CN108388949A - 基于设备相对服役环境灵敏性的电力设备调配方法和*** - Google Patents
基于设备相对服役环境灵敏性的电力设备调配方法和*** Download PDFInfo
- Publication number
- CN108388949A CN108388949A CN201711492714.9A CN201711492714A CN108388949A CN 108388949 A CN108388949 A CN 108388949A CN 201711492714 A CN201711492714 A CN 201711492714A CN 108388949 A CN108388949 A CN 108388949A
- Authority
- CN
- China
- Prior art keywords
- parameter
- power equipment
- service environment
- equipment
- sensitivity
- 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
- 230000035945 sensitivity Effects 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002156 mixing Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 56
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 238000009413 insulation Methods 0.000 claims description 13
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 238000007789 sealing Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000010206 sensitivity analysis Methods 0.000 description 7
- 230000000153 supplemental effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于设备相对服役环境灵敏性的电力设备调配***和方法,根据获取的电力设备的性能参数和电力设备的服役环境参数得到性能参数相对于服役环境参数的灵敏系数;比较灵敏系数和灵敏阈值的大小,根据比较结果选取不同的调整设备配置到电力设备上。此方案中,根据性能参数相对于服役环境参数的灵敏系数选取不同的调整设备配置到电力设备上,调整设备可以对电力设备的性能参数进行调整,抑制服役环境对电力设备性能参数的影响,减小电力设备维护的次数和时间,从而降低电力设备的运维成本。
Description
技术领域
本发明涉及电力技术领域,特别是涉及一种基于设备相对服役环境灵敏性的电力设备调配方法和***。
背景技术
电力设备属于电力***,提供电能输送、能量控制、故障消除等功能,是电力***重要的构成部分。电力设备广泛服役于各种工作环境,随着工作时间的持续,电力设备受工作环境因素的影响会产生故障,需要对电力设备进行维护,维护的过程繁杂且耗时,电力设备的运维成本较高。
发明内容
基于此,有必要针对传统的电力设备运维成本较高的问题,提供一种基于设备相对服役环境灵敏性的电力设备调配方法和***。
一种基于设备相对服役环境灵敏性的电力设备调配方法,包括以下步骤:
获取电力设备的性能参数和电力设备的服役环境参数;
根据性能参数和服役环境参数获取性能参数相对于服役环境参数的灵敏系数;
比较灵敏系数和灵敏阈值的大小,根据比较结果选取待配置到电力设备上的调整设备。
进一步的,获取电力设备的性能参数的步骤包括以下步骤:
获取电力设备故障树模型,根据故障树模型确定电力设备的目标性能参数类型,检测电力设备,获取目标性能参数集群。
进一步的,获取电力设备的服役环境参数的步骤包括以下步骤:
汇总电力设备的服役环境参数,采用聚类分析方法对汇总电力设备的服役环境参数进行分类,获取不同类型的服役环境参数集群。
进一步的,根据性能参数和服役环境参数获取相对于服役环境参数的灵敏系数的步骤包括以下步骤:
采用聚类分析方法对目标性能参数集群进行分类,对不同类别的目标类型参数集群分别进行分布规律分析;
对不同类型的服役环境参数集群分别进行分布规律分析;
根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取性能参数相对于服役环境参数的灵敏系数。
进一步的,目标类型参数集群的类别包括绝缘性能、载流性能、机械性能、密封性能、气体组分和油液组分。
进一步的,根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取性能参数相对于服役环境参数的灵敏系数的步骤包括以下步骤:
根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取服役环境参数的单位变化量对应的目标性能参数的变化量,根据目标性能参数的变化量确定灵敏系数。
进一步的,根据比较结果选取待配置到电力设备上的调整设备的步骤包括以下步骤:
若灵敏系数大于灵敏阈值,选取第一调整设备配置到电力设备上;其中,第一调整设备的调整参数与灵敏系数对应的服役环境参数相关;
若灵敏度系数小于或等于灵敏阈值,选取第二调整设备配置到电力设备上;其中,第二调整设备的调整参数与灵敏系数对应的服役环境参数相关,第二调整设备的调整幅度小于第一调整设备的调整幅度。
进一步的,根据比较结果选取待配置到电力设备上的调整设备的步骤包括以下步骤:
若灵敏系数大于灵敏阈值,且灵敏系数对应的服役环境参数的变化率大于变化阈值,选取第一调整设备配置到电力设备上;其中,第一调整设备的调整参数与灵敏系数对应的服役环境参数相关。
一种基于设备相对服役环境灵敏性的电力设备调配***,包括:
参数获取单元,用于获取电力设备的性能参数和电力设备的服役环境参数;
灵敏分析单元,用于根据性能参数和服役环境参数获取性能参数相对于服役环境参数的灵敏系数;
比较配置单元,用于比较灵敏系数和灵敏阈值的大小,根据比较结果选取待配置到电力设备上的调整设备。
根据上述本发明的基于设备相对服役环境灵敏性的电力设备调配方法和***,根据获取的电力设备的性能参数和电力设备的服役环境参数得到性能参数相对于服役环境参数的灵敏系数;比较灵敏系数和灵敏阈值的大小,根据比较结果选取不同的调整设备配置到电力设备上。此方案中,根据性能参数相对于服役环境参数的灵敏系数选取不同的调整设备配置到电力设备上,调整设备可以对电力设备的性能参数进行调整,抑制服役环境对电力设备性能参数的影响,减小电力设备维护的次数和时间,从而降低电力设备的运维成本。
一种可读存储介质,其上存储有可执行程序,该程序被处理器执行时实现上述的基于设备相对服役环境灵敏性的电力设备调配方法的步骤。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的可执行程序,处理器执行程序时实现上述的基于设备相对服役环境灵敏性的电力设备调配方法的步骤。
根据上述本发明的基于设备相对服役环境灵敏性的电力设备调配方法,本发明还提供一种可读存储介质和计算机设备,用于通过程序实现上述基于设备相对服役环境灵敏性的电力设备调配方法,根据性能参数相对于服役环境参数的灵敏系数选取不同的调整设备配置到电力设备上,调整设备可以对电力设备的性能参数进行调整,抑制服役环境对电力设备性能参数的影响,减小电力设备维护的次数和时间,从而降低电力设备的运维成本。
附图说明
图1为其中一个实施例的基于设备相对服役环境灵敏性的电力设备调配方法的流程示意图;
图2为其中一个实施例的基于设备相对服役环境灵敏性的电力设备调配***的结构示意图;
图3为其中一个具体实施例的基于设备相对服役环境灵敏性的电力设备调配方法的流程示意图;
图4为其中一个具体实施例的基于设备相对服役环境灵敏性的电力设备调配方法的参数处理示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
参见图1所示,为本发明的一个实施例的基于设备相对服役环境灵敏性的电力设备调配方法的流程示意图。该实施例中的基于设备相对服役环境灵敏性的电力设备调配方法包括以下步骤:
步骤S110:获取电力设备的性能参数和电力设备的服役环境参数;
在本步骤中,电力设备的性能参数可以是电力设备本身的各种物理性能参数,电力设备一般在使用时都是处于某一具体的工作环境中,即服役环境,此处的服役环境参数可以是服役环境中对电力设备的性能会产生影响的参数;
步骤S120:根据性能参数和服役环境参数获取性能参数相对于服役环境参数的灵敏系数;
在本步骤中,灵敏系数反映的是服役环境参数的变化对性能参数的影响程度;
步骤S130:比较灵敏系数和灵敏阈值的大小,根据比较结果选取待配置到电力设备上的调整设备。
在本步骤中,根据灵敏系数的大小来取确定相应的调整设备,对电力设备进行配置。
在本实施例中,根据获取的电力设备的性能参数和电力设备的服役环境参数得到性能参数相对于服役环境参数的灵敏系数;比较灵敏系数和灵敏阈值的大小,根据比较结果选取不同的调整设备配置到电力设备上。此方案中,根据性能参数与服役环境参数的灵敏系数选取不同的调整设备配置到电力设备上,调整设备可以对电力设备的性能参数进行调整,抑制服役环境对电力设备性能参数的影响,减小电力设备维护的次数和时间,从而降低电力设备的运维成本。
需要说明的是,服役环境参数可以是不同的服役环境的相关参数,包括正常自然环境,以及高温、高湿、高寒、高海拔、高微尘、高污染等。
在其中一个实施例中,获取电力设备的性能参数的步骤包括以下步骤:
获取电力设备故障树模型,根据故障树模型确定电力设备的目标性能参数类型,检测电力设备,获取目标性能参数集群。
在本实施例中,利用电力设备故障树模型可以确定容易引起电力设备故障的目标性能参数类型,再对电力设备进行检测,获取相应的目标性能参数集群,如此可以减少性能参数的数量,剔除其他对电力设备影响较小的性能参数,更有针对性地选取调整设备。
需要说明的是,在确定目标性能参数类型后对电力设备的检测是在不同的测试环境进行的,测试环境的具体参数可以根据电力设备的服役环境参数来确定。
在其中一个实施例中,获取电力设备的服役环境参数的步骤包括以下步骤:
汇总电力设备的服役环境参数,采用聚类分析方法对汇总电力设备的服役环境参数进行分类,获取不同类型的服役环境参数集群。
在本实施例中,服役环境参数可以有多种,通过聚类分析方法对汇总的服役环境参数进行分类,可以得到不同类型的服役环境参数集群,便于获取性能参数相对于某一具体类型的服役环境参数的灵敏系数,提高灵敏系数的有效性。
在其中一个实施例中,根据性能参数和服役环境参数获取性能参数相对于服役环境参数的灵敏系数的步骤包括以下步骤:
采用聚类分析方法对目标性能参数集群进行分类,对不同类别的目标性能参数集群分别进行分布规律分析;
对不同类型的服役环境参数集群分别进行分布规律分析;
根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取性能参数相对于服役环境参数的灵敏系数。
在本实施例中,对目标性能参数集群进行分类,得到不同类别的目标性能参数集群,对同一类别的目标性能参数集群进行分布规律分析,得到该类别的性能参数的分布规律;对同一类型的服役环境参数集群进行分布规律分析,得到服役环境参数的分布规律;结合两种参数的分布规律可以获取性能参数相对于服役环境参数的灵敏系数,由于参数的分布规律覆盖范围较广,通过此种方式得到的灵敏系数准确性较高。
可选的,在获取灵敏系数时,可以将任一类型的目标性能参数集群相对于不同类型的服役环境参数的灵敏系数进行综合,得到该类型的目标性能参数相对于服役环境参数的综合灵敏系数,服役环境参数的具体类型数量可以根据电力设备实际服役的环境来确定。
可选的,进行分布规律分析时,可以采用线性回归、假设检验分布、t分布等方法,但并不仅限于此。
具体的,某一电力设备一般处于高温、高湿的服役环境中,该电力设备的绝缘参数会受到温度、湿度的影响,通过线性回归等方法分析得到服役环境的温度、湿度的分布规律,以及该电力设备的绝缘参数的分布规律,根据绝缘参数的分布规律以及服役环境的温度、湿度的分布规律可以得到绝缘参数相对于服役环境的温度、湿度的灵敏系数,可以将绝缘参数相对于服役环境的温度的灵敏系数以及绝缘参数相对于服役环境的湿度的灵敏系数进行加权综合,得到绝缘参数相对于服役环境参数的灵敏系数。
在其中一个实施例中,目标类型参数集群的类别包括绝缘性能、载流性能、机械性能、密封性能、气体组分和油液组分。
在本实施例中,目标类型参数集群的类别可以有多种,包括但不限于绝缘、载流、机械、密封、气体组分、油液组分等等,通过多种不同的参数集群可以全面地分析电力设备的性能,最大程度地能地抑制服役环境对电力设备的各种性能参数的影响。
在其中一个实施例中,根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取性能参数相对于服役环境参数的灵敏系数的步骤包括以下步骤:
根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取服役环境参数的单位变化量对应的目标性能参数的变化量,根据目标性能参数的变化量确定灵敏系数。
在本实施例中,灵敏系数可以通过服役环境参数的单位变化量对应的目标性能参数的变化量来具体表示,利用分布规律容易得到服役环境参数的变化量以及对应的性能参数变化量,如此可以快速获取灵敏系数。
具体的,灵敏系数可以通过下式计算:
式中,x为电力设备的运行环境参数的聚类分析结果参数,r为电力设备的性能参数的聚类分析结果参数,S即为电力设备性能参数相对于运行环境参数的灵敏性,由电力设备性能参数的聚类分析结果参数随电力设备的运行环境参数的聚类分析结果参数的变化率决定,近似等于r的变化量Δr与x的变化量Δx之比。
上述只是灵敏系数的一种具体计算形式,也可以是其他的计算形式;而且,分布规律也可以采用其他表示规律性的数据进行表征。
在其中一个实施例中,根据比较结果选取待配置到电力设备上的调整设备的步骤包括以下步骤:
若灵敏系数大于灵敏阈值,选取第一调整设备配置到电力设备上;其中,第一调整设备的调整参数与灵敏系数对应的服役环境参数相关;
若灵敏度系数小于或等于灵敏阈值,选取第二调整设备配置到电力设备上;其中,第二调整设备的调整参数与灵敏系数对应的服役环境参数相关,第二调整设备的调整幅度小于第一调整设备的调整幅度。
在本实施例中,灵敏系数与灵敏阈值的大小关系决定选取的调整设备,在灵敏系数大于灵敏阈值时,表示电力设备的当前性能参数相对于服役环境参数的灵敏程度较高,也就是性能参数容易受到服役环境参数的影响,此时有必要选取第一调整设备对电力设备的服役环境参数进行调整;在灵敏系数小于或等于灵敏阈值时,表示电力设备的当前性能参数相对于服役环境参数的灵敏程度较低,也就是性能参数受到服役环境参数的影响较小,此时选取第二调整设备对电力设备的服役环境参数进行调整,第二调整设备的调整幅度小于第一调整设备。在灵敏程度不同的情况下,选取不同的调整设备对电力设备的服役环境参数进行调整,更加符合电力设备的实际运行情况,在减小服役环境的影响的同时降低对调整设备的要求。
可选的,在灵敏系数为0或小于灵敏临界值时,表示电力设备的当前性能参数几乎不受到服役环境参数的影响,此时无需选取待配置到电力设备上的调整设备。
具体的,绝缘参数相对于高温高湿的服役环境参数的灵敏系数为30,灵敏阈值为20,则选取第一调整设备,第一调整设备对服役环境参数的调整幅度为20%;若灵敏系数为10,则选取第二调整设备,第一调整设备对服役环境参数的调整幅度为5%;若灵敏系数为0或1,则不选取调整设备。
进一步的,调整设备可以是与电力设备的服役环境参数相关的设备,如高温环境下的降温设备,高湿环境下的除湿设备,高寒环境下的加热设备等。
在其中一个实施例中,根据比较结果选取待配置到电力设备上的调整设备的步骤包括以下步骤:
若灵敏系数大于灵敏阈值,且灵敏系数对应的服役环境参数的变化率大于变化阈值,选取第一调整设备配置到电力设备上;其中,第一调整设备的调整参数与灵敏系数对应的服役环境参数相关。
在本实施例中,不仅考虑电力设备的性能参数相对于服役环境参数的灵敏系数,还要考虑服役环境参数的变化率,若服役环境参数的变化率大于变化阈值,表明服役环境参数的变化程度大,更加需要有效的调整设备对电力设备进行调整。
在其中一个实施例中,电力设备包括变压器、断路器、互感器、电抗器、电容器、隔离开关、接地开关、电缆线路或架空线路。
在本实施例中,可以对各种不同的电力设备进行调配,提高各种电力设备的可靠性,抑制服役环境对电力设备性能参数的影响,减小电力设备维护的次数和时间,从而降低各种电力设备的运维成本。
根据上述基于设备相对服役环境灵敏性的电力设备调配方法,本发明还提供一种基于设备相对服役环境灵敏性的电力设备调配***,以下就本发明的基于设备相对服役环境灵敏性的电力设备调配***的实施例进行详细说明。
参见图2所示,为本发明一个实施例的基于设备相对服役环境灵敏性的电力设备调配***的结构示意图。该实施例中的基于设备相对服役环境灵敏性的电力设备调配***,包括:
参数获取单元210,用于获取电力设备的性能参数和电力设备的服役环境参数;
灵敏分析单元220,用于根据性能参数和服役环境参数获取性能参数相对于服役环境参数的灵敏系数;
比较配置单元230,用于比较灵敏系数和灵敏阈值的大小,根据比较结果选取待配置到电力设备上的调整设备。
在其中一个实施例中,参数获取单元210获取电力设备故障树模型,根据故障树模型确定电力设备的目标性能参数类型,检测电力设备,获取目标性能参数集群。
在其中一个实施例中,参数获取单元210汇总电力设备的服役环境参数,采用聚类分析方法对汇总电力设备的服役环境参数进行分类,获取不同类型的服役环境参数集群。
在其中一个实施例中,灵敏分析单元220采用聚类分析方法对目标性能参数集群进行分类,对不同类别的目标性能参数集群分别进行分布规律分析;对不同类型的服役环境参数集群分别进行分布规律分析;根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取性能参数相对于服役环境参数的灵敏系数。
在其中一个实施例中,目标类型参数集群的类别包括绝缘性能、载流性能、机械性能、密封性能、气体组分和油液组分。
在其中一个实施例中,灵敏分析单元220根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取服役环境参数的单位变化量对应的目标性能参数的变化量,根据目标性能参数的变化量确定灵敏系数。
在其中一个实施例中,比较配置单元230在灵敏系数大于灵敏阈值时,选取第一调整设备配置到电力设备上;其中,第一调整设备的调整参数与灵敏系数对应的服役环境参数相关;在灵敏系数小于或等于灵敏阈值时,选取第二调整设备配置到电力设备上;其中,第二调整设备的调整参数与灵敏系数对应的服役环境参数相关,第二调整设备的调整幅度小于第一调整设备的调整幅度。
在其中一个实施例中,比较配置单元230在灵敏系数大于灵敏阈值,且灵敏系数对应的服役环境参数的变化率大于变化阈值时,选取第一调整设备配置到电力设备上;其中,第一调整设备的调整参数与灵敏系数对应的服役环境参数相关。
本发明的基于设备相对服役环境灵敏性的电力设备调配***与本发明的基于设备相对服役环境灵敏性的电力设备调配方法相对应,在上述基于设备相对服役环境灵敏性的电力设备调配方法的实施例阐述的技术特征及其有益效果均适用于基于设备相对服役环境灵敏性的电力设备调配***的实施例中。
根据上述基于设备相对服役环境灵敏性的电力设备调配方法,本发明实施例还提供一种可读存储介质和一种计算机设备。可读存储介质上存储有可执行程序,该程序被处理器执行时实现上述基于设备相对服役环境灵敏性的电力设备调配方法的步骤;计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的可执行程序,处理器执行程序时实现上述基于设备相对服役环境灵敏性的电力设备调配方法的步骤;根据性能参数相对于服役环境参数的灵敏系数选取不同的调整设备配置到电力设备上,调整设备可以对电力设备的性能参数进行调整,抑制服役环境对电力设备性能参数的影响,减小电力设备维护的次数和时间,从而降低电力设备的运维成本。
在一个具体的实施例中,本发明的基于设备相对服役环境灵敏性的电力设备调配方法可以应用在电力***的电力设备的实际使用场景中。本发明的基于设备相对服役环境灵敏性的电力设备调配方法可以通过确定电力设备相对于服役环境因素的灵敏性,对电力设备进行调配,过程简图如图3所示。
电力设备性能参数与服役环境中各影响因素的灵敏性分析,包括以下步骤:电力设备性能参数汇总和筛查、电力设备性能参数测量值分布规律、电力设备服役环境参数数据汇总和筛查、电力设备服役环境参数数据分布规律、基于电力设备性能参数分布规律和电力设备服役环境参数数据分布规律的灵敏性分析和灵敏性分析结果比对。
电力设备性能参数汇总和筛查:基于电力设备故障树模型确定可检测参数,并于检测后累积形成表征电力设备性能的参数集群,进而基于性能指标要求和数据质量进行筛查。
电力设备性能参数分布规律采用聚类分析方法,将电力设备性能参数进行分类,包括但不限于绝缘性能、载流性能、机械性能、密封性能、气体组分、油液组分等。将电力设备性能参数集群分类为不同类别后,分别进行参数分布规律分析。采用包括但不限于线性回归、假设检验分布、t分布等方法,分析电力设备性能参数分布规律。
电力设备服役环境参数数据进行汇总和筛查,也可以采用聚类分析方法将参数集群分类为不同类别,分别进行电力设备服役环境参数数据分布规律分析。对于电力设备性能参数分布规律和电力设备服役环境参数数据分布规律的灵敏性分析中,采用通过计算环境参数单位变化量对应的电力设备性能参数的变化幅度值的方法计算,过程如下式所示:
式中x为电力设备的运行环境参数的聚类分析结果参数,r为电力设备的性能参数的聚类分析结果参数,即为电力设备性能参数相对于运行环境参数的灵敏性,由电力设备性能参数的聚类分析结果参数随电力设备的运行环境参数的聚类分析结果参数的变化率决定,近似等于r的变化量Δr与x的变化量Δx之比。
采用试验数据和/或统计数据和/或专家数据确定电力设备性能参数和电力设备服役环境参数的灵敏性分析计算结果的比对阀值。
比对灵敏性分析计算结果和比对阈值,在S大于比对阈值时,表明电力设备的当前性能参数相对于服役环境参数具有高灵敏度,在S小于等于比对阈值时,表明电力设备的当前性能参数相对于服役环境参数具有低灵敏度,在灵敏度不同的情况下选取不同的调整设备。
具体选取调整设备时,如图4所示,可以根据得到的电力设备对服役环境参数的灵敏性分析结果,将电力设备的服役环境参数分为低灵敏性参数集和高灵敏性参数集;
将电力设备运行环境参数集按照预期的电力设备部署条件确定电力设备运行环境参数的波动变化率,并分为高波动性参数集和低波动性参数集;
将预期的电力设备运行环境参数集中的高波动性参数集与得到的高灵敏性参数集取交集,该交集中的环境参数具有高波动性,而且电力设备相对于该环境参数具有高灵敏性的特点。该交集即为对电力设备安全服役和正确选型具有参考价值的环境参数集。
本发明实施例的方案采用电力设备实际运行数据和电力设备服役环境实际参数,针对不同聚类结果计算灵敏性,得到电力设备性能参数相对于服役环境参数的灵敏性分析结果,能够为电力设备的安全服役和调整设备的正确选型提供依据。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于可读取存储介质中。该程序在执行时,包括上述方法所述的步骤。所述的存储介质,包括:ROM/RAM、磁碟、光盘等。
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)
1.一种基于设备相对服役环境灵敏性的电力设备调配方法,其特征在于,包括:
获取电力设备的性能参数和电力设备的服役环境参数;
根据所述性能参数和所述服役环境参数获取所述性能参数相对于所述服役环境参数的灵敏系数;
比较所述灵敏系数和灵敏阈值的大小,根据比较结果选取待配置到所述电力设备上的调整设备。
2.根据权利要求1所述的基于设备相对服役环境灵敏性的电力设备调配方法,其特征在于,所述获取电力设备的性能参数的步骤包括以下步骤:
获取电力设备故障树模型,根据所述故障树模型确定电力设备的目标性能参数类型,检测电力设备,获取目标性能参数集群。
3.根据权利要求2所述的基于设备相对服役环境灵敏性的电力设备调配方法,其特征在于,获取电力设备的服役环境参数的步骤包括以下步骤:
汇总电力设备的服役环境参数,采用聚类分析方法对汇总电力设备的服役环境参数进行分类,获取不同类型的服役环境参数集群。
4.根据权利要求3所述的基于设备相对服役环境灵敏性的电力设备调配方法,其特征在于,所述根据所述性能参数和所述服役环境参数获取所述性能参数相对于所述服役环境参数的灵敏系数的步骤包括以下步骤:
采用聚类分析方法对所述目标性能参数集群进行分类,对不同类别的目标类型参数集群分别进行分布规律分析;
对所述不同类型的服役环境参数集群分别进行分布规律分析;
根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取所述性能参数相对于所述服役环境参数的灵敏系数。
5.根据权利要求4所述的基于设备相对服役环境灵敏性的电力设备调配方法,其特征在于,所述目标类型参数集群的类别包括绝缘性能、载流性能、机械性能、密封性能、气体组分和油液组分。
6.根据权利要求4所述的基于设备相对服役环境灵敏性的电力设备调配方法,其特征在于,所述根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取所述性能参数相对于所述服役环境参数的灵敏系数的步骤包括以下步骤:
根据目标性能参数集群的分布规律和服役环境参数集群的分布规律获取服役环境参数的单位变化量对应的目标性能参数的变化量,根据所述目标性能参数的变化量确定所述灵敏系数。
7.根据权利要求4所述的基于设备相对服役环境灵敏性的电力设备调配方法,其特征在于,所述根据比较结果选取待配置到所述电力设备上的调整设备的步骤包括以下步骤:
若所述灵敏系数大于所述灵敏阈值,选取第一调整设备配置到所述电力设备上;其中,所述第一调整设备的调整参数与所述灵敏系数对应的服役环境参数相关;
若所述灵敏度系数小于或等于所述灵敏阈值,选取第二调整设备配置到所述电力设备上;其中,所述第二调整设备的调整参数与所述灵敏系数对应的服役环境参数相关,所述第二调整设备的调整幅度小于所述第一调整设备的调整幅度。
8.根据权利要求4所述的基于设备相对服役环境灵敏性的电力设备调配方法,其特征在于,所述根据比较结果选取待配置到所述电力设备上的调整设备的步骤包括以下步骤:
若所述灵敏系数大于所述灵敏阈值,且所述灵敏系数对应的服役环境参数的变化率大于变化阈值,选取第一调整设备配置到所述电力设备上;其中,所述第一调整设备的调整参数与所述灵敏系数对应的服役环境参数相关。
9.一种基于设备相对服役环境灵敏性的电力设备调配***,其特征在于,包括:
参数获取单元,用于获取电力设备的性能参数和电力设备的服役环境参数;
灵敏分析单元,用于根据所述性能参数和所述服役环境参数获取所述性能参数相对于所述服役环境参数的灵敏系数;
比较配置单元,用于比较所述灵敏系数和灵敏阈值的大小,根据比较结果选取待配置到所述电力设备上的调整设备。
10.一种可读存储介质,其上存储有可执行程序,该程序被处理器执行时实现如权利要求1至8中任意一项所述的基于设备相对服役环境灵敏性的电力设备调配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711492714.9A CN108388949B (zh) | 2017-12-30 | 2017-12-30 | 基于设备相对服役环境灵敏性的电力设备调配方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711492714.9A CN108388949B (zh) | 2017-12-30 | 2017-12-30 | 基于设备相对服役环境灵敏性的电力设备调配方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108388949A true CN108388949A (zh) | 2018-08-10 |
CN108388949B CN108388949B (zh) | 2021-08-10 |
Family
ID=63076835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711492714.9A Active CN108388949B (zh) | 2017-12-30 | 2017-12-30 | 基于设备相对服役环境灵敏性的电力设备调配方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388949B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116774124A (zh) * | 2023-02-09 | 2023-09-19 | 北京昆迈医疗科技有限公司 | Opm的调试校准方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975920A (zh) * | 2010-09-26 | 2011-02-16 | 中兴通讯股份有限公司 | 一种电子器件可靠性的检测方法及*** |
CN102055166A (zh) * | 2009-10-27 | 2011-05-11 | 深圳长城开发科技股份有限公司 | 电力设备及其高温自我保护方法 |
WO2013025791A1 (en) * | 2011-08-15 | 2013-02-21 | Carnegie Mellon University | Analytical tools for evaluating student learning and performance |
CN106845728A (zh) * | 2017-02-14 | 2017-06-13 | 北京邮电大学 | 一种电力变压器缺陷的预测方法及装置 |
-
2017
- 2017-12-30 CN CN201711492714.9A patent/CN108388949B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055166A (zh) * | 2009-10-27 | 2011-05-11 | 深圳长城开发科技股份有限公司 | 电力设备及其高温自我保护方法 |
CN101975920A (zh) * | 2010-09-26 | 2011-02-16 | 中兴通讯股份有限公司 | 一种电子器件可靠性的检测方法及*** |
WO2013025791A1 (en) * | 2011-08-15 | 2013-02-21 | Carnegie Mellon University | Analytical tools for evaluating student learning and performance |
CN106845728A (zh) * | 2017-02-14 | 2017-06-13 | 北京邮电大学 | 一种电力变压器缺陷的预测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116774124A (zh) * | 2023-02-09 | 2023-09-19 | 北京昆迈医疗科技有限公司 | Opm的调试校准方法及装置 |
CN116774124B (zh) * | 2023-02-09 | 2024-01-02 | 北京昆迈医疗科技有限公司 | Opm的调试校准方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108388949B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jamei et al. | Anomaly Detection Using Optimally Placed $\mu\text {PMU} $ Sensors in Distribution Grids | |
Abbasi et al. | Transformer winding faults detection based on time series analysis | |
Bagheri et al. | Improved characterization of multi-stage voltage dips based on the space phasor model | |
CN108196165A (zh) | 基于样本协方差矩阵最大特征值的电网异常状态检测方法 | |
Bhui et al. | Application of recurrence quantification analysis to power system dynamic studies | |
Therrien et al. | Assessment of measurement-based phase identification methods | |
WO2018080523A1 (en) | Data cost effective fast similarity search with priority access | |
Abdullah et al. | Power quality analysis using bilinear time-frequency distributions | |
Jain et al. | A methodology for fault detection and classification using PMU measurements | |
Shahsavari et al. | Distribution grid reliability analysis considering regulation down load resources via micro-PMU data | |
CN108388949A (zh) | 基于设备相对服役环境灵敏性的电力设备调配方法和*** | |
US20220413032A1 (en) | Machine learning based method and device for disturbance classification in a power transmission line | |
Broderick et al. | Accuracy of clustering as a method to group distribution feeders by PV hosting capacity | |
Ozgonenel et al. | Detection of blackouts by using K-means clustering in a power system | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN108196142A (zh) | 充电桩的检测方法和装置 | |
Shalalfeh et al. | Modeling of PMU data using ARFIMA models | |
Sarangi et al. | An advanced fault detection technique for DG integrated microgrid using fast fourier discrete orthonormal stockwell transform-based hybrid optimized Kernel extreme learning machine | |
CN108256750A (zh) | 基于设备相对服役环境关联性的电力设备调配方法和*** | |
Ravindra et al. | Sensitive Constrained Optimal PMU Allocation with Complete Observability for State Estimation Solution. | |
CN115343579A (zh) | 一种电网故障分析方法、装置及电子设备 | |
Balouji et al. | Eigen-analysis based power quality event data clustering and classification | |
Thomas et al. | Machine learning based detection and classification of power system events | |
Igual et al. | Evaluation of automatic power quality classification in microgrids operating in islanded mode | |
Dai et al. | Line outage identification based on AC power flow and synchronized measurements |
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 |