CN116307773A - 一种变电站二次设备可靠性估计方法 - Google Patents
一种变电站二次设备可靠性估计方法 Download PDFInfo
- Publication number
- CN116307773A CN116307773A CN202310306309.2A CN202310306309A CN116307773A CN 116307773 A CN116307773 A CN 116307773A CN 202310306309 A CN202310306309 A CN 202310306309A CN 116307773 A CN116307773 A CN 116307773A
- Authority
- CN
- China
- Prior art keywords
- secondary equipment
- transformer substation
- reliability
- substation
- fault rate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims description 33
- 230000007787 long-term memory Effects 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000005315 distribution function Methods 0.000 claims description 23
- 230000006403 short-term memory Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000528 statistical test Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000037408 Device failure Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种变电站二次设备可靠性估计方法，属于产品可靠性分析领域。所述方法根据原始故障率统计数据以及变电站二次设备故障率预测模型，获得运行时间段内扩充的故障率数据样本；再根据扩充样本利用最小二乘法估计故障率模型参数，最后转换得到变电站二次设备可靠度的时间表达式，由预设的失效阈值确定装置的可靠运行寿命。本发明能够分析预测变电站二次设备的运行故障率及失效寿命，具有高精度、高可靠、高速度、低功耗的特点。
Description
技术领域
本发明涉及二次设备可靠性分析技术领域，具体的说是一种变电站二次设备可靠性估计方法。
背景技术
目前，电力***的规模不断扩大，结构复杂度日益提升，且朝着特高压方向发展。为应对发展需要，满足人民群众对电力的高质量要求，扎牢继电保护装置作为变电站安全稳定运行的第一道防线，准确快速的评估继电保护装置的可靠性尤为重要。
在实际工况下，温湿度、振动、灰尘等环境因素都会影响二次设备的可靠性，随着运行年限的增加，装置中大量的电子元器件的故障率会逐渐升高，从而损耗装置的剩余寿命。对于结构高度复杂的变电站***，准确有效的可靠性评估将为二次设备的维护检修带来极大便利，对变电站安全稳定运行有重大意义，同时有助于提升装置利用率，减少成本损耗。
现已有成熟的可靠性模型用于评估寿命，但对于高可靠性的继电保护***，极少的运行失效数据为模型的参数估计带来了较大挑战。近年来，已有学者将机器学***均故障率数据时，因其与时间相关即为时间序列数据，BP神经网络、人工神经网络则存在着一些缺点，如学***均故障率时间序列数据不是相互独立的。
在循环神经网络中一个序列当前的输出与前面的输出是有关联的，这为解决具有时间序列的平均故障率数据的预测提供了可能。然而，传统循环神经网络的计算与前n次的所有计算均相关，这会导致计算量呈指数累积，导致训练耗时很长，这对于额定寿命极长的继电保护装置显然不适用，而基于循环神经网络改进的长短期记忆网络(LSTM)解决了长期记忆的问题，避免了前n次的所有计算结果均参与计算的问题。
发明内容
针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种高精确度、鲁棒性良好的变电站二次设备可靠性估计方法。
本发明为实现上述目的所采用的技术方案是：一种变电站二次设备可靠性估计方法，包括以下步骤：
获取原始时间序列统计数据；所述原始时间序列统计数据为按照时间顺序统计的二次设备的实际投运中多个时间点的运行指标，所述运行指标为二次设备在运行时限下的平均故障率；所述平均故障率为变电站二次设备每年的故障次数平均值；
将所述原始时间序列统计数据中多个连续运行年限时间点数据输入变电站二次设备故障率预测模型，获得该多个连续运行年限时间点对应的平均故障率；
根据所述二次设备在多个连续运行年限时间点对应的平均故障率的实际统计数据，得到变电站二次设备的经扩充的符合失效分布模型规律的平均故障率数据样本，由所述平均故障率数据样本对故障率分布函数进行参数估计，得到变电站二次设备的可靠度模型参数，由所述变电站二次设备的可靠度模型，得到变电站二次设备的寿命。
所述变电站二次设备故障率预测模型的构建方法为：
获取原始时间序列统计数据，所述原始时间序列统计数据为按照时间顺序统计的二次设备的实际投运中多个时间点的运行指标，所述运行指标为二次设备在运行时限下的平均故障率，所述平均故障率为变电站二次设备每年的故障次数平均值；
根据所述原始时间序列统计数据训练基于循环神经网络改进的长短期记忆网络，得到所述变电站二次设备故障率预测模型；
其中，所述基于循环神经网络改进的长短期记忆网络的输入为所述原始时间序列统计数据中多个连续运行年限时间点，所述基于循环神经网络改进的长短期记忆网络的输出为所述原始时间序列统计数据中与所述多个连续运行年限时间点对应的运行指标。
所述基于循环神经网络改进的长短期记忆网络包括：
输入层，用于获取当前时间点测试指标xt；
隐含层，用于根据所述当前时间点测试指标xt、前一时间点短期记忆ht-1和前一时间点长期记忆ct-1得到当前时间点短期记忆ht和当前时间点长期记忆ct；
输出层，用于将所述当前时间点短期记忆ht作为当前时间点输出yt进行输出，所述当前时间点输出yt即为所述后一时间点测试指标xt+1。
所述隐含层包括多个隐含模块，所述每个隐含模块均包括四个互相交互的全连接层，所述四个互相交互的全连接层分别为：
gt层，用于对所述当前时间点测试指标xt和所述前一时间点短期记忆ht-1进行分析；
遗忘门，由ft控制，所述遗忘门用于控制是否丢弃所述前一时间点长期记忆ct-1中的部分内容；
输入门，由it控制，所述输入门用于筛选所述gt层的分析结果，并将筛选结果与所述遗忘门的遗忘结果进行合并，形成当前时间点长期记忆ct；
输出门，由ot控制，所述输出门用于控制是否读取和输出所述当前时间点长期记忆ct中的部分内容。
所述变电站二次设备故障率预测模型通过以下公式实现：
其中，σ和tanh分别对应神经网络中sigmod和tanh非线性激活函数；W对应权重系数矩阵，所述四个全连接层关于所述当前时间点测试指标xt的权重矩阵为{Wxi,Wxf,Wxo,Wxg}，所述四个全连接层关于所述前一时间点短期记忆ht-1的权重矩阵为{Whi,Whf,Who,Whg}，ct-1为前一时间点长期记忆，ht-1为前一时间点短期记忆。
还包括对所述变电站二次设备故障率预测模型的输出值和理论值作误差损失计算，并根据所述误差损失计算结果调整所述权重系数矩阵W。
所述原始时间序列测试数据包括训练数据和测试数据，所述训练数据用于训练所述基于循环神经网络改进的长短期记忆网络，所述测试数据用于测试所述变电站二次设备故障率预测模型的准确度；
所述测试数据测试所述变电站二次设备故障率预测模型的准确度包括：
将所述测试数据输入所述变电站二次设备故障率预测模型；
将获得的所述变电站二次设备故障率预测模型的输出与所述原始时间序列统计测试数据进行对比，得到所述变电站二次设备故障率预测模型的准确度。
在得到所述变电站二次设备故障率预测模型的准确度之后还包括，
将得到的所述变电站二次设备故障率预测模型的准确度与预设准确度进行对比；
当得到的所述变电站二次设备故障率预测模型的准确度低于所述预设准确度时，重新对所述基于循环神经网络改进的长短期记忆网络进行训练。
所述故障率分布函数由以下公式表示：
其中，λ(t)为故障率分布函数，t为时间，α为尺度参数，β为形状参数。
由所述平均故障率数据样本对故障率分布函数进行参数估计之前，对所述平均故障率数据样本进行取对数预处理，将所述故障率分布函数的参数估计转化为一次线性形式：
ln[λ(t)]＝m+nlnt (5)
其中，t为时间，λ(t)为故障率分布函数，m、n为引入的简化参数。
所述对故障率分布函数进行参数估计，由以下公式实现：
其中，α为故障率分布函数尺度参数，β为故障率分布函数形状参数，m、n为上述引入的简化参数。
所述变电站二次设备的可靠度模型，由以下公式表示：
其中，可靠度模型参数α、β即为所述故障率分布函数参数，t为时间，R(t)为变电站二次设备可靠度。
所述变电站二次设备的寿命的计算方法为：
取变电站二次设备可靠度R(t0)＝0.9，得二次设备的可靠使用寿命预测结果为t0，并作为变电站二次设备的建议退出运行时间。
本发明具有以下优点及有益效果：
1、本发明采用循环神经网络改进的长短时记忆网络(LSTM)进行数据的处理与预测，采用一组二次设备的运行时间构建多维输入变量，预测多维平均故障率矩阵，并由扩充的故障率数据进行故障率模型的参数估计，最后预测二次设备的可靠使用寿命。相比传统可靠性评估方法，对小数据样本进行了有效的扩充，实现了更高的参数估计精度，并且算法具有良好的鲁棒性，随训练数据量的变化，预测误差始终保持在较小的范围内。
2、本发明方法能有效的估计二次设备的寿命，节约了运维检修的时间和成本；同时预测精度高，适用性好，可为二次设备产品提供快速可靠的寿命估计，缩短研发周期加速行业发展迭代，为二次设备的快速广泛应用提供保障。
3、由于长短期记忆网络本身的结构特点，在长期的二次设备老化测试实时寿命预测中也能保证算法的可靠性，不会因数据量累积而大幅增加计算训练耗时，影响***预测时效和精度。
附图说明
图1是本发明的长短期记忆网络架构示意图。
图2是本发明的长短期记忆网络中隐含层细胞模块示意图；
图3是本发明的优选实例的故障率模型参数估计示意图；
图4是本发明的优选实例的可靠度模型及寿命预测图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明涉及的一种变电站二次设备可靠性估计方法，由已确定参数的故障率分布函数，可以得到可靠性函数，进而可以预测二次设备的可靠使用寿命，具体包括以下步骤：
步骤S1，以某110kV变电站为例，根据保护装置运行维修记录，整理变电站二次设备(包括继电保护装置、测控装置、合智一体装置等)在各运行时间点下的平均故障率数据如表1所示。
表1二次设备故障率统计表
步骤S2，对原始时间序列测试数据统计数据进行标准化预处理；并将处理后的平均故障率数据划分为训练数据和测试数据。二次设备的寿命分布是连续的随机变量，可靠性模型采用二参数威布尔分布，则可靠度函数可以表达为以下形式：
其中，t为时间，α为尺度参数，β为形状参数。相应的，故障率分布函数可以表示为：
令：
λ(t)＝em·tn (8)
本发明对平均故障率数据进行了取对数处理，将式(8)转换为一次线性形式：
ln[λ(t)]＝m+nlnt (5)
训练数据和测试数据中均包含输入矩阵及输出矩阵，其中输入矩阵Xt由lnt构成，输出矩阵Yt由ln[λ(t)]构成，本发明优选实例输入矩阵Xt及输出矩阵Yt的维度均选择为4，即分别为四个运行时限矩阵和相对应的平均故障率矩阵。具体的训练数据及测试数据如表2所示。
表2长短期记忆网络训练集和测试集
步骤S3，设计基于循环神经网络改进的长短期记忆网络框架。如图1和图2所示。
如图1，长短期记忆网络的隐含层模块可以视为细胞(Ct)，它的状态被切分为了两个向量：ht和ct。ht是短期状态(与这一时刻t的输出Yt相等)，ct则代表长期记忆。ct运行的核心在于：在网络学***运行，交互较少信息保持较好。当前输入Xt和前一时刻的短期记忆ht-1输入细胞Ct后进入四个交互的全连接层，gt层对这两个输入进行基本分析，在标准RNN中此时就会产生输出，该模块终止，而长短期记忆网络的细胞中设计了另外三层“门”的结构来选择通过并处理信息。遗忘门(ft控制)决定哪些长期记忆应该被遗忘、输入门(it控制)决定gt的哪些内容应该被添加到长期记忆、输出门(ot控制)决定哪些长期记忆应该被读取和输出。ft、it、ot三项是三个具有sigmod激活函数的全连接层，用函数表示，输入是当前时间点测试指标xt和前一时间点短期记忆ht-1，用于计算输入门、遗忘门和输出门的值。
如图2，当长期记忆ct-1从左到右穿过神经网络时，首先通过一个遗忘门，由f t控制丢掉一些记忆，接着与输入门筛选记忆(it和gt控制)的现在的某些信息进行合并，产生的长期记忆结果ct被直接输出。另外，长期记忆ct被复制一份并应用tanh函数，同时当前输入Xt和前一时刻的短期状态ht-1经过输出门过滤，与tanh(ct)共同生成当前的短期状态ht，也即为当前时刻的输出Yt。图2中输出过程可以由以下公式表示：
其中，σ和tanh分别对应神经网络中sigmod和tanh非线性激活函数；W对应权重系数矩阵，具体的，{Wxi,Wxf,Wxo,Wxg}是四个全连接层关于输入向量Xt的权重矩阵，{Whi,Whf,Who,Whg}是四个全连接层关于短期记忆ht-1的权重矩阵。对所述变电站二次设备故障率预测模型的输出值(某一时间点下的平均故障率)和理论值作误差损失计算，并根据所述误差损失计算结果调整所述权重系数矩阵W。
步骤S4，确定输入层、隐含层、输出层个数，由训练集输入对长短期记忆网络进行训练。本优选实例中，长短期记忆网络的输入层个数为7，输出层个数为3，经反复试算，设置隐含层个数14。
步骤S5，训练结束后将长短期记忆网络应用在测试集上验证预测精度。测试集的预测输出为[0.0541，0.0633，0.1097，0.1726]，与表2实际值相比平均误差为4.56％，精度良好。
步骤S6，由上述步骤确定的长短期记忆网络，输入限定时间范围内的若干组随机的按升序排列的运行时限矩阵，产生该运行时刻下二次设备平均故障率预测结果；由预测的二次设备平均故障率数据结合步骤S1中实际统计数据，得到经扩充的符合失效分布模型规律的二次设备的平均故障率数据样本如表3。
表3二次设备故障率扩充统计表
步骤S7，由上述扩充平均故障率数据，对故障率分布函数进行参数估计；根据可靠度经验阈值结合可靠度函数，得到二次设备寿命预测值。如图3，表3中二次设备扩充故障率数据经取对数处理，由*表示在图中，采用最小二乘法对式(5)中的参数m、n进行参数估计，得m＝-8.3319、n＝1.8119；接着，根据式(6)可得α＝27.9600，β＝2.8119。
从而，得到可靠度函数的具体表达式：
如图4，根据专家经验给出的继电保护装置可靠度为0.9，R(t0)＝0.9，可得二次设备的可靠使用寿命预测结果为t0＝12.559，由此寿命可以判断继电保护装置的建议退出运行时间为12.559年。与实际投运变电站的二次设备继电保护装置的运行时间相吻合，该方法能有效的估计二次设备的寿命，节约了运维检修的时间和成本；同时预测精度高，适用性好，可为二次设备产品提供快速可靠的寿命估计，缩短研发周期加速行业发展迭代，为二次设备的快速广泛应用提供保障。特别的，在仅有前期平均故障率数据的前提下，该方法仍然可以扩充后期故障率数据实现有效预测，提前获取继电保护装置寿命，达到预测行为的预期效果。
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 (12)
1.一种变电站二次设备可靠性估计方法，其特征在于，包括以下步骤：
获取原始时间序列统计数据；所述原始时间序列统计数据为按照时间顺序统计的二次设备的实际投运中多个时间点的运行指标，所述运行指标为二次设备在运行时限下的平均故障率；所述平均故障率为变电站二次设备每年的故障次数平均值；
将所述原始时间序列统计数据中多个连续运行年限时间点数据输入变电站二次设备故障率预测模型，获得该多个连续运行年限时间点对应的平均故障率；
根据所述二次设备在多个连续运行年限时间点对应的平均故障率的实际统计数据，得到变电站二次设备的经扩充的符合失效分布模型规律的平均故障率数据样本，由所述平均故障率数据样本对故障率分布函数进行参数估计，得到变电站二次设备的可靠度模型参数，由所述变电站二次设备的可靠度模型得到变电站二次设备的寿命。
2.根据权利要求1所述的一种变电站二次设备可靠性估计方法，其特征在于，所述变电站二次设备故障率预测模型的构建方法为：
获取原始时间序列统计数据，所述原始时间序列统计数据为按照时间顺序统计的二次设备的实际投运中多个时间点的运行指标，所述运行指标为二次设备在运行时限下的平均故障率，所述平均故障率为变电站二次设备每年的故障次数平均值；
根据所述原始时间序列统计数据训练基于循环神经网络改进的长短期记忆网络，得到所述变电站二次设备故障率预测模型；
其中，所述基于循环神经网络改进的长短期记忆网络的输入为所述原始时间序列统计数据中多个连续运行年限时间点，所述基于循环神经网络改进的长短期记忆网络的输出为所述原始时间序列统计数据中与所述多个连续运行年限时间点对应的运行指标。
3.根据权利要求2所述的一种变电站二次设备可靠性估计方法，其特征在于，所述基于循环神经网络改进的长短期记忆网络包括：
输入层，用于获取当前时间点测试指标xt；
隐含层，用于根据所述当前时间点测试指标xt、前一时间点短期记忆ht-1和前一时间点长期记忆ct-1得到当前时间点短期记忆ht和当前时间点长期记忆ct；
输出层，用于将所述当前时间点短期记忆ht作为当前时间点输出yt进行输出，所述当前时间点输出yt即为所述后一时间点测试指标xt+1。
4.根据权利要求3所述的一种变电站二次设备可靠性估计方法，其特征在于，所述隐含层包括多个隐含模块，所述每个隐含模块均包括四个互相交互的全连接层，所述四个互相交互的全连接层分别为：
gt层，用于对所述当前时间点测试指标xt和所述前一时间点短期记忆ht-1进行分析；
遗忘门，由ft控制，所述遗忘门用于控制是否丢弃所述前一时间点长期记忆ct-1中的部分内容；
输入门，由it控制，所述输入门用于筛选所述gt层的分析结果，并将筛选结果与所述遗忘门的遗忘结果进行合并，形成当前时间点长期记忆ct；
输出门，由ot控制，所述输出门用于控制是否读取和输出所述当前时间点长期记忆ct中的部分内容。
5.根据权利要求4所述的一种变电站二次设备可靠性估计方法，其特征在于，所述变电站二次设备故障率预测模型通过以下公式实现：
其中，σ和tanh分别对应神经网络中sigmod和tanh非线性激活函数；W对应权重系数矩阵，所述四个全连接层关于所述当前时间点测试指标xt的权重矩阵为{Wxi,Wxf,Wxo,Wxg}，所述四个全连接层关于所述前一时间点短期记忆ht-1的权重矩阵为{Whi,Whf,Who,Whg}，ct-1为前一时间点长期记忆，ht-1为前一时间点短期记忆。
6.根据权利要求5所述的一种变电站二次设备可靠性估计方法，其特征在于，还包括对所述变电站二次设备故障率预测模型的输出值和理论值作误差损失计算，并根据所述误差损失计算结果调整所述权重系数矩阵W。
7.根据权利要求2所述的一种变电站二次设备可靠性估计方法，其特征在于，所述原始时间序列测试数据包括训练数据和测试数据，所述训练数据用于训练所述基于循环神经网络改进的长短期记忆网络，所述测试数据用于测试所述变电站二次设备故障率预测模型的准确度；
所述测试数据测试所述变电站二次设备故障率预测模型的准确度包括：
将所述测试数据输入所述变电站二次设备故障率预测模型；
将获得的所述变电站二次设备故障率预测模型的输出与所述原始时间序列统计测试数据进行对比，得到所述变电站二次设备故障率预测模型的准确度。
8.根据权利要求7所述的一种变电站二次设备可靠性估计方法，其特征在于，在得到所述变电站二次设备故障率预测模型的准确度之后还包括，
将得到的所述变电站二次设备故障率预测模型的准确度与预设准确度进行对比；
当得到的所述变电站二次设备故障率预测模型的准确度低于所述预设准确度时，重新对所述基于循环神经网络改进的长短期记忆网络进行训练。
9.根据权利要求1所述的一种变电站二次设备可靠性估计方法，其特征在于，所述故障率分布函数由以下公式表示：
其中，λ(t)为故障率分布函数，t为时间，α为尺度参数，β为形状参数。
10.根据权利要求9所述的一种变电站二次设备可靠性估计方法，其特征在于，在步骤由所述平均故障率数据样本对故障率分布函数进行参数估计之前，对所述平均故障率数据样本进行取对数预处理，将所述故障率分布函数的参数估计转化为一次线性形式：
ln[λ(t)]＝m+nlnt (5)
其中，t为时间，λ(t)为故障率分布函数，m、n为引入的简化参数。
所述对故障率分布函数进行参数估计，由以下公式实现：
其中，α为故障率分布函数尺度参数，β为故障率分布函数形状参数，m、n为上述引入的简化参数。
11.根据权利要求1所述的一种变电站二次设备可靠性估计方法，其特征在于，所述变电站二次设备的可靠度模型，由以下公式表示：
其中，可靠度模型参数α、β即为所述故障率分布函数参数，t为时间，R(t)为变电站二次设备可靠度。
12.根据权利要求11所述的一种变电站二次设备可靠性估计方法，其特征在于，所述变电站二次设备的寿命的计算方法为：
取变电站二次设备可靠度R(t0)＝0.9，得二次设备的可靠使用寿命预测结果为t0，并作为变电站二次设备的建议退出运行时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310306309.2A CN116307773A (zh) | 2023-03-27 | 2023-03-27 | 一种变电站二次设备可靠性估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310306309.2A CN116307773A (zh) | 2023-03-27 | 2023-03-27 | 一种变电站二次设备可靠性估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116307773A true CN116307773A (zh) | 2023-06-23 |
Family
ID=86799480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310306309.2A Pending CN116307773A (zh) | 2023-03-27 | 2023-03-27 | 一种变电站二次设备可靠性估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307773A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540618A (zh) * | 2023-09-28 | 2024-02-09 | 中国长江电力股份有限公司 | 一种基于hs-lstm算法的继电保护装置故障率预测方法 |
-
2023
- 2023-03-27 CN CN202310306309.2A patent/CN116307773A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540618A (zh) * | 2023-09-28 | 2024-02-09 | 中国长江电力股份有限公司 | 一种基于hs-lstm算法的继电保护装置故障率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
| CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力***风险评估方法 | |
| CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
| CN113516310B (zh) | 一种变压器故障预警方法及*** | |
| CN111798095A (zh) | 一种基于神经网络电力电缆状态评价方法 | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN116307773A (zh) | 一种变电站二次设备可靠性估计方法 | |
| CN110674984A (zh) | 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法 | |
| CN112734209A (zh) | 负荷密集型城市电网安全稳定控制风险预警方法及*** | |
| CN111210049A (zh) | 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| CN109412152B (zh) | 一种基于深度学习与弹性网正则化的电网网损计算方法 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN111241629A (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
| CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
| CN111935762B (zh) | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和*** | |
| CN115564310A (zh) | 一种基于卷积神经网络的新能源电力***可靠性评估方法 | |
| CN114861969A (zh) | 一种基于lstm的电力***振荡风险预测方法 | |
| CN115062533A (zh) | 多元回归预测模型的构建、预测方法及介质 | |
| CN113780356A (zh) | 基于集成学习模型的水质预测方法及*** | |
| CN114780609A (zh) | 基于电力大数据与时间序列的区域碳排放量计算方法 | |
| CN114198266A (zh) | 风电机组运行状态平行监测方法与装置 | |
| CN114510469A (zh) | 电力***不良数据辨识方法、装置、设备及介质 | |
| CN113570129A (zh) | 带钢酸洗浓度的预测方法及计算机可读存储介质 |
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 |