一种电力设备故障检测方法、装置及设备制造方法及图纸

本申请公开了一种电力设备故障检测方法、装置及设备，该方法包括云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据。获取边缘节点预先存储的历史设备数据作为第二设备数据，并利用主成分分析模型以及多变量状态估计模型对第二设备数据进行训练得到故障检测模型。将所述故障检测模型下发至各个所述边缘节点以对第一设备数据进行故障检测。本申请结合边缘计算技术、主成分分析模型以及多变量状态估计模型建立故障检测模型，因此本申请仅需要从电力设备的正常工作状态中抽取历史数据不需要建立完整的故障知识库，且具有快速建模的能力、高效的执行速率以及精确的判断能力，同时适用于电力设备故障的早期预警。力设备故障的早期预警。力设备故障的早期预警。

【技术实现步骤摘要】
一种电力设备故障检测方法、装置及设备


[0001]本申请涉及故障检测的
，特别是涉及一种电力设备故障检测方法、装置及设备。

技术介绍

[0002]随着电力物联网技术的不断发展，电力设备突发故障可能导致非计划停运，不仅会造成电力企业的经济损失，而且会影响电网的安全稳定运行。因此智能电厂极其需要故障预警技术。此技术能够将电力设备的故障消灭在萌芽状态。随着人工智能技术的不断发展，将人工智能技术应用到故障预警中，能够对电力设备状态进行预测，早期发现故障特征，及时反馈故障信息，从而采取相应的预防措施。以上所采用的故障建模方法往往需要大量的故障数据，在实际应用中，难以建立完整的故障知识库，而且大量数据集中在云中心处理，容易造成数据拥塞。并且有限的通信和云中心存储资源的不足，将会导致实时处理问题的能力不足，以至无法及时完成关键操作，错过预警最佳时机。
[0003]因此，如何提供一种不需要建立完整的故障知识库，且具有快速建模的能力、高效的执行速率以及精确的判断能力的故障检测方法以实现电力设备的早期预警，是本领域技术人员急需解决的技术问题。

技术实现思路

[0004]基于上述问题，本申请提供了一种电力设备故障检测方法、装置及设备，以提供一种不需要建立完整的故障知识库，且具有快速建模的能力、高效的执行速率以及精确的判断能力的故障检测方法。
[0005]为解决上述问题，本申请实施例提供的技术方案如下：一种电力设备故障检测方法，所述方法包括：云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据；获取第二设备数据，并利用主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型；其中，所述第二设备数据为边缘节点预先存储的历史设备数据；将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果。
[0006]可选地，还包括：所述云中心获取所述边缘节点上传的检测结果，对所述检测结果进行监控，若发现所述检测结果有误，及时更新正确的检测结果。
[0007]可选地，所述云中心中包括主成分分析模型和多变量状态估计模型；所述获取第二设备数据，并利用进行主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型，包括：
获取第二设备数据；利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要检测参数；利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型。
[0008]可选地，所述利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要监测参数，包括：利用所述主成分分析模型构建所述第二设备数据电力设备历史监测点的矩阵作为测点矩阵X
mxn
：其中，n为所述电力设备历史监测点个数，m为不同的监测时间；每一行代表相同时刻不同监测点的测点值，每一列代表相同监测点在不同时刻的测点值；利用所述主成分分析模型对所述测点矩阵X
mxn
中的每一个测点进行Z
‑
score标准化处理得到标准化后的数据Z
ij :其中，i=1,2...m；j=1,2...n；x
ij
为监测点的测点值；所述测点值的平均值；；根据标准化后的数据Z
ij
构建标准化样本集合矩阵Z：利用所述主成分分析模型计算所述标准化样本集合矩阵Z的相关系数r
kl
：其中，；；r
kl=
r
lk
；k，l分别为所述标准化样本集合矩阵Z中的第k列和第l列；i=1,2...m；k，l=1，2
…
n；利用所述主成分分析模型根据所述标准化样本集合矩阵Z的相关系数r
kl
构建相关系数矩阵R：
计算所述相关系数矩阵R的特征值λ和特征向量v：令所述相关系数矩阵R的特征方程|λI
‑
R|=0，采用雅克比方法对所述相关系数矩阵R进行正交相似变换得到正交相似变换矩阵，当所述正交相似变换矩阵的全部非对角元素的值都等于零或者接近于零，此时对角元素为所述相关系数矩阵R的特征值λ，所述正交相似变换矩阵的乘积即为所述相关系数矩阵R的特征向量v；利用所述主成分分析模型计算电力设备各个参数变量的贡献率c
j
，且进行λ
j
的大小排序，使得λ1≥λ2…
λ
n
；其中，；λ
j
为所述相关系数矩阵R的特征值；利用所述主成分分析模型根据所述贡献率c
j
确定电力设备的累积贡献率C
k
：其中，k为主元个数；根据所述电力设备的累积贡献率C
k
来确定电力设备的主要监测参数。
[0009]可选地，所述利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型，包括：利用所述多变量状态估计模型计算所述第二设备数据主要监测参数的观测向量X（t
m
）：X（t
m
）= [X1（t
m
）, X2（t
m
），
…
，Xn（t
m
）]T
其中，t
m
为采样时间；X
n
（t
m
）采样时刻为t
m
时，变量X
n
的观测值；n为电力设备的监测参数的个数；利用所述多变量状态估计模型根据所述观测向量X（t
m
）构建历史记忆矩阵D
mxn
：利用所述多变量状态估计模型计算得到估计向量X
est
：X
est
=D
mxn
·
ω其中，ω为权值向量ω=（D
mxnT
⊗
D
mxn
）
·
（D
mxnT
⊗
X
obs
）；其中，X
obs
为任一时刻观测向量；利用所述多变量状态估计模型将所述估计向量X
est
与任一时刻观测向量X
obs
作差得到第一残差ε：ε= [ε1ε2…
ε
n
]利用所述多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值；基于所述故障检测的故障阈值建立故障检测模型。
[0010]可选地，利用所述多变量状态估计模型基于所述第一残差ε利用滑动窗口法确定故障检测的故障阈值，包括：利用所述多变量状态估计模型利用滑动窗口法计算所述第一残差ε的残差均值：其中，L为滑动窗口的宽度；ε
i
为任一时间段的第一残差，i=1,2
…
n；利用所述多变量状态估计模型根据残差均值计算所述故障阈值E：E=
±
kE
max
其中，k为故障阈值E的现场系数；E
max
为所有时间段的所述残差均值绝对值的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力设备故障检测方法，其特征在于，所述方法包括：云中心获取边缘计算法中的边缘节点分别采集电力设备正常运行的实时数据作为第一设备数据；获取第二设备数据，并利用主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型；其中，所述第二设备数据为边缘节点预先存储的历史设备数据；将所述故障检测模型下发至各个所述边缘节点，以使所述边缘节点利用所述故障检测模型对所述第一设备数据进行故障检测得到检测结果。2.根据权利要求1所述的方法，其特征在于，还包括：所述云中心获取所述边缘节点上传的检测结果，对所述检测结果进行监控，若发现所述检测结果有误，及时更新正确的检测结果。3.根据权利要求1所述的方法，其特征在于，所述云中心中包括主成分分析模型和多变量状态估计模型；所述获取第二设备数据，并利用进行主成分分析模型以及多变量状态估计模型对所述第二设备数据进行训练得到故障检测模型，包括：获取第二设备数据；利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要检测参数；利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型。4.根据权利要求3所述的方法，其特征在于，所述利用所述主成分分析模型对所述第二设备数据进行主成分分析得到主要监测参数，包括：利用所述主成分分析模型构建所述第二设备数据电力设备历史监测点的矩阵作为测点矩阵X
mxn
：其中，n为所述电力设备历史监测点个数，m为不同的监测时间；每一行代表相同时刻不同监测点的测点值，每一列代表相同监测点在不同时刻的测点值；利用所述主成分分析模型对所述测点矩阵X
mxn
中的每一个测点进行Z
‑
score标准化处理得到标准化后的数据Z
ij :其中，i=1,2...m；j=1,2...n；x
ij
为监测点的测点值；所述测点值的平均值为监测点的测点值；所述测点值的平均值；
根据标准化后的数据Z
ij
构建标准化样本集合矩阵Z：利用所述主成分分析模型计算所述标准化样本集合矩阵Z的相关系数r
kl
：其中，；；k，l分别为所述标准化样本集合矩阵Z中的第k列和第l列；i=1,2...m；k，l=1，2
…
n；利用所述主成分分析模型根据所述标准化样本集合矩阵Z的相关系数r
kl
构建相关系数矩阵R：计算所述相关系数矩阵R的特征值λ和特征向量v：令所述相关系数矩阵R的特征方程|λI
‑
R|=0，采用雅克比方法对所述相关系数矩阵R进行正交相似变换得到正交相似变换矩阵，当所述正交相似变换矩阵的全部非对角元素的值都等于零或者接近于零，此时对角元素为所述相关系数矩阵R的特征值λ，所述正交相似变换矩阵的乘积即为所述相关系数矩阵R的特征向量v；利用所述主成分分析模型计算电力设备各个参数变量的贡献率c
j
，且进行λ
j
的大小排序，使得λ1≥λ2…
λ
n
；其中，；λ
j
为所述相关系数矩阵R的特征值；利用所述主成分分析模型根据所述贡献率c
j
确定电力设备的累积贡献率C
k
：其中，k为主元个数；根据所述电力设备的累积贡献率C
k
来确定电力设备的主要监测参数。5.根据权利要求4所述的方法，其特征在于，所述利用所述多变量状态估计模型根据所述主要检测参数构建故障检测模型，包括：利用所述多变量状态估计模型计算所述第二设备数据主要监测参数的观测向量X（t
m
）：X（t
m
）= [X1（t
m
）, X2（t
m
），
…
，Xn（t
...

【专利技术属性】
技术研发人员：范金锋，王思宁，李炎，祝文军，王文升，诸金洪，高晓欣，魏岳，袁文娜，薛天天，
申请(专利权)人：北京中电普华信息技术有限公司，
类型：发明
国别省市：