CN103675518A - 油浸式高压设备检修方法及装置 - Google Patents

Abstract

本发明公开了一种油浸式高压设备检修方法，包括：建立油浸式高压设备的绝缘油性能劣化数据库；根据建立的所述绝缘油性能劣化数据库，建立用于对油浸式高压设备进行故障检测和预测的数学模型；获取待检修的油浸式高压设备内绝缘油的各项油化数据；根据所述数学模型和所述油化数据，对待检修的油浸式高压设备进行故障检测和预测；根据所述故障检测和预测的结果，对待检修的油浸式高压设备执行相应的检修。此外，还公开了一种油浸式高压设备检修装置。本发明可以有效地提高设备故障检测正确率，准确地发布故障预警信息，从而更加准确的指导检修时间，合理安排并缩短停电维修时间，提高设备利用率的同时大大节省了油浸式高压设备的检修成本。

Description

油浸式高压设备检修方法及装置

技术领域

本发明涉及油浸式高压设备技术领域，尤其涉及一种油浸式高压设备检修方法和一种油浸式高压设备检修装置。 

背景技术

随着互联电网规模的成倍扩大，更容易因为局部的设备故障而造成大面积连锁停电事故。一旦电网出现大面积停电事故，除了造成重大的经济损失外，还有可能危及公共安全及社会稳定。目前，应对这种连锁故障的方法集中在预防上，从源头上减少事故发生的机率，并将影响控制在较小的范围内。 

电网的安全主要体现在电力设备安全和***运行安全两个方面，而电力设备安全运行又是***安全的基础。油浸式高压设备是电力***输变电部分的核心设备，其运行状态直接关系到整个电力***的安全运行。目前，我国已有较多高压设备运行年限超过20年，这些运行中的高压设备面临着日益严重的设备故障和绝缘老化问题，发生事故的概率不断增加。随着超特高压输变电技术的迅速发展，电网容量及其覆盖面进一步扩大，油浸式高压设备故障会对用户造成重大的危害和影响甚至会影响电网的其它部分的安全运行。 

因此，提高油浸式高压设备的运行维护技术和管理水平，降低出现故障的概率，并有效地提前检测出油浸式高压设备潜在故障、预测油浸式高压设备的当前以及将来可能的运行状态具有重要意义。目前对于油浸式高压设备来说，一般采用定期检修的方式，这种做法在检修时间、方式和频率上无法与设备状态关联，不仅检修成本高昂，而且不能合理安排和缩短设备检修时间，降低了设备利用率。 

发明内容

基于此，本发明提供了一种油浸式高压设备检修方法和一种油浸式高压设备检修装置。 

一种油浸式高压设备检修方法，包括以下步骤： 

建立油浸式高压设备的绝缘油性能劣化数据库； 

根据建立的所述绝缘油性能劣化数据库，建立用于对油浸式高压设备进行故障检测和预测的数学模型； 

获取待检修的油浸式高压设备内绝缘油的各项油化数据； 

根据所述数学模型和所述油化数据，对待检修的油浸式高压设备进行故障检测和预测； 

根据所述故障检测和预测的结果，对待检修的油浸式高压设备执行相应的检修。 

与一般技术相比，本发明油浸式高压设备检修方法建立对油浸式高压设备进行故障检测和预测的数学模型，根据待检修设备的油化数据进行故障检测和预测，并根据所述故障检测和预测的结果进行相应的检修。本发明可以有效地提高设备故障检测正确率，准确地发布故障预警信息，从而更加准确的指导检修时间，合理安排并缩短停电维修时间，提高设备利用率的同时大大节省了油浸式高压设备的检修成本。实现油浸式高压设备由定期检修向以可靠性为中心的检修或状态检修过渡，在设备故障发生前进行维修。本发明有利于保证电力***的安全生产，具有很好的社会效益和经济效益，也是复杂电力设备检修发展的方向。 

一种油浸式高压设备检修装置，包括数据库建立模块、模型建立模块、数据获取模块、故障检测和预测模块以及检修模块； 

所述数据库建立模块，用于建立油浸式高压设备的绝缘油性能劣化数据库； 

所述模型建立模块，用于根据建立的所述绝缘油性能劣化数据库，建立用于对油浸式高压设备进行故障检测和预测的数学模型； 

所述数据获取模块，用于获取待检修的油浸式高压设备内绝缘油的各项油化数据； 

所述故障检测和预测模块，用于根据所述数学模型和所述油化数据，对待检修的油浸式高压设备进行故障检测和预测； 

所述检修模块，用于根据所述故障检测和预测的结果，对待检修的油浸式 高压设备执行相应的检修。 

与一般技术相比，本发明油浸式高压设备检修装置建立对油浸式高压设备进行故障检测和预测的数学模型，根据待检修设备的油化数据进行故障检测和预测，并根据所述故障检测和预测的结果进行相应的检修。本发明可以有效地提高设备故障检测正确率，准确地发布故障预警信息，从而更加准确的指导检修时间，合理安排并缩短停电维修时间，提高设备利用率的同时大大节省了油浸式高压设备的检修成本。实现油浸式高压设备由定期检修向以可靠性为中心的检修或状态检修过渡，在设备故障发生前进行维修。本发明有利于保证电力***的安全生产，具有很好的社会效益和经济效益，也是复杂电力设备检修发展的方向。 

附图说明

图1为本发明油浸式高压设备检修方法的流程示意图； 

图2为本发明油浸式高压设备检修装置的结构示意图。 

具体实施方式

为更进一步阐述本发明所采取的技术手段及取得的效果，下面结合附图及较佳实施例，对本发明的技术方案，进行清楚和完整的描述。 

请参阅图1，为本发明油浸式高压设备检修方法的流程示意图。 

本发明油浸式高压设备检修方法，包括以下步骤： 

S101建立油浸式高压设备的绝缘油性能劣化数据库； 

S102根据建立的所述绝缘油性能劣化数据库，建立用于对油浸式高压设备进行故障检测和预测的数学模型； 

S103获取待检修的油浸式高压设备内绝缘油的各项油化数据； 

S104根据所述数学模型和所述油化数据，对待检修的油浸式高压设备进行故障检测和预测； 

S105根据所述故障检测和预测的结果，对待检修的油浸式高压设备执行相应的检修。 

油浸式高压设备的绝缘油，一方面作为内绝缘的介质，使设备各部分之间有良好的绝缘；另一方面它又作为散热的媒介，将运行中油浸式高压设备内部散发出来的热量传递给冷却装置。同时绝缘油中蕴含的信息又可以间接反映变压器的运行状态，就像人体中的血液一样。因此，对绝缘油劣化性能的诊断对保障油浸式高压设备的正常、安全运行起着至关重要的作用。在工程实际中，除了对运行中的绝缘油采取保护措施以防止其过早地老化外，还定期对其进行色谱分析和击穿电压、介损、酸值、含水量等方面的测试，来判断油浸式高压设备的状态。 

在步骤S101中，建立油浸式高压设备绝缘油性能劣化规律数据库应具有数据采集功能，可以实现对油浸式高压设备故障模式的重要性排队以及对监测参数的推荐，画出正常态与故障态的参数对照曲线，得到参数警告值；实现对某一具体设备的油化数据跟踪采集和故障事后分析。 

作为其中一个实施例，所述建立油浸式高压设备的绝缘油性能劣化数据库的步骤，包括以下步骤： 

从油浸式高压设备的历史数据中获取绝缘油的各项油化数据； 

计算所述油化数据与绝缘油性能劣化阶段之间的关联度； 

根据计算的所述关联度，建立绝缘油性能劣化数据库。 

油化数据获取：采用基于粗糙集理论的智能数据处理方法，从积累的油浸式高压设备(变压器、CT、PT)的绝缘油历史数据库中获取蕴含的相关油化数据。其处理方法由以下步骤产生：根据初始状态输入***信息；对信息进行排序、划分等价类；然后判断属性个数；构建递减属性序列；否则对对象进行知识粒度和权重计算；然后判断属性个数，判断对象个数。 

绝缘油性能劣化程度与绝缘油特征数据之间的关联性：油浸式高压设备油化数据特征量对于不同程度的绝缘油劣化阶段的潜在信息量不一样，量化各特征量数据与特定绝缘油性能劣化阶段之间的关联度，将对设备的潜在故障检测和预测都有着很重要的作用。利用布尔型离散化方法和基于ChiMerge算法的多值离散化方法分别对设备油化数据进行离散化，再利用改进的Apriori关联规则算法计算油化数据特征量与各个劣化阶段的性能之间的可信度。改进的Apriori 关联规则算法分4步进行：将原始绝缘油数据库划分成n个规模相当的部分；针对每个部分单独产生一组频繁项目集（也即相关的特征量）；最后将这些项目集合并为一个全局的候选频繁项目集；针对整个数据库，计算每个候选频繁项目的实际可信度，从而确定最后的频繁项目集。 

建立变化规律数据库：在油浸式高压设备状态监测与故障检测中，建立准确、全面、可靠的变化规律数据库是进行设备故障检测与预测的基础。变化规律数据库应具有数据采集功能，可以实现对故障模式的重要性排队以及对监测参数的推荐，画出正常态与故障态的参数对照曲线，得到参数警告值；实现对某一具体设备的油化数据跟踪采集和故障事后分析。 

在步骤S102中，作为其中一个实施例，所述建立用于对油浸式高压设备进行故障检测和预测的数学模型的步骤，包括以下步骤： 

采用粒子群优化多分类最小二乘支持向量机建立用于对油浸式高压设备进行故障检测的数学模型。 

建立的油浸式高压设备故障检测模型，包括： 

油浸式高压设备绝缘油数据特征参数提取：针对建立的油浸式高压设备绝缘油故障数据库中的数据，对绝缘油色谱、简化试验的各项试验参数进行预处理，用偏最小二乘建立模型，进行多次变量选择，提取其特征参量作为故障检测的判定变量。偏最小二乘法的通用模型为： 

X＝TP^T+E 

Y＝TQ^T+F 

其中，X为变压器监测的油色谱数据矩阵，行为观测时间，列为气体项目；Y为故障指示变量，对训练数据取值为“0”和“1”；T为加权系数矩阵；P和Q均为加载矩阵；E和F为多元正态分布的误差向量。 

使用偏最小二乘法处理状态检测数据的步骤是：（以色谱数据为例）先作出各类气体的直方图，从中筛选出能反映出故障的主要气体，再进行一次筛选，最终得出判定变量。 

建立油浸式高压设备故障检测模型：建立专家***、粗糙集理论等智能检测模型，在此基础上建立粒子群优化多分类最小二乘支持向量机的油浸式高压 设备故障检测模型，构造组合编码算法实现支持向量机的多类分类，利用粒子群优化算法对所建立的油浸式高压设备故障检测模型参数进行优化，以提高算法的泛化性和检测准确率。 

所述的建立油浸式高压设备故障检测模型，可以实现对油浸式高压设备绝缘油色谱、简化试验的各项试验参数进行预处理，并提取其特征参量作为故障检测的输入特征，并根据输入特征值判断该油浸式高压设备的故障类型。 

作为其中一个实施例，所述建立用于对油浸式高压设备进行故障检测和预测的数学模型的步骤，包括以下步骤： 

采用最小二乘支持向量机和模糊信息粒化支持向量机建立用于对油浸式高压设备进行故障预测的数学模型。 

建立油浸式高压设备故障预测模型，包括： 

建立基于最小二乘支持向量机的油浸式高压设备故障预测模型：建立一元线性回归预测模型及方法，在此基础上建立基于粒子群算法优化最小二乘支持向量机回归和小波最小二乘支持向量机回归的油浸式高压设备绝缘油状态参量预测模型，避免了传统支持向量机回归方法中回归问题未知变量数目的膨胀，同时简化了支持向量机回归的参数优化。可以提高油浸式高压设备故障预测的精度及可信度。 

所述的故障预测模型使用的一元线性回归公式：y=β₀+β₁t+ε_t。其中，固定的未知参数β₀,β₁称为回归系数，自变量t称为回归变量，ε_t～N(0,σ²),ε_t是其他随机因素对y的影响，是不可观测的。并用基于粒子群算法优化最小二乘支持向量机回归模型使用的公式进行验证优化，公式如下： 

$Q={\mathrm{\Σ}}_{t=1}^n{\mathrm{\ϵ}}_t^2={\mathrm{\Σ}}_{i=1}^n{(y_t-{\mathrm{\β}}_0+{\mathrm{\β}}_{1}t)}^2$

$\stackrel{\·}{y}={\mathrm{\β}}_0+{\mathrm{\β}}_{1}t$

建立基于模糊信息粒化支持向量机的油浸式高压设备故障预测模型：为了能够进一步掌握油浸式高压设备绝缘油状态参量的发展变化趋势，提出基于模糊信息粒化支持向量机回归的状态参量区间预测方法。建立模糊信息粒化的时序模型，不丧失时间序列所蕴含的主要信息的基础上简化了时序的表现形式，利用粒子群优化的支持向量机回归模型来训练粒化集样本，进而得到反映油浸 式高压设备绝缘油状态参量变化趋势的粒化预测区间。 

所述的建立油浸式高压设备故障预测模型，可以实现对油浸式高压设备绝缘油性能劣化发展变化趋势的分析。 

在步骤S103中，作为其中一个实施例，在所述获取待检修的油浸式高压设备内绝缘油的各项油化数据的步骤中，所述油化数据包括色谱分析数据、击穿电压、介损、酸值和含水量。 

可通过目前已知的各种获取待检修的油浸式高压设备内绝缘油的油化数据的方式中，选择最优方式获取数据即可，最大限度地增加使用本发明的便利性。 

在步骤S104中，以积累的油浸式高压设备(变压器、CT、PT)的绝缘油历史数据库为依据，挖掘油浸式高压设备在不同时期的油色谱、简化试验的数据变化规律，并根据正常运行和非正常运行的油浸式高压设备进行一次分类，再根据油浸式高压设备不同电压等级、型号、厂家、运行负荷、运行时间和绝缘油的类型进行二次分类。根据所述数学模型和所述油化数据，对待检修的油浸式高压设备可以进行故障检测和预测。 

在步骤S105中，根据所述故障检测和预测的结果，对待检修的油浸式高压设备执行相应的检修。 

例如，根据故障检测和预测结果，可以实现不同油浸式高压设备在不同时期的油色谱、简化试验的数据变化规律的运行状态检测和发展趋势的预判。实现油浸式高压设备由定期检修向以可靠性为中心的检修或状态检修过渡，在设备故障发生前进行维修的方式。实现结合油浸式高压设备的电压等级、型号、厂家、运行负荷、运行时间和绝缘油的类型进行智能化检测。 

状态维修就是根据设备的一些状态信息，通过各种策略和模型预测和检测设备的潜在故障，并在故障发生前进行维修的方式。状态维修能有效降低设备的维修成本、合理安排并缩短停电维修时间、提高设备利用率。开展状态检修可为电力企业带来巨大的经济和社会效益，是检修发展的必然方向。随着计算机、传感器以及信息处理技术的发展，油浸式高压设备的故障检测手段得到了迅速发展，以油中溶解气体分析为主的绝缘油特性分析技术为设备故障检测为基础的状态维修奠定了基础。 

与一般技术相比，本发明油浸式高压设备检修方法建立对油浸式高压设备进行故障检测和预测的数学模型，根据待检修设备的油化数据进行故障检测和预测，并根据所述故障检测和预测的结果进行相应的检修。本发明可以有效地提高设备故障检测正确率，准确地发布故障预警信息，从而更加准确的指导检修时间，合理安排并缩短停电维修时间，提高设备利用率的同时大大节省了油浸式高压设备的检修成本。实现油浸式高压设备由定期检修向以可靠性为中心的检修或状态检修过渡，在设备故障发生前进行维修。本发明有利于保证电力***的安全生产，具有很好的社会效益和经济效益，也是复杂电力设备检修发展的方向。 

请参阅图2，为本发明油浸式高压设备检修装置的结构示意图。 

本发明油浸式高压设备检修装置，包括数据库建立模块201、模型建立模块202、数据获取模块203、故障检测和预测模块204以及检修模块205； 

所述数据库建立模块201，用于建立油浸式高压设备的绝缘油性能劣化数据库； 

所述模型建立模块202，用于根据建立的所述绝缘油性能劣化数据库，建立用于对油浸式高压设备进行故障检测和预测的数学模型； 

所述数据获取模块203，用于获取待检修的油浸式高压设备内绝缘油的各项油化数据； 

所述故障检测和预测模块204，用于根据所述数学模型和所述油化数据，对待检修的油浸式高压设备进行故障检测和预测； 

所述检修模块205，用于根据所述故障检测和预测的结果，对待检修的油浸式高压设备执行相应的检修。 

作为其中一个实施例，所述数据库建立模块包括关联度计算模块； 

所述数据获取模块，用于从油浸式高压设备的历史数据中获取绝缘油的各项油化数据； 

所述关联度计算模块，用于计算所述油化数据与绝缘油性能劣化阶段之间的关联度； 

所述数据库建立模块，用于根据计算的所述关联度，建立绝缘油性能劣化 数据库。 

作为其中一个实施例，所述模型建立模块，采用粒子群优化多分类最小二乘支持向量机建立用于对油浸式高压设备进行故障检测的数学模型。 

所述的建立油浸式高压设备故障检测模型，可以实现对油浸式高压设备绝缘油色谱、简化试验的各项试验参数进行预处理，并提取其特征参量作为故障检测的输入特征，并根据输入特征值判断该油浸式高压设备的故障类型。 

作为其中一个实施例，所述模型建立模块，采用最小二乘支持向量机和模糊信息粒化支持向量机建立用于对油浸式高压设备进行故障预测的数学模型。 

所述的建立油浸式高压设备故障预测模型，可以实现对油浸式高压设备绝缘油性能劣化发展变化趋势的分析。 

作为其中一个实施例，所述油化数据包括色谱分析数据、击穿电压、介损、酸值和含水量。 

可通过目前已知的各种获取待检修的油浸式高压设备内绝缘油的油化数据的方式中，选择最优方式获取数据即可，最大限度地增加使用本发明的便利性。 

与一般技术相比，本发明油浸式高压设备检修装置建立对油浸式高压设备进行故障检测和预测的数学模型，根据待检修设备的油化数据进行故障检测和预测，并根据所述故障检测和预测的结果进行相应的检修。本发明可以有效地提高设备故障检测正确率，准确地发布故障预警信息，从而更加准确的指导检修时间，合理安排并缩短停电维修时间，提高设备利用率的同时大大节省了油浸式高压设备的检修成本。实现油浸式高压设备由定期检修向以可靠性为中心的检修或状态检修过渡，在设备故障发生前进行维修。本发明有利于保证电力***的安全生产，具有很好的社会效益和经济效益，也是复杂电力设备检修发展的方向。 

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。 

Claims (10)

1.一种油浸式高压设备检修方法，其特征在于，包括以下步骤：

建立油浸式高压设备的绝缘油性能劣化数据库；

根据建立的所述绝缘油性能劣化数据库，建立用于对油浸式高压设备进行故障检测和预测的数学模型；

获取待检修的油浸式高压设备内绝缘油的各项油化数据；

根据所述数学模型和所述油化数据，对待检修的油浸式高压设备进行故障检测和预测；

根据所述故障检测和预测的结果，对待检修的油浸式高压设备执行相应的检修。

2.根据权利要求1所述的油浸式高压设备检修方法，其特征在于，所述建立油浸式高压设备的绝缘油性能劣化数据库的步骤，包括以下步骤：

从油浸式高压设备的历史数据中获取绝缘油的各项油化数据；

计算所述油化数据与绝缘油性能劣化阶段之间的关联度；

根据计算的所述关联度，建立绝缘油性能劣化数据库。

3.根据权利要求1所述的油浸式高压设备检修方法，其特征在于，所述建立用于对油浸式高压设备进行故障检测和预测的数学模型的步骤，包括以下步骤：

采用粒子群优化多分类最小二乘支持向量机建立用于对油浸式高压设备进行故障检测的数学模型。

4.根据权利要求1所述的油浸式高压设备检修方法，其特征在于，所述建立用于对油浸式高压设备进行故障检测和预测的数学模型的步骤，包括以下步骤：

采用最小二乘支持向量机和模糊信息粒化支持向量机建立用于对油浸式高压设备进行故障预测的数学模型。

5.根据权利要求1所述的油浸式高压设备检修方法，其特征在于，在所述获取待检修的油浸式高压设备内绝缘油的各项油化数据的步骤中，所述油化数据包括色谱分析数据、击穿电压、介损、酸值和含水量。

6.一种油浸式高压设备检修装置，其特征在于，包括数据库建立模块、模型建立模块、数据获取模块、故障检测和预测模块以及检修模块；

所述数据库建立模块，用于建立油浸式高压设备的绝缘油性能劣化数据库；

所述模型建立模块，用于根据建立的所述绝缘油性能劣化数据库，建立用于对油浸式高压设备进行故障检测和预测的数学模型；

所述数据获取模块，用于获取待检修的油浸式高压设备内绝缘油的各项油化数据；

所述故障检测和预测模块，用于根据所述数学模型和所述油化数据，对待检修的油浸式高压设备进行故障检测和预测；

所述检修模块，用于根据所述故障检测和预测的结果，对待检修的油浸式高压设备执行相应的检修。

7.根据权利要求6所述的油浸式高压设备检修装置，其特征在于，所述数据库建立模块包括关联度计算模块；

所述数据获取模块，用于从油浸式高压设备的历史数据中获取绝缘油的各项油化数据；

所述关联度计算模块，用于计算所述油化数据与绝缘油性能劣化阶段之间的关联度；

所述数据库建立模块，用于根据计算的所述关联度，建立绝缘油性能劣化数据库。

8.根据权利要求6所述的油浸式高压设备检修装置，其特征在于，所述模型建立模块，采用粒子群优化多分类最小二乘支持向量机建立用于对油浸式高压设备进行故障检测的数学模型。

9.根据权利要求6所述的油浸式高压设备检修装置，其特征在于，所述模型建立模块，采用最小二乘支持向量机和模糊信息粒化支持向量机建立用于对油浸式高压设备进行故障预测的数学模型。

10.根据权利要求6所述的油浸式高压设备检修装置，其特征在于，所述油化数据包括色谱分析数据、击穿电压、介损、酸值和含水量。

Images