CN113591985A - 基于数据融合的特高压gis运行状态综合诊断方法和*** - Google Patents

基于数据融合的特高压gis运行状态综合诊断方法和*** Download PDF

Info

Publication number
CN113591985A
CN113591985A CN202110872724.5A CN202110872724A CN113591985A CN 113591985 A CN113591985 A CN 113591985A CN 202110872724 A CN202110872724 A CN 202110872724A CN 113591985 A CN113591985 A CN 113591985A
Authority
CN
China
Prior art keywords
mutation
membership
evidence
evaluation
high voltage
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
Application number
CN202110872724.5A
Other languages
English (en)
Other versions
CN113591985B (zh
Inventor
杨为
朱太云
闫静
赵恒阳
张国宝
蔡梦怡
吴正阳
陈忠
宋东波
胡迪
赵常威
钱宇骋
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.)
Xian Jiaotong University
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Original Assignee
Xian Jiaotong University
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
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 Xian Jiaotong University, Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd filed Critical Xian Jiaotong University
Priority to CN202110872724.5A priority Critical patent/CN113591985B/zh
Publication of CN113591985A publication Critical patent/CN113591985A/zh
Application granted granted Critical
Publication of CN113591985B publication Critical patent/CN113591985B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了基于数据融合的特高压GIS运行状态综合诊断方法和***，其特征在于，包括获取各部分传感器的现场采集数据，经过滤波处理后，提取特征参数。应用可拓分析理论，构造评估特征参数的关联函数，以及关联函数值与评价目标的正态云隶属度函数，并计算得出评价指标对正常、注意、异常、严重四个运行状态的隶属度值。应用突变理论进行两层递归突变级数运算及评判，得到总突变隶属度值矩阵。应用D‑S证据理论对各证据的总突变隶属度矩阵进行融合，综合诊断GIS的运行状态。本发明可以实现特高压GIS开关设备运行状态在线监测和综合诊断，为开关设备的运维和检修提供理论依据和实践支撑。

Description

基于数据融合的特高压GIS运行状态综合诊断方法和***
技术领域
本发明属于特高压GIS开关设备在线监测与状态诊断领域，特别涉及基于数据融合的特高压GIS运行状态综合诊断方法和***。
背景技术
近年来，特高压电网由于输送的电源容量大，以及交直流混合电网的互联，各区域电网之间的联系越来越紧密。这对电力设备，特别是开关类的设备提出更高的要求，要求其在响应电网操作要求的时候，具有稳定性、可靠性，以达到维持电网安全稳定运行的目的。特高压GIS开关设备是特高压电网控制和保护的重要核心设备，当电网发生短路故障时，能够顺利的切除短路故障，保证***的安全与稳定运行；当电网要求开关进行正常的负载开合时，能够可靠地操作，完成电网运行结构的切换。综上所述，特高压GIS开关设备对电网的运行极其重要，常规的开关设备是定期进行检修和维护，缺点是需要停电检修，而且不能及时发现运行中存在的潜在风险。因此，急需掌握GIS开关设备的运行状态和潜在的风险，并合理安排检修，确保开关设备运行在安全可靠的状态，保证其开断性能，降低由于电网故障情况下断路器开断失败的概率。
发明内容
为解决现有中特高压GIS开关的设备的状态诊断复杂的问题，本发明的目的是提供基于数据融合的特高压GIS运行状态综合诊断方法和***，特高压GIS开关设备运行状态评估方法，通过多传感器数据特征量提取、关联函数及隶属度函数构造、递归突变级数运算及评判、D-S证据理论数据融合，可以实现特高压GIS开关设备运行状态综合评估。
本发明所采用的技术方案是：
基于数据融合的特高压GIS运行状态综合诊断方法，包括：
获取电气特性、绝缘状态、机械特性、温升各部分传感器的现场采集数据，提取特征参数；
构造评估特征参数的可拓分析关联函数，以及关联函数值与评价目标的正态云隶属度函数，并计算得出评价指标对正常、注意、异常、严重四个运行状态的隶属度值；
应用突变理论进行两层递归突变级数运算及评判，得到电气特性、绝缘状态、机械特性、温升的总突变隶属度值矩阵；
应用D-S证据理论数据融合方法，对电气特性、绝缘状态、机械特性、温升各证据的总突变隶属度矩阵进行融合，综合诊断GIS的运行状态。
作为本发明的进一步改进，所述电气特性包括：短路开断辐射电磁波信号、线圈电流信号、操作电压信号；
所述绝缘状态包括：特高频局部放电信号、超声波信号；
所述机械特性包括：振动信号、行程曲线信号；
所述温升包括红外图谱数据；
单个传感器的n个特征参数向量[x1,x2,L,xn]，确定各特征参数的分布区间X＝[A,B]，以及在良好运行状态下的区间X0＝[a,b]，并构造可拓分析关联函数k(x)，确定并求得关联函数值向量[k1,k2,L,kn]。
作为本发明的进一步改进，所述可拓分析关联函数为：
Figure BDA0003189334950000021
式中，X＝[A,B]为传感器数据的特征参数x的分布区间，X0＝[a,b]为在良好运行状态下的区间，d(x,x0,X0)为
Figure BDA0003189334950000022
与区间X0＝[a,b]关于x0的距离，x0∈X0，D(x,X0,X)为x关于区间X0＝[a,b]和X＝[A,B]组成的区间套的位值，且：
Figure BDA0003189334950000023
对于给定的区间X0＝[a,b]，当最优的指标值
Figure BDA0003189334950000024
时：
Figure BDA0003189334950000025
当最优的指标值
Figure BDA0003189334950000026
时：
Figure BDA0003189334950000027
作为本发明的进一步改进，所述的正常、注意、异常和严重四个运行状态的评价等级，对应的区间分别为[1，0.5)、[0.5，0)、[0，-0.5)、[-0.5，-1]；评价指标的关联函数值k对运行状态j的正态梯形云隶属度函数为
Figure BDA0003189334950000031
E为正态云的期望，En为方差，He为超熵；则参数Ex1，Ex2计算如下：
Figure BDA0003189334950000032
式中ζ∈(0,1)，代表隶属度值为1的子集在集合区间上的长度比例；
设定某指标在两个相邻运行状态的隶属度值为0.5，得出
Figure BDA0003189334950000033
取
Figure BDA0003189334950000034
η为15～25的随机数。
作为本发明的进一步改进，所述的应用突变理论进行两层递归突变级数运算及评判，具体包括：
第一层递归突变级数运算及评判；
首先，分别对第三级评价指标，即，电气特性、绝缘状态、机械特性、温升第二级评价指标下属各传感器特征参数的隶属度值按照归一公式计算突变级数值；特征参数按照重要程度排序得到的隶属度向量为μij，i＝1,2,...,n，n为特征参数的个数，则突变级数值向量为
Figure BDA0003189334950000035
其次，对突变级数向量Xij，i＝1,2,...,n，进行模糊评判，得到该传感器对第二级评价指标的突变隶属度值为
Figure BDA0003189334950000036
第二层递归突变级数运算及评判；
首先，对第二级评价指标，即，电气特性、绝缘状态、机械特性、温升下属各传感器的突变隶属度值按照归一公式计算突变级数值；传感器特征参数按照重要程度排序得到的突变隶属度值为yij，i＝1,2,...,m，m为传感器的个数，则突变级数值向量为
Figure BDA0003189334950000037
其次，对突变级数向量Yij，i＝1,2,...,m，进行模糊评判，对于互相关联型传感器，则二级评价指标的总突变隶属度值为
Figure BDA0003189334950000038
对于互相无关型传感器，则二级评价指标的总突变隶属度值为Y′j＝min[Y1j Y2j L Ymj]；
得到电气特性、绝缘状态、机械特性、温升对各运行状态的总突变隶属度值矩阵A＝(Y′ij)，i＝1,2,3,4，各下引分别对应电气特性、绝缘状态、机械特性、温升，j＝1,2,3,4，各下引分别对应正常、注意、异常、严重。
作为本发明的进一步改进，所述应用D-S证据理论对电气特性、绝缘状态、机械特性、温升各证据的总突变隶属度矩阵进行融合具体包括：
确定基本信任分配函数BPA：
识别框架为Θ，识别框架下有四个证据表示为E1,E2,E3,E4，对应的基本信任分配函数表示为m1,m2,m3,m4，各焦元表示为Ai(i＝1,2,3,4)，对上述的证据源进行修正，构造证据体的基本信任分配函数BPA为：
Figure BDA0003189334950000041
式中，i＝1,2,3,4，j＝1,2,3,4，Rj是在证据Ei经分类器处理后焦元Ai的准确率；同时，将不确定度分配到
Figure BDA0003189334950000042
的空间上；
1)计算证据体间的相似系数
Figure BDA0003189334950000043
式中,i,j＝1,2,3,4，Ak为两个证据体Ei和Ej的焦元间的交集；
2)根据相似系数构造证据间的相似矩阵：
Figure BDA0003189334950000044
3)构造新的证据体矩阵
m′＝S×m
式中，m为原证据体矩阵，对新的证据体归一化处理，得到证据体矩阵m″，新的焦元为：
Figure BDA0003189334950000045
4)针对修正后的证据体矩阵m″，采用Dempster合成规则进行融合，结果为M；
5)结合原先的证据体对融合结果M进行修正
Figure BDA0003189334950000051
式中，j＝1,2,3,4，mj为原先的证据体和新的证据体之间的相似系数最大的一个证据，即该证据是最合理的证据。
一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于数据融合的特高压GIS运行状态综合诊断方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于数据融合的特高压GIS运行状态综合诊断方法的步骤。
与现有技术相比，本发明至少具有以下技术效果：
本发明的基于数据融合的特高压GIS运行状态综合诊断方法，包括获取电气特性、绝缘状态、机械特性、温升各部分传感器的现场采集数据，经过滤波处理后，提取特征参数。应用可拓分析理论，构造评估特征参数的关联函数，以及关联函数值与评价目标的正态云隶属度函数，并计算得出评价指标对正常、注意、异常、严重四个运行状态的隶属度值。应用突变理论进行两层递归突变级数运算及评判，得到电气特性、绝缘状态、机械特性、温升的总突变隶属度值矩阵。应用D-S证据理论对电气特性、绝缘状态、机械特性、温升各证据的总突变隶属度矩阵进行融合，综合诊断GIS的运行状态。该方法通过将相互独立的电气特性、绝缘状态、机械特性、温升指标进行相互关联，通过构建合理的评价体系和隶属度函数，并采用基于模糊论的数据融合算法，对GIS开关设备的综合运行状态进行诊断。本发明可以实现特高压GIS开关设备运行状态在线监测和综合诊断，为开关设备的运维和检修提供理论依据和实践支撑，可以实现特高压GIS开关设备运行状态综合评估。
附图说明
图1为基于数据融合的特高压GIS运行状态综合诊断方法流程图；
图2为特高压GIS开关设备运行状态综合诊断评估模型；
图3为逐层递归突变级数运算及评判示意图；
图4为特高压GIS开关设备运行状态综合诊断***结构示意图；
图5为电子设备结构示意图。
具体实施方式
基于运行数据分析与统计，特高压GIS开关设备的故障可以分为电气故障、绝缘故障、机械故障、温升故障。科学、有效地开展特高压GIS开关设备的运行状态综合评估和故障诊断工作，可以发现运行中超/特高压开关设备的运行状态和故障缺陷，并提取有计划的安排运维工作，提高特高压GIS开关设备的运行效率和电网的安全稳定性。
特高压GIS开关设备的运行状态评估涉及的指标多，可以归属到电气特性、绝缘状态、机械特性、温升等几个大类，指标之间相互既有可能是独立的，也有可能是相关的。此外，各评价指标对总状态隶属的权重系数分配困难，难以形成有效的统一评价机制。因此，需要建立合理的评价体系和隶属度函数，并采用基于模糊论的数据融合算法，对GIS开关设备的综合运行状态进行诊断。
如图1所示，本发明第一个目的在于提高一种基于数据融合的特高压GIS运行状态综合诊断方法，包括：
获取电气特性、绝缘状态、机械特性、温升各部分传感器的现场采集数据，提取特征参数；
构造评估特征参数的可拓分析关联函数，以及关联函数值与评价目标的正态云隶属度函数，并计算得出评价指标对正常、注意、异常、严重四个运行状态的隶属度值；
应用突变理论进行两层递归突变级数运算及评判，得到电气特性、绝缘状态、机械特性、温升的总突变隶属度值矩阵；
应用D-S证据理论数据融合方法，对电气特性、绝缘状态、机械特性、温升各证据的总突变隶属度矩阵进行融合，综合诊断GIS的运行状态。
该方法通过将相互独立的电气特性、绝缘状态、机械特性、温升指标进行相互关联，通过构建合理的评价体系和隶属度函数，并采用基于模糊论的数据融合算法，对GIS开关设备的综合运行状态进行诊断。
下面结合附图和具体实施方式对本发明进行详细说明。
如图2至图3所示，基于数据融合的特高压GIS运行状态综合诊断方法，通过短路开断辐射电磁波信号、线圈电流信号、操作电压信号、特高频局部放电信号、超声波信号、振动信号、行程曲线和红外图谱进行特征参数提取，应用可拓分析理论和突变理论得到电气特性、绝缘状态、机械特性、温升的总突变隶属度值矩阵，应用D-S证据理论对数据进行融合，综合诊断GIS的运行状态。
利用图1至图2所示的计算步骤，实现特高压GIS开关设备运行状态综合诊断，包括下述步骤：
S1.采集前端传感器的短路开断辐射电磁波信号、线圈电流信号、操作电压信号、特高频局部放电信号、超声波信号、振动信号、行程曲线信号和红外图谱数据，传输至上位机状态评估软件***，并对所采集的信号进行去噪。
S2.由电气特性、绝缘状态、机械特性、温升的单个传感器的n个特征参数向量[x1,x2,L,xn]，确定各特征参数的分布区间X＝[A,B]，以及在良好运行状态下的区间X0＝[a,b]，并构造可拓分析关联函数k(x)，确定并求得关联函数值向量[k1,k2,L,kn]。
S3.划分GIS开关运行的四个状态：正常、注意、异常和严重，对应的区间分别为[1，0.5)、[0.5，0)、[0，-0.5)、[-0.5，-1]。构造评价指标的关联函数值k对运行状态j的正态梯形云隶属度函数为
Figure BDA0003189334950000071
E为正态云的期望，En为方差，He为超熵。参数Ex1，Ex2计算如下：
Figure BDA0003189334950000072
式中ζ∈(0,1)，代表隶属度值为1的子集在集合区间上的长度比例；
设定某指标在两个相邻运行状态的隶属度值为0.5，得出
Figure BDA0003189334950000073
取
Figure BDA0003189334950000074
η为15～25的随机数。
最终求得，单个传感器的关联函数值向量[k1,k2,L,kn]在四个运行状态上的隶属度矩阵为：[μ1j,μ2j,L,μnj]，j＝1,2,3,4。
S4.第一层递归突变级数运算及评判。首先，分别对电气特性、绝缘状态、机械特性、温升第二级评价指标下属各传感器的n个特征参数的隶属度值按照重要程度排序，得到向量[μ1j,μ2j,L,μnj]，按照归一公式
Figure BDA0003189334950000075
计算得出突变级数值[X1j,X2j,L,Xnj]；其次，对突变级数向量[X1j,X2j,L,Xnj]，进行模糊评判，得到该传感器对第二级评价指标的突变隶属度值为[X′1,X′2,X′3,X′4]。
S5.第二层递归突变级数运算及评判。首先，对第二级评价指标，即，电气特性、绝缘状态、机械特性、温升各下属的m个传感器的突变隶属度矩阵[yi1,yi2,yi3,yi4]，i＝1,2,L,m，按照归一公式
Figure BDA0003189334950000081
计算得出突变级数值[Yi1,Yi2,Yi3,Yi4]，i＝1,2,...,m；其次，对突变级数向量Yij，i＝1,2,...,m，进行模糊评判，对于互相关联型传感器，该二级评价指标的总突变隶属度值为
Figure BDA0003189334950000082
对于互相无关型传感器，该二级评价指标的总突变隶属度值为Y′j＝min[Y1j Y2j L Ymj]。
S5.经过第一层、第二层递归突变级数运算及评判，最终得到电气特性、绝缘状态、机械特性、温升对各运行状态的总突变隶属度值矩阵[Y′i1,Y′i2,Y′i3,Y′i4]，i＝1,2,3,4，各下引分别对应电气特性、绝缘状态、机械特性、温升。
S6.应用D-S证据理论数据融合及综合诊断，设识别框架为Θ，该框架下有四个证据表示为E1,E2,E3,E4，这些证据对应的基本信任分配函数表示为m1,m2,m3,m4，各焦元表示为Ai(i＝1,2,3,4)，对上述的证据源进行修正，构造证据体的基本信任分配函数BPA为：
Figure BDA0003189334950000083
式中，i＝1,2,3,4，j＝1,2,3,4，Rj是在证据Ei经分类器处理后焦元Ai的准确率；同时，将不确定度分配到
Figure BDA0003189334950000084
的空间上。在确定BPA后，进一步的融合步骤如下：
1)计算证据体间的相似系数
Figure BDA0003189334950000085
式中,i,j＝1,2,3,4，Ak为两个证据体Ei和Ej的焦元间的交集。
2)根据相似系数构造证据间的相似矩阵：
Figure BDA0003189334950000086
3)构造新的证据体矩阵
m′＝S×m
式中，m为原证据体矩阵，对新的证据体归一化处理，得到证据体矩阵m″，新的焦元为：
Figure BDA0003189334950000091
4)针对修正后的证据体矩阵m″，采用Dempster合成规则进行融合，结果为M。
5)结合原先的证据体对融合结果M进行修正
Figure BDA0003189334950000092
式中，j＝1,2,3,4，mj为原先的证据体和新的证据体之间的相似系数最大的一个证据，即该证据是最合理的证据。如下表所示，A、B、C为三个不同的证据，1、2、3、4分别为四种结论，根据修正后的证据A+B+C，最终评估结果指向结论2。
1 2 3 4 U
A 0.0726 0.7021 0.0634 0.1619 0
B 0.1334 0.6026 0.1083 0.1557 0
C 0.6236 0.0281 0.2867 0.0616 0
A+B+C 0.1516 0.7206 0.0616 0.0598 0.0014
如图3所示，本发明的另一目的在于提出基于数据融合的特高压GIS运行状态综合诊断***，其包括：
数据提取单元，用于获取电气特性、绝缘状态、机械特性、温升各部分传感器的现场采集数据，提取特征参数；具体为对短路开断辐射电磁波信号、线圈电流信号、操作电压信号、特高频局部放电信号、超声波信号、振动信号、行程曲线和红外图谱进行特征参数提取；
构建隶属度函数单元，用于构造评估特征参数的关联函数，以及关联函数值与评价目标的正态云隶属度函数，计算得出评价指标对运行状态的隶属度值；
递归突变级数运算及评判单元，用于应用突变理论进行两层递归突变级数运算及评判，得到电气特性、绝缘状态、机械特性、温升的总突变隶属度值矩阵；
状态诊断单元，用于应用D-S证据理论数据融合方法，对电气特性、绝缘状态、机械特性、温升各证据的总突变隶属度矩阵进行融合，综合诊断GIS的运行状态。
如图4所示，本发明第三个目的是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于数据融合的特高压GIS运行状态综合诊断方法的步骤。
还包括上位机处理器，通讯接口，传感器，存储器，显示器和打印设备，其中传感器与通讯接口连接，用于传输数据。
本发明第四个目的是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于数据融合的特高压GIS运行状态综合诊断方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.基于数据融合的特高压GIS运行状态综合诊断方法，其特征在于，包括：
获取电气特性、绝缘状态、机械特性、温升各部分传感器的现场采集数据，提取特征参数；
构造评估特征参数的可拓分析关联函数，以及关联函数值与评价目标的正态云隶属度函数，并计算得出评价指标对正常、注意、异常、严重四个运行状态的隶属度值；
应用突变理论进行两层递归突变级数运算及评判，得到电气特性、绝缘状态、机械特性、温升的总突变隶属度值矩阵；
应用D-S证据理论数据融合方法，对电气特性、绝缘状态、机械特性、温升各证据的总突变隶属度矩阵进行融合，综合诊断GIS的运行状态。
2.根据权利要求1所述的基于数据融合的特高压GIS运行状态综合诊断方法，其特征在于：
所述电气特性包括：短路开断辐射电磁波信号、线圈电流信号、操作电压信号；
所述绝缘状态包括：特高频局部放电信号、超声波信号；
所述机械特性包括：振动信号、行程曲线信号；
所述温升包括红外图谱数据；
单个传感器的n个特征参数向量[x1,x2,L,xn]，确定各特征参数的分布区间X＝[A,B]，以及在良好运行状态下的区间X0＝[a,b]，并构造可拓分析关联函数k(x)，确定并求得关联函数值向量[k1,k2,L,kn]。
3.根据权利要求1所述的基于数据融合的特高压GIS运行状态综合诊断方法，其特征在于：
所述可拓分析关联函数为：
Figure FDA0003189334940000011
式中，X＝[A,B]为传感器数据的特征参数x的分布区间，X0＝[a,b]为在良好运行状态下的区间，d(x,x0,X0)为
Figure FDA0003189334940000012
与区间X0＝[a,b]关于x0的距离，x0∈X0，D(x,X0,X)为x关于区间X0＝[a,b]和X＝[A,B]组成的区间套的位值，且：
Figure FDA0003189334940000021
对于给定的区间X0＝[a,b]，当最优的指标值
Figure FDA0003189334940000022
时：
Figure FDA0003189334940000023
当最优的指标值
Figure FDA0003189334940000024
时：
Figure FDA0003189334940000025
4.根据权利要求1所述的基于数据融合的特高压GIS运行状态综合诊断方法，其特征在于：
所述的正常、注意、异常和严重四个运行状态的评价等级，对应的区间分别为[1，0.5)、[0.5，0)、[0，-0.5)、[-0.5，-1]；评价指标的关联函数值k对运行状态j的正态梯形云隶属度函数为
Figure FDA0003189334940000026
E为正态云的期望，En为方差，He为超熵；则参数Ex1，Ex2计算如下：
Figure FDA0003189334940000027
式中ζ∈(0,1)，代表隶属度值为1的子集在集合区间上的长度比例；
设定某指标在两个相邻运行状态的隶属度值为0.5，得出
Figure FDA0003189334940000028
取
Figure FDA0003189334940000029
η为15～25的随机数。
5.根据权利要求1所述的基于数据融合的特高压GIS运行状态综合诊断方法，其特征在于：
所述的应用突变理论进行两层递归突变级数运算及评判，具体包括：
第一层递归突变级数运算及评判；
首先，分别对第三级评价指标，即，电气特性、绝缘状态、机械特性、温升第二级评价指标下属各传感器特征参数的隶属度值按照归一公式计算突变级数值；特征参数按照重要程度排序得到的隶属度向量为μij，i＝1,2,...,n，n为特征参数的个数，则突变级数值向量为
Figure FDA0003189334940000031
i＝1,2,...,n；其次，对突变级数向量Xij，i＝1,2,...,n，进行模糊评判，得到该传感器对第二级评价指标的突变隶属度值为
Figure FDA0003189334940000032
第二层递归突变级数运算及评判；
首先，对第二级评价指标，即，电气特性、绝缘状态、机械特性、温升下属各传感器的突变隶属度值按照归一公式计算突变级数值；传感器特征参数按照重要程度排序得到的突变隶属度值为yij，i＝1,2,...,m，m为传感器的个数，则突变级数值向量为
Figure FDA0003189334940000033
i＝1,2,...,m；其次，对突变级数向量Yij，i＝1,2,...,m，进行模糊评判，对于互相关联型传感器，则二级评价指标的总突变隶属度值为
Figure FDA0003189334940000034
对于互相无关型传感器，则二级评价指标的总突变隶属度值为Y'j＝min[Y1j Y2j L Ymj]；
得到电气特性、绝缘状态、机械特性、温升对各运行状态的总突变隶属度值矩阵A＝(Y'ij)，i＝1,2,3,4，各下引分别对应电气特性、绝缘状态、机械特性、温升，j＝1,2,3,4，各下引分别对应正常、注意、异常、严重。
6.根据权利要求1所述的基于数据融合的特高压GIS运行状态综合诊断方法，其特征在于：
所述应用D-S证据理论对电气特性、绝缘状态、机械特性、温升各证据的总突变隶属度矩阵进行融合具体包括：
确定基本信任分配函数BPA：
识别框架为Θ，识别框架下有四个证据表示为E1,E2,E3,E4，对应的基本信任分配函数表示为m1,m2,m3,m4，各焦元表示为Ai(i＝1,2,3,4)，对上述的证据源进行修正，构造证据体的基本信任分配函数BPA为：
Figure FDA0003189334940000035
式中，i＝1,2,3,4，j＝1,2,3,4，Rj是在证据Ei经分类器处理后焦元Ai的准确率；同时，将不确定度分配到
Figure FDA0003189334940000041
的空间上；
1)计算证据体间的相似系数
Figure FDA0003189334940000042
式中,i,j＝1,2,3,4，Ak为两个证据体Ei和Ej的焦元间的交集；
2)根据相似系数构造证据间的相似矩阵：
Figure FDA0003189334940000043
3)构造新的证据体矩阵
m'＝S×m
式中，m为原证据体矩阵，对新的证据体归一化处理，得到证据体矩阵m”，新的焦元为：
Figure FDA0003189334940000044
4)针对修正后的证据体矩阵m”，采用Dempster合成规则进行融合，结果为M；
5)结合原先的证据体对融合结果M进行修正
Figure FDA0003189334940000045
式中，j＝1,2,3,4，mj为原先的证据体和新的证据体之间的相似系数最大的一个证据，即该证据是最合理的证据。
7.基于数据融合的特高压GIS运行状态综合诊断***，其特征在于，包括：
数据提取单元，用于获取电气特性、绝缘状态、机械特性、温升各部分传感器的现场采集数据，提取特征参数；
隶属度函数构建单元，用于构造评估特征参数的可拓分析关联函数，以及关联函数值与评价目标的正态云隶属度函数，并计算得出评价指标对正常、注意、异常、严重四个运行状态的隶属度值；
递归突变级数运算及评判单元，用于应用突变理论进行两层递归突变级数运算及评判，得到电气特性、绝缘状态、机械特性、温升的总突变隶属度值矩阵；
状态诊断单元，用于应用D-S证据理论数据融合方法，对电气特性、绝缘状态、机械特性、温升各证据的总突变隶属度矩阵进行融合，综合诊断GIS的运行状态。
8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述基于数据融合的特高压GIS运行状态综合诊断方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述基于数据融合的特高压GIS运行状态综合诊断方法的步骤。
CN202110872724.5A 2021-07-30 2021-07-30 基于数据融合的特高压gis运行状态综合诊断方法和*** Active CN113591985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110872724.5A CN113591985B (zh) 2021-07-30 2021-07-30 基于数据融合的特高压gis运行状态综合诊断方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110872724.5A CN113591985B (zh) 2021-07-30 2021-07-30 基于数据融合的特高压gis运行状态综合诊断方法和***

Publications (2)

Publication Number Publication Date
CN113591985A true CN113591985A (zh) 2021-11-02
CN113591985B CN113591985B (zh) 2023-12-15

Family

ID=78252634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110872724.5A Active CN113591985B (zh) 2021-07-30 2021-07-30 基于数据融合的特高压gis运行状态综合诊断方法和***

Country Status (1)

Country Link
CN (1) CN113591985B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707861A (zh) * 2022-04-08 2022-07-05 国网山东省电力公司青岛供电公司 一种基于d-s证据融合多指标的断路器评价方法及***
CN116840671A (zh) * 2023-06-09 2023-10-03 东禾电气有限公司 一种基于智能融合断路器的故障预警与精确定位方法
CN117171659A (zh) * 2023-10-31 2023-12-05 国网浙江省电力有限公司宁波供电公司 一种智能化配变高压侧故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403676A (zh) * 2008-10-28 2009-04-08 华北电力大学 基于d-s证据理论的绝缘子憎水性等级融合判决方法
GB201715336D0 (en) * 2017-09-22 2017-11-08 Optellum Ltd Method and apparatus for deriving a set of training data
CN110689234A (zh) * 2019-09-05 2020-01-14 国家电网有限公司 一种基于多源数据融合的电力变压器状态评估方法
CN111537939A (zh) * 2020-04-17 2020-08-14 武汉格蓝若智能技术有限公司 一种基于多指标融合的电压互感器状态评估方法及装置
CN111932081A (zh) * 2020-07-13 2020-11-13 国网福建省电力有限公司 一种电力信息***运行状态评估方法及***
CN112014692A (zh) * 2020-07-20 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于主成分分析的局部放电特高频信号盲源分离去噪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403676A (zh) * 2008-10-28 2009-04-08 华北电力大学 基于d-s证据理论的绝缘子憎水性等级融合判决方法
GB201715336D0 (en) * 2017-09-22 2017-11-08 Optellum Ltd Method and apparatus for deriving a set of training data
CN110689234A (zh) * 2019-09-05 2020-01-14 国家电网有限公司 一种基于多源数据融合的电力变压器状态评估方法
CN111537939A (zh) * 2020-04-17 2020-08-14 武汉格蓝若智能技术有限公司 一种基于多指标融合的电压互感器状态评估方法及装置
CN111932081A (zh) * 2020-07-13 2020-11-13 国网福建省电力有限公司 一种电力信息***运行状态评估方法及***
CN112014692A (zh) * 2020-07-20 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于主成分分析的局部放电特高频信号盲源分离去噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
庄建煌;: "基于合作博弈和云模型的智能变电站输变电一次设备状态评估", 自动化技术与应用, no. 08 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707861A (zh) * 2022-04-08 2022-07-05 国网山东省电力公司青岛供电公司 一种基于d-s证据融合多指标的断路器评价方法及***
CN116840671A (zh) * 2023-06-09 2023-10-03 东禾电气有限公司 一种基于智能融合断路器的故障预警与精确定位方法
CN116840671B (zh) * 2023-06-09 2024-01-19 东禾电气有限公司 一种基于智能融合断路器的故障预警与精确定位方法
CN117171659A (zh) * 2023-10-31 2023-12-05 国网浙江省电力有限公司宁波供电公司 一种智能化配变高压侧故障诊断方法
CN117171659B (zh) * 2023-10-31 2024-01-26 国网浙江省电力有限公司宁波供电公司 一种智能化配变高压侧故障诊断方法

Also Published As

Publication number Publication date
CN113591985B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN113591985A (zh) 基于数据融合的特高压gis运行状态综合诊断方法和***
EP3373091A1 (en) Generic framework to detect cyber threats in electric power grid
CN102361014A (zh) 大规模半导体制造过程的状态监控与故障诊断方法
CN103968937B (zh) 一种基于emd样本熵和fcm的配电开关机械状态诊断方法
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及***
CN108020781A (zh) 一种断路器故障诊断方法
CN108122057B (zh) 一种智能园区能源利用方案综合评价方法及装置
CN101739025A (zh) 一种免疫遗传算法及基于该算法的dsp故障诊断***
US20210157308A1 (en) Fault signal recovery system and method
CN112966630A (zh) 一种超/特高压gis开关设备运行状态评估方法、***及设备
CN114254818A (zh) 一种基于风险评估模型的低压配电网连锁故障预警方法
CN114997745B (zh) 一种基于深度特征提取的光伏故障诊断溯源方法
CN112766618A (zh) 异常预测方法及装置
CN113379252A (zh) 基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法
CN115329851A (zh) 储能电站功率变换***数据异常检测方法、***、设备及介质
CN115603459A (zh) 一种基于数字孪生技术的配电网关键厂站监测方法与***
CN110794254A (zh) 一种基于强化学习的配电网故障预测方法及***
CN116736166A (zh) 电池包的电芯异常检测方法、装置及电池包
CN105652120A (zh) 电力变压器故障检测方法和检测***
CN115689320A (zh) 基站运行的健康管理方法、装置及计算机可读存储介质
CN201666923U (zh) 一种用免疫遗传算法处理电力***的dsp故障诊断的装置
US11144046B2 (en) Fault signal recovery apparatus and method
CN116304918A (zh) 一种基于深度森林算法的变电站设备故障辨识方法及***
CN112883639A (zh) 一种基于机器学习的gis设备寿命预测装置及方法
Lu et al. Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network

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