CN110880062B - 一种配电设备状态检修时间的确定方法 - Google Patents
一种配电设备状态检修时间的确定方法 Download PDFInfo
- Publication number
- CN110880062B CN110880062B CN201911049328.1A CN201911049328A CN110880062B CN 110880062 B CN110880062 B CN 110880062B CN 201911049328 A CN201911049328 A CN 201911049328A CN 110880062 B CN110880062 B CN 110880062B
- Authority
- CN
- China
- Prior art keywords
- equipment
- index
- cloud
- state
- health
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 230000036541 health Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 25
- 230000007787 long-term memory Effects 0.000 claims abstract description 5
- 230000006403 short-term memory Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003862 health status Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 5
- 201000004569 Blindness Diseases 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
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
- G06Q10/06—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种配电设备状态检修时间的确定方法,属于电力工程技术领域,解决配电网传统设备检修多为定期检修与事后检修,检修资源利用效率低且无法针对各类设备差异进行故障预防的问题。本方法根据设备综合扣分值进行健康状态等级划分,应用熵权法对设备状态评估指标赋权后通过云模型生成待评价设备的健康状态云图,再计算待评价设备健康状态云与各健康状态等级云之间的隶属度;最后将隶属度向量、已故障次数、运行记录等数据输入长短期记忆网络进行训练,实现对待评价设备下一故障发生时间的预测,以合理规划检修计划。根据预测的故障发生时间实现在运设备检修计划的合理规划,有效合理利用检修资源,降低设备故障风险。
Description
技术领域
本发明属于电力工程技术领域,具体涉及一种配电设备状态检修时间的确定方法。
背景技术
配电网传统设备检修多为定期检修与事后检修,检修资源利用效率低且无法针对各类设备差异进行故障预防。为此,利用配电设备的历史运行数据与试验数据对其进行状态检修,既避免了检修的盲目性,又能充分利用检修资源,提高检修效率。
发明内容
本发明提供一种配电设备状态检修时间的确定方法,能够解决配电网传统设备检修多为定期检修与事后检修,检修资源利用效率低且无法针对各类设备差异进行故障预防的问题。
为达到上述目的,本发明采用如下技术方案:
一种配电设备状态检修时间的确定方法,其特征在于:方法步骤如下,步骤1,健康度划分设备等级:根据设备综合扣分值,统计同类同电压等级第z台设备健康度gz(z=1,2,…,Z),根据健康度gz将设备健康状态划分等级。步骤2,熵权法确定指标权重并用云模型求隶属度及隶属度向量:应用熵权法对设备状态评估指标赋权后通过云模型生成待评价设备的健康状态云图,再计算待评价设备健康状态云与各健康状态等级云之间的隶属度及隶属度向量。步骤3,基于长短期记忆网络的配电设备故障发生时间预测模型训练:先将样本设备的运行记录指标进行归一化,形成矩阵Bz,然后把样本设备的隶属度向量δz、已故障次数lz、矩阵Bz作为输入样本,输入LSTM神经网络进行训练。步骤4,预测待评价设备的下一次故障发生时间,并确定检修时间:根据待评价设备的隶属度向量δ'=[δ′1,δ′2,δ′3,δ′4]、已故障次数l'、运行记录指标归一化矩阵B'组成的矩阵输入已训练的LSTM神经网络计算得到待评价设备下一次故障发生时间的预测值T′t,根据公式Tz=Tplan+Top+Ts<T′t确定检修时间Tz,其中,Tplan为计划检修时间,Top为检修所需时间,Ts安全裕度时间。
进一步地,步骤1中根据健康度gz将设备划分为正常、注意、异常和严重四个等级,分别用f1、f2、f3、f4表示。
进一步地,由公式计算4个健康状态等级的云数字特征,af为健康状态等级区间最小值,bf为健康状态等级区间最大值,Exf为设备健康状态等级f的期望值,Enf为设备健康状态等级f的熵,Hef为设备健康状态等级f的超熵,Hef取0.01,其中,f=1,2,3,4,分别对应四个状态等级f1、f2、f3、f4。
进一步地,步骤2中的熵权法步骤如下,第一,构建设备状态评估指标矩阵:由n个评价对象m个二级指标构成的指标矩阵,如下,X=(xij)n×m=(X1,X2,...Xi,...,Xm),x={x1,x2,...,xi,...,xm},
其中,X为由n×m个指标值构造的指标矩阵;Xi为指标矩阵中的第i个指标列向量,即n个评价对象的第i个评价指标组成的向量;xij为第i个评价对象的第j个指标值;x为指标集合,xj为指标集合中的第j个指标;m为指标个数;n为评价对象个数;第二,设备状态评估指标归一化处理:对正向指标和负向指标分别进行归一化处理,如下,
进一步地,步骤2中云模型生成云图主要步骤如下,第一,计算逆向云发生器:第j二级指标的期望Exj、熵Enj、超熵Hej的计算公式如下, 其中,P为指标样本数量,xi为二级指标值;结合各级相关指标云模型数字特征求得目标层等级云模型数字特征参数,计算式如下所示,
第二,计算正向云发生器:由数字特征为C(Ex,En,He)的正向云发生器随机产生N个的云滴(xi,yi),具体步骤为:
a,以En为期望,He为标准差,生成正态分布随机数E′n;
b,以Ex为期望,|E'n|为标准差,生成正态分布随机数xi;
c,以E'n、xi为变量,代入公式yi=exp(-(xi-Ex)2/2(E'n)2)产生云滴(xi,yi);
d,重复步骤a至c,直至产生N个云滴为止,并根据N个云滴绘制云模型图。
进一步地,步骤3中LSTM的训练算法为反向传播算法,分为三步,第一,结合权重矩阵进行前向计算LSTM记忆模块的输出值,第二,反向计算每个记忆模块的误差项,第三,根据相应的残差项,计算第一步中所用的每一个权重矩阵的梯度,对权重矩阵进行更新。
进一步地,当每个样本设备的样本数据均输入LSTM神经网络进行训练后,模型训练完毕;或者设置训练误差小于1e-6时模型训练结束。
进一步地,前向计算LSTM记忆模块的输出值即样本设备下一次故障发生时间的真实值Tt的计算公式如下,ft=σ(Wfxxt+WfhΤt-1+bf),it=σ(Wixxt+WihTt-1+bi),ot=σ(Woxxt+WohTt-1+bo),Tt=ot·tanh(ct);σ为sigmoid函数,xt=[δz,lz,Bz]是t时刻的输入矩阵,Wfx、Wix、Wox、表示与当前输入xt相乘的权重矩阵,Wfh、Wih、Woh、Wch表示与t-1时刻输出值Tt-1相乘的权重矩阵。bf、bi、bc、bo分别为遗忘门、输入门、状态单元、输出门的偏置项,ft、it、ot分别是遗忘门、输入门、输出门的激活函数,ct、是状态单元和即时状态的向量;Tt为LSTM当前输出,是样本设备下一次故障发生时间的真实值。
与现有技术相比,本发明的有益效果是:
本方法利用配电设备的历史运行数据与试验数据通过熵权法和云模型处理并输入LSTM神经网络训练之后根据待评价设备的相应指标数据处理后输入LSTM神经网络以预测待评价设备下一次故障发生时间并确定检修时间,实现在运设备检修计划的合理规划,既避免了检修的盲目性,又能充分利用检修资源,提高检修效率,降低设备故障风险。
附图说明
图1为本发明配电设备状态检修时间的确定方法的流程图;
图2为本发明配电变压器状态评估指标体系;
图3为本发明配电线路状态评估指标体系;
图4为本发明LSTM记忆模块结构;
图5为本发明LSTM网络时序展开图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,将本发明的具体实施方案详细叙述如下:
本发明提供一种配电设备状态检修时间的确定方法,方法流程如图1所示,所讨论的配电设备状态检修实际上是根据设备综合扣分值进行健康状态等级划分;应用熵权法对设备状态评估指标赋权后通过云模型生成待评价设备的健康状态云图,再计算待评价设备健康状态云与各健康状态等级云之间的隶属度;最后将隶属度向量、已故障次数、运行记录等数据输入长短期记忆网络进行训练,实现对待评价设备下一故障发生时间的预测。本发明方法的主要内容包括以下步骤:
步骤1:根据设备综合扣分值,进行健康状态等级划分。
根据设备综合扣分值,统计同类同电压等级第z台设备健康度gz(z=1,2,…,Z),根据健康度gz将设备健康等级划分为正常、注意、异常和严重四个等级,分别用f1、f2、f3、f4表示,对应取值范围分别是[80,100]、[60,80)、[40,60)、[0,40)。
步骤2:应用熵权法对设备状态评估指标赋权后通过云模型生成待评价设备的健康状态云图,再计算待评价设备健康状态云与各健康状态等级云之间的隶属度。
对样本设备按式(4)、(5)归一化各指标,将归一化后的数值和对应权重输入逆向云发生器,按式(10)~(13)计算云数字特征,再通过正向云发生器生成云图。
根据设备状态值范围[0,1]和设备健康状态等级的对应关系,f1、f2、f3、f4四个状态值范围分别为[0.8,1]、[0.6,0.8)、[0.4,0.6)、[0,0.4)。由式(1)计算4个健康状态等级的云数字特征,按步骤(2-2)生成对应云图,af为健康状态等级区间最小值,bf为健康状态等级区间最大值,Exf为设备健康状态等级f的期望值,Enf为设备健康状态等级f的熵,Hef为设备健康状态等级f的超熵,根据Enf的大小,由经验和重复性试验得,Hef取0.01。其中,f=1,2,3,4,分别对应四个状态等级f1、f2、f3、f4。
计算得出设备健康状态划分等级及相应云模型数字特征如表1所示。
表1基于云模型数字特征设备状态等级划分示意图
(1)熵权法计算步骤如下:
(1-1)构建设备状态评估指标矩阵:
由n个评价对象m个二级指标构成的指标矩阵如式(2)所示。
X=(xij)n×m=(X1,X2,...Xi,...,Xm) (2)
x={x1,x2,...,xi,...,xm} (3)
其中,X为由n×m个指标值构造的指标矩阵;Xi为指标矩阵中的第i个指标列向量,即n个评价对象的第i个评价指标组成的向量;xij为第i个评价对象的第j个指标值;x为指标集合,xj为指标集合中的第j个指标;m为指标个数;n为评价对象个数。
(1-2)设备状态评估指标归一化处理:
考虑到设备状态评估指标体系中既包含正向指标,又包含负向指标(正向指标数值越高越好,负向指标数值越低越好),对正向指标和负向指标分别进行归一化处理,如公式(4)和公式(5)所示:
通过对正向指标和负向指标归一化处理后,得到如式(6)所示的归一化指标矩阵。
(1-3)各设备状态评估指标的熵值计算。第j个评价指标的熵值计算公式如(7)所示:
其中,k=1/ln(n),pij是第i个样本设备在第j个指标上得分相对于所有待评价对象在该指标上得分的占比,如公式(8)所示。
(1-4)各设备状态评估指标的熵权计算。第j个评价指标的熵权计算公式如(9)所示。
(2)云模型主要步骤如下:对样本设备按式(4)、(5)归一化各指标,将归一化后的数值和对应权重输入逆向云发生器,计算云数字特征,再通过正向云发生器生成云图
(2-1)计算逆向云发生器
第j二级指标的期望Exj、熵Enj、超熵Hej的计算公式如下:
其中,P为指标样本数量,xi为二级指标值。
根据熵权法可计算各二级指标权重wj,结合各级相关指标云模型数字特征求得目标层等级云模型数字特征参数。计算式如下所示:
(2-2)计算正向云发生器
由数字特征为C(Ex,En,He)的正向云发生器随机产生N个的云滴(xi,yi)。具体步骤为:
(2-2-1)以En为期望,He为标准差,生成正态分布随机数E′n;
(2-2-2)以Ex为期望,|E'n|为标准差,生成正态分布随机数xi;
(2-2-3)以E'n、xi为变量,代入公式yi=exp(-(xi-Ex)2/2(E'n)2)产生云滴(xi,yi);
(2-2-4)重复步骤(2-2-1)~(2-2-3),直至产生N个云滴为止,并根据N个云滴绘制云模型图。
(2-2-5)样本设备云图与第f朵等级云图的交点有K个云滴,则取K个云滴的隶属度值的均值作为该设备状态值的隶属度,如式所示
步骤3:基于长短期记忆网络的配电设备故障发生时间预测模型训练,
将样本设备的运行记录指标(设备状态评估指标体系中的“运行记录B”类指标,如图2、图3所示)按照公式(4)~(5)归一化,形成矩阵Bz,然后把样本设备的隶属度向量已故障次数lz、运行记录指标归一化矩阵Bz作为输入样本,输入LSTM神经网络进行训练(其拓扑结构如图4所示)。
LSTM神经网络的训练算法为反向传播算法,分为以下三步,且当每个样本设备的样本数据均输入LSTM神经网络进行训练后,模型训练完毕;或者设置训练误差小于1e-6时模型训练完毕,而训练误差是每次进行训练的样本集的总训练误差,不是单条样本数据的训练误差,而且1e-6是一个由经验和重复性试验所获得的值。
(3-1)前向计算LSTM记忆模块的输出值;
ft=σ(Wfxxt+WfhΤt-1+bf) (18)
it=σ(Wixxt+WihTt-1+bi) (19)
ot=σ(Woxxt+WohTt-1+bo) (22)
Tt=ot·tanh(ct) (23)
其中,σ为sigmoid函数,xt是t时刻的输入矩阵,由隶属度向量已故障次数lz、运行记录指标归一化矩阵Bz组成,即xt=[δz,lz,Bz];Wfx、Wix、Wox、Wcx表示与当前输入xt相乘的权重矩阵,Wfh、Wih、Woh、Wch表示与t-1时刻输出值Tt-1相乘的权重矩阵。bf、bi、bc、bo分别为遗忘门、输入门、状态单元、输出门的偏置项,ft、it、ot分别是遗忘门、输入门、输出门的激活函数,ct、是状态单元和即时状态的向量;Tt为LSTM当前的输出,是样本设备下一次故障发生时间的真实值。
(3-2)反向计算每个记忆模块的误差项δ,LSTM的误差项沿两个方向进行传播。误差项沿时间反向传播,即计算出t-1时刻的误差项,在t时刻,LSTM的输出值为Tt,定义t时刻的误差项为其中E为损失函数,则根据全导数公式可求得关于δf,t、δi,t、δo,t四项的关系,δf,t、δi,t、δo,t定义如下,符号“·”表示按元素相乘:
δo,t=δt·tanh(ct)·ot·(1-ot) (24)
δf,t=δt·ot·(1-tanh(ct)2)·ct-1·ft·(1-ft) (25)
利用偏导公式求出各项代入可求得:
式(28)为误差反向传播到上一时刻的公式,由此可得出误差项反向传播到任意k时刻的公式:
(3-3)根据相应的残差项,计算(3-1)中每个权重矩阵的梯度,对权重矩阵进行更新,公式如下:
步骤4:预测待评价设备的下一次故障发生时间,确定检修时间。
根据步骤2中云模型生成待评价设备的健康状态云图,由式(17)可计算出待评价设备的隶属度向量δ'=[δ′1,δ′2,δ′3,δ′4];将待评价设备的运行记录指标(如图2、图3所示)按照公式(4)~(5)归一化,形成矩阵B',然后把由待评价设备的隶属度向量δ'=[δ′1,δ′2,δ′3,δ′4]、已故障次数l'、运行记录指标归一化矩阵B'组成的矩阵x′t=[δ',l',B']代入式(18)~(23),计算得到待评价设备下一次故障发生时间的预测值T′t,按公式(43)计算得到检修时间Tz,
Tz=Tplan+Top+Ts<T′t (43)
其中,Tplan为计划检修时间,Top为检修所需时间,为了确保供电可靠性,还需要考虑一个安全裕度时间Ts。
根据本方法利用配电设备的历史运行数据与试验数据预测待评价设备下一次故障发生时间并确定检修时间,实现在运设备检修计划的合理规划,既避免了检修的盲目性,又能充分利用检修资源,提高检修效率,降低设备故障风险。
上面结合附图对本发明的实施例进行的描述不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (3)
1.一种配电设备状态检修时间的确定方法,其特征在于:方法步骤如下,
步骤1,健康度划分设备等级:根据设备综合扣分值,统计同类同电压等级第z台设备健康度gz(z=1,2,…,Z),根据健康度gz将设备健康状态划分等级;
根据健康度gz将设备健康状态划分为正常、注意、异常和严重四个等级,分别用f1、f2、f3、f4表示;
由式计算4个健康状态等级的云数字特征,af为健康状态等级区间最小值,bf为健康状态等级区间最大值,Exf为设备健康状态等级f的期望值,Enf为设备健康状态等级f的熵,Hef为设备健康状态等级f的超熵,Hef取0.01,其中,f=1,2,3,4,分别对应四个状态等级f1、f2、f3、f4;
步骤2,熵权法确定设备状态评估指标权重并用云模型求隶属度:应用熵权法对设备状态评估指标赋权后通过云模型生成待评价设备的健康状态云图,再计算待评价设备健康状态云与各健康状态等级云之间的隶属度并得到隶属度向量;
熵权法步骤如下,
第一,构建设备状态评估指标矩阵:由n个评价对象m个二级指标构成的指标矩阵,如下,X=(xij)n×m=(X1,X2,...Xi,...,Xm),x={x1,x2,...,xi,...,xm},
其中,X为由n×m个指标值构造的指标矩阵;Xi为指标矩阵中的第i个指标列向量,即n个评价对象的第i个评价指标组成的向量;xij为第i个评价对象的第j个指标值;x为指标集合,xj为指标集合中的第j个指标;m为指标个数;n为评价对象个数;
第二,设备状态评估指标归一化处理:对正向指标和负向指标分别进行归一化处理,如下,
得到归一化设备状态评估指标矩阵,如下,
第三,各设备状态评估指标的熵值计算:计算公式如下,
ej为第j个评估指标的熵值,其中,k=1/ln(n),pij是第i个样本设备在第j个指标上得分相对于所有待评价对象在该指标上得分的占比,
第四,各设备状态评估指标的熵权计算:计算公式如下,
wj为第j个评估指标的熵权;
云模型生成云图主要步骤如下,
第一,计算逆向云发生器:第j二级指标的期望Exj、熵Enj、超熵Hej的计算公式如下,
第二,计算正向云发生器:由数字特征为C(Ex,En,He)的正向云发生器随机产生N个的云滴(xi,yi),具体步骤为:
a,以En为期望,He为标准差,生成正态分布随机数E'n;
b,以Ex为期望,|E'n|为标准差,生成正态分布随机数xi;
c,以E'n、xi为变量,代入公式yi=exp(-(xi-Ex)2/2(E'n)2)产生云滴(xi,yi);
d,重复步骤a至c,直至产生N个云滴为止,并根据N个云滴绘制云模型图;
步骤3,基于长短期记忆网络的配电设备故障发生时间预测模型训练:先将样本设备状态评估指标中的设备运行记录指标进行归一化,形成矩阵Bz,然后把样本设备的隶属度向量δz、已故障次数lz、矩阵Bz作为输入样本,输入LSTM神经网络进行训练;
LSTM神经网络的训练算法为反向传播算法,分为三步,第一,结合权重矩阵进行前向计算LSTM记忆模块的输出值,第二,反向计算每个记忆模块的误差项,第三,根据相应的残差项,计算第一步中所用的每一个权重矩阵的梯度,对权重矩阵进行更新;
步骤4,预测待评价设备的下一次故障发生时间,并确定检修时间:根据待评价设备的隶属度向量δ'=[δ'1,δ'2,δ'3,δ'4]、已故障次数l'、设备运行记录指标归一化矩阵B'组成的矩阵输入已训练的LSTM神经网络计算得到待评价设备下一次故障发生时间的预测值T't,根据公式Tz=Tplan+Top+Ts<T't确定检修时间Tz,其中,Tplan为计划检修时间,Top为检修所需时间,Ts安全裕度时间。
2.根据权利要求1所述的配电设备状态检修时间的确定方法,其特征在于:当每个样本设备的样本数据均输入LSTM神经网络进行训练后,模型训练完毕;或者设置训练误差小于1e-6时模型训练结束。
3.根据权利要求1所述的配电设备状态检修时间的确定方法,其特征在于:前向计算LSTM记忆模块的输出值即样本设备下一次故障发生时间的真实值Tt的计算公式如下,ft=σ(Wfxxt+WfhΤt-1+bf),it=σ(Wixxt+WihTt-1+bi), ot=σ(Woxxt+WohTt-1+bo),Tt=ot·tanh(ct);σ为sigmoid函数,xt=[δz,lz,Bz]是t时刻的输入矩阵,Wfx、Wix、Wox、Wcx表示与当前输入xt相乘的权重矩阵,Wfh、Wih、Woh、Wch表示与t-1时刻输出值Tt-1相乘的权重矩阵,bf、bi、bc、bo分别为遗忘门、输入门、状态单元、输出门的偏置项,ft、it、ot分别是遗忘门、输入门、输出门的激活函数,ct、是状态单元和即时状态的向量;Tt为LSTM神经网络当前输出,是样本设备下一次故障发生时间的真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049328.1A CN110880062B (zh) | 2019-10-31 | 2019-10-31 | 一种配电设备状态检修时间的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049328.1A CN110880062B (zh) | 2019-10-31 | 2019-10-31 | 一种配电设备状态检修时间的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110880062A CN110880062A (zh) | 2020-03-13 |
CN110880062B true CN110880062B (zh) | 2022-07-08 |
Family
ID=69728229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911049328.1A Active CN110880062B (zh) | 2019-10-31 | 2019-10-31 | 一种配电设备状态检修时间的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880062B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652395A (zh) * | 2020-06-12 | 2020-09-11 | 成都国铁电气设备有限公司 | 一种高速铁路接触网设备健康评估方法 |
CN113221441B (zh) * | 2020-12-24 | 2022-12-02 | 山东鲁能软件技术有限公司 | 一种电厂设备健康评估的方法及装置 |
CN112884174A (zh) * | 2021-02-05 | 2021-06-01 | 上海市市政工程管理咨询有限公司 | 公路日常养护信息管理方法和*** |
CN113408759A (zh) * | 2021-07-07 | 2021-09-17 | 大连理工大学 | 一种基于熵理论的分布式供能***设备预防性维修方法 |
CN114970904B (zh) * | 2022-07-26 | 2022-11-29 | 中铁电气化勘测设计研究院有限公司 | 一种基于缺陷处理的接触网运营维修资源数字化调整方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177186A (zh) * | 2013-03-21 | 2013-06-26 | 国家电网公司 | 一种电气回路故障概率预测方法 |
CN103279671A (zh) * | 2013-06-03 | 2013-09-04 | 南京大学 | 基于rbf神经网络-云模型的城市水灾害风险预测方法 |
CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和*** |
CN106056218A (zh) * | 2016-05-11 | 2016-10-26 | 国电南瑞科技股份有限公司 | 计及过载和暂态稳定约束的设备月度检修计划优化方法 |
CN106251042A (zh) * | 2016-07-19 | 2016-12-21 | 广西电网有限责任公司电力科学研究院 | 一种对配电变压器进行健康状态评估的方法 |
CN206312210U (zh) * | 2016-08-11 | 2017-07-07 | 中国南方电网有限责任公司电网技术研究中心 | 一种配电网设备的状态评估*** |
CN106961349A (zh) * | 2017-02-20 | 2017-07-18 | 江苏大学 | 一种基于数据融合的传感器故障识别***及方法 |
CN106997513A (zh) * | 2017-04-11 | 2017-08-01 | 广西电网有限责任公司电力科学研究院 | 基于大数据分析的配网设备状态评价*** |
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN108037378A (zh) * | 2017-10-26 | 2018-05-15 | 上海交通大学 | 基于长短时记忆网络的变压器运行状态预测方法及*** |
CN109490726A (zh) * | 2018-11-23 | 2019-03-19 | 广西电网有限责任公司南宁供电局 | 基于云理论的电力变压器绝缘状态评估方法 |
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 |
CN110070060A (zh) * | 2019-04-26 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
CN110210169A (zh) * | 2019-06-14 | 2019-09-06 | 中铁高新工业股份有限公司 | 一种基于lstm的盾构机故障预测方法 |
CN110264053A (zh) * | 2019-06-10 | 2019-09-20 | 广西电网有限责任公司电力科学研究院 | 一种考虑检修策略对故障率影响的配电网可靠性评估方法 |
CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11599795B2 (en) * | 2017-11-08 | 2023-03-07 | International Business Machines Corporation | Reducing the cost of n modular redundancy for neural networks |
-
2019
- 2019-10-31 CN CN201911049328.1A patent/CN110880062B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177186A (zh) * | 2013-03-21 | 2013-06-26 | 国家电网公司 | 一种电气回路故障概率预测方法 |
CN103279671A (zh) * | 2013-06-03 | 2013-09-04 | 南京大学 | 基于rbf神经网络-云模型的城市水灾害风险预测方法 |
CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和*** |
CN106056218A (zh) * | 2016-05-11 | 2016-10-26 | 国电南瑞科技股份有限公司 | 计及过载和暂态稳定约束的设备月度检修计划优化方法 |
CN106251042A (zh) * | 2016-07-19 | 2016-12-21 | 广西电网有限责任公司电力科学研究院 | 一种对配电变压器进行健康状态评估的方法 |
CN206312210U (zh) * | 2016-08-11 | 2017-07-07 | 中国南方电网有限责任公司电网技术研究中心 | 一种配电网设备的状态评估*** |
CN106961349A (zh) * | 2017-02-20 | 2017-07-18 | 江苏大学 | 一种基于数据融合的传感器故障识别***及方法 |
CN106997513A (zh) * | 2017-04-11 | 2017-08-01 | 广西电网有限责任公司电力科学研究院 | 基于大数据分析的配网设备状态评价*** |
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN108037378A (zh) * | 2017-10-26 | 2018-05-15 | 上海交通大学 | 基于长短时记忆网络的变压器运行状态预测方法及*** |
CN109490726A (zh) * | 2018-11-23 | 2019-03-19 | 广西电网有限责任公司南宁供电局 | 基于云理论的电力变压器绝缘状态评估方法 |
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 |
CN110070060A (zh) * | 2019-04-26 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
CN110264053A (zh) * | 2019-06-10 | 2019-09-20 | 广西电网有限责任公司电力科学研究院 | 一种考虑检修策略对故障率影响的配电网可靠性评估方法 |
CN110210169A (zh) * | 2019-06-14 | 2019-09-06 | 中铁高新工业股份有限公司 | 一种基于lstm的盾构机故障预测方法 |
CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
Non-Patent Citations (6)
Title |
---|
Modeling and Analysis of Microgrid Cluster Simulation Based on RTDS;OUYANG Jianna 等;《2018 2nd IEEE Conference on Energy Internet and Energy System Integration (EI2)》;20181220;第1-5页 * |
Study on the R TDS Simulation Platform of Parallel Injection Hybrid Active Power Filter;Wu Lifang;《2018 2nd IEEE Conference on Energy Internet and Energy System Integration (EI2)》;20181220;第1-7页 * |
基于云理论及熵权法的变压器潜在故障风险评估方法;熊卫红等;《电力自动化设备》;20180802(第08期);第125-130,146页 * |
基于云理论的变压器多重故障诊断及短期预测策略;朱见伟 等;《电气技术》;20160610(第3期);第3-4,7页 * |
基于融合理论的风电机组状态评价正态云模型;刘华新等;《太阳能学报》;20181028(第10期);第2891-2900页 * |
基于风险评估的配电设备状态检修决策方法;梁朔 等;《电力***及其自动化学报》;20181030;第31卷(第1期);第47-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110880062A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880062B (zh) | 一种配电设备状态检修时间的确定方法 | |
Zheng et al. | A novel equivalent model of active distribution networks based on LSTM | |
Geeganage et al. | Application of energy-based power system features for dynamic security assessment | |
Sobbouhi et al. | Transient stability prediction of power system; a review on methods, classification and considerations | |
Genc et al. | Decision tree-based preventive and corrective control applications for dynamic security enhancement in power systems | |
CN102074955B (zh) | 基于知识发现技术的电力***稳定评估及控制方法 | |
CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
Wahab et al. | Fast transient stability assessment of large power system using probabilistic neural network with feature reduction techniques | |
Dai et al. | Real-time prediction of event-driven load shedding for frequency stability enhancement of power systems | |
CN102622510A (zh) | 一种软件缺陷量化管理***和方法 | |
CN107330573B (zh) | 一种光伏***关键设备的状态评估方法及装置 | |
CN108053077A (zh) | 一种基于区间二型t-s模糊模型的短期风速预测方法与*** | |
Shan et al. | Reliability analysis of power distribution network based on PSO-DBN | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
Bhatt et al. | Static security assessment of power system using radial basis function neural network module | |
Abiyev | Fuzzy wavelet neural network for prediction of electricity consumption | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
Selvi et al. | Artificial neural network approach for on-line ATC estimation in deregulated power system | |
CN113919162B (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
CN115712064A (zh) | 一种基于lstm-cnn混合神经网络的励磁***故障诊断方法 | |
Xu et al. | A RBF network for short—Term Load forecast on microgrid | |
CN115423174A (zh) | 一种计及波动过程划分的短期风电功率预测方法 | |
Zhao et al. | A fast and accurate transient stability assessment method based on deep learning: Wecc case study | |
Citroen et al. | Moroccan long term electricity demand forecasting using Wavelet neural Networks | |
Bai et al. | Contingency-based voltage stability monitoring via neural network with multi-level feature fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |