CN104317778A - 基于海量监测数据的变电设备故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于海量监测数据的变电设备故障诊断方法，包括：根据设备相互关联的监测信息，构造过程记忆矩阵D；对各个测点的测量值根据各自的极值进行归一化处理；构造故障判断模型，根据输入与输出监测量的残差确定变电设备是否发生故障；本发明有益效果：与基于神经网络技术的设备故障诊断***相比，克服了当输入变量很多时，直接用神经网络来学习，需要很长的时间和庞大的学习样本，并且不能保证学习收敛性的缺点。同时该方法是一种无参数的建模方法，没有为模型假设任何函数，所以更具有精确性和实施的快速性。

Description

基于海量监测数据的变电设备故障诊断方法

技术领域

本发明涉及电气行业，特别涉及一种基于海量监测数据的变电设备故障诊断方法。

背景技术

当前电力行业，已建立了生产管理***、在线监测***、雷电定位等多个信息***，但由于***各自独立，未能实现多领域、跨专业、多信息融合，不利于信息的多维度、多数据的分析和展示。并且目前的信息***，大多侧重于某项指标超标的告警，只能反映设备的部分情况，还未能充分利用多源信息实现动态评价。目前对单台设备的事故分析报告比较多，对整体情况的反映却很少，不利于运维评估人员对设备状态的深度了解和评价，无法满足设备精益化运维的要求。

电力***结构经历了由简单到复杂的发展，研究采用的建模求解方法也从解析发展到人工智能。其中，寻找量化相关关系是建模的重要主题。而***越复杂，相关关系也越难以识别。过去由于缺少数据，设备故障诊断和预警只能依靠有限的实验统计或专家经验建模，导致这些模型应用存在很大局限。如今，随着设备监测检测技术的发展，设备及环境等多源异构数据不断汇总积累。但解析模型和智能算法又受限于复杂模型求解和维数灾的问题，难以在大量数据中识别关键因素并做出准确设备诊断或预警决策。

因此，在电网设备运行监测和检测数据不断增长的情况下，研究能够在线快速识别变量之间非线性非单调性复杂相关关系的算法，在机理认识不全面的情况下发现隐含的或未知的相关关系，为故障建模提供新线索，是提高复杂环境下电网设备运行预警能力的重要基础工作。

发明内容

为解决现有技术存在的不足，本发明公开了一种基于海量监测数据的变电设备故障诊断方法，该方法整合历史故障记录、变电设备和电网监测、检测数据，根据当前运行监测信息与过程记忆矩阵的比较，判断当前设备运行状态是否异常，从而能够迅速识别出电网设备故障隐患，为调度和运检人员提供决策依据。

为了实现上述目的，本发明采用如下技术方案：

一种基于海量监测数据的变电设备故障诊断方法，包括：

(1)假设设备有n个相互关联的监测信息，某一时刻的监测信息记为一个向量X(i)＝[x₁x₂...x_n]^T，在该过程或设备正常工作的时段内，在不同的工况运行下采集k个历史观测量，构造过程记忆矩阵D；

其中，x₁x₂...x_n表示n个相互关联的监测信息；

(2)对各个测点的监测信息值根据各自的极值进行归一化处理，使实际测量值映射到[01]区间；

(3)构造故障判断模型，所述模型以观测向量X_in为输入，所述模型的输出监测量为Xout＝D*W＝w₁·X(1)+w₂·X(2)+...+w_k·X(k)；其中，D为过程记忆矩阵D，W为权值向量W＝[w₁w₂...w_n]^T；

(4)根据输入与输出监测量的残差ε＝X_out-X_in，确定变电设备是否发生故障；具体判断方法为：当|ε|≤δ时变电设备正常运行，当|ε|＞δ变电设备异常；δ为设定的阈值。

所述过程记忆矩阵D具体为：

$D=[X\left(1\right),X\left(2\right),...X\left(k\right)]=\left[\begin{array}{ccc}{x}_1\left(1\right)& ...& x_1\left(k\right)\\ x_2\left(1\right)& ...& x_2\left(k\right)\\ x_n\left(1\right)& ...& x_n\left(k\right)\end{array}\right]$

其中，k为监测时刻的个数，n为同一时刻监测量的个数。

所述权值向量W的具体计算方法为：

$W={(D^T\⊗D)}^{-1}\·(D^T\⊗X_{\mathrm{in}})$

其中，为非线性运算符， $D^T\⊗D=\⊗(D^T,D)=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({X_i}^T-X_i)}^2},$

$D^T\⊗X_{\mathrm{in}}=\⊗(D^T,X_{\mathrm{in}})=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({X_i}^T-x_i)}^2}.$

本发明的有益效果：

本发明方法与基于神经网络技术的设备故障诊断***相比，克服了当输入变量很多时，直接用神经网络来学习,需要很长的时间和庞大的学习样本，并且不能保证学习收敛性的缺点。同时该方法是一种无参数的建模方法，没有为模型假设任何函数，所以更具有精确性和实施的快速性。

附图说明

图1为本发明变电设备故障诊断方法流程图。

具体实施方式：

下面结合附图与实施例对本发明进行详细说明：

一种基于海量监测数据的变电设备故障诊断方法，如图1所示，包括：

假设设备有n个相互关联的监测信息，某一时刻的监测信息记为一个向量，X(i)＝[x₁x₂...x_n]^T，在该过程或设备正常工作的时段内，在不同的工况运行下采集k个历史观测量，构造过程记忆矩阵：

$\begin{array}{c}D=[X\left(1\right),X\left(2\right),...X\left(k\right)]\\ =\left[\begin{array}{ccc}{x}_1\left(1\right)& ...& x_1\left(k\right)\\ x_2\left(1\right)& ...& x_2\left(k\right)\\ x_n\left(1\right)& ...& x_n\left(k\right)\end{array}\right]\end{array}$ 其中k为监测时刻个数，n为同一时刻监测量个数。

其中，x₁x₂...x_n表示n个相互关联的监测信息，比如设备某一时刻的电压电流负荷等量测信息以及设备当时温度、风速、湿度等环境信息。

因设备相关监测量测点的量纲不同，且不同测点数据绝对值相差很大，为保证使用非线性算子正确衡量不同观测向量之间的距离，需要对各个测点的测量值根据各自的极值进行归一化处理，使实际测量值映射到[01]区间。

过程记忆矩阵中的每一列观测向量代表设备的一个正常工作状态。经过合理选择的过程记忆矩阵中的k个历史观测向量所张成的子空间能够代表过程或设备正常运行的整个动态过程。因此，过程记忆矩阵的构造实质就是对过程或设备正常运行特性的学习和记忆过程。

构造故障判断模型：对任意一个输入观测向量X_in，确定一个权值向量W＝[w₁w₂...w_n]^T，则输出监测量Xout＝D*W＝w₁·X(1)+w₂·X(2)+...+w_k·X(k)。

权值向量 $W={(D^T\⊗D)}^{-1}\·(D^T\⊗X_{\mathrm{in}}),$ 其中为非线性运算符，采用欧式距离来衡量，当两向量相同或相似时，距离为0或接近0；两向量差异越大，其非线性运算的结果越大。该权值向量反应了输入监测量与过程记忆矩阵中各向量的相似性。

根据输入与输出监测量的残差ε＝X_out-X_in，确定变电设备是否发生故障；具体判断方法为：当|ε|≤δ时变电设备正常运行，当|ε|＞δ变电设备异常；δ为设定的阈值，本实施例取0.07。

当设备工作正常时，新输入监测向量位于过程记忆矩阵所代表的正常工作空间内，与D矩阵中的某些历史观测向量距离较近，相应其预测值输出监测量X_out具有很高的精度。当设备工作状态发生变化出现故障隐患时，由于动态特性的改变，输入监测向量将偏离正常工作空间，通过D矩阵中历史观测向量的组合无法构造其对应的精确预测值，导致预测精度下降，残差增大。因此判断变电设备是正常还是故障状态。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (3)

1.一种基于海量监测数据的变电设备故障诊断方法，其特征是，包括：

(1)假设设备有n个相互关联的监测信息，某一时刻的监测信息记为一个向量X(i)＝[x₁x₂...x_n]^T，在该过程或设备正常工作的时段内，在不同的工况运行下采集k个历史观测量，构造过程记忆矩阵D；

其中，x₁x₂...x_n表示n个相互关联的监测信息；

(2)对各个测点的监测信息值根据各自的极值进行归一化处理，使实际测量值映射到[01]区间；

(3)构造故障判断模型，所述模型以观测向量X_in为输入，所述模型的输出监测量为Xout＝D*W＝w₁·X(1)+w₂·X(2)+...+w_k·X(k)；其中，D为过程记忆矩阵D，W为权值向量W＝[w₁w₂...w_n]^T；

(4)根据输入与输出监测量的残差ε＝X_out-X_in，确定变电设备是否发生故障；具体判断方法为：当|ε|≤δ时变电设备正常运行，当|ε|＞δ变电设备异常；δ为设定的阈值。

2.如权利要求1所述的一种基于海量监测数据的变电设备故障诊断方法，其特征是，所述过程记忆矩阵D具体为：

$D=[X\left(1\right),X\left(2\right),...X\left(k\right)]=\left[\begin{array}{ccc}{x}_1\left(1\right)& ...& x_1\left(k\right)\\ x_2\left(1\right)& ...& x_2\left(k\right)\\ x_n\left(1\right)& ..& x_n\left(k\right)\end{array}\right]$

其中，k为监测时刻的个数，n为同一时刻监测量的个数。

3.如权利要求1所述的一种基于海量监测数据的变电设备故障诊断方法，其特征是，所述权值向量W的具体计算方法为：

$W={(D^T\⊗D)}^{-1}\·(D^T\⊗X_{\mathrm{in}})$

其中，为非线性运算符， $D^T\⊗D=\⊗(D^T,D)=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({X_i}^T-X_i)}^2},$ $D^T\⊗X_{\mathrm{in}}=\⊗(D^T,X_{\mathrm{in}})=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({X_i}^T-x_i)}^2}.$