CN115859594A - 基于层次分析的变电设备的健康评估算法 - Google Patents
基于层次分析的变电设备的健康评估算法 Download PDFInfo
- Publication number
- CN115859594A CN115859594A CN202211480802.8A CN202211480802A CN115859594A CN 115859594 A CN115859594 A CN 115859594A CN 202211480802 A CN202211480802 A CN 202211480802A CN 115859594 A CN115859594 A CN 115859594A
- Authority
- CN
- China
- Prior art keywords
- health
- component
- index data
- power transformation
- data
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力***技术领域，具体而言，涉及基于层次分析的变电设备的健康评估算法，该方法的步骤包括：按照同一变电设备所属度划分所对应的部件，并且各个部件依次对应指定部件的指标数据；分别获取各个部件的实时指标数据及历史指标数据，并进行数据预处理，通过SOM自组织神经网络模型对各个部件的历史指标数据进行处理，之后结合各个部件的实时指标数据以欧式距离最小原则进行计算，求得各个部件的健康值；结合各个部件的健康值计算获取所属变电设备的健康值，完成变电设备的健康评估。
Description
技术领域
本发明涉及电力***技术领域，具体而言，涉及基于层次分析的变电设备的健康评估算法。
背景技术
近年来，随着轨道交通运营规模的扩大，作为其唯一动力来源的牵引供电***也随着服役时间的增长暴露出了许多问题。就目前而言，现有的研究主要针对于单一变电设备，通过设备老化模型对其进行健康评估，但这两种方法存在以下不足：采用设备老化模型通常受制于不同厂商设备寿命的差异，因此该类模型不具备通用性，对于不同设备的老化模型需要逐一研究，耗时长工作量大。基于此，针对上述问题，我们设计了基于层次分析的变电设备的健康评估算法，能够应用于任意变电设备，基于所属同一变电设备的部件健康值获取变电设备的健康值，并且将设备寿命差异的修改工作通过机器学习方法进行完成，能够提高模型通用性，并且减少了模型修改的工作量。
发明内容
本发明的目的在于提供基于层次分析的变电设备的健康评估算法，能够应用于任意变电设备，基于所属同一变电设备的部件健康值获取变电设备的健康值，并且将设备寿命差异的修改工作通过机器学习方法进行完成，能够提高模型通用性，并且减少了模型修改的工作量。
本发明的实施例通过以下技术方案实现：
基于层次分析的变电设备的健康评估算法，该方法的步骤包括：
按照同一变电设备所属度划分所对应的部件，并且各个部件依次对应指定部件的指标数据；
分别获取各个部件的实时指标数据及历史指标数据，并进行数据预处理，通过SOM自组织神经网络模型对各个部件的历史指标数据进行处理，之后结合各个部件的实时指标数据以欧式距离最小原则进行计算，求得各个部件的健康值；
结合各个部件的健康值计算获取所属变电设备的健康值，完成变电设备的健康评估。
可选的，数据预处理按步骤的顺序划分为：缺失填充及异常处理、归一化处理、部件指标合并处理；其中，缺失填充及异常处理用以对各个部件的实时指标数据及历史指标数据进行缺失填充以及异常处理，之后通过隶属度函数对各个部件的实时指标数据及历史指标数据进行归一化处理，依据各个部件的实时指标数据及历史指标数据的变化趋势确定对应所属的隶属度函数类型及标准变化范围，并将所属同一变电设备的部件实时指标数据及历史指标数据按照时间进行合并，完成数据预处理步骤。
可选的，SOM自组织神经网络模型的训练步骤包括：初始化SOM自组织神经网络模型的特征值，对各个部件的历史指标数据以欧式距离最小原则寻找确定激活点，并基于高斯函数确定邻域节点及其权值，迭代更新SOM自组织神经网络模型的特征值，直至迭代次数达到阈值，形成输出层。
可选的，特征值包括：竞争层节点赋权、学习率、优胜邻域节点、训练总次数。
可选的，健康值的计算步骤包括：获取各个部件的实时指标数据并进行归一化处理，形成输入数据，提取输出层激活点的权值向量，计算输入数据的向量与输出层激活点的权值向量的欧氏距离，通过高斯函数将欧氏距离的最小值映射为各个部件的健康值。
可选的，结合各个部件的健康值计算获取变电设备的健康值，具体步骤为：对所属同一变电设备的部件，通过设定方法确定所属部件的相对重要度，根据所属部件的相对重要度构建比较判断矩阵，计算获取比较判断矩阵的最大特征值及其对应的特征向量，将计算结果归一化后形成初始相对权重，并对初始相对权重进行一致化校验，若校验通过，则输出所属部件权重，通过所属部件权重与所属部件的健康值，通过相应方法求得变电设备的健康值。
可选的，所述设定方法具体为T.L.Sataty1-9标度法。
可选的，所述对初始相对权重进行一致化校验，若校验失败，则重新调整比较判断矩阵进行处理，直至校验通过。
可选的，所述相应方法具体为加权平均法。
可选的，所述健康值划分为多个设定区间，按照从大到小对设定区间排序划分健康状态为健康状态、亚健康状态、轻微病态、严重病态。
本发明实施例的技术方案至少具有如下优点和有益效果：
本实施例能够应用于任意变电设备，基于所属同一变电设备的部件健康值获取变电设备的健康值，并且将设备寿命差异的修改工作通过机器学习方法进行完成，能够提高模型通用性，并且减少了模型修改的工作量。
附图说明
图1为本发明实施例提供的基于层次分析的变电设备的健康评估算法的整体流程示意图；
图2为本发明实施例提供的SOM自组织神经网络模型的训练流程示意图；
图3为本发明实施例提供的健康值、健康状态和故障演变关系的训练流程示意图；
图4为本发明实施例提供的某变电设备的健康状态评估体系原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
参照图1所示，图1为本发明实施例提供的基于层次分析的变电设备的健康评估算法的整体流程示意图。
在一种实施方式中，基于层次分析的变电设备的健康评估算法，该方法的步骤包括：
按照同一变电设备所属度划分所对应的部件，并且各个部件依次对应指定部件的指标数据；分别获取各个部件的实时指标数据及历史指标数据，并进行数据预处理，通过SOM自组织神经网络模型对各个部件的历史指标数据进行训练处理，之后结合各个部件的实时指标数据以欧式距离最小原则进行计算，求得各个部件的健康值；结合各个部件的健康值计算获取所属变电设备的健康值，完成变电设备的健康评估。
在上述实现过程中，所属度具体为按照部件与同一变电设备之间的从属关系，数据预处理按步骤的顺序划分为：缺失填充及异常处理、归一化处理、部件指标合并处理；其中，缺失填充及异常处理用以对各个部件的实时指标数据及历史指标数据进行缺失填充以及异常处理，之后通过隶属度函数对各个部件的实时指标数据及历史指标数据进行归一化处理，依据各个部件的实时指标数据及历史指标数据的变化趋势确定对应所属的隶属度函数类型及标准变化范围，并将所属同一变电设备的部件实时指标数据及历史指标数据按照时间进行合并，完成数据预处理步骤。且在本实施例中，历史指标数据指代正常运行状态下的历史指标数据，各个部件的实时指标数据及历史指标数据的变化趋势指代部件各指标的物理含义及指标历史数据变化趋势。
更为具体的，变电设备的在线监测模块所采集到的数据可能由于通信中断、环境干扰等因素导致数据缺失、数据跳变等异常情况，为保证用于下述训练数据的完整性和精确性，需要对采集数据与历史数据进行缺失填充和异常处理，根据各部件指标数据分布特性选取适当的填充处理方法进行处理。另外，由于同一部件的不同指标数据存在量纲和量纲单位的差异，为消除不同指标间差异对模型产生的不利影响，对数据进行归一化处理；之后采用隶属度函数对各指标进行归一化处理，根据各指标历史数据与实时数据的变化趋势确定所属的隶属度函数类型和标准变化范围，并将属于同一部件的指标按照时间进行合并。
参照图2所示，图2为本发明实施例提供的SOM自组织神经网络模型的训练流程示意图。
在一种实施方式中，SOM自组织神经网络模型的训练步骤包括：初始化SOM自组织神经网络模型的特征值，特征值包括：竞争层节点赋权、学习率、优胜邻域节点、训练总次数，对各个部件的历史指标数据以欧式距离最小原则寻找确定激活点，并基于高斯函数确定邻域节点及其权值，迭代更新SOM自组织神经网络模型的特征值，直至迭代次数达到阈值，形成输出层。
在上述实现过程中，变电设备可能处于不同的运行工况等从而导致采集到数据间存在一定的差异。因此，变电设备的部件指标数据经过聚类后可能会分为多个属于正常运行状态的簇。采用SOM自组织映射神经网络对同一部件的多指标样本进行无监督学习聚类，将复杂非线性的高维数据(输入层)映射到具有简单集合结构的低维空间上(输出层)，具体步骤划分为：初始化优胜邻域节点σo，学习率η0，根据欧式距离最小原则确定优胜神经元(激活点)(cx，cy)，根据邻域半径σ和高斯函数确定邻域节点的权值g(i，j)，其中，
更新学习率和优胜邻域节点的权w，其中，/>
从根据欧式距离最小原则确定优胜神经元(激活点)(cx，cy)开始逐步迭代，直到满足迭代次数或学习率达到给定阈值。
在一种实施方式中，健康值的计算步骤包括：获取各个部件的实时指标数据并进行归一化处理，形成输入数据，提取输出层激活点的权值向量，计算输入数据的向量与输出层激活点的权值向量的欧氏距离，通过高斯函数将欧氏距离的最小值映射为各个部件的健康值。
在上述实现过程中，提取输出层激活节点的权值向量具体为wi(i≤k)，计算输入数据的向量x与wi的欧式距离D＝[d1，d2，...，dn]，通过高斯函数将最小的距离Dmin映射为健康值HAI，其中，
在一种实施方式中，结合各个部件的健康值计算获取变电设备的健康值，具体步骤为：对所属同一变电设备的部件，通过设定方法确定所属部件的相对重要度，根据所属部件的相对重要度构建比较判断矩阵，计算获取比较判断矩阵的最大特征值及其对应的特征向量，将计算结果归一化后形成初始相对权重，并对初始相对权重进行一致化校验，若校验通过，则输出所属部件权重，通过所属部件权重与所属部件的健康值，通过相应方法求得变电设备的健康值。
在上述实现过程中，变电设备的健康评估以部件的健康值为基础，综合部件权重计算设备健康值，具体实现过程为：构造比较判断矩阵：对属于同一设备的部件，以上一级的要素为准则进行逐对比较，为了使判定量化，根据T.L.Sataty1-9标度法确定每个部件的相对重要度，建立比较判断矩阵A；计算判断比较判断矩阵A的最大特征值λmax及其对应的特征向量，将其归一化后得到初始相对权重w＝[w1，w2...，wn]；为了消除比较判断矩阵的阶数以及主观思维对权重产生的影响，对初始相对权重进行一致化校验，校验公式如下所示，RI取值与比较判断矩阵阶数n相关，若CR＜0.1，表示一致性检验合格，反之调整比较矩阵直到满足条件为止，根据上述的部件权重及部件健康值，采用加权平均获得设备健康值。
CR＝CI/RI
CI＝(λmax-n)/(n-1)
参照图3所示，图3为本发明实施例提供的健康值、健康状态和故障演变关系的训练流程示意图。
在一种实施方式中，所述健康值划分为多个设定区间，按照从大到小对设定区间排序划分健康状态为健康状态、亚健康状态、轻微病态、严重病态。
在上述实现过程中，本实施方式将健康值区间为100-90划分为健康状态，健康值区间为89.99-70划分为亚健康状态，健康值区间为69.99-60划分为轻微病态，健康值区间为59.99-0划分为严重病态，并认定健康值区间为100-90为安全状态，无故障，认定健康值区间为89.99-65为衰退状态，依次分为潜隐故障前期与潜隐故障后期，认定健康值区间为64.99-30为故障状态，出现功能性故障，认定健康值区间为29.99-0为失效状态。
参照图4所示，图4为本发明实施例提供的某变电设备的健康状态评估体系原理示意图。
以一种实施方式进行举例，变电设备包括牵引变压器、G I S开关柜及断路器，牵引变压器包括本体部件、套管部件、铁芯及磁回路部件及油箱部件，本体部件包括视在局放峰值指标与放电次数指标，套管部件包括介质损耗指标与泄露电流指标，铁芯及磁回路部件包括铁芯接地全电流指标，油箱部件包括氢气含量指标、甲烷含量指标、总烃含量指标等；G I S开关柜包括避雷器部件、电缆接线筒部件、断路器气室部件等，避雷器部件包括泄漏电流指标与雷击次数指标，电缆接线筒部件包括间隔1测量点温度指标与环境温度指标，断路器气室部件包括绝对压力指标、气体温度指标、露点值指标等，断路器包括本体部件，本体部件包括分闸次数指标、合闸次数指标、储能次数指标等。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于层次分析的变电设备的健康评估算法，其特征在于，该方法的步骤包括：
按照同一变电设备所属度划分所对应的部件，并且各个部件依次对应指定部件的指标数据；
分别获取各个部件的实时指标数据及历史指标数据，并进行数据预处理，通过SOM自组织神经网络模型对各个部件的历史指标数据进行处理，之后结合各个部件的实时指标数据以欧式距离最小原则进行计算，求得各个部件的健康值；
结合各个部件的健康值计算获取所属变电设备的健康值，完成变电设备的健康评估。
2.根据权利要求1所述的基于层次分析的变电设备的健康评估算法，其特征在于，数据预处理按步骤的顺序划分为：缺失填充及异常处理、归一化处理、部件指标合并处理；其中，缺失填充及异常处理用以对各个部件的实时指标数据及历史指标数据进行缺失填充以及异常处理，之后通过隶属度函数对各个部件的实时指标数据及历史指标数据进行归一化处理，依据各个部件的实时指标数据及历史指标数据的变化趋势确定对应所属的隶属度函数类型及标准变化范围，并将所属同一变电设备的部件实时指标数据及历史指标数据按照时间进行合并，完成数据预处理步骤。
3.根据权利要求1所述的基于层次分析的变电设备的健康评估算法，其特征在于，SOM自组织神经网络模型的训练步骤包括：初始化SOM自组织神经网络模型的特征值，对各个部件的历史指标数据以欧式距离最小原则寻找确定激活点，并基于高斯函数确定邻域节点及其权值，迭代更新SOM自组织神经网络模型的特征值，直至迭代次数达到阈值，形成输出层。
4.根据权利要求3所述的基于层次分析的变电设备的健康评估算法，其特征在于，特征值包括：竞争层节点赋权、学习率、优胜邻域节点、训练总次数。
5.根据权利要求3所述的基于层次分析的变电设备的健康评估算法，其特征在于，健康值的计算步骤包括：获取各个部件的实时指标数据并进行归一化处理，形成输入数据，提取输出层激活点的权值向量，计算输入数据的向量与输出层激活点的权值向量的欧氏距离，通过高斯函数将欧氏距离的最小值映射为各个部件的健康值。
6.根据权利要求5所述的基于层次分析的变电设备的健康评估算法，其特征在于，结合各个部件的健康值计算获取变电设备的健康值，具体步骤为：对所属同一变电设备的部件，通过设定方法确定所属部件的相对重要度，根据所属部件的相对重要度构建比较判断矩阵，计算获取比较判断矩阵的最大特征值及其对应的特征向量，将计算结果归一化后形成初始相对权重，并对初始相对权重进行一致化校验，若校验通过，则输出所属部件权重，通过所属部件权重与所属部件的健康值，通过相应方法求得变电设备的健康值。
7.根据权利要求6所述的基于层次分析的变电设备的健康评估算法，其特征在于，所述设定方法具体为T.L.Sataty1-9标度法。
8.根据权利要求6所述的基于层次分析的变电设备的健康评估算法，其特征在于，所述对初始相对权重进行一致化校验，若校验失败，则重新调整比较判断矩阵进行处理，直至校验通过。
9.根据权利要求6所述的基于层次分析的变电设备的健康评估算法，其特征在于，所述相应方法具体为加权平均法。
10.根据权利要求1所述的基于层次分析的变电设备的健康评估算法，其特征在于，所述健康值划分为多个设定区间，按照从大到小对设定区间排序划分健康状态为健康状态、亚健康状态、轻微病态、严重病态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211480802.8A CN115859594A (zh) | 2022-11-24 | 2022-11-24 | 基于层次分析的变电设备的健康评估算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211480802.8A CN115859594A (zh) | 2022-11-24 | 2022-11-24 | 基于层次分析的变电设备的健康评估算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115859594A true CN115859594A (zh) | 2023-03-28 |
Family
ID=85665705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211480802.8A Pending CN115859594A (zh) | 2022-11-24 | 2022-11-24 | 基于层次分析的变电设备的健康评估算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859594A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273547A (zh) * | 2023-11-17 | 2023-12-22 | 建平慧营化工有限公司 | 基于边缘计算的生产设备运行数据处理方法 |
-
2022
- 2022-11-24 CN CN202211480802.8A patent/CN115859594A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273547A (zh) * | 2023-11-17 | 2023-12-22 | 建平慧营化工有限公司 | 基于边缘计算的生产设备运行数据处理方法 |
| CN117273547B (zh) * | 2023-11-17 | 2024-01-30 | 建平慧营化工有限公司 | 基于边缘计算的生产设备运行数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113496262B (zh) | 数据驱动的有源配电网异常状态感知方法及*** | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
| CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
| CN115270986A (zh) | 数据异常检测方法、装置和计算机设备 | |
| CN110688809B (zh) | 一种基于vprs-rbf神经网络的箱变故障诊断方法 | |
| CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
| CN115859594A (zh) | 基于层次分析的变电设备的健康评估算法 | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
| CN115169704A (zh) | 基于增量集成学习模型的cvt误差状态预测方法和装置 | |
| CN113884807A (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
| CN113985156A (zh) | 一种基于变压器声纹大数据的智能故障识别方法 | |
| Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
| CN116756939A (zh) | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 | |
| CN115659258A (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
| CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及*** | |
| CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
| CN111289937A (zh) | 一种基于de-svm的光学电流互感器误差补偿方法 | |
| Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
| CN113378956B (zh) | 一种基于二级松弛聚类的设备退化数据便捷标注方法 | |
| Yu et al. | The Early Warning of Icing Flashover Fault of Transmission Line Based on Support Vector Machine and Partial Mutual Information Method | |
| Wei et al. | Analysis of residential electricity consumption behavior based on WTK-medoids clustering | |
| CN115879636A (zh) | 一种低压配网日用电量预测方法、***、设备和存储介质 | |
| Guo et al. | Fault Identification Model of Dry-Type Air-Core Reactor Based on Fault Feature Extraction and Ensemble Learning |
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 |