CN105469156A - Moa健康管理和故障预测方法及*** - Google Patents

Abstract

本发明公开了一种MOA健康管理和故障预测方法及***。其中，该方法包括：建立MOA健康管理和故障预测模型，该MOA健康管理和故障预测模型以MOA特征参数数据为输入、以MOA的健康状态为输出；统计与各种MOA的健康状态相关的运行数据，并基于统计的运行数据构建训练知识库；利用训练知识库中存储的数据对MOA健康管理和故障预测模型进行训练；以及将实时测量的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型，获得MOA的健康状态。通过上述技术方案，利用统计的反映各种MOA的健康状态的运行数据对MOA健康管理和故障预测模型训练，而后将实时的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型，能够获得准确MOA的健康状态，为MOA维护提供依据。

Description

MOA健康管理和故障预测方法及***

技术领域

本发明涉及***管理领域，具体地，涉及一种MOA健康管理和故障预测方法及***。

背景技术

氧化锌避雷器(简称MOA)是保证高压电力装置免受雷电和操作过电压危害的重要保护设备，其安全可靠的运行对电力***十分重要，目前已广泛应用于我国10～500kV电网中。MOA由于长期承受工频电压，以及冲击电压和内部受潮等因素的影响，引起内部阀片劣化，阻性电流增加，功耗增大，导致MOA内部阀片温度升高，甚至产生热崩溃，引发MOA的***，从而危及电力***的安全运行。

随着电子技术、传感器技术、光纤技术、计算机技术、信息处理等技术的发展，使得在线监测和故障诊断技术进入了实用化阶段。

因此，希望能够对MOA进行健康管理和故障预测以便于对MOA运行状态进行监测。

发明内容

本发明的目的是提供一种方法和***，以能够有效地对MOA进行健康管理和故障预测，为MOA维护提供有效依据。

为了实现上述目的，本发明提供一种氧化锌避雷器MOA健康管理和故障预测方法，该方法包括：建立MOA健康管理和故障预测模型，该MOA健康管理和故障预测模型以MOA特征参数数据为输入、以MOA的健康状态为输出；统计与各种MOA的健康状态相关的运行数据，并基于统计的运行数据构建训练知识库；利用所述训练知识库中存储的数据对所述MOA健康管理和故障预测模型进行训练；以及将实时测量的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型，获得MOA的健康状态。

进一步地，所述MOA健康管理和故障预测模型包括：MOA故障宏观状态推理模块、MOA老化宏观状态推理模块、MOA受潮宏观状态推理模块、MOA污秽宏观状态推理模块。

进一步地，该方法包括对应于所述MOA健康管理和故障预测模型包括的各个状态推理模块，分别构建MOA故障训练知识库、MOA老化训练知识库、MOA受潮训练知识库、MOA污秽训练知识库；以及利用所构建的训练知识库对应地对各个状态推理模块进行训练，以完成对所述MOA健康管理和故障预测模型的训练。

进一步地，所述将实时测量的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型的步骤包括：基于实时测量的MOA特征参数数据构建实时测试知识库，该实时测试知识库包括MOA故障测试知识库、MOA老化测试知识库、MOA受潮测试知识库、MOA污秽测试知识库；以及将每个测试知识库中的MOA特征参数数据作为输入对应地输入到各个状态推理模块。

进一步地，所述MOA健康管理和故障预测模型还包括最终推理模块，该方法包括通过该最终推理模块汇总各个状态推理模块的判断结果输出MOA的健康状态。

进一步地，所述MOA的健康状态包括以下健康指标：MOA故障、MOA受潮、MOA老化、MOA污秽，其中每个健康指标包含多个等级。

进一步地，该方法还包括使用LIBSVM来建立MOA健康管理和故障预测模型。

进一步地，该方法还包括使用多个LIBSVM包对应地建立MOA健康管理和故障预测模型中的每个模块。

本发明的另一个方面还提供了一种氧化锌避雷器MOA健康管理和故障预测***，该***包括：MOA特征参数提取单元，被配置成实时测量MOA特征参数数据；实时测试知识库，被配置成存储所述MOA特征参数提取单元测量的MOA特征参数数据；训练知识库，被配置成存储统计的与各种MOA的健康状态相关的运行数据；MOA健康管理和故障预测模型，该MOA健康管理和故障预测模型以MOA特征参数数据为输入、以MOA的健康状态为输出，该MOA健康管理和故障预测模型被配置成根据所述训练知识库中存储的数据进行训练；以及训练完成后，该MOA健康管理和故障预测模型被配置成根据所述实时测试知识库中存储的数据获得MOA的健康状态。

进一步地，所述MOA健康管理和故障预测模型包括：MOA故障宏观状态推理模块、MOA老化宏观状态推理模块、MOA受潮宏观状态推理模块、MOA污秽宏观状态推理模块、以及最终推理模块，其中每个状态推理模块分别对MOA的健康状态中包括的以下健康指标中的一者进行判断：MOA故障、MOA受潮、MOA老化、MOA污秽；以及所述最终推理模块被配置成汇总各个状态推理模块的判断结果，以输出MOA的健康状态。

通过上述技术方案，利用统计的反映各种MOA的健康状态的运行数据对MOA健康管理和故障预测模型训练，而后将实时的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型，能够获得准确MOA的健康状态，为MOA维护提供依据。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是根据本发明实施方式的MOA健康管理和故障预测方法流程图；

图2是根据本发明优选实施方式的MOA健康管理和故障预测方法流程图；

图3是根据本发明实施方式的MOA训练知识库结构示意图；

图4是根据本发明实施方式的MOA测试知识库结构示意图；

图5A-5D是根据本发明实施方式的各个宏观状态分析推理模块的训练、测试以及输出示意图；

图6是根据本发明实施方式的MOA健康管理和故障预测模型的输入输出示意图；以及

图7是根据本发明实施方式的MOA健康管理和故障预测***结构示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。本发明的实施方式中采用基于分布式的支持向量机，以LIBSVM软件包的应用为例对本发明的原理进行说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明，例如本发明所提供的原理也可以通过人工神经网络来实现。

图1是根据本发明实施方式的MOA健康管理和故障预测方法流程图。如图1所示，本发明提供的一种MOA健康管理和故障预测方法，该方法可以包括：S100，建立MOA健康管理和故障预测模型，该MOA健康管理和故障预测模型以MOA特征参数数据为输入、以MOA的健康状态为输出；S102，统计与各种MOA的健康状态相关的运行数据，并基于统计的运行数据构建训练知识库；S104，利用所述训练知识库中存储的数据对所述MOA健康管理和故障预测模型进行训练；以及S106，将实时测量的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型，获得MOA的健康状态。

通过上述技术方案，利用统计的反映各种MOA的健康状态的运行数据对MOA健康管理和故障预测模型训练，而后将实时的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型，能够获得准确MOA的健康状态，为MOA维护提供依据。

图2是根据本发明优选实施方式的MOA健康管理和故障预测方法流程图。在图2中清楚地示出了如何利用训练知识库中的数据对MOA健康管理和故障预测模型进行训练，从而确定MOA健康管理和故障预测模型中的模型参数。当模型参数确定后，该MOA健康管理和故障预测模型将可以用于对实时的MOA特征参数进行模型运算，并预期将获得准确的MOA故障预测结果。

在实施方式中，MOA健康管理和故障预测模型可以包括多个推理模块，例如MOA故障宏观状态推理模块、MOA老化宏观状态推理模块、MOA受潮宏观状态推理模块、以及MOA污秽宏观状态推理模块。上述各个推理模块的划分或设定可以根据MOA的健康状态包括的以下健康指标：MOA故障、MOA受潮、MOA老化、MOA污秽。虽然利用一个LIBSVM软件包就能够实现对上述MOA的各个健康指标的判断，然而更优选的是利用多个LIBSVM软件包以分布式的方式对每个健康指标进行判断，这样能够提高运算效率，使得本发明实施方式提供的方法更加适用于实时工况。其中，每个健康指标可以包含多个等级，例如对于故障指标可以包含：无故障、轻微故障、故障、失效。这样能够为设备维护人员提供更为详细的预测结果。

其中，利用LIBSVM软件包分别建立四个MOA状态推理子模块的过程可以为：1)按照LIBSVM软件包所要求的格式准备训练和测试数据集(或知识库)；

2)对数据进行特征处理(包括数据归一化处理)；

3)利用Svmtrain函数训练建模：

svmtrain[options]training_set_file[model_file]

选SVM类型为C-SVC，选用核函数为RBF；

4)采用交叉验证选择最佳参数C与g；

5)采用最佳参数C与g对整个训练集进行训练获取的四个支持向量机推理子模块；

6)利用函数Svmpredict对训练好的模型进行预测：

svmpredicttest_filemodel_fileoutput_file

model_file是由svmtrain产生的模型文件；

test_file是要进行预测的数据文件；

Output_file是svmpredict的输出文件。

下面结合图3和图4对根据本发明实施方式的MOA训练知识库和MOA测试知识库的结构进行说明。

为了进一步改善健康管理和故障预测的效率，可以对应于各个推理模块设置训练知识库和测试知识库。

在实施方式中，本发明提供的方法可以包括对应于所述MOA健康管理和故障预测模型包括的各个状态推理模块，分别构建MOA故障训练知识库、MOA老化训练知识库、MOA受潮训练知识库、MOA污秽训练知识库。利用所构建的训练知识库可以对应地对各个状态推理模块进行训练，以完成对所述MOA健康管理和故障预测模型的训练。在优选的实施方式中，对应于各个健康指标的训练知识库可以继续分成对应于多个等级的每个等级的知识库。这样细化的方式可以使对MOA健康管理和故障预测模型的训练更加有效率，能够针对每个健康指标的某个等级对MOA健康管理和故障预测模型进行训练。

在实施方式中，该实时测试知识库包括MOA故障测试知识库、MOA老化测试知识库、MOA受潮测试知识库、MOA污秽测试知识库。与输入特征参数数据步骤相对应，本发明提供的方法中将实时测量的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型的步骤可以包括：基于实时测量的MOA特征参数数据构建实时测试知识库；以及将每个测试知识库中的MOA特征参数数据作为输入对应地输入到各个状态推理模块。与上面的效果类似，将实时测试知识库按照健康指标进行分类，可以提高预测效率。

各个宏观状态分析推理模块的训练、测试以及输出如图5A-5D所示。例如，如图5A所示，利用MOA故障训练知识库对MOA故障宏观状态推理模块进行训练，然后可以利用训练后的MOA故障宏观状态推理模块和MOA故障实时测试知识库的数据对故障健康指标进行判断，得到以下之一的判断结果：无故障、轻微故障、严重故障、失效。

在实施方式中，MOA健康管理和故障预测模型还可以包括最终推理模块，以通过该最终推理模块汇总各个状态推理模块的判断结果输出MOA的健康状态。

需要说明的是，在本发明的实施方式中，作为举例，使用LIBSVM来建立MOA健康管理和故障预测模型。优选地，可以使用多个LIBSVM包对应地建立MOA健康管理和故障预测模型中的每个模块。

下面结合图6对根据本发明实施方式的MOA健康管理和故障预测模型的训练过程的输入输出进行描述，利用实时测量数据的故障预测过程与此类似。

在实施方式中，已经建立了四类训练知识库，分别为MOA故障训练知识库、MOA受潮训练知识库、MOA老化训练知识库、MOA污秽训练知识库。下面参考图6分别针对各知识库进行说明。

(1)MOA故障训练知识库，存放的反映MOA故障特征量有：

泄漏电流全电流的2个周期的小波能量谱系数P₁，P₂

泄漏电流2个周期的基波有效值I₁，I₂

泄漏电流2个周期的基波峰值I_max1，I_max2,

泄漏电流阻性分量2个周期的基波有效值I_r1，I_r2

泄漏电流阻性分量峰值：正峰值Ir+、负峰值Ir-

泄漏电流阻性分量3次谐波2个周期的有效值I_r31，Ir₃₂

即MOA故障宏观状态LIBSVM推理子模块的输入向量X1为：

X1＝[P₁P₂I₁I₂I_max1I_max2I_r1I_r2Ir+Ir-I_r31Ir₃₂]

对应该输入向量X1，MOA故障宏观状态LIBSVM推理子模块输出状态可以为：无故障、轻微故障、故障、失效；该子模块对应MOA故障训练知识库和故障测试知识库。对应四种故障状态，在本发明的实施方式中可以预先编制好MOA故障训练知识库训练该子模块，以准备采集现场实时数据进行故障测试分析，如表1所示。

表1

(2)MOA受潮训练知识库，存放的反映MOA受潮特征量有：

泄漏电流阻性分量2个周期的基波有效值I_r1，I_r2

泄漏电流阻性分量3次谐波2个周期的有效值I_r31，Ir₃₂

MOA阀片的实时工作湿度S

电压2个周期的间谐波含量U1％，U2％

MOA温度分布系数F

即MOA受潮宏观状态LIBSVM推理子模块的输入向量X2为：

X2＝[I_r1I_r2I_r31Ir₃₂SU1％U2％]

对应输入向量X2，MOA受潮宏观状态LIBSVM推理子模块输出状态可以为：未受潮、轻度受潮、中度受潮、严重受潮；该子模块对应MOA受潮训练知识库和受潮测试知识库。在本发明的实施方式中可以对应四种受潮状态，预先编制好MOA受潮训练知识库训练该子模块，以便采集现场实时数据进行受潮测试分析，如表2所示。

表2

(3)MOA老化训练知识库，存放的反映MOA老化特征量有：

泄漏电流阻性分量2个周期的5、7次谐波有效值I_r51，Ir₅₂，I_r71，Ir₇₂雷击次数L

放电时音频信号奇异熵J

基波阻性电流U-I关联系数G

MOA阀片工作温度T

绝缘损耗角θ

避雷器功耗P

容性电流2个周期基波有效值I_c1，Ic₂

全电压相角差φ

全电流相角差ψ

电压2个周期有效值U₁，U₂

即MOA老化宏观状态LIBSVM推理子模块的输入向量为X3：

X3＝[I_r51，Ir₅₂I_r71Ir₇₂LGTθPI_C1I_C2φψU1U2]

对应该输入向量X3，MOA老化宏观状态LIBSVM推理子模块输出状态可以为：未老化、轻度老化、中度老化、严重老化；该子模块对应MOA老化训练知识库和老化测试知识库。在本发明的实施方式中可以对应四种老化状态，预先编制好MOA老化训练知识库训练该子模块，以准备采集现场实时数据进行老化测试分析，如表3所示。

表3

(4)MOA污秽训练知识库，存放的反映MOA污秽特征量有：

泄漏电流阻性分量2个周期的基波有效值I_r1，I_r2

泄漏电流阻性分量3次谐波2个周期的有效值I_r31，Ir₃₂

绝缘损耗角θ

MOA表面盐密度ρ₁

MOA表面灰密度ρ₂

MOA表面电导率λ

污闪电压有效值U_W

即MOA污秽宏观状态LIBSVM推理子模块的输入向量为X4：

X4＝[I_r1，Ir₂I_r31Ir₃₂θρ₁ρ₂λU_W]

对应该输入向量X4，MOA污秽宏观状态LIBSVM推理子模块输出状态可以为：未受污秽，轻度污秽、中度污秽、严重污秽；该子模块对应MOA污秽训练知识库和MOA污秽测试知识库。在本发明的实施方式中可以对应四种污秽状态，预先编制好MOA污秽训练知识库训练该子模块，以准备采集现场实时数据进行污秽测试分析，如表4所示。

表4

在本发明的实施方式中可以将分布式LIBSVM模型中4个分析和推理子模块可能的输出结果作为MOA健康管理与故障预测LIBSVM最终推理模块的输入，即最终推理模块的输入向量为4个，输出向量为1个，如表5所示。

表5

在实施方式中，关联得到最终的MOA健康状况，并对故障进行预测和MOA运行情况进行分析，上述最终推理模块可能的输出为4*4*4*4＝256种健康状态。例如：如果最终推理模块的输入为XX＝[Y11Y23Y34Y42]，即XX＝[1000111011111100]，则得到的输出为Y表示MOA的状态为无故障，轻度污秽，但是器件已经中度受潮，而且老化严重。

本发明的另一个方面还提供了一种氧化锌避雷器MOA健康管理和故障预测***。图7是根据本发明实施方式的MOA健康管理和故障预测***结构示意图。如图7所示，本发明提供的***可以包括：MOA特征参数提取单元，被配置成实时测量MOA特征参数数据；实时测试知识库，被配置成存储所述MOA特征参数提取单元测量的MOA特征参数数据；训练知识库，被配置成存储统计的与各种MOA的健康状态相关的运行数据；MOA健康管理和故障预测模型，该MOA健康管理和故障预测模型以MOA特征参数数据为输入、以MOA的健康状态为输出，该MOA健康管理和故障预测模型被配置成根据所述训练知识库中存储的数据进行训练；以及训练完成后，该MOA健康管理和故障预测模型被配置成根据所述实时测试知识库中存储的数据获得MOA的健康状态。

在实施方式中，本发明提供的上述***可以通过LIBSVM来构建。

在实施方式中，MOA健康管理和故障预测模型可以包括：MOA故障宏观状态推理模块、MOA老化宏观状态推理模块、MOA受潮宏观状态推理模块、MOA污秽宏观状态推理模块、以及最终推理模块，其中每个状态推理模块分别对MOA的健康状态中包括的以下健康指标中的一者进行判断：MOA故障、MOA受潮、MOA老化、MOA污秽；以及所述最终推理模块被配置成汇总各个状态推理模块的判断结果，以输出MOA的健康状态。

本发明提供的MOA健康管理和故障预测方法和***的有益效果如下：

1、采用故障、老化、受潮、污秽四种宏观动态指标来完成对MOA的健康管理和故障预测，每种宏观动态指标下面又精确给出相应的多种(例如四种)健康评估指标，总共可以评估4*4*4*4＝256种MOA健康状态。

2、提出了利用分布式LIBSVM结构建立MOA健康管理和故障预测模型，运行速度快。

3、建立分布式训练知识库，存放反映MOA各类状态的历史数据知识，能最大程度的反映MOA可能的健康状况；

4、依据分布式宏观状态分析推理模块的实时输出，可以实现准确的故障预测和MOA总体运行状态监测与分析。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种氧化锌避雷器MOA健康管理和故障预测方法，其特征在于，该方法包括：

建立MOA健康管理和故障预测模型，该MOA健康管理和故障预测模型以MOA特征参数数据为输入、以MOA的健康状态为输出；

统计与各种MOA的健康状态相关的运行数据，并基于统计的运行数据构建训练知识库；

利用所述训练知识库中存储的数据对所述MOA健康管理和故障预测模型进行训练；以及

将实时测量的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型，获得MOA的健康状态。

2.根据权利要求1所述的MOA健康管理和故障预测方法，其特征在于，所述MOA健康管理和故障预测模型包括：MOA故障宏观状态推理模块、MOA老化宏观状态推理模块、MOA受潮宏观状态推理模块、MOA污秽宏观状态推理模块。

3.根据权利要求2所述的MOA健康管理和故障预测方法，其特征在于，该方法包括对应于所述MOA健康管理和故障预测模型包括的各个状态推理模块，分别构建MOA故障训练知识库、MOA老化训练知识库、MOA受潮训练知识库、MOA污秽训练知识库；以及

利用所构建的训练知识库对应地对各个状态推理模块进行训练，以完成对所述MOA健康管理和故障预测模型的训练。

4.根据权利要求2所述的MOA健康管理和故障预测方法，其特征在于，所述将实时测量的MOA特征参数数据输入已训练的MOA健康管理和故障预测模型的步骤包括：

基于实时测量的MOA特征参数数据构建实时测试知识库，该实时测试知识库包括MOA故障测试知识库、MOA老化测试知识库、MOA受潮测试知识库、MOA污秽测试知识库；以及

将每个测试知识库中的MOA特征参数数据作为输入对应地输入到各个状态推理模块。

5.根据权利要求2所述的MOA健康管理的故障预测方法，其特征在于，所述MOA健康管理和故障预测模型还包括最终推理模块，该方法包括通过该最终推理模块汇总各个状态推理模块的判断结果输出MOA的健康状态。

6.根据权利要求1所述的MOA健康管理的故障预测方法，其特征在于，所述MOA的健康状态包括以下健康指标：MOA故障、MOA受潮、MOA老化、MOA污秽，其中每个健康指标包含多个等级。

7.根据权利要求1所述的MOA健康管理的故障预测方法，其特征在于，该方法还包括使用LIBSVM来建立MOA健康管理和故障预测模型。

8.根据权利要求5所述的MOA健康管理的故障预测方法，其特征在于，该方法还包括使用多个LIBSVM包对应地建立MOA健康管理和故障预测模型中的每个模块。

9.一种氧化锌避雷器MOA健康管理和故障预测***，其特征在于，该***包括：

MOA特征参数提取单元，被配置成实时测量MOA特征参数数据；

实时测试知识库，被配置成存储所述MOA特征参数提取单元测量的MOA特征参数数据；

训练知识库，被配置成存储统计的与各种MOA的健康状态相关的运行数据；

MOA健康管理和故障预测模型，该MOA健康管理和故障预测模型以MOA特征参数数据为输入、以MOA的健康状态为输出，该MOA健康管理和故障预测模型被配置成根据所述训练知识库中存储的数据进行训练；以及训练完成后，该MOA健康管理和故障预测模型被配置成根据所述实时测试知识库中存储的数据获得MOA的健康状态。

10.根据权利要求9所述的氧化锌避雷器MOA健康管理和故障预测***，其特征在于，所述MOA健康管理和故障预测模型包括：MOA故障宏观状态推理模块、MOA老化宏观状态推理模块、MOA受潮宏观状态推理模块、MOA污秽宏观状态推理模块、以及最终推理模块，其中

每个状态推理模块分别对MOA的健康状态中包括的以下健康指标中的一者进行判断：MOA故障、MOA受潮、MOA老化、MOA污秽；以及

所述最终推理模块被配置成汇总各个状态推理模块的判断结果，以输出MOA的健康状态。