CN115936663A - 一种电力系统的维护方法及装置 - Google Patents
一种电力系统的维护方法及装置 Download PDFInfo
- Publication number
- CN115936663A CN115936663A CN202211213232.6A CN202211213232A CN115936663A CN 115936663 A CN115936663 A CN 115936663A CN 202211213232 A CN202211213232 A CN 202211213232A CN 115936663 A CN115936663 A CN 115936663A
- Authority
- CN
- China
- Prior art keywords
- power system
- maintenance
- fault model
- fault
- data
- 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
Abstract
本发明公开了一种电力系统的维护方法及装置,其方法包括:获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本,通过赋权法,对设备状态信息和设备性能信息进行评价,得到电力系统的健康状态度数据,使用随机过程类数学方法,根据健康状态度数据、设备环境信息和故障训练样本,结合预设的随机性因素数据,建立故障模型,基于故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成维护策略数据库,当电力系统发生故障时,运用维护策略数据库中对应的维护策略进行维护。有利于解决电力系统的维护工作处于被动运维过程导致维护效率低下的技术问题,保证了电力系统的安全可靠运行。
Description
技术领域
本发明涉及电力系统运行维护的技术领域,尤其涉及一种电力系统的维护方法及装置。
背景技术
在倡导全球能源互联发展的时代背景下,我国大电网的建设如火如荼、电力系统网络化的节奏也逐步加快。这就意味着在该阶段平稳结束之后,我国的电力系统将全面迎来运行维护的高峰时期,电力系统是大国重器,关乎国计民生,其能否健康高效地服役事关重大。传统电力系统运行维护理论和技术已不能与当前的电力系统的先进性保持一致,更无法适应在全球能源互联网发展过程中或将面临的巨大挑战。目前电力系统的维护还处于被动运维过程,主动维护理论概念尚未形成,也鲜见较为可靠的理论技术路径。
目前的电力系统运行维护都具有被动性,具有滞后效应,使得运行维护人员无法提前对系统和设备的状况进行全面了解和掌握。“被动性”通常体现在三方面:1)对系统和设备运行状态的诊断不准确、不全面;2)故障诊断方法和处理手段存在缺陷;3)检修维护模式落后。
因此,为了保障电力系统的安全可靠运行,解决目前存在的电力系统的维护工作处于被动运维过程导致维护效率低下的技术问题,亟需构建一种电力系统的维护方法。
发明内容
本发明提供了一种电力系统的维护方法及装置,解决了目前存在的电力系统的维护工作处于被动运维过程导致维护效率低下的技术问题。
第一方面,本发明提供了一种电力系统的维护方法,包括:
获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本;
通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据;
使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型;
基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库;
当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护。
可选地,使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型,包括:
使用所述随机过程类数学方法,根据所述健康状态度数据和所述设备环境信息,结合所述预设的随机性因素数据,建立电力系统初步故障模型;
基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型;
基于所述故障训练样本,验证所述训练后的电力系统初步故障模型,得到所述电力系统故障模型。
可选地,基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型,包括:
将所述健康状态度数据输入所述电力系统初步故障模型,生成对应的样本类别;
根据所述故障训练样本中的健康状态度数据及对应的样本类别标签和所述样本类别,确定训练误差;
基于所述训练误差,对所述电力系统初步故障模型进行调整,得到最优参数,并采用所述最优参数,优化所述电力系统初步故障模型,得到所述训练后的电力系统初步故障模型。
可选地,基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库,包括:
利用多目标优化算法,基于所述电力系统故障模型,结合所述预设的评价指标数据,得到与维护时间和维护阈值对应的维护决策;
利用排序规划算法和多属性决策,基于所述电力系统故障模型,结合所述预设的平衡关系数据,生成空间尺度上的维护决策;
汇总所述与维护时间和维护阈值对应的维护决策和所述空间尺度上的维护决策,得到所述电力系统的维护策略数据库。
可选地,基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库之后,还包括:
根据电力系统或电力设备之间的差异性,利用灵敏度分析法,对所述维护策略数据库中的维护策略进行优化,得到最优维护策略和最佳维护方式排序。
第二方面,本发明提供了一种电力系统的维护装置,包括:
获取模块,用于获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本;
评价模块,用于通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据;
建立模块,用于使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型;
生成模块,用于基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库;
维护模块,用于当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护。
可选地,所述建立模块包括:
建立子模块,用于使用所述随机过程类数学方法,根据所述健康状态度数据和所述设备环境信息,结合所述预设的随机性因素数据,建立电力系统初步故障模型;
训练子模块,用于基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型;
验证子模块,用于基于所述故障训练样本,验证所述训练后的电力系统初步故障模型,得到所述电力系统故障模型。
可选地,所述训练子模块包括:
输入单元,用于将所述健康状态度数据输入所述电力系统初步故障模型,生成对应的样本类别;
误差单元,用于根据所述故障训练样本中的健康状态度数据及对应的样本类别标签和所述样本类别,确定训练误差;
优化单元,用于基于所述训练误差,对所述电力系统初步故障模型进行调整,得到最优参数,并采用所述最优参数,优化所述电力系统初步故障模型,得到所述训练后的电力系统初步故障模型。
可选地,所述生成模块包括:
时间子模块,用于利用多目标优化算法,基于所述电力系统故障模型,结合所述预设的评价指标数据,得到与维护时间和维护阈值对应的维护决策;
空间子模块,用于利用排序规划算法和多属性决策,基于所述电力系统故障模型,结合所述预设的平衡关系数据,生成空间尺度上的维护决策;
汇总子模块,用于汇总所述与维护时间和维护阈值对应的维护决策和所述空间尺度上的维护决策,得到所述电力系统的维护策略数据库。
可选地,所述装置还包括:
优化模块,用于根据电力系统或电力设备之间的差异性,利用灵敏度分析法,对所述维护策略数据库中的维护策略进行优化,得到最优维护策略和最佳维护方式排序。
从以上技术方案可以看出,本发明具有以下优点:本发明提供了一种电力系统的维护方法,通过获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本,通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据,使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型,基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库,当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护,通过一种电力系统的维护方法,解决了目前存在的电力系统的维护工作处于被动运维过程导致维护效率低下的技术问题,保证了电力系统的安全可靠运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的一种电力系统的维护方法实施例一的流程步骤图;
图2为本发明的一种电力系统的维护方法实施例二的流程步骤图;
图3为本发明的一种电力系统的维护装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种电力系统的维护方法及装置,用于解决目前存在的电力系统的维护工作处于被动运维过程导致维护效率低下的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
实施例一,请参阅图1,图1为本发明的一种电力系统的维护方法实施例一的流程步骤图,包括:
步骤S101,获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本;
步骤S102,通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据;
在本发明实施例中,根据所述工程建设需求信息,构建作业工单,按照所述预设的分类标签,划分所述作业工单为所述对应的试验数据。
步骤S103,使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型;
在本发明实施例中,使用所述随机过程类数学方法,根据所述健康状态度数据和所述设备环境信息,结合所述预设的随机性因素数据,建立电力系统初步故障模型,基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型,基于所述故障训练样本,验证所述训练后的电力系统初步故障模型,得到所述电力系统故障模型。
步骤S104,基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库;
在本发明实施例中,利用多目标优化算法,基于所述电力系统故障模型,结合所述预设的评价指标数据,得到与维护时间和维护阈值对应的维护决策,利用排序规划算法和多属性决策,基于所述电力系统故障模型,结合所述预设的平衡关系数据,生成空间尺度上的维护决策,汇总所述与维护时间和维护阈值对应的维护决策和所述空间尺度上的维护决策,得到所述电力系统的维护策略数据库,根据电力系统或电力设备之间的差异性,利用灵敏度分析法,对所述维护策略数据库中的维护策略进行优化,得到最优维护策略和最佳维护方式排序。
步骤S105,当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护。
在本发明实施例所提供的一种电力系统的维护方法,通过获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本,通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据,使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型,基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库,当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护,通过一种电力系统的维护方法,解决了目前存在的电力系统的维护工作处于被动运维过程导致维护效率低下的技术问题,保证了电力系统的安全可靠运行。
实施例二,请参阅图2,图2为本发明的一种电力系统的维护方法的流程步骤图,包括:
步骤S201,获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本;
在本发明实施例中,获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本,所述故障训练样本包括其他电力系统的健康状态度数据和样本类别标签。
在具体实现中,获取电力系统的运行维护数据,建立电力系统维护平台。
电力系统维护平台可以实现多源、多时空尺度大数据的收集,采用统计学。测度论、尺度归一、特征提取等技术手段进行数据处理,充分分析所收集这些结构化、非结构化、半结构化大数据的多源异构特征,挖掘其趋势信息。
电力系统维护平台是一套安装于电力系统关键节点,且搭载各种先进技术手段的一体化平台,用于电力系统的实时健康诊断和智能维护决策。
电力系统维护平台是一套从设备级到系统级的分布式软硬件集成一体化系统。可类比为人体免疫系统,其基本结构包含分布于设备层的感知agent、执行agent、免疫agent以及系统层的管理agent,分别用以实现系统主动维护的各项内容。其含义和功能如下:
1)感知agent:其主要作用是采集系统运行实时产生的数据,可以实现与现有SCADA等在线监测系统,以及离线试验检测数据的相互衔接来获取有关设备健康度的指标。
2)免疫agent:设备层免疫agent的主要功能包括设备健康度评估、服役性能监测,以及设备故障的判定和预警等功能,且能够将相应结果经网络传送到系统管理agent。值得提及的是,每个子系统中的各个关键一次设备需要安装适用于本设备的定制化免疫agent。
3)管理agent:子系统的管理agent接收到免疫agent上传信息后,将结合设备服役条件决策出设备层的最优维护策略;同时,不同子系统的管理agent需要交互和通讯,且接受上层管理agent的统一协调和支配。系统层管理agent接受和汇总整个系统维护活动的全部数据,在系统层级统筹各种主动维护决策后给出适用于各子系统的最优维护策略并下达;同时调度各子系统管理agent,使其激发抗体库产生抗体以执行维护策略。
4)执行agent:执行agent具体到实施层面即时是实施主动维护活动的具体装置、工具和工人。其接受并执行子系统管理agent调控自抗体库的抗体,对系统中的抗原实施维护行为。
5)抗原:是系统不健康状态下各种故障特征的总称,其具体表现形式有:服役性能退化、服役环境风险、电能质量下降、显性故障、隐性故障质量下降、运行方式不当等。
6)抗体:是指通过从设备层到系统层逐级的主动维护决策过程后产生的最优维护策略。
7)抗体库:抗体库是所有抗体组成的,即所有最佳维护策略的集合。抗体库能够针对每次产生的抗原,自身进行归类、优化和配置,自动更新换代,即便系统结构发生了变化,抗体库也能做出相应的更新来消灭抗原。
具体的,例如,若安装在主变上的局放感知agent监测到主变局放异常,则其会将数据传送至主变免疫agent(将局放异常视做一个抗原),此时主变免疫agent会综合其他感知agent上送的数据对主变的康度和服役性能进行评估分析,且将评估结论上送至管理agent,若同时还有系统存在其余设备因异常诱发的抗原,则管理agent也必然接收到其余的评估结果,此时管理agent将综合考虑所有评估结果,优化配置,对异常设备做出合理的维护安排,以确保可优化范围内设备的最高可靠性以及最低维护等;系统级的管理agent进行系统级的分析与决策,其调控和配置所有子系统管理agent,进行全系统最佳维护方式的排列组合;由此得出的最优维护策略便是抗体,其将被调派到相应的维护班组或维护人员(执行agent),由执行agent依据系统下发的最优维护策略(抗体)来实施具体维护活动,以修复或消除设备的异常状况(抗原)。
具体地,电力系统具有以下特性:
(1)多时空尺度性:
1)服役环境的多时空尺度性:我国电力系统规模巨大,横跨多个气候带,系统设备必须轮番雷电、冰雪、风霜等强对流天气的干扰;同时,各地区电网的坚强程度也具有较大差异,区域或省级电网间潮流分布的实时变化使得这种差异愈加显著。因此,多样的自然环境、气候因素、电源条件、电网结构等造成了电力系统服役环境的多时空尺度属性。
2)数据的多时空尺度性:随着电网规模的日益扩大和既有电网的经年运行,势必将累积海量的多态、多粒度、多维度、异构的大数据,此类数据采集的装置和手段不尽相同,采样数据的量纲、分辨率等也千差万别,或主观或客观,或定性或定量,且存储或记录的介质也不尽相同。因此,这些产生于电力系统运行、维护、检修和管理过程中的实时和历史数据,就具有了多时空尺度的属性。
3)结构和服役性能的多时空尺度性:电力系统的拓扑结构是一种类似网状的回路,回路的有众多设备和元件,这种网状结构在空间上将单独的设备链接成完整的系统,从而形成了从设备层级到系统层级的空间尺度跨越。此外,电力系统设备的服役性能势必会随时间尺度推进而呈现出不同的规律和状态,在时间尺度的不断推进下,观测到的退化趋势、故障演进、以及失效规律等将逐渐从微观发展到宏观,问题也将由点发展成面。因此,必须采用具有不同精度和分辨率,且能够实现不同时间和空间尺度灵活转换的数学方法对其进行描述。
(2)动态性:
电力系统的动态性是指与系统和设备有关的现象、参数等都是时变的函数。这种动态性主要体现为潮流分布频繁的变换,动态性会对服役其中的设备性能和寿命产生直接影响,加速损耗和老化,增加了设备故障率的可能性。
研究表明,电力系统设备在全寿命周期中故障率呈现浴盆曲线形式,如图2所示。设备的服役初期其故障率下降,服役中期故障率较为稳定,后期又逐步增加升。故障率在其全寿命周期内是一个动态过程。
电力系统设备在其全寿命的服役中,必然会动态地遍历周期性的“正常—退化—故障—修复—正常”的循环过程,在这种循环往复中,设备性能能与维护活动的效率、成本间也保持一种动态平衡。
(3)随机性:
电力系统的随机性体现在系统或设备的运行服役、故障发展、维护活动等过程中的评价指标、影响因素以及特征变量等方面。电力系统或设备遭受自然灾害的风险是随机的,灾害的类型、发生的时间、灾害程度等均为随机变量;此外,内部服役环境也具有随机性,如潮流的变化是实时的,这就使其具有时间上的随机性,负荷的变化又具有空间上的随机性,因此,对系统或设备造成的冲击就具有了时间和空间双重随机的属性。其次,电力系统伴随着服役性能持续退化会不断孕育故障,发展过程是随机的;故障后的特征变量,如发生时间、部位、范围等也是时间或空间上的随机变量。因为系统的和设备的故障引起了维护活动,因此维护活动的具有与故障同宗同源的随机属性。
对于电力系统和设备在其服役过程的健康度评估,是一个主客观相结合的过程,又因为人对事物的认知随着经验和自身评价体系的不同而具有较大的差异,且健康度往往是模糊的过渡状态。这种评价主体的差异性以及客体的模糊性,造就了健康评估的随机性。
步骤S202,通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据;
在本发明实施例中,通过赋权法,基于所述设备状态信息和所述设备性能信息,进行评价,得到所述电力系统的健康状态度数据。
在具体实现中,需要对设备的健康状态进行评估,其所依据的标准便是设备状态信息和设备性能信息,考虑到健康度的评估过程中存在的认知随机性,应采用科学合理的赋权法,因此需将客观赋权的精准量化同主观赋权的可解释性强的优势进行结合,从而实现从设备再到整个系统健康度的评估。
步骤S203,使用随机过程类数学方法,根据所述健康状态度数据和所述设备环境信息,结合预设的随机性因素数据,建立电力系统初步故障模型;
在本发明实施例中,采用随机过程类数学方法,根据所述健康状态度数据和所述设备环境信息和预设的随机性因素数据,建立系统或设备在全寿命周期内的故障模型。
在具体实现中,电力系统的随机性体现在系统或设备的运行服役、故障发展、维护活动等过程中的评价指标、影响因素以及特征变量等方面。电力系统或设备遭受自然灾害的风险是随机的,灾害的类型、发生的时间、灾害程度等均为随机变量;此外,内部服役环境也具有随机性,如潮流的变化是实时的,这就使其具有时间上的随机性,负荷的变化又具有空间上的随机性,因此,对系统或设备造成的冲击就具有了时间和空间双重随机的属性。其次,电力系统伴随着服役性能持续退化会不断孕育故障,发展过程是随机的;故障后的特征变量,如发生时间、部位、范围等也是时间或空间上的随机变量。因为系统的和设备的故障引起了维护活动,因此维护活动的具有与故障同宗同源的随机属性。
对于电力系统和设备在其服役过程的健康度评估,是一个主客观相结合的过程,又因为人对事物的认知随着经验和自身评价体系的不同而具有较大的差异,且健康度往往是模糊的过渡状态。这种评价主体的差异性以及客体的模糊性,造就了健康评估的随机性。
步骤S204,基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型;
在一个可选实施例中,基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型,包括:
将所述健康状态度数据输入所述电力系统初步故障模型,生成对应的样本类别;
根据所述故障训练样本中的健康状态度数据及对应的样本类别标签和所述样本类别,确定训练误差;
基于所述训练误差,对所述电力系统初步故障模型进行调整,得到最优参数,并采用所述最优参数,优化所述电力系统初步故障模型,得到所述训练后的电力系统初步故障模型。
在本发明实施例中,将所述健康状态度数据输入所述电力系统初步故障模型,生成对应的样本类别,根据所述故障训练样本中的健康状态度数据及对应的样本类别标签和所述样本类别,确定训练误差,基于所述训练误差,对所述电力系统初步故障模型进行调整,得到最优参数,并采用所述最优参数,优化所述电力系统初步故障模型,得到所述训练后的电力系统初步故障模型。
步骤S205,基于所述故障训练样本,验证所述训练后的电力系统初步故障模型,得到电力系统故障模型;
在本发明实施例中,由故障训练样本验证训练后的电力系统初步故障模型,得到电力系统故障模型。
步骤S206,利用多目标优化算法,基于所述电力系统故障模型,结合预设的评价指标数据,得到与维护时间和维护阈值对应的维护决策;
在本发明实施例中,考虑到在维护过程的局限性,需要从可靠性、维护策略以及维护成本等方面出发制定服役性能和维护策略的评价指标,再利用多目标优化算法,基于电力系统故障模型,分别在空间和时间维度上开展与维护时间以及维护阈值有关的主动维护决策,求解系统或设备的主动维护策略,生成与维护时间和维护阈值对应的维护决策。
步骤S207,利用排序规划算法和多属性决策,基于所述电力系统故障模型,结合预设的平衡关系数据,生成空间尺度上的维护决策;
在本发明实施例中,考量维护技术在可靠性、安全性、健康性、可维护性以及经济性等各方面的平衡关系,利用多属性决策给各属性赋权,同时利用排序规划算法,基于电力系统故障模型,完成空间尺度上的主动维护决策,求解电力系统的主动维护策略,生成空间尺度上的维护决策。
步骤S208,汇总所述与维护时间和维护阈值对应的维护决策和所述空间尺度上的维护决策,得到所述电力系统的维护策略数据库;
在一个可选实施例中,汇总所述与维护时间和维护阈值对应的维护决策和所述空间尺度上的维护决策,得到所述电力系统的维护策略数据库之后,还包括:
根据电力系统或电力设备之间的差异性,利用灵敏度分析法,对所述维护策略数据库中的维护策略进行优化,得到最优维护策略和最佳维护方式排序。
在本发明实施例中,汇总生成的维护决策,得到电力系统的维护策略数据库,随着维护库中维护策略数据的不断累积,利用大数据工具,不断优化调整维护策略,针对电力系统或电力设备之间的差异性,利用灵敏度分析法,对所述维护策略数据库中的维护策略进行优化,得到最优维护策略和最佳维护方式排序。
步骤S209,当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护;
在本发明实施例中,在电力系统出现故障情况时,采用维护策略数据库中对应的维护策略进行维护。
在本发明实施例所提供的一种电力系统的维护方法,通过获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本,通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据,使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型,基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库,当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护,通过一种电力系统的维护方法,解决了目前存在的电力系统的维护工作处于被动运维过程导致维护效率低下的技术问题,保证了电力系统的安全可靠运行。
请参阅图3,图3为本发明的一种电力系统的维护装置实施例的结构框图,包括:
获取模块301,用于获取模块,用于获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本;
评价模块302,用于通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据;
建立模块303,用于使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型;
生成模块304,用于基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库;
维护模块305,用于当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护。
在一个可选实施例中,所述建立模块303包括:
建立子模块,用于使用所述随机过程类数学方法,根据所述健康状态度数据和所述设备环境信息,结合所述预设的随机性因素数据,建立电力系统初步故障模型;
训练子模块,用于基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型;
验证子模块,用于基于所述故障训练样本,验证所述训练后的电力系统初步故障模型,得到所述电力系统故障模型。
在一个可选实施例中,所述训练子模块包括:
输入单元,用于将所述健康状态度数据输入所述电力系统初步故障模型,生成对应的样本类别;
误差单元,用于根据所述故障训练样本中的健康状态度数据及对应的样本类别标签和所述样本类别,确定训练误差;
优化单元,用于基于所述训练误差,对所述电力系统初步故障模型进行调整,得到最优参数,并采用所述最优参数,优化所述电力系统初步故障模型,得到所述训练后的电力系统初步故障模型。
在一个可选实施例中,所述生成模块304包括:
时间子模块,用于利用多目标优化算法,基于所述电力系统故障模型,结合所述预设的评价指标数据,得到与维护时间和维护阈值对应的维护决策;
空间子模块,用于利用排序规划算法和多属性决策,基于所述电力系统故障模型,结合所述预设的平衡关系数据,生成空间尺度上的维护决策;
汇总子模块,用于汇总所述与维护时间和维护阈值对应的维护决策和所述空间尺度上的维护决策,得到所述电力系统的维护策略数据库。
在一个可选实施例中,所述装置还包括:
优化模块,用于根据电力系统或电力设备之间的差异性,利用灵敏度分析法,对所述维护策略数据库中的维护策略进行优化,得到最优维护策略和最佳维护方式排序。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,本发明所揭露的方法及装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力系统的维护方法,其特征在于,包括:
获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本;
通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据;
使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型;
基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库;
当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护。
2.根据权利要求1所述的电力系统的维护方法,其特征在于,使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型,包括:
使用所述随机过程类数学方法,根据所述健康状态度数据和所述设备环境信息,结合所述预设的随机性因素数据,建立电力系统初步故障模型;
基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型;
基于所述故障训练样本,验证所述训练后的电力系统初步故障模型,得到所述电力系统故障模型。
3.根据权利要求2所述的电力系统的维护方法,其特征在于,基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型,包括:
将所述健康状态度数据输入所述电力系统初步故障模型,生成对应的样本类别;
根据所述故障训练样本中的健康状态度数据及对应的样本类别标签和所述样本类别,确定训练误差;
基于所述训练误差,对所述电力系统初步故障模型进行调整,得到最优参数,并采用所述最优参数,优化所述电力系统初步故障模型,得到所述训练后的电力系统初步故障模型。
4.根据权利要求1所述的电力系统的维护方法,其特征在于,基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库,包括:
利用多目标优化算法,基于所述电力系统故障模型,结合所述预设的评价指标数据,得到与维护时间和维护阈值对应的维护决策;
利用排序规划算法和多属性决策,基于所述电力系统故障模型,结合所述预设的平衡关系数据,生成空间尺度上的维护决策;
汇总所述与维护时间和维护阈值对应的维护决策和所述空间尺度上的维护决策,得到所述电力系统的维护策略数据库。
5.根据权利要求1所述的电力系统的维护方法,其特征在于,基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库之后,还包括:
根据电力系统或电力设备之间的差异性,利用灵敏度分析法,对所述维护策略数据库中的维护策略进行优化,得到最优维护策略和最佳维护方式排序。
6.一种电力系统的维护装置,其特征在于,包括:
获取模块,用于获取电力系统的设备状态信息、设备性能信息和设备环境信息,以及电力系统数据库中的故障训练样本;
评价模块,用于通过赋权法,对所述设备状态信息和所述设备性能信息进行评价,得到所述电力系统的健康状态度数据;
建立模块,用于使用随机过程类数学方法,根据所述健康状态度数据、所述设备环境信息和所述故障训练样本,结合预设的随机性因素数据,建立电力系统故障模型;
生成模块,用于基于所述电力系统故障模型,结合预设的评价指标数据和预设的平衡关系数据,生成所述电力系统的维护策略数据库;
维护模块,用于当所述电力系统发生故障时,运用所述维护策略数据库中对应的维护策略进行维护。
7.根据权利要求6所述的电力系统的维护装置,其特征在于,所述建立模块包括:
建立子模块,用于使用所述随机过程类数学方法,根据所述健康状态度数据和所述设备环境信息,结合所述预设的随机性因素数据,建立电力系统初步故障模型;
训练子模块,用于基于所述健康状态度数据和所述故障训练样本,对所述电力系统初步故障模型进行训练,得到训练后的电力系统初步故障模型;
验证子模块,用于基于所述故障训练样本,验证所述训练后的电力系统初步故障模型,得到所述电力系统故障模型。
8.根据权利要求7所述的电力系统的维护装置,其特征在于,所述训练子模块包括:
输入单元,用于将所述健康状态度数据输入所述电力系统初步故障模型,生成对应的样本类别;
误差单元,用于根据所述故障训练样本中的健康状态度数据及对应的样本类别标签和所述样本类别,确定训练误差;
优化单元,用于基于所述训练误差,对所述电力系统初步故障模型进行调整,得到最优参数,并采用所述最优参数,优化所述电力系统初步故障模型,得到所述训练后的电力系统初步故障模型。
9.根据权利要求6所述的电力系统的维护装置,其特征在于,所述生成模块包括:
时间子模块,用于利用多目标优化算法,基于所述电力系统故障模型,结合所述预设的评价指标数据,得到与维护时间和维护阈值对应的维护决策;
空间子模块,用于利用排序规划算法和多属性决策,基于所述电力系统故障模型,结合所述预设的平衡关系数据,生成空间尺度上的维护决策;
汇总子模块,用于汇总所述与维护时间和维护阈值对应的维护决策和所述空间尺度上的维护决策,得到所述电力系统的维护策略数据库。
10.根据权利要求6所述的电力系统的维护装置,其特征在于,所述装置还包括:
优化模块,用于根据电力系统或电力设备之间的差异性,利用灵敏度分析法,对所述维护策略数据库中的维护策略进行优化,得到最优维护策略和最佳维护方式排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213232.6A CN115936663A (zh) | 2022-09-30 | 2022-09-30 | 一种电力系统的维护方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213232.6A CN115936663A (zh) | 2022-09-30 | 2022-09-30 | 一种电力系统的维护方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936663A true CN115936663A (zh) | 2023-04-07 |
Family
ID=86552920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211213232.6A Pending CN115936663A (zh) | 2022-09-30 | 2022-09-30 | 一种电力系统的维护方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936663A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116467579A (zh) * | 2023-04-12 | 2023-07-21 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
-
2022
- 2022-09-30 CN CN202211213232.6A patent/CN115936663A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116467579A (zh) * | 2023-04-12 | 2023-07-21 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
CN116467579B (zh) * | 2023-04-12 | 2023-11-14 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
CN101413981B (zh) | 电力系统运行备用可靠性测试系统 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN105426980B (zh) | 一种配电网健康指数评估工程应用系统 | |
JP2013538543A (ja) | 送電網用の機械学習 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN108763729A (zh) | 基于网络结构熵的流程工业机电系统耦合状态评估方法 | |
Bangalore et al. | An approach for self evolving neural network based algorithm for fault prognosis in wind turbine | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN113487447A (zh) | 一种基于大数据的配电网负荷预测及线损成因分析方法 | |
CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
Haseltine et al. | Prediction of power grid failure using neural network learning | |
CN115063058B (zh) | 一种基于模型驱动和数据驱动的综合能源态势感知系统 | |
Shi et al. | Expected output calculation based on inverse distance weighting and its application in anomaly detection of distributed photovoltaic power stations | |
CN110320893A (zh) | 一种基于rcm的火电机组设备检修方法 | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
Oleg et al. | Informational and analytical system for diagnostics of the electric power equipment condition | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家系统 | |
CN117390944A (zh) | 一种变电站运行工况仿真系统 |
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 |