CN110287543B - 一种继电保护装置寿命预测方法 - Google Patents

一种继电保护装置寿命预测方法 Download PDF

Info

Publication number
CN110287543B
CN110287543B CN201910463697.9A CN201910463697A CN110287543B CN 110287543 B CN110287543 B CN 110287543B CN 201910463697 A CN201910463697 A CN 201910463697A CN 110287543 B CN110287543 B CN 110287543B
Authority
CN
China
Prior art keywords
state
protection device
year
probability distribution
degree
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.)
Active
Application number
CN201910463697.9A
Other languages
English (en)
Other versions
CN110287543A (zh
Inventor
杨军
陈海涛
林洋佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910463697.9A priority Critical patent/CN110287543B/zh
Publication of CN110287543A publication Critical patent/CN110287543A/zh
Application granted granted Critical
Publication of CN110287543B publication Critical patent/CN110287543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Protection Circuit Devices (AREA)

Abstract

本发明公开了一种继电保护装置寿命预测方法。包括：本着重要性、可得到的准则，将不正确动作次数、故障次数、CPU温度、工作电压指标作为评价保护装置健康状态的核心指标。对获得的数据定义相对劣化度，通过相对劣化度与云模型的相交云滴得到初始状态概率分布向量，依据马尔科夫链的无后效性，得到状态转移概率矩阵，最后由状态概率分布向量和状态转移概率矩阵获得保护装置之后每一年的状态概率分布状态，通过状态概率分布与标准信度准则进行比较，从而预测保护装置的寿命。本发明实现了对保护装置的寿命进行准确预测，提升了状态检修工作的效率，运维检修人员及时掌握运行状态，防止设备出现安全事故，保证供电的安全可靠。

Description

一种继电保护装置寿命预测方法
技术领域
本发明属于电力行业并涉及继电保护装置，具体涉及一种继电保护装置寿命预测方法。
背景技术
目前，我国电力***朝着特高压、大容量方向发展，加上社会对供电质量以及可靠性提出了更高的要求，保证智能变电站的继电保护装置安全、稳定运行至关重要。为及时准确了解继电保护装置的运行状态，不仅需要对智能变电站继电保护装置进行状态评估，还需要对其进行寿命预测，以保证智能变电站稳定运行。寿命预测可以准确地知道设备的剩余寿命，并且在此基础上可以及时有效的开展检修工作，防患于未然，为运维检修工作人员提供参考，实现智能变电站安全、可靠运行。
继电保护装置含有大量的电子元器件，电磁干扰、温湿度、灰尘、振动等都会对电子元器件运行状况产生影响，随着元器件的老化，硬件故障率也会随之增高，影响继电保护装置寿命，在对继电保护装置进行寿命预测的同时要考虑此方面的因素。
发明内容
为了实现上述目的，本发明提出了一种继电保护装置寿命预测方法。
本发明的具体技术方案为一种继电保护装置寿命预测方法，具体包括以下步骤：
步骤1：根据继电保护装置运行状态信息，选取不正确动作次数、故障次数、CPU温度、工作电压作为继电保护装置寿命预测指标；
步骤2：分别对不正确动作次数、故障次数、CPU温度、工作电压进行数据预处理，获得保护装置寿命预测样本数据；
步骤3：将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准；
步骤4：根据相对劣化度和运行状态的关系，确定云模型的数字特征值，建立云模型的隶属度函数；
步骤5：由相对劣化度与云模型，得到保护装置的初始状态概率分布向量；
步骤6：依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；
步骤7：由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命。
作为优选，步骤1中所述工作电压定义为ai，为第i个时间点的继电保护装置运行状态的工作电压；
步骤1中所述CPU温度定义为bi，为第i个时间点的继电保护装置运行状态的CPU温度；
步骤1中所述设备故障次数定义为ci，为第i个时间点的继电保护装置运行状态的设备故障次数；
步骤1中所述断路器不正确动作次数定义为di，为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；
i∈[0,M],M为继电保护装置运行时间；
作为优选，步骤2中所述对工作电压进行数据预处理为：
Figure BDA0002078813310000021
其中，M为继电保护装置运行时间，N为数据预处理后的样本数量，ai为第i个时间点的继电保护装置运行状态的工作电压，ai0为第i个时间点的保护装置运行状态的工作电压状态良好值，aimax为第i个时间点的保护装置运行状态的工作电压允许的最大值，aj *为数据预处理后第j个样本的的工作电压相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述对CPU温度进行数据预处理为：
Figure BDA0002078813310000022
其中，bi为第i个时间点的继电保护装置运行状态的CPU温度，bi0为第i个时间点的保护装置运行状态的CPU温度状态良好值，bimax为第i个时间点的保护装置运行状态的CPU温度允许的最大值，bj *为数据预处理后第j个样本的的CPU温度相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述对设备故障次数进行数据预处理为：
Figure BDA0002078813310000031
其中，ci为第i个时间点的继电保护装置运行状态的设备故障次数，ci0为第i个时间点的保护装置运行状态的设备故障次数状态良好值，cimax为第i个时间点的保护装置运行状态的设备故障次数允许的最大值，cj *为数据预处理后第j个样本的的设备故障次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述对不正确动作次数进行数据预处理为：
Figure BDA0002078813310000032
其中，di为第i个时间点的继电保护装置运行状态的不正确动作次数，di0为第i个时间点的保护装置运行状态的不正确动作次数状态良好值，dimax为第i个时间点的保护装置运行状态的不正确动作次数允许的最大值，dj *为数据预处理后第j个样本的的不正确动作次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述保护装置寿命预测训练样本数据为：
数据处理后第j个样本的工作电压aj *，数据处理后第j个样本的CPU温度bj *，数据处理后第j个样本的设备故障次数cj *，数据处理后第j个样本的断路器不正确动作次数dj *；aj *即为工作电压的相对劣化度，bj *即为温度的相对劣化度，cj *即为设备故障次数的相对劣化度，dj *即为不正确动作次数的相对劣化度。
作为优选，步骤3中所述将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准：
根据权威专家意见以及保护装置运行经验，将继电保护装置的状态等级分为良好、注意、异常、失效四种状态，状态取值标准规定如下：
保护装置运行状态值为(0,0.2)时，规定为良好状态；
保护装置运行状态值为(0.2,0.5)时，规定为注意状态；
保护装置运行状态值为(0.5,0.8)时，规定为异常状态；
保护装置运行状态值为(0.8,1)时，规定为失效状态；
作为优选，步骤4中所述根据相对劣化度和运行状态的关系，确定云模型的数字特征值为：
根据相对劣化度和保护装置运行状态的关系，将单个评价指标的4个状态等级区间定为：C1[0,Q)，C2[Q,W)，C3[W,E)，C4[E,R)∪[R,∞)，Q为第一区间阈值，W为第二区间阈值，E为第三区间阈值，R为第四区间阈值。
此时Q,W,E,R取值按照标准，Q＝0.2,W＝0.5,E＝0.8,R＝1；
其中，C1[0,0.2)为良好状态区间，C2[0.2,0.5)为注意状态区间，异常C3[0.5,0.8)为异常状态区间，C4[0.8,1)∪[1,∞)为失效状态区间；
根据上述划分的保护装置状态等级区间，确定云模型的数字特征值；
Ex1＝0，Ex2＝(Q+W)/2，Ex3＝(W+E)/2，Ex4＝R；Q＝0.2,W＝0.5,E＝0.8,R＝1；
Figure BDA0002078813310000041
He1＝0.1，He2＝0.1，He3＝0.1，He4＝0.1；
步骤4中所述建立云模型的隶属度函数为：
利用确定的云模型数字特征值，生成云模型的隶属度函数；
步骤4.1,首先生成以En为期望、He 2为标准方差的正态随机数
Figure BDA0002078813310000042
Figure BDA0002078813310000043
步骤4.2,生成以Ex为期望、
Figure BDA0002078813310000044
为标准方差的正态随机数x，x＝NORMRND
Figure BDA0002078813310000045
步骤4.3,计算
Figure BDA0002078813310000046
得到(x,U(x))的云滴；
重复步骤4.1～步骤4.3，生成多个云滴，直到生成云模型；
作为优选，步骤5中所述由相对劣化度与云模型，得到保护装置的初始状态概率分布向量：
在继电保护装置运行的第一年与第二年之间取1000个测量点，测量点的数据经过相对劣化度预处理后得到预测数据，即aj *、bj *、cj *、dj *四种指标数据，假设aj *、bj *、cj *、dj *四种性能指标在一定的误差允许范围内与第k个状态等级的状态云朵有M个相交云滴，每个云滴都有一个相对应的隶属度，则取相交云滴的隶属度平均值作为该指标在第k个等级的隶属度；若性能指标的相对劣化度与四种状态中的一种状态没有相交云滴，此时此种状态隶属度取为0。
记CPU温度的隶属度分布向量为rj 1，工作电压的隶属度分布向量为rj 2，不正确动作次数的隶属度分布向量为rj 3、故障次数的隶属度分布向量为rj 4。
取四种性能指标的隶属度向量平均值作为该测量点j处于第k个状态等级的概率值，记作向量rjk，j∈[1,N],k∈[良好、注意、异常、失效]；由此可得到测量点j的状态概率分布向量为形如[j1，j2，j3，j4]，其中j1为测量点处于良好状态的概率值，j2为测量点处于注意状态的概率值，j3为测量点处于异常状态的概率值，j4为测量点处于失效状态的概率值。
根据加权向量公式：
Rj＝αrj 1+βrj 2+γrj 3+δrj 4
得到测量点j的最终状态概率分布向量Rj，上式中α+β+γ+δ＝1，本文取
Figure BDA0002078813310000051
依次计算出第一年与第二年之间的1000个测量点的隶属度向量，根据向量平均值公式：
Figure BDA0002078813310000052
V∈[1,L]，L代表装置运行的第L年，N∈[1,1000]。
求取平均值，将此时的隶属度向量作为第一年的初始状态概率分布向量λ1＝(A1,A2,A3,A4)。
作为优选，步骤6中所述依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；
根据历史运行数据并结合云模型的隶属度函数依次求得第一年的状态概率分布向量λ1＝(A1,A2,A3,A4)、第二年的状态概率分布向量λ2＝(B1,B2,B3,B4)、第三年的状态概率分布向量λ3＝(C1,C2,C3,C4)、第四年的状态概率分布向量λ4＝(D1,D2,D3,D4)、第五年的状态概率分布向量λ5＝(E1,E2,E3,E4)；
由此可得相邻四年的初始状态概率分布矩阵分别为A和B。
Figure BDA0002078813310000061
Figure BDA0002078813310000062
根据马尔科夫链原理：
X(t+1)＝X(t)×P
式中，X(t)代表***在时刻t的状态概率分布矩阵，X(t+1)代表***在t+1时刻的状态概率分布矩阵，P代表一步状态转移概率矩阵；
由此可求得状态转移概率矩阵P为：
Figure BDA0002078813310000063
其中，pnm代表一个时段内继电保护装置由状态n转移到状态m的概率，仅考虑一步状态转移概率；
作为优选，步骤7中所述由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命；
由第五年的状态概率分布向量λ5＝(E1,E2,E3,E4)和状态转移概率矩阵P可求得之后任意一年的状态概率分布向量T＝λ5×P，以当前第五年T5开始预测保护装置寿命，根据马尔科夫链原理：
Figure BDA0002078813310000071
其中，λ5表示时刻第五年的状态概率分布向量，λ(T)表示未来某一年(第T年)的状态概率分布向量，P表示一步状态转移概率矩阵；
求得的λ(T)＝(W1,W2,W3,W4)表示继电保护装置在未来某一年T隶属于不同状态等级的概率大小，Wm为隶属于状态等级m的隶属度，β为置信度水平，根据专家意见规定，取β＝0.75，如果有
{W1≤β,λ(T)＝(W1,W2,W3,W4)}
式中表示保护装置处于良好状态等级的概率即W1小于β＝0.75时，认为装置处于失效状态，此时的时刻T即为装置的最终寿命时间。
本发明优点在于：
本发明从继电保护装置寿命机理方面出发，建立了体现电子元器件失效率的指标体系。并利用历史状态核心数据定义了相对劣化度，进而依据云模型的隶属度函数确定初始状态概率分布向量的方法，通过建立云模型减少了人为因素的主观性和随机性，然后依据马尔科夫链原理获得状态转移概率矩阵，最后引入信度准则确定装置的有效寿命。
本发明提出的方法能科学预测保护装置有效寿命。同时，检修人员通过状态概率分布向量可以直观的了解装置设备的运行状态，一旦发现安全事故隐患，可提前检修，防止设备出现安全事故，保证供电的安全可靠。
附图说明
图1：继电保护装置状态指标评估体系；
图2：云模型的隶属度函数；
图3：马尔科夫链原理；
图4：本发明的方法流程图；
图5：状态等级评估标准。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1至图5介绍本发明的实施方式，具体为：
步骤1：根据继电保护装置运行状态信息，选取不正确动作次数、故障次数、CPU温度、工作电压作为继电保护装置寿命预测指标；
步骤1中所述工作电压定义为ai，为第i个时间点的继电保护装置运行状态的工作电压；
步骤1中所述CPU温度定义为bi，为第i个时间点的继电保护装置运行状态的CPU温度；
步骤1中所述设备故障次数定义为ci，为第i个时间点的继电保护装置运行状态的设备故障次数；
步骤1中所述断路器不正确动作次数定义为di，为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；
i∈[0,M],M为继电保护装置运行时间；
步骤2：分别对不正确动作次数、故障次数、CPU温度、工作电压进行数据预处理，获得保护装置寿命预测样本数据；
步骤2中所述对工作电压进行数据预处理为：
Figure BDA0002078813310000081
其中，M为继电保护装置运行时间，N为数据预处理后的样本数量，ai为第i个时间点的继电保护装置运行状态的工作电压，ai0为第i个时间点的保护装置运行状态的工作电压状态良好值，aimax为第i个时间点的保护装置运行状态的工作电压允许的最大值，aj *为数据预处理后第j个样本的的工作电压相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述对CPU温度进行数据预处理为：
Figure BDA0002078813310000082
其中，bi为第i个时间点的继电保护装置运行状态的CPU温度，bi0为第i个时间点的保护装置运行状态的CPU温度状态良好值，bimax为第i个时间点的保护装置运行状态的CPU温度允许的最大值，bj *为数据预处理后第j个样本的的CPU温度相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述对设备故障次数进行数据预处理为：
Figure BDA0002078813310000091
其中，ci为第i个时间点的继电保护装置运行状态的设备故障次数，ci0为第i个时间点的保护装置运行状态的设备故障次数状态良好值，cimax为第i个时间点的保护装置运行状态的设备故障次数允许的最大值，cj *为数据预处理后第j个样本的的设备故障次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述对不正确动作次数进行数据预处理为：
Figure BDA0002078813310000092
其中，di为第i个时间点的继电保护装置运行状态的不正确动作次数，di0为第i个时间点的保护装置运行状态的不正确动作次数状态良好值，dimax为第i个时间点的保护装置运行状态的不正确动作次数允许的最大值，dj *为数据预处理后第j个样本的的不正确动作次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述保护装置寿命预测训练样本数据为：
数据处理后第j个样本的工作电压aj *，数据处理后第j个样本的CPU温度bj *，数据处理后第j个样本的设备故障次数cj *，数据处理后第j个样本的断路器不正确动作次数dj *；aj *即为工作电压的相对劣化度，bj *即为温度的相对劣化度，cj *即为设备故障次数的相对劣化度，dj *即为不正确动作次数的相对劣化度。
步骤3：将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准；
步骤3中所述将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准：
根据权威专家意见以及保护装置运行经验，将继电保护装置的状态等级分为良好、注意、异常、失效四种状态，状态取值标准规定如下：
保护装置运行状态值为(0,0.2)时，规定为良好状态；
保护装置运行状态值为(0.2,0.5)时，规定为注意状态；
保护装置运行状态值为(0.5,0.8)时，规定为异常状态；
保护装置运行状态值为(0.8,1)时，规定为失效状态；
步骤4：根据相对劣化度和运行状态的关系，确定云模型的数字特征值，建立云模型的隶属度函数；
步骤4中所述根据相对劣化度和运行状态的关系，确定云模型的数字特征值为：
根据相对劣化度和保护装置运行状态的关系，将单个评价指标的4个状态等级区间定为：C1[0,Q)，C2[Q,W)，C3[W,E)，C4[E,R)∪[R,∞)，Q为第一区间阈值，W为第二区间阈值，E为第三区间阈值，R为第四区间阈值。
此时Q,W,E,R取值按照标准，Q＝0.2,W＝0.5,E＝0.8,R＝1；
其中，C1[0,0.2)为良好状态区间，C2[0.2,0.5)为注意状态区间，异常C3[0.5,0.8)为异常状态区间，C4[0.8,1)∪[1,∞)为失效状态区间；
根据上述划分的保护装置状态等级区间，确定云模型的数字特征值；
Ex1＝0，Ex2＝(Q+W)/2，Ex3＝(W+E)/2，Ex4＝R；Q＝0.2,W＝0.5,E＝0.8,R＝1；
Figure BDA0002078813310000101
He1＝0.1，He2＝0.1，He3＝0.1，He4＝0.1；
步骤4中所述建立云模型的隶属度函数为：
利用确定的云模型数字特征值，生成云模型的隶属度函数；
步骤4.1,首先生成以En为期望、He 2为标准方差的正态随机数
Figure BDA0002078813310000111
Figure BDA0002078813310000112
步骤4.2,生成以Ex为期望、
Figure BDA0002078813310000113
为标准方差的正态随机数x，x＝NORMRND
Figure BDA0002078813310000114
步骤4.3,计算
Figure BDA0002078813310000115
得到(x,U(x))的云滴；
重复步骤4.1～步骤4.3，生成多个云滴，直到生成云模型；
云模型的隶属度函数如图2所示；
步骤5：由相对劣化度与云模型，得到保护装置的初始状态概率分布向量；
步骤5中所述由相对劣化度与云模型，得到保护装置的初始状态概率分布向量：
在继电保护装置运行的第一年与第二年之间取1000个测量点，测量点的数据经过相对劣化度预处理后得到预测数据，即aj *、bj *、cj *、dj *四种指标数据，假设aj *、bj *、cj *、dj *四种性能指标在一定的误差允许范围内与第k个状态等级的状态云朵有M个相交云滴，每个云滴都有一个相对应的隶属度，则取相交云滴的隶属度平均值作为该指标在第k个等级的隶属度；若性能指标的相对劣化度与四种状态中的一种状态没有相交云滴，此时此种状态隶属度取为0。
记CPU温度的隶属度分布向量为rj 1，工作电压的隶属度分布向量为rj 2，不正确动作次数的隶属度分布向量为rj 3、故障次数的隶属度分布向量为rj 4。
取四种性能指标的隶属度向量平均值作为该测量点j处于第k个状态等级的概率值，记作向量rjk，j∈[1,N],k∈[良好、注意、异常、失效]；由此可得到测量点j的状态概率分布向量为形如[j1，j2，j3，j4]，其中j1为测量点处于良好状态的概率值，j2为测量点处于注意状态的概率值，j3为测量点处于异常状态的概率值，j4为测量点处于失效状态的概率值。
根据加权向量公式：
Rj＝αrj 1+βrj 2+γrj 3+δrj 4
得到测量点j的最终状态概率分布向量Rj，上式中α+β+γ+δ＝1，本文取
Figure BDA0002078813310000121
依次计算出第一年与第二年之间的1000个测量点的隶属度向量，根据向量平均值公式：
Figure BDA0002078813310000122
V∈[1,L]，L代表装置运行的第L年，N∈[1,1000]。
求取平均值，将此时的隶属度向量作为第一年的初始状态概率分布向量λ1＝(A1,A2,A3,A4)。
步骤6：依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；
步骤6中所述依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；
根据历史运行数据并结合云模型的隶属度函数依次求得第一年的状态概率分布向量λ1＝(A1,A2,A3,A4)、第二年的状态概率分布向量λ2＝(B1,B2,B3,B4)、第三年的状态概率分布向量λ3＝(C1,C2,C3,C4)、第四年的状态概率分布向量λ4＝(D1,D2,D3,D4)、第五年的状态概率分布向量λ5＝(E1,E2,E3,E4)；
由此可得相邻四年的初始状态概率分布矩阵分别为A和B。
Figure BDA0002078813310000123
Figure BDA0002078813310000124
根据马尔科夫链原理：
X(t+1)＝X(t)×P
式中，X(t)代表***在时刻t的状态概率分布矩阵，X(t+1)代表***在t+1时刻的状态概率分布矩阵，P代表一步状态转移概率矩阵；
由此可求得状态转移概率矩阵P为：
Figure BDA0002078813310000131
其中，pnm代表一个时段内继电保护装置由状态n转移到状态m的概率，仅考虑一步状态转移概率；
步骤7：由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命。
步骤7中所述由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命；
由第五年的状态概率分布向量λ5＝(E1,E2,E3,E4)和状态转移概率矩阵P可求得之后任意一年的状态概率分布向量T＝λ5×P，以当前第五年T5开始预测保护装置寿命，根据马尔科夫链原理：
Figure BDA0002078813310000132
其中，λ5表示时刻第五年的状态概率分布向量，λ(T)表示未来某一年T的状态概率分布向量，P表示一步状态转移概率矩阵；
求得的λ(T)＝(W1,W2,W3,W4)表示继电保护装置在未来某一年T隶属于不同状态等级的概率大小，Wm为隶属于状态等级m的隶属度，β为置信度水平，根据专家意见规定，取值β＝0.75，如果有
{W1≤β,λ(T)＝(W1,W2,W3,W4)}
式中表示保护装置处于良好状态等级的概率即W1小于β＝0.75时，认为装置处于失效状态，此时的时刻T即为装置的最终寿命时间。
本文中所描述的具体实施案例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种继电保护装置寿命预测方法，其特征在于，包括以下步骤：
步骤1：根据继电保护装置运行状态信息，选取不正确动作次数、故障次数、CPU温度、工作电压作为继电保护装置寿命预测指标；
步骤2：分别对不正确动作次数、故障次数、CPU温度、工作电压进行数据预处理，获得保护装置寿命预测样本数据；
步骤3：将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准；
步骤4：根据相对劣化度和运行状态的关系，确定云模型的数字特征值，建立云模型的隶属度函数；
步骤5：由相对劣化度与云模型，得到保护装置的初始状态概率分布向量；
步骤6：依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；
步骤7：由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命；
步骤4中所述根据相对劣化度和运行状态的关系，确定云模型的数字特征值为：
将单个评价指标的4个状态等级区间定为：C1[0,Q)，C2[Q,W)，C3[W,E)，C4[E,R)∪[R,∞)，Q为第一区间阈值，W为第二区间阈值，E为第三区间阈值，R为第四区间阈值；
此时Q,W,E,R取值按照标准，Q＝0.2,W＝0.5,E＝0.8,R＝1；
其中，C1[0,0.2)为良好状态区间，C2[0.2,0.5)为注意状态区间，异常C3[0.5,0.8)为异常状态区间，C4[0.8,1)∪[1,∞)为失效状态区间；
根据划分的保护装置状态等级区间，确定云模型的数字特征值；
Ex1＝0，Ex2＝(Q+W)/2，Ex3＝(W+E)/2，Ex4＝R；Q＝0.2,W＝0.5,E＝0.8,R＝1；
Figure FDA0003576955420000011
He1＝0.1，He2＝0.1，He3＝0.1，He4＝0.1；
步骤4中所述建立云模型的隶属度函数为：
利用确定的云模型数字特征值，生成云模型的隶属度函数；
步骤4.1,首先生成以En为期望、He 2为标准方差的正态随机数
Figure FDA0003576955420000021
Figure FDA0003576955420000022
Figure FDA0003576955420000026
步骤4.2,生成以Ex为期望、
Figure FDA0003576955420000023
为标准方差的正态随机数x，x＝NORMRND
Figure FDA0003576955420000024
步骤4.3,计算
Figure FDA0003576955420000025
得到(x,U(x))的云滴；
重复步骤4.1～步骤4.3，生成多个云滴，直到生成云模型；
步骤5中所述由相对劣化度与云模型，得到保护装置的初始状态概率分布向量：
在继电保护装置运行的第一年与第二年之间取1000个测量点，测量点的数据经过相对劣化度预处理后得到预测数据，即aj *、bj *、cj *、dj *四种指标数据，假设aj *、bj *、cj *、dj *四种性能指标在一定的误差允许范围内与第k个状态等级的状态云朵有M个相交云滴，每个云滴都有一个相对应的隶属度，则取相交云滴的隶属度平均值作为该指标在第k个等级的隶属度；若性能指标的相对劣化度与四种状态中的一种状态没有相交云滴，此时此种状态隶属度取为0；
记CPU温度的隶属度分布向量为rj 1，工作电压的隶属度分布向量为rj 2，不正确动作次数的隶属度分布向量为rj 3、故障次数的隶属度分布向量为rj 4；
取四种性能指标的隶属度向量平均值作为该测量点j处于第k个状态等级的概率值，记作向量rjk，j∈[1,N],k∈[良好、注意、异常、失效]；由此可得到测量点j的状态概率分布向量为形如[j1，j2，j3，j4]，其中j1为测量点处于良好状态的概率值，j2为测量点处于注意状态的概率值，j3为测量点处于异常状态的概率值，j4为测量点处于失效状态的概率值；
根据加权向量公式：
Rj＝αrj 1+βrj 2+γrj 3+δrj 4
得到测量点j的最终状态概率分布向量Rj，上式中α+β+γ+δ＝1，本文取
Figure FDA0003576955420000031
依次计算出第一年与第二年之间的1000个测量点的隶属度向量，根据向量平均值公式：
Figure FDA0003576955420000032
V∈[1,L]，L代表装置运行的第L年，N∈[1,1000]；
求取平均值，将此时的隶属度向量作为第一年的初始状态概率分布向量
λ1＝(A1,A2,A3,A4)
步骤6中所述依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；
根据历史运行数据并结合云模型的隶属度函数依次求得第一年的状态概率分布向量λ1＝(A1,A2,A3,A4)、第二年的状态概率分布向量λ2＝(B1,B2,B3,B4)、第三年的状态概率分布向量λ3＝(C1,C2,C3,C4)、第四年的状态概率分布向量λ4＝(D1,D2,D3,D4)、第五年的状态概率分布向量λ5＝(E1,E2,E3,E4)；
由此可得相邻四年的初始状态概率分布矩阵分别为A和B；
Figure FDA0003576955420000033
Figure FDA0003576955420000034
根据马尔科夫链原理：
X(t+1)＝X(t)×P
式中，X(t)代表***在时刻t的状态概率分布矩阵，X(t+1)代表***在t+1时刻的状态概率分布矩阵，P代表一步状态转移概率矩阵；
由此可求得状态转移概率矩阵P为：
Figure FDA0003576955420000041
其中，pnm代表一个时段内继电保护装置由状态n转移到状态m的概率，仅考虑一步状态转移概率；
步骤7中所述由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命；
由第五年的状态概率分布向量λ5＝(E1,E2,E3,E4)和状态转移概率矩阵P可求得之后任意一年的状态概率分布向量T＝λ5×P，以当前第五年T5开始预测保护装置寿命，根据马尔科夫链原理：
Figure FDA0003576955420000042
其中，λ5表示时刻第五年的状态概率分布向量，λ(T)表示未来某一年(第T年)的状态概率分布向量，P表示一步状态转移概率矩阵；
求得的λ(T)＝(W1,W2,W3,W4)表示继电保护装置在未来某一年T隶属于不同状态等级的概率大小，Wm为隶属于状态等级m的隶属度，β为置信度水平，取β＝0.75，如果有
{W1≤β,λ(T)＝(W1,W2,W3,W4)}
式中表示保护装置处于良好状态等级的概率即W1小于β＝0.75时，认为装置处于失效状态，此时的时刻T即为装置的最终寿命时间。
2.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤1中所述工作电压定义为ai，为第i个时间点的继电保护装置运行状态的工作电压；
步骤1中所述CPU温度定义为bi，为第i个时间点的继电保护装置运行状态的CPU温度；
步骤1中所述故障次数定义为ci，为第i个时间点的继电保护装置运行状态的设备故障次数；
步骤1中所述不正确动作次数定义为di，为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；
i∈[0,M],M为继电保护装置运行时间。
3.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：
步骤2中对所述工作电压进行数据预处理为：
Figure FDA0003576955420000051
其中，M为继电保护装置运行时间，N为数据预处理后的样本数量，ai为第i个时间点的继电保护装置运行状态的工作电压，ai0为第i个时间点的保护装置运行状态的工作电压状态良好值，aimax为第i个时间点的保护装置运行状态的工作电压允许的最大值，aj *为数据预处理后第j个样本的工作电压相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中对所述CPU温度进行数据预处理为：
Figure FDA0003576955420000052
其中，bi为第i个时间点的继电保护装置运行状态的CPU温度，bi0为第i个时间点的保护装置运行状态的CPU温度状态良好值，bimax为第i个时间点的保护装置运行状态的CPU温度允许的最大值，bj *为数据预处理后第j个样本的CPU温度相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中对设备故障次数进行数据预处理为：
Figure FDA0003576955420000053
其中，ci为第i个时间点的继电保护装置运行状态的设备故障次数，ci0为第i个时间点的保护装置运行状态的设备故障次数状态良好值，cimax为第i个时间点的保护装置运行状态的设备故障次数允许的最大值，cj *为数据预处理后第j个样本的设备故障次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中对所述不正确动作次数进行数据预处理为：
Figure FDA0003576955420000061
其中，di为第i个时间点的继电保护装置运行状态的不正确动作次数，di0为第i个时间点的保护装置运行状态的不正确动作次数状态良好值，dimax为第i个时间点的保护装置运行状态的不正确动作次数允许的最大值，dj *为数据预处理后第j个样本的不正确动作次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；
步骤2中所述保护装置寿命预测训练样本数据为：
数据处理后第j个样本的工作电压aj *，数据处理后第j个样本的CPU温度bj *，数据处理后第j个样本的设备故障次数cj *，数据处理后第j个样本的断路器不正确动作次数dj *；aj *即为工作电压的相对劣化度，bj *即为温度的相对劣化度，cj *即为设备故障次数的相对劣化度，dj *即为不正确动作次数的相对劣化度。
4.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤3中所述将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准：
将继电保护装置的状态等级分为良好、注意、异常、失效四种状态，状态取值标准规定如下：
保护装置运行状态值为(0,0.2)时，规定为良好状态；
保护装置运行状态值为(0.2,0.5)时，规定为注意状态；
保护装置运行状态值为(0.5,0.8)时，规定为异常状态；
保护装置运行状态值为(0.8,1)时，规定为失效状态。
CN201910463697.9A 2019-05-30 2019-05-30 一种继电保护装置寿命预测方法 Active CN110287543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910463697.9A CN110287543B (zh) 2019-05-30 2019-05-30 一种继电保护装置寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910463697.9A CN110287543B (zh) 2019-05-30 2019-05-30 一种继电保护装置寿命预测方法

Publications (2)

Publication Number Publication Date
CN110287543A CN110287543A (zh) 2019-09-27
CN110287543B true CN110287543B (zh) 2022-05-13

Family

ID=68002886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910463697.9A Active CN110287543B (zh) 2019-05-30 2019-05-30 一种继电保护装置寿命预测方法

Country Status (1)

Country Link
CN (1) CN110287543B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291987A (zh) * 2020-01-23 2020-06-16 广东电网有限责任公司计量中心 一种互感器寿命预测方法及装置
CN112017793B (zh) * 2020-08-28 2021-09-03 中国科学院合肥物质科学研究院 一种用于聚变装置的分子泵维护决策管理***和方法
CN113125947A (zh) * 2021-03-18 2021-07-16 国网江苏省电力有限公司检修分公司 断路器健康度确定方法和***
CN113420409B (zh) * 2021-05-17 2022-12-20 云南电网有限责任公司 一种基于深度学习的继电保护装置运行状态预测方法
CN117809729A (zh) * 2024-02-29 2024-04-02 山东云海国创云计算装备产业创新中心有限公司 一种存储设备寿命预测方法、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778274A (zh) * 2013-12-06 2014-05-07 天津大学 考虑隐性故障的超高压线路继电保护***可靠性评估方法
CN103971024A (zh) * 2014-05-26 2014-08-06 华北电力大学（保定） 小样本失效数据下继电保护***可靠性评估方法
CN107146013A (zh) * 2017-04-28 2017-09-08 国网北京市电力公司 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法
CN108446714A (zh) * 2018-02-06 2018-08-24 山东科技大学 一种多工况下的非马尔科夫退化***剩余寿命预测方法
CN109387779A (zh) * 2018-09-28 2019-02-26 河北工业大学 一种基于统计数据驱动的万能式断路器操作附件剩余寿命预测方法
CN109583520A (zh) * 2018-12-27 2019-04-05 云南电网有限责任公司玉溪供电局 一种云模型与遗传算法优化支持向量机的状态评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9058568B2 (en) * 2012-12-11 2015-06-16 International Business Machines Corporation System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk
US10740358B2 (en) * 2013-04-11 2020-08-11 Oracle International Corporation Knowledge-intensive data processing system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778274A (zh) * 2013-12-06 2014-05-07 天津大学 考虑隐性故障的超高压线路继电保护***可靠性评估方法
CN103971024A (zh) * 2014-05-26 2014-08-06 华北电力大学（保定） 小样本失效数据下继电保护***可靠性评估方法
CN107146013A (zh) * 2017-04-28 2017-09-08 国网北京市电力公司 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法
CN108446714A (zh) * 2018-02-06 2018-08-24 山东科技大学 一种多工况下的非马尔科夫退化***剩余寿命预测方法
CN109387779A (zh) * 2018-09-28 2019-02-26 河北工业大学 一种基于统计数据驱动的万能式断路器操作附件剩余寿命预测方法
CN109583520A (zh) * 2018-12-27 2019-04-05 云南电网有限责任公司玉溪供电局 一种云模型与遗传算法优化支持向量机的状态评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A User Participation Behavior Prediction Model of Social Hotspots Based on Influence and Markov Random Field;Yunpeng Xiao等;《中国通信》;20170515(第05期);全文 *
Server load prediction algorithm based on CM-MC for cloud systems;XU Xiaolong等;《Journal of Systems Engineering and Electronics》;20181015(第05期);全文 *
基于DAHP算法及非等间隔GM(1,1)模型的电力变压器技术寿命预测研究;郭绍伟等;《高压电器》;20171116(第11期);全文 *
电力变压器状态评价方法研究;汪洋等;《湖北电力》;20170328(第03期);全文 *
继电保护装置的一种新型评估方法;徐岩等;《电测与仪表》;20180310(第05期);全文 *

Also Published As

Publication number Publication date
CN110287543A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110287543B (zh) 一种继电保护装置寿命预测方法
CN102063651B (zh) 一种基于在线采集数据的城市电网风险评估***
CN104537487B (zh) 一种输变电设备运行动态风险的评估方法
CN103793854B (zh) 多重组合优化的架空输电线路运行风险信息化评估方法
CN109583520B (zh) 一种云模型与遗传算法优化支持向量机的状态评估方法
CN103323707B (zh) 基于半马尔科夫过程的变压器故障率预测方法
CN103324992B (zh) 基于马尔可夫和熵权模糊综合评价的变压器风险预测方法
CN102779230B (zh) 一种电力变压器***状态分析和维修决策判断方法
CN110796368B (zh) 基于贝叶斯网络的社区配电网动态风险评估方法及装置
Wu et al. Optimal replacement in the proportional hazards model with semi-Markovian covariate process and continuous monitoring
CN102289731A (zh) 一种基于***风险的输电设备状态检修方法
CN103699668A (zh) 基于数据断面一致性的配电网电气设备组合状态评估方法
CN105224782A (zh) 一种基于故障模式的变电设备故障概率计算方法
CN113762604B (zh) 一种工业互联网大数据服务***
CN107563620A (zh) 一种基于设备全寿命信息的综合评价方法
CN111401719A (zh) 电网的动态风险评估方法及装置
CN112836436A (zh) 一种基于概率图模型的配电网线路风险量化预测方法
CN105205732A (zh) 一种基于设备风险特征模型的风险评估和检修方法
CN106199251B (zh) 一种基于自适应建模分析的配电网故障预警***及方法
CN104574211A (zh) 基于风险源的电网调度操作风险预警方法和***
CN115081647A (zh) 基于贝叶斯网络模型的工业智能仪表故障预诊断方法
CN106548284A (zh) 一种面向运行调控的自适应模块化电网安全预警评价方法
CN105741184A (zh) 一种变压器状态评估方法及装置
CN107274112B (zh) 改良油中溶解气体的诊断算法模型
CN115877145A (zh) 一种变压器重过载工况大数据交叉评估***及方法

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