一种基于多因素回报函数的电力设备检修辅助决策方法与流程

1.本发明属于电力设备检修技术领域，尤其是一种基于多因素回报函数的电力设备检修辅助决策方法。


背景技术：

2.随着电力系统信息化的不断推进，电力系统中有大量的数据，能够对设备的状态检修提供数据支撑。然而，针对电力系统中的海量数据，目前没有统一的方法对设备的健康风险、设备停电之后电网的风险进行综合的评估，导致在检修计划编排过程中大量的需要周期性检修、人工安全校验。因此，如何综合考虑设备的健康风险、设备跳闸的影响范围、设备停电之后电网的风险并帮助运行人员对检修计划进行智能的编排是目前迫切需要解决的问题。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，提供一种基于多因素回报函数的电力设备检修辅助决策方法，其针对有健康风险的设备，通过建立整体的回报函数，综合考虑设备的健康风险、设备跳闸的影响范围、设备停电之后电网的风险，从而辅助运行人员对检修计划进行智能的编排。
4.本发明解决现有的技术问题是采取以下技术方案实现的：
5.一种基于多因素回报函数的电力设备检修辅助决策方法，包括以下步骤：
6.步骤1、自动汇集与分析电力系统中体现设备不良健康状态的数据；
7.步骤2、搭建电力设备不良健康状态的评估体系；
8.步骤3、基于历史数据对电力设备停电概率进行评估；
9.步骤4、建立基于设备停电概率、设备重要性、设备重过载情况的多因素回报函数；
10.步骤5、对多因素回报函数的电力设备检修计划进行优化。
11.进一步，所述步骤1自动汇集电力系统中体现设备不良健康状态的数据的方法为：通过对接ems、oms、输变电在线监测系统，自动汇集设备缺陷、跳闸记录、重过载信息、油温越限信息、油中溶解气体中的异常信息数据。
12.进一步，所述步骤1分析电力系统中体现设备不良健康状态的数据的方法包括整合分析方法、交叉辨识方法和去重操作方法。
13.进一步，所述步骤2的具体实现方法为：根据设备缺陷、历史不良工况冲击和家族性缺陷，建立设备不良健康状态的评估体系；所述设备缺陷包括人工记录的缺陷、遥信告警信号中发现缺陷、油中溶解气体体现的异常缺陷；所述不良工况包括历史重过载累计冲击、历史油温越限冲击和历史跳闸造成冲击；所述家族性缺陷为根据厂家型号对应的缺陷概率超出同类设备缺陷概率3倍以上进行判断。
14.进一步，所述步骤3的具体实现方法为：以历史上设备发生跳闸、检修为停电的时间区间，对停电与设备的不良健康状态的关系数据进行提取，分析计算设备在不同健康状
态下发生停电的概率。
15.进一步，所述步骤4的具体实现方法为：基于设备的停电概率，以设备的停电影响为系数，建立设备停电检修对应的奖励函数；同时，基于设备检修期间损失的负荷、断面的重过载信息，建立设备停电检修对应的惩罚函数；最后综合奖励函数、惩罚函数，建立整体的多因素回报函数。
16.进一步，所述步骤5的具体实现方法为：对于停电概率大于3％的设备，选取不同的设备组合作为待检修设备，并基于多因素回报函数整体计算各个设备组合停电检修时的回报值，并选取回报值最大的检修设备组合作为推荐的检修设备。
17.本发明的优点和积极效果是：
18.本发明设计合理，其在综合考虑设备健康状态、电网潮流分布的基础上，对电力设备健康状态分析、跳闸影响分析、检修后电网风险分析，实现了对设备的健康风险、设备停电之后电网的风险进行综合的评估功能，对检修计划的编排和优化提供数据支撑，能够辅助运行人员对检修计划进行智能编排，提高了检修人员的工作效率，保证了电力系统的安全可靠运行。
附图说明
19.图1为为本发明的处理流程示意图。
具体实施方式
20.以下结合附图对本发明实施例做进一步详述。
21.本发明的设计思想是：通过多渠道对接电力系统的数据，对设备的健康状态进行分析评估；结合设备跳闸之后的影响，对设备健康风险进行评估，并建立设备检修对应的奖励函数(因为设备检修解决了非健康设备的跳闸风险)；针对设备检修造成新的电网风险，建立对应的惩罚函数(因为设备检修增加了新的电网风险)；综合奖励函数、惩罚函数，建立综合的回报函数，对电网的检修计划的智能编排进行辅助决策。
22.基于上述设计思想，本发明提出一种基于多因素回报函数的电力设备检修辅助决策方法，如图1所示，包括以下步骤：
23.步骤1、自动汇集并分析体现设备不良健康状态的数据，本步骤的具体实现方法为：
24.在本步骤中，首先从ems中，获取遥信告警、遥测数据、越限信息；从oms中，获取跳闸记录、检修记录、缺陷记录；从输变电在线监测中，获取气体浓度、告警信息。
25.然后，对数据进行清洗辨识，使得获取到的数据具备可靠性。清洗辨识，包括单变量的清洗辨识、数据之间的交叉辨识。
26.单变量的数据清洗辨识包含的内容，如表1所示：
27.表1单变量的数据清洗辨识
[0028][0029][0030]
数据之间的交叉辨识包含的内容，如表2所示：
[0031]
表2数据交叉辨识
[0032][0033]
最后，在对数据进行清洗辨识的基础上，对不同数据来源的、反映设备同样问题的数据进行去重处理。比如：设备的缺陷信息，可能在oms中进行手工记录，也可能在遥信告警、输变电在线监测数据中体现出来。需要针对同类缺陷进行去重处理。需要注意的是，如果同类缺陷在不同数据类型中均有体现，但是缺陷等级不同，则取缺陷等级最严重的数据作为设备此类缺陷的有效数据。
[0034]
步骤2、搭建电力设备不良健康状态的评估体系，本步骤的具体实现方法为：
[0035]
在本步骤中，首先从设备缺陷、历史不良工况冲击、家族性缺陷，建立设备不良健康状态的评估体系。
[0036]
所述设备缺陷，包括人工记录的缺陷、遥信告警信号中发现缺陷、油中溶解气体体现的异常缺陷，通过对各种类型缺陷内部的数据进行对比、去重，使得每种类型只保留最严
重等级的缺陷；根据缺陷等级，建立设备健康扣分体系(危急、严重、一般的缺陷分别扣分为41分、11分、3分)。缺陷维度整体扣分记为s1。
[0037]
所述历史不良工况：包括历史重过载累计冲击、历史油温越限冲击、历史跳闸造成冲击。其中：
[0038]
历史重过载累计冲击：对负载率超过100％的数据，按照下面公式1进行统计：
[0039][0040]
其中时间区间[r
min
,r
max
]为有效的时间区间，r
max
默认为当前时刻，r
min
取“设备上次的检修结束时间、r
max-3个月”两者中的最大值，下面公式中同样的变量表示相同的含义。r1为可调系数，默认为1。l(t)是时刻t对应的负载率。时间的单位为小时。
[0041]
历史油温越限累计冲击：对油温超过80℃的数据，按照下面公式2进行统计：
[0042][0043]
其中r2为可调系数，默认为0.1。t(t)是时刻t对应的油温。时间的单位为小时。
[0044]
历史跳闸序列{j1,j2,...,jn}造成的冲击，按照冲击次数、冲击时长进行扣分值计算。相应算法见公式3：
[0045][0046]
其中r3为可调系数，默认为1。c(ji)为跳闸对应的扣分值，以默认基数1开始计算，并且针对跳闸事件中重合失败的情况进行累加：重合动作之后合闸时间、再次跳闸时间的时间差，每增加0.5秒，c(ji)值加1。
[0047]
最终，按照公式4计算历史不良工况冲击对应的扣分：
[0048]
s2＝s
′2+s
″2+s
″′2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0049]
家族性缺陷：根据厂家型号对应的缺陷概率超出同类设备缺陷概率3倍以上进行判断。对于某一类厂家、型号的设备，针对缺陷类型序列{w1,w2,...,wn}，设m(wi)是此家族相对于同类设备在缺陷类型wi上的缺陷倍率，且满足m(wi)大于3，则家族性缺陷对应的扣分，如公式5所示：
[0050][0051]
其中r4为可调系数，默认为1。
[0052]
s1、s2、s3最大上限取100。最终通过s1+s2+s3作为最终的扣分。
[0053]
步骤3、基于历史数据对电力设备停电概率进行评估，本步骤的具体实现方法为：
[0054]
在本步骤中，针对某类型设备的列表{d1,d2,...,dn}，获取至少一年的历史数据，以日为单位提取设备在一天之内的最大扣分。如果某一日，设备全天都处于停电状态，则此日的数据将作为无效数据剔除。设d(di)是设备di在时间区间之内的有效运行天数，d1(di)是设备di包含设备停电(以设备跳闸、开始检修为发生停电)的天数，d2(di)是设备di发生停电、同时当天扣分为0的天数，s(di)为有效时间区间内设备di的总扣分。
[0055]
首先计算设备没有健康扣分情况下，设备停电的概率：
[0056][0057]
其次，针对具体设备di当前的扣分s'，对设备停电概率的叠加计算方法如公式6所示：
[0058][0059]
通过p(di)＝p1+p2(di)计算设备整体的停电概率，并取100％为其上限。
[0060]
步骤4、建立基于设备停电概率、设备重要性、设备重过载情况的多因素回报函数，本步骤的具体实现方法为：
[0061]
基于设备di的停电概率，结合设备的停电影响为系数，建立设备停电检修对应的奖励函数。设备的停电影响，以设备跳闸之后将造成的负荷损失进行计算，相应的计算公式如7所示：
[0062]
i(di)＝l
p
(di)
÷bp
+li(di)
×
r5ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0063]
其中l
p
(di)为设备停电之后造成的负荷损失，b
p
为基础负荷损失单位，默认为1mw，li(di)为设备停电之后将造成的重要用户数量，r5为可调系数，默认为10。
[0064]
设备di停电检修，能够解决设备跳闸的风险，相应的奖励函数如公式8所示：
[0065]
e(di)＝i(di)
×
p(di)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0066]
同时，设备检修，会对电网的整体健康造成不良冲击，需要据此增加设备停电检修对应的惩罚函数。对于设备di，根据设备供电关系，获得设备所属供电断面信息。设{d
′1,...,d
′m}是和设备di同属一个断面的、当前处于运行状态的设备列表，m
p
(d)为设备d在未来72小时预测的最大负荷，p
l
(d)为设备d的额定功率。按照以下公式9计算惩罚函数：
[0067][0068]
其中，r6为可调系数，默认为2。惩罚函数如果为负数，则取0。
[0069]
综合奖励函数、惩罚函数，建立整体的回报函数。相应的计算方法如公式10所示：
[0070]
g(di)＝e(di)-a(di)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0071]
步骤5、对多因素回报函数的电力设备检修计划进行优化，本步骤的具体实现方法为：
[0072]
对于停电概率大于3％的设备，选取不同的设备组合作为待检修设备，并基于多因素回报函数整体计算各个设备组合停电检修时的回报值，并选取回报值最大的检修设备组合作为推荐的检修设备。假设{d1,d2,...,dn}是停电概率达到门槛要求的设备列表，首先对设备进行分组：以设备之间具备同供电断面、或者供电路径具备上下游关系作为同一组的判断条件。假设上述设备分为了k组设备，记为{g1,...,gk}，其中gi组包含的设备序列为则针对gi组中的设备进行组合，得到若干种检修设备序列的组合方式，设是gi组包含的设备组合的序列，则针对其中第j个组合对应的整体回报的计算方法如公式11所示：
[0073]
[0074]gi
组对应的最优回报值如公式12所示：
[0075][0076]
每一组设备，均取其最优组合，组成整体的检修策略，作为检修计划编排的推荐方案，从而达到对检修计划的优化进行辅助决策的目标。
[0077]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。