本发明属于电力系统运行可靠性研究
技术领域：
，具体是一种基于模糊遗传算法的电力设备混合威布尔可靠性建模方法。
背景技术：
：配电网可靠性评估通常假设元件故障率为常数，但在实际运行中，元件故障现象受其所处位置、环境因素、运维和使用寿命等诸多因素协同影响，因此，准确描述元件故障间隔时间概率分布，建立可靠性模型，以指导电网规划、调度运行和设备维护等工作显得尤为重要。描述元件故障间隔时间的概率分布主要有指数分布、威布尔分布、伽马分布、正态分布、对数正态分布等，其中威布尔分布是较为常用但又比较复杂的一种寿命分布。配网可靠性评估中常用的是2参数单一威布尔分布来描述元件故障时间间隔概率分布，不能体现多种失效模式的影响。因此为了提高电力设备可靠性模型的准确性，该领域迫切需要提出了一种基于模糊遗传算法的电力设备混合威布尔可靠性建模方法。技术实现要素：有鉴于此，本发明的目的是提供一种基于模糊遗传算法的电力设备混合威布尔可靠性建模方法。能够克服现有评估方式所存在的问题。本发明的目的是通过以下技术方案实现的：本发明的基于模糊遗传算法的电力设备混合威布尔可靠性建模方法，包括以下步骤：步骤s1：根据多年历史数据，分析电力设备故障原因及时空分布特性，从而确定电力设备的失效模式；步骤s2：对电力设备故障间隔时间分布进行校验，确定电力设备故障间隔时间是否符合威布尔分布；步骤s3：根据电力设备故障主要的失效模式，建立电力设备故障间隔时间混合威布尔模型；步骤s4：利用遗传算法实现混合威布尔模型的参数拟合；步骤s5：利用模糊逻辑控制系统对遗传算法中的交叉概率和变异概率进行动态的自适应控制。特别地，所述步骤s1包括以下步骤：步骤s11：根据多年电力设备运行记录，按照气候因素、外力因素、设计施工、设备老化与其他共5类故障原因及时空分布对电力设备故障进行统计分析，从而确定电力设备的失效模式；步骤s12：根据多年电力设备运行记录，对占比最大的电力设备故障原因和时空分析进一步深入分析，从而确定电力设备主要的失效模式。特别地，所述步骤s2包括以下步骤：步骤s21：根据多年电力设备运行记录，统计电力设备故障间隔时间；步骤s22：对电力设备故障间隔时间的概率分布函数进行ks检验，确定电力设备故障间隔时间是否符合威布尔分布；设电力设备故障间隔时间概率分布函数为f0(x；θ1,θ2,…,θm)，样本容量为n，顺序化的随机样本为x1,x2,…,xn，假设理论分布为h0:f(x)＝f0(x；θ1,θ2,…,θm)，经验分布函数为：若记fn(x0)＝0，则统计量d为：当实际观测值d≥d(n,α)，则拒绝h0，否则接受h0。特别地，所述步骤s3包括以下步骤：步骤s31：根据步骤1获得的电力设备主要的失效模式，确定电力设备混合威布尔分布建模中涉及的m个失效模式。步骤s32：建立电力设备的混合威布尔可靠性模型，如下式所示：式中，f(t)为电力设备故障间隔时间的失效累积分布函数，f1(t),…fm(t)为每一个失效模式对应的故障间隔时间失效累积分布函数，p1,…,pm为每一个失效模式对应的权重系数。步骤s33：建立电力设备每个失效模式的单一威布尔分布模型，如下式所示：式中，fi(t)为电力设备第i个失效模式的故障间隔时间的失效累积分布函数，ηi电力设备第i个失效模式单一威布尔分布模型的尺度参数，βi电力设备第i个失效模式单一威布尔分布模型的形状参数，γi为电力设备第i个失效模式单一威布尔分布模型的位置参数；当γi＝0时，则模型退化为二参数模型。特别地，所述步骤s4中，遗传算法进行电力设备混合威布尔可靠性模型的参数拟合，目标函数及约束条件如下所示：约束条件为：其中，i为电力设备的失效模式；f0(t)为电力设备历史数据对应的失效累积分布函数。特别地，所述步骤s5进一步包括以下步骤：步骤s51：确定模糊逻辑控制系统的输入量，包括：a、种群进化速度设n为种群数量，{x1,i,x2,i,…,xn,i}为第i个个体对应的n个变量，f(k,i)为第k代第i个个体的适应度，则第k代种群的进化速度es(k)为：es表示当代平均适应度相对上一代平均适应度提高的比率，当种群退化时es为负；b、种群多样性表征第k代种群的多样性ad(k)为式中，为第i维向量的平均值，表示种群中心。ad表示各个个体与的平均距离，ad越大，表明种群多样性越大，反之，则多样性越小。步骤s52：确定模糊逻辑控制系统的输出量，分别为遗传算法的交叉概率pc和变异概率pm；步骤s53：模糊逻辑控制系统的输入输出量模糊化处理。输入参数es、ad，输出参数pc和pm均采用梯形和三角形相结合的隶属度函数，模糊变量分别取5个，即“lower”、“low”、“medium”、“high”、“higher”；步骤s54：确定模糊逻辑控制系统的模糊控制规则；步骤s55：模糊逻辑控制系统的输出变量反模糊化处理。本发明的有益效果是：本发明在对电力设备故障模式进行分析的基础上，建立了气候因素与其它因素相结合的电力设备混合威布尔分布模型，并采用遗传算法进行参数拟合，以提高混合威布尔分布参数拟合的精确性和适用性。同时，为解决遗传算法容易陷入早熟状态，提高收敛速度，引入模糊逻辑控制系统对交叉概率和变异概率进行动态的自适应控制，通过算例计算，验证了所提方法具有较高的预测精度，收敛速度快，克服了过早收敛的问题，可用于指导电网规划、调度运行和设备维护。本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。附图说明为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：图1为本发明技术方案的实施流程图；图2为输入输出参数隶属度函数；图3为实施例2005～2016年110kv输电线路故障逐年分析图；图4为实施例2005～2016年110kv输电线路故障逐月分析图；图5为实施例2005-2016年110kv输电线路故障间隔时间分析图；图6为3种拟合方法计算结果图；图7为两种混合威布尔分布收敛过程比较图。具体实施方式以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。本发明的目的是提供一种基于模糊遗传算法的电力设备混合威布尔可靠性建模方法，如图1所示,具体包括以下步骤：步骤s1：根据多年历史数据，分析电力设备故障原因及时空分布特性，从而确定电力设备的失效模式。步骤s2：对电力设备故障间隔时间分布进行校验，确定电力设备故障间隔时间是否符合威布尔分布。步骤s3：根据电力设备故障主要的失效模式，建立电力设备故障间隔时间混合威布尔模型。步骤s4：利用遗传算法实现混合威布尔模型的参数拟合。步骤s5：利用模糊逻辑控制系统对遗传算法中的交叉概率和变异概率进行动态的自适应控制。需要说明的，在本实施例中，步骤s1进一步包括以下步骤：步骤s11：根据多年电力设备运行记录，按照气候因素、外力因素、设计施工、设备老化与其他共5类故障原因及时空分布对电力设备故障进行统计分析，从而确定电力设备的失效模式。对2005-2016年发生故障的110kv主设备类型进行统计分析，如表5所示。在2005～2016年间，110kv及以上输电线路共发生2595次故障，占总故障次数的86.38％，变压器和断路器发生的故障次数占比较低。在110kv及以上输电线路中，110kv输电线路共发生1930次故障，占总故障次数的64.25％，下面将着重分析110kv输电线路的故障时间特征。表52005-2016年110kv及以上主设备故障记录统计对2005-2016年110kv输电线路故障原因按照气候因素、外力因素、设计施工、设备老化与其他5类进行分类，结果见表6。气候因素引起的故障占110kv输电线路故障总数的68.08％，外力因素引起的故障占10.93％，设计施工引起的故障占6.84％，设备老化引起的故障占3.16％，可见，气候因素为110kv输电线路故障的主要原因。表62005-2016年110kv输电线路故障原因分析步骤s12：根据多年电力设备运行记录，对占比最大的电力设备故障原因和时空分析进一步深入分析，从而确定电力设备主要的失效模式。对气候影响的110kv输电线路故障进一步统计分析，如表7所示。可见覆冰对于110kv输电输电线影响最大，占总故障数量的55.71％，其次是雷击，占22.30％，再次是大风，占12.10％，剩余是其他因素引起的故障。表72005-2016年与气候相关的110kv输电线路故障分析对2005-2016年110kv输电线路故障原因按年份进行统计分析，如图3所示。气象相关的故障较多年份集中在2005、2006、2007、2008、2011年。因2008年受冰灾影响，导致2008年气象相关的故障次数最多，达558次。从2012年起，气象相关的故障次数逐年减少。对2005-2016年110kv输电线路故障原因按月份进行统计分析，如图4所示。可见110kv输电线路故障主要集中在1、2、7、8月份。步骤s2进一步包括以下步骤：步骤s21：根据多年电力设备运行记录，统计电力设备故障间隔时间。2005年-2016年发生的110kv输电线路故障时间统计分布如图5所示。每一个星点代表发生的一个故障，共1930个故障实例。从图5中纵向间隔内的星点分布密度可看出故障时间大多集中在[1,400]的时间区间内。步骤s22：对电力设备故障间隔时间的概率分布函数进行ks检验，确定电力设备故障间隔时间是否符合威布尔分布。假设电力设备故障间隔时间概率分布函数为f0(x；θ1,θ2,…,θm)，样本容量为n，顺序化的随机样本为x1,x2,…,xn，假设理论分布为h0:f(x)＝f0(x；θ1,θ2,…,θm)，经验分布函数为：若记fn(x0)＝0，则统计量d为：当实际观测值d≥d(n,α)，则拒绝h0，否则接受h0。步骤s3进一步包括以下步骤：步骤s31：根据步骤1获得的电力设备主要失效模式为气象因素，确定电力设备混合威布尔分布建模中涉及的2个失效模式，即气象因素及其它因素。步骤s32：建立电力设备的混合威布尔可靠性模型。如下式所示：式中，f(t)为电力设备故障间隔时间的失效累积分布函数，f1(t),f2(t)为每一个失效模式对应的故障间隔时间失效累积分布函数，p1,p2为每一个失效模式对应的权重系数；步骤s33：建立电力设备每个失效模式的单一威布尔分布模型，如下式所示：式中，fi(t)为电力设备第i个失效模式的故障间隔时间的失效累积分布函数，ηi电力设备第i个失效模式单一威布尔分布模型的尺度参数，βi电力设备第i个失效模式单一威布尔分布模型的形状参数，γi为电力设备第i个失效模式单一威布尔分布模型的位置参数；当γi＝0时，则模型退化为二参数模型。步骤s4进一步包括以下步骤：步骤s41：遗传算法进行电力设备混合威布尔可靠性模型的参数拟合，目标函数及约束条件如下所示：约束条件为：p1+p2＝1；其中，i为电力设备的失效模式；f0(t)为电力设备历史数据对应的失效累积分布函数；步骤s42：遗传算法实施步骤如下所示(此步骤必须通过编码把问题的可行解表示成遗传空间的染色体或个体)：a.编码，把问题的可行解即电力设备混合威布尔分布模型中的尺度参数η1、η2，形状参数β1、β2和权重系数p1表示成遗传空间的染色体或个体，采用实数编码，每个染色体为一个实数向量；b.种群初始化，随机选择一个初始种群，初始种群中个体数为n＝100；c.适应度函数是用来区分种群中个体好坏的标准。此处第k代适应度函数为：d.遗传算法流程图如图1所示，具体遗传算法参数选择如表5所示。表5遗传算法参数类型种群规模迭代次数交叉概率变异概率数值100500.60.1步骤s5进一步包括以下步骤：步骤s51：确定模糊逻辑控制系统的输入量：a、种群进化速度设n为种群数量，{x1,i,x2,i,…,xn,i}为第i个个体对应的n个变量，f(k,i)为第k代第i个个体的适应度，则第k代种群的进化速度es(k)为：es表示当代平均适应度相对上一代平均适应度提高的比率，当种群退化时es为负。b、种群多样性表征第k代种群的多样性ad(k)为式中，为第i维向量的平均值，表示种群中心。ad表示各个个体与的平均距离，ad越大，表明种群多样性越大，反之，则多样性越小。步骤s52：确定模糊逻辑控制系统的输出量，分别为遗传算法的交叉概率pc和变异概率pm，以解决传统遗传算法中交叉和变异概率为常数，导致遗传算法早熟的问题。步骤s53：模糊逻辑控制系统的输入输出量模糊化处理。输入参数es、ad，输出参数pc和pm均采用梯形和三角形相结合的隶属度函数，模糊变量分别取5个，即“lower”、“low”、“medium”、“high”、“higher”，如图2所示；步骤s54：确定模糊逻辑控制系统的模糊控制规则。模糊控制规则如表1、表2所示，表中分别用1、2、3、4、5对应“lower”、“low”、“medium”、“high”、“higher”。表1pc模糊控制规则表2pm模糊控制规则步骤s55：模糊逻辑控制系统的输出变量反模糊化处理。本实施例中，是采用最大隶属度函数法实现输出参数的反模糊化处理。应用matlab软件编程实现电力设备混合威布尔可靠性建模，结果如下式所示。应用matlab软件编程分别采用单一威布尔分布、基于遗传算法(ga)的混合威布尔分布、基于模糊遗传算法(fga)的混合威布尔分布3种方法，结果如表7所示。表63种拟合方法计算结果从表6可知，基于ga、fga的混合威布尔分布模型误差和计算时间均优于单一威布尔分布模型，但基于fga的混合威尔分布模型更优于基于ga的混合威布尔分布模型，拟合结果如图6所示。2种算法的收敛过程如图7所示，2者相比，基于fga的混合威布尔分布模型能改善ga的性能，避免进入早熟状态，提高收敛速度。特别说明的是，本实例所用的统计数据是基于某省2005～2016年110kv电力设备的运行记录。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。当前第1页12