一种配电设备健康评价方法、系统及装置与流程

1.本发明涉及电力技术领域，更具体的说是涉及一种配电设备健康评价方法、系统及装置。


背景技术：

2.目前，配电设备的状态检修处于起步研究阶段，不仅缺乏大量有效的设备状态量数据信息，更缺乏对设备健康水平的评价指标与方法，使得配电设备状态检修尚未形成有效的成果，更缺乏实践应用。
3.针对设备状态健康评价方法，众多研究主要从聚类分析、模型拟合分析和衰退函数分析等进行设备健康评价，但是这些方法的应用都具有一定的局限性。首先，聚类方法对于数据的凹凸性要求比较严格，聚类效果严格依赖于数据的形态；其次，由于特征数据的非线性和随机复杂性，增加了设备健康状态评价的难度，致使模型拟合分析和衰退函数分析对于数据的容错性较小。


技术实现要素：

4.针对现有技术中存在的问题，本发明的目的在于提供一种配电设备健康评价方法、系统及装置，通过分析配电设备的分析当前参数数值运行态势以及跟其他同类参数的水平定位，有效的提高了对当前设备的综合性健康评价的准确性。
5.本发明为实现上述目的，通过以下技术方案实现：
6.一种配电设备健康评价方法，包括如下步骤：
7.s1：获取配电设备的历史运行参数，经过数据预处理后作为模型训练数据；
8.s2：利用模型训练数据进行设备健康评价模型训练；
9.s3：获取配电设备的实时运行参数x；
10.s4：对实时运行参数x进行emd分解，获取其imf分量；
11.s5：加载训练后的设备健康评价模型，利用训练后的设备健康评价模型计算实时运行参数x的各个imf分量的残差值；
12.s6：根据imf分量的残差值大小按照变权公式调整参数权重，获取运行参数x 的变权重；
13.s7：利用训练后的设备健康评价模型获得各个imf分量的偏差分数；
14.s8：通过将各个imf分量的偏差分值乘以对应的参数权重作累加值，得到设备健康评价分数。
15.进一步，所述步骤s1包括：
16.获取配电设备的历史运行参数，剔除其中停机数据，将处理后的历史运行参数作为历史数据；
17.依据故障规则从历史数据中剔除异常数据，作为模型训练数据。
18.进一步，所述步骤s2包括：
19.对模型训练数据进行emd分解，获取对应的imf分量，对历史数据进行emd分解，获取对应的imf分量；
20.计算每个imf分量的互信息，互信息归一化后作为各个imf分量的初始化权重；基于训练数据的imf分量和历史数据的imf分量，采用预设的rvm模型计算训练数据残差和历史数据残差；
21.使用历史数据残差绝对和训练数据残差绝对值，通过概率密度分布的置信度挖掘参数评分分数分别为30、50、60对应的参数残差阈值，并通过累积概率密度分布构建参数残差绝对值与参数分数的非线性回归关系，用于获取参数偏离程度分值。
22.进一步，所述计算每个imf分量的互信息，互信息归一化后作为各个imf分量的初始化权重，包括：
23.通过互信息算法计算各个imf分量的信息熵和条件熵，两者的差值即为互信息特征，归一化之后的互信息特征作为参数常权重；
24.其中，互信息i(i,j)为参数i的信息熵h(i)跟参数i的条件熵h(i|j)的差值，具体公式如下：
25.i(i,j)＝h(i)-h(i|j)
26.设imf分量数据集为t，使用互信息算法可以计算一个n
×
n的互信息矩阵h，如下所示：
[0027][0028]
对h矩阵计算行均值，得到一维向量r：
[0029][0030]
一维向量r归一化值则作为每个参数的初始化权重：
[0031][0032]
进一步，所述步骤s6包括：
[0033]
对各个imf分量的残差值进行归一化处理，得到归一处理后的残差值δx，则当前imf分量权重根据变权重公式进行动态调整，具体公式如下：
[0034][0035]
其中，δxi为第i个imf分量归一处理后的残差值，w
原i
为第i个imf分量的原权重， w
变i
为第i个imf分量的变权重。
[0036]
进一步，所述步骤s8包括：
[0037]
根据残差绝对值与参数分数的关系，得到第i个imf分量imfi的评分值pscorei，具体如下：
[0038]
pscorei＝w
变i
*scorei[0039]
则变压器设备的直接参数综合得分totalscore按照下述公式计算：
[0040][0041]
其中，scorei为第i个imf分量的参数分数。
[0042]
相应的，本发明还公开了一种配电设备健康评价系统，包括：
[0043]
数据预处理单元，用于获取配电设备的历史运行参数，经过数据预处理后作为模型训练数据；
[0044]
模型训练单元，用于利用模型训练数据进行设备健康评价模型训练；
[0045]
参数获取单元，用于获取配电设备的实时运行参数x；
[0046]
emd分解单元，用于对实时运行参数x进行emd分解，获取其imf分量；
[0047]
计算单元，用于加载训练后的设备健康评价模型，利用训练后的设备健康评价模型计算实时运行参数x的各个imf分量的残差值；
[0048]
参数权重调整单元，用于根据imf分量的残差值大小按照变权公式调整参数权重，获取运行参数x的变权重；
[0049]
偏差分数计算单元，用于利用训练后的设备健康评价模型获得各个imf分量的偏差分数；
[0050]
评价分数计算单元，用于通过将各个imf分量的偏差分值乘以对应的参数权重作累加值，得到设备健康评价分数。
[0051]
相应的，本发明还公开了一种配电设备健康评价装置，包括：
[0052]
存储器，用于存储计算机程序；
[0053]
处理器，用于执行所述计算机程序时实现如上文任一项所述配电设备健康评价方法的步骤。
[0054]
对比现有技术，本发明有益效果在于：本发明提供了一种配电设备健康评价方法、系统及装置，首先通过经验模态分解(emd)对设备参数进行分解，获得该参数的imf分量，然后用相关向量机(rvm)对imf分量进行回归估计，获得历史数据和训练数据的残差数据，并根据累积概率密度分布构建残差数据与参数分数的映射关系，最后通过多个imf分量分数的加权求和，获得该参数表征的设备健康评价分数。本发明能透彻分析当前参数数值运行态势以及跟其他同类参数的水平定位，对当前设备综合性健康评价具有很好的实用效果，能够有效提高设备状态检修的准确度。
[0055]
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
[0056]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0057]
附图1是本发明具体实施方式的方法流程图。
[0058]
附图2是本发明具体实施方式的设备健康评价模型的训练流程图。
[0059]
附图3是本发明具体实施方式的设备健康评价模型的运行流程图。
[0060]
附图4是本发明具体实施方式的变压器油温imf分量示意图。
[0061]
附图5是本发明具体实施方式的正常状态变压器油温imf1分量估计结果示意图。
[0062]
附图6是本发明具体实施方式的故障状态imf1报警效果示意图。
[0063]
附图7是本发明具体实施方式的配电变压器设备健康评价分数曲线示意图。
[0064]
附图8是本发明具体实施方式的系统结构图。
[0065]
图中，1为数据预处理单元；2为模型训练单元；3为参数获取单元；4为 emd分解单元；5为计算单元；6为参数权重调整单元；7为偏差分数计算单元； 8为评价分数计算单元。
具体实施方式
[0066]
下面结合附图对本发明的具体实施方式做出说明。
[0067]
实施例一：
[0068]
如图1所示，本发明公开了一种配电设备健康评价方法，包括如下步骤：
[0069]
s1：获取配电设备的历史运行参数，经过数据预处理后作为模型训练数据。
[0070]
具体的，首先，获取配电设备的历史运行参数，剔除其中停机数据，将处理后的历史运行参数作为历史数据；然后依据故障规则从历史数据中剔除异常数据，作为模型训练数据。
[0071]
s2：利用模型训练数据进行设备健康评价模型训练。
[0072]
设备健康评价模型的训练过程具体如下：
[0073]
1、对模型训练数据进行emd分解，获取对应的imf分量，对历史数据进行emd 分解，获取对应的imf分量。
[0074]
2、计算每个imf分量的互信息，互信息归一化后作为各个imf分量的初始化权重。
[0075]
计算原理为：通过互信息算法计算各个imf分量的信息熵和条件熵，两者的差值即为互信息特征，归一化之后的互信息特征作为参数常权重。
[0076]
其中，互信息i(i,j)为参数i的信息熵h(i)跟参数i的条件熵h(i|j)的差值，具体公式如下：
[0077]
i(i,j)＝h(i)-h(i|j)
[0078]
设imf分量数据集为t，使用互信息算法可以计算一个n
×
n的互信息矩阵 h，如下所示：
[0079]
[0080]
对h矩阵计算行均值，得到一维向量r：
[0081][0082]
一维向量r归一化值则作为每个参数的初始化权重：
[0083][0084]
3、基于训练数据的imf分量和历史数据的imf分量，采用预设的rvm模型计算训练数据残差和历史数据残差。
[0085]
4、使用历史数据残差绝对和训练数据残差绝对值，通过概率密度分布的置信度挖掘参数评分分数分别为30、50、60对应的参数残差阈值，并通过累积概率密度分布构建参数残差绝对值与参数分数的非线性回归关系，用于获取参数偏离程度分值。
[0086]
s3：获取配电设备的实时运行参数x。
[0087]
s4：对实时运行参数x进行emd分解，获取其imf分量。
[0088]
s5：加载训练后的设备健康评价模型，利用训练后的设备健康评价模型计算实时运行参数x的各个imf分量的残差值。
[0089]
s6：根据imf分量的残差值大小按照变权公式调整参数权重，获取运行参数x的变权重。
[0090]
对各个imf分量的残差值进行归一化处理，得到归一处理后的残差值δx，则当前imf分量权重根据变权重公式进行动态调整，具体公式如下：
[0091][0092]
其中，δxi为第i个imf分量归一处理后的残差值，w
原i
为第i个imf分量的原权重， w
变i
为第i个imf分量的变权重。
[0093]
s7：利用训练后的设备健康评价模型获得各个imf分量的偏差分数。
[0094]
s8：通过将各个imf分量的偏差分值乘以对应的参数权重作累加值，得到设备健康评价分数。
[0095]
根据残差绝对值与参数分数的关系，得到该第i个imf分量imfi的评分值 pscorei，具体如下：
[0096]
pscorei＝w
变i
*scorei[0097]
则变压器设备的直接参数综合得分totalscore按照下述公式计算：
[0098][0099]
其中，scorei为第i个imf分量的参数分数。
[0100]
实施例二：
[0101]
本实施例公开了一种配电设备健康评价方法，围绕设备数据与状态分数的映射关系，构建了一种基于经验模态分解(empirical mode decomposition,emd) 和相关向量机(relevance vector machine,rvm)的设备健康评价方法。包括设备健康评价模型训练过程
和设备健康评价模型运行过程两部分。
[0102]
1、如图2所示，设备健康评价模型训练包括以下步骤：
[0103]
步骤1.1：数据预处理。
[0104]
获取设备参数x，剔除停机数据，处理后的数据作为历史数据。依据故障规则从历史数据中剔除异常数据，作为模型训练数据。
[0105]
步骤1.2：emd分解。
[0106]
针对训练数据进行emd分解，获得多个imf分量。
[0107]
以变压器油温数据为例，以变压器油温为数据源，抽取全部油温数据，得到数据集g，剔除停机和故障数据，进行emd分解，取前6个imf分量如图4所示。
[0108]
步骤1.3：参数权重初始化。
[0109]
计算步骤1.2中各imf分量的互信息，互信息归一化后作为各个分量的初始化权重。
[0110]
通过互信息算法计算各个imf分量的信息熵和条件熵，两者的差值即为互信息特征，归一化之后的互信息特征作为参数常权重。
[0111]
互信息i(i,j)为参数i的信息熵h(i)跟参数i的条件熵h(i|j)的差值，具体公式如下：
[0112]
i(i,j)＝h(i)-h(i|j)
ꢀꢀꢀ
(1)
[0113]
设imf分量数据集为t，使用互信息算法可以计算一个n
×
n的互信息矩阵 h，如下所示：
[0114][0115]
对h矩阵计算行均值，得到一维向量r：
[0116][0117]
一维向量r归一化值则作为每个参数的初始化权重：
[0118][0119]
步骤1.4：模型训练。
[0120]
基于训练数据imf分量和历史数据imf分量，采用rvm模型计算训练数据残差和历史数据残差。
[0121]
具体来说，将imf分量输入到rvm模型中，经过多轮参数迭代优化，得到正常数据评估值，评估值与实际值的相减，得到正常数据的imf分量的残差序列，以imf1为例，模型估计结果如图5所示。
[0122]
步骤1.5：构建残差与评价分数的映射关系。
[0123]
使用历史残差数据及训练残差数据绝对值，通过概率密度分布的置信度挖掘参数评分分数分别为30、50、60对应的参数残差阈值，并通过累积概率密度分布构建参数残差绝
对值与参数分数的非线性回归关系，用于获取参数偏离程度分值。
[0124]
作为示例的，将包含正常数据和故障数据的作为历史数据集合，经过emd 分解后，将各个imf分量输入到训练后的rvm模型中，通过业务人员信息标定，划分参数残差对应的60，50，30三个节点阈值，并以[60，100]、[50,60]、[30,50]、 [0,30]四个分数区间，根据数理统计分别计算参数残差绝对值与参数分数的对应关系。
[0125]
以imfi的分数区间[60，100]计算为例，根据其累积概率密度函数f(i)，得到残差绝对值与参数分数的关系：
[0126]
scorei＝score
high-δscore*f(i)
ꢀꢀꢀ
(4)
[0127]
其中，score
high
＝100，δscore＝100-60＝40。
[0128]
2、如图3所示，设备健康评价模型运行过程具体包括如下步骤：
[0129]
步骤2.1：获取设备参数x实时运行数据。
[0130]
步骤2.2：通过emd分解参数x，获取其imf分量。
[0131]
步骤2.3：加载训练后的rvm模型，计算实时运行数据各个imf分量的残差值。
[0132]
作为示例的，抽取一段包含故障信息的变压器油温数据作为实时数据x，经过emd分解后，输入到训练后的rvm模型，以imf1为例，如图6所示，得到实时评估值和残差曲线。
[0133]
由图6可知，该分量的残差触发报警下限。随着故障不断发展，实际值和估计值的残差有明显的向下劣化趋势。
[0134]
步骤2.4：根据imf参数残差大小按照变权公式调整参数权重，获取参数的变权重。
[0135]
实时数据各个imf分量的残差值进行归一化处理，得到δx，则当前imf分量权重根据变权重公式进行动态调整，计算如下：
[0136][0137]
其中，δxi为第i个imf分量归一处理后的残差值，w
原i
为第i个imf分量的原权重，w
变i
为第i个imf分量的变权重。
[0138]
步骤2.5：根据训练步骤1.4中参数残差绝对值与参数分数的非线性回归关系获得各个imf分量的偏差分数。
[0139]
步骤2.6：步骤2.5中各个imf分量的偏差分值乘以对应的参数权重作累加值即为设备健康评价分数。
[0140]
作为示例的，根据残差绝对值与参数分数的关系，得到该imfi分量评分值 pscorei如下：
[0141]
pscorei＝w
变i
*scoreiꢀꢀꢀ
(6)
[0142]
则变压器设备的直接参数综合得分totalscore按照下述公式计算：
[0143][0144]
健康评价模型运行一段时间后，根据变压器油温数据，得到该设备的评价分数如图7所示。在2019年5月15日至6月15日，由该设备监测系统发现变压器设备出现变压器带负荷调整装置不良和调整不当的异常现象，温度异常大约在6月2日开始出现，设备健康分数
由67分下降到43分，该设备健康评价模型对该设备健康分数符合当时的设备异常情况。
[0145]
相应的，如图8所示，本发明还公开了一种配电设备健康评价系统，包括：
[0146]
数据预处理单元1，用于获取配电设备的历史运行参数，经过数据预处理后作为模型训练数据。
[0147]
模型训练单元2，用于利用模型训练数据进行设备健康评价模型训练。
[0148]
参数获取单元3，用于获取配电设备的实时运行参数x。
[0149]
emd分解单元4，用于对实时运行参数x进行emd分解，获取其imf分量。
[0150]
计算单元5，用于加载训练后的设备健康评价模型，利用训练后的设备健康评价模型计算实时运行参数x的各个imf分量的残差值。
[0151]
参数权重调整单元6，用于根据imf分量的残差值大小按照变权公式调整参数权重，获取运行参数x的变权重。
[0152]
偏差分数计算单元7，用于利用训练后的设备健康评价模型获得各个imf分量的偏差分数。
[0153]
评价分数计算单元8，用于通过将各个imf分量的偏差分值乘以对应的参数权重作累加值，得到设备健康评价分数。
[0154]
相应的，本发明还公开了一种配电设备健康评价装置，包括：
[0155]
存储器，用于存储计算机程序；
[0156]
处理器，用于执行所述计算机程序时实现如上文任一项所述配电设备健康评价方法的步骤。
[0157]
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如u盘、移动硬盘、只读存储器(rom， read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
[0158]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0159]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0160]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以
是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。
[0161]
同理，在本发明各个实施例中的各处理单元可以集成在一个功能模块中，也可以是各个处理单元物理存在，也可以两个或两个以上处理单元集成在一个功能模块中。
[0162]
结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所限定的范围。