CN115048985B - 一种电气设备故障判别方法 - Google Patents
一种电气设备故障判别方法 Download PDFInfo
- Publication number
- CN115048985B CN115048985B CN202210543160.5A CN202210543160A CN115048985B CN 115048985 B CN115048985 B CN 115048985B CN 202210543160 A CN202210543160 A CN 202210543160A CN 115048985 B CN115048985 B CN 115048985B
- Authority
- CN
- China
- Prior art keywords
- fault
- key factor
- importance
- key
- factor set
- 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
- 238000012850 discrimination method Methods 0.000 title claims description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000005284 excitation Effects 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 91
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 5
- 238000009413 insulation Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000002699 waste material Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/56—Testing of electric apparatus
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种电气设备故障判别方法。为了克服现有技术直接采样所有数据形成的故障特征识别难度大，准确度低的问题；本发明包括以下步骤：S1：采集获取电气设备各单元的状态数据集；S2：针对不同故障类型，根据多维函数联合激励评价原则选取故障关键因子集；S3：根据故障类型选择对应的多维度评价函数判断选取的故障关键因子集是否为判断对应故障类型的最佳关键故障因子集；S4：以正常运行样本和故障测试样本的马氏距离为故障阈值，采用马氏距离法计算最佳故障关键因子集中各个样本的马氏距离，判断故障。对故障关键因子集择优选取，减少单一故障对应的无关的故障特征数据，减低故障识别难度，提高故障识别的准确度。
Description
技术领域
本发明涉及一种故障判别领域，尤其涉及一种基于最优关键因子选取的电气设备故障判别方法。
背景技术
作为系统运行控制和故障切除的关键元件，电气设备的可靠运行对提高系统供电可靠性具有重要作用。随着大量用户对不间断供电需求增加，供电企业对可靠性的指标也不断提升，为此，对电气设备的可靠性和智能化水平要求也增加。
目前，电气设备常见的故障类型主要可分为：高温运行、误操作、绝缘破坏、过流等类型的故障。电气设备中设备的绝缘老化、机械联动装置疲劳或松动、触头和线路温度升高等问题，如果未能及时预防处理，会造成巨大经济损失。电气设备的劣化故障发展具有一定时间积累过程，为此，对电气设备各种运行参数进行实时监测，在此基础上进行设备运行状态综合评估，从而提高其运行可靠性，是未来的发展趋势。
国内外学者针对上述电气设备常见故障进行了检测技术的研究和探索，并且给出相应的诊断方案。目前，提出了脉冲电流法、暂态电压对地检测法、局放关联规则算法、神经网络在线跟踪等方法对设备状态进行评估。该方案能够对系统的某一项性能进行分析，但不能全面判断设备故障。
例如，一种在中国专利文献上公开的“一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法”，其公告号CN109870617B，通过对红外图像时空属性进行分析，结合图像纹理信息和温度时序变化信息，利用宽度学习完成电气设备故障诊断。该方法能够在极短的时间内提取出每张红外图像中需要分析的目标电力设备并且给出对应的温度信息，从多维度分析红外图像。但是该方案仅对系统的某一项性能进行分析，不能全面判断设备故障。
对电气设备进行故障判别和评估通常采用样本学习和训练法，确定电气设备大致的故障类别后，直接采样所有数据所形成故障特征量集合会增加故障识别的难度，同时某些故障特征表现出来的无关特征可能降低故障判别的精确度。
发明内容
本发明主要解决现有技术直接采样所有数据形成的故障特征识别难度大，准确度低的问题；提供一种电气设备故障判别方法，基于电气设备不同故障特性，采用基于多维函数联合激励评价原则对特征量进行优化；以马氏距离法对电气设备故障特征量的最优样本与已知的标准样本进行相似度判定，基于判定的结果进行电气设备综合评估。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种电气设备故障判别方法，包括以下步骤：
S1：采集获取电气设备各单元的监测信息以及电气设备基础信息，整合统一为状态数据集；
S2：针对不同故障类型，使用不同结构的神经网络训练获得若干对应预设的故障关键因子集；根据多维函数联合激励评价原则选取故障关键因子集；
S3：根据故障类型选择对应的多维度评价函数判断选取的故障关键因子集是否为判断对应故障类型的最佳关键故障因子集；
S4：以正常运行样本和故障测试样本的马氏距离为故障阈值，采用马氏距离法计算最佳故障关键因子集中各个样本的马氏距离，判断故障。
通过多维函数联合激励评价原则进行故障关键因子集的择优选取，减少单一故障对应的无关的故障特征数据，减低故障识别难度，提高故障识别的准确度。不同的故障类型对应不同的验证评价函数，针对不同故障的影响因素进行评价，提高采用故障因子的准确性。
作为优选，所述的步骤S2的具体过程为：
S201：对应不同故障类型，将历史相关故障关键因子分别输入到若干不同结构的神经网络中学习训练；
S202：各神经网络分别输出故障关键因子集，整合相同的故障关键因子集，得到故障类型对应的故障关键因子集；
S203：根据多维函数联合激励评价原则选取故障关键因子集。
神经网络根据不同故障类型研判所依据的故障关键因子，进行机器学习，分别输出该故障对应的故障关键因子集，作为该故障类型对应预设的故障关键因子集；初步缩小故障关键因子的选择范围。
作为优选，对于不同故障类型选取不同结构神经网络学习训练，具体过程为：
评估各神经网络输出的故障关键因子集对应故障类型的适配度，第n种神经网络的适配度评估算法的表达式为：
其中，aw为资源期望系数；
ap为内存占有系数；
at为时间系数；
NIN为输入的故障关键因子数量；
NOUT为输出的故障关键因子数量；
G1为资源占有预设分值；
NC为该神经网络输出的故障关键因子集被选择的次数；
Nall为该神经网络输出故障关键因子集待选的总次数；
G2为选用率预设分值；
Nm为相同故障关键因子集存在的个数；
G3为重复率预设分值；
若G(n)大于等于预设的阈值Ga，则第n种神经网络为故障类型选取的神经网络。
不同的故障类型适合不同的神经网络训练，通过资源的占用、输出的准确性和冗余程度来综合评判神经网络是否适合该故障类型的使用，提高效率，避免资源浪费。
作为优选，所述的多维函数联合激励评价原则为子空间S中各关键因子的相关性最小且各关键因子与故障类型的相关性最大；
各关键因子与故障类型的相关性最大的表达式为：
max D(S，C)
其中，I(xi；C)为子空间S中第i个关键因子xi和故障类别c之间的交互信息；
子空间S中各关键因子的相关性最小的表达式为：
min R(S)
其中，I(xi；C)为子空间S中第i个关键因子xi和第j个关键因子xj之间的交互信息；
|S|为特征空间维数。
采用增量搜索优化算法得到最优故障关键因子。
作为优选，所述的多维度评价函数包括重要性评价函数和冗余性评价函数；多维度评价函数判断选取的故障关键因子集是否重要性最大且冗余性最小；若是，则该选取的故障关键因子集为最佳关键因子集；否则返回步骤S2重新选取关键故障因子集。
仅仅采用故障关键因子和故障类型之间交互信息来判断不同故障量之间的关联程度，存在一定局限性。通过多维度评价函数来克服该问题。
作为优选，重要性评价过程为：
采用若干重要性评价函数分别评价选取的故障关键因子集的重要性；
根据评价获得的重要性以及故障类型选取对应的重要性评价函数；
对所有的待选的故障关键因子集采用选取的重要性评价函数进行评价，并对重要性排序；
判断选取的故障关键因子集的重要性是否为所有待选的故障关键因子集中重要性的最大值；若是，则进行冗余度判断；否则，返回步骤S2重新选取关键故障因子集。
选取合适故障类型的评价函数，使得评价获得的数据更加准确。
作为优选，所述的重要性评价函数选取过程为：
计算选取值Pim：
Pim＝α(Np+Rim)+Nr
其中，α为故障类型与重要性评价函数的匹配系数；
Np为故障类型与重要性评价函数的历史匹配次数；
Rim为对应重要性评价函数获得的重要性值；
Nr为重要性值重复次数；
根据各重要性评价函数的选取值Pim排序，选取Pim最大时对应的重要性评价函数评价对应故障类型的待选关键故障因子集。
选取合适故障类型的评价函数，使得评价获得的数据更加准确。
作为优选，若关键故障因子集的个数为k，冗余度判断的表达式为：
其中，为集合中关键因子的平均权重；
为集合中关键因子间的平均相关度；
其中，n为将得到的特征维数；
y为d×1的指示向量
y＝[y1，y2，...，yd]
y值大小表明元素重要性和选中概率，yi＝0表示该关键因子落选。
引入约束条件，用于保证集合F中唯有n个特征。
本发明的有益效果是：
1.通过多维函数联合激励评价原则进行故障关键因子集的择优选取，减少单一故障对应的无关的故障特征数据，减低故障识别难度，提高故障识别的准确度。
2.不同的故障类型对应不同的验证评价函数，针对不同故障的影响因素进行评价，提高采用故障因子的准确性。
3.不同的故障类型适合不同的神经网络训练，通过资源的占用、输出的准确性和冗余程度来综合评判神经网络是否适合该故障类型的使用，提高效率，避免资源浪费。
4.通过多维度评价函数克服仅仅采用故障关键因子和故障类型之间交互信息来判断不同故障量之间的关联程度，存在一定局限性的问题。
附图说明
图1是本发明的一种电气设备故障判别方法流程图。
图2是本发明采用多维函数联合激励评价方法的随机原始样本马氏距离示意图。
图3是本发明未采用多维函数联合激励评价方法的随机原始样本马氏距离示意图。
图4是本发明正常样本和故障标准样本马氏距离的正态概率密度分布图。
图5是本发明开关柜内发生电弧故障时二者的马氏距离示意图。
图6是本发明开关柜内发生绝缘故障时二者的马氏距离示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例的一种电气设备故障判别方法，如图1所示，包括以下步骤：
S1：采集获取电气设备各单元的监测信息以及电气设备基础信息，整合统一为状态数据集。
本实施例中以开关柜为例，依据开关柜功能组成和结构划分，其主要包括母线、手车室、电缆和二次仪表四个小室，不同小室的功能和结构都有所差异。为表征不同单元发生故障，获得相应的关键因子，根据开关柜发生故障时所表现出来的物理特性进行实时监测，根据故障判断及运行状态评估进行监测配置。
母线室连接进线口和断路器手车室，装设电压电流互感器测量线路电压电流信号，配备温湿度传感器测量断路器接口处的温度以及室内的温湿度。
断路器手车室用于断路器与母线室、电缆连接，采集传感器包括电压、电流传感器，以及分合闸线圈电流传感器，小室内部温湿度传感器，同时检测断路器的机械特性信号。
电缆室与断路器手车室以及出线口相连接，装设电压电流互感器测量线路电压电流信号，以及小室内部温湿度传感器。
继电器仪表室装设温湿度传感器检测室内温湿度，并且通过无线通信方式进行信息传输。
对所有的柜体都需要定期进行检测，对其运行年限以及设备老化问题进行定期数据记录。
将上述各单元信息和开关柜基础数据信息(设备基础参数、运行年限等)进行数据整合，统一传输到数据处理系统进行处理，开关柜典型故障关键因子如表1所示：
表1.开关柜状态的典型故障关键因子监测量
| 编号 | 故障特征量 | 编号 | 故障特征量 |
| F1 | 母线室温度 | F11 | 手车室湿度 |
| F2 | 母线室湿度 | F12 | 断路器开断电流 |
| F3 | 电连接处温度 | F13 | 断路器触头温度 |
| F4 | 电压有效值 | F14 | 分合闸线圈电流 |
| F5 | 电流有效值 | F15 | 电缆室温度 |
| F6 | 三相总有功功率 | F16 | 电缆室湿度 |
| F7 | 三相总无功功率 | F17 | 电缆接头温度 |
| F8 | 功率因数 | F18 | 仪表室温度 |
| F9 | 闪光信号 | F19 | 仪表室湿度 |
| F10 | 手车室温度 |
上述对开关柜进行监测的故障关键因子可全面表现了开关柜发生各类故障的典型特征，基于上述故障关键因子，对故障关键因子进行统一处理比较，构成状态数据集，采用相应算法可以精确判别开关柜的故障类型，对各类故障进行整合分类，从而形成开关柜的故障综合诊断。
状态数据集中的每个故障关键因子为在时间顺序上的一系列数据。
在本实施例中，收集了某地10kV开关柜正常运行时的测试样本集合和故障运行时的测试样本集合，故障类型分别是电弧故障和绝缘损坏。对表1中开关柜各室的运行情况进行实时监测，采样间隔为50ms，从所得到的数据中选取开关柜正常工况下和发生两种不同故障状态下(电弧故障和绝缘损坏故障)的初始样本集合，每个状态各取400个采样点，各样本数据都包含表1中的19个状态量，分别建立正常样本、电弧故障样本和绝缘损坏故障样本。
首先，在1200组样本中选取400组，用于验证特征选取方法的正确性。为表征特征选择的性能，采用欧式距离的K-nn分类器，以预测准确率(Predictive Accuracy，PR)为评估指标，定义为：
式中：Num为总的样本量，RP为判断正确的样本数。
表2.不同故障类型下的故障最优特征子集
| 故障类型 | 最优特征子集 | 准确率 |
| 电弧故障 | F17，F13，F12，F1，F10，F5，F8，F3 | 98.9％ |
| 绝缘损坏故障 | F17，F1，F10，F14，F15，F12，F3 | 98.5％ |
电弧故障具有周期性，在电弧消除的一段时间后，开关柜内的温度会出现间歇性的急剧上升再下降的变化过程，知道电弧故障完全清除。而绝缘损坏故障一般为永久性故障，故障后开关柜会维持高温运行状态。从表2可以看出电弧故障特征子集从19个优化到8个，绝缘损坏故障特征子集从19个优化到7个，并且准确都达到98％以上。
S2：针对不同故障类型，使用不同结构的神经网络训练获得若干对应预设的故障关键因子集；根据多维函数联合激励评价原则选取故障关键因子集。
S201：对应不同故障类型，将历史相关故障关键因子分别输入到若干不同结构的神经网络中学习训练。
在本实施例中的神经网络包括但不限于GAN、RNN、Hopfield网络、玻尔兹曼机、LSTM等。
S202：各神经网络分别输出故障关键因子集，整合相同的故障关键因子集，得到故障类型对应的故障关键因子集。
评估各神经网络输出的故障关键因子集对应故障类型的适配度，第n种神经网络的适配度评估算法的表达式为：
其中，aw为资源期望系数，在本实施例中，资源期望系数为常数。
ap为内存占有系数；内存占据的越大，内存占有系数越大。
at为时间系数；获得结果的时间越长，时间系数越大。
NIN为输入的故障关键因子数量。
NOUT为输出的故障关键因子数量。
G1为资源占有预设分值。
Nc为该神经网络输出的故障关键因子集被选择的次数。
Nall为该神经网络输出故障关键因子集待选的总次数。
G2为选用率预设分值。
Nm为相同故障关键因子集存在的个数。
G3为重复率预设分值。
若G(n]大于等于预设的阈值Ga，则第n种神经网络为故障类型选取的神经网络。
不同的故障类型适合不同的神经网络训练，通过资源的占用、输出的准确性和冗余程度来综合评判神经网络是否适合该故障类型的使用，提高效率，避免资源浪费。
S203：根据多维函数联合激励评价原则选取故障关键因子集。
根据多维函数联合激励评价原则进行关键因子的择优选取的过程具体包括：
将采集的故障关键因子经过预处理后划分为实验样本集合和验证样本集合，在本实施例中，实验样本与验证样本的比例为8∶2。
多维函数联合激励评价原则为：对于参数为m维的N个样本，以及故障类型为c特征样本空间，选取维数p(p≤m)的子空间S，以此构建最优故障关键因子集。使得子空间S各关键因子的相关性最小，各关键因子与故障类型的相关性最大，即：
各关键因子与故障类型的相关性最大的表达式为：
maxD(S，c)
其中，I(xi；c)为子空间S中第i个关键因子xi和故障类型c之间的交互信息；
子空间S中各关键因子的相关性最小的表达式为：
min R(S)
其中，I(xi；c)为子空间S中第i个关键因子xi和第j个关键因子xj之间的交互信息；
|S|为特征空间维数。
假设两个变量x和y，p(x)是变量x的概率密度函数，p(y)是变量y的概率密度函数，p(x，y)是两者的联合概率密度函数，则它们之间的交互信息I(x；y)为：
结合子空间S各关键因子的相关性最小关系式、各关键因子与故障类型的相关性最大关系式和I(x；y)关系式即为多维函数联合激励评价原则，记为maxΦ(D，R)，则可得到多维函数联合激励评价原则的两个标准函数表达：
互信息差标准为：
maxΦ1(D，R)
Φ1(D，R)＝D-R
互信息商标准为：
maxΦ2(D，R)
Φ2(D，R)＝D/R
在此标准函数基础上，采用增量搜索优化算法得到最优故障关键因子。假设以确定m-1个关键因子组成的特征集Sm-1，在剩下样本关键因子{X-Sm-1}中选择第m个关键因子的条件需满足：
S3：根据故障类型选择对应的多维度评价函数判断选取的故障关键因子集是否为判断对应故障类型的最佳关键关键因子集。
采用多种相关性评价函数进行重要性和冗余度评估。多维度评价函数判断选取的故障关键因子集是否重要性最大且冗余性最小；若是，则该选取的故障关键因子集为最佳关键因子集；否则返回步骤S2重新选取关键关键因子集。
仅仅采用故障关键因子和故障类型之间交互信息来判断不同故障量之间的关联程度，存在一定局限性。通过多维度评价函数来克服该问题。
重要性评价过程为：
采用若干重要性评价函数分别评价选取的故障关键因子集的重要性。
评估关键因子量数据重要性的方法有很多，包括T检验、x2算法、Fisher得分、Relief算法、信息增益、基尼系数和KruskalWallis等。
根据评价获得的重要性以及故障类型选取对应的重要性评价函数。
重要性评价函数选取过程为：
计算选取值Pim：
Pim＝α(Np+Rim)+Nr
其中，α为故障类型与重要性评价函数的匹配系数；预设各故障类型与各重要性评价函数的匹配系数表，通过查表获得该加权系数。
Np为故障类型与重要性评价函数的历史匹配次数。
Rim为对应重要性评价函数获得的重要性值。
Nr为重要性值重复次数。不同重要性评价函数计算获得的重要性值的重复次数越多，说明该重要性的值正确的可能性越大。
根据各重要性评价函数的选取值Pim排序，选取Pim最大时对应的重要性评价函数评价对应故障类型的待选关键关键因子集。
通过多个维度来评判不同故障类型与不同评价函数的匹配性，选取最适配的评价函数，从而使得算法更具鲁棒性，且适用范围更广
对所有的待选的故障关键因子集采用选取的重要性评价函数进行评价，并对重要性排序。
判断选取的故障关键因子集的重要性是否为所有待选的故障关键因子集中重要性的最大值；若是，则进行冗余度判断；否则，返回步骤S2重新选取关键关键因子集。
本实施例中为选取故障关键因子的最优集合，采用上述多种评估关键因子权重的指标对关键因子的重要性进行分析。针对不同的数据类型选用不同的评估方法，从而使得算法更具鲁棒性，且适用范围更广。
在所有的故障关键因子集合中选取出k个关键因子量子集，其重要性程度最高并且冗余度最小。评价函数定义为：
其中，为集合F中关键因子量的平均权重；
为集合F中关键因子量间的平均相关度。
其最大值就代表该关键因子冗余度最小。
其中，n为将得到的特征维数；
y为d×1的指示向量；y＝[y1，y2，...，yd]。
引入约束条件，用于保证集合F中唯有n个特征，y值大小表明元素重要性和选中概率，yi＝0表示该特征落选。
将原有的关键因子样本通过改进后的最小冗余最大相关原则进行关键因子样本最优选取，采用不同相关性评价函数对实验集数据进行权重和冗余度评估，得到关键因子最优的子集，特征量样本之间的冗余度减小，但相干关键因子之间的联系依旧保留，保证样本集的精确性，从而为下一步采用马氏距离法对开关柜准确地状态综合评估做好特征量优化基础。
本实施例从1200组样本数据中随机选取400组样本验证方法的准确性。具体步骤为：(1)采用多维函数联合激励评价原则对样本数据集合进行优化处理，将冗余关键因子删除，剩余关键因子即为故障关键因子最优子集。
(2)根据(1)中得到的故障关键因子最优子集量，计算其马氏距离，根据马氏距离法得出的相应距离值对开关柜故障进行分类，确定故障类型。
图2和图3为采用多维函数联合激励评价方法和未采用多维函数联合激励评价方法的随机原始样本马氏距离。随机选取的400组原始样本中，正常运行样本有187个，电弧故障和绝缘损坏故障标准样本有213个。对比图2和图3可知，未采用多维函数联合激励评价方法时，正常运行样本的马式距离其最大值和最小值分别为8.37dm和0.21dm，采用多维函数联合激励评价方法其马氏距离值最大值和最小值分别为4.22dm和0.41dm，基本都围绕着1dm上下波动，但后者比前者更收敛，二者故障标准样本的马式距离值也相似。由此说明采用多维函数联合激励评价方法筛选特征集之后的效果更较明显。同时由图可知故障标准样本的马氏距离远远偏离1dm，在103dm附近。比较两个样本的马氏距离可发现二者类型差别较大，马氏距离法可准确识别故障标准样本。
S4：以正常运行样本和故障测试样本的马氏距离为故障阈值，采用马氏距离法计算最佳故障关键因子集中各个样本的马氏距离，判断故障。
在完成多维函数联合激励评价原则的特征值子集优化基础后，为了量化各个状态量的动态关联程度，确定故障类别，则需要有相应的标准样本数据作为对比。采用相应数学方法对未知样本集进行处理，计算未知样本集和标准数据样本的相似度，从而确定故障类型。
在本实施例中，采用马氏距离法利用协方差矩阵将特征子集中各个样本的距离标准化为一个无量纲的量，作为开关柜故障类别衡量的标准。
马氏距离定义为：
其中，z为m×1阶待测样本向量，为标准样本集X的m×1阶特征均值向量，C为标准特征集X的m×m阶协方差矩阵。
采用马氏距离计算未知样本集和标准数据样本的相似度，假设每个样本特征数据为m个，标准样本数据共n组，对于第i个样本的第j个关键因子量X′ij，可计算其标准化关键因子值xij为：
待测样本z和标准样本集X的马氏距离dm为：
C为样本集X的m×m阶协方差矩阵，如下：
当各关键因子之间不存在相关性时，协方差矩阵C除对角线元素外，其余元素均为0，此时马氏距离dm即可转化为正则化的欧氏距离，如下：
对于多样本集的距离判别准则，类似双样本距离判别方法，可以计算给定的样本函数到各标准样本集的距离进行判别，相应样本之间距离最短则为故障归类。
采用马氏距离法计算开关柜故障样本、待测样本和正常运行时样本之间特征相似度，故障样本用于确定故障的判别阈值。针对开关柜的典型故障进行故障诊断并且发出故障示警，选取最常用的电气参数(电压U、电流I、有功功率P、无功功率Q等)和环境温湿度参数作为故障关键因子提取和优化选择。上述参数关键因子的量纲虽各不相同，但其之间有相应的关系，可以采用一些运算规则进行转化，可将其看作线性变化，利用马氏距离法不受特征之间联系程度以及被监测参数量纲影响的特点，完成开关柜运行情况的判别。
采集中低压开关柜正常运行时的数据，选取数据集合作为正常运行样本，设计相应的故障实验选取开关柜状态监测数据作为该故障测试样本的特征数据，对上述两个样本数据进行马氏距离标准化处理，计算不同故障样本和正常运行样本之间的马氏距离值，比较所得出的马氏距离值，选取故障判别准确率较高的值作为故障阈值dt；将实际待测故障样本进行标准化处理，首先采用多维函数联合激励评价算法从待测量样本中选取最大权重最小冗余度的最优样本子集，处理后计算相应的马氏距离值，若计算得到的值为[0，dt]内，开关柜处于正常运行状态，若超出范围，则表示开关柜发生故障，对其进行故障分类并发出告警信号。
正常样本和故障标准样本马氏距离的正态概率密度分布如图4所示，实现为采用多维函数联合激励评价方法的曲线；虚线为未采用多维函数联合激励评价方法的曲线；可知故障阈值的选取应当在两个样本概率密度曲线的交界处，同时也可发现采用多维函数联合激励评价方法较未采用多维函数联合激励评价方法其概率分布更集中。
表3为采用多维函数联合激励评价方法不同马氏距离阈值下开关柜故障告警正确率，从表中可以看出开关柜故障告警正确率随着马式距离阈值的变化而变化。随着阈值从0开始增加，故障告警正确率也同步增加，在4～16范围内故障告警正确率均在90％以上，8～12范围内正确率基本接近100％，之后正确率随阈值增加而减小，因此故障阈值选取10左右最为合适。
表3.不同阈值下开关柜故障告警正确率
| 阈值/dm | 正确率 | 阈值/dm | 正确率 |
| 0 | 0 | 12 | 100％ |
| 2 | 48.6％ | 14 | 98.5％ |
| 4 | 92.3％ | 16 | 96.4％ |
| 6 | 98.6％ | 18 | 89.2％ |
| 8 | 100％ | 20 | 81.3％ |
| 10 | 100％ |
采集开关柜实际运行时正常状态下和故障状态下的测试样本数据各5组，图5和图6分别为开关柜内发生电弧和绝缘故障时二者的马氏距离。根据设置的阈值，阈值内的即为正常运行样本，大于阈值即为故障标准样本。根据表3不同预知下开关柜故障告警正确率情况，本实施例中设置故障阈值为5dm，随机选取两种故障运行工况各5组测试样本数据，可发现，电弧故障和绝缘故障的马氏距离均在102～103dm之间，远远偏离1dm，可以很清楚的分辨出故障，同理，通过设置合理的阈值，其余故障类型根据设置的阈值能够从样本中区分出来。
通过多维函数联合激励评价原则进行故障特征量样本的择优选取，减少单一故障对应的无关的故障特征数据，减低故障识别难度，提高故障识别的准确度。
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (5)
1.一种电气设备故障判别方法，其特征在于，包括以下步骤：
S1：采集获取电气设备各单元的监测信息以及电气设备基础信息，整合统一为状态数据集；
S2：针对不同故障类型，使用不同结构的神经网络训练获得若干对应预设的故障关键因子集；
根据多维函数联合激励评价原则选取故障关键因子集；
对于不同故障类型选取不同结构神经网络学习训练，具体过程为：
评估各神经网络输出的故障关键因子集对应故障类型的适配度，第n种神经网络的适配度评估算法的表达式为：
其中，aw为资源期望系数；
ap为内存占有系数；
at为时间系数；
NIN为输入的故障关键因子数量；
NOUT为输出的故障关键因子数量；
G1为资源占有预设分值；
Nc为该神经网络输出的故障关键因子集被选择的次数；
Nall为该神经网络输出故障关键因子集待选的总次数；
G2为选用率预设分值；
Nm为相同故障关键因子集存在的个数；
G3为重复率预设分值；
若G(n)大于等于预设的阈值Ga，则第n种神经网络为故障类型选取的神经网络；
多维函数联合激励评价原则为：对于参数为m维的N个样本，以及故障类型为c特征样本空间，选取维数p，p≤m，的子空间S，以此构建最优故障关键因子集，使得子空间S各关键因子的相关性最小，各关键因子与故障类型的相关性最大；
S3：根据多维度评价函数判断选取的故障关键因子集是否为判断对应故障类型的最佳故障关键因子集；
所述的多维度评价函数包括重要性评价函数和冗余性评价函数；多维度评价函数判断选取的故障关键因子集是否重要性最大且冗余性最小；若是，则该选取的故障关键因子集为最佳关键因子集；否则返回步骤S2重新选取关键故障因子集；
S4：以正常运行样本和故障测试样本的马氏距离为故障阈值，采用马氏距离法计算最佳故障关键因子集中各个样本的马氏距离，判断故障。
2.根据权利要求1所述的一种电气设备故障判别方法，其特征在于，所述的步骤S2的具体过程为：
S201：对应不同故障类型，将历史相关故障关键因子分别输入到若干不同结构的神经网络中学习训练；
S202：各神经网络分别输出故障关键因子集，整合相同的故障关键因子集，得到故障类型对应的故障关键因子集；
S203：根据多维函数联合激励评价原则选取故障关键因子集。
3.根据权利要求1或2所述的一种电气设备故障判别方法，其特征在于，各关键因子与故障类型的相关性最大的表达式为：
maxD(S，c)
其中，I(xi；C)为子空间S中第i个关键因子xi和故障类别c之间的交互信息；子空间S中各关键因子的相关性最小的表达式为：
min R(S)
其中，I(xi；C)为子空间S中第i个关键因子xi和第j个关键因子xj之间的交互信息；
|S|为特征空间维数。
4.根据权利要求1所述的一种电气设备故障判别方法，其特征在于，重要性评价过程为：
采用若干重要性评价函数分别评价选取的故障关键因子集的重要性；
根据评价获得的重要性以及故障类型选取对应的重要性评价函数；
对所有的待选的故障关键因子集采用选取的重要性评价函数进行评价，并对重要性排序；
判断选取的故障关键因子集的重要性是否为所有待选的故障关键因子集中重要性的最大值；
若是，则进行冗余度判断；否则，返回步骤S2重新选取关键故障因子集；
所述的重要性评价函数选取过程为：
计算选取值Pim：
Pim＝α(Np+Rim)+Nr
其中，α为故障类型与重要性评价函数的匹配系数；
Np为故障类型与重要性评价函数的历史匹配次数；
Rim为对应重要性评价函数获得的重要性值；
Nr为重要性值重复次数；
根据各重要性评价函数的选取值Pim排序，选取Pim最大时对应的重要性评价函数评价对应故障类型的关键故障因子集。
5.根据权利要求3所述的一种电气设备故障判别方法，其特征在于，若故障关键因子集的个数为k，冗余度判断的表达式为：
其中，为集合中关键因子的平均权重；
为集合中关键因子间的平均相关度；
y为d×1的指示向量y＝[y1，y2，…，yd]；
y值大小表明元素重要性和选中概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210543160.5A CN115048985B (zh) | 2022-05-17 | 2022-05-17 | 一种电气设备故障判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210543160.5A CN115048985B (zh) | 2022-05-17 | 2022-05-17 | 一种电气设备故障判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115048985A CN115048985A (zh) | 2022-09-13 |
| CN115048985B true CN115048985B (zh) | 2024-02-13 |
Family
ID=83159646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210543160.5A Active CN115048985B (zh) | 2022-05-17 | 2022-05-17 | 一种电气设备故障判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115048985B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743815A (zh) * | 2024-02-07 | 2024-03-22 | 国网江苏省电力有限公司南京供电分公司 | 一种断路器多路振动传感器信号优选方法及系统 |
| CN117783769A (zh) * | 2024-02-28 | 2024-03-29 | 国网山西省电力公司太原供电公司 | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN106444703A (zh) * | 2016-09-20 | 2017-02-22 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
| CN108540330A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种异构网络环境下的基于深度学习的网络故障诊断方法 |
| CN109492705A (zh) * | 2018-11-20 | 2019-03-19 | 南京航空航天大学 | 一种基于马氏距离（md）面积度量的故障诊断方法 |
| CN110286279A (zh) * | 2019-06-05 | 2019-09-27 | 武汉大学 | 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
| CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
| CN112485610A (zh) * | 2020-11-05 | 2021-03-12 | 国网电力科学研究院有限公司 | 考虑绝缘劣化的gis局部放电特征参数提取方法 |
| CN114169539A (zh) * | 2022-02-11 | 2022-03-11 | 阿里巴巴（中国）有限公司 | 模型训练方法、训练装置、电子设备和计算机可读介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220067531A1 (en) * | 2020-08-26 | 2022-03-03 | Nvidia Corporation | Efficient identification of critical faults in neuromorphic hardware of a neural network |
| US11921570B2 (en) * | 2020-09-21 | 2024-03-05 | Dell Products L.P. | Device failure prediction using filter-based feature selection and a conformal prediction framework |
-
2022
- 2022-05-17 CN CN202210543160.5A patent/CN115048985B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN106444703A (zh) * | 2016-09-20 | 2017-02-22 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
| CN108540330A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种异构网络环境下的基于深度学习的网络故障诊断方法 |
| CN109492705A (zh) * | 2018-11-20 | 2019-03-19 | 南京航空航天大学 | 一种基于马氏距离（md）面积度量的故障诊断方法 |
| CN110286279A (zh) * | 2019-06-05 | 2019-09-27 | 武汉大学 | 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
| CN112485610A (zh) * | 2020-11-05 | 2021-03-12 | 国网电力科学研究院有限公司 | 考虑绝缘劣化的gis局部放电特征参数提取方法 |
| CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
| CN114169539A (zh) * | 2022-02-11 | 2022-03-11 | 阿里巴巴（中国）有限公司 | 模型训练方法、训练装置、电子设备和计算机可读介质 |
Non-Patent Citations (3)
| Title |
|---|
| VikasSingh et al..Intelligent Condition Based MonitoringTechniques for Bearing Fault Diagnosis.《arXiv》.2020,1-9. * |
| 雷亚国 等.基于特征评估和神经网络的机械故障诊断模型.《西安交通大学学报》.2006,第40卷(第5期),558-562. * |
| 黎楚阳 等.基于大数据分析的风机叶片结冰故障诊断.《自动化与仪器仪表》.2020,12-16. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115048985A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115048985B (zh) | 一种电气设备故障判别方法 | |
| CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
| CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN113095173B (zh) | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN112307435A (zh) | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 | |
| CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
| CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
| CN111382809B (zh) | 一种基于电机输出功率的隔离开关机械故障诊断方法 | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN112561251A (zh) | 配电网异常点检测方法、装置、计算机设备及存储介质 | |
| CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
| CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
| Das et al. | Accurate identification of transformer faults from dissolved gas data using recursive feature elimination method | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| CN111079647A (zh) | 一种断路器缺陷识别方法 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| Shahrabad et al. | Power transformer fault diagnosis using DGA and artificial intelligence | |
| CN116956702A (zh) | 一种用电安全预警方法、介质及系统 | |
| Munagala | Application of Machine learning algorithms for Power transformer Internal faults identification | |
| CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
| Murali et al. | Forecasting and Classification Of Power Quality Disturbance In Smart Grid Using Hybrid Networks | |
| Kumari et al. | Heuristically Optimized Features Based Machine Learning Technique for Identification and Classification of Faults in PV Array | |
| CN117171659B (zh) | 一种智能化配变高压侧故障诊断方法 | |
| Kesici et al. | Cost sensitive class-weighting approach for transient instability prediction using convolutional neural networks |
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 |