CN112713649A - 一种基于极限学习机的电力设备剩余寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于极限学习机的电力设备剩余寿命预测方法，包括以下步骤：A)在变电站设备上安装监测传感装置监测变电站设备的状态；B)在变电站内设置若干个收集器和服务器，所述服务器周期性读取监测传感器采集的状态数据，通过数据分析模块对采集到各设备状态信息进行分析，预测设备的剩余寿命信息；C)所述服务器运行有预案触发模块，当变电站系统和设备故障的预测剩余寿命低于预设生命阈值时，触发对应的预警策略，自动控制变电站设备动作或向值班员发出告警信息；该方案根据故障风险出现的概率以及故障风险对于出现用电设备全生命健康时间的损耗进而计算用电设备的剩余寿命，制定预警策略，提高变电站系统的运维安全性和效率。

Description

一种基于极限学习机的电力设备剩余寿命预测方法

技术领域

本发明涉及变电站运维技术领域，具体涉及一种基于极限学习机的电力设备剩余寿命预测方法。

背景技术

为满足我国经济发展的需要，电力系统不断发展、技术水平不断提高。变电站作为电力输送的重要一环，其安全新能对整个电力系统的高效经济运行产生关键性影响，变电站系统中具备多种电气设备，主要包括有变压器、高压断路器、隔离开关、避雷器、电容器和电抗器等，且这些电气设备在运行的过程中会受到负荷、自身磨损以及环境条件影响导致其运行故障，因此怎样评估用电设备的可靠度，进而根据设备的剩余寿命确定设备的使用安全性需要研究的课题；用电设备健康运行寿命与诸多因素有关，如何根据故障风险出现的概率以及故障风险对于出现用电设备全生命健康时间的损耗进而计算用电设备的剩余寿命；以预测其运行的风险和可靠性，从而结合经济管理做出有效的维修和更换策略，减小事故发生率是未来技术攻关的方向。

如中国专利CN109359805A，公开日2019年2月19日，一种变电站电气操作人员安全管控方法，包括以下步骤：建立电气操作人员安全信息管理；建立智能门禁系统，检查操作人员真实身份信息；在操作人员进入工作岗位或作业现场之前，确认操作人员着装规范；对操作人员岗位和工作区域信息，确认人岗、人域一致性；确认人票一致性，对操作人员实时监控，对操作人员异常行为进行显著性检测，获取异常行为关键帧并保存，此外对操作人员的身份、着装等全程核验记录进行保存；对核对的操作人员异常信息进行报警提醒。其技术方案虽然提高了变电站电气操作人员的安全管控效率，但其仅能够进行操作人员的管控，不能充分利用变电站的监测数据，进行变电站健康管控和寿命的预测。

发明内容

本发明的目的是解决现有变电站对于站内用电设备的剩余寿命缺乏监控机制导致设备运行的安全性能难以估计的问题，提出了一种基于极限学习机的电力设备剩余寿命预测方法，可以根据故障风险出现的概率以及故障风险对于出现用电设备全生命健康时间的损耗进而计算用电设备的剩余寿命，以此来制定维护策略，提高变电站设备的维护效率以及运行的安全性。

为实现上述技术目的，本发明提供的一种技术方案是，一种基于极限学习机的电力设备剩余寿命预测方法，包括以下步骤：

A)在变电站设备上安装监测传感装置，所述监测传感装置包括监测传感器、通信单元和控制单元，所述监测传感器监测变电站设备的状态，所述监测传感器及通信单元均与控制单元连接；

B)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所述监测传感器，将若干个所述监测传感器采集的设备状态信息传输至服务器，服务器内存储有各个设备的全生命健康信息和故障信息，所述服务器周期性读取监测传感器采集的状态数据，通过数据分析模块对采集到各设备状态信息进行分析，预测设备的剩余寿命信息；

C)所述服务器运行有预案触发模块，当变电站设备故障的预测剩余寿命低于预设生命阈值时，触发对应的预警策略，自动控制变电站设备动作或向值班员发出告警信息；

D)服务器计算变电站系统的剩余寿命信息，当变电站设备故障的预测剩余寿命低于预设生命阈值时，触发对应的预警策略，自动控制变电站设备动作或向值班员发出告警信息。

步骤A)中，安装有监测传感装置的变电站设备包括变压器、高压断路器、隔离开关、避雷器、电容器和电抗器，所述监测传感器包括变压器油色谱在线监测装置、变压器套管压力传感器、变压器油位计、红外温度传感器、振动传感器、摄像头和避雷器计数器，所述红外温度传感器设置在变压器、高压断路器、隔离开关、避雷器、电容器和电抗器上，分别监测对应设备的发热部位的温度，所述振动传感器安装在变压器以及高压断路器的外壳上，检测变压器以及高压断路器的振动，所述摄像头设置在变压器、高压断路器、隔离开关、避雷器、电容器和电抗器上，拍摄对应设备的实时图像。

数据分析模块对采集到各设备状态信息进行分析，预测设备的剩余寿命信息包括如下步骤：

B1)服务器对变电站设备建立有分类模型，

B2)计算设备的各个故障类型在全生命阶段发生故障的概率，进而估算设备的可靠度；

B3)建立极限学习机模型，极限学习机包含有多个并行的极限学习机子模型，极限学习机子模型的个数和变电站设备个数相同，将设备故障类型作为故障学习机的输入层，将各个故障类型的发生概率以及寿命损失率作为隐含层的权重因子，输出层为设备的预测剩余寿命值，将若干个预测设备剩余寿命值G_i与设备退役寿命值的差G_id作为变电站系统全域设备寿命值计算的因子k，将若干个设备的可靠度R_i的倒数作为影响变压器系统设备的权重，计算变电站系统的剩余寿命G_re。

步骤B1)服务器对变电站设备建立有分类模型，包括如下步骤：

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为相应的变电站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；

使用线性优化算法获得使得代价函数J(θ)最小的分类模型参数，即完成相应的变电站设备的分类模型的建立。

步骤B2中计算设备故障发生的概率；包括如下步骤：

情形一、当变电站设备从正常工作到发生故障的时间T是一个连续型随机变量，服从概率分布，其概率密度函数定义为：

则设备在时间t前发生故障的概率为：

其中F(0)＝0,F(∞)＝1；

情形二、当设备的故障率λ是一个不随时间而改变的常数时，则该设备正常工作时间服从指数分布；指数分布函数在可靠性分析中最为常用，其故障概率密度函数定义为：

f(t)＝λe^-λt

其积累概率分布函数为：

F(t)＝1-e^-λt

情形一中计算设备的可靠度函数定义为：

R(t)＝P(T＞t)＝1-F(t)

设备的故障率函数表示设备在时刻t以前正常工作，在t后单位时间里发生故障的条件概率密度，定义为：

根据故障类型将设备判定为可修复设备和不可修复设备，对于可修复的设备，从修复到首次故障的时间称为无故障工作时间TTF，是一个连续型的随机变量，其数学期望值MTTF为：

设备的修复率μ表示设备在时刻t发生故障的条件下，在时刻t以后单位时间里修复的概率；对于可修复设备，从故障起到完成首次修复所需要的时间称为修复时间TTR，其数学期望值是平均修复时间MTTR。

情形二中计算设备的可靠度函数定义为：

R(t)＝e^-λt

平均无故障工作时间与平均修复时间为：

和

平稳状态下，设备正常工作的概率，即可用率为：

平稳状态下，设备处在故障状态的概率，即不可用率为：

对于由n个故障类型组成的设备，若所有故障类型均不发生故障设备才正常工作，则定义该设备为串联型设备，串联型设备的可靠度为：

对于由n个故障类型组成的设备，若只要有一个故障类型出现故障则导致设备不能正常工作，系统就能正常工作，则从可靠性的角度来看，则定义该设备为并联型设备，并联型设备可靠度为：

变电站系统的剩余寿命值G_re计算公式如下：

N为变电站系统中设备的种类个数，G₀为变压器系统的初始寿命值；

将变电站系统的剩余寿命值G_re与变电站系统的退役寿命值G_end进行比对，执行变电站系统的对应的预警策略；

预警策略如下：

预案触发模块根据剩余寿命比对结果通过服务器向设备维护人员发送对应的预警策略。

本发明的有益效果：1、通过监测传感装置能够采集变电站设备的状态数据，通过收集器能够快速将变电站的状态数据上传到服务器，通过服务器能够进行变电站健康状态的管控，提高变电站的安全性；通过对变压器、高压断路器、隔离开关、避雷器、电容器和电抗器的监控，能够有效掌握变电站的状态；2、可以根据用电设备故障风险出现的概率以及故障风险对于出现用电设备全生命健康时间的损耗进而计算用电设备的剩余寿命，以此来制定维护策略，提高变电站设备的维护效率以及运行的安全性。

具体实施方式

为使本发明的目的、技术方案以及优点更加清楚明白，下面结合实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

为实现上述技术目的，本发明提供的一种技术方案是，一种基于极限学习机的电力设备剩余寿命预测方法，包括以下步骤：

在变电站设备上安装监测传感装置，所述监测传感装置包括监测传感器、通信单元和控制单元，所述监测传感器监测变电站设备的状态，所述监测传感器及通信单元均与控制单元连接。

步骤A)中，安装有监测传感装置的变电站设备包括变压器、高压断路器、隔离开关、避雷器、电容器和电抗器，所述监测传感器包括变压器油色谱在线监测装置、变压器套管压力传感器、变压器油位计、红外温度传感器、振动传感器、摄像头和避雷器计数器，所述红外温度传感器设置在变压器、高压断路器、隔离开关、避雷器、电容器和电抗器上，分别监测对应设备的发热部位的温度，所述振动传感器安装在变压器以及高压断路器的外壳上，检测变压器以及高压断路器的振动，所述摄像头设置在变压器、高压断路器、隔离开关、避雷器、电容器和电抗器上，拍摄对应设备的实时图像。

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所述监测传感器，将若干个所述监测传感器采集的设备状态信息传输至服务器，服务器内存储有各个设备的全生命健康信息和故障信息，所述服务器周期性读取监测传感器采集的状态数据，通过数据分析模块对采集到各设备状态信息进行分析，预测设备的剩余寿命信息。

数据分析模块对采集到各设备状态信息进行分析，预测设备的剩余寿命信息包括如下步骤：

B1)服务器对变电站设备建立有分类模型；服务器对变电站设备建立有分类模型，包括如下步骤：

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为相应的变电站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；

使用线性优化算法获得使得代价函数J(θ)最小的分类模型参数，即完成相应的变电站设备的分类模型的建立。

B2)计算设备的各个故障类型在全生命阶段发生故障的概率，进而估算设备的可靠度；计算设备故障发生的概率；包括如下步骤：

情形一、当变电站设备从正常工作到发生故障的时间T是一个连续型随机变量，服从概率分布，其概率密度函数定义为：

则设备在时间t前发生故障的概率为：

其中F(0)＝0,F(∞)＝1；

情形二、当设备的故障率λ是一个不随时间而改变的常数时，则该设备正常工作时间服从指数分布；指数分布函数在可靠性分析中最为常用，其故障概率密度函数定义为：

f(t)＝λe^-λt

其积累概率分布函数为：

F(t)＝1-e^-λt

情形一中计算设备的可靠度函数定义为：

R(t)＝P(T＞t)＝1-F(t)

设备的故障率函数表示设备在时刻t以前正常工作，在t后单位时间里发生故障的条件概率密度，定义为：

根据故障类型将设备判定为可修复设备和不可修复设备，对于可修复的设备，从修复到首次故障的时间称为无故障工作时间TTF，是一个连续型的随机变量，其数学期望值MTTF为：

设备的修复率μ表示设备在时刻t发生故障的条件下，在时刻t以后单位时间里修复的概率；对于可修复设备，从故障起到完成首次修复所需要的时间称为修复时间TTR，其数学期望值是平均修复时间MTTR。

情形二中计算设备的可靠度函数定义为：

R(t)＝e^-λt

平均无故障工作时间与平均修复时间为：

和

平稳状态下，设备正常工作的概率，即可用率为：

平稳状态下，设备处在故障状态的概率，即不可用率为：

对于由n个故障类型组成的设备，若所有故障类型均不发生故障设备才正常工作，则定义该设备为串联型设备，串联型设备的可靠度为：

对于由n个故障类型组成的设备，若只要有一个故障类型出现故障则导致设备不能正常工作，系统就能正常工作，则从可靠性的角度来看，则定义该设备为并联型设备，并联型设备可靠度为：

变电站系统的剩余寿命值G_re计算公式如下：

N为变电站系统中设备的种类个数，G₀为变压器系统的初始寿命值。

B3)建立极限学习机模型，极限学习机包含有多个并行的极限学习机子模型，极限学习机子模型的个数和变电站设备个数相同，将设备故障类型作为故障学习机的输入层，将各个故障类型的发生概率以及寿命损失率作为隐含层的权重因子，输出层为设备的预测剩余寿命值，将若干个预测设备剩余寿命值G_i与设备退役寿命值的差G_id作为变电站系统全域设备寿命值计算的因子k，将若干个设备的可靠度R_i的倒数作为影响变压器系统设备的权重，计算变电站系统的剩余寿命G_re。

C)所述服务器运行有预案触发模块，当变电站设备故障的预测剩余寿命低于预设生命阈值时，触发对应的预警策略，自动控制变电站设备动作或向值班员发出告警信息；服务器计算变电站系统的剩余寿命信息，当变电站设备故障的预测剩余寿命低于预设生命阈值时，触发对应的预警策略，自动控制变电站设备动作或向值班员发出告警信息；将变电站系统的剩余寿命值G_re与变电站系统的退役寿命值G_end进行比对，执行变电站系统的对应的预警策略；

预警策略如下：

预案触发模块根据剩余寿命比对结果通过服务器向设备维护人员发送对应的预警策略。

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)

1.一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：

包括以下步骤：

A)在变电站设备上安装监测传感装置，所述监测传感装置包括监测传感器、通信单元和控制单元，所述监测传感器监测变电站设备的状态，所述监测传感器及通信单元均与控制单元连接；

B)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所述监测传感器，将若干个所述监测传感器采集的设备状态信息传输至服务器，服务器内存储有各个设备的全生命健康信息和故障信息，所述服务器周期性读取监测传感器采集的状态数据，通过数据分析模块对采集到各设备状态信息进行分析，预测设备的剩余寿命信息；

C)所述服务器运行有预案触发模块，当变电站设备故障的预测剩余寿命低于预设生命阈值时，触发对应的预警策略，自动控制变电站设备动作或向值班员发出告警信息；

D)服务器计算变电站系统的剩余寿命信息，当变电站设备故障的预测剩余寿命低于预设生命阈值时，触发对应的预警策略，自动控制变电站设备动作或向值班员发出告警信息。

2.根据权利要求1所述的一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：步骤A)中，安装有监测传感装置的变电站设备包括变压器、高压断路器、隔离开关、避雷器、电容器和电抗器，所述监测传感器包括变压器油色谱在线监测装置、变压器套管压力传感器、变压器油位计、红外温度传感器、振动传感器、摄像头和避雷器计数器，所述红外温度传感器设置在变压器、高压断路器、隔离开关、避雷器、电容器和电抗器上，分别监测对应设备的发热部位的温度，所述振动传感器安装在变压器以及高压断路器的外壳上，检测变压器以及高压断路器的振动，所述摄像头设置在变压器、高压断路器、隔离开关、避雷器、电容器和电抗器上，拍摄对应设备的实时图像。

3.根据权利要求1所述的一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：数据分析模块对采集到各设备状态信息进行分析，预测设备的剩余寿命信息包括如下步骤：

B1)服务器对变电站设备建立有分类模型，

B2)计算设备的各个故障类型在全生命阶段发生故障的概率，进而估算设备的可靠度；

B3)建立极限学习机模型，极限学习机包含有多个并行的极限学习机子模型，极限学习机子模型的个数和变电站设备个数相同，将设备故障类型作为故障学习机的输入层，将各个故障类型的发生概率以及寿命损失率作为隐含层的权重因子，输出层为设备的预测剩余寿命值，将若干个预测设备剩余寿命值G_i与设备退役寿命值的差G_id作为变电站系统全域设备寿命值计算的因子k，将若干个设备的可靠度R_i的倒数作为影响变压器系统设备的权重，计算变电站系统的剩余寿命G_re。

4.根据权利要求3所述的一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：步骤B1)服务器对变电站设备建立有分类模型，包括如下步骤：

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为相应的变电站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；

使用线性优化算法获得使得代价函数J(θ)最小的分类模型参数，即完成相应的变电站设备的分类模型的建立。

5.根据权利要求3所述的一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：步骤B2中计算设备故障发生的概率；包括如下步骤：

情形一、当变电站设备从正常工作到发生故障的时间T是一个连续型随机变量，服从概率分布，其概率密度函数定义为：

则设备在时间t前发生故障的概率为：

F(t)＝P(T≤t)＝∫₀ ^tf(t)dt

其中F(0)＝0，F(∞)＝1；

情形二、当元件的故障率λ是一个不随时间而改变的常数时，则该元件正常工作时间服从指数分布；指数分布函数在可靠性分析中最为常用，其故障概率密度函数定义为：

f(t)＝λe^-λt

其积累概率分布函数为：

F(t)＝1-e^-λt。

6.根据权利要求5所述的一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：情形一中计算设备的可靠度函数定义为：

R(t)＝P(T＞t)＝1-F(t)

设备的故障率函数表示设备在时刻t以前正常工作，在t后单位时间里发生故障的条件概率密度，定义为：

根据故障类型将设备判定为可修复设备和不可修复设备，对于可修复的设备，从修复到首次故障的时间称为无故障工作时间TTF，是一个连续型的随机变量，其数学期望值MTTF为：

MTTF＝∫₀ ^∞R（t)dt；

设备的修复率μ表示设备在时刻t发生故障的条件下，在时刻t以后单位时间里修复的概率；对于可修复设备，从故障起到完成首次修复所需要的时间称为修复时间TTR，其数学期望值是平均修复时间MTTR。

7.根据权利要求5所述的一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：情形二中计算设备的可靠度函数定义为：

R(t)＝e^-λt

平均无故障工作时间与平均修复时间为：

和

平稳状态下，设备正常工作的概率，即可用率为：

平稳状态下，设备处在故障状态的概率，即不可用率为：

8.根据权利要求6或7所述的一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：

对于由n个故障类型组成的设备，若所有故障类型均不发生故障设备才正常工作，则定义该设备为串联型设备，串联型设备的可靠度为：

对于由n个故障类型组成的设备，若只要有一个故障类型出现故障则导致设备不能正常工作，系统就能正常工作，则从可靠性的角度来看，则定义该设备为并联型设备，并联型设备可靠度为：

9.根据权利要求6或7所述的一种基于极限学习机的电力设备剩余寿命预测方法，其特征在于：

变电站系统的剩余寿命值G_re计算公式如下：

N为变电站系统中设备的种类个数，G₀为变压器系统的初始寿命值；

将变电站系统的剩余寿命值G_re与变电站系统的退役寿命值G_end进行比对，执行变电站系统的对应的预警策略；

预警策略如下：

预案触发模块根据剩余寿命比对结果通过服务器向设备维护人员发送对应的预警策略。