一种基于Apriori算法的直流套管状态评估方法及装置与流程

本发明涉及电力设备
技术领域：
，并且更具体地，涉及一种基于apriori算法的直流套管状态评估方法及装置。
背景技术：
：在高压直流输电换流站内，换流变压器(简称换流变)阀侧套管和直流穿墙套管分别连接着换流阀与交流侧线路。换流变阀侧套管和直流穿墙套管处于交直流混合电网换流区的关键位置，运行中任一个发生故障都可直接导致直流闭锁，同时影响交流和直流电网的运行安全。目前的运检工作中，针对换流变阀侧套管和直流穿墙套管故障做不到预先提醒或预报，只能采用事后紧急处理的方式。技术实现要素：针对目前不能预先提醒或预报换流变阀侧套管和直流穿墙套管的故障这一问题，本发明提供一种基于apriori算法的直流套管状态评估方法，以及时地评估换流变阀侧套管和直流穿墙套管的运行状态，实现预先提醒或预报可能发生的故障。本发明提供一种基于apriori算法的直流套管状态评估方法，包括以下步骤：步骤s10：根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；步骤s20：根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于apriori算法根据直流套管缺陷故障历史数据确定的，所述直流套管状态信息包括：套管sf6气体泄漏、套管绝缘子外套电晕放电、套管漏油和套管介质损耗异常。具体地，所述的方法，所述运行阶段包括：出厂阶段、投运阶段、返厂维修阶段；所述特征量数据是实时测量获取的，包括多个反映套管的运行工况的物理量的数值和多个反映套管的环境条件的物理量的数值。具体地，所述的方法，所述根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据，包括：若直流套管处于出厂阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据；若直流套管处于投运阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据和在投运阶段测试得到的特征量数据；若直流套管处于返厂维修阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据、在投运阶段测试得到的特征量数据和在出厂阶段测试得到的特征量数据。具体地，所述的方法，所述预处理所述特征量数据包括：根据预选确定的各指标阈值，将对于当前的运行阶段，指标正常的特征量数据记录为1；将指标异常的特征量数据记录为0。具体地，所述的方法，还包括：根据直流套管缺陷故障历史数据基于apriori算法确定直流套管状态评估模型的步骤：收集直流套管的缺陷故障历史数据及预处理所述历史数据，所述直流套管处于以下任一运行阶段：出厂阶段、投运阶段或返厂维修阶段；所述直流套管来自多个换流变压器；所述缺陷故障历史数据包括：在任一运行阶段所述直流套管对应的特征量数据，在任一运行阶段所述直流套管对应的直流套管状态信息；将预处理后的所述历史数据分为训练数据和测试数据；确定在满足设定的支持度阈值和置信度阈值下apriori算法挖掘所述训练数据得到的强关联规则；获取人类专家针对所述强关联规则进行修改后确定的修正强关联规则；将所述修正强关联规则应用于所述测试数据，以确定所述修正强关联规则的覆盖度；确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。本发明提供的基于apriori算法的直流套管状态评估方法根据换流变阀侧套管和直流穿墙套管的运行数据，对套管的状态进行评估，从而确定套管目前所处的运行阶段中可能发生的故障模式，从而实现预先提醒或预报可能发生的故障。附图说明通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：图1为本发明一个实施例的一种方法的示意图；图2为本发明一个实施例的一种装置的示意图。具体实施方式现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例。为了提高运检工作的效率，分析故障发生原因，主管部门收集有换流变阀侧套管和直流穿墙套管已经发生过的多种故障的缺陷报告。在缺陷报告(通常，一份报告中涉及至少一个套管故障案例)中，对换流变阀侧套管和直流穿墙套管的运行工况和环境条件进行了总结和分析。具体地，缺陷报告中涉及到在不同地理区域投入使用的直流套管，也涉及来自不同生产厂家，服役于不同电压级别的直流套管，数据全面，能覆盖到目前使用中的绝大多数直流套管的类型。需要说明的是，尽管换流变阀侧套管和直流穿墙套管的安装位置不同，具体结构不完全相同，鉴于两者的运行特征和故障模式基本相同，在全文中，将两者统一为“直流套管”。以下论述中凡涉及到“直流套管”的描述或说明，可以认为均适用于换流变阀侧套管和直流穿墙套管。以下列表中涉及到的各物理量，或者涉及换流变阀侧套管，或者涉及直流穿墙套管，或者两者都涉及。本领域技术人员可以分辨和确认，这里不再赘述。分析套管故障案例可知，引发套管内部绝缘故障的原因众多，如套管内部过热、局部放电、气压降低、机械损坏、受潮等均会造成套管故障，且多种因素相互影响，进行套管状态评估和故障诊断的难度很大。另一方面，目前，智能电网已经可以支持在运行现场实时或周期地测量设备的运行数据，这些数据可以直接的或者经过处理后作为设备运行状态评估或故障诊断的特征量。如，可以获得直流套管的以下运行数据：套管介质损耗因数、电容量、内部气体分解等。这些运行数据可以作为进行套管状态评估的数据来源和基础。如图1所示，本发明一个实施例提供的基于apriori算法的直流套管状态评估方法，包括以下步骤：步骤s10：根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；步骤s20：根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于apriori算法根据直流套管缺陷故障历史数据确定的，所述直流套管状态信息包括：套管sf6气体泄漏、套管绝缘子外套电晕放电、套管漏油和套管介质损耗异常。该基于apriori算法的直流套管状态评估方法通过机器学习和专家经验来预先估计换流变阀侧套管或直流穿墙套管这两类设备的运行状态，应用融合了人类专家知识和历史运行数据的套管状态评估模型对套管运行状态进行评估，可以保证评估的结论是可信和有效的。该基于apriori算法的直流套管状态评估方法为及时应对故障提供了必要的技术支持，可有效辅助交流和直流电网运检工作，有助于保证安全运行；也可以汲取电力生产事故教训，防范同类事故再次发生，提高电网安全生产水平。应该理解为直流套管状态信息，也即参与训练的故障模式包括套管sf6气体泄漏、套管sf6微水含量异常、套管绝缘子外套电晕放电、套管绝缘子外套外部闪络、套管漏油、套管内部放电、套管载流连接部件异常发热、套管介质损耗异常等。具体地，所述的方法中，所述运行阶段包括：出厂阶段、投运阶段、返厂维修阶段；所述特征量数据是实时测量获取的，包括多个反映套管的运行工况的物理量的数值和多个反映套管的环境条件的物理量的数值。具体地，所述的方法，所述根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据，包括：若直流套管处于出厂阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据；若直流套管处于投运阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据和在投运阶段测试得到的特征量数据；若直流套管处于返厂维修阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据、在投运阶段测试得到的特征量数据和在出厂阶段测试得到的特征量数据。具体地，所述的方法，所述预处理所述特征量数据包括：根据预选确定的各指标阈值，将对于当前的运行阶段，指标正常的特征量数据记录为1；将指标异常的特征量数据记录为0。具体地，所述的方法，还包括：根据直流套管缺陷故障历史数据基于apriori算法确定直流套管状态评估模型的步骤：收集直流套管的缺陷故障历史数据及预处理所述历史数据，所述直流套管处于以下任一运行阶段：出厂阶段、投运阶段或返厂维修阶段；所述直流套管来自多个换流变压器；所述缺陷故障历史数据包括：在任一运行阶段所述直流套管对应的特征量数据，在任一运行阶段所述直流套管对应的直流套管状态信息；将预处理后的所述历史数据分为训练数据和测试数据；确定在满足设定的支持度阈值和置信度阈值下apriori算法挖掘所述训练数据得到的强关联规则；获取人类专家针对所述强关联规则进行修改后确定的修正强关联规则；将所述修正强关联规则应用于所述测试数据，以确定所述修正强关联规则的覆盖度；确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。该基于基于apriori算法的直流套管状态评估方法将缺陷报告中的故障原因、故障征兆、故障程度等缺陷数据结构化，经过数据挖掘，形成能够表征直流套管的特征量数据与故障模式之间的强关联规则，经过人类专家修正，以及测试验证，使得最终形成的直流套管状态评估模型的覆盖度稿，规则有效，规则的规模适当，便于后续进行处于不同运行阶段中的直流套管的状态评估，确定直流套管的状态信息。如图2所示，本发明一个实施例的基于apriori算法的直流套管状态评估装置，包括：特征量数据获取模块100，用于：根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；直流套管状态信息确定模块200，用于：根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于apriori算法根据直流套管缺陷故障历史数据确定的，所述直流套管状态信息包括：套管sf6气体泄漏、套管绝缘子外套电晕放电、套管漏油和套管介质损耗异常。具体地，所述的装置中，所述运行阶段包括：出厂阶段、投运阶段、返厂维修阶段；所述特征量数据是实时测量获取的，包括多个反映套管的运行工况的物理量的数值和多个反映套管的环境条件的物理量的数值。具体地，所述的装置中，所述特征量数据获取模块100，具体用于：若直流套管处于出厂阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据；若直流套管处于投运阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据和在投运阶段测试得到的特征量数据；若直流套管处于返厂维修阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据、在投运阶段测试得到的特征量数据和在出厂阶段测试得到的特征量数据。具体地，所述的装置中，所述特征量数据获取模块100，具体还用于：根据预选确定的各指标阈值，将对于当前的运行阶段，指标正常的特征量数据记录为1；将指标异常的特征量数据记录为0。具体地，所述的装置，还包括：直流套管状态评估模型确定模块300，用于根据直流套管缺陷故障历史数据基于apriori算法确定直流套管状态评估模型：收集直流套管的缺陷故障历史数据及预处理所述历史数据，所述直流套管处于以下任一运行阶段：出厂阶段、投运阶段或返厂维修阶段；所述直流套管来自多个换流变压器；所述缺陷故障历史数据包括：在任一运行阶段所述直流套管对应的特征量数据，在任一运行阶段所述直流套管对应的直流套管状态信息；将预处理后的所述历史数据分为训练数据和测试数据；确定在满足设定的支持度阈值和置信度阈值下apriori算法挖掘所述训练数据得到的强关联规则；获取人类专家针对所述强关联规则进行修改后确定的修正强关联规则；将所述修正强关联规则应用于所述测试数据，以确定所述修正强关联规则的覆盖度；确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。该基于apriori算法的直流套管状态评估装置与该基于apriori算法的直流套管状态评估方法的技术方案相同，技术效果相同，这里不再赘述。以下结合具体数据详细地说明以上方法和装置。直流套管(直流穿墙套管和换流变阀侧套管)的全生命周期大致为出厂阶段、投运阶段和返厂维修这3个阶段。在各阶段中，都具备获取套管运行数据的渠道和因此而获取的运行数据。具体地，在出厂阶段，通过套管出厂试验或交接试验测得运行数据；在投运阶段，由智能电网设备获取套管在带电运行状态的运行数据及现场停电状态下的运行数据(如表1及表2所示)；在返厂维修阶段，在工厂试验台上获取运行数据(如表3所示)。表1投运阶段套管带电运行状态下获取运行数据的方法紫外电晕分析测量端子电压分析红外温度分析sf6气体压力分析外部渗漏油分析主设备油色谱分析直流穿墙套管状态监测报警和保护动作分析平抗状态监测报警和保护动作分析换流变状态监测报警和保护动作分析表2投运阶段套管停电运行状态下获取运行数据的方法外观检查分析套管绝缘子外套内部检查套管拆除后油中部分检查套管拆除后直流电阻测量主设备绕组电阻分析套管介质损耗因数分析套管末屏介质损耗因数分析套管电容量分析套管绝缘电阻分析主设备油色谱分析sf6泄漏率分析sf6气体分析表3故障(缺陷)套管返厂后获取运行数据的方法局部放电prpd谱图特征分析套管直流电阻分析套管直流电阻分析介电频谱分析介质损耗因数分析电容量的测试分析放电类型分析从这些运行数据中，可以提取套管的特征量数据，包括出厂时的套管电容量和套管介质损耗因数、投运阶段带电运行状态下的各特征量、投运阶段现场停电状态下的各特征量、故障(缺陷)套管返厂后的各特征量。套管处于不同运行阶段的各特征量如表4所示。表4套管处于不同运行阶段的各特征量具体实施时，整理故障缺陷报告以及相关试验数据和缺陷/故障模型以收集数据；对收集的数据进行如下的预处理：将缺陷/故障案例数据离散化，若某一项套管运行状态的指标异常，则离散化为“1”；如果指标正常，则离散化为“0”。鉴于套管3个阶段涉及到的数据量很大，采用“1”“0”这种定性而非定量的数据预处理方式，可以减少数据量，在后续挖掘过程中，加快规则挖掘的速度；另一方面，这种离散化的方式使得特征量的取值只有两个状态，有利于进一步减少数据量。另一方面，采用“1”“0”这种两种状态的方式来处理数据，也同时实现了归一化。在进行数据驱动的建模及模型训练时，没有规则的数据训练出来的规则会因为数据的量纲不同、数据的数量级差异较大，而出现多种规则，不利于模型训练。通过对输入数据或输出数据做归一化处理，处理后的训练结果的聚合度更好，训练得到的规则更紧密些，训练结果也更有意义。表5中给出了将套管的特征量的值与指标的阈值比较后得到的归一化结果的示例。表5套管运行状态的指标及归一化示例将预处理后的数据分为两部分，其中一部分占总数据量的70％，作为训练集；剩下的30％的那部分作为测试集。设定最小置信度阈值，采用apriori算法挖掘套管运行的特征量与故障(缺陷)模式之间的强规则。采用apriori算法挖掘得到强规则的方法，为本领域技术人员所公知，这里不再赘述。进一步地，由人类专家确认形成的关联规则的有效性。具体实施时，对于小于40％支持度的关联规则，人类专家根据业务场景和经验确认是保留还是删除。经过人类专家确定有效的关联规则可能存在一定的冗余规则，为了进一步优化状态评估模型，利用测试集对人类专家确定有效的关联规则进行测试验证。具体地，将人类专家确定有效的关联规则应用到测试集中，以确定人类专家确定有效的关联规则的覆盖度；并确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。最终确定的作为直流套管状态评估模型的强规则如表6所示。表6规则挖掘结果综上，本发明以套管运行的特征量为自变量，以故障(缺陷)模式作为因变量，采用规则挖掘算法，挖掘频繁项集，并利用最小置信度和最小支持度的阈值过滤，形成高置信度的强规则。以上已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。当前第1页12