一种配电设备检修策略优化方法与流程

本发明属于配电网检修策略的优化模型和配电网的优化经济调度技术领域，尤其涉及一种配电设备检修策略优化方法。

背景技术：

随着2011年国家电网公司制定的《配网设备状态检修导则》等三项技术标准的颁布，配电设备运行状态监/检测分析及故障诊断能力得以显著提高，配电网设备检修也将逐步从传统的定期检修方式向状态检修方式过渡。但是，现有的《配网设备状态检修导则》只是定性地给出了在不同健康状态下设备应采取何种检修方式的建议，例如对于变压器本体不同健康状态下的检修建议如表1所示。而究竟是安排何种检修，究竟在多长时间范围内进行检修，《导则》都没有进行明确。评价量化标准的缺失，使得在实际工作中检修决策人员大都凭个人经验进行决策，影响了配电设备状态检修的推广和实施效果。

表1

当前国内外对配电网检修计划优化模型的研究存在着以下不足：国内的大部分研究还停留在“定期检修”方式下，研究的是在既定的检修周期下如何通过合理地协调检修工作的开始时间，在满足电网运行可靠性的前提下降低检修成本和停电损失，这些优化模型不能完全满足“状态检修”这一新的检修方式对设备检修内容优化、检修周期优化等方面的需求。也有部分研究开始着手状态检修下设备检修策略的制定问题，但这些研究或专注于不同检修方式的检修周期的协调问题，或着重于解决处于不同健康状态下检修方式的选择问题，鲜有研究能够完全回答在不同健康状态下究竟应在何时采用何种检修方式。国外的研究大都立足于自身的需求，由于我国配电网发展较慢，状态检修工作刚刚起步，因而国外的研究成果只能起到借鉴和启发的作用，需根据我国配电网检修工作的实际情况，进行针对性的建模。

技术实现要素：

针对上述问题，本发明提出了一种配电设备检修策略优化方法，包括如下步骤：

S1，根据设备历史数据和经验数据确定配电设备检修策略优化模型的基本参数；

S2，随机产生所述检修策略的初始解；

S3，评价所述配电设备在初始解下的各次决策的总检修成本，得到初始解的评价结果；

S4，应用遗传算法，对初始种群进行交叉、变异和选择，得到新的解；

S5，持续迭代优化所述新的解，直至解的评价结果不再变优，输出最优解。

优选的，所述设备历史数据包括设备历史故障率、健康状态评价数据和设备历史检修数据。

优选的，所述步骤S1还包括：根据设备历史检修数据得到不同检修方式的检修成本；进行网络故障恢复优化计算，得到该设备故障时的停电负荷，并基于该数据得到设备故障的停电损失；根据经验数据，为不同检修方式下的役龄回退因子赋值。

优选的，所述检修策略包括检修方式和检修时间。

本发明的有益效果在于：

本发明建立状态检修背景下配电网检修策略的优化模型。通过对该模型的求解将可得到量化的检修策略(包括检修方式和检修时间)。对国内配电网的检修工作有较高的适应性。

附图说明

图1是设备检修前后故障率的变化图；

图2是对随机产生的初始解进行评价流程图。

具体实施方式

本发明将建立状态检修背景下配电网检修策略的优化模型。通过对该模型的求解将可得到量化的检修策略(包括检修方式和检修时间)，如表2所示。

表2

表中，M_k∈{A类检修，B类检修，C类检修,不检修}。

T_k∈{T_c，2T_c……NT_c}。考虑到设备检修需特定的设备和场所，需要一定的准备时间。假定T_c为根据实际工作情况确定的最短检修开始时间。例如可将T_c设定为1周。

下面结合附图，对实施例作详细说明。

(1)优化模型

优化目标：全寿命周期检修成本期望最低。

C_j＝C_M(π_j)+C_R(π_j) (2)

其中：L：在该设备寿命周期内进行决策的总次数；当设备进行健康状态评价后，检修人员需对该设备进行检修决策。健康状态的评价周期由各电网公司的运行规程决定。

C_j为第j次决策时的总检修成本；

π_j为第j次检修采用的检修策略；C_M(π_j)为执行该检修决策所花费的检修费用，不同检修方式的检修费用不同，可通过对设备检修历史数据进行统计得到；C_R(π_j)为相邻两次决策期间，设备发生故障造成的故障损失风险。

1)第j次决策时设备健康状态预测。

受老化、磨损等因素影响，电气设备的故障率将随时间呈增加趋势。在可靠性工程中，经常威布尔分布来描述电气设备的故障率随时间的变化规律，如下式所示：

m,η参数可通过对电气设备的历史统计数据，应用Marguardt法进行求解。

另一方面，研究表明，设备的健康状态与故障率之间存在着指数关系，如下式所示：

λ＝Ke^C*H (4)

其中，H为设备的健康状态，K为比例系数，C为曲率系数。同样，K和C这两个参数可通过对设备历史故障率和健康状态历史评估结果进行数据拟合得到。

由以上两个式子可以得到设备的健康状态与时间之间的关系如下：

2)不同检修方式对设备故障率的影响。

设备检修工作能改善设备的整体性能，其效果等同于将设备的役龄时间向前推移了一定量，可以通过引入“役龄回退因子α”来表征检修对设备役龄的影响，从而可量化得到设备检修前后故障率的变化，如图1所示。

例如在A点检修，使得设备役龄回退αT₁，于是设备故障率从B点降低至C点。故障率曲线在C点之后如曲线C—D所示。不同检修方式对设备性能的改善效果不同，因而役龄回退因子α取值不同。一般情况下，A类检修～C类检修的回退因子的取值逐步降低。而对于设备故障后检修，只是恢复设备的故障功能，并不会改善设备性能，因而回退因子取值为0。

例如：在A点采取某类检修，该类检修对应的回退因子为α₁，α₁T₁表示经过检修后，设备的役龄能减少α₁T₁年，也即意味着在A点检修完成后，设备的故障率为λ(T₁-α₁T₁)。同理，α₂T₂表示在E点经过某类检修后，设备的役龄能减少α₂T₂年。

3)设备故障损失风险评估。

两次决策期间，设备可能发生故障产生故障损失。

T_j：第j次决策的时间；

T_M：设备检修时间；

T_E：设备健康状态评价周期。

两次决策期间，设备发生故障的概率。检修前后λ(t)不同，通过役龄回退因子调整其曲线形状。

C_L：故障检修费用，通过对历史数据统计得到。

C_S：由于设备故障导致的停电损失。从电网公司的角度出发，停电损失包括售电损失和停电赔偿两部分，这两部分都与停电负荷量相关。可通过配电网网络重构算法确定该设备故障造成的停电负荷量。

(2)计算过程演示。

1)确定基本参数。

根据设备历史故障率、健康状态评价数据得到式(3)～(5)中的参数。

根据设备历史检修数据得到不同检修方式的检修成本。

进行网络故障恢复优化计算，得到该设备故障时的停电负荷，并基于该数据得到设备故障的停电损失。

根据经验数据，为不同检修方式下的役龄回退因子赋值。

2)随机产生初始解，如表3所示。

表3

3)对该解进行评价，如图2所示。

a.起始状态：根据式(3)，可以得到从T＝0到TE之间的累计故障率。代入公式(6)中得到起始状态的总检修成本。

b.第二次决策：根据式(5)，对第二次决策时设备的健康进行预测，并根据预测结果确定检修策略。假设预测结果为：注意，则选定的检修策略为：1周后开始C类检修。

则从第二次决策到第二次决策期间，由于中间存在着检修操作，所以在检修前后设备的故障率曲线发生了改变。假设在检修前故障率曲线如图1中E-B所示，检修后故障率曲线如B—C所示。根据这两段故障率曲线，得到从T＝T_E到2T_E之间的累计故障率。代入公式(6)中得到第二次决策时的故障损失风险。

由于第二次决策采用C类检修方式，所以产生了相应的检修费用。

根据公式(2)得到第二次决策的总检修成本。

c.以此类推，得到该设备在初始解下的各次决策的总检修成本，代入公式(1)中得到初始解的评价结果。

4)应用遗传算法，对初始种群进行交叉、变异和选择操作，得到新的解。

5)持续迭代优化，直至解的评价结果不在变优，输出最优解。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。