【技术实现步骤摘要】
本专利技术涉及电力系统设备状态监测与故障诊断，且更具体地涉及一种电力系统设备状态监测与故障诊断方法。
技术介绍
1、电力系统设备状态监测与故障诊断是一种通过对电力系统设备各项参数进行实时监测和分析，及时发现设备异常情况并提供故障诊断的技术手段。其作用主要体现在以下几个方面：1、提高设备运行可靠性：通过对设备状态进行实时监测和分析，可以及时发现潜在故障，采取相应措施进行预防和修复，从而保障设备的正常运行；2、减少停机时间：当设备出现故障时，可以快速定位故障原因，并采取针对性措施进行修复，从而缩短停机时间；3、降低运维成本：通过对设备状态进行实时监测和分析，能够帮助运维人员更好地掌握设备运行情况，并提前预判可能存在的问题，从而降低维护成本。
2、在现有技术中，电力系统设备状态监测与故障诊断方法存在很多弊端，一方面，缺少数据分析和处理方法，无法从电力设备运行数据中提取反映电力系统设备状态的特征向量，导致后续电力系统设备状态监测不够准确，电力系统设备状态监测不能根据电力设备运行数据预测出电力系统设备状态异常或正常，另一方面，缺少智能诊断系统对电力设备异常状态进行诊断，实现电力设备异常状态的故障定位、分析和排除，因此，本专利技术提出一种电力系统设备状态监测与故障诊断方法，旨在实现电力系统设备状态监测与故障诊断。
技术实现思路
1、针对上述技术的不足，本专利技术公开一种电力系统设备状态监测与故障诊断方法，数据分析和处理方法通过特征提取模块、特征向量归一化模块和特征向量降维模块从电力
2、分析有鉴于此,本专利技术提供了一种电力系统设备状态监测与故障诊断方法, 所述方法包括如下步骤：
3、步骤一、采用智能电表和振动传感器采集电力系统中的电力设备运行数据，所述电力设备运行数据至少包括电压信号、电流信号和振动频率信号；
4、步骤二、通过数据分析和处理方法从电力设备运行数据中提取反映电力系统设备状态的特征向量，实现特征向量的归一化处理和降维处理，所述数据分析和处理方法包括特征提取模块、特征向量归一化模块和特征向量降维模块；
5、所述特征提取模块的输出端与所述特征向量归一化模块的输入端连接，所述特征向量归一化模块的输出端与所述特征向量降维模块的输入端连接；
6、步骤三、采用决策树模型训练算法对特征向量和电力设备运行数据进行训练，生成状态监测模型；
7、步骤四、将需要监测的电力设备运行数据输入到训练好的状态监测模型中，所述状态监测模型通过模型分类判别方法实现电力系统设备异常和正常状态监测，所述模型分类判别方法包括数据输入模块和状态预测模块；
8、在步骤四中，所述数据输入模块的输出端与所述状态预测模块的输入端连接；
9、步骤五、采用智能诊断系统对电力设备异常状态进行诊断，实现电力设备异常状态的故障定位、分析和排除，所述智能诊断系统包括故障定位模块、故障分析模块和故障排除模块；
10、在步骤五中，所述故障定位模块的输出端与所述故障分析模块的输入端连接，所述故障分析模块的输出端与所述故障排除模块的输入端连接。
11、作为本专利技术进一步的技术方案，所述特征提取模块采用频谱分析将电压信号、电流信号和振动频率信号分解成不同频带，所述不同频带中反映电力系统设备状态的特征信号具有不同时间和频率特性，所述频谱分析通过提取不同频带中的特征向量，获取全面的电力系统设备状态信息。
12、作为本专利技术进一步的技术方案，所述特征向量归一化模块采用分数标准化将特征向量转换为同一尺度，所述分数标准化通过特征向量线性映射将特征向量转换为均值为0和方差为1的标准正态分布，所述特征向量降维模块采用线性判别分析将特征向量的标准正态分布投影到方差最大的方向上，保留降维后特征向量总方差的95%，所述线性判别分析根据每个类别内部特征向量的协方差矩阵和所有类别之间特征向量的协方差矩阵来确定投影的最大方向。
13、作为本专利技术进一步的技术方案，所述决策树模型训练算法的工作方法为：
14、步骤一、采用过滤式数据选择将电力设备运行数据进行模型数据选择，所述过滤式数据选择通过卡方检验方式对每个电力设备运行数据进行模型数据评估计算，得到模型数据评估值，所述过滤式数据选择再通过数据排名和数据选择将电力设备运行数据根据模型数据评估值进行排名，选择排名靠前的50%部分作为状态监测模型的训练子集，所述模型数据评估值的计算公式为：
15、（1）
16、在公式（1）中，为模型数据评估值，为电力设备运行数据的期望值，为电力设备运行数据，为电力设备运行时间,为电力设备运行数据的均方误差；
17、步骤二、然后再采用样本选择将训练子集与特征向量共同作为状态监测模型的训练集和测试集，所述决策树模型训练算法采用决策树训练对训练集进行学习，不断分裂节点并生成子节点，形成一个完整的状态监测模型；
18、步骤三、最后采用二分类评估方法对训练好的状态监测模型进行评估，所述二分类评估方法通过目标函数计算状态监测模型对测试集的预测精确度，评估训练好的状态监测模型的性能，决策树模型训练算法采用交叉熵损失函数对状态监测模型的权重进行迭代优化，实现状态监测模型更好地拟合电力设备运行数据，所述预测精确度的计算公式为：
19、（2）
20、在公式（2）中，为预测精确度，为状态监测模型对测试集预测为电力设备正常状态的数量，为状态监测模型对测试集预测为电力设备异常状态的数量，为目标函数的损失值；
21、所述状态监测模型的权重迭代优化计算公式为：
22、（3）
23、在公式（3）中，为状态监测模型的权重，为电压信号幅值，为电流信号频率，为振动频率信号相位差，为交叉熵损失函数值。
24、作为本专利技术进一步的技术方案，所述数据输入模块通过对象访问接口将需要监测的电力设备运行数据输入到状态监测模型中，所述对象访问接口通过xml语言和http协议实现状态监测模型的数据输入，所述状态预测模块通过自适应学习网络通过对输入的电力设备运行数据进行数据分析和预测，发现电力系统设备存在异常情况，所述自适应学习网络通过聚类方法对电力设备运行数据进行分类，在每个聚类上建立一个局部分类空间，所述自适应学习网络再通过加权平均函数将待预测的电力设备运行数据投影到局部分类空间中，根据待预测的电力设备运行数据与本文档来自技高网...
【技术保护点】
1.一种电力系统设备状态监测与故障诊断方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述特征提取模块采用频谱分析将电压信号、电流信号和振动频率信号分解成不同频带，所述不同频带中反映电力系统设备状态的特征信号具有不同时间和频率特性，所述频谱分析通过提取不同频带中的特征向量，获取全面的电力系统设备状态信息。
3.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述特征向量归一化模块采用分数标准化将特征向量转换为同一尺度，所述分数标准化通过特征向量线性映射将特征向量转换为均值为0和方差为1的标准正态分布，所述特征向量降维模块采用线性判别分析将特征向量的标准正态分布投影到方差最大的方向上，保留降维后特征向量总方差的95%，所述线性判别分析根据每个类别内部特征向量的协方差矩阵和所有类别之间特征向量的协方差矩阵来确定投影的最大方向。
4.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述决策树模型训练算法的工作方法为：
5.
6.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述故障定位模块采用电气变相方法和机械震动方法对电力设备异常状态发生的故障位置进行初步定位,所述电气变相方法根据欧姆定律、电流比较和电势比较对电力系统设备的电流和电压进行监测和分析，确定故障发生的电力位置，所述机械震动方法通过震动幅度趋势分析对振动频率信号进行分析，所述震动幅度趋势分析结合设备类型和工作状态因素提取出振动频率信号特征参数，初步判断故障发生的机械位置，所述振动频率信号特征参数至少包括振幅、频率、相位和时间波形。
7.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述故障分析模块采用计算机仿真分析方法对电力系统运行状态进行模拟，确定故障产生的原因或机制，所述计算机仿真分析方法通过节点构建将电力系统中的设备、线路和负荷建立成数学模型，所述数学模型输入到计算机仿真软件中，所述计算机仿真软件根据设置的故障类型和位置来模拟数学模型在电力系统设备发生故障时的运行状态，输出仿真结果，所述仿真结果包括电流短路、过载、欠压或暂态稳定性不足。
8.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述故障排除模块采用分类维修管理方法针对电流短路、过载、欠压或暂态稳定性不足进行相应的故障修复，所述分类维修管理方法通过局部接线维修或更换损坏部件保证电力系统设备的正常绝缘状态，排除电流短路问题；所述分类维修管理方法通过负荷均衡方式调整电力系统设备的工作状态和运行时段，使电力系统设备之间的负载均衡；所述分类维修管理方法通过对电力系统设备进行更换变压器配件，排除欠压问题；所述分类维修管理方法采用电梯启动机制在电力系统设备启动过程中将负载分担到不要需要启动的电力系统设备上，再逐步将负载转移到需要启动的设备上，提高电力系统设备的暂态稳定性。
...【技术特征摘要】
1.一种电力系统设备状态监测与故障诊断方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述特征提取模块采用频谱分析将电压信号、电流信号和振动频率信号分解成不同频带，所述不同频带中反映电力系统设备状态的特征信号具有不同时间和频率特性，所述频谱分析通过提取不同频带中的特征向量，获取全面的电力系统设备状态信息。
3.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述特征向量归一化模块采用分数标准化将特征向量转换为同一尺度，所述分数标准化通过特征向量线性映射将特征向量转换为均值为0和方差为1的标准正态分布，所述特征向量降维模块采用线性判别分析将特征向量的标准正态分布投影到方差最大的方向上，保留降维后特征向量总方差的95%，所述线性判别分析根据每个类别内部特征向量的协方差矩阵和所有类别之间特征向量的协方差矩阵来确定投影的最大方向。
4.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述决策树模型训练算法的工作方法为：
5.根据权利要求1所述的一种电力系统设备状态监测与故障诊断方法，其特征在于：所述数据输入模块通过对象访问接口将需要监测的电力设备运行数据输入到状态监测模型中，所述对象访问接口通过xml语言和http协议实现状态监测模型的数据输入，所述状态预测模块通过自适应学习网络通过对输入的电力设备运行数据进行数据分析和预测，发现电力系统设备存在异常情况，所述自适应学习网络通过聚类方法对电力设备运行数据进行分类，在每个聚类上建立一个局部分类空间，所述自适应学习网络再通过加权平均函数将待预测的电力设备运行数据投影到局部分类空间中，根据待预测的电力设备运行数据与各聚类中心的距离加权平均，得到最终的输出结果，实现对电力设备运行数据的分析和预测，所述输出结果为0时，电力系统设备为异常状态，所述输出...
【专利技术属性】
技术研发人员：宋传阳，杨小龙，刘兴伟，邵宗卫，李东宾，
申请(专利权)人：北京前景无忧电子科技股份有限公司，
类型：发明
国别省市：
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。