CN115796832A - 基于多维参量的变电设备健康状态综合评估方法 - Google Patents
基于多维参量的变电设备健康状态综合评估方法 Download PDFInfo
- Publication number
- CN115796832A CN115796832A CN202211487156.8A CN202211487156A CN115796832A CN 115796832 A CN115796832 A CN 115796832A CN 202211487156 A CN202211487156 A CN 202211487156A CN 115796832 A CN115796832 A CN 115796832A
- Authority
- CN
- China
- Prior art keywords
- power transformation
- transformation equipment
- data
- health state
- state
- 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
Images
Classifications
-
- 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
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于多维参量的变电设备健康状态综合评估方法，包括：首先，进行数据探索，判断数据质量；其次，结合历史同工况数据，预测设备发生故障的置信度，实现横纵向信息联动分析；每个参量赋予劣化程度和变权重两个指标衡量；再次，采用改进的AHP综合评价法构建变电设备多维参量综合评分模型；最后，通过隶属函数将变电设备健康状态数字化描述，得到变电设备健康状态等级，从而形成变电设备运行过程中健康状态精准评估。本发明实现了变电设备健康状态综合评价，使变电设备整体状态掌握更加清晰，状态变化趋势更加明确，从而及早发现缺陷和故障的征兆，有针对性的指导运维检修，减少处理问题的时间，提高变电设备运行的安全性及稳定性。
Description
技术领域
本发明涉及变电站设备运行状态诊断及变电设备智慧运维检修领域，尤其涉及一种基于多维参量联动分析的变电设备健康状态综合评估方法。
背景技术
变电设备尤其是变压器在电力系统中处于枢纽地位，其运行安全可靠性直接关系到电力系统的安全。长期以来，国内对变电设备健康水平和运行状态的判断主要是依靠定期检修的方式来实现，经常出现漏检和过度检修的情况，造成物资的浪费和效率低下，同时也降低了变电站正常运行的安全可靠性。
现有的关于变电设备状态评估方面的研究主要体现在神经网络、模糊综合评判等算法在评估系统中的应用。但是，随着变电站数字化转型的不断深入，机器人、高清视频、红外测温、在线监测装置等无人化监测已经成为智能电网的发展趋势，变电站监测系统种类的增加可以对变电设备运行状态全方位监测，但在提高监控效率的同时，也出现了新的难题，变电设备监测数据提取能力不足，现有的评估系统大多还是仅仅基于负荷电流、电压变比等电气量数据的应用，新增的各类监测与巡检系统的多维数据没有充分利用，数据来源单一，面对庞大且繁杂的数据，缺少对各类指标的筛选及数据质量的评估，造成数据冗余；其次，随着变电设备监测手段的复杂化，多维度的变电设备监测数据很难关联，如设备温度信息、设备缺陷图像等，单一的信息来源容易造成错误评判和预警延迟，所以打通各监测系统之间的数据联动尤为迫切。
目前已部署的变电设备监测系统仅作为站端收集数据、展示数据的工具，缺乏信息深度挖掘和高级应用，无法对变电设备故障预防及检修提供实质性的参考价值，造成信息浪费。因此，如何融合现有的变电设备多维海量数据进行联动分析和综合评估设备状态亟需解决。
发明内容
发明目的：本发明的目的是提供一种基于多维参量联动分析的变电设备健康状态综合评估方法，通过此方法实现了变电设备健康状态综合评价，使变电设备整体状态掌握更加清晰，状态变化趋势更加明确。
技术方案：本发明包括如下步骤：
(1)进行数据探索，判断数据质量；通过相关性分析和指标重要性度量对多维度参量数据筛选和预处理，从而构建变电设备评估指标体系；
(2)结合历史同工况数据，预测设备发生故障的置信度，实现横纵向信息联动分析；结合关联规则及历史发生率，构建不同特性参量各自的扣分模型，分别评定每个参量缺陷在一般、严重、危急这三种程度下的初始扣分值，初始扣分值根据参量数据特性不同，分为二分类初始扣分模型和数值型初始扣分模型；
(3)每个参量赋予劣化程度和变权重两个指标衡量，步骤(2)的初始扣分模型是仅考虑劣化程度下的结果，进而再对每个参量的初始扣分值再赋变权重系数，得到最终扣分值，以各部件划分，分别计算各部件的缺陷参量扣分和，最终得到本体、套管、分接开关、冷却器、非电量保护的部件级得分；
(4)采用改进的AHP综合评价法构建变电设备多维参量综合评分模型，层次分析算法计算得到每个部件在综合评分中的权重系数，赋权重系数计算最终得到变电设备综合评分；
(5)通过隶属函数将变电设备健康状态数字化描述，得到变电设备健康状态等级，从而形成变电设备运行过程中健康状态精准评估，根据综合评估结果和健康状态等级得到早期预警信息，精准指导检修。
进一步地，所述步骤(1)中的多维度参量数据的来源具体包括获取SCADA告警信号、遥测数据、油色谱在线监测、铁芯在线监测、运行声音监测和局放监测在线监测信息，融合红外热成像生成的特征信号以及高清视频联合巡视的图像识别信息。
进一步地，所述多维度参量数据通过变电站已部署的各类监测系统获取后，经过数据质量分析及数据预处理，形成的变电设备评估指标体系，
进一步地，所述数据质量分析包括效性判别，完备性分析和规范性分析，数据预处理包括数据清洗，相关性分析和指标重要性度量。
进一步地，所述步骤(2)中的数值型参量采用降半梯型初始扣分模型，二分类型状态量采用分类型初始扣分模型。
进一步地，所述步骤(3)中的变权重系数加权，是指各参量在所属部件中的重要性等级加权，变权重系数分为I、II、III、IV四个等级，以决定各参量的变权重系数，部件总体得分不得小于0，采取百分制计分，若扣分值相加大于100时，认定总扣分值为100。
进一步地，所述步骤(5)中针对变压器最终评分值与故障状态的对应关系不明确的特点，利用模糊理论中的隶属度和相对劣化度评估结果，隶属函数利用半梯形与三角形分布，建立变压器相对劣化度与故障状态等级对应的隶属函数。
进一步地，假设变压器最终得分为t，所述相对劣化度计算公式如下所示：
进一步地，所述步骤(5)中的变电设备健康状态等级分为正常、注意、异常、严重四个等级。
进一步地，所述步骤(5)中隶属函数为4种变压器状态等级的模糊分界区间和相对劣化度相对应的函数，4种状态时的隶属函数分别为
根据
可以决定变压器的最终健康状态。
有益效果：本发明与现有技术相比，具有如下显著优点：本发明改进了单一参量对变电设备的片面评价，加强智能监测数据信息的有效利用；实现了变电设备健康状态综合评价，使变电设备整体状态掌握更加清晰，状态变化趋势更加明确，从而及早发现缺陷和故障的征兆，有针对性的指导运维检修，减少处理问题的时间，提高变电设备运行的安全性及稳定性。
附图说明
图1为本发明的流程图；
图2为AHP层次结构图；
图3为降半梯形评分模型图；
图4为隶属函数模型图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明提供了一种基于多维参量联动分析的变电设备健康状态综合评估方法，如图1所示，该方法可以充分利用变电设备多维度数据，深度挖掘各监测指标间的关联关系，在汇集全量数据的基础上，实现变压器运行健康状态评估及预警，数字赋能对运检人员设备全方面掌控，有针对性的指导运维检修，减少处理问题的时间，提高变电设备运行的安全性及稳定性，以油浸式变压器的健康合评估及预警为例，具体包括以下步骤：
(1)进行状态体系的建立，油浸式变压器设备部位及需监测状态量主要包括：
a.本体：本体外观、运行声音、运行油温、氢气含量、乙炔含量、总烃含量、局部放电、铁心(夹件)接地电流、变压器过负荷、短路电流等；
b.套管：套管外观、油位表计、引线及接头、均压环、末屏等；
c.分接开关：分接档位、机构箱、在线滤油装置等；
d.冷却系统：外观、风扇、控制箱等；
e.非电量保护装置：气体继电器、温度表计、压力释放阀、油流继电器、压力突发继电器等；
f.储油柜：本体储油柜油位表计、外观、呼吸器、分接开关储油柜油位表计、外观等；
g.高压开关柜：外观、仪器仪表、开关分合位置、触头、电线电缆等。
(2)建立关联规则，通过对步骤A的信息接入，利用油浸式变压器运行的历史数据(同一时间的各在线监测系统信息)建立关联规则，得到：
a.当多个监测系统体现的同一部件的状态，x系统推断出可能是A故障或B故障，y系统推断出可能是B故障或C故障，则极大概率判断出现B故障。
b.当发生某缺陷时，常伴随着另外哪种缺陷的发生，比如发生A故障的情况下常伴随发生D故障，则A故障发生时，极大概率发生D故障。
(3)确定状态量变权重系数，当某一状态量数值严重偏离正常值时，往往代表着变压器某一方面性能已严重下降，但是根据常权重系数来进行评估时，如果其权重占整体比例并不大，变压器整体评分显示可能还是正常水平，因而不能准确反映变压器真实的运行状态，所以要引入因状态量的变化而发生改变的变权重系数；
变权重的状态量缺陷分为三类：一般、严重、危急，一般缺陷是指存在异常，但不会引起事故的缺陷，这类缺陷一般要求记录在案，注意观察其缺陷的发展，利用停电机会检修，有计划的安排试验检修，消除缺陷。严重缺陷是指损坏程度较重，严重影响部件效果但还仍可运行，应尽快安排处理。危急缺陷是指必须紧急处理的缺陷，极易造成部件瘫痪或部件无法使用，甚至引发更大的事故；
变权重系数是ωi(ω一般，ω严重，ω危急)数组，i指某个监测系统，根据各监测系统包含三类状态量缺陷的数量以及基于历史数据预估的三类状态量缺陷的发生概率，计算各监测系统下状态量的变权重系数如公式(1)所示：
其中n1为某监测系统中一般的个数，n2为某监测系统中严重的个数，n3为某监测系统中危急的个数。由限制函数找到maxω危急，固定maxω危急找到maxω严重，最后计算出maxω一般。
(4)建立各监测系统下状态量评判依据和评分模型。根据变压器诊断标准、规范和专家库，确定了每个监测系统下各状态量的分类依据，对数值型状态量和二分类状态量进行评分，采用扣分值计算模型完成最终的评分。
数值型状态量，如总烃值、上层油温等，针对于油色谱和红外测温两个系统，采用常见的降半梯形评分模型，如图3所示，扣分性值计算如下所示：
将相对应监测系统的变权重系数代入可得，d′1(y)＝d1(v)ωi，v∈i。
(5)二分类状态量只有是和否两种结果出现的状态量，针对可见光图像系统状态量，考虑到每个状态量都能够较为准确地表征变压器某一方面的运行状态，即对于变压器的整体健康状态都十分重要，因可以将其常权重系数取平均值；
相对应监测系统的变权重系数代入，得到每个状态量最终扣分值如下所示：
d′2(v)＝d2(v)ωi，v∈i (3)
根据扣分值模型计算出每个状态量对应的扣分值，包括油色谱在线监测数据、红外测温数据、图像识别数据、声纹监测数据、铁芯接地监测数据、局部放电监测数据和SCADA监测系统数据等。
(6)分别计算各部件的缺陷参量扣分和，最终得到本体、套管、分接开关、冷却器、非电量保护的部件级得分。
T(i)＝100-di1-di2-…-din (4)
其中，i为本体、套管、分接开关、冷却器、非电量保护中的一个变压器部件，di1、di2、…、din为属于部件i的每个状态量扣分值。
(7)建立层次结构模型，如图2所示，通过AHP层次分析法把一个问题分为多个层次，每个层次再划分多个因素，通过相互比较的方法确定各因素的相对重要性，然后综合专家的主观意见，以决定各因素的权重系数。
(8)构造“目标层---第一准则层”成对比较矩阵：
a.构造比较矩阵的方法
b.构造“目标层——第一准则层”成对比较矩阵
c.计算矩阵的最大特征值及其对应向量
d.计算第一准则层λ对应的特征向量
构建“第一准则层与第二准则层”成对比较矩阵：
a.构造比较矩阵的方法
b.构造“第一准则层与第二准则层”成对比较矩阵
c.计算矩阵的最大特征值及其对应向量
d.计算第二准则层λ对应的特征向量(权重向量)
(9)通过加成所含状态量权重，求得决策层(7个监测系统)权重向量。最终求得决策层权重向量为：分别对应。
(10)根据7个监测系统得分值及所附权重，加权平均得到变压器状态最终评分：
(11)变压器状态分类评估，针对变压器最终评分值与故障状态的对应关系不明确的特点，主要利用模糊理论中的隶属度和相对劣化度来处理评估结果。
隶属函数表示模糊集合的边界，而隶属度是由隶属函数确定的，其变化范围为0～1之间的任一连续数值。当某指标的隶属度为“0”时，表征该指标不属于此模糊集合；当其隶属度为“1”时，表征该指标完全属于此模糊集合；而其隶属度值介于0～1之间则表征该指标属于此模糊集合的程度。
针对变压器最终得分t，相对劣化度为：
由于半梯形与三角形分布隶属函数的形状较为简单，并且得到的结果与其它类型的隶属函数差别也不大，因此利用半梯形与三角形分布，建立变压器最终评分值(相对劣化度)与故障状态等级对应的隶属函数，如图4所示：
变压器状态等级的模糊分界区间和相对劣化度相对应的隶属函数如下：
正常状态时的隶属函数：
一般状态时的隶属函数：
严重状态时的隶属函数：
危急状态时的隶属函数：
由上可以得到变压器的评估结果矩阵形式如表1所示：
表1变压器的评估结果矩阵表
根据
可以决定变压器的最终健康状态，变压器状态信息评分采用100分制，打破了以往只有合格或超标两种状态，满足了状态维修对变压器进行更细分级的要求，实现变压器的等级评定。
Claims (10)
1.一种基于多维参量的变电设备健康状态综合评估方法，其特征在于，包括如下步骤：
(1)进行数据探索，判断数据质量；通过相关性分析和指标重要性度量对多维度参量数据筛选和预处理，从而构建变电设备评估指标体系；
(2)结合历史同工况数据，预测设备发生故障的置信度，实现横纵向信息联动分析；结合关联规则及历史发生率，构建不同特性参量各自的扣分模型，分别评定每个参量缺陷在一般、严重、危急这三种程度下的初始扣分值，初始扣分值根据参量数据特性不同，分为二分类初始扣分模型和数值型初始扣分模型；
(3)每个参量赋予劣化程度和变权重两个指标衡量，步骤(2)的初始扣分模型是仅考虑劣化程度下的结果，进而再对每个参量的初始扣分值再赋变权重系数，得到最终扣分值，以各部件划分，分别计算各部件的缺陷参量扣分和，最终得到本体、套管、分接开关、冷却器、非电量保护的部件级得分；
(4)采用改进的AHP综合评价法构建变电设备多维参量综合评分模型，层次分析算法计算得到每个部件在综合评分中的权重系数，赋权重系数计算最终得到变电设备综合评分；
(5)通过隶属函数将变电设备健康状态数字化描述，得到变电设备健康状态等级，从而形成变电设备运行过程中健康状态精准评估，根据综合评估结果和健康状态等级得到早期预警信息，精准指导检修。
2.根据权利要求1所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，所述步骤(1)中的多维度参量数据的来源具体包括获取SCADA告警信号、遥测数据、油色谱在线监测、铁芯在线监测、运行声音监测和局放监测在线监测信息，融合红外热成像生成的特征信号以及高清视频联合巡视的图像识别信息。
3.根据权利要求2所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，所述多维度参量数据通过变电站已部署的各类监测系统获取后，经过数据质量分析及数据预处理，形成的变电设备评估指标体系。
4.根据权利要求3所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，所述数据质量分析包括效性判别，完备性分析和规范性分析，数据预处理包括数据清洗，相关性分析和指标重要性度量。
5.根据权利要求1所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，所述步骤(2)中的数值型参量采用降半梯型初始扣分模型，二分类型状态量采用分类型初始扣分模型。
6.根据权利要求1所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，所述步骤(3)中的变权重系数加权，是指各参量在所属部件中的重要性等级加权，变权重系数分为I、II、III、IV四个等级，以决定各参量的变权重系数，部件总体得分不得小于0，采取百分制计分，若扣分值相加大于100时，认定总扣分值为100。
7.根据权利要求1所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，所述步骤(5)中针对变压器最终评分值与故障状态的对应关系不明确的特点，利用模糊理论中的隶属度和相对劣化度评估结果，隶属函数利用半梯形与三角形分布，建立变压器相对劣化度与故障状态等级对应的隶属函数。
8.根据权利要求7所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，假设变压器最终得分为t，所述相对劣化度计算公式如下所示：
9.根据权利要求1所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，所述步骤(5)中的变电设备健康状态等级分为正常、注意、异常、严重四个等级。
10.根据权利要求1所述的基于多维参量的变电设备健康状态综合评估方法，其特征在于，所述步骤(5)中隶属函数为4种变压器状态等级的模糊分界区间和相对劣化度相对应的函数，4种状态时的隶属函数分别为
根据
可以决定变压器的最终健康状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211487156.8A CN115796832A (zh) | 2022-11-24 | 2022-11-24 | 基于多维参量的变电设备健康状态综合评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211487156.8A CN115796832A (zh) | 2022-11-24 | 2022-11-24 | 基于多维参量的变电设备健康状态综合评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115796832A true CN115796832A (zh) | 2023-03-14 |
Family
ID=85441299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211487156.8A Pending CN115796832A (zh) | 2022-11-24 | 2022-11-24 | 基于多维参量的变电设备健康状态综合评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115796832A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117232584A (zh) * | 2023-11-10 | 2023-12-15 | 山东特发光源光通信有限公司 | 一种基于图像分析的缆绞机质量检测系统 |
-
2022
- 2022-11-24 CN CN202211487156.8A patent/CN115796832A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117232584A (zh) * | 2023-11-10 | 2023-12-15 | 山东特发光源光通信有限公司 | 一种基于图像分析的缆绞机质量检测系统 |
| CN117232584B (zh) * | 2023-11-10 | 2024-03-22 | 山东特发光源光通信有限公司 | 一种基于图像分析的缆绞机质量检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689234B (zh) | 一种基于多源数据融合的电力变压器状态评估方法 | |
| CN109102171A (zh) | 一种基于大数据的变电站设备状态智能化评价系统及方法 | |
| CN111784178B (zh) | 一种基于多源信息融合的配电变压器状态评估方法 | |
| CN104020754A (zh) | 一种变电站一次主设备状态监测信息接入调控系统的方法 | |
| Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
| Yang et al. | State evaluation of power transformer based on digital twin | |
| CN106447205A (zh) | 一种基于层次分析法的配电自动化终端状态评价方法 | |
| CN112989601A (zh) | 一种基于主客观组合赋权的海底电缆状态评估方法 | |
| CN105719094A (zh) | 一种输电设备状态评估方法 | |
| CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
| CN114254818A (zh) | 一种基于风险评估模型的低压配电网连锁故障预警方法 | |
| CN115796832A (zh) | 基于多维参量的变电设备健康状态综合评估方法 | |
| CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
| CN113268590A (zh) | 一种基于设备画像和集成学习的电网设备运行状态评估方法 | |
| CN112270423A (zh) | 一种基于模糊综合评价的变电站设备状态的评估方法 | |
| CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
| Bhalla et al. | Transformer incipient fault diagnosis based on DGA using fuzzy logic | |
| CN116862478A (zh) | 基于分层架构与动态赋权的变压器健康评估方法 | |
| CN113779005A (zh) | 一次设备的缺陷评估方法和装置、存储介质 | |
| CN116611691A (zh) | 电缆线路多维度运行风险评估方法 | |
| CN115833387A (zh) | 一种储能电站自动化状态巡检方法 | |
| Das et al. | Transformer assessment using health index–Part I | |
| CN111313355B (zh) | 一种人工监督下的监控信号事件规则更新的方法 | |
| CN111489077A (zh) | 一种用于电力通讯系统的可靠性评估方法 | |
| CN112686408A (zh) | 基于多源信息融合以及风险评估的变压器检修决策方法 |
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 |