CN117273286A - 一种容性设备绝缘状态感知优化调节方法及系统 - Google Patents
一种容性设备绝缘状态感知优化调节方法及系统 Download PDFInfo
- Publication number
- CN117273286A CN117273286A CN202311550504.6A CN202311550504A CN117273286A CN 117273286 A CN117273286 A CN 117273286A CN 202311550504 A CN202311550504 A CN 202311550504A CN 117273286 A CN117273286 A CN 117273286A
- Authority
- CN
- China
- Prior art keywords
- insulation state
- equipment
- parameters
- parameter
- insulation
- 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.)
- Granted
Links
- 238000009413 insulation Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims description 29
- 230000036541 health Effects 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 239000003016 pheromone Substances 0.000 claims description 19
- 241000257303 Hymenoptera Species 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及电力系统自动化领域，公开了容性设备绝缘状态感知优化调节方法及系统，方法包括：获取容性设备的第一参数，第一参数包括绝缘参数和运行参数；依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数；依据绝缘状态参数，通过设定第一阈值识别故障设备，得到第二参数，第二参数隔离故障设备数据；结合绝缘状态参数和第二参数对设备进行动态容量调整；将绝缘状态参数以及调整后的容量输入至蚁群算法中，通过蚁群算法寻找使设备健康指数最大化的最大绝缘强度和调整后的容量，优化设备路径分配。本发明能依据绝缘状态，快速检测故障设备，进行动态容量调整，通过蚁群算法信息共享优化绝缘状态对路径选择和设备布局的影响，提高稳定性。
Description
技术领域
本发明涉及电力系统自动化技术领域，尤其涉及一种容性设备绝缘状态感知优化调节方法及系统。
背景技术
随着电力系统的发展和智能化进程，容性设备和感知系统在电力领域的应用变得愈发重要。容性设备，如可调电容器、静止无功补偿器（STATCOM）等，用于调节电力系统中的功率因数和电压稳定性。感知系统则通过采集电力系统的状态数据，实时监测电力系统的运行状态和性能。
然而，目前在容量匹配和绝缘状态感知技术方面仍存在一些问题。对于容性设备而言，其容量需要与电网的需求相匹配，不正确的容量配置可能导致功率因数不稳定、电压波动等问题，以及可能面临由于过电压、瞬态过电流、电容器内部故障等引起的故障和损坏。这可能导致设备失效、电容器短路或漏电等问题。然而，准确评估电网的需求和确定容性设备的容量仍然具有挑战性。容量匹配受到电力系统运行情况的波动和变化的影响，因此需要灵活调整和管理。另外，在绝缘状态感知技术方面，目前存在一些问题，如传感器的可靠性和精度、绝缘状态参数的准确性和稳定性，以及外部环境条件对感知结果的影响。这要求考虑电力系统运行情况的波动和变化，以实现灵活的容量调整。在绝缘状态感知技术方面，需要利用一些算法提高绝缘状态参数的准确性和稳定性。
发明内容
鉴于上述现有存在的问题，提出了本发明。因此，本发明提供了一种容性设备绝缘状态感知优化调节方法及系统，解决在目前传统的系统中容量匹配受到电力系统运行情况的波动和变化的影响，无法灵活精确调整和匹配管理；无法对绝缘状态做到实时监测的同时进行状态共享，从而实现调控整体系统的问题，无法精准快速调整设备布局和提高稳定性的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明提供了一种容性设备绝缘状态感知优化调节方法，包括：
获取容性设备的第一参数，第一参数包括绝缘参数和运行参数；
依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数；
依据绝缘状态参数，通过设定第一阈值识别故障设备，得到第二参数，所述第二参数隔离所述故障设备数据；
结合所述绝缘状态参数和所述第二参数对设备进行动态容量调整；
将所述绝缘状态参数以及调整后的容量输入至蚁群算法中，通过所述蚁群算法寻找使设备健康指数最大化的最大绝缘强度和调整后的容量，优化设备路径分配。
作为本发明所述的容性设备绝缘状态感知优化调节方法的一种优选方案，其中：所述绝缘参数包括，温度和湿度；所述运行参数包括，电流、运行时间和设备耗能。
作为本发明所述的容性设备绝缘状态感知优化调节方法的一种优选方案，其中：所述依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数，表示为：
；
其中，表示/>个设备采集的绝缘参数或运行参数，/>是评估绝缘状态的函数，/>表示相适应的模型参数。
作为本发明所述的容性设备绝缘状态感知优化调节方法的一种优选方案，其中：依据绝缘状态参数，通过设定第一阈值识别故障设备并隔离，包括，
当设备的绝缘状态低于第一阈值时，则标记设备/>存在故障；
所述第一阈值获取包括，
据根据设备维保记录或监测到的故障事件，将历史数据中的故障状态进行标定，获取历史故障数据，所述历史故障数据为在故障发生前设备的绝缘状态；
第一阈值设定为历史故障数据的百分之四十五；
其中，通过删除第一参数中的故障设备的绝缘参数和运行参数得到所述第二参数。
作为本发明所述的容性设备绝缘状态感知优化调节方法的一种优选方案，其中：结合绝缘状态参数和第二参数对设备进行动态容量调整，包括，
；
其中，为设备/>在时间t+1的容量预测值，/>是设备/>在时间/>的容量，/>为调节因子，/>是所有设备中的最大绝缘强度。
作为本发明所述的容性设备绝缘状态感知优化调节方法的一种优选方案，其中：将所述绝缘状态参数以及调整后的容量输入至蚁群算法中，通过寻找使设备健康指数最大化的绝缘状态参数和调整后的容量，优化设备路径分配，具体包括：
计算蚂蚁在时间/>从当前位置/>移动到新位置/>的概率/>，表示为，
；
其中，信息素T为设备健康指数，表示从当前位置/>能够移动到的新位置，启发信息η为设备的运行参数，所述运行参数包括绝缘状态参数和调整后的容量；
蚂蚁基于概率更新设备运行参数，在每个时间步骤/>更新信息素用于找到设备健康指数最大的设备运行状态，表示为：
；
其中，是蚂蚁在此轮搜索中所留下的信息素，即设备健康指数的改进幅度，是信息素的挥发速度；
所述设备健康指数通过绝缘状态参数和调整后容量共同得到。
作为本发明所述的容性设备绝缘状态感知优化调节方法的一种优选方案，其中：所述优化设备路径分配，还包括，
更新设备的信息素浓度并据此调整蚁群分布，表示为：
；
其中，为蚂蚁数量，/>表示在时间/>存在的第/>个蚂蚁的数量，表示在时间t+1的该蚂蚁的数量，/>为调节系数，/>小于1，/>为所有设备中获取的最大健康指数。
第二方面，本发明提供了一种容性设备绝缘状态感知优化调节的系统，包括，
获取模块，用于获取容性设备的第一参数，第一参数包括绝缘参数和运行参数；
评估模块，用于依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数；
故障诊断模块，用于依据绝缘状态参数，通过设定第一阈值识别故障设备，得到第二参数，所述第二参数隔离所述故障设备数据；
容量调整模块，用于结合所述绝缘状态参数和所述第二参数对设备进行动态容量调整；
优化模块，用于将所述绝缘状态参数以及调整后的容量输入至蚁群算法中，通过所述蚁群算法寻找使设备健康指数最大化的最大绝缘强度和调整后的容量，优化设备路径分配。
第三方面，本发明提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述容性设备绝缘状态感知优化调节方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述容性设备绝缘状态感知优化调节方法的步骤。
与现有技术相比，本发明的有益效果：本发明通过绝缘状态感知能够检测和监测容性设备故障，快速检测故障设备，并定位问题所在，以此为依据能够快速进行容性设备的动态容量调整，以适应绝缘状态的变化，将上述两种信息进行结合，通过蚁群算法能够模拟信息共享和路径选择行为来共享绝缘状态信息，并在蚁群算法中考虑绝缘状态对路径选择和设备布局的影响，从而提高系统的可靠性和稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。其中：
图1为本发明一个实施例所述的容性设备绝缘状态感知优化调节方法的整体流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
实施例1
参照图1，为本发明的一个实施例，提供了一种容性设备绝缘状态感知优化调节方法，包括：
S1：获取容性设备的第一参数，第一参数包括绝缘参数和运行参数；
更进一步的，绝缘参数包括，温度和湿度；运行参数包括，电流、运行时间和设备耗能。
应说明的是，对于参数的选择进行了优选，其中，温度、湿度和电流能够最大程度体现设备因为环境变化而产生的绝缘状态的改变，而运行时间和设备耗相比其他参数中例如振动频率、噪音等等在后续设备状态判断，容量调整，以及信息素和蚁群分布的更新上具有更多的作用，准确反映出其耐久性和稳定性以及有助于了解其运行效率，同时对于节能环保也有一定的影响。
S2：依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数；
更进一步的，依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数，表示为：
；
其中，表示/>个设备采集的绝缘参数或运行参数，/>是评估绝缘状态的函数，/>表示相适应的模型参数。
应说明的是，函数需要基于实际的设备特性以及设备的使用环境来确定，不同的环境和设备会形成不同的函数关系。
优选的，可以通过机器学习的方法来确定函数的具体形式，其中/>表示模型的参数，可以通过对大量历史数据进行训练进行学习得到，并非固定值。
具体的例如通过双曲正切（tanh）函数或者是修正线性单元（ReLU）函数等激活函数，可以表示为：
；
其中，是输入的绝缘参数和运行参数，/>和/>是神经网络的权重参数，/>和/>是偏差参数，它们都包含在/>中，/>是激活函数。
还可以例如，采用复合的线性或非线性模型来描述各个参数与绝缘状态之间的关系。
还应说明的是，绝缘状态参数是一个衡量设备当前绝缘健康状况的指标，这个绝缘状态可在下述步骤中用于判断设备是否存在故障。
S3：依据绝缘状态参数，通过设定第一阈值识别故障设备，得到第二参数，第二参数隔离故障设备数据；
更进一步的，依据绝缘状态参数，通过设定第一阈值识别故障设备并隔离，包括，
当设备的绝缘状态低于第一阈值时，则标记设备i存在故障；
第一阈值获取包括，
据根据设备维保记录或监测到的故障事件，将历史数据中的故障状态进行标定，获取历史故障数据，历史故障数据为在故障发生前设备的绝缘状态；
第一阈值设定为历史故障数据的百分之四十五；
其中，通过删除第一参数中的故障设备的绝缘参数和运行参数得到第二参数。
应说明的是，第一阈值通过采集并分析在故障出现之前的设备绝缘状态的数值进行设定，优选百分之四十五数值，是因为如果阈值设定为故障发生前设备的绝缘状态/>的一个较小的百分位值，那么故障检测敏感度会比较高，主要因为设备在发生故障之前，其绝缘状态/>会有所下降。
但如果阈值设定得太低，那么在设备实际发生故障之前，系统就可能已经检测到这个趋势并发出警告，使得设定一个较低的阈值也会使误报率增加，由于各种非故障相关的原因，例如环境因素、随机噪声等，其绝缘状态参数可能会有短暂的下降，那么这些正常的波动可能会被误判为故障，从而增加误报率。
综合实际检验，在历史故障数据的百分之四十五设定第一阈值，其故障检测准确度较高，能够避免误报的情况。
S4：结合绝缘状态参数和第二参数对设备进行动态容量调整；
更进一步的，结合绝缘状态参数和第二参数对设备进行动态容量调整，包括，
；
其中，为设备/>在时间t+1的容量预测值，/>是设备/>在时间/>的容量，/>为调节因子，/>是所有设备中的最大绝缘强度。
应说明的是，其中根据S3中所有仍在运行且没有被标记为故障的设备的数据，以及这些设备的当前电容量/>以及S2中计算的绝缘状态/>得到，具体的可以通过回归分析结合梯度下降法计算；还可以根据具体设备的工作环境、设备的使用频率以及预期的设备使用寿命等因素来设置。
以及，优选设备中的最大绝缘强度进行动态容量调整是因为其反映了设备是否可以在一定的电压下正常工作而不出现电气击穿，是电气设备安全运行的重要保障。
还应说明的是，此步骤作用是如果设备的绝缘状态相对于最大绝缘强度较低即，设备的绝缘状态较差，那么就需要通过调节因子，调低设备的容量，减小设备的运行负载，保护设备不要进一步恶化。
S5：将绝缘状态参数以及调整后的容量输入至蚁群算法中，通过蚁群算法寻找使设备健康指数最大化的最大绝缘强度和调整后的容量，优化设备路径分配。
更进一步的，将绝缘状态参数以及调整后的容量输入至蚁群算法中，通过寻找使设备健康指数最大化的绝缘状态参数和调整后的容量，优化设备路径分配，具体包括：
计算蚂蚁在时间/>从当前位置/>移动到新位置/>的概率/>，表示为，
；
其中，信息素T为设备健康指数，启发信息η为设备的运行参数，表示从当前位置/>能够移动到的新位置，运行参数包括绝缘状态参数和调整后的容量；
蚂蚁基于概率更新设备运行参数，在每个时间步骤/>更新信息素用于找到设备健康指数最大的设备运行状态，表示为：
；
其中，是蚂蚁在此轮搜索中所留下的信息素，即设备健康指数的改进幅度，是信息素的挥发速度；
设备健康指数通过绝缘状态参数和调整后容量共同得到。
优选的，设备健康指数可以表示为：
设备健康指数 = a * 绝缘状态参数 + b * 调整后容量，其中，a=0.6，b=0.4。
应说明的是，此步骤中每一只“蚂蚁”被认为是一种可能的设备工作状态方案，它的位置可以由S4中的调整后的容量和S2中的绝缘状态参数获得，“蚂蚁”会在搜索空间中行动，尝试寻找最佳的设备工作状态。在寻找过程中，“蚂蚁”会按照设定的准则或者机制来更新其位置，这也就是说，它会按照某种方式来改变设备的容量和绝缘状态，从而达到优化的目的，同时，在搜索的过程中会释放“信息素”，并且，信息素的量是随着“蚂蚁”搜索的过程而增加的，这反映了设备状态方案随着优化过程的改善。此步骤更强调对整个设备空间的全局搜索，并根据设备的当前状态和信息素的强度来决定蚂蚁的移动方向。
更进一步的，优化设备路径分配，还包括，
更新设备的信息素浓度并据此调整蚁群分布，表示为：
；
其中，为蚂蚁数量，/>表示在时间/>存在的第/>个蚂蚁的数量，表示在时间t+1的该蚂蚁的数量，/>为调节系数，/>＜1，/>是所有设备中获取的最大健康指数。
应说明的是，此步骤中如果设备的健康状况接近最大值，那么这个设备对应的蚂蚁，即设备优化方案的数量将减少少量或者不变，因为这个设备的状态已经很好，不需要过多的优化方案。反之，如果设备的健康状况离最大值比较远，那么这个设备对应的蚂蚁的数量将会增加，需要更多的优化方案来提升这个设备的状态。
此步骤侧重于优化当前已经发现的设备状态方案，通过调整蚂蚁的数量，即，设备状态方案的数量，来提高最终解的质量。如果一个设备的当前状态已经很好，无法通过寻找新的设备状态方案来大幅提升设备的性能，则可以减少这个设备对应的蚂蚁数量，将精力投向那些还有改进空间的设备，易于找到局部最优解。
上述为本实施例的一种容性设备绝缘状态感知优化调节方法的示意性方案。需要说明的是，该容性设备绝缘状态感知优化调节的系统的技术方案与上述的容性设备绝缘状态感知优化调节方法的技术方案属于同一构思，本实施例中容性设备绝缘状态感知优化调节推系统的技术方案未详细描述的细节内容，均可以参见上述容性设备绝缘状态感知优化调节方法的技术方案的描述。
本实施例中容性设备绝缘状态感知优化调节系统，包括：
获取模块，用于获取容性设备的第一参数，第一参数包括绝缘参数和运行参数；
评估模块，用于依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数；
故障诊断模块，用于依据绝缘状态参数，通过设定第一阈值识别故障设备，得到第二参数，第二参数隔离故障设备数据；
容量调整模块，用于结合绝缘状态参数和第二参数对设备进行动态容量调整；
优化模块，用于将绝缘状态参数以及调整后的容量输入至蚁群算法中，通过蚁群算法寻找使设备健康指数最大化的最大绝缘强度和调整后的容量，优化设备路径分配。
本实施例还提供一种计算设备，适用于容性设备绝缘状态感知优化调节的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现容性设备绝缘状态感知优化调节方法。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现容性设备绝缘状态感知优化调节方法。
本实施例提出的存储介质与上述实施例提出的实现容性设备绝缘状态感知优化调节方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly ，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，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的方法。
实施例2
参照表1-表3，为本发明的一个实施例，提供了一种容性设备绝缘状态感知优化调节方法，为了验证其有益效果，提供一种示例性的应用场景和对比方案进行科学论证。
S1：获取容性设备的第一参数，第一参数包括绝缘参数和运行参数；S2：依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数，通过（ReLU）函数求得；S3：依据绝缘状态参数，通过设定第一阈值识别故障设备，得到第二参数，第二参数隔离故障设备数据；S4：结合绝缘状态参数和第二参数对设备进行动态容量调整；S5：将绝缘状态参数以及调整后的容量输入至蚁群算法中，通过蚁群算法寻找使设备健康指数最大化的最大绝缘强度和调整后的容量，优化设备路径分配。
依据上述方案，展示一部分容性设备整个过程中的具体数值，设备的绝缘状态参数和应用于蚁群算法的数据见表1。
表1 部分设备参数变化表
从表1可以看出，依据绝缘状态参数和第一阈值进行容量调控后，容量均有不同程度的扩容，从而能够更加适应系统的整体运行，设备的健康指数则是通过寻优算法得到状态信息，可以从指数中快速判断该容性设备的状态，从而为后续维护和优化提供基础。
其中，步骤S3中，涉及到第一阈值的优选，在确定第一阈值的优选值时，通过历史数据进行了检测，此部分仅作为示例性略简化了第一阈值的设定过程。可以定义设备的绝缘状态参数处于0 (设备完全损坏) 到1 (设备完全健康)之间，将设备的健康状况设定为0.45，通过设置不同的阈值，进行检测，见表2。
表2 第一阈值测试表
在上述状况中，可以看到001号设备实际上正在正常运行，但因为阈值设定过低，系统误判为即将发生故障，发出了错误的预警；002号实际上设备已经在故障边缘，但由于阈值设定过低，系统在设备状态明显恶化之前就已经提前发出了警告；003号设备虽然可能已经出现了一些问题，因为绝缘状态已经从正常的0.45变成了0.5，但是由于阈值设定过高，系统没有发出警告；004号即使设备的绝缘状态提高，表示设备可能运行正常，阈值过高也可能导致系统误判设备即将出现故障，发出了错误的预警。
同时，本发明提供一组与传统不涉及通过优选参数进行容量调整以及不使用蚁群算法的传统调整模型进行仿真对比的数据，见表3。
表3 参数对比表
表3显示了本发明方案与传统模型在实际设备条件下的差异，假定设备在某一时刻的值为绝缘状态参数及容量调整的基线，即传统模型的值，并比较使用本发明模型时这些值的变化。可以看出通过使用本发明模型，能更准确地评估设备的绝缘状态，通过动态的容量调整改善设备的运行效率，最终提升了设备健康指数和能效，验证了优化方案的有效性。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种容性设备绝缘状态感知优化调节方法，其特征在于，包括：
获取容性设备的第一参数，第一参数包括绝缘参数和运行参数；
依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数；
依据绝缘状态参数，通过设定第一阈值识别故障设备，得到第二参数，所述第二参数隔离所述故障设备数据；
结合所述绝缘状态参数和所述第二参数对设备进行动态容量调整；
将所述绝缘状态参数以及调整后的容量输入至蚁群算法中，通过所述蚁群算法寻找使设备健康指数最大化的最大绝缘强度和调整后的容量，优化设备路径分配。
2.如权利要求1所述的容性设备绝缘状态感知优化调节方法，其特征在于，所述绝缘参数包括，温度和湿度；所述运行参数包括，电流、运行时间和设备耗能。
3.如权利要求1或2所述的容性设备绝缘状态感知优化调节方法，其特征在于，所述依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数，表示为：
；
其中，表示/>个设备采集的绝缘参数或运行参数，/>是评估绝缘状态的函数，表示相适应的模型参数。
4.如权利要求3所述的容性设备绝缘状态感知优化调节方法，其特征在于，
依据绝缘状态参数，通过设定第一阈值识别故障设备并隔离，包括，
当设备的绝缘状态低于第一阈值时，则标记设备/>存在故障；
所述第一阈值获取包括，
据根据设备维保记录或监测到的故障事件，将历史数据中的故障状态进行标定，获取历史故障数据，所述历史故障数据为在故障发生前设备的绝缘状态；
第一阈值设定为历史故障数据的百分之四十五；
其中，通过删除第一参数中的故障设备的绝缘参数和运行参数得到所述第二参数。
5.如权利要求4所述的容性设备绝缘状态感知优化调节方法，其特征在于，结合绝缘状态参数和第二参数对设备进行动态容量调整，包括，
；
其中，为设备/>在时间t+1的容量预测值，/>是设备/>在时间/>的容量，/>为调节因子，/>是所有设备中的最大绝缘强度。
6.如权利要求5所述的容性设备绝缘状态感知优化调节方法，其特征在于 ，将所述绝缘状态参数以及调整后的容量输入至蚁群算法中，通过寻找使设备健康指数最大化的绝缘状态参数和调整后的容量，优化设备路径分配，具体包括：
计算蚂蚁在时间/>从当前位置/>移动到新位置/>的概率/>，表示为，
；
其中，信息素T为设备健康指数，表示从当前位置/>能够移动到的新位置，启发信息η为设备的运行参数，所述运行参数包括绝缘状态参数和调整后的容量；
蚂蚁基于概率更新设备运行参数，在每个时间步骤/>更新信息素用于找到设备健康指数最大的设备运行状态，表示为：
；
其中，是蚂蚁在此轮搜索中所留下的信息素，即设备健康指数的改进幅度，/>是信息素的挥发速度；
所述设备健康指数通过绝缘状态参数和调整后容量共同得到。
7.如权利要求5或6所述的容性设备绝缘状态感知优化调节方法，其特征在于，所述优化设备路径分配，还包括，
更新设备的信息素浓度并据此调整蚁群分布，表示为：
；
其中，为蚂蚁数量，/>表示在时间/>存在的第/>个蚂蚁的数量，/>表示在时间t+1的该蚂蚁的数量，/>为调节系数，/>小于1，/>为所有设备中获取的最大健康指数。
8.一种容性设备绝缘状态感知优化调节的系统，其特征在于，包括，
获取模块，用于获取容性设备的第一参数，第一参数包括绝缘参数和运行参数；
评估模块，用于依据获取的第一参数，进行绝缘状态评估，得到绝缘状态参数；
故障诊断模块，用于依据绝缘状态参数，通过设定第一阈值识别故障设备，得到第二参数，所述第二参数隔离所述故障设备数据；
容量调整模块，用于结合所述绝缘状态参数和所述第二参数对设备进行动态容量调整；
优化模块，用于将所述绝缘状态参数以及调整后的容量输入至蚁群算法中，通过所述蚁群算法寻找使设备健康指数最大化的最大绝缘强度和调整后的容量，优化设备路径分配。
9.一种电子设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述容性设备绝缘状态感知优化调节方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述容性设备绝缘状态感知优化调节方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311550504.6A CN117273286B (zh) | 2023-11-21 | 2023-11-21 | 一种容性设备绝缘状态感知优化调节方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311550504.6A CN117273286B (zh) | 2023-11-21 | 2023-11-21 | 一种容性设备绝缘状态感知优化调节方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273286A true CN117273286A (zh) | 2023-12-22 |
| CN117273286B CN117273286B (zh) | 2024-02-09 |
Family
ID=89210898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311550504.6A Active CN117273286B (zh) | 2023-11-21 | 2023-11-21 | 一种容性设备绝缘状态感知优化调节方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273286B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107621782A (zh) * | 2017-05-08 | 2018-01-23 | 安徽理工大学 | 一种栅双极型晶体管(igbt)模块的故障诊断方法 |
| CN108054665A (zh) * | 2017-12-21 | 2018-05-18 | 平高集团有限公司 | 气体绝缘金属封闭开关设备处理方法及设备 |
| US20190025813A1 (en) * | 2016-05-09 | 2019-01-24 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
| CN115754578A (zh) * | 2022-08-30 | 2023-03-07 | 国网辽宁省电力有限公司电力科学研究院 | 基于自适应蚁群算法的有源配电网故障定位方法及系统 |
| CN116881675A (zh) * | 2023-09-07 | 2023-10-13 | 南京中鑫智电科技有限公司 | 一种基于贝叶斯算法的电力设备状态监测方法 |
-
2023
- 2023-11-21 CN CN202311550504.6A patent/CN117273286B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190025813A1 (en) * | 2016-05-09 | 2019-01-24 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
| CN107621782A (zh) * | 2017-05-08 | 2018-01-23 | 安徽理工大学 | 一种栅双极型晶体管(igbt)模块的故障诊断方法 |
| CN108054665A (zh) * | 2017-12-21 | 2018-05-18 | 平高集团有限公司 | 气体绝缘金属封闭开关设备处理方法及设备 |
| CN115754578A (zh) * | 2022-08-30 | 2023-03-07 | 国网辽宁省电力有限公司电力科学研究院 | 基于自适应蚁群算法的有源配电网故障定位方法及系统 |
| CN116881675A (zh) * | 2023-09-07 | 2023-10-13 | 南京中鑫智电科技有限公司 | 一种基于贝叶斯算法的电力设备状态监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHEN, K.等: "Polymer electrolyte membrane fuel cells degradation prediction using multi-kernel relevance vector regression and whale optimization algorithm", 《APPLIED ENERGY》, vol. 318, pages 1 - 9 * |
| 杨勇: "机器学习在旅游数据分析中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 140 - 454 * |
| 董甲东 等: "基于信息融合的分布式多维自适应蚁群优化算法研究", 《工业控制计算机》, vol. 27, no. 12, pages 39 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273286B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Wide-area monitoring of power systems using principal component analysis and $ k $-nearest neighbor analysis | |
| Yu | A nonlinear probabilistic method and contribution analysis for machine condition monitoring | |
| CN105637432A (zh) | 识别被监控实体的异常行为 | |
| CN115840676A (zh) | 一种基于多维数据的计算机硬件故障预警方法及系统 | |
| CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
| CN118211837B (zh) | 一种智能电表的性能评估方法及装置 | |
| CN117149581A (zh) | 一种基于关联规则算法的异常信息分析预警方法及系统 | |
| CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
| CN117973902A (zh) | 一种基于保电平台故障处置智能决策方法及系统 | |
| CN118199130A (zh) | 考虑历史误差影响的超级电容储能容量分配方法及系统 | |
| CN115238831A (zh) | 故障预测方法、装置、计算机设备、存储介质和程序产品 | |
| CN115713038A (zh) | 一种基于深度循环神经网络的配用电故障检测方法及系统 | |
| CN113987960A (zh) | 基于大数据的电网设备监控系统和方法 | |
| CN114860525A (zh) | 一种硬盘故障检测方法、装置、设备及存储介质 | |
| CN118260120A (zh) | 电能表内存监测方法、装置、设备及存储介质 | |
| CN117273286B (zh) | 一种容性设备绝缘状态感知优化调节方法及系统 | |
| CN116484267B (zh) | 变压器故障特征提取、判定方法、计算机设备和存储介质 | |
| CN110007174B (zh) | 一种数据中心的动力管控检测方法 | |
| RU2364926C2 (ru) | Способ контроля состояния многопараметрического объекта | |
| Mesa-Jiménez et al. | Early warning signals of failures in building management systems | |
| CN109038550B (zh) | 基于电压静态稳定性的电力系统自复性指标计算方法 | |
| CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
| CN115982591A (zh) | 变压器健康状态的检测方法及装置、设备及存储介质 | |
| CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
| Yan et al. | Research on imbalanced data fault diagnosis of on-load tap changers based on IGWO-WELM |
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 |