本发明专利技术公开了一种适用于电力设备的故障预测方法,包括:(1)根据在线监测的电力设备的历史运行数据建立序列样本;(2)识别序列样本所属的ARMA模型的类型;(3)对确定所属类型后的ARMA模型定阶,获得ARMA模型中的未知参量的个数;(4)估计各未知参量的值的参数,初步建立ARMA模型;(5)检验初步建立的ARMA模型的有效性;若模型有效,则ARMA模型建立完成;若模型无效,则返回步骤(3);(6)根据建立完成的ARMA模型预测未来任意时刻电力设备的运行数据,并做出故障预测及诊断。本发明专利技术基于大量历史监测数据,保证了电力设备的维修及使用的可靠性,同时延长了电力设备的使用寿命。
【技术实现步骤摘要】
本专利技术涉及电力领域,具体是。
技术介绍
在电力行业,有一些设备是维持电网运行的大型设备,如变电站的变压器,发电站 的汽轮机、发电机、励磁系统等,这些设备是电力企业设备的核心,如果发生故障,不但会影 响企业生产的正常进行,还将造成巨大损失。国内外发生的大型汽轮机严重事故就是典型 实例。因此,为了及时采取预防措施,避免不必要的损失,对这些核心设备进行故障预测具 有非常重要的意义。 然而随着电力系统设备的大型化、复杂化和电力运行设备的增多,其运行状态不 断发生变化,实施电力设备故障预测与诊断控制的任务就是在电力设备运行过程中或在基 本不拆卸的情况下,采用各种测量分析和判别方法,结合设备的历史状况和运行条件,预测 设备所处的客观状态,为提前发现故障和解决故障提供可靠依据。
技术实现思路
本专利技术的目的在于提供一种基于大量历史监测数据的适用于电力设备的故障预 测方法,通过对电力设备的历史运行数据进行筛选后建立序列样本,接着建立ARMA模型, 从而根据建立的ARMA模型对电力设备的运行状况进行故障预测及诊断,使得故障预判与 维修措施更加准确可靠;保证了电力设备的维修及使用的可靠性,同时延长了电力设备的 使用寿命。 为实现上述目的,本专利技术提供如下技术方案: ,包括以下步骤: (1) 根据在线监测的电力设备的历史运行数据建立序列样本; (2) 识别序列样本所属的ARMA模型的类型; (3) 对确定所属类型后的ARMA模型定阶,获得ARMA模型中的未知参量的个数; (4) 估计各未知参量的值的参数,初步建立ARMA模型; (5) 检验初步建立的ARM模型的有效性;若模型有效,则ARM模型建立完成;若模型 无效,则返回步骤(3); (6) 根据建立完成的ARMA模型预测未来任意时刻电力设备的运行数据,并做出故障预 测及诊断。 作为本专利技术进一步的方案:所述步骤(1)包括:对在线监测的电力设备的历史运 行数据进行初步筛选,得到故障后所有关键电力设备的故障数据,并构成序列样本。 作为本专利技术进一步的方案:采用WAMS系统对在线监测的电力设备的历史运行数 据进行初步筛选。 作为本专利技术进一步的方案:所述步骤(1)还包括根据电力设备之间的拓扑关系, 将电力设备的历史数据按照物理连接关系进行逐层分类,分为广度N次连接的设备。 作为本专利技术进一步的方案:所述步骤(2)包括: 21) 计算样本序列的自相关系数;其中,/?.表示间距为k的样本自相关系数、η表示样本总数、t表示样本序号、k表示 两样本间距、X表示样本均值、^表示样本序列; 22) 计算所述样本序列的偏自相关系数;其中,:表示样本序列的偏自相关系数、为自协方差函数,;§为方差函数: 23) 根据自相关系数及偏自相关系数识别出样本序列所属的ARMA模型的类型为自回 归模型、移动平均模型或自回归移动平均模型。 作为本专利技术进一步的方案:所述步骤23)包括:将样本序列的自相关系数代入 ARMA模型中的平稳序列{yt}中的自相关函数中,将样本序列的偏自相关系数代入ARMA模 型中的平稳序列{y t}中的偏相关函数中; 若平稳序列{yj中的偏相关函数是截尾的,自相关函数是拖尾的,则所述样本序列识 别为自回归模型; 若所述平稳序列{yj的偏相关函数是拖尾的,自相关函数是截尾的,则样本序列识别 为移动平均模型; 若平稳序列{yt}的偏相关函数与自相关函数均是拖尾的,则样本序列识别为自回归移 动平均模型。 作为本专利技术进一步的方案:所述步骤(3)的定阶为:根据试探性法则,对确定所属 类型后的ARM模型的阶(p,q)的由低阶向高阶渐进的确定,其包括: 假设Η。:? p= 0,Θ。= 〇 ;则当样本总数n充分大时, 统计量中,给定检验水平α,由F(2, n-p-q)可得 Fa 的值,η 彡 p+q > 2 ; 若F〈Fa,则假设Hci成立,即自回归移动平均模型的阶为(p-1,q-1),完成定阶; 若F多Fa,则假设Hci不成立,选定自回归移动平均模型的更高阶数,重新定阶; 其中,Hci为假设检验中的提出的假设参数、Q为ARM (p,q)的残差平方和,Q'为ARM (p-1,q-1)的残差平方和;F为统计量、Φρ为自回归模型的阶数为p时的待定系数、θ α为 移动平均模型的阶数为q时的待定系数。 作为本专利技术进一步的方案:所述步骤(4)中对识别出的序列样本的自回归移动平 均模型中的未知参量进行估计的方法为最小二乘估计方法,其包括:> 其中,μ为ARMA模型的样本均值、扰动et满足独立高斯分布Φρ⑶=1- Φ。- AB--ΦΡΒΡ为ρ阶自回归系数多项式、Θ q⑶=1- Θ忑-θ 2Β2--Θ qBq为q 阶移动平均系数多项式、Bq为q阶延迟算子、Φ。,%……Φρ为自回归模型待估计参数、Θ i, Θ 2...... Θ q为移动平均模型待估计参数;X t为样本序列; Bxt=Xt 1; 其中,B表示延迟算子; BpXt=Xt p结合ARM模型的逆转形式为:,假设:xt=0, t彡〇 ; 则根据条件最小二乘法准则 ; 其中,Xt :为时间为t-ι时刻的样本、t为样本序号、i为公式中累加计量参量、B P为P 阶延迟算子、xt 时间为t-i时刻的样本、X t 时间为t-i时刻的样本、为最小二乘法则求取的系统误差; 当取最小值时,即丨 分别求取偏导数,即求得P+q个所述未知参量的估计值。 作为本专利技术进一步的方案:所述步骤(5)包括: 51) 检验ARM模型的残差是否为纯随机的序列,若是,则在拟合模型之后对残差做白 噪声检验;若否,则返回步骤(3)重新定阶; 52) 若对残差检验结果显示残差为白噪声,则模型有效,进而根据模型的预测数据对 电力设备进行故障诊断;若对残差检验结果显示残差为白噪声,则说明模型无效,返回步骤 (3)重新定阶。 与现有技术相比,本专利技术的有益效果是: 本专利技术基于大量历史监测数据,通过对电力设备的历史运行数据进行筛选后建立序列 样本,接着对序列样本所述的ARMA模型的类型进行识别并定阶,从而建立ARMA模型;经检 验有效后,根据建立的ARMA模型对电力设备的运行状况进行故障预测及诊断。本专利技术体现 了电力设备的个体特性,反应了电力设备运行状况随时间的变化特性,使其相较于传统根 据机器学习建立的预测模型,更加稳定,从而提高了电力设备的在线运行数据预测的准确 性,使得故障预判与维修措施更加准确可靠;保证了电力设备的维修及使用的可靠性,同时 延长了电力设备的使用寿命。【附图说明】 图1是适用于电力设备的故障预测方法的流程图。【具体实施方式】 下面将结合本专利技术实施例,对本专利技术实施例中的技术方案进行清楚、完整地描述, 显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的 实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都 属于本专利技术保护的范围。 请参阅图1,本专利技术实施例中,,包括以下步 骤: (1)根据在线监测的电力设备的历史运行数据建立序列样本。 步骤(1)包括:采用WAMS系统对在线监测的电力设备的历史运行数据进行初步筛 选,得到故障后所有关键电力设备的故障数据,并构成序列样本。并根据电力设备之间的拓 扑关系,将电力设本文档来自技高网...
【技术保护点】
一种适用于电力设备的故障预测方法,其特征在于,包括以下步骤:(1)根据在线监测的电力设备的历史运行数据建立序列样本;(2)识别序列样本所属的ARMA模型的类型;(3)对确定所属类型后的ARMA模型定阶,获得ARMA模型中的未知参量的个数;(4)估计各未知参量的值的参数,初步建立ARMA模型;(5)检验初步建立的ARMA模型的有效性;若模型有效,则ARMA模型建立完成;若模型无效,则返回步骤(3);(6)根据建立完成的ARMA模型预测未来任意时刻电力设备的运行数据,并做出故障预测及诊断。
【技术特征摘要】
【专利技术属性】
技术研发人员:张艳霞,王栋,俞迎新,韩梅梅,郭长荣,
申请(专利权)人:国家电网公司,国网山东禹城市供电公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。