本发明涉及电力设备缺陷分析及运维技术领域，特别涉及一种基于闭环知识管理的二次设备智能运维方法。
背景技术：
加强电网设备运维管理，是提高设备运行管理水平、保证安全生产的重要措施。与电网一次设备相比，二次设备的状态评价、缺陷分析以及运维技术研究相对滞后，知识的广度和深度都有较大增长空间，存在下列问题：
1)反映二次设备状态的特征量少，二次设备状态评价方法与检修策略与一次设备相比由较大差别，二次设备智能运维技术有待研究。
2)pms系统提供了缺陷统计的标准信息模型，对于二次设备和缺陷类型和原因等因素的建模需要进一步扩展和细化，才能达到支持智能运维分析要求。
3)ems和pms等系统侧重生产过程监控和流程管理考核，欠缺对问题分析方法、现场处置经验和运维知识的挖掘、存储和分享，使调度运行人员和运维检修人员的经验知识难以规范化、系统化，难以延续。
4)缺陷和故障的有效样本积累不足，不满足运维大数据技术研发和应用的需求。
5)二次设备运维以故障告警事后分析处置为主，缺乏事前预警手段，难以从已经发生的缺陷记录中自动分析识别家族缺陷等规律性共性问题，巡维工作预见性和主动性有待提升。
6)二次设备运维主要依赖人工分析和决策，随着二次运行维护工作复杂度提高，告警信号原因和影响的分析判断，缺陷原因和处置策略分析，都需要数据驱动的自动分析技术支撑，有利于运维人员全面准确掌握信息，迅速做出合理决策。
为解决上述问题，项目以二次设备运维数据信息为线索，以调控中心和变电站两级动态闭环知识管理为方法，研究利用大数据和人工智能技术，强化调控人员指挥决策能力，提升运维人员执行力，实现二次运维从故障告警事后分析到事前预警消缺的转变。
技术实现要素：
有鉴于此，本发明的目的是提供一种基于闭环知识管理的二次设备智能运维方法，实现二次运维从故障告警事后分析到事前预警消缺的转变。
本发明的目的是通过以下技术方案实现的：。
本发明的基于闭环知识管理的二次设备智能运维方法，包括以下步骤：
步骤一：建立变电站监控信号数据库，包括所属设备、信号名称、信号来源、信号类型、信号含义、关联信号、产生原因和处理原则；
步骤二：根据现有数据建立二次设备典型缺陷库，包括缺陷类型、设备类型、检测手段、判定依据、厂家、缺陷图谱、缺陷原因和处理方案；
步骤三：建立信号闭环分析流程，所述流程如下：监控人员依据接收到的监控信号，通过检索得到信号发生的原因列表并通知变电站运维人员排查，现场将排查结果反馈至监控中心，若现场结果与检索得到的原因列表不一致，调控人员在该信号对应的“产生原因”属性中，编辑添加新的原因文本，若监控人员未检索到相关监控信号信息，则可归纳信号内容及对应的产生原因和处理原则，选择“信号知识添加”，新增一条新的监控信号记录，包含所属设备、信号名称、信号来源、信号类型、信号含义、关联信号、产生原因和处理原则；
步骤四：建立二次设备缺陷知识库闭环管理流程，所述流程如下包括以下子步骤：
步骤4.1：变电站运维人员将二次设备故障、缺陷信息发生的时间、地点、具体设备、设备台账、原因发生经过、缺陷类型、检测方法、现场检查信息通过pc终端汇总上传至运维本地平台，形成本地的故障案例库；
步骤4.2：现场运维在pc端选择要上传至监控中心的数据类型，包括缺陷设备类型、设备厂家、缺陷类型、缺陷原因汇总上传，监控中心通过对工作日志、案例库的整理，统计分析得到不同设备发生不同缺陷的概率，归纳故障发生的原因，并建立缺陷-故障-因素的对应关系，给出设备巡检优先级列表；
步骤4.3：运维现场将监控中心归纳的数据下载至pc或智能终端，结合变电站运维缺陷样本库中缺陷特征因素，基于排查知识清单和特征的贝叶斯推理，识别符合变电站现场的缺陷因素优先级，根据因素清单，规划巡检任务；
步骤4.4：根据巡检因素清单，现场通过智能终端将设备缺陷名称和缺陷原因反馈至调控中心，巡检录像存档或拍照取证，调控中心根据现场反馈结果，形成缺陷名称和原因的样本记录，修正因素与故障、缺陷间的相关性。
进一步，所述方法还包括采用智能统计分析算法对二次设备缺陷进行分析，并形成分析数据存入二次设备典型缺陷库中，具体包括以下分析类型：
(1)阈值分析：根据不同检测手段诊断技术应用导则，分析设备缺陷类型；
(2)家族缺陷：汇总设备缺陷和故障信息，统计分析同一厂家生产的不同型号、不同规格、不同系列在运行中出现的同一类型缺陷概率，识别家族缺陷；
(3)设备状态评价：建立设备状态评价体系，基于变电站设备状态评价导则建立评估规则，形成评分表，结合不同时间尺度下设备运行信息，自动评分，并评估设备状态；
(4)风险评价：在设备状态评价的基础上，对评价结果为非正常状态的设备进行评价，建立风险评估模型，综合考虑设备资产、资产损失程度及设备故障发生的概率因素，以定量评估设备面临和可能导致的风险，当超过风险评价导则阈值时，进行预警。
进一步，所述方法还包括监控中心采用缺陷智能分析算法，进行设备状态关键状态量识别和运行风险的信息推送，所述设备状态关键状态量识别是基于距离相关性识别设备故障相关因素，并对故障变量相关关系进行动态排序，识别设备故障指标，发现现象和事件间存在的隐藏关系，对不同设备对应的状态分析和识别关键状态量；所述运行风险的信息推送是结合不良工况和设备状态评价结果，分析计算某一区域各级设备检修优先级指标，将设备检修项目、检修级别、检修时间和检修次序下发至智能终端，生成巡检计划。
进一步，所述步骤1中，设备分类包括：220kv变压器、220kv出线设备、220kv母线设备、110kv变压器、110kv出线设备、110kv母线设备、35kv出线设备、35kv及以下分段断路器、10kv出线设备、电容器和电抗器、消弧装置、站用变压器、公共设备、自动装置和故障录波器、直流系统。
进一步，所述步骤1中，信号类型包括：变电站事故信号、间隔事故信号；开关位置信号、刀闸位置信号；保护故障信号、保护动作信号；重合闸信号；稳控装置出口信号；一次设备故障、告警信号；二次设备或回路故障、告警信号；站内交、直流电源告警信号；无功电压控制退出信号；低频低压联切装置跳闸出口信号。
本发明的有益效果是：本发明以二次设备运维数据信息为线索，以调控中心和变电站两级闭环知识管理为方法，建立智能运维知识库，并且通过运维处置积累样本，事后分析创建知识数据，实现基于样本库的自动缺陷统计，从而支撑二次设备运维向数据驱动的主动性和预防性运维转变，克服现有手段所存在的缺陷。
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为信号闭环分析流程图；
图2为知识库层次架构与流程图。
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。
基于闭环知识管理的二次设备智能运维方法，包括以下步骤：
步骤一：建立变电站监控信号数据库，包括所属设备、信号名称、信号来源、信号类型、信号含义、关联信号、产生原因和处理原则；其中，设备分类包括：220kv变压器、220kv出线设备、220kv母线设备、110kv变压器、110kv出线设备、110kv母线设备、35kv出线设备、35kv及以下分段断路器、10kv出线设备、电容器和电抗器、消弧装置、站用变压器、公共设备、自动装置和故障录波器、直流系统；信号类型包括：变电站事故信号、间隔事故信号；开关位置信号、刀闸位置信号；保护故障信号、保护动作信号；重合闸信号；稳控装置出口信号；一次设备故障、告警信号；二次设备或回路故障、告警信号；站内交、直流电源告警信号；无功电压控制退出信号；低频低压联切装置跳闸出口信号。
步骤二：根据现有数据建立二次设备典型缺陷库，包括缺陷类型、设备类型、检测手段、判定依据、厂家、缺陷图谱、缺陷原因和处理方案；
步骤三：建立信号闭环分析流程，如图1所示，该流程如下：监控人员依据接收到的监控信号，通过检索得到信号发生的原因列表并通知变电站运维人员排查，现场将排查结果反馈至监控中心，若现场结果与检索得到的原因列表不一致，调控人员在该信号对应的“产生原因”属性中，编辑添加新的原因文本，若监控人员未检索到相关监控信号信息，则可归纳信号内容及对应的产生原因和处理原则，选择“信号知识添加”，新增一条新的监控信号记录，包含所属设备、信号名称、信号来源、信号类型、信号含义、关联信号、产生原因和处理原则；
步骤四：建立二次设备缺陷知识库闭环管理流程，如图2所示，所述流程包括以下子步骤：
步骤4.1：变电站运维人员将二次设备故障、缺陷信息发生的时间、地点、具体设备、设备台账、原因发生经过、缺陷类型、检测方法、现场检查信息通过pc终端汇总上传至运维本地平台，形成本地的故障案例库；
步骤4.2：现场运维在pc端选择要上传至监控中心的数据类型，包括缺陷设备类型、设备厂家、缺陷类型、缺陷原因汇总上传，监控中心通过对工作日志、案例库的整理，统计分析得到不同设备发生不同缺陷的概率，归纳故障发生的原因，并建立缺陷-故障-因素的对应关系，给出设备巡检优先级列表；
步骤4.3：运维现场将监控中心归纳的数据下载至pc或智能终端，结合变电站运维缺陷样本库中缺陷特征因素，基于排查知识清单和特征的贝叶斯推理，识别符合变电站现场的缺陷因素优先级，根据因素清单，规划巡检任务；
步骤4.4：根据巡检因素清单，现场通过智能终端将设备缺陷名称和缺陷原因反馈至调控中心，巡检录像存档或拍照取证，调控中心根据现场反馈结果，形成缺陷名称和原因的样本记录，修正因素与故障、缺陷间的相关性。
需要说明的是，该方法还包括采用智能统计分析算法对二次设备缺陷进行分析，并形成分析数据存入二次设备典型缺陷库中，具体包括以下分析类型：
(1)阈值分析：根据不同检测手段诊断技术应用导则，分析设备缺陷类型；
(2)家族缺陷：汇总设备缺陷和故障信息，统计分析同一厂家生产的不同型号、不同规格、不同系列在运行中出现的同一类型缺陷概率，识别家族缺陷；
(3)设备状态评价：建立设备状态评价体系，基于变电站设备状态评价导则建立评估规则，形成评分表，结合不同时间尺度下设备运行信息，自动评分，并评估设备状态；
(4)风险评价：在设备状态评价的基础上，对评价结果为非正常状态的设备进行评价，建立风险评估模型，综合考虑设备资产、资产损失程度及设备故障发生的概率因素，以定量评估设备面临和可能导致的风险，当超过风险评价导则阈值时，进行预警。。
另外，在本发明中，还包括监控中心采用缺陷智能分析算法，进行设备状态关键状态量识别和运行风险的信息推送，所述设备状态关键状态量识别是基于距离相关性识别设备故障相关因素，并对故障变量相关关系进行动态排序，识别设备故障指标，发现现象和事件间存在的隐藏关系，对不同设备对应的状态分析和识别关键状态量；所述运行风险的信息推送是结合不良工况和设备状态评价结果，分析计算某一区域各级设备检修优先级指标，将设备检修项目、检修级别、检修时间和检修次序下发至智能终端，生成巡检计划。
本发明实现了基于样本数据和在线数据分析，机器在线学习，风险预警，辅助专家指挥决策，运维消缺。通过流程优化和管理闭环实现有效样本积累，从而使得知识经验从静态生成到动态发展，从分散、不可延续到集中、可分享、可延续，完善了数据密集型的运维决策和人工智能支持下的现场作业。
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。