【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于變電設(shè)備故障維護管理，具體涉及一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)。
技術(shù)介紹
1、隨著電力系統(tǒng)規(guī)模的不斷擴大和電力需求的日益增長，變電設(shè)備的穩(wěn)定運行對整個電力系統(tǒng)的可靠性和安全性至關(guān)重要，變電設(shè)備故障可能導(dǎo)致電網(wǎng)停電和重大經(jīng)濟損失。因此，對設(shè)備狀態(tài)進行全面感知的需求日益迫切。傳統(tǒng)的傳感技術(shù)和故障診斷技術(shù)已無法滿足現(xiàn)代電網(wǎng)的應(yīng)用需求，而智能感知技術(shù)的發(fā)展為設(shè)備狀態(tài)監(jiān)測提供了新的解決方案。
2、傳統(tǒng)的故障診斷方法主要基于經(jīng)驗規(guī)則和簡單的數(shù)據(jù)分析，具有一定的瓶頸，具體體現(xiàn)在：
3、1、數(shù)據(jù)利用率低，變電設(shè)備運行過程中會產(chǎn)生大量的數(shù)據(jù)，但這些數(shù)據(jù)往往沒有得到有效利用，且目前的數(shù)據(jù)分析方法單一，無法全面反映設(shè)備的運行狀態(tài)和健康狀況；
4、2、缺乏預(yù)測性維護，傳統(tǒng)的維護方法主要是被動的，即在故障發(fā)生后再進行維修，無法實現(xiàn)預(yù)防性維護，而現(xiàn)有的故障預(yù)警系統(tǒng)通常基于歷史運行故障數(shù)據(jù)訓(xùn)練模型進行預(yù)測，但缺乏對特殊情況的預(yù)判能力。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，以解決上述
技術(shù)介紹
中提出的問題。
2、為實現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，包括數(shù)據(jù)采集模塊、智能診斷模塊、故障預(yù)警模塊、決策支持模塊。
3、數(shù)據(jù)采集模塊：根據(jù)變電設(shè)備的實時數(shù)據(jù)以及傳感器數(shù)據(jù)，實時收集變電設(shè)備的運行狀態(tài)數(shù)據(jù)；
4、智能診斷模塊：基于
5、故障預(yù)警模塊：檢測到潛在風險時，及時發(fā)出預(yù)警信息，通知維護人員采取行動；
6、決策支持模塊：根據(jù)故障預(yù)測結(jié)果提供具體的維修建議和優(yōu)先級排序，幫助管理人員制定更有效的維護計劃，優(yōu)化資源配置；
7、所述數(shù)據(jù)采集模塊與智能診斷模塊連接，所述智能診斷模塊分別與故障預(yù)警模塊和決策支持模塊連接。
8、進一步地，所述數(shù)據(jù)采集模塊負責實時收集和傳輸設(shè)備的狀態(tài)信息，包括設(shè)備標識數(shù)據(jù)、通信狀態(tài)數(shù)據(jù)、電氣參數(shù)數(shù)據(jù)、物理參數(shù)、環(huán)境條件、操作參數(shù)以及維護記錄。
9、進一步地，所述智能診斷模塊根據(jù)數(shù)據(jù)類型分為基模型以及元分類器，其中基模型根據(jù)數(shù)據(jù)集選用不同的基礎(chǔ)模型進行訓(xùn)練和預(yù)測，元模型根據(jù)基模型的預(yù)測結(jié)果進行建模以及訓(xùn)練，通過學(xué)習(xí)預(yù)測結(jié)果的權(quán)重和模型結(jié)果之間的關(guān)系，以最大化整體模型的準確性，所述學(xué)習(xí)預(yù)測結(jié)果的權(quán)重的實現(xiàn)方式為邏輯回歸和加權(quán)平均，所述學(xué)習(xí)模型結(jié)果之間的關(guān)系的實現(xiàn)方式為樹模型和神經(jīng)網(wǎng)絡(luò)。
10、進一步地，所述基模型分別根據(jù)不同的數(shù)據(jù)子集進行驗證，80％的數(shù)據(jù)子集根據(jù)數(shù)據(jù)的類型以及數(shù)據(jù)關(guān)聯(lián)性進行劃分，20％的數(shù)據(jù)子集采用隨機劃分；對于流數(shù)據(jù)類型的數(shù)據(jù)子集采用長短期記憶網(wǎng)絡(luò)作為基模型，對于其他類型的數(shù)據(jù)子集采用多層感知機作為基模型。
11、進一步地，所述基模型的預(yù)測結(jié)果將組合成一個新的特征矩陣，對于m個基模型h1,h2...hm,根據(jù)每個基模型的預(yù)測結(jié)果構(gòu)建新的特征矩陣作為元模型的訓(xùn)練數(shù)據(jù)。
12、進一步地，所述故障預(yù)警模塊需要對故障信息進行建模，包括斷路器故障、隔離開關(guān)故障、互感器故障、避雷器故障、電容器組故障、控制和保護設(shè)備故障、環(huán)境因素引起的故障、操作和維護不當引起的故障、線路故障、通信故障，根據(jù)故障發(fā)生時基模型的預(yù)測結(jié)果，生成帶有標簽的訓(xùn)練數(shù)據(jù)集d＝{(x1,y1),(x2,y2)....,(xn,yn)},其中xi為基模型的預(yù)測結(jié)果，yi為對應(yīng)的故障標簽。
13、進一步地，所述故障預(yù)警模塊根據(jù)數(shù)據(jù)采集模塊的傳輸數(shù)據(jù)，先利用基模型對數(shù)據(jù)進行預(yù)測，得到每個基模型的預(yù)測結(jié)果后，再利用元模型計算它與訓(xùn)練集中每個樣本的相似度，找出與最相似的k個訓(xùn)練樣本,根據(jù)這k個鄰居的標簽，通過距離加權(quán)投票法來預(yù)測新樣本的故障信息。
14、進一步地，所述相似度的計算方式如下：
15、
16、其中d為相似度的預(yù)測結(jié)果，m為基模型的預(yù)測結(jié)果，為采集數(shù)據(jù)的基模型預(yù)測結(jié)果，δ為指示函數(shù)，xi為采集數(shù)據(jù)。
17、進一步地，所述距離加權(quán)投票法計算方式如下：
18、
19、其中nk(x)表示距離最近的k個訓(xùn)練樣本的集合，wi為第i個鄰居的權(quán)重,c為對應(yīng)的故障類型，表示預(yù)測得到的類別，yi表示訓(xùn)練集中第i個樣本所屬的類別，wi的計算方式如下：
20、
21、進一步地，所述決策支持模塊建立運檢策略庫，根據(jù)設(shè)備缺陷和故障的復(fù)雜情況，形成一對一的專項策略、或者一對多的漸進性策略，根據(jù)故障預(yù)測結(jié)果提供具體的維修建議和優(yōu)先級排序。
22、與現(xiàn)有技術(shù)相比，本專利技術(shù)的有益效果是：
23、1、設(shè)備實時感知和狀態(tài)檢修：系統(tǒng)支持變電站設(shè)備從定期檢修轉(zhuǎn)變?yōu)闋顟B(tài)檢修，為基于狀態(tài)監(jiān)測的設(shè)備生命周期的綜合優(yōu)化和管理提供基礎(chǔ)數(shù)據(jù)支持，降低設(shè)備停電維護的概率和時間，進一步降低運營成本。
24、2、多維度狀態(tài)感知，本專利技術(shù)基于多分類器集成學(xué)習(xí)的智能診斷分析模型進行設(shè)備的智能感知，其中基模型的建模不僅針對數(shù)據(jù)的關(guān)聯(lián)性，還隨機選取在數(shù)據(jù)集中進行選取數(shù)據(jù)進行建模，提高模型魯棒性。
25、3、提高故障檢測的準確性和及時性，通過安裝各類傳感器和智能感知設(shè)備，系統(tǒng)能夠?qū)崟r采集設(shè)備的溫度、振動、電流、電壓等多維度數(shù)據(jù)，確保數(shù)據(jù)的完整性和準確性。
26、4、提升決策支持的科學(xué)性和有效性，基于數(shù)據(jù)分析結(jié)果，自動生成優(yōu)化建議和行動指南，幫助決策者制定具體的行動計劃。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述數(shù)據(jù)采集模塊負責實時收集和傳輸設(shè)備的狀態(tài)信息，包括設(shè)備標識數(shù)據(jù)、通信狀態(tài)數(shù)據(jù)、電氣參數(shù)數(shù)據(jù)、物理參數(shù)、環(huán)境條件、操作參數(shù)以及維護記錄。
3.根據(jù)權(quán)利要求1所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述智能診斷模塊根據(jù)數(shù)據(jù)類型分為基模型以及元分類器，其中基模型根據(jù)數(shù)據(jù)集選用不同的基礎(chǔ)模型進行訓(xùn)練和預(yù)測，元模型根據(jù)基模型的預(yù)測結(jié)果進行建模以及訓(xùn)練，通過學(xué)習(xí)預(yù)測結(jié)果的權(quán)重和模型結(jié)果之間的關(guān)系，以最大化整體模型的準確性，所述學(xué)習(xí)預(yù)測結(jié)果的權(quán)重的實現(xiàn)方式為邏輯回歸和加權(quán)平均，所述學(xué)習(xí)模型結(jié)果之間的關(guān)系的實現(xiàn)方式為樹模型和神經(jīng)網(wǎng)絡(luò)。
4.根據(jù)權(quán)利要求3所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述基模型分別根據(jù)不同的數(shù)據(jù)子集進行驗證，80％的數(shù)據(jù)子集根據(jù)數(shù)據(jù)的類型以及數(shù)據(jù)關(guān)聯(lián)性進行劃分，20％的數(shù)據(jù)子集采用隨機劃分；對于流數(shù)據(jù)類型的數(shù)據(jù)子集采用長短期記憶網(wǎng)絡(luò)作為基模型
5.根據(jù)權(quán)利要求3所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述基模型的預(yù)測結(jié)果將組合成一個新的特征矩陣，對于M個基模型h1,h2...hm,根據(jù)每個基模型的預(yù)測結(jié)果構(gòu)建新的特征矩陣作為元模型的訓(xùn)練數(shù)據(jù)。
6.根據(jù)權(quán)利要求1所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述故障預(yù)警模塊對故障信息進行建模，包括斷路器故障、隔離開關(guān)故障、互感器故障、避雷器故障、電容器組故障、控制和保護設(shè)備故障、環(huán)境因素引起的故障、操作和維護不當引起的故障、線路故障、通信故障，根據(jù)故障發(fā)生時基模型的預(yù)測結(jié)果，生成帶有標簽的訓(xùn)練數(shù)據(jù)集D＝{(x1,y1),(x2,y2)....,(xn,yn)},其中xi為基模型的預(yù)測結(jié)果，yi為對應(yīng)的故障標簽。
7.根據(jù)權(quán)利要求1所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述故障預(yù)警模塊根據(jù)數(shù)據(jù)采集模塊的傳輸數(shù)據(jù)，先利用基模型對數(shù)據(jù)進行預(yù)測，得到每個基模型的預(yù)測結(jié)果后，再利用元模型計算它與訓(xùn)練集中每個樣本的相似度，找出與最相似的k個訓(xùn)練樣本,根據(jù)這k個鄰居的標簽，通過距離加權(quán)投票法來預(yù)測新樣本的故障信息。
8.根據(jù)權(quán)利要求7所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述相似度的計算方式如下：
9.根據(jù)權(quán)利要求1所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述距離加權(quán)投票法計算方式如下：
10.根據(jù)權(quán)利要求1所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述決策支持模塊建立運檢策略庫，根據(jù)設(shè)備缺陷和故障的復(fù)雜情況，形成一對一的專項策略、或者一對多的漸進性策略，根據(jù)故障預(yù)測結(jié)果提供具體的維修建議和優(yōu)先級排序。
...【技術(shù)特征摘要】
1.一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述數(shù)據(jù)采集模塊負責實時收集和傳輸設(shè)備的狀態(tài)信息，包括設(shè)備標識數(shù)據(jù)、通信狀態(tài)數(shù)據(jù)、電氣參數(shù)數(shù)據(jù)、物理參數(shù)、環(huán)境條件、操作參數(shù)以及維護記錄。
3.根據(jù)權(quán)利要求1所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述智能診斷模塊根據(jù)數(shù)據(jù)類型分為基模型以及元分類器，其中基模型根據(jù)數(shù)據(jù)集選用不同的基礎(chǔ)模型進行訓(xùn)練和預(yù)測，元模型根據(jù)基模型的預(yù)測結(jié)果進行建模以及訓(xùn)練，通過學(xué)習(xí)預(yù)測結(jié)果的權(quán)重和模型結(jié)果之間的關(guān)系，以最大化整體模型的準確性，所述學(xué)習(xí)預(yù)測結(jié)果的權(quán)重的實現(xiàn)方式為邏輯回歸和加權(quán)平均，所述學(xué)習(xí)模型結(jié)果之間的關(guān)系的實現(xiàn)方式為樹模型和神經(jīng)網(wǎng)絡(luò)。
4.根據(jù)權(quán)利要求3所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述基模型分別根據(jù)不同的數(shù)據(jù)子集進行驗證，80％的數(shù)據(jù)子集根據(jù)數(shù)據(jù)的類型以及數(shù)據(jù)關(guān)聯(lián)性進行劃分，20％的數(shù)據(jù)子集采用隨機劃分；對于流數(shù)據(jù)類型的數(shù)據(jù)子集采用長短期記憶網(wǎng)絡(luò)作為基模型，對于其他類型的數(shù)據(jù)子集采用多層感知機作為基模型。
5.根據(jù)權(quán)利要求3所述的一種基于智能感知的變電設(shè)備故障風險評估系統(tǒng)，其特征在于，所述基模型的預(yù)測結(jié)果將組合成一個新的特征矩陣，對于m個基模型h1,h2...hm,根據(jù)每個基模型的預(yù)測結(jié)果構(gòu)建新的特征矩陣作為元模型的訓(xùn)練數(shù)據(jù)。<...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李東波，龔澤威一，張巖，曹占國，彭晶，李榮貴，張穎，張軍，張杰，張瓊?cè)A，李世偉，王榭崟，張婉娟，黃闈，田銳，薛維，馬學(xué)軍，王忠文，續(xù)所良，曾夢濤，肖克偉，梁健，李金哲，羅紅艷，楊云海，趙進，羅方，王文刊，張黎馨，胡長驍，張朝雁，王川，許春暉，
申請(專利權(quán))人：云南電網(wǎng)有限責任公司紅河供電局，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。