CN114298188A - 一种电力设备故障智能分析方法及系统 - Google Patents

一种电力设备故障智能分析方法及系统 Download PDF

Info

Publication number
CN114298188A
CN114298188A CN202111564769.2A CN202111564769A CN114298188A CN 114298188 A CN114298188 A CN 114298188A CN 202111564769 A CN202111564769 A CN 202111564769A CN 114298188 A CN114298188 A CN 114298188A
Authority
CN
China
Prior art keywords
fault
information
diagnosis
equipment
faults
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
Application number
CN202111564769.2A
Other languages
English (en)
Inventor
曹灿
陈家威
曹学刚
宋承明
陈长征
陈海原
马杰
钟杰
薛佳佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202111564769.2A priority Critical patent/CN114298188A/zh
Publication of CN114298188A publication Critical patent/CN114298188A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明公布了一种电力设备故障智能分析方法及系统，首先收集变电站电力设备故障信息以及相应的诊断结果，构建设备故障集，随后实时监控电力设备运行状态，对原始故障信息中的重复信息进行删减从而提高诊断系统的诊断效率；之后根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，并基于贝叶斯网络进行设备故障诊断；根据诊断结果确定对应的处理方案并解决设备故障，并将相应故障情况及处理结果存入数据库，本次故障信息中将影响故障的关键特征词逐一标记。本发明的技术方案有效弥补了人工管理电力设备的局限，能够实时提供数据参考，且可以有效的缩短因设备故障而造成的设备停运时间并减少小故障、常见故障的发生。

Description

一种电力设备故障智能分析方法及系统
技术领域
本发明属于电力设备检修领域，特别涉及一种电力设备故障智能分析方法及系统。
背景技术
变电站是电力系统变换电压等级、汇集电流与接收分配电能的重要场所。但由于变电站自身结构和构建环境的复杂性，导致变电站设备受到损害并发生故障的几率大幅上升。对设备的运行状态进行检测并及时找到排除故障，对变电站的安全运行具有非常重要的意义。
目前，变电站设备日常运行问题的解决策略在书籍中难以找到，长期以来运行人员往往是根据多年积累的经验对变电站设备进行管理。然而这些经验的积累要求具有较长时间的实际操作经验和广泛的知识。在诊断变电站元件故障时，因为变电站故障表现形式具备多样性、不确定性、盲目提取特征等特点，使得所提取的故障特征信息中包含有大量冗余或不匹配的信息，从而对诊断的时效性和快速性产生影响，并且计算工作量大大增加，所以必须对这些冗余的信息加以约减使结果更加精确。
发明内容
本发明的目的在于快速诊断故障，找到排除故障的方法，有效的缩短因设备故障而造成的设备停运时间。同时通过故障诊断系统预防并减少小故障、常见故障的发生。
实现本发明目的的技术解决方案为：
一种电力设备故障智能分析方法，包括以下步骤：
步骤1、收集变电站电力设备故障信息以及相应的诊断结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码，并分别形成唯一数据库关键字段；
步骤2、实时监控电力设备运行状态，当发生故障时，对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
步骤3、根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断；
步骤4、根据诊断结果确定对应的处理方案；
步骤5、解决设备故障，并将相应故障现象、处理方案及处理结果存入数据库，本次故障信息中将影响故障的关键特征词逐一标记。
一种电力设备故障智能分析系统，包括以下模块：
数据库模块：用于收集故障信息以及相应诊断结果，针对每个设备故障现象、处理方案及处理结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码，并分别形成唯一数据库关键字段；
监控模块：用于实时监控电力设备运行状态，且当发生故障时，对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
诊断模块：用于根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断。
本实发明与现有技术相比，其显著优点在于：
(1)本发明的技术方案弥补了人工管理电力设备的局限，能够实时提供数据参考。
(2)本发明的技术方案有效的缩短因设备故障而造成的设备停运时间并减少小故障、常见故障的发生。
(3)本发明的技术方案提高变电站设备运行的智能化水平，为打造安全、稳定、智能化地区电网奠定基础。
下面结合附图和具体实施方式对本发明做进一步的描述。
附图说明
图1为本发明的电力设备故障智能分析方法步骤流程图。
具体实施方式
一种电力设备故障智能分析方法，包括以下步骤：
步骤1、收集变电站电力设备故障信息以及相应的诊断结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码(如：高温、湿度大、电流大、电压低、短路等)，并分别形成唯一数据库关键字段；
步骤2、实时监控电力设备运行状态，当发生故障时，由于来自不同信息系统的故障信息同步上传，变电站终端收到的原始故障信息中存在大量重复信息以及无用信息，因此需要对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
其中，所述实时监控电力设备运行状态，具体包括电力设备运行时的电流、电压、温度、湿度。
其中，所述对原始信息进行筛查，具体包括以下步骤：
步骤2-1、将原始故障信息根据时序排序，输入到相似度计算模型中：
Figure BDA0003421739770000031
其中，N(A，B)表示字符串A，B之间的最长公共子串长度，Len(A)，Len(B)分别表示字符串A和B的长度，当计算结果为1时，说明两条信息完全一致；
步骤2-2、删除相似度计算结果为1的两条故障信息中的一条，遍历所有原始故障信息，最终得到无重复的故障诊断信息。
步骤3、根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断，具体为：
步骤3-1、以故障元件构建决策属性集，以断路器和相关保护信息为条件属性，根据保护动作原理，将各种可能发生的故障情况考虑在内，制作决策表；
步骤3-2、运用主成分分析法对决策表实施属性约简，从而使得属性约简达到最优，然后更新决策表；
主成分分析(Principal Component Analysis，PCA)方法于1901由Pearson首先提出，其在标准的多元统计方法中被归类为一种有效的数学工具。PCA算法的核心是对空间变换方式的求取，使得标准化后的原始变量被若干个向量线性表出，并且各个向量之间两两正交。因此可以依据样本间自变量差异的大小来定义样本集在该向量上的投影坐标，而第二个向量至第n个向量对这种差异的反映程度逐级降低，将这些向量称为主成分。
因为主成分向量P是原始自变量的线形表达，那么各主成分必然会含有不同的原始自变量信息。鉴于此引入一个主成分的贡献率，来衡量主成分所包含的信息量。假设主成分对系统信息的贡献率μj为：
Figure BDA0003421739770000032
式中λj为主成分向量的本征值大小，λj为其余成分向量的本征值大小，主成分个数为M。
用主成分向量的本征值大小代表对应的主成分样本的偏差程度，因此样本差异的信息能够通过所定义的贡献率观察得出。从统计学的角度出发，考虑降维后构成低维空间的M个主成分对应的贡献率之和应满足：
Figure BDA0003421739770000041
步骤3-3、在更新后的决策表的基础上，构建贝叶斯网络，采集故障数据，然后更新和添加诊断先验数据库中已有的节点因果关系和先验参数，最后形成变电站设备的故障诊断模型；
步骤3-4、故障实时诊断，通过对SCADA系统和调度中心根据实时传来的保护断路器动作等信息的故障诊断先验数据库的调查推导，把更新后得故障特征复制到已经成型的贝叶斯故障诊断模型里，通过推理记录故障原因，确定各种故障发生的概率，完成设备故障的诊断。
步骤4、根据诊断结果确定对应的处理方案；
步骤5、解决设备故障，并将相应故障现象、处理方案及处理结果存入数据库，本次故障信息中将影响故障的关键特征词逐一标记。
一种电力设备故障智能分析系统，包括以下模块：
数据库模块：用于收集故障信息以及相应诊断结果，针对每个设备故障现象、处理方案及处理结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码，并分别形成唯一数据库关键字段；
监控模块：用于实时监控电力设备运行状态，且当发生故障时，对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
诊断模块：用于根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤1、收集变电站电力设备故障信息以及相应的诊断结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码，并分别形成唯一数据库关键字段；
步骤2、实时监控电力设备运行状态，当发生故障时，对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
步骤3、根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断；
步骤4、根据诊断结果确定对应的处理方案；
步骤5、解决设备故障，并将相应故障现象、处理方案及处理结果存入数据库，本次故障信息中将影响故障的关键特征词逐一标记。
一种计算机可存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
步骤1、收集变电站电力设备故障信息以及相应的诊断结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码，并分别形成唯一数据库关键字段；
步骤2、实时监控电力设备运行状态，当发生故障时，对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
步骤3、根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断；
步骤4、根据诊断结果确定对应的处理方案；
步骤5、解决设备故障，并将相应故障现象、处理方案及处理结果存入数据库，本次故障信息中将影响故障的关键特征词逐一标记。
下面结合附图和实施例对本发明做进一步的描述。
具体实施方式
结合图1，一种电力设备故障智能分析方法，包括以下步骤：
步骤1、收集变电站电力设备故障信息以及相应的诊断结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码(如：高温、湿度大、电流大、电压低、短路等)，并分别形成唯一数据库关键字段；
步骤2、实时监控电力设备运行状态，当发生故障时，由于来自不同信息系统的故障信息同步上传，变电站终端收到的原始故障信息中存在大量重复信息以及无用信息，因此需要对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
其中，所述实时监控电力设备运行状态，具体包括电力设备运行时的电流、电压、温度、湿度。
其中，所述对原始信息进行筛查，具体包括以下步骤：
步骤2-1、将原始故障信息根据时序排序，输入到相似度计算模型中：
Figure BDA0003421739770000061
其中，N(A，B)表示字符串A，B之间的最长公共子串长度，Len(A)，Len(B)分别表示字符串A和B的长度，当计算结果为1时，说明两条信息完全一致；
步骤2-2、删除相似度计算结果为1的两条故障信息中的一条，遍历所有原始故障信息，最终得到无重复的故障诊断信息。
步骤3、根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断，具体为：
步骤3-1、以故障元件构建决策属性集，以断路器和相关保护信息为条件属性，根据保护动作原理，将各种可能发生的故障情况考虑在内，制作决策表；
步骤3-2、运用主成分分析法对决策表实施属性约简，从而使得属性约简达到最优，然后更新决策表；
主成分分析(Principal Component Analysis，PCA)方法于1901由Pearson首先提出，其在标准的多元统计方法中被归类为一种有效的数学工具。PCA算法的核心是对空间变换方式的求取，使得标准化后的原始变量被若干个向量线性表出，并且各个向量之间两两正交。因此可以依据样本间自变量差异的大小来定义样本集在该向量上的投影坐标，而第二个向量至第n个向量对这种差异的反映程度逐级降低，将这些向量称为主成分。
因为主成分向量P是原始自变量的线形表达，那么各主成分必然会含有不同的原始自变量信息。鉴于此引入一个主成分的贡献率，来衡量主成分所包含的信息量。假设主成分对系统信息的贡献率μj为：
Figure BDA0003421739770000071
式中λj为主成分向量的本征值大小，λi为其余成分向量的本征值大小，主成分个数为M。
用主成分向量的本征值大小代表对应的主成分样本的偏差程度，因此样本差异的信息能够通过所定义的贡献率观察得出。从统计学的角度出发，考虑降维后构成低维空间的M个主成分对应的贡献率之和应满足：
Figure BDA0003421739770000072
步骤3-3、在更新后的决策表的基础上，构建贝叶斯网络，采集故障数据，然后更新和添加诊断先验数据库中已有的节点因果关系和先验参数，最后形成变电站设备的故障诊断模型；
步骤3-4、故障实时诊断，通过对SCADA系统和调度中心根据实时传来的保护断路器动作等信息的故障诊断先验数据库的调查推导，把更新后得故障特征复制到已经成型的贝叶斯故障诊断模型里，通过推理记录故障原因，确定各种故障发生的概率，完成设备故障的诊断。
步骤4、根据诊断结果确定对应的处理方案；
步骤5、解决设备故障，并将相应故障现象、处理方案及处理结果存入数据库，本次故障信息中将影响故障的关键特征词逐一标记。

Claims (7)

1.一种电力设备故障智能分析方法，其特征在于，包括以下步骤：
步骤1、收集变电站电力设备故障信息以及相应的诊断结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码，并分别形成唯一数据库关键字段；
步骤2、实时监控电力设备运行状态，当发生故障时，对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
步骤3、根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断；
步骤4、根据诊断结果确定对应的处理方案；
步骤5、解决设备故障，并将相应故障现象、处理方案及处理结果存入数据库，本次故障信息中将影响故障的关键特征词逐一标记。
2.根据权利要求1所述的电力设备故障智能分析方法，其特征在于，所述步骤2中的实时监控电力设备运行状态，具体包括电力设备运行时的电流、电压、温度、湿度。
3.根据权利要求1所述的电力设备故障智能分析方法，其特征在于，所述步骤2中的对原始信息进行筛查，具体为：
步骤2-1、将原始故障信息根据时序排序，输入到相似度计算模型中：
Figure FDA0003421739760000011
其中，N(A，B)表示字符串A，B之间的最长公共子串长度，Len(A)，Len(B)分别表示字符串A和B的长度，当计算结果为1时，说明两条信息完全一致；
步骤2-2、删除相似度计算结果为1的两条故障信息中的一条，遍历所有原始故障信息，最终得到无重复的故障诊断信息。
4.根据权利要求1所述的电力设备故障智能分析方法，其特征在于，所述步骤3中的基于贝叶斯网络进行设备故障诊断，具体为：
步骤3-1、以故障元件构建决策属性集，以断路器和相关保护信息为条件属性，根据保护动作原理，将各种可能发生的故障情况考虑在内，制作决策表；
步骤3-2、运用主成分分析法对决策表实施属性约简，从而使得属性约简达到最优，然后更新决策表；
步骤3-3、在更新后的决策表的基础上，构建贝叶斯网络，采集故障数据，然后更新和添加诊断先验数据库中已有的节点因果关系和先验参数，最后形成变电站设备的故障诊断模型；
步骤3-4、故障实时诊断，通过对SCADA系统和调度中心根据实时传来的保护断路器动作等信息的故障诊断先验数据库的调查推导，把更新后得故障特征复制到已经成型的贝叶斯故障诊断模型里，通过推理记录故障原因，确定各种故障发生的概率，完成设备故障的诊断。
5.一种电力设备故障智能分析系统，其特征在于，包括以下模块：
数据库模块：用于收集故障信息以及相应诊断结果，针对每个设备故障现象、处理方案及处理结果，针对不同设备的故障现象、处理方案及处理结果，构建设备故障集，单一故障信息中将影响故障的关键特征词逐一标记，作为判别故障类别的特征码，并分别形成唯一数据库关键字段；
监控模块：用于实时监控电力设备运行状态，且当发生故障时，对原始故障信息中的重复信息以及无用信息进行删减从而提高诊断系统的诊断效率；
诊断模块：用于根据删减后的故障信息的特征词遍历数据库中案例的所有相关信息，进行特性匹配，推出特征词相同数量排名前列的案例，对这些相关案例基于贝叶斯网络进行设备故障诊断。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述方法的步骤。
7.一种计算机可存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
CN202111564769.2A 2021-12-20 2021-12-20 一种电力设备故障智能分析方法及系统 Pending CN114298188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111564769.2A CN114298188A (zh) 2021-12-20 2021-12-20 一种电力设备故障智能分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111564769.2A CN114298188A (zh) 2021-12-20 2021-12-20 一种电力设备故障智能分析方法及系统

Publications (1)

Publication Number Publication Date
CN114298188A true CN114298188A (zh) 2022-04-08

Family

ID=80967821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111564769.2A Pending CN114298188A (zh) 2021-12-20 2021-12-20 一种电力设备故障智能分析方法及系统

Country Status (1)

Country Link
CN (1) CN114298188A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115566970A (zh) * 2022-10-11 2023-01-03 深能智慧能源科技有限公司 一种新型储能光伏电站系统及其控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115566970A (zh) * 2022-10-11 2023-01-03 深能智慧能源科技有限公司 一种新型储能光伏电站系统及其控制方法

Similar Documents

Publication Publication Date Title
KR102574016B1 (ko) 파워 네트워크 애셋들의 조건 분류를 위한 방법들 및 디바이스들
CN109936113B (zh) 一种基于随机森林算法的保护动作智能诊断方法及系统
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN116881675B (zh) 一种基于贝叶斯算法的电力设备状态监测方法
CN107784392A (zh) 一种基于机器学习的输电线路的缺陷预测方法及装置
US11656589B2 (en) Systems and methods for automatic power topology discovery
CN111624986A (zh) 基于案例库的故障诊断方法和系统
CN112379325A (zh) 一种用于智能电表的故障诊断方法及系统
CN105471647A (zh) 一种电力通信网故障定位方法
CN117041029A (zh) 网络设备故障处理方法、装置、电子设备及存储介质
CN114298188A (zh) 一种电力设备故障智能分析方法及系统
CN112949874B (zh) 一种配电终端缺陷特征自诊断方法及系统
CN113987724A (zh) 基于拓扑分析的电网风险辨识方法及系统
CN116225752A (zh) 基于故障模式库的微服务系统故障根因分析方法及系统
CN116245212A (zh) 基于pca-lstm的电力数据异常检测与预测方法及系统
CN114385403A (zh) 基于双层知识图谱架构的分布式协同故障诊断方法
CN112329432B (zh) 一种基于改进Apriori的配电网电压越限问题关联分析方法
Zhao et al. A decision tree approach for power transformer insulation fault diagnosis
US20240037387A1 (en) Power transformer fault diagnosis method based on stacked time series network
Lu et al. Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network
CN115684835B (zh) 配电网故障诊断方法、装置、设备及存储介质
CN113890018B (zh) 一种基于数据关联分析的配电网薄弱点辨识方法
CN116821829A (zh) 基于关联规则分析的变压器故障分析方法及装置
Liu et al. Meter Fault Causes Separation Based on Cyclic Iterative Algorithm
US20240054259A1 (en) Method for identifying fragile lines in power grids based on electrical betweenness

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