CN113722659A - 一种基于缺陷模式的变电主设备诊断方法和*** - Google Patents
一种基于缺陷模式的变电主设备诊断方法和*** Download PDFInfo
- Publication number
- CN113722659A CN113722659A CN202111002960.8A CN202111002960A CN113722659A CN 113722659 A CN113722659 A CN 113722659A CN 202111002960 A CN202111002960 A CN 202111002960A CN 113722659 A CN113722659 A CN 113722659A
- Authority
- CN
- China
- Prior art keywords
- defect
- detection
- mode
- probability
- items
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007547 defect Effects 0.000 claims abstract description 312
- 238000001514 detection method Methods 0.000 claims abstract description 166
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011161 development Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000004451 qualitative analysis Methods 0.000 abstract 1
- 238000012502 risk assessment Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000004804 winding Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004868 gas analysis Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
- G01R31/3278—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches of relays, solenoids or reed switches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于缺陷模式的变电主设备诊断方法和***。该方法采用基于缺陷模式的设备缺陷诊断方法，通过明确变电主设备的缺陷模式，定义基于检测项目的缺陷判据，定义分析矩阵和缺陷概率综合算法，对缺陷进行定性分析，有效实现变电主设备的缺陷诊断；并通过计算状态量的严重程度，对缺陷进行定量分析，同时也为开展状态评价和风险评估提供数据基础。
Description
技术领域
本发明涉及设备诊断技术领域，具体来说涉及基于缺陷模式的变电主设备诊断技术领域。
背景技术
缺陷诊断是设备检修的前提，是电气设备稳定运行的保障。缺陷诊断的依据来源于设备的状态检测。状态检测可以通过巡视信息、运行检修信息、常规电气试验、红外测温、保护装置动作信息，以及各种在线监控设备的应用得到。目前的缺陷诊断方法主要以下3大类。
1)传统的缺陷诊断方法
传统的缺陷诊断方法主要有事后诊断和事前诊断两种。事后诊断是在缺陷发生时进行的。根据各种物理、化学手段直接检测缺陷。例如：GIS设备发生缺陷跳间，通过现场对设备外观进行检查，分析巧护装置动作报告，对气体进行分析等。此方法快捷、简单、有效。
事前诊断是在缺陷发生前进行的。通过对电气设备正常运行时的数据进行分析、比较，找出缺陷发展趋势。这是建立在历史数据为基础，根据厂家提供的设备参数、维护及运行的数据进行比较，分析设备状态的发展倾向，得出诊断结果，这类方法是建立在己有缺陷基础上，反复总结规律得出的。
2)智能缺陷诊断方法
随着人工智能技术的成熟，各种智能化缺陷诊断***已经广泛在电力***中应用，例如：变电站机器人巡视，变压器油色谱在线监视***，避雷器泄漏电流在线监视装置、变压器绕组变形监视***等，已经成为变电站设备缺陷的主要诊断手段。
3)数学方法缺陷诊断法
运用数理统计、神经网络、各种算法等数学手段建立设备缺陷时的数学模型，对各种缺陷信息进行筛选，采用演绎归纳等方法，总结缺陷规律，反推缺陷象征，然后与现场实际数据进行验证，形成一种有效的缺陷诊断方法。
变电主设备包括变压器、电抗器、组合电器、电流互感器、电压互感器、避雷器、隔离开关、断路器等电气设备。变电主设备的运行状态对变电站的工作运行安全稳定起决定性作用，对变电主设备的缺陷诊断是技术领域一直探索的主题。
目前变电主设备的状态感知能力、数据维度及历史数据完整性具有明显的差异性，主要表现在:1、部分设备缺少有效的在线监测、带电检测等技术手段，且短期内不会有实质性改善。状态分析时缺少部分可用维度数据。2、受各种因素影响，部分设备历史状态数据完整性差，状态分析时缺少可供进行纵向对比的状态数据。3、在线监测数据时效性好，但数据质量差，离线检测数据时效性差，但数据质量好。各维度数据可用性存在差异。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于缺陷模式的变电主设备诊断方法和***，通过明确变电主设备的缺陷模式，定义缺陷判据，定义分析矩阵和缺陷概率综合算法，有效实现变电主设备的缺陷诊断，同时也为开展风险评估提供数据基础。
本发明采用如下技术方案：
一种基于缺陷模式的变电主设备诊断方法，所述方法包括如下步骤：
S1.构建缺陷诊断模型：
S11.定义缺陷模式，定义变电主设备典型缺陷类型；
S12.定义检测项目，将变电主设备现有条件下的全部状态信息，根据其来源及与缺陷模式的关联关系进行类别分组，形成用于判断检测是否合格的检测项目；
S13.定义分析矩阵，确定检测项目与缺陷模式的对应关系，将每一个对应关系赋予一个基础缺陷概率；
S14.定义缺陷概率综合算法，用于对关联于一项缺陷的多个不合格检测项目的缺陷概率进行综合计算；
S2.模型应用：
S21.检测项目判定，将全维度数据输入检测项目，通过检测项目判断输入数据是否存在异常，筛选出不合格检测项目；
S22.缺陷模式匹配，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率；
S23.缺陷概率综合和严重度分析，包括下列并行的步骤：
S231.缺陷概率综合，对缺陷模式和与之对应的不合格检测项目的基础缺陷概率进行综合性计算；
S232.严重度分析，对严重度，即模型中用于表征缺陷/缺陷发展程度的量化指标，进行分析计算；
S24.诊断结果输出，基于步骤S23的计算结果输出推荐措施。
进一步，所述步骤S13具体包括：所述分析矩阵是D×M矩阵，其中D是缺陷集合，M是检测项目集，每一个检测项目所反映的缺陷模式都存在一个缺陷概率，缺陷概率值为0～1之间的小数，其数值为经验数据的统计结果和/或专家提供的经验值。
进一步，所述步骤S21具体包括：将全维度数据输入检测项目，形成三类检测项目集合：
1)无参数的检测项目集合，该类数据没有接入模型或没有检测手段；
2)有参数的合格检测项目集合；
3)有参数的不合格检测项目集合。
进一步，所述步骤S22具体包括：
剔除检测项目判定阶段判定为无参数的检测项目和有参数的合格检测项目，使其不能参与对设备的缺陷诊断，主动降低无效的数据维度；
将检测项目判定阶段判定结果为有参数的不合格的检测项目结合所述分析矩阵进行关联检索，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率。
进一步，所述步骤S231具体包括：遍历缺陷模式匹配的分析结果，对于存在多个不合格检测项目对应某一个缺陷模式，对这个缺陷模式与所述多个不合格检测项目的基础缺陷概率进行综合性计算，输出每个缺陷模式唯一的缺陷概率及设备整体缺陷概率；所述步骤S232具体包括：根据试验测量值与交接试验表中同项目或相关规程中标准值进行比较，将比值映射到[0，1]区间上。
本发明还包括一种基于缺陷模式的变电主设备诊断***，所述***包括：
模型构建模块，用于构建缺陷模型；
模型应用模块，用于进行缺陷诊断；
所述模型构建模块具体包括：
缺陷模式定义单元，定义缺陷模式，定义变电主设备典型缺陷类型；
检测项目定义单元，定义检测项目，将变电主设备现有条件下的全部状态信息，根据其来源及与缺陷模式的关联关系进行类别分组，形成用于判断检测是否合格的检测项目；
分析矩阵定义单元，定义分析矩阵，确定检测项目与缺陷模式的对应关系，将每一个对应关系赋予一个基础缺陷概率；
缺陷概率综合算法定义单元，定义缺陷概率综合算法，用于对关联于一项缺陷的多个不合格检测项目的可信度进行综合计算；
所述模型应用模块具体包括：
检测项目判定单元，将全维度数据输入检测项目，通过检测项目判断输入数据是否存在异常，筛选出不合格检测项目；
缺陷模式匹配单元，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率；
缺陷概率综合和严重度分析单元，包括：缺陷概率综合子单元，用于对缺陷模式和与之对应的不合格检测项目的基础缺陷概率进行综合性计算；严重度分析子单元，用于对严重度，即模型中用于表征缺陷/缺陷发展程度的量化指标，进行分析计算；
诊断结果输出单元，基于缺陷概率综合和严重度分析单元的计算结果输出推荐措施。
进一步，所述分析矩阵定义单元具体用于：定义分析矩阵为D×M矩阵，其中D是缺陷集合，M是检测项目集，每一个检测项目所反映的缺陷模式都存在一个缺陷概率，缺陷概率值为0～1之间的小数，其数值为经验数据的统计结果和/或专家提供的经验值。
进一步，所述检测项目判定单元具体用于：将全维度数据输入检测项目，形成三类检测项目集合：
1)无参数的检测项目集合，该类数据没有接入模型或没有检测手段；
2)有参数的合格检测项目集合；
3)有参数的不合格检测项目集合。
进一步，所述缺陷模式匹配单元具体用于：
剔除检测项目判定阶段判定为无参数的检测项目和有参数的合格检测项目，使其不能参与对设备缺陷的分析，主动降低无效的数据维度；
将检测项目判定阶段判定结果为有参数的不合格的检测项目结合所述分析矩阵进行关联检索，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率。
进一步，所述缺陷概率综合子单元具体用于：遍历缺陷模式匹配的分析结果，对于存在多个不合格检测项目对应某一个缺陷模式，对这个缺陷模式与所述多个不合格检测项目的基础缺陷概率进行综合性计算，输出每个缺陷模式唯一的缺陷概率及设备整体缺陷概率；所述严重度分析子单元具体用于：根据试验测量值与交接试验表中同项目或相关规程中标准值进行比较，将比值映射到[0，1]区间上。
本发明所达到的有益效果：在检测项目与缺陷模式对应关系中考虑数据质量和数据类型差异性的影响因素，以此解决数据质量和数据类型差异性造成的影响。
本发明的缺陷诊断模型能对缺陷类型和缺陷部件进行诊断，同时也能为缺陷发展及演化过程，变电主设备中可能存在的其他潜在隐患及预测未来可能发生的缺陷提供数学分析基础；缺陷诊断模型还能对缺陷模式对应状态量的严重程度进行计算，为设备状态评价提供数据基础。
附图说明
图1为本发明的缺陷诊断模型的结构示意图。
图2为本发明的分析矩阵示意图。
图3为本发明的诊断分析过程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。
除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明模拟人类专家应用征兆现象/数据来进行变电主设备缺陷诊断的智能推理过程思路。本发明的实施例1包括如下方法步骤：
S1.构建缺陷模型，包括：
S11.定义缺陷模式：定义变电主设备典型缺陷/缺陷类型，即缺陷模式。
为准确定义缺陷模式，需要将变电主设备进一步划分为各种子设备/子***。子***的划分可采用两种方法：功能法和部件法。功能法是依据部件的功能对变电主设备进行划分，如将SF6断路器划分为绝缘***、开断***、载流***、SF6气体、机械***等。部件法则依据部件的物理位置对变电主设备进行划分。
子设备/子***缺陷模式包括子设备/子***功能故障模式和缺陷模式，故障是指部件的功能丧失，缺陷是部件异常但功能不一定丧失，其中功能故障模式可能会造成部件功能丧失，而缺陷模式则是该部件出现异常但不一定导致功能丧失，仅能维持一定时间工作。
仍然以SF6断路器为例，缺陷模式如下表1所示。
表1SF6断路器的缺陷模式
并且，对于各缺陷模式，还可以进一步划分为多个子缺陷模式。以变压器为例，子缺陷模式如下表2所示。
表2变压器的部分缺陷模式
S12.定义检测项目：将变电主设备现有条件下的全部状态信息，根据其来源及与缺陷模式的关联关系进行类别分组，结合阈值、趋势、相关性规定及专家经验，将这些分组数据进行逻辑及数学组合，形成最小单位的互斥型判据，即用于判断检测是否合格的检测项目。
以变压器为例，检测项目如下表3所示。
表3变压器的部分检测项目
S13.定义分析矩阵：根据典型缺陷案例及经验，确定检测项目与缺陷模式的对应关系，并根据检测项目表征缺陷模式的能力不同，将每一个对应关系赋予一个基础缺陷概率，以此为主线，构建一个检测项目与缺陷模式多对多的顶层分析矩阵。分析矩阵是D×M矩阵，其中D是缺陷集合，M是缺陷征兆集合或者检测项目集。根据典型缺陷案例及经验，确定检测项目与缺陷模式的对应关系，并根据检测项目表征缺陷模式的能力不同，因此，分析矩阵中缺陷与征兆之间存在正相关和负相关的情况，将每一个对应关系赋予一个基础缺陷概率，以此为主线，构建一个检测项目与缺陷模式多对多的顶层分析矩阵，如附图2所示。诊断模型中，每一个检测项目所反映的缺陷模式都存在一个置信度或缺陷概率，缺陷概率值为0～1之间的小数，其数值为经验数据的统计结果和专家提供的经验值。以变压器为例，分析矩阵如下表4所示
表4变压器的部分分析矩阵
S14.定义缺陷概率综合算法：定义缺陷概率综合算法，实现某一缺陷模式的指向性判据增加时，输出的缺陷概率也会随之合理变化。在缺陷诊断过程中，如果存在多个不合格检测项目对应其中的某一缺陷，就需要对这些证据的可信度进行综合。为了解决置信度的综合性问题，以下采用以下办法：
在可信度方法中，诊断知识是由产生式规则表示的，对任意推理规则kij其标准形式为如下：IF mj THEN di WITH CF(di|mj)
其中，mj表示证据，di表示缺陷结论，可信度CF(di|mj)表示在证据mj存在的情况下假设缺陷di为真的可相信程度。
由条件概率和先验概率可将CF(di|mj)定义为：
在实际建立诊断模型时，对于CF的赋值方法比较灵活，既可采用对经验数据的统计结果，也可用专家提供的经验值来代替。
信度函数CF应满足如下基本性质：
(1).-1≤CF(di|mj)≤+1，CF<0表示对命题的不信任程度。
(2).若d1,d2,L,dm是相互独立的缺陷假设，mj为对它们有利的证据，则
(3).若m2为未知的证据，则CF(di|m1∧m2)＝CF(di|m1)。
在缺陷诊断过程中，如果存在多个证据支持或否定D＝{d1,d2,L,dm}中的某一缺陷di，就需要对这些证据的可信度进行综合。假设存在两条规则
IF m1 THEN di WITH CF(di|m1)
IF m2 THEN di WITH CF(di|m2)
有关的合成可信度定义为
其中，CF(di|m1∧m2)表示综合后可信度值，即综合后缺陷概率；X，Y为指向该缺陷模式的判据对应的缺陷概率。
对于变电设备的运行经历主要考虑以下几个方面：设备是否遭受出口短路、过电压冲击、较长时间的过负荷以及停运时间过长等情况。通过对缺陷可信度加权的形式，可以将这些运行经历对设备可能产生的影响引入到诊断推理过程中。
可信度修正公式为
CF*＝(1+λ)CF
其中，λ是根据变电设备运行经历人为设定。
通过定义缺陷模式、定义缺陷判据、定义分析矩阵和定义缺陷综合算法，建立缺陷诊断模型。
变电主设备缺陷诊断模型是建立在前期的基础性研究之上的。特征状态量集、典型缺陷模式集及两个集合中各个项目的关联关系的确定构建了模型的主体框架。模型中主要的逻辑包括缺陷识别、缺陷置信度分析(定性)和缺陷严重程度分析(定量)三个部分。模型的输入设计为：可采集的全部特征状态量；输出设计为：设备可能的缺陷模式、各个缺陷的置信度和严重程度。本发明的缺陷诊断模型的主要逻辑结构参见附图1所示。
S2.模型应用。根据建立的缺陷推理思路，***将模型的诊断分析过程分为三个阶段：第一阶段，检测项目判定；第二阶段，缺陷模式匹配；第三阶段，缺陷概率综合，具体过程如附图3所示。
S21.检测项目判定:全维度数据输入检测项目，通过检测项目快速分析并判断输入数据是否存在异常，筛选出不合格检测项目，即设备异常状态，这可以降低数据维度有利于提高缺陷诊断速率和精度。每一个检测项目均是由一个或多个状态量应用数学关系或逻辑关系组合而成的判断公式。将输入的实验数据、在线监测数据、带电检测数据、巡检数据、运行工况数据、负荷及环境等数据进行提取解析，传入对应的检测项目模型，得到这些检测项目是否合格的结论。在此阶段会形成三类检测项目集合：
1)无参数的检测项目集合，该类数据没有接入模型或没有检测手段。
2)有参数的合格检测项目集合。
3)有参数的不合格检测项目集合。
S22.缺陷模式匹配：进行缺陷分析时，***将首先剔除检测项目判定阶段判定为无参数的检测项目和有参数的合格检测项目，使其不能参与对设备缺陷的分析，即主动降低无效的数据维度。然后将检测项目判定阶段判定结果为有参数的不合格的检测项目结合顶层分析模型(矩阵)进行关联检索，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率。
S23.缺陷概率综合和严重度分析，包括下列并行的步骤：
S231.缺陷概率综合，对缺陷模式和与之对应的不合格检测项目的基础缺陷概率进行综合性计算。遍历缺陷模式匹配的分析结果，如果存在多个不合格检测项目对应其中的某一缺陷时，就需要对这个缺陷模式与这些检测项目的基础缺陷概率进行综合性计算。最终实现每个缺陷模式唯一的缺陷概率计算及设备整体缺陷概率输出
S232.严重度分析，对严重度，即模型中用于表征缺陷/缺陷发展程度的量化指标，进行分析计算。缺陷的严重程度值是模型中用于表征缺陷/缺陷发展程度的量化指标。可以表征严重程度的参量或参量集对于每一个缺陷来说都是不一样的。针对以上特点，在对缺陷模式进行定量分析过程中，针对典型缺陷模式集合形成了差异化的严重程度分析公式。根据试验测量值与交接试验表中同项目或相关规程中标准值进行比较，将比值映射到[0，1]区间上。该映射规则不通用，每种缺陷与对应数据的映射规则不同。
在模型处理过程中，严重程度的计算是在缺陷模式确定之后，输出严重程度值后，将主要在缺陷预测及状态评价模型中进行应用。
S24.诊断结果输出，基于步骤S23的计算结果输出推荐措施。
本发明实施例2以变压器放电缺陷诊断为例进行说明。
在本实施例中，在线监测预警***根据在线监测数据中两种特征气体的异常增长趋势发出预警从而触发缺陷诊断，给出推荐措施尽快做离线油色谱分析。
首先定义缺陷模式和检测项目。对于本实施例2的变压器放电缺陷，缺陷模式涉及绝缘油缺陷，子缺陷模式为油中局部放电。
接下来，在缺陷诊断过程中，首先进行检测项目判定，然后进行缺陷模式匹配，排除无参数检测项目和有参数合格检测项目，从而降低数据维度提高诊断模型运行速度。
之后，根据离线油中气体分析数据进行缺陷诊断，得出缺陷结果为放电缺陷CF(置信度)＝0.99；其中，高能放电CF＝0.4、低能放电CF＝0.6和不涉及固体绝缘CF＝0.8。
检测项目中还包括离线油中气体分析数据、铁芯、夹件接地电流数据和带电检测中的高频局放检测数据、超声信号检测数据和特高频检测数据输入。其中，离线油中气体分析、超声信号检测和特高频检测不合格。
将上述诊断结果的缺陷类型输入状态评价及结果输出单元，所述状态评价及结果输出单元给出推荐措施，运维人员根据这些措施进行试验，向缺陷诊断模型补充数据，缺陷诊断模型根据新补充的数据再次进行诊断。第二次缺陷诊断结果为放电缺陷CF(置信度)＝0.99；其中，高能放电CF＝0.4、低能放电CF＝0.6、不涉及固体绝缘CF＝0.8和呈悬浮放电CF＝0.7。第三次缺陷诊断检测项目中又有离线油中气体分析、局部放电检测、直流电阻检测、绝缘电阻检测、绕组电压比检测和带电检测中的高频局放检测、超声信号检测和特高频检测数据输入。其中，离线油中气体分析、局部放电检测、高频局放检测、超声信号检测和特高频检测的检测数据不合格，缺陷诊断结果为放电缺陷CF(置信度)＝0.99；其中，高能放电CF＝0.4、低能放电CF＝0.6、不涉及固体绝缘CF＝0.8和呈悬浮放电CF＝0.8并给出缺陷位置为B相中压套管法兰处悬浮放电，对应缺陷模式为绝缘油缺陷，子缺陷模式为油中局部放电。
对于严重程度分析公式，目前，项目针对每一类变电主设备(变压器、断路器、隔离开关与接地刀闸、避雷器和互感器等)典型缺陷集，均已形成了一套对应的严重程度差异化分析公式。以设备类型为主变压器，所属部件为载流***，缺陷模式为绕组短路为例，计算公式1如下：
公式1：
关键参量：直流泄露电流；
数据来源：直流泄露试验-绕组的泄漏电流(uA)；
计算方法：X＝本次测量值/交接试验表中同项目；
计算公式：采用四区线性算法进行计算
1区：X<1.0严重程度：0；
2区：1.0≤X<1.5严重程度：((X-1.0)/0.5)*0.5；
3区：1.5≤X<3.0严重程度：((X-1.5)/1.5)*0.5+0.5；
4区：3.0≤X严重程度：1
将上述严重度分析结果输入状态评价及结果输出单元，所述状态评价及结果输出单元给出推荐措施，运维人员根据这些措施进行试验，向缺陷诊断模型补充数据，缺陷诊断模型根据新补充的数据再次进行诊断。案例与缺陷分析的相同，第一次诊断结果严重度为0.75；第二次诊断结果严重度为1；第三次诊断结果严重度为1。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于缺陷模式的变电主设备诊断方法，其特征在于，所述方法包括如下步骤：
S1. 构建缺陷诊断模型：
S11. 定义缺陷模式，定义变电主设备典型缺陷类型；
S12. 定义检测项目，将变电主设备现有条件下的全部状态信息，根据其来源及与缺陷模式的关联关系进行类别分组，形成用于判断检测是否合格的检测项目；
S13. 定义分析矩阵，确定检测项目与缺陷模式的对应关系，将每一个对应关系赋予一个基础缺陷概率；
S14. 定义缺陷概率综合算法，用于对关联于一项缺陷的多个不合格检测项目的缺陷概率进行综合计算；
S2. 模型应用：
S21. 检测项目判定，将全维度数据输入检测项目，通过检测项目判断输入数据是否存在异常，筛选出不合格检测项目；
S22. 缺陷模式匹配，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率；
S23. 缺陷概率综合和严重度分析，包括下列并行的步骤：
S231. 缺陷概率综合，对缺陷模式和与之对应的不合格检测项目的基础缺陷概率进行综合性计算；
S232. 严重度分析，对严重度，即模型中用于表征缺陷/缺陷发展程度的量化指标，进行分析计算；
S24. 诊断结果输出，基于步骤S23的计算结果输出。
2.根据权利要求1所述的基于缺陷模式的变电主设备诊断方法，其特征在于，所述步骤S13具体包括：所述分析矩阵是D×M矩阵 ，其中D是缺陷集合，M是检测项目集，每一个检测项目所反映的缺陷模式都存在一个缺陷概率，缺陷概率值为0~1之间的小数，其数值为经验数据的统计结果和/或专家提供的经验值。
3.根据权利要求1所述的基于缺陷模式的变电主设备诊断方法，其特征在于，所述步骤S21具体包括：将全维度数据输入检测项目，形成三类检测项目集合：
1）无参数的检测项目集合，该类数据没有接入模型或没有检测手段；
2）有参数的合格检测项目集合；
3）有参数的不合格检测项目集合。
4.根据权利要求3所述的基于缺陷模式的变电主设备诊断方法，其特征在于，所述步骤S22具体包括：
剔除检测项目判定阶段判定为无参数的检测项目和有参数的合格检测项目，使其不能参与对设备的缺陷诊断，主动降低无效的数据维度；
将检测项目判定阶段判定结果为有参数的不合格的检测项目结合所述分析矩阵进行关联检索，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率。
5.根据权利要求4所述的基于缺陷模式的变电主设备诊断方法，其特征在于，所述步骤S231具体包括：遍历缺陷模式匹配的分析结果，对于存在多个不合格检测项目对应某一个缺陷模式，对这个缺陷模式与所述多个不合格检测项目的基础缺陷概率进行综合性计算，输出每个缺陷模式唯一的缺陷概率及设备整体缺陷概率；所述步骤S232具体包括：根据试验测量值与交接试验表中同项目或相关规程中标准值进行比较，将比值映射到[0，1]区间上。
6.一种基于缺陷模式的变电主设备诊断***，其特征在于，所述***包括：
模型构建模块，用于构建缺陷模型；
模型应用模块，用于进行缺陷诊断；
所述模型构建模块具体包括：
缺陷模式定义单元，定义缺陷模式，定义变电主设备典型缺陷类型；
检测项目定义单元，定义检测项目，将变电主设备现有条件下的全部状态信息，根据其来源及与缺陷模式的关联关系进行类别分组，形成用于判断检测是否合格的检测项目；
分析矩阵定义单元，定义分析矩阵，确定检测项目与缺陷模式的对应关系，将每一个对应关系赋予一个基础缺陷概率；
缺陷概率综合算法定义单元，定义缺陷概率综合算法，用于对关联于一项缺陷的多个不合格检测项目的可信度进行综合计算；
所述模型应用模块具体包括：
检测项目判定单元，将全维度数据输入检测项目，通过检测项目判断输入数据是否存在异常，筛选出不合格检测项目；
缺陷模式匹配单元，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率；
缺陷概率综合和严重度分析单元，包括：缺陷概率综合子单元，用于对缺陷模式和与之对应的不合格检测项目的基础缺陷概率进行综合性计算；严重度分析子单元，用于对严重度，即模型中用于表征缺陷/缺陷发展程度的量化指标，进行分析计算；
诊断结果输出单元，基于缺陷概率综合和严重度分析单元的计算结果输出。
7.根据权利要求6所述的基于缺陷模式的变电主设备诊断***，其特征在于，所述分析矩阵定义单元具体用于：定义分析矩阵为D×M矩阵 ，其中D是缺陷集合，M是检测项目集，每一个检测项目所反映的缺陷模式都存在一个缺陷概率，缺陷概率值为0~1之间的小数，其数值为经验数据的统计结果和/或专家提供的经验值。
8.根据权利要求6所述的基于缺陷模式的变电主设备诊断***，其特征在于，所述检测项目判定单元具体用于：将全维度数据输入检测项目，形成三类检测项目集合：
1）无参数的检测项目集合，该类数据没有接入模型或没有检测手段；
2）有参数的合格检测项目集合；
3）有参数的不合格检测项目集合。
9.根据权利要求8所述的缺陷诊断***，其特征在于，所述缺陷模式匹配单元具体用于：
剔除检测项目判定阶段判定为无参数的检测项目和有参数的合格检测项目，使其不能参与对设备缺陷的分析，主动降低无效的数据维度；
将检测项目判定阶段判定结果为有参数的不合格的检测项目结合所述分析矩阵进行关联检索，得出每一个不合格检测项目对应的缺陷模式及对应的缺陷概率。
10.根据权利要求9所述的基于缺陷模式的变电主设备诊断***，其特征在于，所述缺陷概率综合子单元具体用于：遍历缺陷模式匹配的分析结果，对于存在多个不合格检测项目对应某一个缺陷模式，对这个缺陷模式与所述多个不合格检测项目的基础缺陷概率进行综合性计算，输出每个缺陷模式唯一的缺陷概率及设备整体缺陷概率；所述严重度分析子单元具体用于：根据试验测量值与交接试验表中同项目或相关规程中标准值进行比较，将比值映射到[0，1]区间上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111002960.8A CN113722659B (zh) | 2021-08-30 | 2021-08-30 | 一种基于缺陷模式的变电主设备诊断方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111002960.8A CN113722659B (zh) | 2021-08-30 | 2021-08-30 | 一种基于缺陷模式的变电主设备诊断方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113722659A true CN113722659A (zh) | 2021-11-30 |
| CN113722659B CN113722659B (zh) | 2023-04-18 |
Family
ID=78679046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111002960.8A Active CN113722659B (zh) | 2021-08-30 | 2021-08-30 | 一种基于缺陷模式的变电主设备诊断方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113722659B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150095003A1 (en) * | 2013-09-30 | 2015-04-02 | Ypf Tecnología S.A. | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors |
| CN105224782A (zh) * | 2014-10-16 | 2016-01-06 | 华北电力大学 | 一种基于故障模式的变电设备故障概率计算方法 |
| CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN106199305A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 煤矿井下供电***用干式变压器绝缘健康状态评估方法 |
| CN109632975A (zh) * | 2018-12-22 | 2019-04-16 | 武汉新运维光电科技股份有限公司 | 一种变压器油色谱数据综合分析及缺陷预测***及方法 |
| CN110297141A (zh) * | 2019-07-01 | 2019-10-01 | 武汉大学 | 基于多层评估模型的故障定位方法及*** |
| US20200081427A1 (en) * | 2016-12-15 | 2020-03-12 | Robert Bosch Gmbh | Device and method for determining the pinpoint-ability of possible defects of one or multiple component(s) |
| CN112116243A (zh) * | 2020-09-17 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 基于ahp和远程支持的电力设备缺陷管理*** |
| CN112949874A (zh) * | 2021-03-04 | 2021-06-11 | 国网江苏省电力有限公司南京供电分公司 | 一种配电终端缺陷特征自诊断方法及*** |
-
2021
- 2021-08-30 CN CN202111002960.8A patent/CN113722659B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150095003A1 (en) * | 2013-09-30 | 2015-04-02 | Ypf Tecnología S.A. | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors |
| CN105224782A (zh) * | 2014-10-16 | 2016-01-06 | 华北电力大学 | 一种基于故障模式的变电设备故障概率计算方法 |
| CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN106199305A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 煤矿井下供电***用干式变压器绝缘健康状态评估方法 |
| US20200081427A1 (en) * | 2016-12-15 | 2020-03-12 | Robert Bosch Gmbh | Device and method for determining the pinpoint-ability of possible defects of one or multiple component(s) |
| CN109632975A (zh) * | 2018-12-22 | 2019-04-16 | 武汉新运维光电科技股份有限公司 | 一种变压器油色谱数据综合分析及缺陷预测***及方法 |
| CN110297141A (zh) * | 2019-07-01 | 2019-10-01 | 武汉大学 | 基于多层评估模型的故障定位方法及*** |
| CN112116243A (zh) * | 2020-09-17 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 基于ahp和远程支持的电力设备缺陷管理*** |
| CN112949874A (zh) * | 2021-03-04 | 2021-06-11 | 国网江苏省电力有限公司南京供电分公司 | 一种配电终端缺陷特征自诊断方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113722659B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmed et al. | Power transformer fault diagnosis using fuzzy logic technique based on dissolved gas analysis | |
| Bhalla et al. | Integrating AI based DGA fault diagnosis using Dempster–Shafer Theory | |
| KR101965159B1 (ko) | 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템 | |
| CN113125095B (zh) | 一种基于深度学习的万能式断路器触头***剩余机械寿命预测方法 | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| CN108073551A (zh) | 一种基于多Agent协同的高压开关柜在线故障诊断方法 | |
| CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断*** | |
| CN112734977B (zh) | 一种基于物联网的设备风险预警***及算法 | |
| CN113111591A (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| CN115809407A (zh) | 一种基于振动特性分析的断路器故障诊断方法及*** | |
| Meng et al. | Severity evaluation of UHF signals of partial discharge in GIS based on semantic analysis | |
| CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
| CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
| CN117347796B (zh) | 一种基于智能网关的开关设备局部放电诊断***及方法 | |
| CN113722659B (zh) | 一种基于缺陷模式的变电主设备诊断方法和*** | |
| Rajabimendi et al. | A hybrid algorithm based on neural-fuzzy system for interpretation of dissolved gas analysis in power transformers | |
| CN112420136B (zh) | 一种六氟化硫高压设备潜伏性故障溯源的方法 | |
| Huang et al. | Partial discharge diagnosis with siamese fusion network | |
| US20230273269A1 (en) | Determining states of electrical equipment using variations in diagnostic parameter prediction error | |
| CN114826883A (zh) | 一种基于物联网数据传输的网络设备故障报警监测*** | |
| CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
| CN112463362A (zh) | 多信息边缘计算的干式变压器故障模式识别***及方法 | |
| Li et al. | Application of joint electro-chemical detection for gas insulated switchgear fault diagnosis | |
| CN109060332A (zh) | 一种基于协同过滤融合进行声波信号分析的机械设备诊断法 |
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 |