一种基于多源数据融合的配电设备故障预警诊断方法与流程

摘要: 本发明涉及大数据分析,尤其涉及一种基于多源数据融合的配电设备故障预警诊断方法。背景技术:1、配电设备是电力系统中承担电能分配、变换和保护的重要设备,运行状态直接...
一种基于多源数据融合的配电设备故障预警诊断方法与流程

本发明涉及大数据分析,尤其涉及一种基于多源数据融合的配电设备故障预警诊断方法。

背景技术:

1、配电设备是电力系统中承担电能分配、变换和保护的重要设备,运行状态直接影响供电连续性和用电安全。随着配电网规模扩大,配电设备长期处于负荷波动、环境变化、绝缘老化和外部扰动共同作用下,容易出现过负荷、接触不良、绝缘劣化、接地异常等故障。现有配电设备状态监测通常通过传感器采集电压、电流、温度、湿度、局部放电、绝缘电阻、接地电流等运行数据,并结合历史故障记录、检修记录和设备台账,对设备运行状态进行统计分析、阈值判断或趋势预测。但是,此类方法多依赖单点阈值或单类趋势变化,对负荷、环境、老化和馈线扰动之间的耦合影响区分不足,容易把短时扰动误判为设备故障,或者把早期故障前兆吸收到正常趋势中,导致预警准确性不足。

2、现有故障预警诊断技术中,常见基础方案是将配电设备的多源运行数据进行清洗、对齐和标准化处理,再按照设备编号和采集时间形成状态时间序列,通过时间序列预测模型建立设备正常运行基线,并将实际观测数据与基线进行残差比较,判断设备是否存在异常。部分方法会结合馈线连接关系和故障机理,对异常残差进行分类识别,以区分负荷异常、绝缘异常、接地异常和温升异常等故障类型。但基础方案通常将各类残差作为独立异常点处理,缺少对不同采集时刻、不同设备位置和不同状态类型之间传播关系的分析,难以判断异常是馈线扰动传递形成,还是单台设备故障逐步演化形成,因此故障定位和故障类型确认仍存在滞后性。

3、因此,如何提供一种基于多源数据融合的配电设备故障预警诊断方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于多源数据融合的配电设备故障预警诊断方法,本发明充分利用了多源传感数据融合、时间序列健康基线建模、馈线拓扑残差分析和滞后因果识别技术,详细描述了配电设备多源运行关联数据采集、状态序列划分、改进sarima模型、故障敏感季节残差矩阵生成、故障因果候选空间划分、pcmci算法以及链式传播诊断的实现过程,实现了对配电设备运行异常从状态偏离、残差传播到故障类型确认的连续分析。通过对负荷、环境、老化和馈线连接关系进行联合处理,本发明能够区分馈线扰动与单台设备故障演化,减少单点异常误判,提高早期故障前兆识别能力,具备数据利用充分、预警准确性高、故障定位清晰和运维响应及时的优点。

2、根据本发明实施例的一种基于多源数据融合的配电设备故障预警诊断方法,包括:

3、采集配电设备多源运行关联数据,并对多源运行关联数据执行预处理,得到标准化配电设备状态数据;

4、按照设备编号、采集时间戳和运行工况,对标准化配电设备状态数据进行状态序列划分,得到负荷关联状态序列、环境关联状态序列和老化关联状态序列;

5、构建改进sarima模型,对负荷关联状态序列、环境关联状态序列和老化关联状态序列分别执行差分、自回归、移动平均和季节项运算,并融合各状态序列的基线输出,得到配电设备健康基线;

6、将标准化配电设备状态数据与配电设备健康基线进行残差计算,并按照设备编号、采集时间戳和状态类型融合残差数据,得到故障敏感季节残差矩阵;

7、依据配电设备故障机理对故障敏感季节残差矩阵进行因果候选空间划分,得到故障因果候选空间集合;

8、采用pcmci算法在故障因果候选空间集合内,对不同采集时刻之间的残差变量执行滞后因果识别,得到故障前兆滞后因果链;

9、依据故障前兆滞后因果链对残差异常进行链式传播诊断,未形成链式传播关系时输出单点扰动观察结果,形成链式传播关系时输出配电设备故障预警诊断结果。

10、可选的,所述配电设备多源运行关联数据具体包括设备编号数据、采集时间戳数据、电压数据、电流数据、负荷率数据、设备表面温度数据、环境温度数据、环境湿度数据、局部放电强度数据、绝缘电阻数据、接地电流数据、历史故障记录数据、历史检修记录数据、设备台账数据和馈线连接关系数据。

11、可选的,所述对多源运行关联数据执行预处理具体包括数据校验、时间对齐、记录关联、异常处理、缺失补全、量纲统一、归一化处理和工况标记。

12、可选的,所述得到负荷关联状态序列、环境关联状态序列和老化关联状态序列,包括:

13、按照设备编号数据对标准化配电设备状态数据分组,并按照采集时间戳数据对同一设备编号对应的状态数据排序,得到设备状态时间序列;

14、从设备状态时间序列中提取负荷率数据、电流数据和电压数据并按时序组合为负荷关联状态序列,提取环境温度数据、环境湿度数据、设备表面温度数据和局部放电强度数据并按时序组合为环境关联状态序列,提取绝缘电阻数据、局部放电强度数据、接地电流数据、历史故障记录数据和历史检修记录数据并按时序组合为老化关联状态序列。

15、可选的,所述得到配电设备健康基线,包括:

16、构建改进sarima模型,所述改进sarima模型包括残差污染阻断模块、解耦输入模块、趋势保留预测模块和健康基线重构模块;

17、残差污染阻断模块读取上一诊断周期的故障前兆滞后因果链、历史故障记录数据和历史检修记录数据,提取故障敏感残差变量和污染时段,计算配电设备健康基线试算前后的残差下降比例,残差下降比例不低于60%时阻断对应状态数据进入健康基线构建过程,得到待建模状态序列;

18、解耦输入模块读取待建模状态序列中的馈线连接关系数据和电气运行数据,确定同一馈线中的上游设备、目标设备和下游设备,计算电流传递差值、电压梯度差值和负荷率迁移差值,得到馈线拓扑运行状态序列和单台设备故障机理状态序列;

19、趋势保留预测模块读取故障前兆滞后因果链中的残差变量和滞后时间,对故障机理状态数据进行相位对齐并计算故障机理相位差值,结合历史状态值、历史预测误差、同周期历史状态变化量和故障机理相位差值,得到实际运行基线输出和故障机理基线输出;

20、健康基线重构模块对实际运行基线输出和故障机理基线输出进行对齐,在相同运行条件下以正常老化趋势片段替换故障加速趋势片段,重构反事实健康基线,并对标准化配电设备状态数据进行拓扑守恒残差计算,得到配电设备健康基线、馈线扰动残差和设备故障残差;

21、对改进sarima模型进行训练,采用配电设备健康基线重构误差、馈线拓扑守恒残差误差和设备故障残差分离误差作为优化目标,持续优化残差污染阻断模块、解耦输入模块、趋势保留预测模块和健康基线重构模块中的参数,当连续5轮训练中总误差下降幅度均小于0.01时,判定改进sarima模型达到收敛。

22、可选的,所述得到实际运行基线输出和故障机理基线输出,包括:

23、读取故障前兆滞后因果链中的起点残差变量、中间滞后响应变量、终点持续异常变量和滞后时间,并提取环境湿度数据、局部放电强度数据、绝缘电阻数据、接地电流数据和设备表面温度数据,得到故障机理状态数据;

24、按照滞后时间对起点残差变量、中间滞后响应变量和终点持续异常变量对应的故障机理状态数据进行故障传播相位对齐,得到相位对齐状态数据;

25、计算相位对齐状态数据中相邻传播相位之间的状态变化差值,并计算同一状态类型的同周期历史状态变化量,得到故障机理相位差值和同周期历史状态变化量;

26、读取相位对齐状态数据对应的历史状态值和历史预测误差,执行自回归预测和移动平均修正,并叠加同周期历史状态变化量,得到实际运行基线输出,将故障机理相位差值叠加至实际运行基线输出,得到故障机理基线输出。

27、可选的,所述得到故障敏感季节残差矩阵,包括:

28、按照设备编号数据和采集时间戳数据,将标准化配电设备状态数据中的各状态观测值与配电设备健康基线中对应状态基线值对齐相减,得到状态残差值;

29、对状态残差值进行故障方向统一处理,得到故障敏感残差值;

30、按照设备编号数据、采集时间戳数据和状态类型排列故障敏感残差值,并写入故障记录标记、检修记录标记、设备台账标记和馈线连接标记,得到故障敏感季节残差矩阵。

31、可选的,所述得到故障因果候选空间集合,包括:

32、读取故障敏感季节残差矩阵中的设备编号数据、采集时间戳数据、状态类型、故障敏感残差值和残差标记,得到残差变量定位数据;

33、按照过负荷、绝缘劣化、接地异常和接触不良4类故障机理,对残差变量定位数据进行机理分区,得到过负荷候选空间、绝缘劣化候选空间、接地异常候选空间和接触不良候选空间;

34、按照采集时间戳数据和馈线连接标记,对过负荷候选空间、绝缘劣化候选空间、接地异常候选空间和接触不良候选空间中的故障敏感残差值进行时序排列和馈线关联标记,得到故障因果候选空间集合。

35、可选的,所述得到故障前兆滞后因果链,包括:

36、读取故障因果候选空间集合中的故障敏感残差值、反事实残差值、设备编号数据、采集时间戳数据、状态类型和馈线连接标记,将设备故障残差编码为故障传播相位链,得到相位门控残差变量,并将馈线扰动残差转换为馈线扰动残差变量;

37、依据相位门控残差变量、采集时间戳数据和馈线连接关系数据,构建跨时刻拓扑相位滞后变量,筛除相位方向和馈线方向不一致的跨时刻拓扑相位滞后变量,得到拓扑相位滞后变量集合;

38、采用pcmci算法在拓扑相位滞后变量集合内构建条件集,剔除故障链下游残差变量和终点持续异常变量,由相位门控残差变量中的同相位残差变量、上游相位残差变量和馈线扰动残差变量组成条件集,并执行条件独立检验,得到候选滞后因果边;

39、当同一目标残差变量同时存在馈线扰动因果边和设备故障因果边时,比对滞后连续性、故障方向一致性和反事实残差消失性,并由比对结果占优的候选滞后因果边形成故障前兆因果边集合;

40、按照采集时间戳数据、状态类型、滞后时间和馈线连接标记连接故障前兆因果边集合中的候选滞后因果边,并剔除未形成起点残差变量、中间滞后响应变量和终点持续异常变量的候选滞后因果边组合,得到故障前兆滞后因果链。

41、可选的,所述依据故障前兆滞后因果链对残差异常进行链式传播诊断,包括,包括:

42、读取故障前兆滞后因果链和故障敏感季节残差矩阵,按照滞后时间校验起点残差变量、中间滞后响应变量和终点持续异常变量的传播顺序,得到链式传播校验结果;

43、当链式传播校验结果未形成连续传播关系时,提取对应设备编号数据、采集时间戳数据、状态类型和故障敏感残差值,输出单点扰动观察结果;

44、当链式传播校验结果形成连续传播关系时,依据状态类型、馈线连接标记、历史故障记录数据、历史检修记录数据和设备台账数据确定故障类型、故障设备和受影响馈线,输出配电设备故障预警诊断结果。

45、本发明的有益效果是:

46、本发明一种基于多源数据融合的配电设备故障预警诊断方法通过采集电压数据、电流数据、负荷率数据、设备表面温度数据、环境温度数据、环境湿度数据、局部放电强度数据、绝缘电阻数据、接地电流数据、历史故障记录数据、历史检修记录数据、设备台账数据和馈线连接关系数据,并进行预处理和状态序列划分,使配电设备的负荷变化、环境影响、老化趋势和馈线连接状态能够在同一诊断流程中被统一分析,避免仅依赖单一传感数据或单点阈值造成的异常判断片面问题。

47、本发明通过改进sarima模型构建配电设备健康基线,并在健康基线构建过程中引入残差污染阻断、负荷环境老化解耦、故障机理相位差分、反事实健康基线重构和拓扑守恒残差计算,使历史故障、检修干预和馈线扰动对健康趋势建模的影响得到削弱,能够减少故障前兆被吸收到正常基线中的情况,提高状态残差对真实异常的敏感性。

48、本发明通过构建故障敏感季节残差矩阵,并按照过负荷、绝缘劣化、接地异常和接触不良4类故障机理划分故障因果候选空间,使不同状态类型的异常残差能够与具体故障机理对应,提高故障类型判断的针对性。通过pcmci算法识别不同采集时刻之间的滞后因果关系,并结合馈线连接方向、相位传播方向和反事实残差消失性进行因果边筛选,能够区分馈线扰动传递与单台设备故障演化,减少误报和漏报。

49、本发明最终依据故障前兆滞后因果链执行链式传播诊断,在未形成连续传播关系时输出单点扰动观察结果,在形成连续传播关系时输出配电设备故障预警诊断结果,使诊断结果同时包含故障类型、故障设备和受影响馈线,提高配电设备故障预警的准确性、可解释性和运维处置效率。