一种基于动态负荷健康度的配电网设备失效风险预测方法与流程
本发明涉及配电网设备失效风险预测,具体为一种基于动态负荷健康度的配电网设备失效风险预测方法。
背景技术:
1、配电网变压器、电缆、开关柜等核心设备的运行健康状态决定电网供电可靠性与运行稳定性,设备老化劣化、负荷冲击损伤及极端环境诱发的潜伏性故障是引发配电网停电事故的主要诱因,目前,配电网设备失效风险预测技术多基于设备台账信息、稳态运行参数及历史故障统计数据开展健康评估与风险研判,通过固定阈值比对、加权评分模型、传统时序分析及浅层机器学习方法实现设备状态判定,能够在一定程度上识别设备明显的异常运行状态,为配电网设备常规运维、故障排查提供基础数据支撑。
2、如公布号为cn119692758a的专利公开了一种用于配电网的风险等级预测方法及装置、电子设备,该方法包括:获取目标配电网的当前运行数据,其中,当前运行数据由传感器网络实时采集得到,包括:目标配电网的线路设备运行数据、目标配电网所处位置的地理环境数据以及灾害天气数据;将所有当前运行数据输入至目标模型,输出风险预测等级和预警信息,其中,目标模型是基于随机森林算法预先建立的决策树模型,用于从线路设备运行数据、地理环境数据以及灾害天气数据抽取关键特征,从而进行风险等级研判,并依据不同的风险预测等级生成预警信息。
3、如公布号为cn121584586a的专利公开了一种配电网的重过载风险预测方法、装置、终端设备及存储介质,该方法通过获取各变电站的第一目标特征参数,各馈线的第二目标特征参数,以及各台区的第三目标特征参数;为负载预测模型提供变电站、馈线、台区变压器三层特征参数,构建全局视野,便于后续步骤的负载预测模型捕捉上下级设备负载之间的关联关系,提高各设备的预测负载率的准确性,最后根据所述预测负载率,分别识别变电站、馈线以及台区变压器存在重过载风险时,生成重过载风险预警。
4、但是现有部分配电网设备失效风险预测方法采用静态评估机制,基于固定阈值与平均老化参数,无法量化短时负荷波动、瞬时过载造成的隐性应力累积损伤,难以识别设备高频劣化特征及早期潜伏、间歇性故障,此外,部分预测方法侧重分析设备稳态运行状态,未区分不同时长、幅值负荷应力带来的差异化老化影响,不能动态更新设备累积损伤与健康衰减速率,评估结果与设备实际工况偏差较大。
5、针对上述问题,急需在原有的配电网设备失效风险预测方法基础上进行创新设计。
技术实现思路
1、本发明的目的在于提供一种基于动态负荷健康度的配电网设备失效风险预测方法,以解决上述背景技术中提出的现有部分配电网设备失效风险预测方法采用静态评估机制,基于固定阈值与平均老化参数,无法量化短时负荷波动、瞬时过载造成的隐性应力累积损伤,难以识别设备高频劣化特征及早期潜伏、间歇性故障,此外,部分预测方法侧重分析设备稳态运行状态,未区分不同时长、幅值负荷应力带来的差异化老化影响,不能动态更新设备累积损伤与健康衰减速率,评估结果与设备实际工况偏差较大。
2、为实现上述目的,本发明提供如下技术方案:一种基于动态负荷健康度的配电网设备失效风险预测方法,配电网设备失效风险预测方法包括:
3、采集配电网设备的实时负荷时序数据、运行状态数据、环境气象数据及设备台账数据,对采集数据预处理,完成数据清洗、缺失值补齐与时序对齐,剔除传感器噪声与异常野值,构建标准化配电网设备运行时序数据集。
4、基于dwt离散小波多尺度分解,对标准化时序数据集进行多层小波分解,分离出反映配电网设备长期老化趋势的低频分量与表征负荷波动、短时过载、瞬时冲击的高频细节分量,实现故障特征分离与二次降噪。
5、将小波分解后的多尺度特征输入lstm网络,基于lstm统计负荷应力累积与设备健康衰减的长时序非线性关联,输出精细化深度特征向量。
6、基于提取的深度时序特征,结合设备额定参数、老化机理与环境修正系数,实时量化配电网设备负荷累积损伤程度,计算0-1区间的动态负荷健康度,精准反映配电网设备实时健康衰减状态。
7、采用配电网设备正常运行状态的深度特征与健康度数据训练svdd模型,构建配电网设备正常健康状态高维超球体边界,建立健康状态与失效风险的映射关系。
8、将实时采集处理后的配电网设备数据输入训练完成的svdd模型,通过样本与svdd超球体的空间距离量化异常程度,结合动态负荷健康度输出设备实时失效风险等级与潜伏性故障预警结果。
9、优选的,所述采集数据预处理采用滑动窗口滤波结合插值补齐算法处理,保证输入dwt分解的时序数据维度统一、时序连续。
10、优选的,所述dwt离散小波多尺度分解采用多层尺度分解方式,分解层数根据配电网设备负荷时序数据的采样频率自适应设定;低频分量用于拟合配电网设备长期老化基线变化趋势,高频细节分量用于捕捉短时过载、负荷骤变引发的瞬时应力损伤特征。
11、优选的,所述多层小波分解的高频细节分量承载配电网设备短时工况扰动对应的细微损伤特征,捕捉配电网设备瞬时过载、负荷骤变、潮流波动引发的微小应力冲击,识别配电网设备早期潜伏性、间歇性的隐性损伤。
12、优选的,所述lstm网络采用融合注意力机制的attention-lstm网络,注意力机制对dwt分解得到的多尺度时序特征进行自适应权重分配,基于设备运行工况的老化贡献度,动态提升重载、高温、负荷骤变等高危运行时序对应的特征权重,弱化设备稳态轻载运行时序的无效特征权重,自适应筛选对设备老化劣化具备高敏感度的关键时序特征。
13、优选的,所述环境修正系数包含环境温度、环境湿度、户外污秽等级和气象灾害因子,用于修正极端环境下设备负荷应力对应的老化速率偏差。
14、优选的,所述动态负荷健康度对不同时长、不同幅值、不同波动特性的负荷工况进行差异化损伤折算,实时迭代更新设备累积损伤量,动态修正设备健康衰减速率,以连续归一化数值反映设备在负荷应力与环境耦合作用下的潜伏性老化劣化程度。
15、优选的,所述svdd模型采用设备正常运行样本完成离线训练,故障样本不参与训练,训练以lstm输出的深度特征向量及对应动态负荷健康度为训练样本,拟合设备正常健康状态的高维超球体边界。
16、优选的,所述svdd模型的异常程度量化方式为:计算实时样本特征向量与svdd高维超球体球心的欧氏距离,基于超球体半径判定样本偏离正常状态的程度,距离越大设备失效风险越高。
17、优选的,所述失效风险等级根据svdd异常距离及动态负荷健康度联合划分,分为低风险、中风险、高风险、紧急风险四个等级,对应输出差异化的设备运维预警指令。
18、与现有技术相比,本发明的有益效果是:
19、该风险预测方法通过dwt离散小波多尺度分解实现配电网设备运行时序特征的多维度精细化提取,通过小波分解分离出低频老化趋势分量与高频细节损伤分量,既可稳定跟踪设备长期自然老化规律,又可精准捕捉短时过载、负荷骤变、潮流波动引发的微小应力冲击与高频细微劣化特征,能够有效识别配电网设备早期潜伏性、间歇性隐性故障,弥补了传统静态阈值评估方式对微弱早期损伤识别能力不足的问题,提升配电网设备隐性老化特征的提取完整性与有效性。
20、该风险预测方法引入融合注意力机制的lstm网络,结合动态负荷健康度量化机制,基于lstm挖掘负荷应力累积与设备健康衰减的长时序非线性关联,并通过注意力机制自适应强化高危工况特征权重、弱化稳态无效特征,实现老化敏感特征的精准筛选,同时,动态负荷健康度可针对不同时长、不同幅值、不同波动特性的负荷工况进行差异化损伤折算,结合环境修正系数实时迭代设备累积损伤量与健康衰减速率,真实反映负荷应力与环境耦合作用下的设备实际老化状态,提升设备健康状态量化评估的精准度与动态适应性。
21、该风险预测方法采用正常样本训练的svdd模型,构建健康、风险非线性映射关系,通过构建设备正常健康状态高维超球体边界,基于特征空间偏移距离结合动态负荷健康度联合量化异常程度,实现设备失效风险的梯度化、精细化判定,并输出四级差异化运维预警指令,实现多尺度特征提取、动态健康量化、小样本风险判别与分级预警的完整闭环,提升复杂波动工况下配电网设备失效风险预测的实时性与准确性,为配电网设备预测性运维、差异化检修、故障提前防控提供了可靠的技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com