一种新型变电站智能运维平台的设计及应用

本文以某地市公司变电设备管理现状为基础,对变电设备故障及其影响因素等数据进行深度分析与挖掘,利用Logistic回归、深度学习、风险矩阵分析等方法,搭建变电站智能运维辅助决策大数据平台,实现了设备状态在线预警预警。经过大量的实践验证表明,该方法设备故障预测研判准确率达到90%以上,能够为企业提供智慧决策方案,现场巡检方面具有广阔的推广前景。     

基于改进灰色组合模型的变电设备故障率预测

现有的变电设备故障率预测模型在预测设备故障率时,往往会出现稳定期的预测数值高于实测值而损耗期的预测值低于实测值的现象。针对该问题,在研究变电设备累积失效规律的基础上,引入"故障分界点"和"故障数据分区"2个概念,并结合灰色线性回归模型建立了一种新的变电设备故障率预测优化模型。通过数值验证对各模型的特点和有效性进行论证。结果表明,对处于故障率稳定期和损耗期2个阶段的案例,故障分界点的确定和故障数据分区均有利于提高变电设备故障率预测的精度,改进模型的相对误差率较灰色线性回归模型降低了3.59%,较基于M-R算法的故障预测模型降低了3.91%,整体拟合效果也更理想。     

变电设备数据质量评价模型研究

变电设备数据质量和数据共享利用水平不高,没有形成一个完整性的数据质量管控体系和全面有效的数据质量保障机制,制约数据价值的深度挖掘。为此针对变电设备相关信息系统数据质量现状,构建涵盖数据接入情况、准确性、完备性、一致性和及时性等多维度目标的变电设备数据质量评价体系,提出适用于变电设备智能运维管控需求的数据质量评价指标计算方法,建立融合主客观权重的数据质量综合评价模型,解决目前方法评价维度偏少以及自动化和实用化程度不高的问题,使电力公司设备运维人员能够及时了解变电设备数据质量水平及存在问题,为变电设备监测预警、状态评价、故障诊断等高级应用提供必要的数据质量支撑。     

数据挖掘在变电站设备运维中的应用

为解决变电运维工作中所获得的大量设备数据未能得到充分利用的问题,本文在搭建变电站云平台已成为可能的条件下,主要结合数据挖掘技术对运行人员从现场获得的数据进行分析处理。这些数据包括设备压力、泄漏电流、动作次数、以及设备台账等,可以用来提高工作效率和质量、进行业务决策,避免形成数据孤岛,提高变电运维的智能化水平。一是利用了趋势外推法进行数据拟合来指导设备巡视维护工作,二是采用多元线性回归法分析设备状态的影响因素并进行缺陷预测和故障诊断,三是通过人工神经网络深度学习进行电网停电承载力分析。合理利用大数据技术将推动变电站向集约化管控、专业化运维方向转变,通过数据挖掘技术可以极大地提升变电运维工作的智能化水平,从而优化人力配置,使工作更精准高效。     

基于大数据的配电自动化终端智能运维管理系统

针对配电自动化终端传统运维管理方式存在的不足,提出了一种基于大数据的配电自动化终端智能运维管理方案。该方案利用大数据平台所提供的高效数据处理与挖掘分析能力,通过对配电网以及自动化终端的运行与告警数据进行深入分析,建立了配电自动化终端健康状态评价模型,实现了对配电自动化终端设备运行状态监测、健康状态综合评价以及设备故障的自动识别与故障预警。在此基础上,实现配电自动化终端缺陷闭环管理和运维辅助决策。根据该方案开发的配电自动化终端智能运维管理系统已经在供电公司试点应用。实践表明,该方案能够解决配电自动化终端传统运维管理方式存在的不足,有效提升配电自动化运维管理水平。     

基于灰色模型的变电运维倒闸操作风险预测研究

为实现对倒闸操作风险的精准预测,降低因倒闸操作风险而导致的变电站安全事故的发生概率,开展基于灰色模型的变电运维倒闸操作风险预测方法设计。引进数据挖掘技术,构建变电运维设备的倒闸操作可视化风险模型,提取变电运维倒闸操作过程的风险特征值与异常逻辑关系。引入灰色模型,通过对变电运维倒闸操作风险趋势项的干扰分析与分解,初步掌握风险的变化趋势;根据倒闸操作状态下的设备健康值,进行倒闸操作风险的预测与量化,以此完成预测方法的设计。对比试验结果证明,所设计的方法的倒闸操作风险预测结果更加准确,说明此方法能够为变电运维等相关操作行为提供技术保障。     

风电场主设备预警诊断系统设计与开发

针对风电场环境恶劣,设备故障早期监测难且机组故障率高的问题,提出一种基于多参量建模与振动信号频谱分析的风电场主设备预警诊断方法。首先,采集风电场在线监测系统、点巡检系统、监控系统及其他系统中的结构化和非结构化数据,并根据设备特点和应用系统要求,对多源数据进行预处理和有效融合;然后,基于多参量建立预警模型,并通过预警模型输出与振动信号频谱分析实现对设备状态数据的趋势分析;最后,设计并开发预警诊断系统,展示设备预警信息、故障诊断结果与运维决策建议。风电场主设备预警诊断系统为风电机组智能在线监测提供了一种新思路,可实现设备故障提前预警,降低机组故障率,提高设备维护人员的工作效率。     

燃气轮机性能监测与故障预警系统开发及工程应用研究

基于燃气轮机运行数据开发性能监测与故障预警系统,有利于掌握燃气轮机整体性能,并在测点数据达到报警阈值前预警设备故障,预测效率劣化趋势。采用零代码、组态式建模技术开发了性能监测模型,利用人工智能和深度学习算法搭建了压气机叶片结垢和透平排气温度异常预警诊断模型,并在广东某GE 9E重型燃气轮机实现了工程示范应用。结果表明:所开发的性能监测模型可以实时监测燃气轮机关键性能参数,计算误差小于1%;预警诊断模型能够实时监视压气机出口压力和透平排气温度实际运行值与正常运行值的偏差,捕捉偏差的变化趋势,实现故障的提前预警。本文所开发的燃气轮机性能监测与故障预警系统工程应用效果良好,可进一步推广应用。     

核电站继电保护二次回路可视化技术

针对核电站继电保护二次回路设备运维难度大等问题,提出了一种核电站继电保护二次回路可视化运维平台.首先分析了核电站继电保护二次回路的可视化功能需求,并设计了其架构和方案;其次从设备运行状态、配置描述文件管理、故障信息传递等方面对全景可视化进行了研究;最后建立了核电站继电保护二次设备故障诊断与告警模型,实现了核电站的智能化预警.该可视化运维平台可大幅度提升核电站运维管理的智能化水平.     

依托聚类和时间序列分析的变压器状态评估研究

传统的变压器故障诊断方法仅给出设备处于健康或故障的0-1式判断,不能对潜在性故障进行有效辨识,也不能对变压器状态沿时间维度的变化轨迹作出预计.为变革此局面,特设计基于DGA框架的变压器状态评估新方法.通过待测时间序列与历史故障序列的相似性比较来预测设备潜在故障向显在故障转化的时间跨度.分析结果表明,利用模型可提前三个月给出故障预警,且关于故障爆发日期的预测误差仅7.4％.方法 可科学辨识变压器的故障风险,可给出较为准确的预警时间,因此宜作为变电运检工作的辅助决策予以推广.     

基于半监督学习方法的磨煤机故障预警

火电机组磨煤机运行环境恶劣,故障频发,对磨煤机故障进行预警,评估设备在相关故障状态下的剩余可用时间,对提高火电机组运行安全具有重要意义。本文提出一种基于半监督学习方法的磨煤机故障预警技术。首先采用DBSCAN聚类将磨煤机的历史运行数据划分为正常状态和故障状态,分配类标记并统计设备剩余可用时间,然后采用随机森林方法建立基于类标记序列的磨煤机运行状态分类预警模型,对磨煤机运行数据进行状态预测,根据类标记序列判断故障类别和对应的设备剩余可用时间。将此方法用于某火电厂磨煤机实际运行数据,并与k-近邻算法、朴素贝叶斯和线性判别分析的预警模型进行比较,结果表明:本文方法优于其他预警模型,可准确标记磨煤机不同故障发展阶段,也能较准确地给出磨煤机剩余可用时间。     

基于图像处理和半监督学习的变电设备故障诊断

变电设备是电力系统中的关键部分,维护其安全稳定运行具有重要意义。当变电设备发生故障时,需要及时、准确对其故障类型进行诊断。提出一种基于图像处理和半监督学习的变电设备故障类型诊断方法。对收集到的红外图像数据进行特征提取,将其中的温度特征、纹理特征和形状特征作为模型的参考向量;利用SMOTE算法,对有标签样本的少数类样本进行样本扩充;汇总样本数据,构建图半监督学习网络,并对其进行训练。相比于传统的有监督学习方法,该文提出的方法能够学习无标签样本数据中的信息。使用真实的样本数据进行测试,验证所提方法的有效性,实验结果表明利用特征提取、样本扩充以及半监督学习模型能够提高变电设备故障的分类准确度。     

基于LSTM算法的变电设备发热预测技术研究

单纯依靠温差阈值仅能判断设备的当前状态,无法对其发热趋势进行跟踪预测。环境温度和负载升高,有可能导致设备绝对温度的进一步升高,缺陷由一般发展为严重缺陷,因此需新的手段对变电设备热点温度进行预测。为解决上述问题,利用长短期记忆网络(Long Short Term Memory,LSTM)构建变电设备热点温度预测模型,对电网运行历史数据、环境气象历史数据、缺陷和故障历史数据及检测、试验、监测等状态历史数据进行大量样本的训练学习,基于深度神经网络算法拟合多源因素与设备热点温度的关联关系,实现设备热点温度状态发展趋势和缺陷严重程度的动态预测。最后通过变电站设备实际运维检测数据分析验证算法的可行性。     

基于数字孪生技术的变电设备管理评价系统设计

针对当前变电设备管控工作中的问题和不足,提出了基于数字孪生技术的变电设备管理评价系统,详细阐释了变电设备孪生模型的建模过程以及系统功能、商业模式和软硬件架构.系统能通过对变电设备各项数据进行采集分析,建立虚拟设备模型,进而评估并预测设备状态,辅助管理决策、提供咨询服务,具有广泛的应用前景.     

基于模型预测控制算法的供热机组负荷控制

为提高对磨煤机故障的事前预知能力,结合深度学习方法的优势,在传统长短时记忆（LSTM）神经网络的基础上,提出基于卷积神经网络-长短时记忆神经网络（CNN-LSTM）的磨煤机故障预警方法。选择与磨煤机堵煤故障相关的测点作为模型的输入量,进行多元时间序列预测。得到模型输出预测值与磨煤机正常工作状态下的运行数据之间的偏离度函数,运用核密度估计方法确定预警阈值,实现磨煤机堵煤故障预警。以某660 MW火电机组的中速磨煤机为研究对象,建立CNN-LSTM模型并进行故障预警试验。试验结果表明,该模型可以精确预测磨煤机多个测点参数的变化趋势,相较于LSTM神经网络模型具有更高的精确度。该方法能够提前对磨煤机堵煤故障做出有效预警。     

基于APRIORI-贝叶斯优化XGBoost的电力通信网根告警预测

电力通信网根源性告警的精准预测,能够辅助运维人员提前对通信网高风险点进行高效排查和快速定位,从根源上避免区域性通信故障和衍生告警,降低网络风险和运维成本。针对现有研究中电力通信网根告警预测源数据冗余、准确率不高的问题,面向电力通信网根告警提出基于APRIORI-贝叶斯优化XGBoost的预测模型,利用APRIORI算法优化预测模型输入,挖掘根告警影响因素间的关联规则,借助关联规则概率化方法确定关键影响因子,降低贝叶斯优化XGBoost模型训练数据冗余度,提高数据价值密度,进而提升模型效率和告警预测精度。实验结果表明,所提算法在预测准确率、召回率和F-值等性能上均取得良好的效果,并在最小支持度为15%时达到最优预测结果,能为电力通信网高效运维和故障排查提供技术支撑。     

继电保护远程运维技术研究与应用

为加强变电二次设备专业管理、提高现场作业人员运维检修效率,对继电保护远程运维关键技术进行研究与总结。电网事故快速分析、二次回路可视化、二次设备实景展示与远方操作、装置故障智能诊断及检修辅助决策等远程运维技术的应用,可实现调度端电网故障智能分析与远程指挥,检修端二次设备在线诊断与远程运维,运维端二次设备在线监视与远方操作。最终实现信息共享、业务协同、精益管理,大大提高了设备检修运维工作效率及电网故障处置能力。     

基于实时运行数据挖掘的配电变压器状态评估

随着配电网在线监测的广泛应用,利用海量的运行数据进行设备健康状态评估,主动干预配电网设备缺陷和故障预警,提高有限人力资源的利用效率成为配电网运维的发展方向。通过对智能公变监测终端采集的配电变压器实时运行数据进行分析,选取反映设备健康状态的指标,在状态评价通用模型的基础上,采用变权综合和平均变权方法,建立了基于实时运行信息的配电变压器状态评估模型。算例表明评估结果及趋势与故障记录相吻合,验证了该评估模型的有效性,反映了在配电变压器缺陷的早期诊断和预警方面具有应用前景。     

火电机组汽轮机系统数字孪生模型研究

以数字孪生为理论指导建立数据驱动孪生模型,通过对机组历史运行数据的分析,利用深度学习中的深度森林算法,合理确定模型的输入输出参数,并采用改进的蝙蝠算法进行超参数优化,构建高精度的数据驱动模型。选取各模型的输出参数,利用相似度函数法预测输出数组与实际输出数组之间的欧几里得距离,实现对故障的准确检测。最后利用数字孪生模型对物理实体进行状态监测和故障检测试验,结果表明借助建立的数字孪生模型和故障检测体系,能准确检测汽轮机系统中加热器管路泄漏和进出水室短路故障,证明了该方法的有效性。     

基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法

随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。