CN114400776B - 基于数字镜像的变电站自动化设备状态诊断方法和系统 - Google Patents
基于数字镜像的变电站自动化设备状态诊断方法和系统 Download PDFInfo
- Publication number
- CN114400776B CN114400776B CN202210022507.1A CN202210022507A CN114400776B CN 114400776 B CN114400776 B CN 114400776B CN 202210022507 A CN202210022507 A CN 202210022507A CN 114400776 B CN114400776 B CN 114400776B
- Authority
- CN
- China
- Prior art keywords
- index
- state
- equipment
- automation equipment
- mirror image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000003745 diagnosis Methods 0.000 title claims description 79
- 238000004891 communication Methods 0.000 claims abstract description 52
- 238000012423 maintenance Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 60
- 239000013307 optical fiber Substances 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002441 reversible effect Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 13
- 241000272814 Anser sp. Species 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000011664 signaling Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract 1
- 238000011112 process operation Methods 0.000 abstract 1
- 230000036541 health Effects 0.000 description 5
- 239000000835 fiber Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
- H02J13/00034—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving an electric power substation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
基于数字镜像的变电站自动化设备状态诊断方法和系统，该方法分析智能变电站自动化设备内部可用状态参量，利用智能运维网关机实时采集、分析、处理站内自动化设备的运行工况，提取出能够表征二次设备的运行状态关键信息，采用数据通信传输协议将自动化设备全景工况信息上传到远方主站，结合自动化历史运行数据，基于自动化设备全过程运行工况和设备参数形成数字化镜像，利用数字镜像进行设备状态评价和验证关键影响因子对自动化设备状态影响方法，根据数字镜像状态评价预测的结果及实时状态的分析，对自动化设备的状态进行评估和优化，能够有效的提高解决了自动化设备与其支撑业务功能的状态感知与评估问题，提高电网自动化业务可靠性水平。
Description
技术领域
本发明属于电力自动化设备状态监测技术领域，具体涉及基于数字镜像的变电站自动化设备状态诊断方法和系统。
背景技术
对智能变电站而言，自动化设备运行状态诊断是保障电网安全、经济运行，开展状态检修的基础，其核心是建立合理的设备状态诊断模型。基于自动化设备的状态诊断结果，就能够制定一系列切合实际状况的自动化设备检修策略，最终实现电网安全、经济运行的目标，既能节约大量设备维修费用和资源，又能有效提高设备运行的可靠性，体现出极大的经济优势。
智能变电站自动化设备状态监测以及其监测状态数据的综合利用，都有赖于自动化设备相关在线监测信息的及时获取和分析。同时自动化设备的状态除了在运行中每时每刻的状态外，还需考虑设备的故障受之前设备运行情况的影响，即累积因素对设备当前状态的影响。因此对于设备的运行状态的研究需要从各方面加以分析和诊断，一方面要分析利用当下设备运转情况的各个动态数据资料，另一方面要收集分析之前的设备运作与检修过程所记录下的数据，同时也需要通过设备以外的相关资料如同类型设备的基础资料数据，从这几个方面对设备当前运行状况采取全方位的分析与诊断。因此，智能站自动化设备的状态特征量可由装置基础数据、光模块光强、电源、温度、CPU温度、电源电压、SV及GOOS异常告警等状态监测数据，设备状态历史数据，同类型设备相关数据等部分内容组成，从而使诊断指标全面、真实地反映自动化设备的运行状态。但是，这些诊断特征项反映智能变电站二次设备的性能优劣情况的程度是不同的，如何综合利用这些诊断特征构建诊断指标体系以客观准确的对自动化设备的运行状态进行诊断一直是重点和难点。现有的诊断方法仅针对已有的故障对自动化设备的影响做研究，而忽略了多种故障、多种场景下不同状态特征量多装置的影响。
数字镜像通过设计工具、仿真工具、物联网、虚拟现实等各种数字化的手段，将物理设备的各种属性映射到虚拟空间中，形成可拆解、可复制、可转移、可修改、可删除、可重复操作的数字镜像，极大的加速了操作人员对物理实体的了解，可以让很多原来由于物理条件限制、必须依赖于真实的物理实体而无法完成的操作，如模拟仿真、批量复制、虚拟装配等，成为触手可及的工具，从而探索新的途径来优化设计、制造和服务。
通过读取智能工业产品的传感器或者控制系统的各种实时参数，构建可视化的远程监控，并给予采集的历史数据，构建层次化的部件、子系统乃至整个设备的健康指标体系，并使用人工智能实现趋势预测；基于预测的结果，对维修策略以及备品备件的管理策略进行优化，降低和避免客户因为非计划停机带来的损失。通过海量采集的数据，构建起针对不同应用场景、不同生产过程的经验模型，帮助优化系统参数配置，改善产品质量和生产效率。例如，利用各种关键指标数据以及根据历史数据的发展趋势，对设备或系统关键部件的性能进行评估，并根据部件性能预测的结果，调整和优化维修的策略；同时，还能够根据装置或系统的实时状态的分析，对装置或系统的工作效率进行诊断和优化，使其得以有效的提高。
本发明致力于从变电站自动化设备状态评价角度出发，以保障变电站自动化设备日常运行和维护，支撑智能变电站状态检修为目标，构建智能变电站自动化设备智能运维管控数字镜像平台，在不影响设备本身日常运行状态的前提下，利用各种关键指标数据，和历史数据的发展趋势，对设备或系统关键部件的性能进行诊断，提升自动化设备运行监视、运维管控与预警诊断技术水平，满足变电站自动化设备远程状态诊断和设备数字虚拟化要求，推进自动化设备状态诊断向数字化、自动化、标准化和远程化方向发展。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于数字镜像的变电站自动化设备状态诊断方法和系统，以构建智能变电站自动化设备数字镜像为核心，诊断自动化设备状态现状和状态趋势，保障变电站自动化设备日常运行和维护，支撑智能变电站状态检修。通过利用建立的数字镜像模型，通过调整影响因子权重，从而发现权重对镜像设备的影响，从而映射影响因子在现实环境中对设备的影响情况。
本发明采用如下的技术方案：
基于数字镜像的变电站自动化设备状态诊断方法，包括：
步骤1，采集变电站自动化设备的状态特征量；
步骤2，根据状态特征量建立状态诊断指标体系，状态诊断指标体系包括一级指标和二级指标；其中，一级指标包括：时间性能、通信性能、运行工况和装置硬件性能；每项一级指标对应多项二级指标；
步骤3，基于层次分析法，分别构造一级指标的第一级判断矩阵，二级指标的第二级判断矩阵；其中，一级指标的重要性标度是第一级判断矩阵的元素，二级指标的重要性标度是第二级判断矩阵的元素；
步骤4，分别对第一级判断矩阵和第二级判断矩阵进行求解以获得一级指标初始权重W0和多项二级指标初始权重；二级指标初始权重包括：时间性能初始权重通信性能初始权重/>运行工况初始权重/>和装置硬件性能初始权重/>
步骤5，基于数字镜像技术，构建变电站自动化设备状态诊断的数字镜像模型；按照状态诊断指标体系，从状态特征量中分别获取各项二级指标的测试值；使用各项二级指标的测试值作为数字镜像模型的状态诊断影响因子；
步骤6，在数字镜像模型中，利用状态诊断影响因子分别对时间性能初始权重、通信性能初始权重、运行工况初始权重和装置硬件性能初始权重进行变权计算，得到时间性能变权重W1、通信性能变权重W2、运行工况变权重W3和装置硬件性能变权重W4；
步骤7，利用各项二级指标变权重和各项二级指标的评分，构建加权平均和模型，利用模型获得二次设备初始评分；根据二次设备评分，对自动化设备业务功能状态进行诊断。
优选地，步骤1中，变电站自动化设备的状态特征量包括：设备状态监测数据，设备状态历史数据，同类型设备家族性状态相关数据；
其中，设备状态监测数据包括：装置基础数据、光模块光强、电源、温度、CPU温度、电源电压、SV及GOOSE异常告警。
优选地，步骤2中，时间性能U1对应的二级指标包括：对时误差U11、遥信发送延时U12、事件顺序记录分辨率U13、装置对时异常告警次数U14；
通信性能U2对应的二级指标包括：光纤接口发送光强U21、光纤接口接收光强U22、SV光纤链路中断次数U23、GOOSE光纤链路中断次数U24、MMS网络中断次数U25；
运行工况U3对应的二级指标包括：错误动作指令记录U31、装置温度U32、装置电源电压U33、CPU温度U34、装置湿度U35；
装置硬件性能U4对应的二级指标包括：装置异常告警次数U41、RAM出错次数U42、FLASH出错次数U43、装置参数出错次数U44、装置投运时间U45、同型号设备家族故障率U46。
优选地，步骤3包括：
步骤3.1，基于层次分析法，利用“1-9标度”法，将第i项一级指标Ui相比第j项一级指标Uj的重要性标度赋值为aij，其中i≠j；
以重要性标度aij作为第一级判断矩阵A的第i行第j列的元素，并且满足aii＝1，aij＝1/aji；
步骤3.2，在第i项一级指标Ui下，利用“1-9标度”法，将第p项二级指标Uip相比第q项一级指标Uiq的重要性标度赋值为其中p≠q；
以重要性标度作为第i项一级指标Ui对应的第二级判断矩阵Bi的第p行第q列的元素，并且满足/>
优选地，步骤4包括：
步骤4.1，求解第一级判断矩阵A的特征向量解，作为一级指标初始权重W0；
步骤4.2，求解第二级判断矩阵Bi的特征向量解，分别作为时间性能初始权重通信性能初始权重/>运行工况初始权重/>和装置硬件性能初始权重/>
其中，第一级判断矩阵和第二级判断矩阵进行求解的过程包括：
1)对判断矩阵每一列元素进行归一化处理；
2)把归一化后的判断矩阵按行求和，得到向量W′；
3)对向量W′作归一化处理，得到判断矩阵的特征向量解。
优选地，步骤5还包括：按照状态诊断指标体系，从人工判断信息和历史告警信息中分别获取各项二级指标的测试值；按照状态诊断指标体系，基于深度学习方法，通过数据迭代从现场实际状态告警信息中，分别获取各项二级指标的测试值。
优选地，步骤6，在数字镜像模型中，利用状态诊断影响因子以如下所示的变权公式计算得到时间性能变权重W1、通信性能变权重W2、运行工况变权重W3和装置硬件性能变权重W4：
式中，
Wi为第i项一级指标Ui下的第二指标变权重,其中i＝1,2,3,4
为第i项一级指标Ui下的第二指标初始权重，
Si为第i项状态变权函数,
为二级指标下的第k项初始权重，
Sk为第k项状态变权函数，
k＝1,2,…,n，n为二级指标的数量；
利用W1，W2，W3，W4构成一组全权向量，通过调整状态诊断影响因子以改变状态变权函数，将全权向量对变电站自动化设备镜像模型状态的影响，映射为全权向量对变电站自动化设备状态的影响；
其中，当各项二级指标是反向指标和区间指标时，状态变权函数满足如下关系式：
式中，
Si1为第i项一级指标Ui下的二级指标为反向指标时的状态变权函数，
umax_i为第i项一级指标Ui下的状态诊断影响因子最大值，
umin_i为第i项一级指标Ui下的状态诊断影响因子最小值，
ui为第i项一级指标Ui下的状态诊断影响因子；
当各项二级指标是正向指标时，状态变权函数满足如下关系式：
式中，
Si2为第i项一级指标Ui下的二级指标为正向指标时的状态变权函数。
反向指标包括：对时误差U11、遥信发送延时U12、事件顺序记录分辨率U13、装置对时异常告警次数U14、SV光纤链路中断次数U23、GOOSE光纤链路中断次数U24、MMS网络中断次数U25、错误动作指令记录U31、装置异常告警次数U41、RAM出错次数U42、FLASH出错次数U43、装置参数出错次数U44、装置投运时间U45、同型号设备家族故障率U46；
正向指标包括：光纤接口发送光强U21、光纤接口接收光强U22；
区间指标包括：装置温度U32、装置电源电压U33、CPU温度U34、装置湿度U35。
优选地，步骤7包括：
步骤7.1，按照状态诊断指标体系，由专家对各项二级指标逐个评分；
步骤7.2，在第i项一级指标Ui下，利用对应的二级指标变权重与各项二级指标的评分，通过加权平均和计算，得到第i项一级指标Ui的评分；
步骤7.3，利用一级指标初始权重和各项一级指标的评分，通过加权平均和计算，得到二次设备评分；
步骤7.4，根据二次设备评分，对自动化设备业务功能状态进行诊断。
11.基于数字镜像的变电站自动化设备状态诊断系统，变电站自动化设备运维平台主站部署在调度端，负责与变电站自动化设备运维网关机进行数据交互。其中，变电站自动化设备包括：测控装置、通信网关机、监控系统、网络交换机、授时装置、PMU、网络分析仪、保测一体装置。
所述状态诊断系统采用分层结构，包括：部署在调度端的变电站自动化设备运维平台主站，部署在变电站站端的智能运维网关机；
智能运维网关机作为数据采集单元，用于利用智能变电站站控层网络通信环境对变电站自动化设备的运行信息与参数配置进行实时采集；
智能运维网关机通过电力数据网，基于数据通信协议将变电站自动化设备模型、设备实时运行信息、参数配置、运维文件、历史数据及同类型数据上传至智能变电站自动化设备运维平台主站；其中，变电站自动化设备模型包括：设备台账信息、通信状态信息、自检告警信息、设备资源信息、内部环境信息、对时状态信息、参数配置信息；
在智能变电站自动化设备运维平台主站内，基于从智能运维网关机上传来的数据，构建自动化设备物理数字镜像平台；由自动化设备数字镜像平台完成自动化设备的建模；其中，变电站自动化设备镜像模型包括：测控装置镜像模型、通信网关机镜像模型、监控系统镜像模型、网络交换机镜像模型、授时装置镜像模型、PMU镜像模型、网络分析仪镜像模型、保测一体装置镜像模型；
在自动化设备数字镜像平台内，通过调整自动化设备影响因子，查看影响因子对自动化设备镜像模型的影响，从而对自动化物理实体状态进行状态预警。
本发明的有益效果在于：
(1)本发明的变电站自动化设备状态诊断方法和系统基于数字镜像平台进行，建立的数字镜像平台上的自动化设备模型可拆解、可复制、可转移、可修改、可删除、可重复操作，灵活性、适应性和扩展性极强，适用于各种自动化设备的状态诊断；
(2)本发明的基于数字镜像平台的变电站自动化设备状态诊断方法和系统利用各种关键指标数据，和历史数据的发展趋势，对设备或系统关键部件的性能进行评估，综合考虑了当前运行数据、历史运行数据以及同类型设备的数据，将多个状态特征量全面作为诊断指标，构建了更为科学的层次诊断指标体系，并采用优化的诊断方法，诊断结果更为科学、准确；
(3)本发明的基于数字镜像平台的变电站自动化设备状态诊断方法和系统引入自动化设备影响因子，剥离外界因素对数字镜像平台中物理实体和镜像体差异性的影响，准确反映复杂、数据量庞大的设备状态信息在不同方面和不同层次对性能优劣的影响。通过确定自动化设备状态评价所有关键性影响因子，构建设备状态影响因子权重系数诊断方法，使镜像体最大程度还原物理实体的状态诊断影响指标，通过调整自动化设备影响因子，查看影响因子对自动化设备镜像影响，从而能够对自动化物理实体状态进行预警；
(4)本发明的基于数字镜像平台的变电站自动化设备状态诊断方法和系统不影响设备本身的日常运行状态，大大提升自动化设备运行监视、运维管控与预警诊断技术水平，满足变电站自动化设备远程状态诊断和设备数字虚拟化要求，推进自动化设备状态诊断向数字化、自动化、标准化和远程化方向发展；
(5)本发明的基于数字镜像平台的变电站自动化设备状态诊断方法和系统印证了数字镜像在电力系统的可实践性和可操作性，为电力系统仿真提供了新的解决思路。
附图说明
图1是本发明基于数字镜像的变电站自动化设备状态诊断系统中的变电站自动化设备数字镜像平台建立的示意图；
图1中的附图标记说明如下：
1-变电站自动化设备运维平台主站；
2-智能运维网关机；
3-自动化设备数字镜像平台；
31-测控装置镜像模型；32-通信网格机镜像模型；33-监控系统镜像模型；34-网络交换机镜像模型；35-授时装置镜像模型；36-PMU镜像模型；37-网络分析仪镜像模型；38-保测一体装置镜像模型；
4-变电站自动化设备；
41-测控装置；42-通信网关机；43-监控系统；44-网络交换机；45-授时装置；46-PMU；47-网络分析仪；48-保测一体装置；
图2是本发明的基于数字镜像平台的变电站自动化设备状态诊断系统的组成图；
图3是本发明的基于数字镜像的变电站自动化设备状态诊断方法的步骤框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的变电站自动化设备数字镜像平台的建立如图1所示。
采用分层设计理念，变电站自动化设备运维平台主站1部署在调度端，智能运维网关机2部署在变电站站端，智能运维网关机2通过电力数据网向变电站自动化设备运维平台主站1发送电力数据；自动化设备数字镜像平台3部署在变电站自动化设备运维平台主站1内。
部署在变电站站端的智能运维网关机2作为数据采集单元，负责对变电站自动化设备4进行信息采集和建模。具体而言，智能运维网关机2利用智能变电站站控层网络通信环境实时采集变电站自动化设备4的运行信息与参数配置。
变电站自动化设备4包括：测控装置41、通信网关机42、监控系统43、网络交换机44、授时装置45、PMU 46、网络分析仪47与保测一体装置48。变电站自动化设备模型包括：设备台账信息、通信状态信息、自检告警信息、设备资源信息、内部环境信息、对时状态信息、参数配置信息。
变电站自动化设备运维平台主站1，负责与智能运维网关机2进行数据交互。智能运维网关机2与智能变电站自动化设备运维平台主站1通过电力数据网，采用数据通信协议完成智能站全站自动化设备模型、设备实时运行工况、参数配置与运维文件、历史数据及同类型的数据上传。
基于智能运维网关机2上送的全站自动化设备实时数据和各设备的历史数据、家族性设备数据，由自动化设备数字镜像平台3完成变电站自动化设备的镜像建模。变电站自动化设备镜像模型包括：测控装置镜像模型31、通信网关机镜像模型32、监控系统镜像模型33、网络交换机镜像模型34、授时装置镜像模型35、PMU镜像模型36、网络分析仪镜像模型37、保测一体装置镜像模型38。
在图1中，变电站自动化设备4均为物理实体，通过智能运维网关机2和变电站自动化设备运维平台主站1以及站控层网络和电力数据网，对物理实体进行遥测、遥信、遥控、遥脉、定值、GOOSE、SMV等，在自动化设备数字镜像平台上建立了变电站自动化设备的物理镜像，物理镜像和物理实体一一对应，通过物理镜像的方式建立了物理实体的全方位信息的模型。
如图2，在自动化设备物理数字镜像平台上，通过调整自动化设备状态诊断影响因子，查看影响因子对自动化设备镜像影响，能够实现对自动化物理实体状态进行预警。
如图3，本发明提出的基于数字镜像的变电站自动化设备状态诊断方法包括：
基于数字镜像的变电站自动化设备状态诊断方法，包括：
步骤1，采集变电站自动化设备的状态特征量。
具体地，步骤1中，变电站自动化设备的状态特征量包括：设备状态监测数据，设备状态历史数据，同类型设备家族性状态相关数据；
其中，设备状态监测数据包括：装置基础数据、光模块光强、电源、温度、CPU温度、电源电压、SV及GOOSE异常告警。
智能站自动化设备的状态特征量可由装置基础数据、光模块光强、电源、温度、CPU温度、电源电压、SV及GOOSE异常告警等状态监测数据，设备状态历史数据，同类型设备家族性状态相关数据等部分内容组成，从而使诊断指标全面、真实地反映自动化设备的运行状态。
步骤2，根据状态特征量建立状态诊断指标体系，状态诊断指标体系包括一级指标和二级指标；其中，一级指标包括：时间性能、通信性能、运行工况和装置硬件性能；每项一级指标对应多项二级指标。
根据自动化设备的特点和对设备状态影响的角度考虑，对上述状态量进行整理建立状态诊断指标体系。对自动化设备的状态诊断从时间性能、通信性能、运行工况和装置硬件性能四个一级指标方面进行，基于上述四个一级指标补充具体的二级指标。本发明的状态诊断指标层次结构模型体系如表1所示。
表1状态评价层次结构模型
表1中的二级指标均可从数字化镜像平台根据智能运维网关机采集的自动化设备的监测数据、设备状态历史数据以及同类型设备家族性状态相关数据中获得。
变电站自动化设备的可送信息就是一级指标，不同电气设备的诊断指标体系根据设备本身可上送数据略有调整，例如有些设备不支持上送设备温湿度等。
步骤3，基于层次分析法，分别构造一级指标的第一级判断矩阵，二级指标的第二级判断矩阵；其中，一级指标的重要性标度是第一级判断矩阵的元素，二级指标的重要性标度是第二级判断矩阵的元素。
构造判断矩阵的目的是比较指标间的重要程度，从而确定权重。每种二次设备的一级指标之间需构造一个判断矩阵，从属于同一个一级指标的二级指标之间也需要构造一个判断矩阵。构造出的判断矩阵需要进行重要性标度，然后采取一系列算法得到初始权重。指标标度是用大小不同的数字来进行的，数字跨度越大，分的越细，得到的权重就会越精确。常规的1,9标度法见表2，它的分级比较均匀，对于智能变电站的指标体系来说完全够用。
表2 1,9标度法
具体地，步骤3包括：
步骤3.1，基于层次分析法，利用“1-9标度”法，将第i项一级指标Ui相比第j项一级指标Uj的重要性标度赋值为aij，其中i≠j；
以重要性标度aij作为第一级判断矩阵A的第i行第j列的元素，并且满足aii＝1，aij＝1/aji；
步骤3.2，在第i项一级指标Ui下，利用“1-9标度”法，将第p项二级指标Uip相比第q项一级指标Uiq的重要性标度赋值为其中p≠q；
以重要性标度作为第i项一级指标Ui对应的第二级判断矩阵Bi的第p行第q列的元素，并且满足/>
本发明优选实施例中，对其时间性能、通信性能、运行工况、装置硬件性能四个指标构建判断矩阵A如表3所示。
表3判断矩阵A
| 指标 | 时间性能 | 通信性能 | 运行工况 | 装置硬件性能 |
| U1 | U2 | U3 | U4 | |
| U1 | 1 | a12 | a13 | a14 |
| U2 | a21 | 1 | a23 | a24 |
| U3 | a31 | a32 | 1 | a34 |
| U4 | a41 | a42 | a43 | 1 |
表3中，自动化装置的通信性能比时间性能稍微重要点，a12＝1/3，a21＝3；而通信性能与运行工况相比同等重要，所以a23＝1，a32＝1；至于通信性能相比于装置硬件性能则介于同等重要与稍微重要之间，所以a24＝2，a42＝1/2以此类推可以得到比较后的判断矩阵A如表4所示。
表4比较后的判断矩阵A
| 指标 | 时间性能 | 通信性能 | 运行工况 | 装置硬件性能 |
| U1 | U2 | U3 | U4 | |
| U1 | 1 | 1/3 | 1/3 | 1/3 |
| U2 | 3 | 1 | 1 | 2 |
| U3 | 3 | 1 | 1 | 2 |
| U4 | 3 | 1/2 | 1/2 | 1 |
二级指标的判断矩阵如表5至表8所示：
表5时间性能指标
| 指标 | U11 | U12 | U13 | U14 | U15 |
| U11 | 1 | 1 | 2 | 3 | 3 |
| U12 | 1 | 1 | 2 | 3 | 3 |
| U13 | 1/2 | 1/2 | 1 | 2 | 1/2 |
| U14 | 1/3 | 1/3 | 1/2 | 1 | 1 |
| U15 | 1/3 | 1/3 | 1/2 | 1 | 1 |
表6通信性能指标
| 指标 | U21 | U22 | U23 | U24 | U25 |
| U21 | 1 | 1/2 | 4 | 1 | 3 |
| U22 | 2 | 1 | 6 | 4 | 4 |
| U23 | 1/4 | 1/6 | 1 | 1/3 | 1/2 |
| U24 | 1 | 1/4 | 2 | 1 | 1 |
| U25 | 1/3 | 1/4 | 3 | 1 | 1 |
表7运行工况性能指标
| 指标 | U31 | U32 | U33 | U34 | U35 |
| U31 | 1 | 2 | 2 | 3 | 1 |
| U32 | 1/2 | 1 | 1 | 2 | 1/2 |
| U33 | 1/2 | 1 | 1 | 2 | 1/2 |
| U34 | 1/3 | 1/2 | 1/2 | 1 | 1/3 |
| U35 | 1 | 2 | 2 | 3 | 1 |
表8装置硬件性能指标
| 指标 | U41 | U42 | U43 | U44 | U45 | U46 |
| U41 | 1 | 2 | 5 | 4 | 6 | 3 |
| U42 | 1/2 | 1 | 4 | 3 | 5 | 2 |
| U43 | 1/5 | 1/4 | 1 | 2 | 1/2 | 1/3 |
| U44 | 1/4 | 1/2 | 1/2 | 1 | 1/3 | 1/2 |
| U45 | 1/3 | 2 | 2 | 3 | 1 | 1/4 |
| U46 | 1/3 | 1/2 | 3 | 2 | 4 | 1 |
得到判断矩阵后，通过求解矩阵的特征向量W，可以得到各指标的权重。
步骤4，分别对第一级判断矩阵和第二级判断矩阵进行求解以获得一级指标初始权重W0和多项二级指标初始权重；二级指标初始权重包括：时间性能初始权重通信性能初始权重/>运行工况初始权重/>和装置硬件性能初始权重/>
具体地，步骤4包括：
步骤4.1，求解第一级判断矩阵A的特征向量解，作为一级指标初始权重W0；
步骤4.2，求解第二级判断矩阵Bi的特征向量解，分别作为时间性能初始权重通信性能初始权重/>运行工况初始权重/>和装置硬件性能初始权重/>
其中，第一级判断矩阵和第二级判断矩阵进行求解的过程包括：
1)对判断矩阵每一列元素进行归一化处理，归一化后的判断矩阵如表9所示：
表9归一化后的判断矩阵
| 指标 | U11 | U12 | U13 | U14 | U15 |
| U11 | 6/19 | 6/19 | 1/3 | 3/10 | 3/10 |
| U12 | 6/19 | 6/19 | 1/3 | 3/10 | 3/10 |
| U13 | 3/19 | 3/19 | 1/6 | 1/5 | 1/5 |
| U14 | 2/19 | 2/19 | 1/10 | 1/10 | 1/10 |
| U15 | 2/19 | 2/19 | 1/12 | 1/10 | 1/10 |
2)把归一化后的判断矩阵按行求和，得到向量W′，按行求和后的矩阵如表10所示：
表10按行求和后的矩阵
| 指标 | U11 | U12 | U13 | U14 | U15 | 行和w′11 |
| U11 | 6/19 | 6/19 | 1/3 | 3/10 | 3/10 | 446/285 |
| U12 | 6/19 | 6/19 | 1/3 | 3/10 | 3/10 | 446/285 |
| U13 | 3/19 | 3/19 | 1/6 | 1/5 | 1/5 | 503/570 |
| U14 | 2/19 | 2/19 | 1/10 | 1/10 | 1/10 | 563/1140 |
| U15 | 2/19 | 2/19 | 1/12 | 1/10 | 1/10 | 563/1140 |
3)对向量W′作归一化处理，得到判断矩阵的特征向量解，
对[w′11,w′12w′13,w′14]作归一化处理得到保护测控装置时间性能二级指标初始权重：
同理，可分别求得保护测控装置一级指标、通信性能、运行工况和装置硬件性能二级指标初始权重如下：
W0＝[0.099,0.345,0.345,0.21]
步骤5，基于数字镜像技术，构建变电站自动化设备状态诊断的数字镜像模型；按照状态诊断指标体系，从状态特征量中分别获取各项二级指标的测试值；使用各项二级指标的测试值作为数字镜像模型的状态诊断影响因子。
具体地，步骤5还包括：按照状态诊断指标体系，从人工判断信息和历史告警信息中分别获取各项二级指标的测试值；按照状态诊断指标体系，基于深度学习方法，通过数据迭代从现场实际状态告警信息中，分别获取各项二级指标的测试值。
步骤6，在数字镜像模型中，利用状态诊断影响因子分别对时间性能初始权重、通信性能初始权重、运行工况初始权重和装置硬件性能初始权重进行变权计算，得到时间性能变权重W1、通信性能变权重W2、运行工况变权重W3和装置硬件性能变权重W4。
由于智能变电站的二次设备都是串联系统，即各指标优劣会互相影响，比如电源故障会导致温度升高，然后影响通信性能、光口光强，最终导致设备的损坏。所以当某一指标评分很低的时候，我们需放大其影响，使运维检修人员关注到，从而避免设备的进一步劣化。放大指标影响的方法就是改变指标权重，即同一指标的权重随指标评分的变化而变化，所以我们需要引入变权理论来优化权重。
具体地，步骤6，在数字镜像模型中，利用状态诊断影响因子以如下所示的变权公式计算得到时间性能变权重W1、通信性能变权重W2、运行工况变权重W3和装置硬件性能变权重W4：
式中，
Wi为第i项一级指标Ui下的第二指标变权重,其中i＝1,2,3,4
为第i项一级指标Ui下的第二指标初始权重，
Si为第i项状态变权函数,
为二级指标下的第k项初始权重，
Sk为第k项状态变权函数，
k＝1,2,…,n，n为二级指标的数量；
利用W1，W2，W3，W4构成一组全权向量，通过调整状态诊断影响因子以改变状态变权函数，将全权向量对变电站自动化设备镜像模型状态的影响，映射为全权向量对变电站自动化设备状态的影响；
其中，当各项二级指标是反向指标和区间指标时，状态变权函数满足如下关系式：
式中，
Si1为第i项一级指标Ui下的二级指标为反向指标时的状态变权函数，
umax_i为第i项一级指标Ui下的状态诊断影响因子最大值，
umin_i为第i项一级指标Ui下的状态诊断影响因子最小值，
ui为第i项一级指标Ui下的状态诊断影响因子；
当各项二级指标是正向指标时，状态变权函数满足如下关系式：
式中，
Si2为第i项一级指标Ui下的二级指标为正向指标时的状态变权函数。
反向指标包括：
1)对时误差U11
对时误差越小越好，但考虑到对时信号传输的固有时间，认为在[0，1]ms内是合格的。规定0ms是100分，1ms是60分，越接近0ms得分越高，分值与时间线性变化，则该指标的得分公式如下：
式中，为对时误差指标的得分，/>为对时信号传输的固有时间；
2)遥信发送延时U12
遥信发送延时越小越好，但考虑到装置处理信号的固有时间，认为在[0，15]ms内是合格的。规定0ms是100分，15ms是60分，越接近0ms得分越高，分值与时间线性变化，则该指标的得分公式如下：
式中，为遥信发送延时指标的得分，/>为遥信装置处理信号的固有时间；
3)事件顺序记录分辨率U13
SOE(事件顺序记录)分辨率越小越好，认为在[0，2]ms内是合格的。规定0ms是100分，2ms是60分，越接近0ms得分越高，分值与时间线性变化，则该指标的得分公式如下：
式中，为事件顺序记录分辨率指标的得分，/>为事件顺序记录分辨的固有时间；
4)装置对时异常告警次数U14；
装置对时异常告警次数越少越好，如果出现异常会导致二次设备的功能执行上出现偏差，可能导致事故的发生。一般允许1小时最多出现6次，规定出现0次是100分，出现6次是60分，则该指标的得分公式如下：
式中，为装置异常告警次数指标的得分，/>为1小时内装置对时异常告警次数；
5)SV光纤链路中断次数U23
该指标表示过程层采样设备与保护测控装置之间光纤链路的完好情况，当通道频繁中断以后，信息的传递将受到严重影响。在一定时间内光纤链路中断次数越少越好，故该指标为一反向指标。一般的，以1小时为统计单位，中断6次为合格60分，中断0次为满分100分，则该指标的得分公式如下：
式中，为SV光纤链路中断次数指标的得分，/>为1小时内SV光纤链路中断次数；
6)GOOSE光纤链路中断次数U24
该指标表示过程层智能终端设备与保护测控装置之间光纤链路的完好情况，当通道频繁中断以后，信息的传递将受到严重影响。在一定时间内光纤链路中断次数越少越好，故该指标为一反向指标。一般的，以1小时为统计单位，中断6次为合格60分，中断0次为满分100分，则该指标的得分公式是：
式中，为GOOSE光纤链路中断次数指标的得分，/>为1小时内GOOSE光纤链路中断次数；
7)MMS网络中断次数U25
该指标表示站控层各设备之间网络的完好情况，当通道频繁中断以后，信息的传递将受到严重影响。在一定时间内光纤链路中断次数越少越好，故该指标为一反向指标。一般的，以1小时为统计单位，中断6次为合格60分，中断0次为满分100分，则该指标的得分公式如下：
式中，为MMS网络中断次数指标的得分，/>为1小时内MMS网络中断次数；
8)错误动作指令记录U31
该指标表示自设备投运以来出现误动、拒动的情况记录。出现该种情况越多，设备的可靠性越差，故该指标是反向指标。以24小时为一个统计单位，出现6次为合格60分，出现0次为满分100分，则该指标的得分公式如下：
式中，为错误动作指令记录指标的得分，/>为24小时内错误动作指令记录；/>
9)装置异常告警次数U41
该指标表示装置在运行过程中出现异常情况告警的次数，告警次数越少越好，故该指标是一个反向指标。以24小时为一个统计单位，出现6次为合格60分，出现0次为满分100分，则该指标的得分公式如下：
式中，为装置异常告警次数指标的得分，/>为24小时内装置异常告警的次数；
10)RAM出错次数U42
该指标表示设备运行过程中RAM出错的情况。变电站二次设备均为微机设备，RAM是与CPU直接交换数据的内部存储器，通常作为操作系统或其运行中的程序的临时数据存储媒介，出现次数越多，表明设备的可靠性越差，故该指标是反向指标。以1小时为一个统计单位，出现4次为合格60分，出现0次为满分100分，则该指标的得分公式如下：
式中，为RAM出错次数指标的得分，/>为24小时内RAM出错次数；
11)FLASH出错次数U43
该指标表示设备运行过程FLASH出错的情况。变电站二次设备均为微机设备，FLASH由于断电时仍能保持数据，通常用来保存设置信息如主板信息等，出错次数越多，表明设备的可靠性越差，故该指标是反向指标。以24小时为一个统计单位，出现4次为合格60分，出现0次为满分100分，则该指标的得分公式如下：
式中，为FLASH出错次数指标的得分，/>为24小时内FLASH出错次数；
12)装置参数出错次数U44
该指标表示设备运行中参数设置出错的情况，变电站内二次设备会根据类型不同设置CT变比、PT变比、IP地址、定值等参数，参数的正确与否关系到设备的正常运行，我们希望出错次数越少越好，故该指标是一个反向指标。以24小时为一个统计单位，出现4次为合格60分，出现0次为满分100分，则该指标的得分公式如下：
式中，为装置参数出错次数指标的得分，/>为24小时内装置参数出错次数；
13)装置投运时间U45；
该指标表示设备投入运行的时间长短，变电站内二次设备均为电子元器件，设备工作时间越长，健康状况越差，故该指标是反向指标。假定装置寿命不超过10年，1年内得分为100分，超过10年得分0分，则该指标的得分公式如下：
式中，为装置投运时间指标的得分，/>为装置寿命内的投运时间；
14)同型号设备家族故障率U46
该指标表示相同厂家同型号设备的故障情况，可以据此来判断该设备出现相应的故障的可能性。故障率越小越好，这是一个反向指标。规定故障率为0时得分100分，故障率10％时60分，超过10％得0分，则该指标的得分公式如下：
式中，为同型号设备家族故障率指标的得分，/>为相同厂家同型号设备的故障率。
正向指标包括：
1)光纤接口发送光强U21
光纤接口发送光强是正向指标，装置发送光强在-20dBm到-10dBm时，设备能正常工作，在该区间内光强越大越好，当超过这一限值时，设备不能正常工作，需要立即进行修理。规定光强为-10dBm时是100分，-20dBm时是60分，则该指标的得分公式如下：
式中，为光纤接口发送光强指标的得分，/>为光纤接口装置的发送光强；
2)光纤接口接收光强U22
光纤接口接收光强是正向指标，装置接收光强在-20dBm到-10dBm时，设备能正常工作，在该区间内光强越大越好，当超过这一限值时，设备不能正常工作，需要立即进行修理。规定光强为-10dBm时是100分，-20dBm时是60分，则该指标的得分公式如下：
式中，为光纤接口接收光强指标的得分，/>为光纤接口装置的接收光强；
区间指标包括：
1)装置温度U32
该指标表示设备运行时装置的温度情况。目前变电站内的二次设备均为微机装置，工作性能都会受到环境温度的影响，温度变化会影响板卡的效率以及寿命。在一定温度范围内二次设备可以正常工作，超出该范围都会使得工作性能变差，故该指标是区间指标。二次设备正常工作范围是0-50℃，在20-30℃机箱处于良好工作状态得分100分，随着温度的升高或降低，机箱的健康状态逐渐变差，0℃或50℃得分60分。温度低于0℃或者超过50℃时，设备处于危险状态，需要立即进行检修，得分0分。则该指标的得分公式如下：
式中，为装置温度指标的得分，/>为二次设备的温度；
2)装置电源电压U33
该指标表示设备运行时装置电源电压的变化情况。变电站内的二次设备都有其额定电压，在额定电压下工作能充分发挥元件的功能，不额外损耗其使用年限。工作电压偏离额定电压的越多，对元器件的损害越大，设备的健康状态越差，故该指标是区间指标。对电压的偏移程度使用电压偏移量这一概念，即实际工作电压减去额定电压之后的差值与额定电压的比值装置电源电压的额定电压为220V，电压偏移量绝对值限定在5％以内，规定5％为60分，0％为100分，超过5％得0分。装置电源电压指标的得分如下：
式中，为装置电源电压指标的得分，U为实际工作电压，UN为额定电压；
3)CPU温度U34
该指标表示设备运行时CPU的温度情况。变电站二次设备的工作性能都会受到环境温度的影响，温度变化会影响CPU的效率以及寿命。CPU在一定温度范围内可以正常工作，超范围工作性能就会变差，故该指标是区间指标。CPU工作范围是0-60℃，不超过40℃时，CPU能正常工作，随着温度的升高，CPU的健康状态逐渐变差。规定温度0-40℃为100分，60℃为60分，温度低于0℃或者超过60℃时得分为0。则该指标的得分公式如下：
式中，为CPU温度指标的得分，/>为CPU的温度；
4)装置湿度U35
该指标表示设备运行时周围环境湿度的变化情况。变电站内二次设备的工作性能都会受到周围环境湿度的影响，二次设备在一定的湿度范围内可以正常工作。湿度过高时，插件和集成电路的引线等会氧化和生锈霉烂，造成接触不良和短路；湿度过低时，易产生静电和积累静电荷，当静电荷大量积累时，将会引起磁盘读写错误，烧坏半导体器件。故该指标为区间指标。二次设备正常工作的湿度范围是50％-85％，不超过65％时，设备能正常工作，随着湿度的升高，设备的状态逐渐变差。规定湿度50％-65％为100分，85％为60分，湿度低于50％或者超过85％时得分0。则该指标的得分公式如下：
式中，为装置湿度指标的得分，/>为装置湿度。
如上所述，智能变电站各个二次自动化设备均包含很多指标，但是不同指标之间的重要性是不一样的，因此有必要引入权重来区分它们的重要程度。一般地，造成指标重要性不一样的原因很多，主要可以分为两大类：1)主观原因，如果指标的权重由控制人员打分决定，不同人员的主观因素对同一个指标的判断是不一致的；2)客观原因，从实际运行角度各指标对设备运行的影响也不一样，导致权重需要有所区别。由于每个指标对于设备状态的影响在镜像模拟测试之前是不清楚的，因此可以先给定一个初始值进行权重赋值，之后根据在自动化设备物理数字镜像平台进行指标值调整，根据数字镜像设备的受影响程度进行权重调整。
由于智能变电站的二次设备的状态诊断各指标优劣会互相影响，比如电源故障会导致温度升高，然后影响通信性能、光口光强，最终导致设备的损坏。所以当某一指标评分占比很低的时候，需放大其影响，即放大权重使运维检修人员关注到，从而避免设备的进一步劣化。
一级指标评价结果是由二级指标通过综合评价得到的，因此不需考虑一级指标变权。对二级指标进行变权计算时需结合某一次具体的指标测试值，对于反向指标，当测试值超过最小值时需进行变权计算；对正向指标，当测试值小于最大值时需对指标进行变权计算；对区间指标，当测试值介于中间值间的某一值时需进行变权计算，该中间值根据不同指标的特性而定。
具体指标数值如表11所示：
表11行和矩阵
根据变权计算公式，对时间性能下的二级指标进行变权计算。
首先，计算状态变权函数结果如表12所示“
表12二级指标变权函数
| 二级指标 | U11 | U12 | U13 | U14 | U15 |
| Si | 1.21 | 1.23 | 1.06 | 1.63 | 1.33 |
由变权计算公式，可得时间性能二级指标最终权重如下：
w1＝[0.305,0.31,0.15,0.13,0.105]
同理，可以计算得到保护测控装置通信性能、运行工况和装置硬件性能二级指标的最终权重，结果如下：
w2＝[0.3,0.52,0.03,0.08,0.06]
w3＝[0.308,0.164,0.155,0.085,0.287]
w4＝[0.358,0.202,0.113,0.081,0.039,0.208]
二次指标变权前后权重对比如表13所示。
表13二级指标变权前后权重对比
步骤7，利用各项二级指标变权重和各项二级指标的评分，构建加权平均和模型，利用模型获得二次设备初始评分；根据二次设备评分，对自动化设备业务功能状态进行诊断。
具体地，步骤7包括：
步骤7.1，按照状态诊断指标体系，由专家对各项二级指标逐个评分；
步骤7.2，在第i项一级指标Ui下，利用对应的二级指标变权重与各项二级指标的评分，通过加权平均和计算，得到第i项一级指标Ui的评分；
步骤7.3，利用一级指标初始权重和各项一级指标的评分，通过加权平均和计算，得到二次设备评分；
步骤7.4，根据二次设备评分，对自动化设备业务功能状态进行诊断。
将表10的原始数据带入二级指标评分模型后，得到各二级指标的评分，如表14所示。
表14各二级指标的评分
将以上各二级指标的评分与表13各二级指标变权前后权重相乘，得到表5。
表15各二级指标权重评分
将表15中各二级指标权重评分求和得到一级指标评分如表16所示。
表16一级指标评分
| 一级指标 | 初始评分 | 变权后评分 |
| 时间性能 | 90.1771 | 89.5795 |
| 通信性能 | 86.8901 | 84.935 |
| 运行工况 | 86.8218 | 86.3498 |
| 装置硬件性能 | 87.518 | 84.1646 |
可以看出在进行变权以后，装置一级指标的评分有了不同程度的下降，达到了扩大劣化装置特性的目的。
得到一级指标评分后，利用一级指标权重公式可算出该保护测控装置变权前后的评分分别为87.2分和85.6分，结合状态评分的评价标准，该保护测控装置的状态为“注意”。
经综合分析、诊断，可将二次自动化设备状态从正常到异常依次分为正常状态、注意状态、异常状态、严重异常状态等四种状态。
正常状态是指设备运行状态一切正常，各方面指标都在允许范围内。注意状态是指设备存在不影响安全运行的小缺陷，可根据实际情况选择性处理。异常状态是指设备某方面性能急剧下降，虽然勉强能运行，但不能持续很久，需尽快处理。严重异常状态是指设备存在危急缺陷，不能继续运行，需立即停运检修。
| 状态评分 | 90-100 | 80-90 | 60-80 | <60 |
| 评价结果 | 正常 | 注意 | 异常 | 严重异常 |
步骤7：根据数字镜像自动化设备评价结果，反向印证自动化设备时间性能、通信性能、运行工况、装置硬件性能等一级性能指标及其二级性能指标对自动化设备实体的真实影响情况，从而在相关性能指标发生变化，或有趋势性改变的情况下，及时对涉及的自动化设备进行跟踪处理，达到状态变化预警和状态变化分级处理的目的。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (6)
1.基于数字镜像的变电站自动化设备状态诊断方法，其特征在于，
所述方法包括：
步骤1，采集变电站自动化设备的状态特征量；步骤1中，变电站自动化设备的状态特征量包括：设备状态监测数据，设备状态历史数据，同类型设备家族性状态相关数据；其中，设备状态监测数据包括：装置基础数据、光模块光强、电源、温度、CPU温度、电源电压、SV及GOOSE异常告警；
步骤2，根据状态特征量建立状态诊断指标体系，状态诊断指标体系包括一级指标和二级指标；其中，一级指标包括：时间性能、通信性能、运行工况和装置硬件性能；每项一级指标对应多项二级指标；
其中，时间性能U1对应的二级指标包括：对时误差U11、遥信发送延时U12、事件顺序记录分辨率U13、装置对时异常告警次数U14；
通信性能U2对应的二级指标包括：光纤接口发送光强U21、光纤接口接收光强U22、SV光纤链路中断次数U23、GOOSE光纤链路中断次数U24、MMS网络中断次数U25；
运行工况U3对应的二级指标包括：错误动作指令记录U31、装置温度U32、装置电源电压U33、CPU温度U34、装置湿度U35；
装置硬件性能U4对应的二级指标包括：装置异常告警次数U51、RAM出错次数U42、FLASH出错次数U43、装置参数出错次数U44、装置投运时间U45、同型号设备家族故障率U4t；
步骤3，基于层次分析法，分别构造一级指标的第一级判断矩阵，二级指标的第二级判断矩阵；其中，一级指标的重要性标度是第一级判断矩阵的元素，二级指标的重要性标度是第二级判断矩阵的元素；
步骤4，分别对第一级判断矩阵和第二级判断矩阵进行求解以获得一级指标初始权重W0和多项二级指标初始权重；二级指标初始权重包括：时间性能初始权重通信性能初始权重/>运行工况初始权重/>和装置硬件性能初始权重/>
步骤5，基于数字镜像技术，构建变电站自动化设备状态诊断的数字镜像模型；按照状态诊断指标体系，从状态特征量中分别获取各项二级指标的测试值；使用各项二级指标的测试值作为数字镜像模型的状态诊断影响因子；
步骤6，在数字镜像模型中，利用状态诊断影响因子分别对时间性能初始权重、通信性能初始权重、运行工况初始权重和装置硬件性能初始权重进行变权计算，得到时间性能变权重W1、通信性能变权重W2、运行工况变权重W3和装置硬件性能变权重W4；步骤6，在数字镜像模型中，利用状态诊断影响因子以如下所示的变权公式计算得到时间性能变权重W1、通信性能变权重W2、运行工况变权重W3和装置硬件性能变权重W4：
式中，Wi为第i项一级指标Ui下的第二指标变权重,其中i＝1,2,3,4；Wi 0为第i项一级指标Ui下的第二指标初始权重，Si为第i项状态变权函数,为二级指标下的第k项初始权重，Sk为第k项状态变权函数，k＝1,2,…,n，n为二级指标的数量；
利用W1，W2，W3，W4构成一组全权向量，通过调整状态诊断影响因子以改变状态变权函数，将全权向量对变电站自动化设备镜像模型状态的影响，映射为全权向量对变电站自动化设备状态的影响；
其中，当各项二级指标是反向指标和区间指标时，状态变权函数满足如下关系式：
式中，Si1为第i项一级指标Ui下的二级指标为反向指标时的状态变权函数，umax_i为第i项一级指标Ui下的状态诊断影响因子最大值，umin_i为第i项一级指标Ui下的状态诊断影响因子最小值，ui为第i项一级指标Ui下的状态诊断影响因子；
当各项二级指标是正向指标时，状态变权函数满足如下关系式：
式中，Si2为第i项一级指标Ui下的二级指标为正向指标时的状态变权函数；
反向指标包括：对时误差U11、遥信发送延时U12、事件顺序记录分辨率U13、装置对时异常告警次数U14、SV光纤链路中断次数U23、GOOSE光纤链路中断次数U24、MMS网络中断次数U25、错误动作指令记录U31、装置异常告警次数U41、RAM出错次数U42、FLASH出错次数U43、装置参数出错次数U44、装置投运时间U45、同型号设备家族故障率U4t；
正向指标包括：光纤接口发送光强U21、光纤接口接收光强U22；
区间指标包括：装置温度U32、装置电源电压U33、CPU温度U34、装置湿度U35；
步骤7，利用各项二级指标变权重和各项二级指标的评分，构建加权平均和模型，利用模型获得二次设备初始评分；根据二次设备评分，对自动化设备业务功能状态进行诊断。
2.根据权利要求1所述的基于数字镜像的变电站自动化设备状态诊断方法，其特征在于，
步骤3包括：
步骤3.1，基于层次分析法，利用“1-9标度”法，将第i项一级指标Ui相比第j项一级指标Uj的重要性标度赋值为aij，其中i≠j；
以重要性标度aij作为第一级判断矩阵A的第i行第j列的元素，并且满足aii＝1，aij＝1/aji；
步骤3.2，在第i项一级指标Ui下，利用“1-9标度”法，将第p项二级指标Uip相比第q项一级指标Uiq的重要性标度赋值为其中p≠q；
以重要性标度作为第i项一级指标Ui对应的第二级判断矩阵Bi的第p行第q列的元素，并且满足/>
3.根据权利要求2所述的基于数字镜像的变电站自动化设备状态诊断方法，其特征在于，
步骤4包括：
步骤4.1，求解第一级判断矩阵A的特征向量解，作为一级指标初始权重W0；
步骤4.2，求解第二级判断矩阵Bi的特征向量解，分别作为时间性能初始权重通信性能初始权重/>运行工况初始权重/>和装置硬件性能初始权重/>
其中，第一级判断矩阵和第二级判断矩阵进行求解的过程包括：
1)对判断矩阵每一列元素进行归一化处理；
2)把归一化后的判断矩阵按行求和，得到向量W'；
3)对向量W'作归一化处理，得到判断矩阵的特征向量解。
4.根据权利要求3所述的基于数字镜像的变电站自动化设备状态诊断方法，其特征在于，
步骤5还包括：按照状态诊断指标体系，从人工判断信息和历史告警信息中分别获取各项二级指标的测试值；按照状态诊断指标体系，基于深度学习方法，通过数据迭代从现场实际状态告警信息中，分别获取各项二级指标的测试值。
5.根据权利要求1至4任一项所述的基于数字镜像的变电站自动化设备状态诊断方法，其特征在于，
步骤7包括：
步骤7.1，按照状态诊断指标体系，由专家对各项二级指标逐个评分；
步骤7.2，在第i项一级指标Ui下，利用对应的二级指标变权重与各项二级指标的评分，通过加权平均和计算，得到第i项一级指标Ui的评分；
步骤7.3，利用一级指标初始权重和各项一级指标的评分，通过加权平均和计算，得到二次设备评分；
步骤7.4，根据二次设备评分，对自动化设备业务功能状态进行诊断。
6.利用权利要求1至5任一项所述的基于数字镜像的变电站自动化设备状态诊断方法而实现的基于数字镜像的变电站自动化设备状态诊断系统，其中，变电站自动化设备包括：测控装置、通信网关机、监控系统、网络交换机、授时装置、PMU、网络分析仪、保测一体装置，其特征在于，
所述状态诊断系统采用分层结构，包括：部署在调度端的变电站自动化设备运维平台主站，部署在变电站站端的智能运维网关机；
智能运维网关机作为数据采集单元，用于利用智能变电站站控层网络通信环境对变电站自动化设备的运行信息与参数配置进行实时采集；
智能运维网关机通过电力数据网，基于数据通信协议将变电站自动化设备模型、设备实时运行信息、参数配置、运维文件、历史数据及同类型数据上传至智能变电站自动化设备运维平台主站；其中，变电站自动化设备模型包括：设备台账信息、通信状态信息、自检告警信息、设备资源信息、内部环境信息、对时状态信息、参数配置信息；
在智能变电站自动化设备运维平台主站内，基于从智能运维网关机上传来的数据，构建自动化设备物理数字镜像平台；由自动化设备数字镜像平台完成自动化设备的建模；其中，变电站自动化设备镜像模型包括：测控装置镜像模型、通信网关机镜像模型、监控系统镜像模型、网络交换机镜像模型、授时装置镜像模型、PMU镜像模型、网络分析仪镜像模型、保测一体装置镜像模型；
在自动化设备数字镜像平台内，通过调整自动化设备影响因子，查看影响因子对自动化设备镜像模型的影响，从而对自动化物理实体状态进行状态预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210022507.1A CN114400776B (zh) | 2022-01-10 | 2022-01-10 | 基于数字镜像的变电站自动化设备状态诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210022507.1A CN114400776B (zh) | 2022-01-10 | 2022-01-10 | 基于数字镜像的变电站自动化设备状态诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114400776A CN114400776A (zh) | 2022-04-26 |
| CN114400776B true CN114400776B (zh) | 2024-05-10 |
Family
ID=81230692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210022507.1A Active CN114400776B (zh) | 2022-01-10 | 2022-01-10 | 基于数字镜像的变电站自动化设备状态诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114400776B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115688014A (zh) * | 2023-01-05 | 2023-02-03 | 国网浙江省电力有限公司金华供电公司 | 一种继电保护设备的运行状态的确定方法、装置及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05225474A (ja) * | 1992-02-12 | 1993-09-03 | Hitachi Ltd | プラント機器の異常診断方法と装置 |
| CN103033703A (zh) * | 2012-12-11 | 2013-04-10 | 上海市电力公司 | 一种在线、离线一体式的智能变电站分析测试方法 |
| CN103955562A (zh) * | 2014-04-04 | 2014-07-30 | 中国南方电网有限责任公司电网技术研究中心 | 基于iec61850的绝缘在线监测设备通信仿真方法 |
| CN105914881A (zh) * | 2016-05-13 | 2016-08-31 | 国网辽宁省电力有限公司电力科学研究院 | 一种智能变电站高级应用系统 |
| CN106655522A (zh) * | 2017-02-28 | 2017-05-10 | 中国南方电网有限责任公司 | 一种适用于电网二次设备运维管理的主站系统 |
| CN107294205A (zh) * | 2017-06-27 | 2017-10-24 | 国家电网公司 | 一种基于保信主站数据的变电站状态监视方法 |
| CN110580577A (zh) * | 2019-08-28 | 2019-12-17 | 国网湖北省电力有限公司电力科学研究院 | 基于权重系数修正的智能变电站二次系统运行质量多分层评价方法 |
| CN113315222A (zh) * | 2021-04-21 | 2021-08-27 | 北京四方继保工程技术有限公司 | 一种适用于电力系统的智能变电站自动化设备运维管控系统 |
| WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
-
2022
- 2022-01-10 CN CN202210022507.1A patent/CN114400776B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05225474A (ja) * | 1992-02-12 | 1993-09-03 | Hitachi Ltd | プラント機器の異常診断方法と装置 |
| CN103033703A (zh) * | 2012-12-11 | 2013-04-10 | 上海市电力公司 | 一种在线、离线一体式的智能变电站分析测试方法 |
| CN103955562A (zh) * | 2014-04-04 | 2014-07-30 | 中国南方电网有限责任公司电网技术研究中心 | 基于iec61850的绝缘在线监测设备通信仿真方法 |
| CN105914881A (zh) * | 2016-05-13 | 2016-08-31 | 国网辽宁省电力有限公司电力科学研究院 | 一种智能变电站高级应用系统 |
| CN106655522A (zh) * | 2017-02-28 | 2017-05-10 | 中国南方电网有限责任公司 | 一种适用于电网二次设备运维管理的主站系统 |
| CN107294205A (zh) * | 2017-06-27 | 2017-10-24 | 国家电网公司 | 一种基于保信主站数据的变电站状态监视方法 |
| CN110580577A (zh) * | 2019-08-28 | 2019-12-17 | 国网湖北省电力有限公司电力科学研究院 | 基于权重系数修正的智能变电站二次系统运行质量多分层评价方法 |
| WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
| CN113315222A (zh) * | 2021-04-21 | 2021-08-27 | 北京四方继保工程技术有限公司 | 一种适用于电力系统的智能变电站自动化设备运维管控系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114400776A (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
| CN109765883A (zh) | 配电自动化终端运行状态评价与故障诊断方法 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| CN101859409A (zh) | 基于风险评估的输变电设备状态检修体系 | |
| EP3553044A1 (en) | System and method of remote object monitoring | |
| CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
| CN117689214B (zh) | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 | |
| CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN114400776B (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN116154900A (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN113128707A (zh) | 一种配电自动化终端态势风险评估方法 | |
| CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
| CN117347796A (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
| CN115693692A (zh) | 基于配电网电压数据分析的电压合格率提升方法 | |
| CN117454121B (zh) | 一种基于电厂安全预警的数据分析处理方法及系统 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
| CN113608074B (zh) | 一种多表位耐压试验装置自动化在线监测方法及系统 | |
| CN104751281A (zh) | 一种氧化锌避雷器设备的自动工况评价方法 | |
| US20220317646A1 (en) | Self-adaptive test method for intelligent prediction algorithm of analog measured values | |
| CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
| CN116773238B (zh) | 一种基于工业数据的故障监测方法及系统 | |
| CN117951633A (zh) | 一种光伏发电设备故障诊断方法及系统 | |
| CN118157325A (zh) | 一种用于新能源电力的实时监测方法及系统 | |
| Yang et al. | A General Method for Assessing the Operation Health of Power Transformer Group |
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 |