CN113435652B - 一种一次设备缺陷诊断与预测方法 - Google Patents
一种一次设备缺陷诊断与预测方法 Download PDFInfo
- Publication number
- CN113435652B CN113435652B CN202110743800.2A CN202110743800A CN113435652B CN 113435652 B CN113435652 B CN 113435652B CN 202110743800 A CN202110743800 A CN 202110743800A CN 113435652 B CN113435652 B CN 113435652B
- Authority
- CN
- China
- Prior art keywords
- defect
- equipment
- data
- defects
- model
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 816
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000003745 diagnosis Methods 0.000 title claims abstract description 104
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000010219 correlation analysis Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000032683 aging Effects 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 12
- 238000009413 insulation Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000003058 natural language processing Methods 0.000 claims abstract description 6
- 238000011161 development Methods 0.000 claims description 27
- 230000018109 developmental process Effects 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000008030 elimination Effects 0.000 claims description 22
- 238000003379 elimination reaction Methods 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000001932 seasonal effect Effects 0.000 claims description 14
- 238000012502 risk assessment Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000007418 data mining Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 238000003878 thermal aging Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003331 infrared imaging Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004587 chromatography analysis Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/08—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种一次设备缺陷诊断与预测方法为:对缺陷填报数据进行治理;基于治理好的数据,采用自然语言处理技术,对缺陷描述、缺陷表象、缺陷原因、处理措施、以及缺陷发生时的运行数据构建缺陷标准库;基于缺陷标准库,采用神经网络、语义分析技术,对新生缺陷数据的部位、原因、严重程度进行判别和诊断;根据缺陷诊断结果,结合设备缺陷老化因子、告警因子、绝缘性能因子、设备重要程度、缺陷等级、电压等级等数据,通过相关性分析、综合评价的算法,对设备的风险等级进行评估;采用时间序列算法、马尔科夫关联分析预测。本发明能提高模型精度和深度,弥补现有研究不足,保证模型的可用性,解决缺陷对设备风险造成的成本损失不可控问题。
Description
技术领域
本发明涉及设备风险评估技术领域,具体涉及一种一次设备缺陷诊断与预测方法。
背景技术
随着电网现代化程度的快速发展,智能电网已经成为当今世界电力、能源产业发展变革的体现。我国科技部明确指出,智能电网是实施新能源战略和优化能源资源配置的重要平台,智能电网的建设与发展必须紧随世界电力行业发展的脚步,快速提升综合实力完成超越。现阶段,我国电网发展已经开始向智能化过渡,并且提出建设“统一坚强”智能电网的目标,在智能电网建设过程中电网设备的智能化管控,成为建设智能电网的首要任务,电网设备的智能化管控技术由人工巡检到状态检修的转变也成为设备管控技术发展的必然趋势。当前智能电网的设备管理目标是尽早发现缺陷、正确定性缺陷和及时消除缺陷,使缺陷管理全过程可控,确保设备始终处于安全稳定的运行状态,但由于我国电网设备缺陷管理自动化水平不高,设备缺陷时常发生,缺陷描述数据无法被准确记录等因素,为电网的安全稳定运行带来了诸多隐患,导致设备缺陷发生后电力企业产生了巨大的经济损失。现有的设备缺陷数据填报采用的是全程信息化作业系统,但在实际使用过程中因巡视人员填报缺陷的描述数据质量不高、缺陷描述与设备实际缺陷不一致,进而导致设备缺陷误判和无效的设备巡视检修工作频繁发生,降低了业务人员的巡视效率和消缺效能,使电网设备管控难度加大。
目前的设备缺陷状态诊断数据大多是按照仪器生产厂家的格式输出或按照诊断人员经验记录,状态诊断数据格式五花八门,规范化程度差,不利于数据的高效利用和分析诊断。缺陷状态诊断数据的规范化程度差及利用效率低主要原因体现在:1.部分状态诊断数据的智能化水平不高,存在人员疏忽或专业水平限制导致数据的格式不规范、准确性低等问题;2.未对同诊断类型的数据形成规范化的导则,目前同一个诊断项目不同的诊断设备,其输出的诊断数据还存在较大的差异或者某些诊断数据的关键信息被忽视;3.未建立一套缺陷状态诊断数据的质量诊断算法,导致不能对数据质量进行一个量化的评估,进而影响数据分析结果的可信性;4.设备缺陷状态量指标体系维度单一,缺乏在线监测等动态实时等多源数据融合信息。因此,在智能电网建设过程中急需开展电力设备状态诊断数据的规范化与高效处理技术的研究,提出一套兼容性好、可扩展性强的智能化状态自动诊断技术,并以该技术作为依据提出其高效处理算法,提取复杂异构多源数据的特征量,提高状态诊断数据的自动化分析水平,从而在海量的缺陷状态检测数据中发现可能存在异常的设备,并给出相应的预防措施。通过数据规范化的手段,使得设备缺陷状态诊断数据从数字化向智能化推进,增强数据转化为信息的能力;通过对复杂结构数据的高效处理算法,降低人工判断状态诊断数据的复杂度,逐步把状态诊断工作从专业驱动转向数据驱动,从而实现电网设备的智能化管控,提升设备精益化管理水平,保障电网安全稳定高效的运行,提升公司电网运营效益。
发明内容
本发明要解决的技术问题是:提供一种一次设备缺陷诊断与预测方法,以解决现有技术中存在的技术问题。
本发明采取的技术方案为:一种一次设备缺陷诊断与预测方法,该方法包括基于专家系统算法的缺陷填报数据治理方法、基于深度学习的一次设备风险智能评估方法和基于数据挖掘的一次设备缺陷预测模型的预测方法,具体为:首先对缺陷填报数据中存在的关键信息的漏填、错填以及体外循环的问题进行治理;然后基于治理好的数据,采用自然语言处理技术,对缺陷描述、缺陷表象、缺陷原因、处理措施、以及缺陷发生时的运行数据构建缺陷标准库;基于缺陷标准库,采用神经网络、语义分析技术,对新生缺陷数据的部位、原因、严重程度进行判别和诊断;根据缺陷诊断结果,结合设备缺陷老化因子、告警因子、绝缘性能因子、设备重要程度、缺陷等级、电压等级等数据,通过相关性分析、综合评价的算法,对设备的风险等级进行评估;最后采用时间序列算法、马尔科夫关联分析预测缺陷发生数量和消缺周期内的发展趋势。
上述基于专家系统算法的缺陷填报数据治理方法包括以下步骤:
步骤1:缺陷关键信息漏填检测:从资产管理系统中,获取缺陷信息构成缺陷填报系统,当出现关键信息漏填写时,给出报警提示;缺陷关键信息包括:电压等级、缺陷等级、地点、设备名称、设备类别、缺陷表象、缺陷类型、缺陷描述、应消缺时间、发现时间、专业大类、生产厂家、设备型号、出厂年月、投产日期、缺陷前后图片;
步骤2:根据步骤1中缺陷填报系统的部分缺陷信息核查:电压等级核查和缺陷等级核查;
步骤3:缺陷体外循环检测:缺陷体外循环检测:1)从资产管理系统获取上个月状态为“工作终结”的工作票;2)提取工作票中工作任务内容描述的特征词,与构建好的关键词库比对,筛选出属于缺陷核查的工作票;3)缺陷核查工作票与缺陷信息匹配,缺陷核查工作票与缺陷信息匹配方法为:(1)比对单位、站点、时间;(2)比对工作任务内容和缺陷描述,如果匹配得上,则合规,反之,判定为缺陷体外循环。
上述电压等级核查方法为:(1)提取“设备名称”里的电压等级,与“电压等级”比对是否相符;(2)如果“设备名称”没有电压等级,则提取“地点”里的电压等级。
上述缺陷等级核查方法为:
(1)以“缺陷描述”为基准项;
(2)提取“缺陷描述”特征词,构建原始特征词库;
(3)通过近义词、同义词匹配,构建标准特征词库;
(4)通过“设备类别”确定缺陷表象库,通过《变电一次设备缺陷定级标准(运行分册)(试行)》构建缺陷表象库;
(5)通过组合标准特征词,匹配对应的缺陷表象,得到缺陷等级;
(6)与缺陷信息的“缺陷表象”“缺陷等级”比对,判断填报是否准确。
上述基于深度学习的一次设备风险智能评估方法包括以下步骤:
步骤1:缺陷数据分析:通过缺陷数据分析了解设备缺陷数据特征,对设备缺陷不同年度数量、设备缺陷类型分布数量、设备缺陷厂家分布数量进行分别分析,对缺陷不同年度数量、类型数量和厂家的数量进行排序,获得故障年度数量最多、故障类型最多和出现故障的厂家最多;
步骤2:根据步骤1的设备缺陷数据特征构建设备缺陷标准库,完成缺陷数据标准化存储;
步骤3:构建缺陷智能诊断模型,通过缺陷智能诊断模型识别设备缺陷原因及缺陷部位,实现设备缺陷智能化诊断和缺陷严重程度划分;
步骤4:缺陷诊断结果分析,推荐缺陷管理措施,包括缺陷严重性、缺陷诊断原因分析,缺陷智能诊断模型将新来的缺陷数据输入已经训练好的设备缺陷诊断模型中,最后输出缺陷数据的缺陷部位、缺陷原因以及缺陷管理措施;
步骤5:基于缺陷诊断结果分析获得的结果构建设备风险智能评估模型,识别缺陷对设备风险的影响程度;
步骤6:根据设备风险的影响程度划分风险等级,根据设备风险评估得分划分为无风险、低风险、中风险和高风险。
上述步骤2中设备缺陷标准库的构建方法包括以下步骤:
a)缺陷数据收集,缺陷数据收集的数据来源包括历史缺陷报告、缺陷记录数据、设备运行数据、设备试验数据、设备在线监测数据,通过分析数据来源,获得缺陷分类标准库的缺陷记录数据表的字段名称和字段内容;
缺陷记录数据所包含字段:单位、电压等级、缺陷等级、地点、设备名称、缺陷类型、缺陷描述、专业大类、生产厂家、出厂年月、设备型号、投运日期、缺陷原因类别、缺陷原因、缺陷表象、发现时间、缺陷部位、处理措施。
设备运行数据包含字段:电压、三相不平衡电流、电压等级。
设备在线监测数据:介损、等值电容、参考电压报警、三相不平衡电流报警、介损报警、全电流报警、等值电容报警、监测设备通信状态、监测设备运行状态、设备自检异常、局放、铁芯电流。
设备试验数据包含字段:红外成像测温、气室气体、触头回路电阻、外绝缘表面耐压、气体分解物测试值。
b)对缺陷数据进行清洗以及去重,对收集的数据的两条或两条以上相同缺陷数据、缺陷数据缺失、缺陷数据乱码、缺陷数据中存在空格、缺陷数据全角转半角和英文大小写进行清洗和去重。
c)人工标注,根据历史缺陷报告对缺陷表象、缺陷部位、缺陷原因和处理措施进行文本分析人工标注,最终获得设备缺陷标准库。
上述步骤3中缺陷智能诊断模型构建方法:(1)缺陷诊断体系:对设备类型、对应设备的缺陷及其部位、对应缺陷的缺陷部件进行汇总形成缺陷诊断体系表;(2)缺陷诊断模型:a)根据缺陷数据记录表,建立设备缺陷诊断数据指标:包括指标名称和指标描述内容;b)文本预处理:针对缺陷描述内容进行分词处理,根据电力领域词典,获得电力领域的分词结果;c)文本分布式表示:文本分布式表示方法基于“词的语义由其邻近词刻画”的原理,即,以大量经过预处理的电力设备缺陷记录为语料库,训练出每个词的词向量表示的语言模型,词向量的各个维度代表通过模型学习到的词的语义特征;d)卷积神经网络建立:设备缺陷智能诊断主要采用卷积神经网络算法,将已处理的缺陷指标数据作为卷积神经网络的输入层,通过卷积神经网络的分类器,对步骤c)中向量化后词向量的缺陷文本进行分类,输出相应的分类结果;e)模型训练:模型输入变量为缺陷表象、缺陷描述、缺陷原因、设备类别、缺陷类型、缺陷部位的字段,利用卷积神经网络算法来学习,形成最终的设备缺陷诊断模型。
本发明的有益效果:与现有技术相比,本发明效果如下:
(1)基于专家系统算法的缺陷填报数据治理方法是设备缺陷诊断与预测开展的前提条件,为了提高设备缺陷信息的完整性和准确性,需对缺陷填报数据质量进行治理,以详实有效的缺陷信息,为后续的缺陷故障研判提供数据支撑。缺陷数据在填报过程中目前存在漏填或填错等问题,此类问题发生时可通过统计等方法实现漏填信息统计及误报信息提示,业务人员可基于实际业务情况选择漏填信息自动补填或者误报信息修改;同时,为了减少和杜绝缺陷体外循环的情况,还需进行缺陷工作票与缺陷信息关联。缺陷填报数据治理工作可以对典型缺陷、批次缺陷以及重复发生的缺陷进行统计分析,为后续设备风险评估提供便利;基于专家系统算法对缺陷填报数据治理方案的优化,基于缺陷数据特征和填报方式选择最合适的解决方法弥补目前缺陷填报系统的短板和不足之处。
(2)基于深度学习的一次设备风险智能评估方法包括一次设备缺陷标准库构建、缺陷智能诊断以及风险智能评估三个方面,缺陷标准库构建是设备缺陷智能诊断数据的来源和诊断基础,风险智能评估的输入指标来源于缺陷智能诊断的结果数据,结合业务逻辑和算法模型分析设备缺陷对设备风险的影响程度,评估缺陷引起的设备风险情况,为业务人员有针对性的推荐高风险设备缺陷处理措施,使业务人员能够在有效时间内高效解除设备风险。
1)设备缺陷标准库构建主要以一次设备缺陷报告数据、设备运行数据、设备试验数据以及设备在线监测数据为主,为保证设备缺陷特征词库的完整,后续可结合机器学习算法实现设备缺陷特征词库的自动扩充,构建更为智能的缺陷标准库。
2)设备缺陷智能诊断是电网非常关注的技术问题,该问题的突破能够为电网业务部门在设备智能化管控层面产生质的提升,设备缺陷智能诊断是在缺陷标准库的基础上从设备缺陷部位、缺陷部件、缺陷类型、缺陷原因和消缺措施五个维度实现设备缺陷特征的多层级定位,并结合大数据分析手段及机器学习算法对设备缺陷原因和部位进行诊断,构建智能化的设备缺陷诊断模型,实现设备缺陷原因及缺陷部位的精准识别和定位,协助电力企业智能化管控电网一次设备。
3)设备风险智能评估主要采用的是综合评价算法,从设备类型、缺陷部位、缺陷类型、缺陷频率、缺陷等级、设备重要性、电压等级、设备风险因子等多个维度选取指标,形成设备风险评估体系,构建设备风险智能评估模型,并基于设备风险评估结果进行设备风险等级划分,有针对性的为相关部门业务人员给出基于设备风险等级推荐的风险处理措施,降低设备风险。
(3)本发明对缺陷数量总体预测、缺陷数量分群预测和单体设备缺陷特性曲线模型分析,对缺陷的预测有利于维护人员提前重点关注缺陷高发部位、部件,及时预防缺陷,保障设备的安全平稳运行。
1)缺陷数量总体预测,从而可以分析缺陷历史发展变化规律,为后续的分析提供理论依据;
2)缺陷数量分群预测,首先将设备缺陷按照缺陷类型进行分类,然后针对各种缺陷类型利用时间序列算法对各类缺陷的数量进行分析与预测,有利于精准把握各种缺陷的趋势变化;
3)单体设备缺陷特性曲线模型,利于掌握缺陷在周期性内是否变严重的倾向,熟悉缺陷在消缺周期内的动态变化,分析消缺周期内缺陷转化为其他缺陷的概率,从而得到缺陷在消缺周期内的发展趋势。
附图说明
图1是一次设备缺陷诊断与预测流程图;
图2是变压器缺陷数量变化趋势图(2021年缺陷不做分析);
图3是主变缺陷分布图;
图4是主变缺陷厂家分布图;
图5是缺陷标准库构建流程示意图;
图6是人工标准示例图;
图7是油浸式变压器结构示意图;
图8是特征空间中的词向量示意图;
图9是卷积神经网络结构图;
图10是训练集与测试集损失下降曲线;
图11是风险智能评估流程图;
图12是时间序列预测方法流程图;
图13是马尔可夫模型示意图。
具体实施方式
下面结合具体的实施例对本发明进行进一步介绍。
实施例1:一种一次设备缺陷诊断与预测方法,该方法包括基于专家系统算法的缺陷填报数据治理方法、基于深度学习的一次设备风险智能评估方法和基于数据挖掘的一次设备缺陷预测模型的预测方法,具体为:首先对缺陷填报数据中存在的关键信息的漏填、错填以及体外循环的问题进行治理;然后基于治理好的数据,采用自然语言处理技术,对缺陷描述、缺陷表象、缺陷原因、处理措施、以及缺陷发生时的运行数据构建缺陷标准库;基于缺陷标准库,采用神经网络、语义分析技术,对新生缺陷数据的部位、原因、严重程度进行判别和诊断;根据缺陷诊断结果,结合设备缺陷老化因子、告警因子、绝缘性能因子、设备重要程度、缺陷等级、电压等级等数据,通过相关性分析、综合评价的算法,对设备的风险等级进行评估;最后采用时间序列算法、马尔科夫关联分析预测缺陷发生数量和消缺周期内的发展趋势。
上述基于专家系统算法的缺陷填报数据治理方法,该方法包括以下步骤:
步骤1:缺陷关键信息漏填检测:从资产管理系统中,获取缺陷信息构成缺陷填报系统,当出现关键信息漏填写时,给出报警提示;
缺陷关键信息包括:电压等级、缺陷等级、地点、设备名称、设备类别、缺陷表象、缺陷类型、缺陷描述、应消缺时间、发现时间、专业大类、生产厂家、设备型号、出厂年月、投产日期、缺陷前后图片。
步骤2:根据步骤1中缺陷填报系统的部分缺陷信息核查:利用专家系统的思想进行缺陷填报信息的匹配核查,通过聚类分析和文本挖掘技术,从专家库的大量历史缺陷数据中,抽取缺陷描述并进行数据结构化,通过把语义分析和数据模糊匹配,对缺陷描述填报质量进行实时分析、模糊匹配,智能判断缺陷填报信息与描述对象是否匹配。
基于专家系统算法的缺陷填报数据治理方案研究包括缺陷关键信息漏填检测、缺陷填报信息核查、缺陷体外循环检测三部分内容,该模块的实施主要是基于专家系统算法对缺陷填报数据治理方案的优化,提高缺陷信息的完整性和准确性,提供详实有效的缺陷信息,以支持后续缺陷故障研判,需要对缺陷填报质量进行治理。同时,为了减少和杜绝缺陷体外循环的情况,还需进行缺陷工作票与缺陷信息关联。
通过研究缺陷填报系统,发现如下特点:
1、填报时,除了“缺陷描述”“备注”可以自行填入之外,其余各字段都是通过选择填入;
2、选择设备名称以后,专业大类、专业小类、地点、功能位置、设备类别、设备编码、生产厂家、设备型号、出厂年月、投运日期自动填入;
3、选择缺陷表象后,缺陷类型和缺陷等级自动填入,如果选择的是“其他”,则缺陷等级可另外选择;
4、选择缺陷等级后,应完成缺陷处理时间自动填入;
5、选择发现人以后,发现班组、发现部门自动填入;选择填报人以后,填报班组、填报部门、上报人、上报班组自动填入;
通过以上特点和过往经验,“电压等级”是通过下拉选取,有可能会出现选取错误的情况;而“缺陷表象”选择不准确或定级错误,会导致缺陷等级错误,或者“缺陷表象”选择正确,但定级错误。因此,需要核查的字段为“电压等级”和“缺陷等级”。
电压等级核查方法为:(1)提取“设备名称”里的电压等级,与“电压等级”比对是否相符;(2)如果“设备名称”没有电压等级,则提取“地点”里的电压等级。
缺陷等级核查方法为:
(1)“缺陷描述”最为准确描述设备缺陷,以“缺陷描述”为基准项;
(2)提取“缺陷描述”特征词,构建原始特征词库;
(3)通过近义词、同义词匹配,构建标准特征词库,例如“告警”是“报警”同义词,可以统一为“报警”;
(4)通过“设备类别”确定缺陷表象库,用以缩小缺陷表象库的范围,实现精准识别,通过《变电一次设备缺陷定级标准(运行分册)(试行)》构建缺陷表象库;
(5)通过组合标准特征词,匹配对应的缺陷表象,得到准确的缺陷等级;
(6)与缺陷信息的“缺陷表象”“缺陷等级”比对,判断填报是否准确。
步骤3:缺陷体外循环检测:通过基于自然语言处理的工作票与缺陷关联分析,利用自然语言处理中的词汇规范化、命名实体识别、标准化数据词典等方法,实现工作票中缺陷内容识别,并对工作票中缺陷文本进行数据结构化,提升工作票数据的数据质量。然后通过实体识别和关系抽取获取设备缺陷、设备工作票等对应的关联关系。
缺陷体外循环检测:1)从资产管理系统获取上个月状态为“工作终结”的工作票;2)提取工作票中工作任务内容描述的特征词,与构建好的关键词库比对,筛选出属于缺陷核查的工作票;3)缺陷核查工作票与缺陷信息匹配。
缺陷核查工作票与缺陷信息匹配方法为:(1)比对单位、站点、时间,时间比对方法为按工作终结时间往后一周以内筛选消缺时间;(2)比对工作任务内容和缺陷描述,如果匹配得上,则合规,反之,判定为缺陷体外循环;工作任务内容和缺陷描述比对方法为特征词比对法。
将采用专家系统算法对设备缺陷填报数据进行准确、规范、标准化的治理研究,形成一个统一规范化的数据填报标准,提高缺陷填报数据质量。
基于专家系统算法的缺陷填报数据治理方法是设备缺陷诊断与预测开展的前提条件,为了提高设备缺陷信息的完整性和准确性,需对缺陷填报数据质量进行治理,以详实有效的缺陷信息,为后续的缺陷故障研判提供数据支撑。缺陷数据在填报过程中目前存在漏填或填错等问题,此类问题发生时可通过统计等方法实现漏填信息统计及误报信息提示,业务人员可基于实际业务情况选择漏填信息自动补填或者误报信息修改;同时,为了减少和杜绝缺陷体外循环的情况,还需进行缺陷工作票与缺陷信息关联。缺陷填报数据治理工作可以对典型缺陷、批次缺陷以及重复发生的缺陷进行统计分析,为后续设备风险评估提供便利;基于专家系统算法对缺陷填报数据治理方案的优化,基于缺陷数据特征和填报方式选择最合适的解决方法弥补目前缺陷填报系统的短板和不足之处。
上述基于深度学习的一次设备风险智能评估方法,主要包括六个步骤:1.缺陷数据分析,通过缺陷数据分析了解设备缺陷数据特征;2.构建缺陷标准库,完成缺陷数据标准化存储;3.构建缺陷智能诊断模型,精准识别设备缺陷原因及缺陷部位,实现设备缺陷智能化诊断和缺陷严重程度划分;4.缺陷诊断结果分析,有效推荐缺陷管理措施;5.构建设备风险智能评估模型,识别缺陷对设备风险的影响程度;6.风险等级划分,实现设备风险处理的优先级划分。
步骤1.缺陷数据分析
目前,电网一次设备健康状态的影响因素较多,在不同时间段内设备受内部因素及外部因素影响后产生的设备缺陷存在差异,因此,准确诊断造成设备出现缺陷的原因成为缺陷智能诊断的核心。以主网变压器作为研究对象,基于现有数据对2015年至2020年贵州省1527条线路下变电站的变压器总缺陷情况进行如图2所示分析结果。
由变压器缺陷数量变化趋势可知近6年来变压器缺陷呈上升趋势增长,2020年变压器缺陷数量最多达到2932个,缺陷问题对电网产生的风险影响急需管控。
如图3所示,通过对主变缺陷进行分析可以看出,主变缺陷类型为渗漏、颜色异常、拒动/误动、油位异常、装置故障的数量最多,对该类缺陷问题原因进行识别,能够有效解决主变异常多发的问题,降低主变故障风险。
如图4所示,通过对现有主变缺陷数据进行分析发现,重庆市亚东亚集团变压器有限公司、特变电工衡阳变压器有限公司、贵阳变压器厂、贵阳东方变压器厂、贵阳东方变压器有限公司五家设备厂商的变压器在近6年内发生缺陷的次数最多。
表1变压器渗漏分析
表1所示,以主变渗漏为例,不同缺陷类型对应的设备缺陷表象及缺陷描述也存在差异,变压器渗漏的缺陷表象有37种,描述类型有1531种,缺陷原因有81种,产生该缺陷的缺陷部位有27种。
步骤2.构建缺陷标准库
设备缺陷标准库构建主要基于设备缺陷记录数据以及设备运行、监测等数据进行标准库构建,主要用到的方法为TF-IDF文本相似度分析方法。
TF-IDF文本相似度分析法:
TF-IDF文本相似度计算方法。TF(Term Frequency)指一篇文档中单词出现的频率,IDF(Inverse Document Frequency)指语料库中出现某个词的文档数,取对数。
TF=词在文档中出现的次数/文档中所有词的个数
IDF=log(语料库的文档总数/语料库中出现某单词的不同文档个数)
TF原理:某个词在一篇文档中出现的频率越多则对这篇文章越重要,TF-IDF模型训练步骤如下:
1、获取原始文本内容信息。
2、转换成纯小写,按空格把文章分成独立的词组成的list。
3、去除噪音符号:["\"","=","\\","/",":","-","(",")",",",".","\n"]等。
4、去除停用词。
5、提取词干,把相近的词转换为标准形式。
6、wordcount,统计每个词出现的次数,去掉出现次数较少的词。
7、训练idf模型。
8、对输入的每篇测试文章计算其tfidf向量,然后可以利用tfidf向量求文章之间的相似度。
缺陷标准库构建对于设备缺陷智能诊断来说至关重要,缺陷标准库构建的准确,缺陷诊断模型准确率高,反之,缺陷诊断模型准确率低。缺陷标准库构建主要分为三部分,分别为缺陷数据收集(缺陷数据来源);对缺陷数据进行清洗以及去重;人工对缺陷数据的表象、部位、原因和措施进行标注(人工标注),缺陷标准库构建流程如图5所示。
步骤2.1.数据来源及变量信息
缺陷标准库数据来源:历史缺陷报告、缺陷记录数据、设备运行数据、设备试验数据、设备在线监测数据。
缺陷记录数据所包含字段:单位、电压等级、缺陷等级、地点、设备名称、缺陷类型、缺陷描述、专业大类、生产厂家、出厂年月、设备型号、投运日期、缺陷原因类别、缺陷原因、缺陷表象、发现时间、缺陷部位、处理措施。
设备运行数据包含字段:电压、三相不平衡电流、电压等级等。
设备在线监测数据:介损、等值电容、参考电压报警、三相不平衡电流报警、介损报警、全电流报警、等值电容报警、监测设备通信状态、监测设备运行状态、设备自检异常、局放、铁芯电流。
设备试验数据包含字段:红外成像测温、气室气体、触头回路电阻、外绝缘表面耐压、气体分解物测试值。
缺陷分类标准库主要包含:设备类别、缺陷表象、缺陷描述、缺陷类型、缺陷部位、消缺措施和缺陷原因等字段。
经过对以上数据进行梳理发现,缺陷记录数据表中可用字段为13个,具体字段如下表2所示:
表2缺陷记录字段表
步骤2.2.缺陷数据清洗
缺陷数据清洗主要包括以下部分:1.缺陷数据重复(两条或两条以上相同缺陷数据)2.缺陷数据缺失,其中某些字段缺失的情况3.缺陷数据乱码的情况4.缺陷数据中存在空格的情况5.缺陷数据全角转半角问题(全角指一个字符占用两个标准字符位置,半角指一字符占用一个标准的字符位置)6.英文大小写问题等。
针对以上情况,需要对缺陷数据进行数据清洗以及去重工作,这样可以为后续标准库构建提供便利条件。
步骤2.3.人工标注
根据历史缺陷报告对缺陷表象、缺陷部位、缺陷原因和处理措施进行文本分析人工标注。人工标注主要是依据缺陷记录中的缺陷描述、缺陷原因、处理情况描述等文本内容,结合业务专家的经验来进行判断。人工标注字段示例如图6所示:
通过上述手段,构建出需要的缺陷标准库,为后续的设备缺陷诊断模型奠定基础。缺陷标准库样例如下表3所示:
表3部分缺陷标准库样例
步骤3.缺陷诊断模型
设备缺陷智能诊断需要通过分类算法实现设备缺陷的智能诊断与分类,目前分类算法有决策树分类、贝叶斯分类、人工神经网络、k-近邻、支持向量机等算法,但由于设备缺陷数据中存在非结构化数据,所以选择适用于文本分析的卷积神经网络算法进行后续的设备缺陷智能诊断。
卷积神经网络模型是在网络中使用卷积代替一般矩阵乘法的神经网络。卷积神经网络具有局部感知、权值共享的特点,从而大大减少了训练参数的数目,提高了复杂网络的计算效率。卷积神经网络可作为分类器,对向量化后的缺陷说明文本进行分类,并输出相应的分类结果。
设备缺陷智能诊断以油浸式变压器为例作为研究对象:如图7所示,从油浸式变压器设备结构来看,不同设备缺陷类型对应不同缺陷部位,不同的缺陷部位又对应不同缺陷部件,缺陷部位和缺陷部件与缺陷类型之间又存在一定关系。因此需要从设备类型、缺陷类型、缺陷部位、缺陷部件等维度来梳理一套缺陷诊断的体系,这个缺陷诊断体系即要体现不同部件之间的区别,又要体现不同缺陷之间的联系。
步骤3.1.构建缺陷诊断体系
通过结合业务人员经验,对变压器梳理了如下表4所示的缺陷诊断体系:
表4缺陷诊断体系表
从缺陷诊断体系表可以看出变压器的缺陷种类繁多,且同一缺陷类型对应的缺陷部位及缺陷部件各有不同,这就使得变压器缺陷诊断难度加大。变压器缺陷产生的原因主要在于设备内部本身质量以及变压器超负荷工作等问题引起,因此,为准确识别设备缺陷造成的设备风险,必须先对设备缺陷原因进行深入刨析。
步骤3.2.缺陷诊断模型
(1)设备缺陷诊断数据指标
表5设备缺陷诊断指标
(2)文本预处理
针对电力设备缺陷文本的特点,文本预处理主要是分词。中文文本不同于英文文本,词与词之间没有空格的自然分界,因此在文本表示之前需要对中文文本进行分词。分词过程采用jieba分词模块,并借助自行编纂的电力领域词典,对缺陷说明文本进行分词。
由于电力领域知识的专业性,电力领域词典在正确切分词语中起着重要作用,比如下面缺陷描述的分词结果:
表6领域词典在分词中的作用
从上面分词结果可以看到,没有引入电力领域词典时,油面被分成了“油”和“面”两个词,引入电力领域词典后,该词被正确划分。
(3)文本分布式表示
文本分布式表示方法基于“词的语义由其邻近词刻画”的原理,首先,以大量经过预处理的电力设备缺陷记录为语料库,训练出每个词的词向量表示的语言模型,词向量的各个维度代表通过模型学习到的词的语义特征。以维度为3的词向量为例,将部分缺陷文本的词向量在特征空间中进行表示,如图8所示。
其中每一个圆点表示一个词向量,x、y、z轴分别表示词向量的3个语义特征维度。由图8可见,词义相近的词对应的词向量在特征空间中距离比较接近,而词义相差较大的词对应的向量距离比较远,即可以通过词向量对词义特征进行刻画。在实际应用时,词向量维度大小可根据语料库大小指定,通常取100~300维,每个维度代表机器自动学习到的一个词特征,没有实际的物理意义。
(4)卷积神经网络
设备缺陷智能诊断主要采用卷积神经网络算法,将已处理的缺陷指标数据作为卷积神经网络的输入层,通过卷积神经网络的分类器,对向量化后的缺陷文本进行分类,输出相应的分类结果。本模型构建了一个四层的卷积神经网络,如图9所示。
(5)模型训练
以主变渗漏为例,模型输入变量为缺陷表象、缺陷描述、缺陷原因、设备类别、缺陷类型、缺陷部位等字段。利用卷积神经网络算法来学习,形成最终的设备缺陷诊断模型。
(6)缺陷诊断效果测试
在模型训练1-10次迭代过程中,损失函数迅速下降,在经过50次迭代后,训练集的损失函数仍呈下降趋势,而测试集已经处于平稳状态,可以看出模型已经学习到了缺陷原因与缺陷部位之间的模式关系,而且没有出现过拟合。图10中训练集与测试集损失下降曲线。横坐标为训练迭代次数,纵坐标为模型在训练集和测试集上的损失值,损失越小,说明模型越准确。
采用训练好的模型在训练集和测试集上进行验证,将模型缺陷诊断的准确率与缺陷原始填报的准确率进行对比。
表7模型准确率统计
总共获取的样本数量是4050个,按照7:3的比例将样本拆分为2835条训练集和1215条测试集,从上述准确率可以看出,模型对设备类型、缺陷类型、缺陷部位这三个单个字段分类的准确率达到90%以上,对缺陷部件这个字段分类的准确率达到65%以上。无论是从单个字段的准确率来看,还是从整体准确率来看,通过模型智能诊断设备缺陷部位和原因的准确率较高,说明模型能够从一定程度上实现对缺陷内容的语义理解,通过模型对缺陷进行诊断分析,向有关业务人员推荐缺陷管理措施。
在模型应用后,会对新增的缺陷信息的进行分类,业务人员对模型的分类结果进行确认,确认分类正确的数据再加入到模型中进行训练,随着训练样本的增加,模型的准确率会得到提升。
基于领域关键词匹配的缺陷多层级部位识别:
通过卷积神经网络模型识别缺陷原因后需进一步精准定位缺陷部位,经对缺陷业务研究发现,缺陷记录信息中存在缺陷描述相似但缺陷发生部位不同的情况。例如:一个缺陷描述,可能发生在本体,也可能发生在本体下的储油柜,如何衡量一个缺陷是发生在本体还是本体储油柜,这种不同层级缺陷部位组合多达XX种。且设备本体或设备部位发生缺陷后造成的后果严重性和影响度存在较大差异,因此,精准定位缺陷部位成为电网设备缺陷管理部门迫切需要解决的问题。基于以上情况,本项目将通过贪婪算法计算缺陷发生后属于任意部位的概率,以精准定位缺陷部位,帮助电网企业解决缺陷部位定位难的痛点问题。
缺陷部位精准定位步骤有以下四点:
(1)关键词梳理:从缺陷记录数据中梳理缺陷领域关键词,词示例如下表所示:
表8关键词示例表
(2)对同义、近义、从属的关键词进行融合,每个部位都分别做关键词融合,同一词在不同部位可能会融合为不同的关键词,关键词融合示例如下表所示:
表10调压开关关键词融合示例表
表11冷却系统关键词融合表
(3)梳理不同层级部位的缺陷所对应的关键词组合,不同层级的每个部位都有一系列关键词组合,词组合示例如下表所示:
表12不同层级部位的缺陷所对应的关键词组合示例
部位 | 关键词组合 |
本体 | 二次元件 变压器 套管 接地 母线排 绝缘 |
本体 | 变压器 套管 母线排 绝缘 |
本体 | 发热 变压器 接头 母线排 |
本体 | 发热 变压器 套管 接头 母线排 |
本体 | 出线 发热 变压器 导线 接头 母线排 超标 |
本体 | 发热 变压器 母线排 连接金具 |
本体 | 变压器 套管 母线排 |
本体 | 发热 变压器 接头 母线排 连接金具 |
本体 | 变压器 母线排 |
本体 | 发热 变压器 母线排 |
本体 | 出线 变压器 母线排 绝缘 |
本体 | 变压器 母线排 电阻 绝缘 绝缘电阻 超标 |
本体 | 仪表 保护 变压器 监测装置 |
非电量保护装置 | 仪表 变压器 本体 法兰 漏油 螺栓 非电量保护装置 |
非电量保护装置 | 保护 机构 端子箱类设备 调压开关 非电量保护装置 |
非电量保护装置 | 接头 超标 非电量保护装置 |
非电量保护装置 | 二次元件 仪表 变压器 非电量保护装置 |
非电量保护装置 | 仪表 保护 变压器 接头 非电量保护装置 |
非电量保护装置 | 二次元件 仪表 保护 变压器 本体 非电量保护装置 |
非电量保护装置 | 二次元件 保护 变压器 接地 接头 本体 端子箱类设备 绝缘 非电量保护装置 |
非电量保护装置 | 二次元件 保护 接头 非电量保护装置 |
非电量保护装置 | 密封圈 接地 本体 渗漏 漏油 调压开关 非电量保护装置 |
非电量保护装置 | 出线 变压器 引线 绝缘 非电量保护装置 |
非电量保护装置 | 仪表 变压器 本体 渗漏 漏油 非电量保护装置 |
非电量保护装置 | 二次元件 保护 变压器 接头 机构 母线排 端子箱类设备 绝缘 非电量保护装置 |
(4)缺陷多层级部位预测:通过采用贪婪算法计算缺陷属于任意部位的概率,取得最相似的多级部位组合,作为预测结果。
步骤4.缺陷诊断结果
缺陷诊断结果包括缺陷严重性、缺陷诊断原因以及缺陷管理措施推荐,模型应用过程中将新来的缺陷数据输入已经训练好的设备缺陷诊断模型中,最后输出缺陷数据的缺陷部位、缺陷原因以及缺陷管理措施等,缺陷诊断结果如表8所示:(缺陷严重度值由分值1-10进行表示,缺陷等级越高,缺陷严重度分值越低)
表8缺陷诊断结果表
缺陷诊断结果输出后,可以看出同一缺陷类型对应的缺陷描述、缺陷部位和管理措施等存在一对多的现象,其结果将作为设备风险智能评估的基础,结合变压器相关结构化数据通过大数据分析算法实现缺陷对设备风险的影响程度评估。
步骤5.风险智能评估
基于缺陷的设备风险智能评估打破以往人为定义评估指标权重的方式,采用相关性分析对已有指标进行降维,然后基于熵值法进行设备风险评估,熵值法是根据各项指标值的变异程度来确定指标权重的,这是一种客观赋权法,熵值法的指标比重计算采用的是各个方案某一指标占同一指标值总和的比值,因此指标不受量纲的影响,不需要人为进行标准化处理,只需对数据中存在的负值进行非负化处理即可,避免了人为因素带来的偏差,在评估指标权重和数据完全不受人为因素影响的前提下,从设备类型、缺陷部位、缺陷类型、缺陷频率、缺陷等级、设备重要性和电压等级、设备风险影响因子等维度选取指标,构建基于缺陷的设备风险智能评估模型。
风险智能评估作为的核心目标,其数据主要来源于缺陷智能诊断结果数据,利用缺陷智能诊断结果数据中的设备缺陷严重性、缺陷频率、设备重要性、电压等级、设备类型、设备风险因子等维度指标,结合熵值法对设备风险进行评估,并对设备风险按高中低进行划分,为设备维修提供参考性价值。
风险智能评估流程如图11所示。
步骤5.1.风险因子分析
共性化因子:
基于现有数据对变压器进行分析后发现,变压器的影响因子主要包括老化因子、缺陷因子、状态因子、主变告警因子。
老化因子主要是依据变压器投运年限计算:
表9老化因子表
投运年限 | 老化因子 |
0-20年 | <=1 |
20年-30年 | 1.4 |
30年以上 | 1.8 |
缺陷因子主要是依据变压器缺陷类型的影响因子计算:
表10缺陷因子表
状态因子主要是依据变压器触发次数计算:
表11状态因子表
负载率 | 状态因子 |
0-0.8 | <=1 |
0.8-1 | 1.4 |
1-1.2 | 1.8 |
主变告警因子主要是基于变压器未产生保护而引起主变告警的频率计算:
表12告警因子表
告警类别 | 告警因子 |
介损告警 | 1.4 |
油色谱告警 | 1.8 |
个性化因子:
热老化因子(相对热老化率)主要是基于设备在当前环境温度下热老化率与标准温度下的热老化率比值进行计算:
表13热老化因子
温度 | 热老化因子 |
98> | <=1 |
98<= | 1.8 |
绝缘纸聚合因子是影响主变寿命的重要因素(变压器寿命终点=绝缘纸寿命终点),绝缘纸的抗张强度下降50%-60%,则认为机械强度已丧失,寿命终止:
表14聚合因子
步骤5.2.缺陷影响因素相关性分析
在指标选取时,可能会出现两个指标或者多个指标间做出多重贡献,或者说两个指标或多个指标间存在相关性,为了准确地描述变量之间的线性相关程度,可以通过计算相关系数来进行相关分析。在二元变量的相关分析过程中比较常用的有Pearson相关系数、Spearman秩相关系数和判定系数。
(1)设备老化影响因素相关性分析
表15设备老化影响因素相关性分析
老化影响因素 | 投运时长 | 缺陷时长 |
投运时长 | 1 | 0.068 |
缺陷时长 | 0.068 | 1 |
(2)设备缺陷影响因素相关性分析
表16设备缺陷影响因素相关性分析
(3)设备状态影响因素相关性分析
表17设备状态影响因素相关性分析
状态影响因素 | 重过载次数 | 负载率 |
重过载次数 | 1 | 0.67 |
负载率 | 0.67 | 1 |
(4)设备告警影响因素相关性分析
表18设备告警影响因素相关性分析
告警影响因素 | 介损告警 | 油色谱告警 |
介损告警 | 1 | 0.34 |
油色谱告警 | 0.34 | 1 |
步骤5.3.设备缺陷扣分规则库
(1)建立缺陷严重性扣分规则库,将缺陷的严重性根据缺陷严重性扣分规则库给出分数T1;(2)制定缺陷次数扣分规则,统计典型、批次、重复性发生的缺陷发生的次数,根据规则范围给出分数T2;(3)制定设备重要性规则,根据缺陷发生的部位所在的设备,利用设备重要性扣分规则,给出分数T3;(4)制定缺陷等级扣分规则,根据缺陷等级,给出相对应的分数T4;(5)制定电压等级扣分规则,根据缺陷发生设备的电压等级,给出对应的分数T5;(6)制定设备类型扣分规则,根据不同设备类型的重要程度,给出对应的分数T6;(7)根据设备风险评估得分将设备风险等级划分为低、中、高风险三个等级,高风险0-50分、中风险50-80分、低风险80分以上。
典型、批次、重复发生的缺陷频率扣分规则如下表19所示:
表19缺陷频率扣分规则
设备重要程度扣分规则如下表20所示:
表20设备重要程度扣分规则
设备部件 | 扣分规则 |
关键变电站 | 20 |
一般变电站 | 10 |
缺陷等级扣分规则如下表21所示:
表21缺陷等级扣分规则
缺陷等级 | 扣分规则 |
紧急 | 30 |
重大 | 20 |
一般 | 10 |
其他 | 5 |
电压等级扣分规则如下表22所示:
表22电压等级扣分规则
电压等级 | 扣分规则 |
500KV | 30 |
220KV | 20 |
110KV | 15 |
35KV | 5 |
其他 | 2 |
步骤5.4.风险智能评估
在信息论中,熵是对不确定性的一种度量。信息量越大,不确定性就越小,熵也就越小;信息量越小,不确定性越大,熵也越大。
根据熵的特性,可以通过计算熵值来判断一个事件的随机性及无序程度,也可以用熵值来判断某个指标的离散程度,指标的离散程度越大,该指标对综合评价的影响(权重)越大,其熵值越小。
根据指标的特性,可以用熵值来判断某个指标的离散程度:指标熵值越小,离散程度越大,该指标对综合评价的影响(即权重)也越大。
设有m个样本,n个评价指标,形成原始数据矩阵
对某项指标xj,指标值xij的差距越大,则该指标在综合评价中所起的作用越大;如果某项指标的指标值全部相等,则该指标在综合评价中不起作用。
在对设备的缺陷风险进行评估时,将扣分值指标与设备风险因子进行同趋势化处理,数据处理完成之后即可作为熵值法的输入参数,构建基于缺陷的设备风险智能评估模型,完成设备缺陷对设备风险的影响程度评估。模型输出的样例结果如下:
表23风险智能评估结果表
步骤6.风险等级划分
通过样本数据进行设备风险智能评估,选取50873台设备进行测试,模型风险评估结果为无风险的设备共计50787台,模型评估结果为低风险的设备共计78台,模型风险评估结果为中风险的设备共计8台,模型风险评估结果为高风险的设备共计0台。将模型设备风险评估结果与人工设备风险评估对比结果见表24,模型评估准确率见表25:
表24模型风险评估与人工设备风险评估对比结果
表25模型风险评估准确率
符合数 | 50146 |
错误数 | 727 |
总数 | 50873 |
准确率 | 100% |
从模型角度进行分析:该模型仍有待完善,模型存在优化空间且准确率能够进一步提升。
从业务角度分析:该模型结果对业务生产具有一定的指导作用,从风险发生的前瞻性,解决设备发生的高风险点。
基于数据挖掘的一次设备缺陷预测模型预测方法,设备缺陷预测模型适用于电网公司所辖的主网一次输电设备的缺陷预测。本次预测模型基于变压器展开研究,具体内容包含缺陷数量总体预测、缺陷数量分群预测和单体设备缺陷特性曲线模型。对缺陷的预测有利于维护人员提前重点关注缺陷高发部位、部件,及时预防缺陷,保障设备的安全平稳运行;该方法包括以下步骤:
步骤1:缺陷数量总体预测:通过获取历史缺陷数据,运用数据挖掘算法对缺陷数据发展趋势进行预测,缺陷数量数据是时间序列的形式,因此数据挖掘算法选择时间序列数据预测算法,时间序列数据预测算法采用ARIMA时间序列模型进行预测;
缺陷数量总体预测的主要实施步骤为:1)按照时间维度提取年度、季度、月度、节假日和周末的特征;2)提取不同设备不同缺陷等级和次数作为特征;3)提取不同设备的历史缺陷次数作为标签;4)最后建立回归模型来预测缺陷发生的数量。以时间序列为列,预测方法如图12所示。
上述ARIMA时间序列模型算法中ARIMA时间序列模型将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值,具体步骤如下:
1、判断数据是否具有周期性;
2、判断数据是否存在趋势性;
3、判断数据是否是随机序列;
4、计算自相关和偏自相关系数;
5、定义模型的自回归阶数p和模型的移动平均阶数q;
6、模型参数求解。
步骤2:缺陷数量分群预测:按照设备缺陷类型进行分群,针对各类群体缺陷的数量进行预测,缺陷数量分群预测采用X-11算法预测,X-11方法是基于移动平均法的季节调整方法。它的特征在于除了能适应各种经济指标的性质,根据各种季节调整的目的,选择计算方式外,在不作选择的情况下,也能根据事先编入的统计基准,按数据的特征自动选择计算方式。在计算过程中可根据数据中的随机因素大小,采用不同长度的移动平均,随机因素越大,移动平均长度越大。X-11方法是通过几次迭代来进行分解的,每一次对组成因子的估算都进一步精化。
X-11算法能够对缺陷季节趋势进行拟合,对序列进行前向和后向扩展,其模型形式表示为:
式中:L为滞后算子;Φ(L)、A(L)为非季节与季节自回归算子;Θ(L)、B(L)为非季节与季节移动平均算子;Δ为差分算子;p、q、P、Q为非季节与季节自回归,移动平均算子的最大滞后阶数,d、D为非季节与季节差分次数;s为季节差分的步长,Y为原始时间序列;xi为第i个回归变量;βi为第i个回归系数;ε为噪声;t为时间;
季节调整的目的是去掉时间序列中的季节项,序列进行了季节调整之后,季节模型又分为加法模型和乘法模型:
加法模型:Yt=TCt+St+lt
乘法模型:Yr=TCt×St×lt
设Yt表示一个无奇异值的月度时间序列,把Yt分解为趋势循环项TCt、季节项St和不规则要素It。
趋势项代表着时间序列的长期趋势。它的特点是变化平稳。这些变化是由经济的结构性变动引起的,比如人口的增长、技术的进步、资本的累积等。循环项的特点是随着不同的时期进行周期性变化。它所反映的是经济的繁荣与衰退。相对于趋势项而言,循环项更偏重于反应时间序列的瞬间变化。季节项反映时间序列在不同年份的相同季节所呈现的周期性变化。它通常是由气候因素、日历结构、行政记录的截止时间等所引起的。不规则项包含狭义不规则影响、异常值、其他不规则影响等所有的不可预测的影响因素。
缺陷数量分群预测具体包括步骤:1)数据处理,对历史缺陷数据进行分类处理,按照缺陷类型进行分类,将生产厂家和设备型号分为一类、将设备投运年限分为一类、将设备运维消缺情况分为一类;2)然后根据每一类的缺陷数量发展趋势,使用回归算法或者时间序列算法对未来缺陷数量进行预测。
步骤3:单体设备缺陷特性曲线模型预测包括两个方面:1)缺陷在消缺周期内的发展趋势分析;2.已有缺陷转化为其他缺陷的概率分析。
上述缺陷在消缺周期内的发展趋势分析方法为:针对发生频率高的缺陷,将具有周期性的缺陷作为研究目标,在缺陷发生以后,在消缺周期内监测缺陷变化情况,监测两个相同时间段缺陷的变化情况,以此判断缺陷在消缺周期内的发展趋势。
以漏油为例:1).对于漏油这个缺陷,监测漏油的频率;2).在消缺周期内,比如第一天漏油100滴,(也可以按面积、体积测算),第二天漏油200滴;3).结论:漏油在消缺周期内的发展趋势是加剧变严重的。
上述已有缺陷转化为其他缺陷的概率分析方法为:针对已有缺陷,缺陷在消缺周期内转化为其他缺陷的概率,利用马尔可夫链预测已有缺陷转化为其他缺陷的概率,确定缺陷在消缺周期内的发展变化趋势。
单体设备缺陷特性曲线模型可利用马尔可夫预测算法进行模型构建,马尔可夫链能够预测已有缺陷转化为其他缺陷的概率,从而确定缺陷在消缺周期内的发展变化趋势。
马尔可夫示意图如图13所示,马尔可夫链预测方法步骤如下:
(1)设备数据的采集:包括历史变压器发生的所有缺陷类型。
(2)计算变压器缺陷类型的状态转移概率矩阵;
(3)根据已得缺陷,计算缺陷转化的概率,得到缺陷的发展趋势。
本发明具有如下优点:
1、研究方法:以层次递进式的研究方法,在现有研究基础上增加数据维度、优化数据分析方法,深入刨析设备缺陷特性、缺陷与设备风险之间的关系、缺陷未来发生的可能性及转化概率,从而提高模型精度和深度,发挥模型价值,弥补现有研究不足,保证模型的可用性,解决缺陷对设备风险造成的成本损失不可控问题,实现设备缺陷的精益化管理和智能化管控。
2、算法方面:主要以电力业务数据为基础,结合深度学习算法和数据挖掘算法,围绕业务需求和缺陷报告、缺陷记录等数据特征有针对性的构建最优模型方案,其中用到的算法包括:TF-IDF文本相似度分析法、卷积神经网络、熵值法、ARIMA、X11算法、马尔可夫(Markov)预测算法进行业务模型构建,形成了标准化的设备缺陷库,完成了基于缺陷的设备智能诊断分析、风险评估以及缺陷预测。
3、业务方面:通过复杂结构数据的高效处理算法,降低了人工判断设备缺陷诊断数据的复杂度,逐步把设备缺陷诊断工作从专业驱动转向数据驱动,从而提升设备精益化管理水平,保障电网安全稳定高效的运行,提升公司电网运营效益,推进智能电网的建设进度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种一次设备缺陷诊断与预测方法,其特征在于:该方法包括基于专家系统算法的缺陷填报数据治理方法、基于深度学习的一次设备风险智能评估方法和基于数据挖掘的一次设备缺陷预测模型的预测方法,具体为:首先对缺陷填报数据中存在的关键信息的漏填、错填以及体外循环的问题进行治理;然后基于治理好的数据,采用自然语言处理技术,对缺陷描述、缺陷表象、缺陷原因、处理措施、以及缺陷发生时的运行数据构建缺陷标准库;基于缺陷标准库,采用神经网络、语义分析技术,对新生缺陷数据的部位、原因、严重程度进行判别和诊断;根据缺陷诊断结果,结合设备缺陷老化因子、告警因子、绝缘性能因子、设备重要程度、缺陷等级、电压等级数据,通过相关性分析、综合评价的算法,对设备的风险等级进行评估;最后采用时间序列算法、马尔科夫关联分析预测缺陷发生数量和消缺周期内的发展趋势;
基于专家系统算法的缺陷填报数据治理方法包括以下步骤:
步骤1:缺陷关键信息漏填检测:从资产管理系统中,获取缺陷信息构成缺陷填报系统,当出现关键信息漏填写时,给出报警提示;缺陷关键信息包括:电压等级、缺陷等级、地点、设备名称、设备类别、缺陷表象、缺陷类型、缺陷描述、应消缺时间、发现时间、专业大类、生产厂家、设备型号、出厂年月、投产日期、缺陷前后图片;
步骤2:根据步骤1中缺陷填报系统的部分缺陷信息核查:电压等级核查和缺陷等级核查;
步骤3:缺陷体外循环检测:缺陷体外循环检测:1)从资产管理系统获取上个月状态为“工作终结”的工作票;2)提取工作票中工作任务内容描述的特征词,与构建好的关键词库比对,筛选出属于缺陷核查的工作票;3)缺陷核查工作票与缺陷信息匹配,缺陷核查工作票与缺陷信息匹配方法为:(1)比对单位、站点、时间;(2)比对工作任务内容和缺陷描述,如果匹配得上,则合规,反之,判定为缺陷体外循环。
2.根据权利要求1所述的一种一次设备缺陷诊断与预测方法,其特征在于:电压等级核查方法为:(1)提取“设备名称”里的电压等级,与“电压等级”比对是否相符;(2)如果“设备名称”没有电压等级,则提取“地点”里的电压等级。
3.根据权利要求1或2所述的一种一次设备缺陷诊断与预测方法,其特征在于:缺陷等级核查方法为:
(1)以“缺陷描述”为基准项;
(2)提取“缺陷描述”特征词,构建原始特征词库;
(3)通过近义词、同义词匹配,构建标准特征词库;
(4)通过“设备类别”确定缺陷表象库,通过《变电一次设备缺陷定级标准(运行分册)(试行)》构建缺陷表象库;
(5)通过组合标准特征词,匹配对应的缺陷表象,得到缺陷等级;
(6)与缺陷信息的“缺陷表象”“缺陷等级”比对,判断填报是否准确。
4.根据权利要求1所述的一种一次设备缺陷诊断与预测方法,其特征在于:基于深度学习的一次设备风险智能评估方法包括以下步骤:
步骤1:缺陷数据分析:通过缺陷数据分析了解设备缺陷数据特征,对设备缺陷不同年度数量、设备缺陷类型分布数量、设备缺陷厂家分布数量进行分别分析,对缺陷不同年度数量、类型数量和厂家的数量进行排序,获得故障年度数量最多、故障类型最多和出现故障的厂家最多;
步骤2:根据步骤1的设备缺陷数据特征构建设备缺陷标准库,完成缺陷数据标准化存储;
步骤3:构建缺陷智能诊断模型,通过缺陷智能诊断模型识别设备缺陷原因及缺陷部位,实现设备缺陷智能化诊断和缺陷严重程度划分;
步骤4:缺陷诊断结果分析,推荐缺陷管理措施,包括缺陷严重性、缺陷诊断原因分析,缺陷智能诊断模型将新来的缺陷数据输入已经训练好的设备缺陷诊断模型中,最后输出缺陷数据的缺陷部位、缺陷原因以及缺陷管理措施;
步骤5:基于缺陷诊断结果分析获得的结果构建设备风险智能评估模型,识别缺陷对设备风险的影响程度;
步骤6:根据设备风险的影响程度划分风险等级,根据设备风险评估得分划分为无风险、低风险、中风险和高风险。
5.根据权利要求4所述的一种一次设备缺陷诊断与预测方法,其特征在于:步骤2中设备缺陷标准库的构建方法包括以下步骤:
a)缺陷数据收集,缺陷数据收集的数据来源包括历史缺陷报告、缺陷记录数据、设备运行数据、设备试验数据、设备在线监测数据,通过分析数据来源,获得缺陷分类标准库的缺陷记录数据表的字段名称和字段内容;
缺陷记录数据所包含字段:单位、电压等级、缺陷等级、地点、设备名称、缺陷类型、缺陷描述、专业大类、生产厂家、出厂年月、设备型号、投运日期、缺陷原因类别、缺陷原因、缺陷表象、发现时间、缺陷部位、处理措施;
设备运行数据包含字段:电压、三相不平衡电流、电压等级;
设备在线监测数据:介损、等值电容、参考电压报警、三相不平衡电流报警、介损报警、全电流报警、等值电容报警、监测设备通信状态、监测设备运行状态、设备自检异常、局放、铁芯电流;
设备试验数据包含字段:红外成像测温、气室气体、触头回路电阻、外绝缘表面耐压、气体分解物测试值;
b)对缺陷数据进行清洗以及去重,对收集的数据的两条或两条以上相同缺陷数据、缺陷数据缺失、缺陷数据乱码、缺陷数据中存在空格、缺陷数据全角转半角和英文大小写进行清洗和去重;
c)人工标注,根据历史缺陷报告对缺陷表象、缺陷部位、缺陷原因和处理措施进行文本分析人工标注,最终获得设备缺陷标准库。
6.根据权利要求4所述的一种一次设备缺陷诊断与预测方法,其特征在于:步骤3中缺陷智能诊断模型构建方法:(1)缺陷诊断体系:对设备类型、对应设备的缺陷及其部位、对应缺陷的缺陷部件进行汇总形成缺陷诊断体系表;(2)缺陷诊断模型:a)根据缺陷数据记录表,建立设备缺陷诊断数据指标:包括指标名称和指标描述内容;b)文本预处理:针对缺陷描述内容进行分词处理,根据电力领域词典,获得电力领域的分词结果;c)文本分布式表示:文本分布式表示方法基于“词的语义由其邻近词刻画”的原理,即,以大量经过预处理的电力设备缺陷记录为语料库,训练出每个词的词向量表示的语言模型,词向量的各个维度代表通过模型学习到的词的语义特征;d)卷积神经网络建立:设备缺陷智能诊断主要采用卷积神经网络算法,将已处理的缺陷指标数据作为卷积神经网络的输入层,通过卷积神经网络的分类器,对步骤c)中向量化后词向量的缺陷文本进行分类,输出相应的分类结果;e)模型训练:模型输入变量为缺陷表象、缺陷描述、缺陷原因、设备类别、缺陷类型、缺陷部位的字段,利用卷积神经网络算法来学习,形成最终的设备缺陷诊断模型。
7.根据权利要求4所述的一种一次设备缺陷诊断与预测方法,其特征在于:设备风险智能评估模型的评估方法包括以下步骤:
(1)风险因子分析:根据设备的影响因子划分,获得设备风险因子;老化因子、缺陷因子、状态因子、主变告警因子、热老化因子和聚变因子;
(2)缺陷影响因素相关性分析:根据设备风险因子,通过计算相关系数来进行相关分析:
(3)构建设备缺陷扣分规则库:1)建立缺陷严重性扣分规则库,将缺陷的严重性根据缺陷严重性扣分规则库给出分数T1;2)制定缺陷次数扣分规则,统计典型、批次、重复性发生的缺陷发生的次数,根据规则范围给出分数T2;3)制定设备重要性规则,根据缺陷发生的部位所在的设备,利用设备重要性扣分规则,给出分数T3;4)制定缺陷等级扣分规则,根据缺陷等级,给出相对应的分数T4;5)制定电压等级扣分规则,根据缺陷发生设备的电压等级,给出对应的分数T5;6)制定设备类型扣分规则,根据不同设备类型的重要程度,给出对应的分数T6;7)根据最后缺陷评价得分,给出设备的风险等级,设备风险等级分为:低、中、高三个等级;
(4)风险智能评估:在对设备的缺陷风险进行评估时,将扣分值指标与设备风险因子进行同趋势化处理,数据处理完成之后即可作为熵值法的输入参数,构建基于缺陷的设备风险智能评估模型,完成设备缺陷对设备风险的影响程度评估,获得风险智能评估结果。
8.根据权利要求1所述的一种一次设备缺陷诊断与预测方法,其特征在于:基于数据挖掘的一次设备缺陷预测模型预测方法,其特征在于:该方法包括以下步骤:
步骤1:缺陷数量总体预测:通过获取历史缺陷数据,运用数据挖掘算法对缺陷数据发展趋势进行预测,数据挖掘算法选择时间序列数据预测算法;时间序列数据预测算法采用ARIMA时间序列模型进行预测;
步骤2:缺陷数量分群预测:按照设备缺陷类型进行分群,针对各类群体缺陷的数量进行预测,缺陷数量分群预测采用X-11算法预测;
步骤3:单体设备缺陷特性曲线模型预测包括两个方面:1)缺陷在消缺周期内的发展趋势分析;2.已有缺陷转化为其他缺陷的概率分析;缺陷在消缺周期内的发展趋势分析方法为:针对发生频率高的缺陷,将具有周期性的缺陷作为研究目标,在缺陷发生以后,在消缺周期内监测缺陷变化情况,监测两个相同时间段缺陷的变化情况,以此判断缺陷在消缺周期内的发展趋势;已有缺陷转化为其他缺陷的概率分析方法为:针对已有缺陷,缺陷在消缺周期内转化为其他缺陷的概率,利用马尔可夫链预测已有缺陷转化为其他缺陷的概率,确定缺陷在消缺周期内的发展变化趋势。
9.根据权利要求8所述的一种一次设备缺陷诊断与预测方法,其特征在于:X-11算法能够对缺陷季节趋势进行拟合,对序列进行前向和后向扩展,其模型形式表示为:
式中:L为滞后算子;Φ(L)、A(L)为非季节与季节自回归算子;Θ(L)、B(L)为非季节与季节移动平均算子;Δ为差分算子;p、q、P、Q为非季节与季节自回归,移动平均算子的最大滞后阶数,d、D为非季节与季节差分次数;s为季节差分的步长,Y为原始时间序列;xi为第i个回归变量;βi为第i个回归系数;ε为噪声;t为时间;
序列进行了季节调整之后,季节模型又分为加法模型和乘法模型:
加法模型:Yt=TCt+St+It
乘法模型:Yt=TCt×St×It
设Yt表示一个无奇异值的月度时间序列,把Yt分解为趋势循环项TCt、季节项St和不规则要素It。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743800.2A CN113435652B (zh) | 2021-07-01 | 2021-07-01 | 一种一次设备缺陷诊断与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743800.2A CN113435652B (zh) | 2021-07-01 | 2021-07-01 | 一种一次设备缺陷诊断与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435652A CN113435652A (zh) | 2021-09-24 |
CN113435652B true CN113435652B (zh) | 2023-01-24 |
Family
ID=77758626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110743800.2A Active CN113435652B (zh) | 2021-07-01 | 2021-07-01 | 一种一次设备缺陷诊断与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435652B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377759B (zh) * | 2021-07-01 | 2023-05-16 | 贵州电网有限责任公司 | 一种基于专家系统算法的缺陷填报数据治理方法 |
CN114238502B (zh) * | 2021-12-13 | 2023-08-04 | 北京质云数据科技有限公司 | 基于区块链技术的缺陷汽车信息分析平台 |
CN114399203B (zh) * | 2022-01-17 | 2023-04-18 | 国网冀北电力有限公司廊坊供电公司 | 变电站检修任务处理方法、系统、终端设备及存储介质 |
CN114881997A (zh) * | 2022-05-27 | 2022-08-09 | 广东省风力发电有限公司 | 一种风电机组缺陷评估方法及相关设备 |
CN114757590B (zh) * | 2022-06-14 | 2022-09-02 | 江苏金恒信息科技股份有限公司 | 基于大数据分析的企业运营风险预警及管控系统 |
CN114965093B (zh) * | 2022-06-17 | 2022-12-06 | 山东德瑞克仪器股份有限公司 | 一种非金属片状物的折痕挺度测试装置 |
CN115346660B (zh) * | 2022-08-17 | 2023-09-19 | 广东工业大学 | 基于马尔可夫毯模型的脊柱疾病辅助诊断方法和装置 |
CN115658853B (zh) * | 2022-12-28 | 2023-04-11 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种基于自然语言处理的气象预警信息审核方法及系统 |
CN117273553B (zh) * | 2023-11-22 | 2024-02-02 | 青州市华康生物科技有限公司 | 一种基于糖浆浓度检测的生产异常监测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504525A (zh) * | 2014-12-26 | 2015-04-08 | 国家电网公司 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
CN104933477A (zh) * | 2015-06-05 | 2015-09-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种利用输变电设备风险评估优化检修策略的方法 |
CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
CN110580387A (zh) * | 2019-08-27 | 2019-12-17 | 国网湖北省电力有限公司电力科学研究院 | 基于熵权法的直流保护系统混合威布尔可靠性评价方法 |
CN111797146A (zh) * | 2020-07-20 | 2020-10-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于大数据的设备缺陷关联分析方法 |
CN112070720A (zh) * | 2020-08-11 | 2020-12-11 | 国网河北省电力有限公司保定供电分公司 | 一种基于深度学习模型的变电站设备缺陷识别方法 |
CN112085228A (zh) * | 2020-09-08 | 2020-12-15 | 核动力运行研究所 | 一种核电厂缺陷维修和状态报告管理的系统 |
CN112101592A (zh) * | 2020-09-08 | 2020-12-18 | 中国电力科学研究院有限公司 | 电力二次设备缺陷诊断方法、系统、设备及存储介质 |
CN112488327A (zh) * | 2020-11-10 | 2021-03-12 | 国网天津市电力公司电力科学研究院 | 一种自学习电网设备故障缺陷预警系统及其方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1517334B1 (en) * | 2003-09-16 | 2010-10-27 | Infineon Technologies AG | On-chip diagnosis method and on-chip diagnosis block for memory repair with mixed redundancy (IO redundancy and word-register redundancy) |
CN108846511A (zh) * | 2018-06-04 | 2018-11-20 | 国家电网公司 | 一种基于调控大数据平台的变电设备缺陷趋势分析方法 |
CN108985467A (zh) * | 2018-06-22 | 2018-12-11 | 贵州电网有限责任公司 | 基于人工智能的二次设备精益化管控方法 |
CN111525694B (zh) * | 2020-05-08 | 2021-12-31 | 广东电网有限责任公司惠州供电局 | 一种基于物联网的开关柜智能标示装置及方法 |
-
2021
- 2021-07-01 CN CN202110743800.2A patent/CN113435652B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504525A (zh) * | 2014-12-26 | 2015-04-08 | 国家电网公司 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
CN104933477A (zh) * | 2015-06-05 | 2015-09-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种利用输变电设备风险评估优化检修策略的方法 |
CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
CN110580387A (zh) * | 2019-08-27 | 2019-12-17 | 国网湖北省电力有限公司电力科学研究院 | 基于熵权法的直流保护系统混合威布尔可靠性评价方法 |
CN111797146A (zh) * | 2020-07-20 | 2020-10-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于大数据的设备缺陷关联分析方法 |
CN112070720A (zh) * | 2020-08-11 | 2020-12-11 | 国网河北省电力有限公司保定供电分公司 | 一种基于深度学习模型的变电站设备缺陷识别方法 |
CN112085228A (zh) * | 2020-09-08 | 2020-12-15 | 核动力运行研究所 | 一种核电厂缺陷维修和状态报告管理的系统 |
CN112101592A (zh) * | 2020-09-08 | 2020-12-18 | 中国电力科学研究院有限公司 | 电力二次设备缺陷诊断方法、系统、设备及存储介质 |
CN112488327A (zh) * | 2020-11-10 | 2021-03-12 | 国网天津市电力公司电力科学研究院 | 一种自学习电网设备故障缺陷预警系统及其方法 |
Non-Patent Citations (4)
Title |
---|
"基于变压器马尔可夫状态评估模型和熵权模糊评价方法的风险评估技术研究";张桦 等;《电力系统保护与控制》;20160227;第44卷(第5期);第134-139页 * |
"基于季节性分析的时间序列在主变压器缺陷率预测中的应用";李勋 等;《电网与清洁能源》;20151130;第31卷(第11期);第19-25页 * |
"基于模糊评价法对项目风险识别与评价";陈旭宇;《自动化与仪器仪表》;20170625(第6期);第13-16页 * |
"季节调整方法比较研究-基于中国月度CPI序列";王雨琴;《中国优秀硕士学位论文全文数据库-经济与管理科学辑》;20170215;第J145-443页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435652A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
CN104914327B (zh) | 基于实时监测信息的变压器故障检修预测方法 | |
Huang et al. | Dissolved gas analysis of mineral oil for power transformer fault diagnosis using fuzzy logic | |
CN113342784A (zh) | 一种电网主变设备风险评估的数据库设计方法 | |
CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
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 | |
MX2013000577A (es) | Aprendizaje de maquina para redes electricas. | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
CN110175324B (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及系统 | |
CN107480731A (zh) | 一种火电厂汽动给水泵组故障特征的早期识别方法 | |
CN114638476A (zh) | 一种水利一体化运维管理方法及系统 | |
CN110866331A (zh) | 一种电力变压器家族质量缺陷的评估方法 | |
CN112818008A (zh) | 核电调试故障智能诊断的方法、系统、介质及电子设备 | |
CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN113902062A (zh) | 一种基于大数据的台区线损异常原因分析方法及装置 | |
Wang et al. | Deep analysis of power equipment defects based on semantic framework text mining technology | |
Milosavljevic et al. | Integrated transformer health estimation methodology based on Markov chains and evidential reasoning | |
Dhote et al. | Improvement in transformer diagnosis by DGA using fuzzy logic | |
Islam et al. | Power transformer health condition evaluation: A deep generative model aided intelligent framework | |
Khalyasmaa et al. | Training samples construction for energy utilities operational assets management | |
CN111475548A (zh) | 一种基于大数据挖掘技术的用电异常分析决策系统 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 |
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 |