基于大数据的电力设备全生命周期健康管理系统的制作方法
本发明涉及设备智能维护,尤其涉及基于大数据的电力设备全生命周期健康管理系统。
背景技术:
1、电力设备健康管理是智能电网建设的核心环节,其发展历程经历了从被动响应到主动预防的演进。在发展过程方面,早期的设备运维主要依赖定期检修和故障后抢修,这种方式存在过修或欠修的问题,资源浪费严重且供电可靠性难以保障。
2、目前的电力设备健康管理系统中,在处理多源异构数据时,多采用简单的拼接或加权平均,难以有效剥离绝缘老化、机械磨损及接触电阻增大等多种并发退化机理的耦合影响,导致退化轨迹识别精度低,无法区分设备性能下降的根本原因;
3、其次,传统的寿命预测方法通常输出单一的确定性数值,忽略了设备运行环境、负载波动带来的不确定性,在面对复杂多变的电网工况时,预测结果置信度差,极易引发误判,并且当前的模型参数通常为离线设定,无法利用现场检修后的实际状态数据进行在线修正,导致系统对新投运设备或经历大修的设备适应性差,无法实现真正意义上的全生命周期闭环优化。
技术实现思路
1、为了克服现有技术的上述缺陷,为实现上述目的,本发明提出如下技术方案:
2、基于大数据的电力设备全生命周期健康管理系统,包括:
3、数据处理模块:获取电力设备在全生命周期内的设备状态数据,通过时间窗对齐算法对设备状态数据进行插值同步与时标校正,得到标准特征张量;
4、所述设备状态数据包括高频局放信号、红外热成像序列及运行工况参数;
5、退化解耦模块:对标准特征张量采用小波包熵阈值法进行降噪处理,并输入预构建的非线性维纳过程模型中分离出绝缘老化的独立退化轨迹、机械磨损的独立退化轨迹及接触电阻增大的独立退化轨迹;
6、云图构建模块:通过贝叶斯推断更新绝缘老化的独立退化轨迹、机械磨损的独立退化轨迹及接触电阻增大的独立退化轨迹各自的漂移参数,得到健康指数云;
7、图谱生成模块:对健康指数云中的各数据点进行蒙特卡洛随机模拟,生成未来预设时长内设备性能参数的概率密度函数,依据预设失效阈值通过概率密度函数计算各时刻的累积失效概率,通过累积失效概率构建设备群的复杂网络拓扑模型并识别关键节点设备的脆弱度,得到帕累托最优运维图谱;
8、闭环优化模块:依据帕累托最优运维图谱生成设备调度指令与维护工单,实现电力设备全生命周期健康管理的自适应闭环优化。
9、得到标准特征张量的过程包括:
10、依据电力设备的物理拓扑连接关系设定高频局放信号、红外热成像序列及运行工况参数的时间窗长度,采用三次样条插值法对高频局放信号、红外热成像序列及运行工况参数进行时间轴插值同步;
11、计算插值同步后数据的本地时间戳与电力系统标准时钟源的当前精确时间戳之间的偏差值,利用偏差值对本地时间戳进行偏移校正;
12、将时间戳校正后的数据按照采样点索引、特征通道类别及校正后时间戳的三维数据结构堆叠封装,生成三维数组格式的标准特征张量。
13、分离出绝缘老化的独立退化轨迹、机械磨损的独立退化轨迹及接触电阻增大的独立退化轨迹的过程包括:
14、对标准特征张量执行三层小波包分解,计算各节点系数的信息熵值,依据信息熵值设定自适应阈值对节点系数进行量化置零处理,利用处理后的节点系数进行小波包重构,得到降噪后的标准特征张量;
15、将降噪后的标准特征张量输入至预构建的非线性维纳过程模型中,非线性维纳过程模型定义有绝缘老化、机械磨损及接触电阻增大三个独立的潜在退化变量;
16、通过卡尔曼滤波算法将降噪后的标准特征张量映射到绝缘老化、机械磨损及接触电阻增大三个独立的潜在退化变量空间中,分离出绝缘老化的独立退化轨迹、机械磨损的独立退化轨迹及接触电阻增大的独立退化轨迹。
17、得到健康指数云的过程包括:
18、构建绝缘老化的独立退化轨迹、机械磨损的独立退化轨迹及接触电阻增大的独立退化轨迹各自的漂移参数先验分布,利用贝叶斯公式结合当前时刻的观测数据更新各先验分布,计算各漂移参数的后验分布均值;
19、利用各漂移参数的后验分布均值替换原有漂移参数,得到更新后的绝缘老化的独立退化轨迹、机械磨损的独立退化轨迹及接触电阻增大的独立退化轨迹;
20、提取更新后的绝缘老化的独立退化轨迹、机械磨损的独立退化轨迹及接触电阻增大的独立退化轨迹在各时间戳上的特征值,拟合生成各自特征值的数学期望与置信区间,按时间戳进行聚合得到健康指数云。
21、拟合生成各自特征值的数学期望与置信区间的过程包括:
22、提取更新后的绝缘老化的独立退化轨迹在各时间戳上的特征值,拟合生成绝缘老化特征值的数学期望与置信区间;
23、提取更新后的机械磨损的独立退化轨迹在各时间戳上的特征值,拟合生成机械磨损特征值的数学期望与置信区间;
24、提取更新后的接触电阻增大的独立退化轨迹在各时间戳上的特征值,拟合生成接触电阻增大特征值的数学期望与置信区间;
25、将绝缘老化特征值的数学期望与置信区间、机械磨损特征值的数学期望与置信区间、接触电阻增大特征值的数学期望与置信区间按照时间戳进行聚合,形成每一数据点均包含特定时刻健康度期望值及置信区间的健康指数云。
26、生成未来预设时长内设备性能参数的概率密度函数的过程包括:
27、读取健康指数云中各数据点的健康度期望值及置信区间,基于健康度期望值的数学期望与置信区间界定随机抽样范围,执行一万次蒙特卡洛随机模拟采样,统计未来预设时长内各采样时刻设备性能参数的频数分布,拟合生成未来预设时长内设备性能参数的概率密度函数,概率密度函数的公式为:
28、
29、其中,n为模拟值的总数,取值为10000,为第i个模拟值,k为高斯核函数,表达式为,h为带宽,根据经验法则设定,y为设备性能参数的取值变量。
30、通过累积失效概率构建设备群的复杂网络拓扑模型并识别关键节点设备的脆弱度,得到帕累托最优运维图谱的过程包括:
31、提取设备性能参数的概率密度函数的函数表达式,设定表征设备完全失效时的性能参数临界值为预设失效阈值;
32、对概率密度函数在区间从预设失效阈值至正无穷大进行定积分计算,将定积分计算结果定义为对应时刻的累积失效概率,遍历未来预设时长内所有采样时刻,生成各时刻的累积失效概率序列;
33、依据电力设备群的电气连接关系构建复杂网络拓扑模型,将各时刻的累积失效概率映射至对应节点,计算各节点的介数中心性指标,依据介数中心性指标识别关键节点设备的脆弱度;
34、以维护成本、停电损失风险及电网可靠性指标作为博弈要素,构建多目标收益矩阵,通过求解多目标收益矩阵的纳什均衡点,筛选出最佳检修时间点、检修等级及风险评估值,依据筛选结果绘制图谱,得到帕累托最优运维图谱。
35、实现电力设备全生命周期健康管理的自适应闭环优化的过程包括:
36、解析帕累托最优运维图谱,提取最佳检修时间点、检修等级及风险评估值,生成包含具体作业内容的设备调度指令与维护工单并下发至现场执行端;
37、采集现场执行端完成检修作业后的实际设备状态数据,实际设备状态数据包括检修后的试验数据及恢复运行后的工况参数;
38、将实际设备状态数据作为新的观测样本,回流至非线性维纳过程模型的贝叶斯推断环节中,并提取复杂网络拓扑模型中代表设备连接关系的各边,获取实际设备状态数据中反映设备间电气耦合强度的指标值;
39、依据电气耦合强度的指标值大小,按照预设的线性映射关系调整复杂网络拓扑模型中对应各边的连接权重数值,若电气耦合强度增大则增加连接权重数值,若电气耦合强度减小则削减连接权重数值,完成模型的自适应修正,实现电力设备全生命周期健康管理的闭环优化。
40、本发明具备以下有益效果:
41、第一,通过引入非线性维纳过程模型并结合贝叶斯推断机制,实现了对绝缘老化、机械磨损及接触电阻增大三种独立退化轨迹的精准解耦与动态跟踪。利用贝叶斯公式实时更新各退化轨迹的漂移参数后验分布均值,有效克服了传统方法无法区分多退化机理耦合效应的缺陷,显著提高了在复杂工况下设备健康状态评估的准确性与鲁棒性。
42、第二,通过获取健康指数云,将设备性能参数的不确定性量化为包含数学期望与置信区间的多维概率分布集合。通过蒙特卡洛随机模拟生成设备性能参数的概率密度函数,并基于累积失效概率量化风险,使得评估结果从单一的确定性数值转变为可量化的概率风险分布,为运维决策提供了更为坚实的统计依据。
43、第三,将复杂网络拓扑理论与博弈论引入设备群管理,通过介数中心性指标识别关键节点设备的脆弱度,并构建多目标收益矩阵求解纳什均衡点。这种从单设备视角到系统博弈视角的转变,能够统筹维护成本、停电损失风险及电网可靠性指标,筛选出全局最优的检修策略,有效避免了局部优化导致的系统性风险,大幅降低了全生命周期运维成本。
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