CN104317778A - 基于海量监测数据的变电设备故障诊断方法 - Google Patents
基于海量监测数据的变电设备故障诊断方法 Download PDFInfo
- Publication number
- CN104317778A CN104317778A CN201410601344.8A CN201410601344A CN104317778A CN 104317778 A CN104317778 A CN 104317778A CN 201410601344 A CN201410601344 A CN 201410601344A CN 104317778 A CN104317778 A CN 104317778A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- circletimes
- equipment
- fault diagnosis
- monitoring 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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...xn]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...xn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Xin为输入,所述模型的输出监测量为Xout=D*W=w1·X(1)+w2·X(2)+...+wk·X(k);其中,D为过程记忆矩阵D,W为权值向量W=[w1w2...wn]T;
(4)根据输入与输出监测量的残差ε=Xout-Xin,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:
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:
其中,为非线性运算符,
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...xn]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:
其中,x1x2...xn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Xin,确定一个权值向量W=[w1w2...wn]T,则输出监测量Xout=D*W=w1·X(1)+w2·X(2)+...+wk·X(k)。
权值向量 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=Xout-Xin,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Xout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...xn]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...xn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Xin为输入,所述模型的输出监测量为Xout=D*W=w1·X(1)+w2·X(2)+...+wk·X(k);其中,D为过程记忆矩阵D,W为权值向量W=[w1w2...wn]T;
(4)根据输入与输出监测量的残差ε=Xout-Xin,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:
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:
其中,为非线性运算符,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410601344.8A CN104317778A (zh) | 2014-10-30 | 2014-10-30 | 基于海量监测数据的变电设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410601344.8A CN104317778A (zh) | 2014-10-30 | 2014-10-30 | 基于海量监测数据的变电设备故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104317778A true CN104317778A (zh) | 2015-01-28 |
Family
ID=52373011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410601344.8A Pending CN104317778A (zh) | 2014-10-30 | 2014-10-30 | 基于海量监测数据的变电设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104317778A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104742895A (zh) * | 2015-02-09 | 2015-07-01 | 中国计量学院 | 一种基于解析模型的客车气制动***故障检测方法 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN108052092A (zh) * | 2017-12-19 | 2018-05-18 | 南京轨道交通***工程有限公司 | 一种基于大数据分析的地铁机电设备状态异常检测方法 |
CN108334674A (zh) * | 2018-01-17 | 2018-07-27 | 浙江大学 | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 |
CN108604360A (zh) * | 2016-05-04 | 2018-09-28 | 斗山重工业建设有限公司 | 设施异常监测方法及其*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130069792A1 (en) * | 2011-09-19 | 2013-03-21 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
CN103646013A (zh) * | 2013-12-09 | 2014-03-19 | 清华大学 | 一种基于协方差矩阵范数逼近的多重故障重构方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
-
2014
- 2014-10-30 CN CN201410601344.8A patent/CN104317778A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130069792A1 (en) * | 2011-09-19 | 2013-03-21 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
CN103646013A (zh) * | 2013-12-09 | 2014-03-19 | 清华大学 | 一种基于协方差矩阵范数逼近的多重故障重构方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
Non-Patent Citations (3)
Title |
---|
变压器状态评估多层次不确定模型;梁永亮等;《电力***自动化》;20131125;第37卷(第22期);第2节 * |
梁永亮等: "变压器状态评估多层次不确定模型", 《电力***自动化》 * |
郭鹏等: "基于SCADA运行数据的风电机组塔架振动建模与监测", 《中国电机工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104742895A (zh) * | 2015-02-09 | 2015-07-01 | 中国计量学院 | 一种基于解析模型的客车气制动***故障检测方法 |
CN104742895B (zh) * | 2015-02-09 | 2018-01-05 | 中国计量学院 | 一种基于解析模型的客车气制动***故障检测方法 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN105787561B (zh) * | 2016-03-22 | 2019-04-30 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN108604360A (zh) * | 2016-05-04 | 2018-09-28 | 斗山重工业建设有限公司 | 设施异常监测方法及其*** |
CN108052092A (zh) * | 2017-12-19 | 2018-05-18 | 南京轨道交通***工程有限公司 | 一种基于大数据分析的地铁机电设备状态异常检测方法 |
CN108334674A (zh) * | 2018-01-17 | 2018-07-27 | 浙江大学 | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警***及方法 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
CN111639467A (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN111627199A (zh) | 一种水电站大坝安全监测***及监测方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
CN108093210A (zh) | 一种变压器油位告警***及其告警方法 | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及*** | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、***及存储介质 | |
CN111306051B (zh) | 一种输油泵机组探针式状态监测预警方法、装置及*** | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
CN105389475B (zh) | 一种基于小波包分解的电厂设备故障检测方法 | |
Guilian et al. | Research and Application of Remote Intelligent Operation and Maintenance System for Digital Instrument and Control Equipment in Nuclear Power Plant | |
CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
KR102573254B1 (ko) | 연합 학습을 이용한 기계설비 고장 예지 분석 시스템 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
Traxler | Fault detection of large amounts of photovoltaic systems | |
CN103389448B (zh) | Gis设备运行状态在线检测方法与*** | |
CN115015691A (zh) | 基于多测点振动特征的gil故障定位方法及*** | |
Abdubrani et al. | Achieving Unprecedented Precision in Multiphase Flow Meter Monitoring with Deep Learning-Driven Abnormality Detection | |
CN118245837A (zh) | 一种水利工程的地基渗漏检测用高寿命定位装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150128 |