一種電力設備的運行狀態分析方法
【技術領域】
[0001]本發明涉及電力設備領域，具體是一種電力設備的運行狀態分析方法。
【背景技術】
[0002]電力設備(power system)主要包括以發電設備和供電設備兩大類，發電設備主要是電站鍋爐、蒸汽輪機、燃氣輪機、水輪機、發電機、變壓器等等，供電設備主要是各種電壓等級的輸電線路、互感器、接觸器等等。電力二次設備構成的是一個系統，不僅僅是裝置本身，如交流、直流、控制回路等，由于部分回路還沒有監測手段，對設備狀態無法進行實時的技術分析判斷。因此，就電氣二次設備的應用現狀而言嚴格意義上講大多數保護并不具備狀態檢修的條件
電力系統中電力設備大多采用的計劃檢修體制存在著嚴重缺陷，如臨時性維修頻繁、維修不足或維修過剩、盲目維修等，這使世界各國每年在設備維修方面耗資巨大。怎樣及時了解電力設備的狀態，同時保證系統有較高的可靠性，對系統運行人員來說是一個重要課題。
【發明內容】
[0003]本發明的目的在于提供一種有效的和準確的電力設備的運行狀態分析方法，以解決上述【背景技術】中提出的問題。
[0004]為實現上述目的，本發明提供如下技術方案:
一種電力設備的運行狀態分析方法，包括如下步驟:
1)讀取數據庫:讀取電力設備的遠程數據中心存儲的歷史數據；
2)數據預處理:對讀取的歷史數據進行預處理，去除讀取數據中的無效數據；
3)神經網絡建模:以預處理后的數據作為輸入，采用神經網絡和機器學習方法建立電力設備的綜合狀態量評估模型；
4)綜合狀態量評估模型存儲:將獲得的電力設備的綜合狀態量評估模型存儲到數據庫中；
5)讀取綜合狀態量評估模型:讀取數據庫中存儲的電力設備的綜合狀態量評估模型；
6)獲取數據:實時獲取電力設備輸出功率、電阻、電壓、電流、局部放電、溫度、空氣密度數據；
7)期望輸出功率計算:以獲取的電阻、電壓、電流、局部放電、溫度、空氣密度數據作為綜合狀態量評估模型輸入，計算期望電力設備輸出功率；
8)期望輸出功率與實際輸出功率偏差統計:對期望電力設備輸出功率與電力設備實際輸出功率進行偏差統計；
9)電力設備運行狀態判定:根據實際輸出功率采集數據相對于期望輸出功率的波動采用多數投票算法對電力設備運行狀態進行判定。
[0005]與現有技術相比，本發明的有益效果是: 本發明可實現更加有效和準確的電力設備運行狀態監測和預測，也即為電力設備維護維修提供更加有效的和準確的決策支持。
【具體實施方式】
[0006]下面將結合本發明實施例，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0007]實施例1
本發明實施例中，一種電力設備的運行狀態分析方法，包括:
讀取數據庫:讀取電力設備的遠程數據中心存儲的歷史數據。
[0008]數據預處理:對讀取的歷史數據進行預處理，去除讀取數據中的無效數據；無效數據包括停機時采集的數據，故障時采集的數據，極端天氣條件下采集的數據和電力設備調試時采集的數據。故障時采集的數據包括網絡故障時采集的數據和傳感器故障時采集的數據。數據的采集時間間隔為0.5分鐘。極端天氣總體可以分為極端高溫、極端低溫、極端干旱、極端降水等幾類，一般特點是發生概率小、社會影響大，如雷擊、冰雹、颶風、地震、海嘯、洪水、火山噴發等。
[0009]神經網絡建模:以預處理后的數據作為輸入，采用神經網絡和機器學習方法建立電力設備的綜合狀態量評估模型。神經網絡為徑向基神經網絡，徑向基神經網絡的結構為:①核函數為Tansig函數輸入層節點為4個輸出層節點為I個；④神經網絡層數為I層；采用的機器學習方法為正交最小二乘學習方法，用于對徑向神經網絡進行訓練。神經網絡算法的重點是構造閾值邏輯單元，一個值邏輯單元是一個對象，它可以輸入一組加權系數的量，對它們進行求和，如果這個和達到或者超過了某個閾值，輸出一個量。如有輸入值X1, X2,...，1和它們的權系數=W1, W2,...，Wn，求和計算出的X1-W1，產生了激發層a=(X1W1) + (X2*w2) +...+ (X1W1) +...+ (Xn*Wn)，其中X1是各條記錄出現頻率或其他參數，W i是綜合狀態量評估模型中得到的權系數。
[0010]綜合狀態量評估模型存儲:將獲得的電力設備的綜合狀態量評估模型存儲到數據庫中。
[0011]讀取綜合狀態量評估模型:讀取數據庫中存儲的電力設備的綜合狀態量評估模型。
[0012]獲取數據:實時獲取電力設備輸出功率、電阻、電壓、電流、局部放電、溫度、空氣密度數據。
[0013]期望輸出功率計算:以獲取的電阻、電壓、電流、局部放電、溫度、空氣密度數據作為綜合狀態量評估模型輸入，計算期望電力設備輸出功率。
[0014]期望輸出功率與實際輸出功率偏差統計:對期望電力設備輸出功率與電力設備實際輸出功率進行偏差統計。電力設備運行狀態判定:根據實際輸出功率采集數據相對于期望輸出功率的波動采用多數投票算法對電力設備運行狀態進行判定。當實際輸出功率采樣點相對于期望輸出功率波動多數在0.5%以內，則判定風力發電機為正常運行狀態；當實際輸出功率采樣點相對于期望輸出功率波動多數在0.5-2.5%內，則判定風力發電機非正常運行狀態；當實際輸出功率采樣點相對于期望輸出功率波動多數超過2.5%，則判定風力發電機為故障狀態。
[0015]對于本領域技術人員而言，顯然本發明不限于上述示范性實施例的細節，而且在不背離本發明的精神或基本特征的情況下，能夠以其他的具體形式實現本發明。因此，無論從哪一點來看，均應將實施例看作是示范性的，而且是非限制性的，本發明的范圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和范圍內的所有變化囊括在本發明內。
[0016]此外，應當理解，雖然本說明書按照實施方式加以描述，但并非每個實施方式僅包含一個獨立的技術方案，說明書的這種敘述方式僅僅是為清楚起見，本領域技術人員應當將說明書作為一個整體，各實施例中的技術方案也可以經適當組合，形成本領域技術人員可以理解的其他實施方式。
【主權項】
1.一種電力設備的運行狀態分析方法，其特征在于，包括如下步驟: 1)讀取數據庫:讀取電力設備的遠程數據中心存儲的歷史數據； 2)數據預處理:對讀取的歷史數據進行預處理，去除讀取數據中的無效數據； 3)神經網絡建模:以預處理后的數據作為輸入，采用神經網絡和機器學習方法建立電力設備的綜合狀態量評估模型； 4)綜合狀態量評估模型存儲:將獲得的電力設備的綜合狀態量評估模型存儲到數據庫中； 5)讀取綜合狀態量評估模型:讀取數據庫中存儲的電力設備的綜合狀態量評估模型； 6)獲取數據:實時獲取電力設備輸出功率、電阻、電壓、電流、局部放電、溫度、空氣密度數據； 7)期望輸出功率計算:以獲取的電阻、電壓、電流、局部放電、溫度、空氣密度數據作為綜合狀態量評估模型輸入，計算期望電力設備輸出功率； 8)期望輸出功率與實際輸出功率偏差統計:對期望電力設備輸出功率與電力設備實際輸出功率進行偏差統計； 9)電力設備運行狀態判定:根據實際輸出功率采集數據相對于期望輸出功率的波動采用多數投票算法對電力設備運行狀態進行判定。
【專利摘要】本發明公開了一種電力設備的運行狀態分析方法，經過讀取數據庫、數據預處理、神經網絡建立電力設備的綜合狀態量評估模型、模型存儲、讀取綜合狀態量評估模型、獲取數據、期望輸出功率計算、期望輸出功率與實際輸出功率偏差統計、電力設備運行狀態判定：根據實際輸出功率采集數據相對于期望輸出功率的波動采用多數投票算法對電力設備運行狀態進行判定。本發明可實現更加有效和準確的電力設備運行狀態監測和預測，也即為電力設備維護維修提供更加有效的和準確的決策支持。
【IPC分類】G06F19/00
【公開號】CN105117591
【申請號】CN201510499501
【發明人】王棟, 韓梅梅, 張艷霞, 俞迎新, 李加剛
【申請人】國家電網公司, 國網山東禹城市供電公司
【公開日】2015年12月2日
【申請日】2015年8月15日