CN112580875A - 一种配电装置的故障预测方法及系统 - Google Patents
一种配电装置的故障预测方法及系统 Download PDFInfo
- Publication number
- CN112580875A CN112580875A CN202011521503.5A CN202011521503A CN112580875A CN 112580875 A CN112580875 A CN 112580875A CN 202011521503 A CN202011521503 A CN 202011521503A CN 112580875 A CN112580875 A CN 112580875A
- Authority
- CN
- China
- Prior art keywords
- state data
- power distribution
- health index
- distribution equipment
- neural network
- 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.)
- Granted
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开了一种配电设备的故障预测方法和系统,能够实现对设备未来健康状态的评估预测。首先采集一地区内各种使用时长的配电设备的状态数据,并转换为无负载情况下的状态数据;将同一使用时长的配电设备的状态数据求取均值,作为该使用时长对应的状态数据z(m),采用模型计算使用时长m对应的健康指数y(m);z(m)和y(m)构成训练样本;利用隐性马尔科夫模型对配电装置的状态数据和健康指数进行建模,并采用自循环神经网络来实现。自循环神经网络的输入为m时刻的状态数据z(m)和m‑1时刻的健康指数,输出为m时刻的健康指数;采用训练样本对自循环神经网络进行训练;最终可以采用自循环神经网络可以实现配电设备健康指数的预测。
Description
技术领域
本发明涉及故障检测技术领域,具体涉及一种配电装置的故障预测方法及系统。
背景技术
随着社会对电力的依赖与日俱增,配电装置一旦发生故障会给生产企业带来巨大的损失。因此,传统的故障检测技术缺乏提前性,存在安全上的隐患,而定期的故障排查则存在过度维修的问题,浪费人力物力成本。因此,使用故障预测技术来替代传统的故障诊断模式将成为技术发展的趋势。
对于配电设备的故障预测来说,其难点在于很难获得待预测设备的历史状态数据,如果是通过当前状态数据进行未来健康状态的评估预测,则所依据的数据过于单一,不利于保证故障预测的有效性。
发明内容
有鉴于此,本发明提供了一种配电装置的故障预测方法及系统,能够通过对配电装置状态数据的采集和分析,实现对设备未来健康状态的评估预测,提升故障预测的有效性。
为了解决上述技术问题,本发明是这样实现的。
一种配电设备的故障预测方法,包括:
步骤1、采集一地区内各种使用时长的配电设备的状态数据x;
步骤2、将采集的状态数据x转换为无负载情况下的状态数据z;
步骤3、将同一使用时长m的配电设备的状态数据z求取均值,作为使用时长m对应的状态数据z(m),采用健康指数函数模型计算使用时长m对应的健康指数y(m);z(m)和y(m)构成训练样本;
步骤4、利用隐性马尔科夫模型对配电装置的状态数据z(m)和健康指数y(m)进行建模,将使用时长为m的配电设备的健康指数y(m)视为时刻m下的状态数据z(m)的隐变量,而y(m)只受到m-1时刻的健康指数y(m-1)的影响;
步骤5、使用自循环神经网络来实现隐马尔科夫模型,并对自循环神经网络进行训练;自循环神经网络的输入为m时刻的状态数据z(m)和m-1时刻的健康指数y(m-1),输出为m时刻的健康指数y(m);采用步骤3获取的训练样本对自循环神经网络进行训练;
步骤6、实际预测时,获取被监测单个配电设备A当前时刻m及之前共w个时刻的、转换为无负载情况下的状态数据z(m-w),z(m-w+1),…,z(m-1),z(m),并采用健康指数函数模型计算出y(m-w),w为正整数;将z(m-w+1),z(m-w+2),…,z(m-1),z(m)和y(m-w)输入所述自循环神经网络;自循环神经网络在循环计算过程中计算出y(m-w+1),y(m-w+2),…,y(m-1),y(m);其中,y(m)即为预测的配电设备A的健康指数。
优选地,步骤2所述将采集的状态数据x转换为无负载情况下的状态数据z的方式为:
步骤201:在多台配电设备上,从0%~100%加载不同的负载,并记录每个负载下配电设备达到稳态的状态数据,形成配电设备的负载-状态数据对应关系;
步骤202:将各种负载及其对应的状态数据作为输入,0%负载的状态数据作为输出,构建神经网络,并采用步骤201获得的数据进行训练;
步骤203:实际转换时,将步骤1采集的状态数据及其负载百分比输入所述神经网络,神经网络输出0%负载的状态数据,即所述无负载情况下的状态数据。
优选地,步骤3所述健康指数函数模型为:
新投入使用的配电设备的使用时长为0,健康指数y(m)为1;
使用时长到达理论使用年限的配电设备的健康指数y(m)为0;
其他使用时长的健康指数y(m)采用反正切函数或指数函数计算:
优选地,所述状态数据包括环境温度、配电设备关键电能、电流、电压、功率数据。
优选地,该方法进一步包括:当预测得到的健康指数低于设定阈值,则发出警报。
本发明还提供了一种配电设备的故障预测系统,包括状态传感单元、数据采集上传单元和数据处理分析单元;
所述状态传感单元,用于获取被监测配电设备的状态数据x;
所述数据采集上传单元,用于将状态传感单元采集的状态数据上传到云端服务器;
所述数据处理分析单元设置在云端服务器,负责进行健康指数的预测;该数据处理分析单元包括数据库、样本构造模块、预测模型、训练模块和预测模块;
所述数据库存储有在一地区内采集的各种使用时长的配电设备的状态数据x;
所述样本构造模块将采集的状态数据x转换为无负载情况下的状态数据z,将同一使用时长m的配电设备的状态数据z求取均值,作为使用时长m对应的状态数据z(m),采用健康指数函数模型计算使用时长m对应的健康指数y(m);z(m)和y(m)构成训练样本;
所述预测模型是利用隐性马尔科夫模型对配电装置的状态数据z(m)和健康指数y(m)进行建模得到的;将配电设备m时刻的健康指数y(m)视为该时刻下的状态数据z(m)的隐变量,而y(m)只受到m-1时刻的健康指数y(m-1)的影响;构建自循环神经网络对预测模型进行训练;自循环神经网络的输入为m时刻的状态数据z(m)和m-1时刻的健康指数y(m-1),输出为m时刻的健康指数y(m);
所述训练模块,用于采用样本构造模块获取的训练样本对自循环神经网络进行训练;
所述预测模块,用于获取被监测配电设备A当前时刻m及之前共w个时刻的、转换为无负载情况下的状态数据z(m-w),z(m-w+1),…,z(m-1),z(m),y(m-w)采用健康指数函数模型计算得到,w为正整数;将z(m-w+1),z(m-w+2),…,z(m-1),z(m)和y(m-w)输入所述自循环神经网络;自循环神经网络在循环计算过程中计算出y(m-w+1),y(m-w+2),…,y(m-1),y(m);其中,y(m)即为预测的配电设备A的健康指数。
优选地,所述状态传感器单元和数据采集上报单元均安装在被监测配电设备所在的配电室内;数据采集上报单元由数据采集卡和路由器组成,支持LORA、有线串口的接入方式,兼容有有线网络以及4G网络传输功能。
优选地,所述样本构造模块采用的健康指数函数模型为:
新投入使用的配电设备的使用时长为0,健康指数y(m)为1;
使用时长到达理论使用年限的配电设备的健康指数y(m)为0;
其他使用时长的健康指数y(m)采用反正切函数或指数函数计算:
优选地,所述样本构造模块采用神经网络将采集的状态数据x转换为无负载情况下的状态数据z:
首先,在多台配电设备上,从0%~100%加载不同的负载,并记录每个负载下配电设备达到稳态的状态数据,形成配电设备的负载-状态数据的对应关系;
然后,将各种负载及其对应的状态数据作为输入,0%负载的状态数据作为输出,训练神经网络;
实际转换时,将采集的状态数据及其负载百分比输入所述神经网络,神经网络输出0%负载的状态数据,即所述无负载情况下的状态数据z。
优选地,该系统进一步包括报警模块,用于将预测模块预测得到的健康指数与设定阈值进行比较,当健康指数低于设定阈值则发出警报。
有益效果:
(1)本发明通过统计学上的设备状态数据采集方法,采用求取一定区域内所有使用时间相同的设备的状态数据,建立了配电装置的全生命周期数据集,为配电装置的寿命预测提供了数据支撑。基于全生命周期数据集,本发明以健康指数表征故障产生可能性,利用深度学习算法实现配电装置的寿命预测,提升了预测的准确率。
(2)本发明采用神经网络将采集的状态数据转换为无负载情况下的状态数据再进行后续分析,保证不同负载的状态数据能够相互进行比对,避免引入较大误差。
(3)本发明采用隐性马尔科夫模型,建立状态数据和健康指数的关系,通过自循环神经网络进行预测,该模型的隐藏状态的结构以循环形成记忆的形式工作,每一时刻的隐藏层的状态取决于它的过去状态。使得自循环神经网络可以保存、记住和处理过去时刻的健康指数,并与当前状态数据进行结合,对下一时刻的健康指数进行预测,避免了仅依靠当前单一状态数据进行预测所造成的偏差。
(4)本发明在构建样本时,健康指数采用健康指数函数模型计算得到,健康指数函数模型可以采用反正切函数或者是指数函数,其均能有效表征设备健康情况从1到0的指数型变化趋势,即投入使用初期变化较大,后期减缓,该模型能够准确反映出配电设备健康情况随使用时间的变化情况。
附图说明
图1为本发明配电设备的故障预测方法的流程图。
图2为隐形马尔科夫模型的示意图。
图3为以反正切函数作为健康指数函数模型产生的健康指数变化曲线。
图4为以指数函数作为健康指数函数模型产生的健康指数变化曲线。
图5为本发明配电设备的故障预测系统的组成框图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
配电设备的故障预测问题必须拥有足够的数据用以分析,因此,故障预测的基础是建立配电装置故障分析数据集,该数据集最好包含配电设备的全生命周期样本。但是配电设备全生命周期样本的定义为从配电设备开始投入使用到因故障被更换为止整个阶段的设备状态数据。但在实际维护过程中,由于配电装置使用寿命较长,因此难以积累单台配电设备的全生命周期数据,因此本发明提出了一种统计学上的配电装置全生命周期的数据收集方法,基于收集的数据通过负载转换、健康指数函数建模、隐性马尔科夫建模的技术,实现了单台配电设备的故障预测。
参见图1,本发明提供的配电设备的故障预测方法,包括如下步骤:
步骤1、采集一地区内各种使用时长的配电设备的状态数据x(n)。
本步骤中,选取一地区,从工程数据库中获取该地区内所有N个配电设备投入使用的日期,从而计算出各自的使用时长t(n),n是指配电设备n,n=1,2…,N。采集这一地区内各种使用时长的配电设备的状态数据x(n),n=1,2…,N。
状态数据x(n)是一组参数,包括但不限于环境数据(温、湿度)、配电设备关键电能数据、电流、电压、功率等其他常规电参量数据。
步骤2、将采集的状态数据x(n)转换为无负载情况下的状态数据z(n)。
上述步骤1所采集的状态数据x(n)是在配电设备具有自个负载情况下采集的。然而,对于配电设备来说,不同的负载下采集的状态数据是不同的。以开关柜为例,随其负载电流的不同,其状态参数如开关柜内温湿度随负载电流电压发生变化,因此直接使用此状态参数无法表征配电设备内在的健康状态,因此需要将不同负载下的状态数据x(n)统一到无负载情况。
因此,本发明采用预训练好的神经网络来拟合出配电设备在无负载的情况下的状态参数z(n),将z(n)存入数据库。具体方法包括如下步骤201-203:
步骤201:针对多台配电设备采集数据样本:
针对每一台配电设备:从0%~100%加载不同的负载,并记录每个负载下配电设备达到稳态的状态数据,形成配电设备的负载-状态数据对应数据库;
步骤202:将各种负载及其对应的状态数据作为输入,0%负载的状态数据作为输出,构建神经网络,并采用步骤201获得的数据进行训练。训练神经网络时利用输出的最小方差作为损失函数。当神经网络模型收敛后,保存模型参数以备使用。
步骤203:实际转换时,将步骤1采集的状态数据及其负载百分比输入所述神经网络,神经网络输出0%负载的状态数据,即所述无负载情况下的状态数据。
完成数据集的建立后,使用以下方法对配电设备的健康指数进行建模预测。
步骤3、生成预测模型的训练样本。
本步骤中,将同一使用时长m的配电设备的状态数据z求取均值,作为使用时长m对应的状态数据z(m),采用健康指数函数模型计算使用时长m对应的健康指数y(m);z(m)和y(m)构成训练样本。m=1,2…,M,M为理论使用年限。
在一优选实施例中,本步骤具体包括如下步骤:
步骤301、使用时长最小单位设为一年,将处于同一年内的配电设备的状态数据进行平均,求出该时长的平均状态数据z(m);
其中,m是指所述的“处于同一年”是第几年,也是使用时长。∑i1(t(i)=m)是选取函数,当t(i)等于所选使用时长m时,则函数值为1,也就是选取对应的z(i)参与平均状态数据的计算,i的取值范围是1-M。
步骤302、采用健康指数函数模型计算使用时长m对应的健康指数y(m)。
本发明的健康指数取值范围为0-1。新投入使用的配电设备的使用时长m=0,对应的健康指数y(m)=1;将已到理论使用年限,以高压开关柜举例,理论使用年限为25年,m=25的配电设备的健康指数视为y(m)=0;其余使用时长m的健康指数使用如下式的反正切函数进行建模,反正切函数能够较为准确的描述健康指数随着时间的增长的变化情况,从1到0变化,且开始下降快,时间越长,下降速度越慢,参见图2:
在实际中,也可以采用指数函数,模型如下,该模型在m=25的时候更为靠近0,参见图3:
步骤4、利用隐性马尔科夫模型对配电装置的状态数据z(m)和健康指数y(m)进行建模,将配电设备m时刻的健康指数y(m)视为该时刻下的状态数据z(m)的隐变量,而y(m)只受到m-1时刻的健康指数y(m-1)的影响,参见图4。
步骤5、使用深度学习中自循环神经网络来实现隐马尔科夫模型并对自循环神经网络进行训练;自循环神经网络的输入为m时刻的状态数据z(m)和m-1时刻的健康指数y(m-1),输出为m时刻的健康指数y(m);采用步骤3获取的训练样本对自循环神经网络进行训练。
步骤6、实际预测时,获取被监测配电设备A当前时刻m及之前共w个时刻的状态数据,并按照步骤203的方式转换为无负载情况下的状态数据z(m-w),z(m-w+1),…,z(m-1),z(m),并采用健康指数函数模型计算得到y(m-w),w为正整数,w最小为1;将z(m-w+1),z(m-w+2),…,z(m-1),z(m)和y(m-w)输入所述自循环神经网络;自循环神经网络在循环计算过程中计算出y(m-w+1),y(m -w+2),…,y(m-1),y(m);其中,y(m)即为预测的配电设备A的健康指数。
举例说明,当一台设备从第三年开始进行状态监测,并监测到当前第5年的数据,现需预测出第五年到第六年的设备健康指数y(5),有z(3)、z(4)、z(5)的设备状态数据,使用健康指数函数模型计算出z(3)所对应的y(3),之后进入循环计算过程,先利用z(4)和y(3)计算出y(4),依此类推,再利用z(5)和y(4)即可计算出y(5)。
步骤7、当预测得到的健康指数低于设定阈值,则发出警报。
基于上述方法,本发明还提供了一种配电设备的故障预测系统,如图5所示,该系统包括状态传感单元、数据采集上传单元和数据处理分析单元。
状态传感单元,用于获取被监测配电设备的状态数据。
数据采集上传单元,用于将状态传感单元采集的状态数据上传到云端服务器。
该状态传感器单元和数据采集上报单元可以安装在被监测配电设备所在的配电室内;数据采集上报单元由数据采集卡和路由器组成,支持LORA、有线串口的接入方式,兼容有有线网络以及4G网络传输功能。
数据处理分析单元设置在云端服务器,负责进行健康指数的预测;该数据处理分析单元包括数据库、样本构造模块、预测模型、训练模块和预测模块。
其中,数据库存储有在一地区内采集的各种使用时长的配电设备的状态数据x。
样本构造模块将采集的状态数据x转换为无负载情况下的状态数据z,转换方案参见上文采用神经网络的实现方式。将同一使用时长m的配电设备的状态数据z求取均值,作为使用时长m对应的状态数据z(m),采用健康指数函数模型计算使用时长m对应的健康指数y(m);z(m)和y(m)构成训练样本。该样本构造模块采用的健康指数函数模型可以是反正切函数或者是指数函数。
预测模型是利用隐性马尔科夫模型对配电装置的状态数据z(m)和健康指数y(m)进行建模得到的;将配电设备m时刻的健康指数y(m)视为该时刻下的状态数据z(m)的隐变量,而y(m)只受到m-1时刻的健康指数y(m-1)的影响;构建自循环神经网络对预测模型进行训练;自循环神经网络的输入为m时刻的状态数据z(m)和m-1时刻的健康指数y(m-1),输出为m时刻的健康指数y(m);
训练模块,用于采用样本构造模块获取的训练样本对自循环神经网络进行训练;
预测模块,用于获取被监测配电设备A当前时刻m及之前共w个时刻的、转换为无负载情况下的状态数据z(m-w),z(m-w+1),…,z(m-1),z(m),y(m-w)采用健康指数函数模型计算得到,w为正整数;将z(m-w+1),z(m-w+2),…,z(m-1),z(m)和y(m-w)输入所述自循环神经网络;自循环神经网络在循环计算过程中计算出y(m-w+1),y(m-w+2),…,y(m-1),y(m);其中,y(m)即为预测的配电设备A的健康指数。
以上的具体实施例仅描述了本发明的设计原理,该描述中的部件形状,名称可以不同,不受限制。所以,本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换;而这些修改和替换未脱离本发明创造宗旨和技术方案,均应属于本发明的保护范围。
Claims (10)
1.一种配电设备的故障预测方法,其特征在于,包括:
步骤1、采集一地区内各种使用时长的配电设备的状态数据x;
步骤2、将采集的状态数据x转换为无负载情况下的状态数据z;
步骤3、将同一使用时长m的配电设备的状态数据z求取均值,作为使用时长m对应的状态数据z(m),采用健康指数函数模型计算使用时长m对应的健康指数y(m);z(m)和y(m)构成训练样本;
步骤4、利用隐性马尔科夫模型对配电装置的状态数据z(m)和健康指数y(m)进行建模,将使用时长为m的配电设备的健康指数y(m)视为时刻m下的状态数据z(m)的隐变量,而y(m)只受到m-1时刻的健康指数y(m-1)的影响;
步骤5、使用自循环神经网络来实现隐马尔科夫模型,并对自循环神经网络进行训练;自循环神经网络的输入为m时刻的状态数据z(m)和m-1时刻的健康指数y(m-1),输出为m时刻的健康指数y(m);采用步骤3获取的训练样本对自循环神经网络进行训练;
步骤6、实际预测时,获取被监测单个配电设备A当前时刻m及之前共w个时刻的、转换为无负载情况下的状态数据z(m-w),z(m-w+1),…,z(m-1),z(m),并采用健康指数函数模型计算出y(m -w),w为正整数;将z(m-w+1),z(m-w+2),…,z(m-1),z(m)和y(m-w)输入所述自循环神经网络;自循环神经网络在循环计算过程中计算出y(m-w+1),y(m-w+2),…,y(m-1),y(m);其中,y(m)即为预测的配电设备A的健康指数。
2.如权利要求1所述的方法,其特征在于,步骤2所述将采集的状态数据x转换为无负载情况下的状态数据z的方式为:
步骤201:在多台配电设备上,从0%~100%加载不同的负载,并记录每个负载下配电设备达到稳态的状态数据,形成配电设备的负载-状态数据对应关系;
步骤202:将各种负载及其对应的状态数据作为输入,0%负载的状态数据作为输出,构建神经网络,并采用步骤201获得的数据进行训练;
步骤203:实际转换时,将步骤1采集的状态数据及其负载百分比输入所述神经网络,神经网络输出0%负载的状态数据,即所述无负载情况下的状态数据。
4.如权利要求1所述的方法,其特征在于,所述状态数据包括环境温度、配电设备关键电能、电流、电压、功率数据。
5.如权利要求1所述的方法,其特征在于,该方法进一步包括:当预测得到的健康指数低于设定阈值,则发出警报。
6.一种配电设备的故障预测系统,其特征在于,包括状态传感单元、数据采集上传单元和数据处理分析单元;
所述状态传感单元,用于获取被监测配电设备的状态数据x;
所述数据采集上传单元,用于将状态传感单元采集的状态数据上传到云端服务器;
所述数据处理分析单元设置在云端服务器,负责进行健康指数的预测;该数据处理分析单元包括数据库、样本构造模块、预测模型、训练模块和预测模块;
所述数据库存储有在一地区内采集的各种使用时长的配电设备的状态数据x;
所述样本构造模块将采集的状态数据x转换为无负载情况下的状态数据z,将同一使用时长m的配电设备的状态数据z求取均值,作为使用时长m对应的状态数据z(m),采用健康指数函数模型计算使用时长m对应的健康指数y(m);z(m)和y(m)构成训练样本;
所述预测模型是利用隐性马尔科夫模型对配电装置的状态数据z(m)和健康指数y(m)进行建模得到的;将配电设备m时刻的健康指数y(m)视为该时刻下的状态数据z(m)的隐变量,而y(m)只受到m-1时刻的健康指数y(m-1)的影响;构建自循环神经网络对预测模型进行训练;自循环神经网络的输入为m时刻的状态数据z(m)和m-1时刻的健康指数y(m-1),输出为m时刻的健康指数y(m);
所述训练模块,用于采用样本构造模块获取的训练样本对自循环神经网络进行训练;
所述预测模块,用于获取被监测配电设备A当前时刻m及之前共w个时刻的、转换为无负载情况下的状态数据z(m-w),z(m-w+1),…,z(m-1),z(m),y(m-w)采用健康指数函数模型计算得到,w为正整数;将z(m-w+1),z(m-w+2),…,z(m-1),z(m)和y(m-w)输入所述自循环神经网络;自循环神经网络在循环计算过程中计算出y(m-w+1),y(m-w+2),…,y(m-1),y(m);其中,y(m)即为预测的配电设备A的健康指数。
7.如权利要求6所述的系统,其特征在于,所述状态传感器单元和数据采集上报单元均安装在被监测配电设备所在的配电室内;数据采集上报单元由数据采集卡和路由器组成,支持LORA、有线串口的接入方式,兼容有有线网络以及4G网络传输功能。
9.如权利要求6所述的系统,其特征在于,所述样本构造模块采用神经网络将采集的状态数据x转换为无负载情况下的状态数据z:
首先,在多台配电设备上,从0%~100%加载不同的负载,并记录每个负载下配电设备达到稳态的状态数据,形成配电设备的负载-状态数据的对应关系;
然后,将各种负载及其对应的状态数据作为输入,0%负载的状态数据作为输出,训练神经网络;
实际转换时,将采集的状态数据及其负载百分比输入所述神经网络,神经网络输出0%负载的状态数据,即所述无负载情况下的状态数据z。
10.如权利要求1所述的系统,其特征在于,该系统进一步包括报警模块,用于将预测模块预测得到的健康指数与设定阈值进行比较,当健康指数低于设定阈值则发出警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521503.5A CN112580875B (zh) | 2020-12-21 | 2020-12-21 | 一种配电装置的故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521503.5A CN112580875B (zh) | 2020-12-21 | 2020-12-21 | 一种配电装置的故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580875A true CN112580875A (zh) | 2021-03-30 |
CN112580875B CN112580875B (zh) | 2022-06-24 |
Family
ID=75136449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011521503.5A Active CN112580875B (zh) | 2020-12-21 | 2020-12-21 | 一种配电装置的故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580875B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239870A (zh) * | 2021-11-10 | 2022-03-25 | 深圳供电局有限公司 | 健康状态检测方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017049221A (ja) * | 2015-09-04 | 2017-03-09 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 電力使用状態推定方法、電力使用状態推定装置およびプログラム |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
CN111382542A (zh) * | 2020-02-26 | 2020-07-07 | 长安大学 | 一种面向全寿命周期的公路机电设备寿命预测系统 |
CN111737993A (zh) * | 2020-05-26 | 2020-10-02 | 浙江华云电力工程设计咨询有限公司 | 一种配电网设备的故障缺陷文本提取设备健康状态方法 |
-
2020
- 2020-12-21 CN CN202011521503.5A patent/CN112580875B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017049221A (ja) * | 2015-09-04 | 2017-03-09 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 電力使用状態推定方法、電力使用状態推定装置およびプログラム |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
CN111382542A (zh) * | 2020-02-26 | 2020-07-07 | 长安大学 | 一种面向全寿命周期的公路机电设备寿命预测系统 |
CN111737993A (zh) * | 2020-05-26 | 2020-10-02 | 浙江华云电力工程设计咨询有限公司 | 一种配电网设备的故障缺陷文本提取设备健康状态方法 |
Non-Patent Citations (1)
Title |
---|
智鹏飞等: "综合电力推进系统风险预测评估方法", 《哈尔滨工程大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239870A (zh) * | 2021-11-10 | 2022-03-25 | 深圳供电局有限公司 | 健康状态检测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112580875B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Udo et al. | Data-driven predictive maintenance of wind turbine based on SCADA data | |
CN109597014A (zh) | 一种基于人工智能技术的电能表误差诊断方法 | |
CN116345698A (zh) | 储能电站运维管控方法、系统、设备及介质 | |
CN105866725A (zh) | 一种基于聚类分析和云模型的智能电表故障分类方法 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
CN112580875B (zh) | 一种配电装置的故障预测方法及系统 | |
CN116307641A (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN115600722A (zh) | 企业电碳因子长期预测方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN112214911A (zh) | 一种电源的健康状态预测方法 | |
CN116298947A (zh) | 一种蓄电池核容监测装置 | |
CN115908082A (zh) | 基于用电特征指标的企业排污监控方法及装置 | |
KR20230089652A (ko) | 전자기기의 비침식 부하 모니터링 시스템 및 그 방법 | |
CN114662563A (zh) | 一种基于梯度提升算法的工业用电非侵入负荷分解方法 | |
CN114201825A (zh) | 基于组合特征的设备性能退化状态的评估方法及系统 | |
CN112801352A (zh) | 一种面向海上风机场内协同控制的功率预测方法 | |
CN117514649B (zh) | 一种风电机组健康状态监测方法及装置 | |
Jürgel et al. | Non-Intrusive Load Monitoring in the OpenHAB smart home framework | |
Ma et al. | Operation Reliability Analysis of Smart Energy Meter Based on Fused CoxPH Model | |
Chen et al. | A research on early warning method of Distribution Network Cyber Physical System | |
CN116633026B (zh) | 清洁能源感知监控方法、装置、计算机设备及存储介质 | |
KR102301349B1 (ko) | 건축물 유지 관리 시스템 | |
WO2024020960A1 (zh) | 预测断路器的剩余使用寿命的方法、电子设备及存储介质 | |
Nastac et al. | Large data analysis for advanced grids |
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 |