

S2：获取电力设备的历史故障信息和维护信息；获取的电力设备的历史故障信息包括故障类型、初次故障发生的时间、每次故障发生的原因、故障发生的次数以及每次故障发生的时间间隔；获取的电力设备的维护信息包括维护人员信息以及维护时长。

S3：通过电力设备的基础信息、电力设备的历史故障信息和电力设备的维护信息计算电力设备故障概率；如图2所示，电力设备故障概率的计算方法包括以下步骤：

S31：根据电力设备基础信息，建立电力设备的总使用寿命表；

S32：通过电力设备的历史故障信息和维护信息计算电力设备的寿命缺失系数；寿命缺失系数的计算式为：

其中，

为故障类型的权重值，δ为电力设备发生故障的次数，T_L为当前时间值，T_B为上一次发生故障的时间值，T_Z为每次故障发生的时间间隔的平均时长，ε为维护系数。

S33：根据电力设备的寿命缺失系数计算电力设备的剩余使用寿命；电力设备的剩余使用寿命的计算式为：

S34：根据电力设备的剩余使用寿命和电力设备的总使用寿命计算电力设备故障概率；

电力设备的总使用寿命的建立方法包括以下步骤：

S311：获取电力设备的出厂日期；

S312：获取电力设备的零件信息，根据电力设备的零件信息判断电力设备是否为整机设备或组装设备；

S313：获取电力设备的型号信息，查找相同型号设备的历史使用时长以及故障次数信息；

S314：将电力设备的出厂日期、零件信息、相同型号设备的历史使用时长以及故障次数信息进行加权计算，得到总使用寿命。

S4：根据电力设备的历史故障信息进行电力设备分类；根据电力设备的历史故障信息进行电力设备分类的方法为：建立分类模型，建立分类模型时人工标注l个样本作为训练集{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(l),y^(l))}，y⁽ⁱ⁾∈{1,2,…,h}，h为相应的电力设备的故障类型数量；

令代价函数

其中，

为分类模型的参数，

为权重衰减项，λ>0，获得使得代价函数J(θ)最小的分类模型参数，即完成相应的电力设备的分类模型的建立，根据分类模型进行电力设备分类。

S5：根据电力设备分类情况对电力设备进行监测，获取电力设备的监测数据；对电力设备进行监测的方法为：根据分类模型将电力设备分为一类设备和二类设备，分别在一类设备和二类设备上均安装第一监测传感器，第一监测传感器用于监测一类设备和二类设备的整体设备状态，在二类设备上安装第二监测传感器，第二监测传感器用于监测二类设备的故障位置的状态；二类设备的故障位置由零件发生故障的概率分布函数进行确定，采用概率分布函数分析法进行分析，将概率密度函数定义为：

f(t)＝λe^-λt

其中，λ为零件的故障率。

S6：通过电力设备的故障概率和电力设备的监测数据计算电力设备故障系数；通过电力设备的故障概率和电力设备的监测数据计算电力设备故障系数的计算式为：

其中，γ为电力设备故障系数，T_g为电力设备的总使用寿命，ω_g为电力设备的历史故障等级系数，δ为电力设备发生故障的次数，τ为电力设备的寿命缺失系数，A_g为电力设备工作正常的监测值，C_g为第一监测传感器的实时监测值，M_g为二类设备出现历史故障零件的正常工作的监测值，N_g为第二监测传感器的实时监测值。

S7：通过电力设备故障系数判断电力设备是否发生故障；通过电力设备故障系数判断电力设备是否发生故障的方法为：将γ<0.01的判断为设备发生故障，将0.01≤γ<0.04的判断为即将发生故障，将0.04≤γ<0.07的判断为不会发生故障，将γ≥0.07的判断为电力设备稳定工作。

实施例二，一种基于数据驱动的变电站电力设备故障诊断方法，本实施例与实施例一的区别在于，本实施例在电力设备上还安装有通信单元和控制单元，第一监测传感器及通信单元均与控制单元连接，在变电站内设置若干个收集器和服务器，每个收集器连接若干个第一监测传感器，收集器包括第一通讯模块、第二通讯模块、存储器和控制器，第一监测传感器通过第一通讯模块与控制器连接，控制器通过第二通讯模块与服务器连接，存储器与控制器连接，收集器记录与其连接的第一监测传感器标识信息和阈值信息，当第一监测传感器采集的状态数据超过阈值时，收集器向服务器发送报警信息，在电力设备由非既定轨迹发生突发故障时，使服务器能第一时间知道电力设备产生故障。

若干个收集器的第二通讯模块G_i,i∈[1,N]之间建立通信环，N为收集器的数量，四个监测传感器的通信单元R_ij,j∈[1,4]构成通信链，通信单元R_i1与第二通讯模块G_i连接；监测传感器以周期t采集对应变电站设备的状态，通信单元R_ij,j∈[1,4]以周期T将采集到的变电站设备的状态数据打包成数据块D_ij，T为t的m倍，每个数据块包含m个变电站设备的状态数据；周期T结束后通信单元R_i4生成m位二进制数B_im，关联时间戳和通信单元R_i4的标识号后上传到服务器；通信单元R_i4将数据块D_i1以及二进制数B_im发送给通信单元R_i3，通信单元R_i3将数据块D_i4和数据块D_i3发送给通信单元R_i2，通信单元R_i2将数据块D_i4、数据块D_i3和数据块D_i2发送给通信单元R_i1，通信单元R_i1将数据块D_ij,j∈[1,4]发送给第二通讯模块G_i，第二通讯模块G_i收到数据块D_ij,j∈[1,4]以及二进制数B_im后，将数据块D_ij,j∈[1,4]拼接后分割为2部分D_i,1和D_i,2，第二通讯模块G_i对应的控制器根据二进制数B_im的首位，决定是否将数据块D_i,2发送给通信环中的下一个第二通讯模块G_i+1，若二进制数B_im的首位为1，则将数据块D_i,2发送给通信环中的下一个第二通讯模块G_i+1，若第二通讯模块G_i+1对应的二进制数B_(i+1)m的首位为1，则第二通讯模块G_i+1接收数据块D_i,2，并将自身的数据块D_i+1,2发送给通信环的下一个第二通讯模块G_i+2，反之，则直接将数据块D_i,2发送给通信环中的下一个第二通讯模块G_i+2，若干个周期T结束后，全部第二通讯模块G_i,i∈[1,N]将数据块D_i,i∈[1,N]上传到服务器，并丢弃二进制数B_im，通信单元R_i4将数据块D_i4以及二进制数B_im发送给通信单元R_i3时，通信单元R_i3将数据块D_i4和数据块D_i3内包含的变电站设备的状态数据按二进制数B_im的位值进行对调，若二进制数B_im的第k位为1则将数据块D_i4和数据块D_i3的第k个周期t采集的变电站设备的状态数据进行对调，对调后的数据块D_i4和数据块D_i3拼接为数据块D_i4-3，通信单元R_i3将数据块D_i4-3以及二进制数B_im发送给通信单元R_i2，通信单元R_i2收到通信单元R_i3发送的数据块D_i4-3以及二进制数B_im后，将数据块D_i4-3、数据块D_i2以及二进制数B_im发送给通信单元R_i1，通信单元R_i1收到数据块D_i4-3、数据块D_i2以及二进制数B_im后，将数据块D_i2和数据块D_i1拼接为数据块D_i2-1，将两个二进制数B_im拼接成二进制数B_i.2m，将数据块D_i4-3和数据块D_i2-1内包含的变电站设备的状态数据按二进制数B_i.2m的位值进行对调，若二进制数B_i.2m的第k位为1则将数据块D_i4-3和数据块D_i2-1的第k个周期t采集的变电站设备的状态数据进行对调，对调后的数据块D_i4-3和数据块D_i2-1拼接为数据块D_i，通信单元R_i1将数据块D_i以及二进制数B_im发送给第二通讯模块G_i。在第一监测传感器采集的状态数据超过阈值时，第一监测传感器采集的状态数据将不经过通信环，直接经第二通讯模块发送给服务器。

本发明，先通过电力设备的基础信息，判断电力设备本身具有的使用寿命，通过电力设备的历史故障信息和维护程度判断电力设备的剩余使用寿命，进而计算电力设备在接下来的使用过程的故障发生概率，通过电力设备的故障发生概率对故障进行不同程度的监测，对于剩余寿命较少的电力设备或故障发生次数较多的电力设备的零件进行重点监测，结合实时监测数据计算电力设备的故障发生系数，通过故障发生系数实现电力设备的提前维护，减少国网损失，降低电网运行成本，提高电网工作人员的工作效率，利用通信环进行加密通信，提高电网数据的安全性。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (9)

1.一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，包括以下步骤：

S1：获取变电站的电力设备基础信息；

S2：获取电力设备的历史故障信息和维护信息；

S3：通过电力设备的基础信息、电力设备的历史故障信息和电力设备的维护信息计算电力设备故障概率；

S4：根据电力设备的历史故障信息进行电力设备分类；

S5：根据电力设备分类情况对电力设备进行监测，获取电力设备的监测数据；

S6：通过电力设备的故障概率和电力设备的监测数据计算电力设备故障系数；

S7：通过电力设备故障系数判断电力设备是否发生故障；

步骤S4中，根据电力设备的历史故障信息进行电力设备分类的方法为：建立分类模型，建立分类模型时人工标注l个样本作为训练集{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(l),y^(l))}，y⁽ⁱ⁾∈{1,2,…,h}，h为相应的电力设备的故障类型数量；

令代价函数

其中，

为分类模型的参数，

为权重衰减项，λ>0，获得使得代价函数J(θ)最小的分类模型参数，即完成相应的电力设备的分类模型的建立，根据分类模型进行电力设备分类。

2.根据权利要求1所述的一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，步骤S1中，获取的电力设备基础信息包括电力设备的出厂日期、电力设备的零件信息、电力设备型号以及电力设备的保养信息。

3.根据权利要求1或2所述的一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，步骤S2中，获取的电力设备的历史故障信息包括故障类型、初次故障发生的时间、每次故障发生的原因、故障发生的次数以及每次故障发生的时间间隔；获取的电力设备的维护信息包括维护人员信息以及维护时长。

4.根据权利要求1所述的一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，步骤S3中，电力设备故障概率的计算方法包括以下步骤：

S31：根据电力设备基础信息，建立电力设备的总使用寿命表；

S32：通过电力设备的历史故障信息和维护信息计算电力设备的寿命缺失系数；

S33：根据电力设备的寿命缺失系数计算电力设备的剩余使用寿命；

S34：根据电力设备的剩余使用寿命和电力设备的总使用寿命计算电力设备故障概率。

5.根据权利要求1所述的一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，步骤S5中，对电力设备进行监测的方法为：根据分类模型将电力设备分为一类设备和二类设备，分别在一类设备和二类设备上均安装第一监测传感器，第一监测传感器用于监测一类设备和二类设备的整体设备状态，在二类设备上安装第二监测传感器，第二监测传感器用于监测二类设备的故障位置的状态。

6.根据权利要求5所述的一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，步骤S6中，通过电力设备的故障概率和电力设备的监测数据计算电力设备故障系数的计算式为：

其中，γ为电力设备故障系数，T_g为电力设备的总使用寿命，ω_g为电力设备的历史故障等级系数，δ为电力设备发生故障的次数，τ为电力设备的寿命缺失系数，A_g为电力设备工作正常的监测值，C_g为第一监测传感器的实时监测值，M_g为二类设备出现历史故障零件的正常工作的监测值，N_g为第二监测传感器的实时监测值。

7.根据权利要求6所述的一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，通过电力设备故障系数判断电力设备是否发生故障的方法为：将γ<0.01的判断为设备发生故障，将0.01≤γ<0.04的判断为即将发生故障，将0.04≤γ<0.07的判断为不会发生故障，将γ≥0.07的判断为电力设备稳定工作。

8.根据权利要求5所述的一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，所述二类设备的故障位置由零件发生故障的概率分布函数进行确定，采用概率分布函数分析法进行分析，将概率密度函数定义为：

f(t)＝λe^-λt

其中，λ为零件的故障率。

9.根据权利要求4所述的一种基于数据驱动的变电站电力设备故障诊断方法，其特征在于，步骤S31中，电力设备的总使用寿命的建立方法包括以下步骤：

S311：获取电力设备的出厂日期；

S312：获取电力设备的零件信息，根据电力设备的零件信息判断电力设备是否为整机设备或组装设备；

S313：获取电力设备的型号信息，查找相同型号设备的历史使用时长以及故障次数信息；

S314：将电力设备的出厂日期、零件信息、相同型号设备的历史使用时长以及故障次数信息进行加权计算，得到总使用寿命。

Images