CN113486499A - 一种基于状态监测信息的输变电设备模糊故障率计算方法 - Google Patents
一种基于状态监测信息的输变电设备模糊故障率计算方法 Download PDFInfo
- Publication number
- CN113486499A CN113486499A CN202110690092.0A CN202110690092A CN113486499A CN 113486499 A CN113486499 A CN 113486499A CN 202110690092 A CN202110690092 A CN 202110690092A CN 113486499 A CN113486499 A CN 113486499A
- Authority
- CN
- China
- Prior art keywords
- comprehensive evaluation
- power transmission
- transformation equipment
- fuzzy comprehensive
- state monitoring
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 136
- 230000009466 transformation Effects 0.000 title claims abstract description 99
- 230000005540 biological transmission Effects 0.000 title claims abstract description 98
- 238000004364 calculation method Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 145
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 10
- 230000036541 health Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000004804 winding Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000009413 insulation Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于状态监测信息的输变电设备模糊故障率计算方法,建立输变电设备的模糊综合评价模型,根据状态监测数据进行模糊综合评价,得到模糊综合评价结果为评语集中的各个状态评语的隶属度;根据输变电设备的历史状态监测数据的模糊综合评价结果,构建评语集与故障率序列之间的对应关系;根据待计算的输变电设备的模糊综合评价结果,利用评语集与故障率序列之间的对应关系,得到该待计算的输变电设备的故障率序列中的各个故障率的隶属度即得到模糊故障率。本发明的计算结果更贴近输变电设备的实际状况,该模糊故障率可用于输变电设备的故障判断以及系统的可靠性计算,实施从设备健康状态到系统可靠性的整体维修优化。
Description
技术领域
本发明涉及电力设备的可靠性评估技术领域,尤其是一种基于状态监测信息的输变电设备模糊故障率计算方法。
背景技术
随着电力工业的发展,电网规模日益扩大,越来越多的电力输变电设备投入使用。输变电设备的稳定运行是电网维持供电可靠性的基础。故障率是最常用的可靠性指标之一,可用于输变电设备的风险评估、检修决策等。
传统的可靠性评估过程中使用的是设备的恒定故障率模型,难以评估设备状态差异造成的系统可靠性差异。一些基于时间统计的故障率模型由于无法反映设备状态变化而难以适用于状态检修。事实上,设备的健康状态决定了设备失效可能性的大小,从而会影响系统可靠性。目前,各研究文献采用的比较多的是设备健康状态与设备故障率间的指数关系模型,这种方法先将状态监测值归一化为0到1间或评估给定一个确定的状态分数,进一步得到一个表征设备状态的确定的健康指数,然后建立设备状态与故障率之间的映射函数关系。这种对监测数据的处理方式适合利用统计方法找到设备状态与故障之间的内在联系,但是却未考虑监测数据具有的模糊性对故障率定量计算的影响。
由于状态监测的复杂性、电力设备结构的层次性、评价标准中存在的模糊性以及评价影响因素的不确定性,设备故障率受多种因素影响具有明显的非精确性,这种非精确性很适合用模糊数来描述。专利CN201410158406.2《一种基于故障率的电网输变电设备运行风险评估方法》利用三角模糊数来描述故障率,结合历史数据和人员经验给出了故障率的下限、中间值,上限,并将其用于电网运行风险评估,但基于统计数据和经验调整得到的故障率的模糊模型无法量化设备当前状态对故障率不确定性的影响。
因此,需要构建基于状态监测信息的设备故障率隶属函数/模糊故障率之间定量计算模型,这是连接设备状态监测值与系统可靠性评估之间的关键纽带。
发明内容
为了克服上述现有技术中的缺陷,本发明提供一种基于状态监测信息的输变电设备模糊故障率计算方法,考虑到输变电设备的故障率受多种不确定因素影响而具有的模糊性,模糊故障率即故障率序列中各个故障率的隶属度更贴近输变电设备的实际状况,计算结果可用于输变电设备的故障判断以及系统的可靠性计算,实施从设备健康状态到系统可靠性的整体维修优化。
为实现上述目的,本发明采用以下技术方案,包括:
一种基于状态监测信息的输变电设备模糊故障率计算方法,包括以下步骤:
S1,建立输变电设备的模糊综合评价模型;
模糊综合评价模型根据输变电设备的状态监测数据进行模糊综合评价,状态监测数据中包括M个不同评价指标的状态监测值;
模糊综合评价模型的输出即模糊综合评价结果为B={bn},n=1,2,…,N,即B=(b1,b2,…,bN);其中,B为评语集,bn为评语集B中的第n个状态评语的隶属度,共包括N个状态评语,b1+b2+…+bN=1;
S2,利用步骤S1的模糊综合评价模型,对同类型的输变电设备的历史状态监测数据进行模糊综合评价,根据同类型的输变电设备的历史状态监测数据的模糊综合评价结果,计算各个状态评语对应的故障率,得到故障率序列,构建评语集与故障率序列之间的对应关系;
历史状态监测数据包括输变电设备正常时的历史状态监测数据和输变电设备故障时的历史状态监测数据;
评语集B的N个状态评语分别与故障率序列中的N个故障率依次对应;
S3,利用步骤S1的模糊综合评价模型,根据待计算的输变电设备的当前状态检测数据,对待计算的输变电设备进行模糊综合评价,得到该待计算的输变电设备的模糊综合评价结果即评语集B=(b1,b2,…,bN);
步骤S2和S3中,利用步骤S1的模糊综合评价模型进行模糊综合评价时,先判断状态监测数据是否异常,若状态监测数据中存在某一个或若干个评价指标的状态监测值超出对应的设定范围,则状态监测数据为异常,将状态监测值超出对应的设定范围的评价指标称为异常指标,其余的状态监测值未超出对应的设定范围的评价指标称为正常指标;
若状态监测数据为异常时,则对模糊综合评价模型中的各个评价指标的权重进行修改,修改方式如下所示:
正常指标的权重均修改为0,即wxh=0;
其中,wxh为第x个因素层下的第h个正常指标的修改后权重,h=1,2,…,Hx,第x个因素层下共包括Hx个正常指标;
异常指标的权重修改为:
其中,wxj为第x个因素层下的第j个异常指标的修改后权重,j=1,2,…,Jx,第x个因素层下共包括Jx个异常指标;
wxj (0)为第x个因素层下的第j个异常指标的原始权重。
步骤S2中,包括以下具体步骤:
S21,在一个统计周期内,提取出同类型的输变电设备的历史状态监测数据,得到R条历史状态监测数据,此R条历史状态监测数据中包括G条输变电设备故障时的历史状态监测数据,G≤R;
分别对此R条历史状态监测数据进行模糊综合评价,得到R个历史模糊综合评价结果;其中,第r个历史模糊综合评价结果为Br=(b1r,b2r,…,bNr),b1r+b2r+…+bNr=1,r=1,2,…,R;
分别对此G条输变电设备故障时的历史状态监测数据进行模糊综合评价,得到G个输变电设备故障时的历史模糊综合评价结果;其中,第g个输变电设备故障时的历史模糊综合评价结果为Bg=(b1g,b2g,…,bNg),b1g+b2g+…+bNg=1,g=1,2,…,G;
S22,分别计算各个输变电设备故障时的历史模糊综合评价结果对应的故障率序列;其中,计算第g个输变电设备故障时的历史模糊综合评价结果即(b1g,b2g,…,bNg)对应的故障率序列(λ1g,λ2g,…,λNg),计算方式如下所示:
其中,bng表示第g个输变电设备故障时的历史模糊综合评价结果中的第n个状态评语的隶属度;bnr表示第r个历史模糊综合评价结果中的第n个状态评语的隶属度;λng表示第g个输变电设备故障时的历史模糊综合评价结果中的第n个状态评语的隶属度bng所对应的故障率序列中的第n个故障率的值;
S23,按照步骤S21的方式,在T个统计周期内,分别提取出各个统计周期内的同类型的输变电设备的历史状态监测数据;其中,第t个统计周期内的历史状态监测数据为R(t)条,第t个统计周期内的此R(t)条历史状态监测数据中包括G(t)条输变电设备故障时的历史状态监测数据,G(t)≤R(t),t=1,2,…,T;
分别对第t个统计周期内的此R(t)条历史状态监测数据进行模糊综合评价,得到第t个统计周期内的R(t)个历史模糊综合评价结果;其中,第t个统计周期内的第r个历史模糊综合评价结果为r=1,2,…,R(t);
分别对第t个统计周期内的此G(t)条输变电设备故障时的历史状态监测数据进行模糊综合评价,得到第t个统计周期内的G(t)个输变电设备故障时的历史模糊综合评价结果;其中,第t个统计周期内的第g个历史模糊综合评价结果为g=1,2,…,G(t);
S24,按照步骤S22的方式,分别计算各个统计周期内的各个输变电设备故障时的历史模糊综合评价结果对应的故障率序列;其中,计算第t个统计周期内的第g个输变电设备故障时的历史模糊综合评价结果即对应的故障率序列计算方式如下所示:
其中,表示第t个统计周期内的第g个输变电设备故障时的历史模糊综合评价结果中的第n个状态评语的隶属度;表示第t个统计周期内的第r个历史模糊综合评价结果中的第n个状态评语的隶属度;表示第t个统计周期内的第g个输变电设备故障时的历史模糊综合评价结果中的第n个状态评语的隶属度所对应的故障率序列中的第n个故障率的值;
输变电设备的历史状态监测数据定期进行更新,评语集与故障率序列之间的对应关系也定期进行更新。
本发明的优点在于:
(1)本发明提出的一种基于状态监测信息的输变电设备模糊故障率计算方法,与现有技术相比,本发明建立了输变电设备的当前运行状态与模糊故障率之间的定量计算方法,考虑到了输变电设备的故障率受多种不确定因素影响而具有模糊性,本发明的计算结果更贴近输变电设备的实际状况,根据模糊故障率即故障率序列中各个故障率的隶属度,可进一步进行输变电设备的故障判断以及系统的可靠性计算,实施从设备健康状态到系统可靠性的整体维修优化。
(2)基于状态监测信息的输变电设备模糊故障率计算方法,从设备故障率定义出发,将模糊综合评价法中评语集的概念进行拓展应用,利用分解、叠加、映射、拟合手段来处理设备的状态监测数据及故障统计数据,为评估设备输入数据的不确定性对设备故障率的影响提供了一种有效的定量计算途径,进一步完善了输变电设备故障率建模理论。
(3)状态监测数据为异常时,对模糊综合评价模型中的各个评价指标的权重进行修改,避免了正常指标对异常指标的淹没影响,使异常指标更集中地反映输变电设备的异常状态。
附图说明
图1为本发明的方法流程图。
图2为变压器状态监测指标体系的示意图。
图3为本实施例的评语集与故障率序列之间的关系图。
图4为本实施例的变压器1的状态评语与隶属度之间的关系图。
图5为本实施例的变压器1的归一化后故障率与隶属度之间的关系图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
输变电设备以变压器为例。
由图1所示,一种基于状态监测信息的变压器模糊故障率计算方法,包括以下步骤:
S1,建立变压器运行状态的模糊综合评价模型。
考虑到状态监测数据具有的模糊性,利用模糊综合评价法进行变压器运行状态的综合评估。选取影响变压器运行状态的状态监测值作为评价指标的值,建立变压器状态监测指标体系,形成多层次的变压器运行状态评估模型。
由图2所示,本实施例的变压器状态监测指标体系包括三层,从上至下依次为目标层、因素层、指标层。其中,目标层的目标即为电力变压器运行状态C。因素层包括如下因素:绕组绝缘特性C1、电器性能C2、绝缘油特性C3、油中溶解气体C4、附件C5。指标层包括如下评价指标:绝缘电阻C11、极化指数C12、泄露电流C13、绕组介损C14、绕组直流电阻C21、铁芯接地电流C22、油中微水C31、油介损值C32、击穿电压C33、H2的含量C41、CH4的含量C42、C2H2的含量C43、C2H4的含量C44、C2H6的含量C44、套管C51、分接开关C52、冷却系统C53。其中,绕组绝缘特性C1的评价指标包括:绝缘电阻C11、极化指数C12、泄露电流C13、绕组介损C14。电器性能C2的评价指标包括:绕组直流电阻C21、铁芯接地电流C22。绝缘油特性C3的评价指标包括:油中微水C31、油介损值C32、击穿电压C33。油中溶解气体C4的评价指标包括:H2的含量C41、CH4的含量C42、C2H2的含量C43、C2H4的含量C44、C2H6的含量C45。附件C5的评价指标包括:套管C51、分接开关C52、冷却系统C53。
本实施例中,评价指标中因素层附件C5下的评价指标即套管C51、分接开关C52、冷却系统C53为定性指标,其余为定量指标。定量指标的状态监测值为具体数值,定性指标的状态监测值为状态程度,不是一个具体的数值。
各个评价指标的状态监测值进行归一化,其中,对定量指标可采取公式计算进行归一化,对定性指标可采取专家打分后再进行归一化。
定量指标采用公式计算进行归一化:
状态监测值越小,对应的状态越优型的定量指标,如油中微水C31,计算方式如下:
状态监测值越大,对应的状态越优型的定量指标,如绝缘电阻C11,计算方式如下:
其中,ls为定量指标的归一化值,ls的范围区间为[0,1],下标s表示定量指标;A为定量指标的状态监测值;H和L分别为该定量指标对应的设定范围即正常范围的上边界值和下边界值;Amax和Amin分别为该定量指标在历史状态监测数据中的最大值和最小值,一般为设备刚投入运行时定量指标的状态监测量的初始值。
定性指标采用专家打分进行归一化:
采用专家调查的方式,给出通过评价及技术监测手段得到的语言描述的定性指标的状态程度,由多位专家按经验和有关电力设备规程评分,评分区间可取为[0,100],分值越大,定性指标的性能越优。同时根据各专家的技术水平和经验丰富程度,对各专家赋予相应的权重,然后对各专家的评分加权,并进一步将加权结果转变为定性指标的归一化值,具体如下所示:
其中,y为定性指标的评分加权值,y的范围区间为[0,100];Yi为第i位专家对定性指标的评分,i=1,2,…,m;m为专家总人数;qi为第i位专家的权重,q1+q2+…+qm=1;lk为定性指标的归一化值,lk的范围区间为[0,1],下标k表示定性指标。
在模糊综合评价变压器的状态监测数据时,本发明对正常和异常的状态监测数据分开进行评估,具体方式如下所示:
先判断状态监测数据是否异常,若状态监测数据中所有的评价指标的状态监测值均处于对应的设定范围,则状态监测数据为正常;若状态监测数据中存在某一个或若干个评价指标的状态监测值超出对应的设定范围,则状态监测数据为异常;将状态监测值超出对应的设定范围的评价指标称为异常指标,其余的状态监测值未超出对应的设定范围的评价指标称为正常指标;
状态监测数据为正常时,各个评价指标的权重不进行修改;
若状态监测数据为异常时,则对模糊综合评价模型中的各个评价指标的权重进行修改,修改方式如下所示:
正常指标的权重均修改为0,即wxh=0;
其中,wxh为第x个因素层下的第h个正常指标的修改后权重,h=1,2,…,Hx,第x个因素层下共包括Hx个正常指标;
异常指标的权重修改为:
其中,wxj为第x个因素层下的第j个异常指标的修改后权重,j=1,2,…,Jx,第x个因素层下共包括Jx个异常指标;
wxj (0)为第x个因素层下的第j个异常指标的原始权重。
经修改后,每个因素层下的评价指标的权重之和仍为1。
本发明对评语集进行细化,评语集对应N个状态评语,且从第1个状态评语至第N个状态评语,变压器的运行状态由良好逐渐转为严重。
利用模糊综合评价法对变压器运行状态的进行模糊综合评价,得到每个状态评语的隶属度,模糊综合评价结果如下所示:
B={bn},n=1,2,…,N,即B=(b1,b2,…,bN);
其中,B为评语集,bn为评语集B中第n个状态评语的隶属度,本发明中共包括N个状态评语,b1+b2+…+bN=1。
利用正态分布建立状态监测值归一化后的单个评价指标所对应各个状态评语的隶属函数,评语集对应N个状态评语,其中,第n个状态评语的隶属函数为:
其中,l为评价指标的状态监测值归一化值,l可能为ls、lk;α为正态分布的标准差参数;fn(l)为状态监测值归一化后的单个评价指标对应的第n个状态评语的隶属度;
根据上述隶属函数确定状态监测值归一化后的各个评价指标对应各个状态评语的隶属度,在变压器状态监测指标体系中计算得到模糊综合评价结果即B=(b1,b2,…,bN)。
S2,利用步骤S1的模糊综合评价模型,对同类型的变压器的历史状态监测数据进行模糊综合评价,根据同类型的变压器的历史状态监测数据的模糊综合评价结果,计算各个状态评语对应的故障率,得到故障率序列,构建评语集与故障率序列之间的对应关系;其中,历史状态监测数据包括变压器正常时的历史状态监测数据和变压器故障时的历史状态监测数据;故障率序列包括N个,具体为即其中,为第n个故障率的值;评语集B的N个状态评语分别与故障率序列中的N个故障率依次对应,即评语集B的第n个状态评语与故障率序列中的第n个故障率相对应,即评语集B的第n个状态评语对应的故障率为
步骤S2中,包括以下具体步骤:
S21,在一个统计周期内,从数据库中提取出同类型的变压器的历史状态监测数据,得到共R条历史状态监测数据,此R条历史状态监测数据中包括G条变压器故障时的历史状态监测数据,G≤R;
分别对此R条历史状态监测数据进行模糊综合评价,得到R个历史模糊综合评价结果;其中,第r个历史模糊综合评价结果为Br=(b1r,b2r,…,bNr),b1r+b2r+…+bNr=1,r=1,2,…,R;
分别对此G条变压器故障时的历史状态监测数据进行模糊综合评价,得到G个变压器故障时的历史模糊综合评价结果;其中,第g个变压器故障时的历史模糊综合评价结果为Bg=(b1g,b2g,…,bNg),b1g+b2g+…+bNg=1,g=1,2,…,G;
S22,分别计算各个变压器故障时的历史模糊综合评价结果对应的故障率序列;其中,计算第g个变压器故障时的历史模糊综合评价结果即(b1g,b2g,…,bNg)对应的故障率序列(λ1g,λ2g,…,λNg),计算方式如下所示:
其中,bng表示第g个变压器故障时的历史模糊综合评价结果中的第n个状态评语的隶属度;bnr表示第r个历史模糊综合评价结果中的第n个状态评语的隶属度;λng表示第g个变压器故障时的历史模糊综合评价结果中的第n个状态评语的隶属度bng所对应的故障率序列中的第n个故障率的值;
S23,按照步骤S21的方式,在T个统计周期内,分别提取出各个统计周期内的同类型的变压器的历史状态监测数据;其中,第t个统计周期内的历史状态监测数据为R(t)条,第t个统计周期内的此R(t)条历史状态监测数据中包括G(t)条变压器故障时的历史状态监测数据,G(t)≤R(t),t=1,2,…,T;
分别对第t个统计周期内的此R(t)条历史状态监测数据进行模糊综合评价,得到第t个统计周期内的R(t)个历史模糊综合评价结果;其中,第t个统计周期内的第r个历史模糊综合评价结果为r=1,2,…,R(t);
分别对第t个统计周期内的此G(t)条变压器故障时的历史状态监测数据进行模糊综合评价,得到第t个统计周期内的G(t)个变压器故障时的历史模糊综合评价结果;其中,第t个统计周期内的第g个历史模糊综合评价结果为g=1,2,…,G(t);
S24,按照步骤S22的方式,分别计算各个统计周期内的各个变压器故障时的历史模糊综合评价结果对应的故障率序列;其中,计算第t个统计周期内的第g个变压器故障时的历史模糊综合评价结果即对应的故障率序列计算方式如下所示:
其中,表示第t个统计周期内的第g个变压器故障时的历史模糊综合评价结果中的第n个状态评语的隶属度;表示第t个统计周期内的第r个历史模糊综合评价结果中的第n个状态评语的隶属度;表示第t个统计周期内的第g个变压器故障时的历史模糊综合评价结果中的第n个状态评语的隶属度所对应的故障率序列中的第n个故障率的值;
其中,G(t)为第t个统计周期内的变压器故障时的历史状态监测数据的总数量;R(t)为第t个统计周期内的历史状态监测数据的总数量,t为第t个统计周期,t=1,2,…,T。
S3,利用步骤S1的模糊综合评价模型,根据待计算的变压器的当前时刻的状态监测数据,对待计算的变压器进行模糊综合评价,得到该待计算的变压器的模糊综合评价结果为B=(b1,b2,…,bN)。
S4,利用步骤S2得到的故障率序列以及评语集与故障率序列之间的对应关系,根据步骤S3得到的该待计算的变压器的模糊综合评价结果(b1,b2,…,bN),得到该待计算的变压器的故障率序列中的各个故障率的隶属度,即得到该待计算的变压器的模糊故障率;
模糊综合评价结果为:第1个状态评语的隶属度为b1,第2个状态评语的隶属度为b2,第N个状态评语的隶属度为bN;
得到:第1个故障率的隶属度为b1,第2个故障率的隶属度为b2,第N个故障率的隶属度为bN,即该待计算的变压器的故障率序列中的第n个故障率的隶属度即为评语集B中的第n个状态评语的隶属度bn,n=1,2,…,N。
利用步骤S2得到同类型的变压器在当前时刻的前T个统计周期内的平均故障率和第p个状态评语所对应的第p个故障率的值本实施例的评语集中,从第1个状态评语至第N个状态评语,相对应的变压器的运行状态由良好逐渐转为严重,p=round(N*0.7),round(·)为四舍五入取整数的函数,并根据步骤S4得到的该待计算的变压器的故障率序列中的各个故障率的隶属度,判断该待计算的变压器发生故障的可能性;
找出该待计算的变压器的故障率序列中的隶属度最高的故障率,若该隶属度最高的故障率的值大于平均故障率且小于则认为该待计算的变压器的运行状态差于总体平均水平,该待计算的变压器发生故障的可能性较大,应着重关注,对该变压器加强监视并开展维修决策;若该隶属度最高的故障率的值大于平均故障率且大于则判断该待计算的变压器发生故障。
变压器总体模糊故障率越向右远离平均故障率,该变压器发生故障的可能性越大。
根据步骤S4得到的该待计算的变压器的故障率序列中的各个故障率的隶属度,主要用于后续的设备所在的区域电网系统可靠性评估中,量化设备失效对系统可靠性的影响,计算出的可靠性指标也具有模糊特性,可以为规划部门提供一个余裕范围,以估计输入数据不确定性对系统可靠性的影响,从系统层指导设备维修决策。
本发明中,变压器的历史状态监测数据定期进行更新,对应的,故障率序列、评语集与故障率序列之间的对应关系、平均故障率也定期进行更新。
本实施例中,统计数据为某地区的10年内的电网历史数据,同类型的变压器共包括有134条历史状态监测数据,其中,该同类型的变压器故障时的历史状态监测数据共为29条,即10年内,该同类型的所有变压器共发生29次故障,则10年内的平均故障率即相当于每年同类型中的每台变压器发生故障的次数为0.0216。
对该同类型的变压器的共134条历史状态监测数据和其中的29条变压器故障时的历史状态监测数据进行模糊综合评价,计算各个状态评语对应的故障率,得到故障率序列,构建评语集与故障率序列之间的对应关系,评语集的各个状态评语所对应的故障率如图3所示。
本实施例的评语集中共包括14个状态评语,从第1个状态评语至第14个状态评语,相对应的变压器的运行状态由良好逐渐转为严重,故p=round(14*0.7)=10,第10个状态评语所对应的第10个故障率的值为0.1228。
选取属于该同类型的变压器1作为待计算的变压器,根据变压器1的状态监测数据,对变压器1进行模糊综合评价,得到变压器1的模糊综合评价结果,变压器1的评语集中的各个状态评语的隶属度如图4所示。
利用评语集与故障率序列之间的对应关系,根据变压器1的模糊综合评价结果,得到变压器1的故障率序列中的各个故障率的隶属度,变压器1的故障率序列中的第n个故障率的隶属度即为评语集中的第n个状态评语的隶属度bn,将变压器1的故障率序列中的各个故障率的值作为横坐标,将变压器1的故障率序列中的各个故障率的隶属度作为纵坐标,形成故障率对隶属度数值的一组离散的点,再用分段拟合的方法将这些点连接起来,对分段拟合后的关系线的纵坐标进行归一化变换,使得纵坐标最大值为1,即对纵坐标归一化后的故障率与隶属度之间的关系线如图5所示,其中,隶属度最大的故障率的值约为0.032,大于平均故障率即0.0216,且小于第10个状态评语所对应的第10个故障率的值0.1228,因此,判断该变压器1发生故障的可能性较大,需对该变压器1加强监视并开展维修决策,经验证后,该变压器1绕组绝缘介损和绕组直流电阻互差状态监测量有轻微异常,若相近时刻有多台变压器被确定需要开展维修决策并计算模糊故障率,则具体变压器1的维修排序需要结合变压器失效对系统可靠性的影响程度、变压器状态等因素综合权衡。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (4)
1.一种基于状态监测信息的输变电设备模糊故障率计算方法,其特征在于,包括以下步骤:
S1,建立输变电设备的模糊综合评价模型;
模糊综合评价模型根据输变电设备的状态监测数据进行模糊综合评价,状态监测数据中包括M个不同评价指标的状态监测值;
模糊综合评价模型的输出即模糊综合评价结果为B={bn},n=1,2,…,N,即B=(b1,b2,…,bN);其中,B为评语集,bn为评语集B中的第n个状态评语的隶属度,共包括N个状态评语,b1+b2+…+bN=1;
S2,利用步骤S1的模糊综合评价模型,对同类型的输变电设备的历史状态监测数据进行模糊综合评价,根据同类型的输变电设备的历史状态监测数据的模糊综合评价结果,计算各个状态评语对应的故障率,得到故障率序列,构建评语集与故障率序列之间的对应关系;
历史状态监测数据包括输变电设备正常时的历史状态监测数据和输变电设备故障时的历史状态监测数据;
评语集B的N个状态评语分别与故障率序列中的N个故障率依次对应;
S3,利用步骤S1的模糊综合评价模型,根据待计算的输变电设备的当前状态检测数据,对待计算的输变电设备进行模糊综合评价,得到该待计算的输变电设备的模糊综合评价结果即评语集B=(b1,b2,…,bN);
2.根据权利要求1所述的一种基于状态监测信息的输变电设备模糊故障率计算方法,其特征在于,步骤S2和S3中,利用步骤S1的模糊综合评价模型进行模糊综合评价时,先判断状态监测数据是否异常,若状态监测数据中存在某一个或若干个评价指标的状态监测值超出对应的设定范围,则状态监测数据为异常,将状态监测值超出对应的设定范围的评价指标称为异常指标,其余的状态监测值未超出对应的设定范围的评价指标称为正常指标;
若状态监测数据为异常时,则对模糊综合评价模型中的各个评价指标的权重进行修改,修改方式如下所示:
正常指标的权重均修改为0,即wxh=0;
其中,wxh为第x个因素层下的第h个正常指标的修改后权重,h=1,2,…,Hx,第x个因素层下共包括Hx个正常指标;
异常指标的权重修改为:
其中,wxj为第x个因素层下的第j个异常指标的修改后权重,j=1,2,…,Jx,第x个因素层下共包括Jx个异常指标;
wxj (0)为第x个因素层下的第j个异常指标的原始权重。
3.根据权利要求1所述的一种基于状态监测信息的输变电设备模糊故障率计算方法,其特征在于,步骤S2中,包括以下具体步骤:
S21,在一个统计周期内,提取出同类型的输变电设备的历史状态监测数据,得到R条历史状态监测数据,此R条历史状态监测数据中包括G条输变电设备故障时的历史状态监测数据,G≤R;
分别对此R条历史状态监测数据进行模糊综合评价,得到R个历史模糊综合评价结果;其中,第r个历史模糊综合评价结果为Br=(b1r,b2r,…,bNr),b1r+b2r+…+bNr=1,r=1,2,…,R;
分别对此G条输变电设备故障时的历史状态监测数据进行模糊综合评价,得到G个输变电设备故障时的历史模糊综合评价结果;其中,第g个输变电设备故障时的历史模糊综合评价结果为Bg=(b1g,b2g,…,bNg),b1g+b2g+…+bNg=1,g=1,2,…,G;
S22,分别计算各个输变电设备故障时的历史模糊综合评价结果对应的故障率序列;其中,计算第g个输变电设备故障时的历史模糊综合评价结果即(b1g,b2g,…,bNg)对应的故障率序列(λ1g,λ2g,…,λNg),计算方式如下所示:
其中,bng表示第g个输变电设备故障时的历史模糊综合评价结果中的第n个状态评语的隶属度;bnr表示第r个历史模糊综合评价结果中的第n个状态评语的隶属度;λng表示第g个输变电设备故障时的历史模糊综合评价结果中的第n个状态评语的隶属度bng所对应的故障率序列中的第n个故障率的值;
S23,按照步骤S21的方式,在T个统计周期内,分别提取出各个统计周期内的同类型的输变电设备的历史状态监测数据;其中,第t个统计周期内的历史状态监测数据为R(t)条,第t个统计周期内的此R(t)条历史状态监测数据中包括G(t)条输变电设备故障时的历史状态监测数据,G(t)≤R(t),t=1,2,…,T;
分别对第t个统计周期内的此G(t)条输变电设备故障时的历史状态监测数据进行模糊综合评价,得到第t个统计周期内的G(t)个输变电设备故障时的历史模糊综合评价结果;其中,第t个统计周期内的第g个历史模糊综合评价结果为
S24,按照步骤S22的方式,分别计算各个统计周期内的各个输变电设备故障时的历史模糊综合评价结果对应的故障率序列;其中,计算第t个统计周期内的第g个输变电设备故障时的历史模糊综合评价结果即对应的故障率序列计算方式如下所示:
其中,表示第t个统计周期内的第g个输变电设备故障时的历史模糊综合评价结果中的第n个状态评语的隶属度;表示第t个统计周期内的第r个历史模糊综合评价结果中的第n个状态评语的隶属度;表示第t个统计周期内的第g个输变电设备故障时的历史模糊综合评价结果中的第n个状态评语的隶属度所对应的故障率序列中的第n个故障率的值;
4.根据权利要求1所述的一种基于状态监测信息的输变电设备模糊故障率计算方法,其特征在于,输变电设备的历史状态监测数据定期进行更新,评语集与故障率序列之间的对应关系也定期进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690092.0A CN113486499A (zh) | 2021-06-22 | 2021-06-22 | 一种基于状态监测信息的输变电设备模糊故障率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690092.0A CN113486499A (zh) | 2021-06-22 | 2021-06-22 | 一种基于状态监测信息的输变电设备模糊故障率计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486499A true CN113486499A (zh) | 2021-10-08 |
Family
ID=77933961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110690092.0A Pending CN113486499A (zh) | 2021-06-22 | 2021-06-22 | 一种基于状态监测信息的输变电设备模糊故障率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486499A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1851715A (zh) * | 2005-10-18 | 2006-10-25 | 宁波海太塑料机械有限公司 | 塑料注射过程中注塑件缺陷的智能修正方法及注塑机 |
CN108647431A (zh) * | 2018-05-09 | 2018-10-12 | 广东电网有限责任公司 | 一种变压器绝缘纸劣化故障率计算方法 |
CN109598435A (zh) * | 2018-11-30 | 2019-04-09 | 西安交通大学 | 一种配电网电缆运行状态评价方法及系统 |
CN112966990A (zh) * | 2021-05-18 | 2021-06-15 | 国网江西省电力有限公司电力科学研究院 | 一种变电设备综合状态评价方法 |
-
2021
- 2021-06-22 CN CN202110690092.0A patent/CN113486499A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1851715A (zh) * | 2005-10-18 | 2006-10-25 | 宁波海太塑料机械有限公司 | 塑料注射过程中注塑件缺陷的智能修正方法及注塑机 |
CN108647431A (zh) * | 2018-05-09 | 2018-10-12 | 广东电网有限责任公司 | 一种变压器绝缘纸劣化故障率计算方法 |
CN109598435A (zh) * | 2018-11-30 | 2019-04-09 | 西安交通大学 | 一种配电网电缆运行状态评价方法及系统 |
CN112966990A (zh) * | 2021-05-18 | 2021-06-15 | 国网江西省电力有限公司电力科学研究院 | 一种变电设备综合状态评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210003640A1 (en) | Fault locating method and system based on multi-layer evaluation model | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
CN107958292B (zh) | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 | |
CN110689234A (zh) | 一种基于多源数据融合的电力变压器状态评估方法 | |
Alqudsi et al. | Assessing the power transformer insulation health condition using a feature-reduced predictor mode | |
CN105675802A (zh) | 一种变压器故障的诊断方法 | |
CN102981108A (zh) | 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法 | |
CN107734512A (zh) | 一种基于灰度关联层次分析的网络选择方法 | |
US20120016824A1 (en) | Method for computer-assisted analyzing of a technical system | |
CN111612128A (zh) | 一种sf6高压断路器状态主动预警方法及装置 | |
CN110297712A (zh) | 一种面向区块链节点负载预测的arima组合预测方法 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
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 | |
CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
Liao et al. | A cloud and evidential reasoning integrated model for insulation condition assessment of high voltage transformers | |
CN113486499A (zh) | 一种基于状态监测信息的输变电设备模糊故障率计算方法 | |
CN110727912B (zh) | 一种电力二次设备差异化改造方案选择方法 | |
Palhares et al. | Bayesian network and compact genetic algorithm approach for classifying partial discharges in power transformers | |
CN113762345A (zh) | 一种油浸式变压器故障诊断方法及装置 | |
CN114186802A (zh) | 一种变压器故障状态评估方法、系统、介质及设备 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN115730506A (zh) | 一种基于信息决策的变压器油温异常预警方法 | |
CN115345392A (zh) | 一种配电网异常态势研判与关键指标筛选方法 |
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 |