CN110880062B - 一种配电设备状态检修时间的确定方法 - Google Patents

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

一种配电设备状态检修时间的确定方法

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g_z(z＝1,2,…,Z)，根据健康度g_z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B^z,然后把样本设备的隶属度向量δ^z、已故障次数l^z、矩阵B^z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T_z＝T_plan+T_op+T_s＜T′_t确定检修时间T_z，其中，T_plan为计划检修时间，T_op为检修所需时间，T_s安全裕度时间。

进一步地，步骤1中根据健康度g_z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，a_f为健康状态等级区间最小值，b_f为健康状态等级区间最大值，E_xf为设备健康状态等级f的期望值，E_nf为设备健康状态等级f的熵，H_ef为设备健康状态等级f的超熵，H_ef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＝(x_ij)_n×m＝(X₁,X₂,...X_i,...,X_m),x＝{x₁,x₂,...,x_i,...,x_m}，

其中，X为由n×m个指标值构造的指标矩阵；X_i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；x_ij为第i个评价对象的第j个指标值；x为指标集合，x_j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：第j个评价指标的熵值计算公式如下，

e_j为第j个评估指标的熵值，其中，k＝1/ln(n)，p_ij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：第j个评价指标的熵权计算公式如下，

w_j为第j个评估指标的熵权。

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E_xj、熵E_nj、超熵H_ej的计算公式如下，

其中，P为指标样本数量，x_i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(E_x,E_n,H_e)的正向云发生器随机产生N个的云滴(x_i,y_i)，具体步骤为：

a，以E_n为期望，H_e为标准差，生成正态分布随机数E′_n；

b，以E_x为期望，|E'_n|为标准差，生成正态分布随机数x_i；

c，以E'_n、x_i为变量，代入公式y_i＝exp(-(x_i-E_x)²/2(E'_n)²)产生云滴(x_i,y_i)；

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，样本设备云图与第f朵等级云图的交点有K个云滴，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，

其中，f＝1,2,3,4，则第z台样本设备的隶属度向量

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T_t的计算公式如下，f_t＝σ(W_fxx_t+W_fhΤ_t-1+b_f)，i_t＝σ(W_ixx_t+W_ihT_t-1+b_i)，

o_t＝σ(W_oxx_t+W_ohT_t-1+b_o)，T_t＝o_t·tanh(c_t)；σ为sigmoid函数，x_t＝[δ^z,l^z,B^z]是t时刻的输入矩阵，W_fx、W_ix、W_ox、表示与当前输入x_t相乘的权重矩阵，W_fh、W_ih、W_oh、W_ch表示与t-1时刻输出值T_t-1相乘的权重矩阵。b_f、b_i、b_c、b_o分别为遗忘门、输入门、状态单元、输出门的偏置项，f_t、i_t、o_t分别是遗忘门、输入门、输出门的激活函数，c_t、

是状态单元和即时状态的向量；T_t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g_z(z＝1,2,…,Z)，根据健康度g_z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，a_f为健康状态等级区间最小值，b_f为健康状态等级区间最大值，E_xf为设备健康状态等级f的期望值，E_nf为设备健康状态等级f的熵，H_ef为设备健康状态等级f的超熵，根据E_nf的大小，由经验和重复性试验得，H_ef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＝(x_ij)_n×m＝(X₁,X₂,...X_i,...,X_m) (2)

x＝{x₁,x₂,...,x_i,...,x_m} (3)

其中，X为由n×m个指标值构造的指标矩阵；X_i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；x_ij为第i个评价对象的第j个指标值；x为指标集合，x_j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)，p_ij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E_xj、熵E_nj、超熵H_ej的计算公式如下：

其中，P为指标样本数量，x_i为二级指标值。

根据熵权法可计算各二级指标权重w_j，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(E_x,E_n,H_e)的正向云发生器随机产生N个的云滴(x_i,y_i)。具体步骤为：

(2-2-1)以E_n为期望，H_e为标准差，生成正态分布随机数E′_n；

(2-2-2)以E_x为期望，|E'_n|为标准差，生成正态分布随机数x_i；

(2-2-3)以E'_n、x_i为变量，代入公式y_i＝exp(-(x_i-E_x)²/2(E'_n)²)产生云滴(x_i,y_i)；

(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

其中，f＝1,2,3,4，则第z台样本设备的隶属度向量

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，

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B^z,然后把样本设备的隶属度向量

已故障次数l^z、运行记录指标归一化矩阵B^z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；

f_t＝σ(W_fxx_t+W_fhΤ_t-1+b_f) (18)

i_t＝σ(W_ixx_t+W_ihT_t-1+b_i) (19)

o_t＝σ(W_oxx_t+W_ohT_t-1+b_o) (22)

T_t＝o_t·tanh(c_t) (23)

其中，σ为sigmoid函数，x_t是t时刻的输入矩阵，由隶属度向量

已故障次数l^z、运行记录指标归一化矩阵B^z组成，即x_t＝[δ^z,l^z,B^z]；W_fx、W_ix、W_ox、W_cx表示与当前输入x_t相乘的权重矩阵，W_fh、W_ih、W_oh、W_ch表示与t-1时刻输出值T_t-1相乘的权重矩阵。b_f、b_i、b_c、b_o分别为遗忘门、输入门、状态单元、输出门的偏置项，f_t、i_t、o_t分别是遗忘门、输入门、输出门的激活函数，c_t、

是状态单元和即时状态的向量；T_t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T_t，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

δ_f,t、δ_i,t、δ_o,t四项的关系，

δ_f,t、δ_i,t、δ_o,t定义如下，符号“·”表示按元素相乘：

δ_o,t＝δ_t·tanh(c_t)·o_t·(1-o_t) (24)

δ_f,t＝δ_t·o_t·(1-tanh(c_t)²)·c_t-1·f_t·(1-f_t) (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：

定义当前为第l层，则l-1层的误差项为误差函数对l-1层神经元加权输入的倒数，即

LSTM的输入

f^l-1表示l-1层的激活函数。使用全导公式可得式(30)，即为将误差传递到上一层的计算。

(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T_z，

T_z＝T_plan+T_op+T_s＜T′_t (43)

其中，T_plan为计划检修时间，T_op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T_s。

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g_z(z＝1,2,…,Z)，根据健康度g_z将设备健康状态划分等级；

根据健康度g_z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，a_f为健康状态等级区间最小值，b_f为健康状态等级区间最大值，E_xf为设备健康状态等级f的期望值，E_nf为设备健康状态等级f的熵，H_ef为设备健康状态等级f的超熵，H_ef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＝(x_ij)_n×m＝(X₁,X₂,...X_i,...,X_m)，x＝{x₁,x₂,...,x_i,...,x_m}，

其中，X为由n×m个指标值构造的指标矩阵；X_i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；x_ij为第i个评价对象的第j个指标值；x为指标集合，x_j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，

e_j为第j个评估指标的熵值，其中，k＝1/ln(n)，p_ij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，

w_j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E_xj、熵E_nj、超熵H_ej的计算公式如下，

其中，S²是方差，P为指标样本数量，x_i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(E_x,E_n,H_e)的正向云发生器随机产生N个的云滴(x_i,y_i)，具体步骤为：

a，以E_n为期望，H_e为标准差，生成正态分布随机数E'_n；

b，以E_x为期望，|E'_n|为标准差，生成正态分布随机数x_i；

c，以E'_n、x_i为变量，代入公式y_i＝exp(-(x_i-E_x)²/2(E'_n)²)产生云滴(x_i,y_i)；

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；

样本设备云图与第f朵等级云图的交点有K个云滴，取K个云滴的隶属度值的均值作为设备状态值的隶属度，如式所示，

其中，f＝1,2,3,4，则第z台样本设备的隶属度向量

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B^z,然后把样本设备的隶属度向量δ^z、已故障次数l^z、矩阵B^z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T_z＝T_plan+T_op+T_s＜T'_t确定检修时间T_z，其中，T_plan为计划检修时间，T_op为检修所需时间，T_s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T_t的计算公式如下，f_t＝σ(W_fxx_t+W_fhΤ_t-1+b_f)，i_t＝σ(W_ixx_t+W_ihT_t-1+b_i)，

o_t＝σ(W_oxx_t+W_ohT_t-1+b_o)，T_t＝o_t·tanh(c_t)；σ为sigmoid函数，x_t＝[δ^z,l^z,B^z]是t时刻的输入矩阵，W_fx、W_ix、W_ox、W_cx表示与当前输入x_t相乘的权重矩阵，W_fh、W_ih、W_oh、W_ch表示与t-1时刻输出值T_t-1相乘的权重矩阵，b_f、b_i、b_c、b_o分别为遗忘门、输入门、状态单元、输出门的偏置项，f_t、i_t、o_t分别是遗忘门、输入门、输出门的激活函数，c_t、

是状态单元和即时状态的向量；T_t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。

Images