一种SF6高压断路器状态主动预警方法及装置与流程

本发明涉及一种断路器状态预测方法，特别是涉及一种sf6高压断路器状态主动预警方法及装置。

背景技术：

sf6高压断路器设备是电网输变电系统中最主要的控制和保护装置，负责切断、闭合高压电路中的空载电流和负载电流，断路器的正常运行关系着电力系统的稳定性。然而，由于断路器设计、制造品质和运行等诸多原因，断路器故障是变电站设备运行中的主要故障之一，断路器一旦发生故障将对电力系统的正常运行造成较大影响，甚至造成安全事故。因此，对于断路器的实时状态监测和故障诊断尤其重要。

目前在电力行业中，对于sf6高压断路器故障的实时诊断方法有很多。通常是依据实时监测数据，经过人工智能等算法推算，判断sf6高压断路器当前是否发生故障和故障种类，但无法对sf6高压断路器可能即将发生的故障进行预判。

技术实现要素：

发明目的：本发明提出了一种可以显示sf6高压断路器各状态量变化趋势并预测状态值以实现故障预警的方法。本发明的另一目的在于提供一种sf6高压断路器状态主动预警装置。

技术方案：本发明所述的sf6高压断路器状态主动预警方法包括步骤：

(1)获取sf6高压断路器的各状态量的历史监测数据；

进一步地，所述状态量包括下述中的至少一种：sf6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间；

通过多种状态量的综合判断,可实现sf6高压断路器状态主动预警；

(2)基于状态量的历史监测数据构造神经网络分类器，其中，所述神经网络分类器的输入层的输入元个数对应sf6高压断路器的状态量个数，输入元的值对应同一时间下各状态量的历史监测数据值；输出层的输出元个数对应sf6高压断路器的告警类型种数；

进一步地，所述告警类型包括下述中的至少一种：无故障、气体泄漏故障、机械卡涩故障、外部放电故障和二次回路故障；

(3)采用arima分析法分别对sf6高压断路器的各状态量进行预测，得到未来某一时刻对应的预测值；

(4)将所述预测值作为神经网络分类器的输入，分类器的输出结果为预测的未来某一时刻的sf6高压断路器的故障种类；确定未来一定时段内sf6高压断路器的故障发生趋势，根据所述故障发生趋势对所述sf6高压断路器进行故障预警。。

进一步地，所述的神经网络分类器为具有一层结构的隐含层结构bp神经网络分类器，隐含层节点数为的四舍五入取整数；其中，n为输入层神经元个数，m为输出层神经元个数，a为经验系数，其取值范围为[1,10]。

进一步地，所述的神经网络分类器选用最小二乘梯度下降法作为训练方法。

进一步地，所述的bp网络分类器选取正切s型传递函数tansig函数为隐含层传递函数。

进一步地，所述的bp网络分类器选取对数s型传递函数logsig函数为输出层激励函数。

优选地，所述的bp网络分类器设定网络训练参数，最高训练次数为5000次,训练网络所要达到的目标误差为0.001,网络的学习速率为0.05。

进一步地，所述步骤(3)为分别对每个状态量进行如下操作：

(31)获取一段时间内的状态量的历史监测数据的归一化值，生成一个时间序列；

(32)利用游程检验法检验时间序列的平稳性，如果为平稳时间序列，跳到步骤(34)，否则跳到步骤(33)；

(33)采用差分方法x′t＝xt-xt-1,t>1对时间序列进行平稳化预处理，然后跳到步骤(32)，其中，xt是第t时刻状态量的归一化值；

(34)对平稳时间序列进行零均值化处理其中为序列x′t的均值；

(35)求零均值化处理后的序列x′t的自相关函数和偏自相关函数；

(36)依据自相关函数和偏自相关函数选择对应的arima模型种类；

(37)利用最小二乘法进行参数估计和拟合，得到arima模型；

(38)对残差序列分别求下列公式的根：

其中，p为自回归的阶数，为自回归系数，θj为移动回归系数，b为残差方程矩阵；若根均在单位圆外，表明残差序列为白噪声，神经网络分类器通过检验，否则跳到步骤(36)，重新进行模型识别。

本发明还公开了一种sf6高压断路器状态主动预警装置，包括：存储器、处理器及在所述存储器上存储并可运行的sf6高压断路器状态主动预警的程序，所述sf6高压断路器状态主动预警的程序被处理器执行时实现上述sf6高压断路器状态主动预警方法的步骤。

有益效果：本发明可以在设备故障出现之前对设备进行针对性、预防性的维护，提高了设备运行安全性，降低了设备运行风险并节约了运维成本。

附图说明

图1是本发明的整体流程图；

图2是本发明的bp神经网络模型构造流程图；

图3是本发明的bp神经网络结构图；

图4是本发明的arima模型预测监测指标流程图。

具体实施方式

下面结合附图和具体实施方式，对本发明的技术方案作进一步的介绍。

如图1所示，本发明所述的sf6高压断路器状态主动预警方法，具体包括步骤：

(1)获取sf6高压断路器的7个维度的监测状态量的历史监测数据，所述状态量包括：sf6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间；

对上述状态量分别进行归一化处理，将数据样本归一到0～1之间的数值，其归一化模型表示为：

x＝(xd-xmin)/(xmax-xmin)

其中，xd表示原值，x表示归一化值，xmax表示最大值，xmin表示最小值。各状态量的归一化值作为神经网络分类器的学习样本库。

(2)如图2所示，构造神经网络分类器，选用3层结构的神经网络；输入层为7个输入元，分别对应历史监测数据中的sf6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间的归一化值；输出层的输出元为sf6高压断路器的5种告警类型，将无故障、气体泄漏故障、机械卡涩故障、外部放电故障和二次回路故障5种可能的输出结果进行数字编码量化，设定无故障为0000、气体泄漏故障0001、机械卡涩故障0010、外部放电故障0100和二次回路故障1000。所述的神经网络分类器为具有一层结构的隐含层结构bp神经网络分类器。隐含层节点数为按公式计算后四舍五入取整数。其中,n为输入层神经元个数,m为输出层神经元个数,a为经验系数，取值范围为[1,10]之间。最终确定隐含层节点数为8，如图3所示。

(3)给输入层与隐含层之间的权值vij，隐层与输出层之间的权值wjk分别赋值为(-1，1)之间的随机数，i为输入层节点编号，j为隐含层节点编号，k为输出层节点编号。设定目标误差为0.001,神经网络学习速率为0.05，最大学习次数为5000次。

(4)随机选取第r个输入样本(x1(r)……x7(r))及其期望输出(y1(r)……y5(r))；

(5)计算隐含层各神经元的输入zinj(r)和输出zoutj(r)；

其中，f1()为隐含层传递函数，选用tansig函数，f2()为输出层激励函数，选取logsig函数。

(6)利用网络期望输出和实际输出，采用mse均方误差函数计算对输出层的各神经元的偏导数δo(r)；

(7)利用输出层各神经元的δo(r)和隐含层各神经元的输出zoutj(r)，采用带有动量项的自适应学习算法traingdx函数修正权值wij；

(8)利用隐含层各神经元的δi(r)和输入层各神经元的输入x(r)，采用带有动量项的自适应学习算法traingdx函数修正权值vij；

(9)计算全局误差，

(10)其中，n为总样本数，dk(r)为预期输出值，yk(r)为实际输出值。如果全局误差e小于目标误差0.001，或学习次数大于最大学习次数为5000次，则结束学习，否则选取下一个学习样本及对应的期望输出，返回步骤5进入下一轮学习。

(11)选取最近30天内的sf6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间等7个sf6高压断路器状态量作为预测样本库(采样频率依据现场操作要求设定，如本例中设为4小时每次)。

(12)如图4所示，利用armia分析方法，分别预期7个sf6高压断路器状态量未来5天内的预测数据。其具体方式如下(以sf6气体密度为例)：

①将归一化后的30天内的180个sf6气体密度的历史监测数据作为一个时间序列；

②利用游程检验法检验序列的平稳性，如果为平稳时间序列，跳到步骤④，否则跳到步骤③；

所述游程检验法包括步骤：1、随机取出整体序列中连续的一段；2、求出该段序列的均值，该段序列中比均值小的记为“-”，大于等于的记为“+”；3、连续的一段符号称为一个游程，计算该段序列中游程总数z；4、重复步骤1-3，观察z是否符合n(0，1)分布，如果符合则认为序列是平稳的，否则为不平稳的)

③采用差分方法x′t＝xt-xt-1(t＞1)对序列进行平稳化预处理，然后跳到步骤②，其中，xt是第t时刻状态量的归一化值；

④对平稳时间序列x′t进行零均值化处理其中为序列x′t的均值；

⑤求零均值化处理后的序列x″t自相关函数和偏自相关函数；

⑥依据自相关函数和偏自相关函数选择对应的arima模型种类，选择方法如下表，其中p为自回归过程的阶数，q为移动平均过程的阶数；

通常情况下，sf6气体密度的时间序列符合ma(1)模型。

⑦利用最小二乘法进行参数估计和拟合，得到arima模型；

⑧对残差序列分别求公式和(其中为自回归系数，θj为移动回归系数，b^j为方程矩阵系数)的根，若根均在单位圆外，表明残差序列为白噪声，模型通过检验，否则跳到步骤⑥，重新进行模型识别；

⑨利用验证通过的arima模型进行预测，得到未来5天的预测数据。

(13)将预测数据作为测试数据输入训练好的bp神经网络模型，得到预测的未来5天内sf6高压断路器可能发生的故障。

(14)根据sf6高压断路器故障种类进行主动预警。

(15)用最新30天的实测状态量和对应的故障种类数据更新训练样本库，按照步骤3-9重新训练bp网络模型。在选择最新数据样本替换训练样本库中较老的数据时，应按不同的故障种类分别进行更新。例如故障种类为气体泄漏故障的对应数据只能更新替换历史样本数据中故障种类也为气体泄漏故障的数据。

本发明实施例还提供一种sf6高压断路器状态主动预警装置，该装置包括：存储器、处理器及在所述存储器上存储并可运行的sf6高压断路器状态主动预警的程序，所述sf6高压断路器状态主动预警的程序被处理器执行时实现上述sf6高压断路器状态主动预警方法的部分或全部步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。