本发明属于电气设备及电气工程领域,具体涉及一种基于配电自动化终端设备全生命周期寿命预测方法及系统。
背景技术:
配电自动化终端设备是实现配网自动化和配网智能化的基石,其正常运行是保障配网调度工作正常开展的保障,关系到配电网安全稳定运行。由于配电自动化设备数量多、分布广、现场环境复杂,因此配电自动化终端设备发生故障概率很高,并且引发故障的原因多种多样。目前自动化终端设备的维护还停留在流程化的管理当中,设备进行未投运->调试->投运->拆除->退役->检修,还未进行具体而深入的分析,以达到设备不断完善,减少因为可避免的原因引起的停电和线路故障。
目前针对自动化终端设备的管理不足点为自动化设备只进行流程化的跟踪使用,没有进行深层次的问题归纳分析,对后续的故障无法进行预测。
技术实现要素:
本发明的目的在于针对以上不足,提供一种基于配电自动化终端设备全生命周期寿命预测方法及系统,有利于终端故障高发区的统计,并能够按区域进行改善,且有利于厂家间的竞争,从而推动终端质量的提升。
为实现上述目的,本发明的技术方案是:一种基于配电自动化终端设备全生命周期寿命预测方法,采集配电自动化主站终端设备的实时数据,根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测预定周期内的配电自动化主站终端设备的生命周期;
所述配电自动化主站终端设备的影响指标的故障模型建立方式如下:
s1、数据采集:采集配电自动化主站终端设备的历史数据;
s2、数据预处理:对采集数据进行预处理,以克服采集数据存在的不一致、重复或含噪声的问题;
s3、特征提取:对预处理后的数据进行特征提取;
s4、故障模型建立:根据步骤s3的特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别进行模型的建立。
在本发明一实施例中,所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
在本发明一实施例中,所述步骤s2中,数据预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
在本发明一实施例中,所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
在本发明一实施例中,所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
其中,k代表融合入的影响指标个数;
bk:代表第k个影响指标对应的权限比重;
reck(u,i):第k个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
本发明还提供了一种基于配电自动化终端设备全生命周期寿命预测系统,包括
数据采集模块:采集配电自动化主站终端设备的实时数据;
寿命预测模块:根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测未来一年的配电自动化主站终端设备的生命周期,并对因配电自动化主站终端设损坏引起的问题进行规避;
所述故障模型,是通过对配电自动化主站终端设备的历史数据进行预处理,而后,对预处理后的数据进行特征提取,最后,根据特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别建立而成。
在本发明一实施例中,所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
在本发明一实施例中,所述通过对配电自动化主站终端设备的历史数据进行预处理中采用的预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
在本发明一实施例中,所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
在本发明一实施例中,所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
其中,k代表融合入的影响指标个数;
bk:代表第k个影响指标对应的权限比重;
reck(u,i):第k个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
相较于现有技术,本发明具有以下有益效果:
1、区域的终端分析,有利于终端故障高发区的统计,并能够按区域进行改善;
2、厂家的故障次数和原因的分析,有利于厂家间的竞争,从而推动终端质量的提升;
3、天气和地理位置的影响,为终端质量的提升提供数据基础,让厂家能够更全面的解决终端质量问题,从而达到双赢的局面;
4、终端的失窃和人为破坏案件也不在少数,这从反面提供了区域的精神面貌,对城市的建设和人文面貌建设提供了依据;
5、终端生命周期的预测,有利于巡检工作的周期性安排,并对财政支出提供基础数据,为更好的进行配电巡检和办公带来有力的支撑。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的一种基于配电自动化终端设备全生命周期寿命预测方法,采集配电自动化主站终端设备的的实时数据,根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测预定周期内的配电自动化主站终端设备的生命周期;
所述配电自动化主站终端设备的影响指标的故障模型建立方式如下:
s1、数据采集:采集配电自动化主站终端设备的历史数据;
s2、数据预处理:对采集数据进行预处理,以克服采集数据存在的不一致、重复或含噪声的问题;
s3、特征提取:对预处理后的数据进行特征提取;
s4、故障模型建立:根据步骤s3的特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别进行模型的建立。
所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
所述步骤s2中,数据预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
在本发明一实施例中,所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
其中,k代表融合入的影响指标个数;
bk:代表第k个影响指标对应的权限比重;
reck(u,i):第k个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
本发明还提供了一种基于配电自动化终端设备全生命周期寿命预测系统,包括
数据采集模块:采集配电自动化主站终端设备的实时数据;
寿命预测模块:根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测未来一年的配电自动化主站终端设备的生命周期,并对因配电自动化主站终端设损坏引起的问题进行规避;
所述故障模型,是通过对配电自动化主站终端设备的历史数据进行预处理,而后,对预处理后的数据进行特征提取,最后,根据特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别建立而成。
所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
所述通过对配电自动化主站终端设备的历史数据进行预处理中采用的预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
在本发明一实施例中,所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
其中,k代表融合入的影响指标个数;
bk:代表第k个影响指标对应的权限比重;
reck(u,i):第k个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
以下为本发明的具体实施过程。
方案前提
对配电自动化终端设备进行台账管理,【未投运】、【调试】、【投运】、【拆除】、【退役】、【检修】六种状态的运维。拆除和退役需要提供具体的问题描述。主站不断采集设备上送上来的遥信、遥测数据进行实时存储,基于终端台账管理和大数据采集,为后续的分析提供数据基础。
在设备的多维度历史数据基础之上,结合一下主站提供的数据,对寿命预测进行人为的分析和验证。
区域分析、厂家分析
通过区域为分析维度(区域为供电分区,也可以细化到下面的厂站),根据周、月、季、年不同的时间查询维度,进行统计分析,整理出故障的高发时间、地区、厂家,结果采用饼图、棒图和柱状图的形式进行展示,运维人员可以对高发的地带和时间进行下一步的故障分析。厂家分析报表,进行普及,加强厂家对质量的关心程序,推动设备质量改善。
人文面貌
按照区域,统计由人为盗窃和破坏的终端所占的终端比,从而可以对区域电力设备安全作出评估,加强安防和推广该地区的安全电力知识和公共财产的普及,提高该地区的人文面貌。
天气影响、地理位置
系统按照天为维度,根据设备的地理位置采集平均温度和湿度,根据结合时间维度以及区域分析,综合进行分析,给出温度和湿度对设备寿命的影响曲线。将影响曲线提取对应的系数,该数据还可以作为终端生成的进一步抗压指标。
未来终端生命预测
作为数据重点分析,根据终端的各个维度造成的影响,进一步推算出未来一年的终端缺陷和终端寿命。具体的分析流程如下:
1、数据采集
数据采集,主要基于配电自动化主站终端相关数据采集。不同类型的配电终端采集信息不同,如遥信和遥测信息采集,遥信点位可以表示设备某些状态位的变化;遥测点可以表示设备某些量测值的变化。数据采集过程分为实时数据采集和历史数据存储。
2、数据预处理
数据采集、存储之后,系统需要对采集到的数据进行预处理。原始数据存在的几个问题:不一致;重复;含噪声;维度高等。这些问题不利于接下来的数据特征值的提取。目前数据的预处理主要分为分箱、聚类、计算机和人工检查结合、回归。这些方法都可以按照系统实际采集的数据进行合理的使用和规划。
3、特征提取
经过数据预处理后,要对数据进行特征提取。特征的提取跟数据的属性相关。分析每个因素的数据特征,系统根据终端提供的累积数据进行分析,如影响指标为:温度、湿度、电池电压等,那么对温度、湿度和电池电压的历史数据分别进行特征提取。
4、模型建立
每一个影响指标进行模型建立,形成各自的模型公式。概率分析方法、人工神经网络、专家系统、模糊集等都可以用于建立关系模型。通过对应的模型预测未来的值,每年进行估计并不断优化模型库。模型的建立要基于经验的积累,才能逐步完善每个地区的故障预测模型的建立。下面展示初步模型建立的过程:
基于大量的历史数据,对影响因素进行独立的模型建立,以温度为例进行模型建立(一元线性回归):
yi=b0+b1xi+ei
基于特征值的获取,确定模型的系数和参数。各个影响因素建立完各自的模型后,通过线性融合加权法:
其中,k代表融合入的影响指标个数;bk代表第k个影响指标对应的权限比重;reck(u,i)代表第k个影响指标的第i维度的线性分析;u代表原始分析数据;result(u,i)代表最终的第i维度设备健康值;
而后进行模型融合,从和算出最后的健康值。
寿命预测、风险规避
每个指标的模型建立完成,根据权重比较法,进行各个指标的融合,从而得出终端的当前健康指数.预测未来一年的终端生存周期,从而指定终端检查的时间点。对设备坏掉引起的问题进行规避。将损失降低。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。