CN116108385A - 一种电力设备故障类型诊断方法及系统、终端、存储介质 - Google Patents

一种电力设备故障类型诊断方法及系统、终端、存储介质 Download PDF

Info

Publication number
CN116108385A
CN116108385A CN202310089583.9A CN202310089583A CN116108385A CN 116108385 A CN116108385 A CN 116108385A CN 202310089583 A CN202310089583 A CN 202310089583A CN 116108385 A CN116108385 A CN 116108385A
Authority
CN
China
Prior art keywords
equipment
fault
model
abnormal
running 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
Application number
CN202310089583.9A
Other languages
English (en)
Inventor
徐超
赵磊
唐刘远
戴露露
杨发祥
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.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
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 State Grid Jiangsu Electric Power Co ltd Marketing Service Center, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202310089583.9A priority Critical patent/CN116108385A/zh
Publication of CN116108385A publication Critical patent/CN116108385A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

一种电力设备故障类型诊断方法及系统、终端、存储介质，方法包括：根据设备信息模型和设备运行数据的空间模型建立故障设备运行状态异常数据集合；根据故障设备运行状态异常数据集合，建立最小二乘支持向量机模型，引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，建立故障设备运行状态异常诊断模型；采用混沌粒子群优化算法对故障设备运行状态异常诊断模型的参数进行优化，建立故障设备运行状态异常诊断最优模型；利用故障设备运行状态异常诊断最优模型，根据故障设备运行状态异常数据集合进行电力设备故障类型诊断。

Description

一种电力设备故障类型诊断方法及系统、终端、存储介质
技术领域
本发明属于电力系统信息技术领域，具体地，涉及一种电力设备故障类型诊断方法及系统、终端、存储介质。
背景技术
随着电网规模的壮大和电力设备数量的增加，由电力设备自身故障造成的电网事故也逐年增多，
“一种电力变压器故障诊断方法”(CN106093612B)，以变压器的N个故障类型及其所对应的故障特征量对测试样本数据规格化处理；将N个故障类型两两组合，构建N个SVM二分类器，对N个SVM二分类器进行训练，同时采用基于K-折交叉验证和人工蜂群算法相结合的方法进行SVM核函数参数优化；根据K-折交叉验证法计算每个SVM分类器的泛化误差；利用改进的重排序自适应有向无环图支持向量机法对变压器的N种故障类型进行诊断。本发明对变压器的故障类型具有很好的诊断能力，可大幅提高变压器故障诊断的正确率，为变压器检修提供可靠的依据。“一种基于SVM分类技术的电网故障原因诊断方法”(CN105974265B)，利用电网中大量的历史录波数据，采用小波变换方法把原始信号分解为表达不同层次不同频带的特征向量，并通过实验的结果选取最优的核函数，进而对历史录波数据进行SVM分类模型训练，形成支持在线自动化故障原因预测模型。从而辅助电力专业人员结合实时录波数据，在线对电网故障的原因进行提前预测，以便及时采取对应的保护措施，具有较强的实用价值。然而，支持向量机在小样本的条件下，具有较好的电力故障设备运行状态异常诊断结果，但训练时间长，不能满足电力故障设备运行状态异常诊断的实时性。最小二乘支持向量机学习速度快，分类性能优异，但参数会影响诊断效果，引入混沌粒子群优化算法基于参数优化的最小二乘支持向量机优化诊断模型，减少误判率，提高正确率和诊断时间，可以准确识别电力故障设备运行状态异常诊断。
发明内容
为解决现有技术中存在的不足，本发明提供一种电力设备故障类型诊断方法及系统、终端、存储介质，以电力设备相关数据信息为中心，基于参数优化的最小二乘支持向量机建立诊断模型，准确识别电力设备运行状态异常诊断，获得较高正确率的运行状态异常诊断结果，提高运行状态异常诊断的速度，方便判定设备是否需要进行维护、检修，对提高设备检修的效率，提高检修的高效性，提高设备的综合分析和精细化管理水平有重要作用。
本发明采用如下的技术方案。
本发明一方面提出了一种电力设备故障类型诊断方法，包括：
步骤1，利用电力设备基础信息、电力设备特征量、电力设备标定参数以及外部环境数据，建立电力设备信息集合模型；基于主元分析法提取电力设备故障的综合性指标；
步骤2，利用多个监测点构建监测点向量，利用监测点值构建监测点值向量；以监测点向量为X轴、监测点值向量为Y轴、运行数据采集时刻为t轴，构造设备运行数据的空间模型；
步骤3，根据设备信息模型和设备运行数据的空间模型建立故障设备运行状态异常数据集合；
步骤4，根据故障设备运行状态异常数据集合，建立最小二乘支持向量机模型，引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，得到故障设备运行状态异常诊断模型；
步骤5，采用混沌粒子群优化算法对故障设备运行状态异常诊断模型的参数进行稀疏化处理和最优求解；利用所得参数构建故障设备运行状态异常诊断最优模型；
步骤6，利用故障设备运行状态异常诊断最优模型，根据故障设备运行状态异常数据集合进行电力设备故障类型诊断。
优选地，步骤1中，电力设备基础信息包括：名称，型号，出厂编号，制造厂家，出厂日期，投运日期，图纸，技术规范；
电力设备特征量包括：电压，电流，温度，运行时间；
电力设备标定参数是设备特征量的额定值；
环境因素包括：温度，湿度，光照辐射，气压。
电力设备信息集合模型为E＝{B,F,C,P,M}；其中，
B为电力设备基础信息的集合，满足B＝{b1,b2,b3,…,bi,…,bn}，bi为第i台电力设备基础信息，i＝1,2,…,n，n为设备总台数；
F为由各电力设备特征量组成的向量，满足F＝{f1,f2,f3,…,fi,…,fn}，fi为第i台电力设备特征量；
C为表征各电力设备特征量之间的关系的集合；
P为由电力设备特征量及电力设备标定参数组成的有序数据对的集合，满足P＝(<f1,d1>,<f2,d2>,…<fi,di>,…,<fn,dn>)，di为第i台电力设备标定参数；
M为由环境因素组成的集合，M＝(m1,m2,m3,…,mi…,mn)。
优选地，步骤2包括：
步骤2.1，定义一个监测点向量，表达为x＝(x1,x2,...,xk)，与之对应的监测点值也是一个向量，表达为y＝(y1,y2,...,yk)，其中k为监测点数量；
步骤2.2，在时刻t沿X轴和Y轴对设备运行数据的空间模型进行切片，得到在时刻t的电力设备监测点数据样本Kt＝(xt,yt,t)，其中，xt为时刻t的监测点向量，yt为时刻t的监测点xt的监测点值向量。
优选地，步骤3中，从电力设备信息集合模型中获取时刻t各环境因素的状态值EM，以如下关系式定义故障设备运行状态异常数据集合Case：
Case＝<Kt,EM,β>
式中，
Kt表示时刻t电力设备的监测点数据样本，
EM为时刻t各环境因素的状态值，
β为设备在时刻t、在EM表征的环境中，各电力设备特征量为Kt时的数值，数值是设定的各设备状况分类的阈值标准
β取值为大于0的常数。
优选地，步骤4包括：
步骤4.1，从故障设备运行状态异常数据集合中获取故障设备运行状态异常时的数据；
步骤4.2，从故障设备运行状态异常时的数据中提取故障设备运行状态异常时的特征向量；
步骤4.3，将特征向量作为输入，故障设备运行状态异常类型作为期望输出，建立故障设备运行状态异常诊断的训练样本
Figure BDA0004069861470000041
其中
Figure BDA0004069861470000042
是第j台故障设备运行状态异常时的特征向量，zj∈R为第j台故障设备运行状态异常类型，
Figure BDA0004069861470000043
为
Figure BDA0004069861470000044
维实数集，R为实数集，
Figure BDA0004069861470000045
为故障设备总台数；
步骤4.4，采用训练样本对最小二乘支持向量机进行学习，建立故障设备运行状态异常诊断分类器；在特征空间中最小二乘支持向量机模型满足如下关系式：
Figure BDA0004069861470000046
式中，
Figure BDA0004069861470000047
为对第j台故障设备运行状态异常时的特征向量xj的非线性变换，
ω为维向量，
b为偏移量，
步骤4.5，构建目标函数min J和约束条件，满足如下关系式：
Figure BDA0004069861470000048
Figure BDA0004069861470000049
式中，
γ为正则化参数，
ξl为第l个松弛变量，
L为支持向量的数量，
xl为在支持向量数量范围内的第l台故障设备运行状态异常时的特征向量，
zl为在支持向量数量范围内的第l台故障设备运行状态异常类型；
引入拉格朗日乘数法参数αl，并基于最优化问题的KKT条件求解约束条件下目标函数的最优解αl与b；
步骤4.6，获取最小二乘支持向量机模型的误差；根据误差的最小值，利用目标函数和约束条件确定正则化参数的改进值；利用正则化参数的改进值更新目标函数；
步骤4.7，基于Mercer定理，利用核函数建立故障设备运行状态异常诊断模型，满足如下关系式：
Figure BDA0004069861470000051
式中，K(xl,xj)为核函数。
采用径向基函数构建核函数，满足如下关系式：
Figure BDA0004069861470000052
式中，σ为核宽度。
优选地，步骤5中，包括：
步骤5.1，引入混沌粒子群优化算法对故障设备运行状态异常诊断模型中的正则化参数和核宽度进行优化；设置正则化参数的改进值和核宽度的搜索边界分别为[1,1000]和[0.1,10]；
步骤5.2，设置混沌粒子群算法的粒子更新的惯性权重、第一加速因子、第二加速因子、最大迭代次数、粒子群的个体数；
步骤5.3，迭代运算结束后，基于最小平方损失函数对所获得的正则化参数构成的矩阵进行稀疏化处理；通过多次迭代运算获得核宽度的最优值；
步骤5.4，以步骤5.3得到的正则化参数的稀疏矩阵和核宽度的最优值，建立故障设备运行状态异常诊断最优模型。
本发明另一方面还提出了一种电力设备故障类型诊断系统，包括：电力设备信息集合模型模块，设备运行数据的空间模型模块，故障设备运行状态异常数据集合模块，故障设备运行状态异常诊断模型模块，故障设备运行状态异常诊断最优模型模块，故障类型诊断模块；
电力设备信息集合模型模块，用于利用电力设备基础信息、电力设备特征量、电力设备标定参数以及外部环境数据，建立电力设备信息集合模型；基于主元分析法提取电力设备故障的综合性指标；
设备运行数据的空间模型模块，用于利用多个监测点构建监测点向量，利用监测点值构建监测点值向量；以监测点向量为X轴、监测点值向量为Y轴、运行数据采集时刻为t轴，构造设备运行数据的空间模型；
故障设备运行状态异常数据集合模块，用于根据设备信息模型和设备运行数据的空间模型建立故障设备运行状态异常数据集合；
故障设备运行状态异常诊断模型模块，用于根据故障设备运行状态异常数据集合，建立最小二乘支持向量机模型，引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，得到故障设备运行状态异常诊断模型；
故障设备运行状态异常诊断最优模型模块，用于采用混沌粒子群优化算法对故障设备运行状态异常诊断模型的参数进行稀疏化处理和最优求解；利用所得参数构建故障设备运行状态异常诊断最优模型；
故障类型诊断模块，用于利用故障设备运行状态异常诊断最优模型，根据故障设备运行状态异常数据集合进行电力设备故障类型诊断。
一种终端，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行电力设备故障类型诊断方法的步骤。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现电力设备故障类型诊断方法的步骤。
本发明的有益效果在于，与现有技术相比，本发明建立电力设备故障诊断模型，方便诊断电力设备故障类型，判定设备是否需要进行维护、检修，在设备故障诊断的基础上对电力设备实施合理科学的状态检修，能够提高设备检修的效率，提高检修的高效性，提高设备的综合分析和精细化管理水平，预测设备缺陷状态，大幅增加电力设备的不间断运行时间，提高设备利用率和可用率，延长设备的使用寿命，保障系统安全性和供电可靠性，为电网创造更多的经济效益和社会效益。
本发明在构建故障设备运行状态异常诊断模型时，提出了引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，简化了正则化参数的计算过程，在加速计算收敛的前提下还提高了故障设备运行状态异常诊断模型的诊断结果的可靠性。
本发明在构建故障设备运行状态异常诊断最优模型时，继续采用混沌粒子群优化算法多次迭代，并利用最小平方损失函数对所获得的正则化参数构成的矩阵进行稀疏化处理，通过稀疏化处理使得最优值出现在坐标轴上，有利于最优特征选择，一定程度上防止过拟合，因此所得的故障设备运行状态异常诊断最优模型的诊断结果可靠性高，辨识度高。
附图说明
图1是本发明提出的电力设备故障类型诊断方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明的保护范围。
本发明一方面提出了一种电力设备故障类型诊断方法，如图1所示，包括：
步骤1，利用电力设备基础信息、电力设备特征量、电力设备标定参数以及外部环境数据，建立电力设备信息集合模型；基于主元分析法提取电力设备故障的综合性指标。
具体地，步骤1中，电力设备基础信息包括：名称，型号，出厂编号，制造厂家，出厂日期，投运日期，图纸，技术规范；
电力设备特征量包括：电压，电流，温度，运行时间；
电力设备标定参数是设备特征量的额定值；
环境因素包括：温度，湿度，光照辐射，气压。
电力设备信息集合模型为E＝{B,F,C,P,M}；其中，
B为电力设备基础信息的集合，满足B＝{b1,b2,b3,…,bi,…,bn}，bi为第i台电力设备基础信息，i＝1,2,…,n，n为设备总台数；
F为由各电力设备特征量组成的向量，满足F＝{f1,f2,f3,…,fi,…,fn}，fi为第i台电力设备特征量；
C为表征各电力设备特征量之间的关系的集合；
P为由电力设备特征量及电力设备标定参数组成的有序数据对的集合，满足P＝(<f1,d1>,<f2,d2>,…<fi,di>,…,<fn,dn>)，di为第i台电力设备标定参数；
M为由环境因素组成的集合，M＝(m1,m2,m3,…,mi…,mn)。
步骤2，利用多个监测点构建监测点向量，利用监测点值构建监测点值向量；以监测点向量为X轴、监测点值向量为Y轴、运行数据采集时刻为t轴，构造设备运行数据的空间模型。
具体地，步骤2包括：
步骤2.1，定义一个监测点向量，表达为x＝(x1,x2,...,xk)，与之对应的监测点值也是一个向量，表达为y＝(y1,y2,...,tk)，其中k为监测点数量；
步骤2.2，在时刻t沿X轴和Y轴对设备运行数据的空间模型进行切片，得到在时刻t的电力设备监测点数据样本Kt＝(xt,yt,t)，其中，xt为时刻t的监测点向量，yt为时刻t的监测点xt的监测点值向量。
步骤3，根据设备信息模型和设备运行数据的空间模型建立故障设备运行状态异常数据集合。
优选地，步骤3中，从电力设备信息集合模型中获取时刻t各环境因素的状态值EM，以如下关系式定义故障设备运行状态异常数据集合Case：
Case＝<Kt,EM,β>
式中，
Kt表示时刻t电力设备的监测点数据样本，
EM为时刻t各环境因素的状态值，
β为设备在时刻t、在EM表征的环境中，各电力设备特征量为Kt时的数值，数值是设定的各设备状况分类的阈值标准
β取值为大于0的常数。
步骤4，根据故障设备运行状态异常数据集合，建立最小二乘支持向量机模型，引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，得到故障设备运行状态异常诊断模型。
具体地，步骤4包括：
步骤4.1，从故障设备运行状态异常数据集合中获取故障设备运行状态异常时的数据；
步骤4.2，从故障设备运行状态异常时的数据中提取故障设备运行状态异常时的特征向量；
步骤4.3，将特征向量作为输入，故障设备运行状态异常类型作为期望输出，建立故障设备运行状态异常诊断的训练样本
Figure BDA0004069861470000091
其中
Figure BDA0004069861470000092
是第j台故障设备运行状态异常时的特征向量，zj∈R为第j台故障设备运行状态异常类型，
Figure BDA0004069861470000093
为
Figure BDA0004069861470000094
维实数集，R为实数集，
Figure BDA0004069861470000095
为故障设备总台数；
步骤4.4，采用训练样本对最小二乘支持向量机进行学习，建立故障设备运行状态异常诊断分类器；在特征空间中最小二乘支持向量机模型满足如下关系式：
Figure BDA0004069861470000096
式中，
Figure BDA0004069861470000097
为对第j台故障设备运行状态异常时的特征向量xj的非线性变换，
ω为维向量，
b为偏移量，
步骤4.5，构建目标函数min J和约束条件，满足如下关系式：
Figure BDA0004069861470000098
Figure BDA0004069861470000099
式中，
γ为正则化参数，
ξl为第l个松弛变量，
L为支持向量的数量，
xl为在支持向量数量范围内的第l台故障设备运行状态异常时的特征向量，
zl为在支持向量数量范围内的第l台故障设备运行状态异常类型；
引入拉格朗日乘数法参数αl，并基于最优化问题的KKT条件求解约束条件下目标函数的最优解αl与b；
步骤4.6，获取最小二乘支持向量机模型的误差；根据误差的最小值，利用目标函数和约束条件确定正则化参数的改进值；利用正则化参数的改进值更新目标函数；
具体来说，定义最小二乘支持向量机模型的误差为V，对误差的补偿为S，补偿比例系数为χ，定义补偿效率为η＝V/(χS+V)；当补偿效率最大时，对应最小二乘支持向量机模型的误差最小，基于仿真手段通过多次模拟计算确定最小二乘支持向量机模型的误差的最小值以及所对应的正则化参数的改进值。
本发明在构建故障设备运行状态异常诊断模型时，提出了引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，简化了正则化参数的计算过程，将正则化参数的选择与模型误差最小相关联，在加速计算收敛的前提下还提高了故障设备运行状态异常诊断模型的诊断结果的可靠性。
步骤4.7，基于Mercer定理，利用核函数建立故障设备运行状态异常诊断模型，满足如下关系式：
Figure BDA0004069861470000101
式中，K(xl,xj)为核函数。
采用径向基函数构建核函数，满足如下关系式：
Figure BDA0004069861470000102
式中，σ为核宽度。
步骤5，采用混沌粒子群优化算法对故障设备运行状态异常诊断模型的参数进行稀疏化处理和最优求解；利用所得参数构建故障设备运行状态异常诊断最优模型。
具体地，步骤5中，包括：
步骤5.1，引入混沌粒子群优化算法对故障设备运行状态异常诊断模型中的正则化参数和核宽度进行优化；设置正则化参数的改进值和核宽度的搜索边界分别为[1,1000]和[0.1,10]；
步骤5.2，设置混沌粒子群算法的粒子更新的惯性权重、第一加速因子、第二加速因子、最大迭代次数、粒子群的个体数；
步骤5.3，迭代运算结束后，基于最小平方损失函数对所获得的正则化参数构成的矩阵进行稀疏化处理；通过多次迭代运算获得核宽度的最优值；
步骤5.4，以步骤5.3得到的正则化参数的稀疏矩阵和核宽度的最优值，建立故障设备运行状态异常诊断最优模型。
由于故障设备运行状态异常诊断最优模型需要面向运维和检修的一线人员而服务，因此需要使得模型诊断结果有针对性，特征显著，易于选择。基于最小平方损失函数进行的正则化参数处理，不仅有利于预防过拟合，而且使得部分非特征数据或者特征不显著的数据的权重为0，再结合混沌粒子群优化算法，加速上述数据的淘汰，从而最终获得具有稀疏性的正则化参数构成的矩阵。
本发明在构建故障设备运行状态异常诊断最优模型时，继续采用混沌粒子群优化算法多次迭代，并利用最小平方损失函数对所获得的正则化参数构成的矩阵进行稀疏化处理，通过稀疏化处理使得最优值出现在坐标轴上，有利于最优特征选择，一定程度上防止过拟合，因此所得的故障设备运行状态异常诊断最优模型的诊断结果可靠性高，辨识度高。
步骤6，利用故障设备运行状态异常诊断最优模型，根据故障设备运行状态异常数据集合进行电力设备故障类型诊断。
本发明另一方面还提出了一种电力设备故障类型诊断系统，包括：电力设备信息集合模型模块，设备运行数据的空间模型模块，故障设备运行状态异常数据集合模块，故障设备运行状态异常诊断模型模块，故障设备运行状态异常诊断最优模型模块，故障类型诊断模块；
电力设备信息集合模型模块，用于利用电力设备基础信息、电力设备特征量、电力设备标定参数以及外部环境数据，建立电力设备信息集合模型；基于主元分析法提取电力设备故障的综合性指标；
设备运行数据的空间模型模块，用于利用多个监测点构建监测点向量，利用监测点值构建监测点值向量；以监测点向量为X轴、监测点值向量为Y轴、运行数据采集时刻为t轴，构造设备运行数据的空间模型；
故障设备运行状态异常数据集合模块，用于根据设备信息模型和设备运行数据的空间模型建立故障设备运行状态异常数据集合；
故障设备运行状态异常诊断模型模块，用于根据故障设备运行状态异常数据集合，建立最小二乘支持向量机模型，引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，得到故障设备运行状态异常诊断模型；
故障设备运行状态异常诊断最优模型模块，用于采用混沌粒子群优化算法对故障设备运行状态异常诊断模型的参数进行稀疏化处理和最优求解；利用所得参数构建故障设备运行状态异常诊断最优模型；
故障类型诊断模块，用于利用故障设备运行状态异常诊断最优模型，根据故障设备运行状态异常数据集合进行电力设备故障类型诊断。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明的有益效果在于，与现有技术相比，本发明建立电力设备故障诊断模型，方便诊断电力设备故障类型，判定设备是否需要进行维护、检修，在设备故障诊断的基础上对电力设备实施合理科学的状态检修，能够提高设备检修的效率，提高检修的高效性，提高设备的综合分析和精细化管理水平，预测设备缺陷状态，大幅增加电力设备的不间断运行时间，提高设备利用率和可用率，延长设备的使用寿命，保障系统安全性和供电可靠性，为电网创造更多的经济效益和社会效益。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种电力设备故障类型诊断方法，其特征在于，
所述方法包括：
步骤1，利用电力设备基础信息、电力设备特征量、电力设备标定参数以及外部环境数据，建立电力设备信息集合模型；基于主元分析法提取电力设备故障的综合性指标；
步骤2，利用多个监测点构建监测点向量，利用监测点值构建监测点值向量；以监测点向量为X轴、监测点值向量为Y轴、运行数据采集时刻为t轴，构造设备运行数据的空间模型；
步骤3，根据设备信息模型和设备运行数据的空间模型建立故障设备运行状态异常数据集合；
步骤4，根据故障设备运行状态异常数据集合，建立最小二乘支持向量机模型，引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，得到故障设备运行状态异常诊断模型；
步骤5，采用混沌粒子群优化算法对故障设备运行状态异常诊断模型的参数进行稀疏化处理和最优求解；利用所得参数构建故障设备运行状态异常诊断最优模型；
步骤6，利用故障设备运行状态异常诊断最优模型，根据故障设备运行状态异常数据集合进行电力设备故障类型诊断。
2.根据权利要求1所述的电力设备故障类型诊断方法，其特征在于，
步骤1中，电力设备基础信息包括：名称，型号，出厂编号，制造厂家，出厂日期，投运日期，图纸，技术规范；
电力设备特征量包括：电压，电流，温度，运行时间；
电力设备标定参数是设备特征量的额定值；
环境因素包括：温度，湿度，光照辐射，气压。
3.根据权利要求2所述的电力设备故障类型诊断方法，其特征在于，
电力设备信息集合模型为E＝{B，F，C，P，M}；其中，
B为电力设备基础信息的集合，满足B＝{b1，b2，b3，…，bi，…，bn}，bi为第i台电力设备基础信息，i＝1，2，…，n，n为设备总台数；
F为由各电力设备特征量组成的向量，满足F＝{f1，f2，f3，…，fi，…，fn}，fi为第i台电力设备特征量；
C为表征各电力设备特征量之间的关系的集合；
P为由电力设备特征量及电力设备标定参数组成的有序数据对的集合，满足P＝(<f1，d1>，<f2，d2>，…<fi，di>，…，<fn，dn>)，di为第i台电力设备标定参数；
M为由环境因素组成的集合，M＝(m1，m2，m3，…，mi…，mn)。
4.根据权利要求1所述的电力设备故障类型诊断方法，其特征在于，
步骤2包括：
步骤2.1，定义一个监测点向量，表达为x＝(x1，x2，...，xk)，与之对应的监测点值也是一个向量，表达为y＝(y1，y2，...，yk)，其中k为监测点数量；
步骤2.2，在时刻t沿X轴和Y轴对设备运行数据的空间模型进行切片，得到在时刻t的电力设备监测点数据样本Kt＝(xt，yt，t)，其中，xt为时刻t的监测点向量，yt为时刻t的监测点xt的监测点值向量。
5.根据权利要求4所述的电力设备故障类型诊断方法，其特征在于，
步骤3中，从电力设备信息集合模型中获取时刻t各环境因素的状态值EM，以如下关系式定义故障设备运行状态异常数据集合Case：
Case＝<Kt，EM，β>
式中，
Kt表示时刻t电力设备的监测点数据样本，
EM为时刻t各环境因素的状态值，
β为设备在时刻t、在EM表征的环境中，各电力设备特征量为Kt时的数值，数值是设定的各设备状况分类的阈值标准。
6.根据权利要求5所述的电力设备故障类型诊断方法，其特征在于，
β取值为大于0的常数。
7.根据权利要求5所述的电力设备故障类型诊断方法，其特征在于，
步骤4包括：
步骤4.1，从故障设备运行状态异常数据集合中获取故障设备运行状态异常时的数据；
步骤4.2，从故障设备运行状态异常时的数据中提取故障设备运行状态异常时的特征向量；
步骤4.3，将特征向量作为输入，故障设备运行状态异常类型作为期望输出，建立故障设备运行状态异常诊断的训练样本其中是第j台故障设备运行状态异常时的特征向量，zj∈R为第j台故障设备运行状态异常类型，为准实数集，R为实数集，为故障设备总台数；
步骤4.4，采用训练样本对最小二乘支持向量机进行学习，建立故障设备运行状态异常诊断分类器；在特征空间中最小二乘支持向量机模型满足如下关系式：
式中，
为对第j台故障设备运行状态异常时的特征向量xj的非线性变换，
ω为维向量，
b为偏移量，
步骤4.5，构建目标函数minJ和约束条件，满足如下关系式：
式中，
γ为正则化参数，
ξl为第l个松弛变量，
L为支持向量的数量，
xl为在支持向量数量范围内的第l台故障设备运行状态异常时的特征向量，
zl为在支持向量数量范围内的第l台故障设备运行状态异常类型；
引入拉格朗日乘数法参数αl，并基于最优化问题的KKT条件求解约束条件下目标函数的最优解αl与b；
步骤4.6，获取最小二乘支持向量机模型的误差；根据误差的最小值，利用目标函数和约束条件确定正则化参数的改进值；利用正则化参数的改进值更新目标函数；
步骤4.7，基于Mercer定理，利用核函数建立故障设备运行状态异常诊断模型，满足如下关系式：
式中，K(xl，xj)为核函数。
8.根据权利要求7所述的电力设备故障类型诊断方法，其特征在于，
采用径向基函数构建核函数，满足如下关系式：
式中，σ为核宽度。
9.根据权利要求8所述的电力设备故障类型诊断方法，其特征在于，
步骤5中，包括：
步骤5.1，引入混沌粒子群优化算法对故障设备运行状态异常诊断模型中的正则化参数和核宽度进行优化；设置正则化参数的改进值和核宽度的搜索边界分别为[1，1000]和[0.1，10]；
步骤5.2，设置混沌粒子群算法的粒子更新的惯性权重、第一加速因子、第二加速因子、最大迭代次数、粒子群的个体数；
步骤5.3，迭代运算结束后，基于最小平方损失函数对所获得的正则化参数构成的矩阵进行稀疏化处理；通过多次迭代运算获得核宽度的最优值；
步骤5.4，以步骤5.3得到的正则化参数的稀疏矩阵和核宽度的最优值，建立故障设备运行状态异常诊断最优模型。
10.一种利用权利要求1-9任一项权利要求所述方法的电力设备故障类型诊断系统，其特征在于，
所述系统包括：电力设备信息集合模型模块，设备运行数据的空间模型模块，故障设备运行状态异常数据集合模块，故障设备运行状态异常诊断模型模块，故障设备运行状态异常诊断最优模型模块，故障类型诊断模块；
电力设备信息集合模型模块，用于利用电力设备基础信息、电力设备特征量、电力设备标定参数以及外部环境数据，建立电力设备信息集合模型；基于主元分析法提取电力设备故障的综合性指标；
设备运行数据的空间模型模块，用于利用多个监测点构建监测点向量，利用监测点值构建监测点值向量；以监测点向量为X轴、监测点值向量为Y轴、运行数据采集时刻为t轴，构造设备运行数据的空间模型；
故障设备运行状态异常数据集合模块，用于根据设备信息模型和设备运行数据的空间模型建立故障设备运行状态异常数据集合；
故障设备运行状态异常诊断模型模块，用于根据故障设备运行状态异常数据集合，建立最小二乘支持向量机模型，引入拉格朗日乘数法参数并基于最优化问题的KKT条件以及最小二乘支持向量机模型的误差最小对最小二乘支持向量机模型进行优化，得到故障设备运行状态异常诊断模型；
故障设备运行状态异常诊断最优模型模块，用于采用混沌粒子群优化算法对故障设备运行状态异常诊断模型的参数进行稀疏化处理和最优求解；利用所得参数构建故障设备运行状态异常诊断最优模型；
故障类型诊断模块，用于利用故障设备运行状态异常诊断最优模型，根据故障设备运行状态异常数据集合进行电力设备故障类型诊断。
11.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-9任一项所述方法的步骤。
12.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。
CN202310089583.9A 2023-02-09 2023-02-09 一种电力设备故障类型诊断方法及系统、终端、存储介质 Pending CN116108385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310089583.9A CN116108385A (zh) 2023-02-09 2023-02-09 一种电力设备故障类型诊断方法及系统、终端、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310089583.9A CN116108385A (zh) 2023-02-09 2023-02-09 一种电力设备故障类型诊断方法及系统、终端、存储介质

Publications (1)

Publication Number Publication Date
CN116108385A true CN116108385A (zh) 2023-05-12

Family

ID=86261272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310089583.9A Pending CN116108385A (zh) 2023-02-09 2023-02-09 一种电力设备故障类型诊断方法及系统、终端、存储介质

Country Status (1)

Country Link
CN (1) CN116108385A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591507A (zh) * 2024-01-18 2024-02-23 中国标准化研究院 一种用于测控装备的数据质量特性自动化构建方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591507A (zh) * 2024-01-18 2024-02-23 中国标准化研究院 一种用于测控装备的数据质量特性自动化构建方法和系统
CN117591507B (zh) * 2024-01-18 2024-05-07 中国标准化研究院 一种用于测控装备的数据质量特性自动化构建方法和系统

Similar Documents

Publication Publication Date Title
US11921566B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
US10379146B2 (en) Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data
Moghaddass et al. Multistate degradation and supervised estimation methods for a condition-monitored device
CN109388678B (zh) 使用异构源进行电梯状况监测
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN111738520A (zh) 一种融合孤立森林与长短期记忆网络的系统负载预测方法
WO2021016533A1 (en) Gene expression programming
Xiao et al. Long-term predictive opportunistic replacement optimisation for a small multi-component system using partial condition monitoring data to date
Skordilis et al. A condition monitoring approach for real-time monitoring of degrading systems using Kalman filter and logistic regression
CN116108385A (zh) 一种电力设备故障类型诊断方法及系统、终端、存储介质
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
CN113891342B (zh) 基站巡检方法、装置、电子设备及存储介质
Xu et al. A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection
CN117574264A (zh) 一种基于知识约束神经网络的变压器故障诊断方法及系统
CN116628220A (zh) 基于关系图卷积神经网络的电力工作票生成方法及系统
CN116777281A (zh) 一种基于arima模型的电力设备质量趋势预测方法及装置
Mei et al. A data‐driven approach to state assessment of the converter valve based on oversampling and Shapley additive explanations
CN114781276A (zh) 油纸老化模型的训练方法、油纸老化的识别方法及装置
Xuntao et al. A Method for Remaining Useful Life Prediction of Transformer Based on the CNN-LSTM Networks
CN117113267B (zh) 基于大数据的预测模型训练方法、光伏发电性能检测方法
CN111428344B (zh) 一种高速公路机电设备退化分析模型的构建方法
Wang et al. Short-term wind speed forecasting with the extreme learning machine using Tukey’s biweight criterion and L1 regularization
Bai et al. Positive Active Power Missing Value Repairing with LSTM Prediction
Zhang et al. State of charge prediction of lithium-ion batteries for electric aircraft with swin transformer

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