一种环网柜设备状态监测及故障诊断方法与流程

1.本发明涉及电力设备监测与检修技术领域，特别涉及一种环网柜设备状态监测及故障诊断方法。


背景技术：

2.近年来我国不断加大配电网建设投资，城市配电网得到了快速的发展，供电质量显著提升，环网柜凭借其结构简单、安装方式灵活等优点得到了大规模的应用，由于环网柜数量多且分散在户外，维护难度大，一次设备的状态监测和运维巡检工作压力巨大，随着对环网柜的运维工作要求日益增高，传统的巡检工作主要依靠人工定期巡视进行检查，运维人员借助红外测温仪、局放检测仪、六氟化硫压力表等设备进行现场检测以评估环网柜的运行状态，无法实时掌握设备运行情况，经常会出现环网柜处于缺陷状态长期运行，最终导致停电事故发生。


技术实现要素：

3.本发明提供了一种环网柜设备状态监测及故障诊断方法，通过采集环网柜设备的运行数据，及时发现设备异常信息，生成故障诊断工单，进而利用故障分析模型，快速确定故障类型，实时检测，无需人工巡检，为设备运维人员的维修提供先验信息。
4.本发明的技术方案为：
5.一种环网柜设备状态监测及故障诊断方法，包括：
6.步骤一、采集环网柜设备的运行数据，并根据运行数据确定环网柜设备的异常状态信息；
7.步骤二、获取环网柜设备的设备信息，并根据设备信息和异常状态信息生成故障诊断工单；
8.步骤三、根据故障诊断工单，基于元器件的状态数据与异常状态信息的相关性分析，采集环网柜设备的多个相关元器件的状态数据；
9.步骤四、将多个相关元器件的状态数据输入到故障分析模型中，确定环网柜设备的故障类型。
10.优选的是，运行数据包括运行电压、运行电流和运行温度。
11.优选的是，步骤一包括：
12.根据环网柜设备运行数据的历史故障数据集，设定运行电压阈值区间，运行电流阈值区间和运行温度阈值区间；
13.若运行电压超出运行电压阈值区间，则生成电压异常状态信息；
14.若运行电流超出所述运行电流阈值区间，则生成电流异常状态信息；
15.若运行温度超出所述运行温度阈值区间，则生成温度异常状态信息。
16.优选的是，元器件状态数据与异常状态信息的相关性分析包括：
17.获取环网柜设备故障数据，以构建故障数据集，故障数据包括异常状态信息、多个
元器件的状态数据和故障类型；
18.分别计算单个元器件的状态数据与异常状态信息的相关性系数，并按照相关性系数值排序得到相关性列表；
19.按照排序从相关性列表中筛选故障类型对应的多个相关元器件。
20.优选的是，元器件包括：电压互感器、电流互感器、通信传感器、负荷开关、真空断路器、过电压保护器、高压带电显示器、高压熔断器、避雷器和隔离刀闸。
21.优选的是，故障分析模型包括：
22.以相关元器件的状态数据为输入层，故障类型为输出层建立变分循环神经网络模型；
23.采用半监督的学习方式，对变分循环神经网络模型进行训练和更新，得到故障类型分析模型。
24.优选的是，故障类型包括传动系统故障、开合故障、绝缘故障、截流故障和通信故障。
25.优选的是，相关性系数通过计算得到，计算公式为：
[0026][0027]
其中，x表示元器件的状态数据，y表示异常状态信息，s(x，y)表示元器件状态数据x与异常状态信息y表的相关性系数，μ
x
表示状态数据均值，μy表示异常状态信息均值，表示状态数据方差，表示异常状态信息方差，表示元器件状态数据x与异常状态信息y的像素协方差，c1，c2，c3表示极小参数。
[0028]
优选的是，变分循环神经网络模型，包括：
[0029]
设定变分循环神经网络模型的隐变量为正态分布，并利用长短期记忆网络中的隐藏状态对隐变量进行映射变换；
[0030]
对隐变量的近似后验分布进行采样，并使用解码网络对隐变量进行映射变换，得到重构的输入层数据的分布参数；
[0031]
利用重构的输入层数据的分布参数和隐变量更新变分循环神经网络模型；
[0032]
利用编码网络对重构的输入层数据的分布参数进行映射变换，学习一个近似的后验分布以逼近隐变量的真实后验分布。
[0033]
优选的是，半监督学习包括：
[0034]
以故障数据集为训练集，对变分循环神经网络模型进行训练及参数更新；
[0035]
对于变分编码器，引入时间特征作为新的变分下界。
[0036]
本发明的有益效果是：
[0037]
1、本发明提供了一种环网柜设备状态监测及故障诊断方法，通过采集环网柜设备的运行数据，及时发现设备异常信息，生成故障诊断工单，进而利用故障分析模型，快速确定故障类型，实时检测，无需人工巡检，为设备运维人员的维修提供先验信息。
[0038]
2、本发明基于相关性分析筛选出故障类型对应的多个相关元器件，相比于经验性筛选更具有科学性，通过筛选对数据进行降维，提高了故障模型学习的学习和计算的速度，提高预测速率。
[0039]
3、本发明采用变分循环网络构建故障分类模型，不仅考虑相关元器件的状态数据
对于故障类型的综合影响，同时考虑了相关元器件的状态数据的时间特征对于模型分析结果的影响，提高了模型预判的准确性。
附图说明
[0040]
图1为本发明提供的一种环网柜设备状态监测及故障诊断方法的流程图。
具体实施方式
[0041]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0043]
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
[0044]
如图1所示，一种环网柜设备状态监测及故障诊断方法，包括
[0045]
s110、采集环网柜设备的运行数据，并根据运行数据确定环网柜设备的异常状态信息。
[0046]
其中，运行数据包括运行电压、运行电流和运行温度。
[0047]
定环网柜设备的异常状态信息的过程，具体包括：
[0048]
根据环网柜设备运行数据的历史故障数据集，设定运行电压阈值区间，运行电流阈值区间和运行温度阈值区间；
[0049]
若运行电压超出运行电压阈值区间，则生成电压异常状态信息；
[0050]
若运行电流超出所述运行电流阈值区间，则生成电流异常状态信息；
[0051]
若运行温度超出所述运行温度阈值区间，则生成温度异常状态信息。
[0052]
s120、获取环网柜设备的设备信息，并根据设备信息和异常状态信息生成故障诊断工单。
[0053]
发现环网柜设备可能存在异常，立即获得环网柜设备的信息，将设备信息和异常状态汇总，形成故障诊断工单，故障诊断工单可以作为触发故障诊断的指令，同时故障诊断工单留存。
[0054]
s130、根据故障诊断工单，基于元器件的状态数据与异常状态信息的相关性分析，采集环网柜设备的多个相关元器件的状态数据。
[0055]
其中，元器件状态数据与异常状态信息的相关性分析包括：
[0056]
获取环网柜设备故障数据，以构建故障数据集，故障数据包括异常状态信息、多个
元器件的状态数据和故障类型；
[0057]
分别计算单个元器件的状态数据与异常状态信息的相关性系数，并按照相关性系数值排序得到相关性列表；
[0058]
相关性系数的计算公式为：
[0059][0060]
其中，x表示元器件的状态数据，y表示异常状态信息，s(x，y)表示元器件状态数据x与异常状态信息y表的相关性系数，μ
x
表示状态数据均值，μy表示异常状态信息均值，表示状态数据方差，表示异常状态信息方差，表示元器件状态数据x与异常状态信息y的像素协方差，c1，c2，c3表示极小参数。
[0061]
按照排序从相关性列表中筛选故障类型对应的多个相关元器件。
[0062]
具体的，元器件包括：电压互感器、电流互感器、通信传感器、负荷开关、真空断路器、过电压保护器、高压带电显示器、高压熔断器、避雷器和隔离刀闸。
[0063]
具体的，故障类型包括传动系统故障、开合故障、绝缘故障、截流故障和通信故障。
[0064]
s140、将多个相关元器件的状态数据输入到故障分析模型中，确定环网柜设备的故障类型。
[0065]
以相关元器件的状态数据为输入层，故障类型为输出层建立变分循环神经网络模型；
[0066]
采用半监督的学习方式，对变分循环神经网络模型进行训练和更新，得到故障类型分析模型。
[0067]
本发明采用变分循环神经网络模型，以相关元器件的状态数据为输入层，对于t时刻的输入数据x
t
，用长度为w的矢量x
t-w+1
，x
t-w
，
…
x
t
表示。
[0068]
首先，设定变分循环神经网络模型的隐变量为正态分布，在每一个时间点t上都包含变分编码器模块，隐变量z变为z
t
，并利用长短期记忆网络中的隐藏状态h
t-1
对隐变量z
t
进行映射变换；
[0069][0070]
其中，表示先验分布z
t
的均值，表示先验分布z
t
的标准差，表示神经网络。
[0071]
神经网络使用前一时刻隐藏层的状态h
t-1
对z
t
的先验分布进行设定，说明隐变量z
t
不再是一个独立的变量，而是受h
t-1
影响，这样使得变分循环神经网络模型能够更好的学习数据的时间依赖关系。
[0072]
其中，神经网络采用线性单元和非线性激活函数relu和softplus.
[0073]
然后，对隐变量的近似后验分布进行采样，并使用解码网络对隐变量进行映射变换，得到重构的输入层数据的分布参数；
[0074]
在重构过程中不仅依赖于隐变量z
t
，还和前一时刻的隐藏状态h
t-1
有关，假设重建的x
t
的分布服从高斯分布，首先对隐变量z
t
的近似后验分布进行采样，接着对其使用解码网络进行映射变换，获得重建的x
t
的分布参数；
[0075][0076]
其中，表示重构x
t
时的高斯分布的均值，表示重构x
t
时的高斯分布的标准差，表示解码网络，负责生成重构x
t
的分布均值和分布标准差，负责从隐变量z
t
中提取特征。
[0077]
再者，利用重构的输入层数据的分布参数和隐变量更新变分循环神经网络模型；
[0078][0079]
其中，f表示长短期记忆网络，其对隐藏状态进行更新时，不仅使用了输入变量x
t
，还使用了隐变量z，这样，变分循环神经网络就将变分自编码器和长短期记忆网络中的时间特征相关性结合在了一起，从而拥有强大的建模能力。
[0080]
最后，利用编码网络对重构的输入层数据的分布参数进行映射变换，学习一个近似的后验分布以逼近隐变量的真实后验分布；
[0081][0082]
其中，表示隐变量z
t
的近似后验分布的均值，表示隐变量z
t
的近似后验分布的标准差，表示编码网络，对隐变量z
t
的近似后验分布的均值和标准差进行推断。
[0083]
在建立变分循环神经网络模型后，以故障数据集为训练集，对变分循环神经网络模型进行训练及参数更新；对于变分编码器，引入时间特征作为新的变分下界。
[0084]
以故障数据集为训练集，对变分循环神经网络模型进行训练及参数更新；
[0085]
对于变分编码器，引入时间特征作为新的变分下界。
[0086]
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
[0087]
本发明提供了一种环网柜设备状态监测及故障诊断方法，通过采集环网柜设备的运行数据，及时发现设备异常信息，生成故障诊断工单，进而利用故障分析模型，快速确定故障类型，实时检测，无需人工巡检，为设备运维人员的维修提供先验信息。本发明基于相关性分析筛选出故障类型对应的多个相关元器件，相比于经验性筛选更具有科学性，通过筛选对数据进行降维，提高了故障模型学习的学习和计算的速度，提高预测速率。本发明采用变分循环网络构建故障分类模型，不仅考虑相关元器件的状态数据对于故障类型的综合影响，同时考虑了相关元器件的状态数据的时间特征对于模型分析结果的影响，提高了模型预判的准确性。
[0088]
以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。