一种基于多源时序数据的配电变压器健康状态评估、寿命预测及治理建议生成方法及系统与流程
本发明涉及电力系统自动化与配电网设备状态评估,具体是一种基于多源时序数据的配电变压器健康状态评估、寿命预测及治理建议生成方法及系统。
背景技术:
1、配电变压器是中低压配电网中连接电源侧与用户侧的重要设备,其运行状态直接影响台区供电能力、电压质量、供电可靠性以及用户用电安全。随着配电网规模不断扩大,分布式电源、电动汽车、居民和商业负荷快速增长,配电变压器长期面临负荷波动大、峰谷差明显、局部重过载、低电压、频繁停电、设备老化和检修维护不及时等问题。若不能及时识别配变健康状态劣化趋势,容易导致台区电压质量下降、设备故障率升高,甚至引发停电、烧毁或跳闸等运行风险。
2、现有配电变压器状态评价方法多依赖单一数据源或人工规则判断,例如仅根据最大负载率、停电次数、故障记录或运行年限进行简单判别。这类方法虽然能够发现部分明显问题,但难以全面反映配变在负荷、电压、停电、故障、缺陷、检修、容量配置和供电半径等多因素共同作用下的真实健康状态。同时,配变台账、运行曲线、停电记录、故障缺陷记录和检修记录通常分散在不同业务系统中,数据口径、采样频率和时间粒度不一致,难以形成统一的时序样本库,导致健康评价模型缺少连续性和综合性。此外,原始运行数据中普遍存在视在功率缺失、电压异常采集、停电误报、数据空值、极端异常值等问题。如果直接利用上述数据进行状态评价,容易造成重过载、低电压或频繁停电误判,影响评估结果的准确性。现有方法对数据清洗、异常修正和停电事件真实性校验考虑不足,难以区分真实运行异常与采集异常。
3、在特征建模方面,传统方法通常侧重于当前状态判断,缺少对历史时序变化趋势、风险持续时间、事件严重程度和时间衰减影响的综合刻画,不能有效识别故障风险的累积过程。对于配变剩余寿命预测,现有方法也较少考虑未发生故障、退役或更换设备的删失样本,导致寿命预测结果可靠性不足。同时,现有数据驱动模型往往与配电网业务规则相互独立,模型预测结果可能与重过载、低电压、频繁停电、老旧配变、高耗能配变等业务判别规则不一致,降低了模型结果的可解释性和可应用性。另一方面,现有系统多停留在问题识别层面,缺少根据风险来源自动生成配变增容、配变新建、配变改造、低压切改、低压改造和检修计划优化等治理建议的能力,也缺少治理后的反馈闭环,无法根据改造或检修效果持续修正模型参数。
4、因此,亟需一种基于多源时序数据的配电变压器健康状态评估、寿命预测及治理建议生成方法,能够融合配变台账、运行、电压、电流、停电、故障、缺陷、检修及网架数据,完成数据清洗、特征提取、健康评价、状态分级、寿命预测、规则约束修正、治理建议生成和闭环更新,从而提高配变风险识别、故障预测和治理决策的准确性与适应性。
技术实现思路
1、本发明旨在解决现有配电变压器状态评价方法中存在的数据来源单一、时序特征利用不足、异常数据影响评价结果、规则判别与数据驱动模型割裂、无法同时输出健康状态和剩余寿命预测结果等问题,提出一种基于多源时序数据的配电变压器健康状态评估、寿命预测及治理建议生成方法,实现配变多源数据融合、异常数据清洗、指标特征提取、健康状态评价、寿命预测、规则约束修正、治理建议生成和闭环更新。
2、为解决上述技术问题,本发明采用如下技术方案。
3、一种基于多源时序数据的配电变压器健康状态评估、寿命预测及治理建议生成方法,包括以下步骤:
4、s1:建立配电变压器多源数据融合模型,以配电变压器唯一标识符为主键,将配变台账数据、额定容量、投运日期、设备型号、供电半径、所带用户数、负荷曲线、电压曲线、电流曲线、停电记录、故障记录、缺陷记录、检修记录和网架拓扑数据进行关联,并将不同采样频率的数据统一映射至15分钟、日、月多尺度时间窗口,形成配变多源时序样本库;
5、s2:对所述配变多源时序样本库中的原始数据执行数据清洗与质量控制,包括:对视在功率缺失的数据点,根据有功功率和无功功率计算视在功率进行补全;对视在功率为空值或超过额定容量合理范围的数据点标记为异常值;对电压异常数据结合相邻时刻、相邻用户和相邻台区数据进行修正或剔除;对停电事件依据电压、电流、持续时间、单日次数和影响用户比例进行校验,剔除非真实停电或异常采集导致的伪停电事件,得到清洗后的多源时序样本;
6、s3:根据所述清洗后的多源时序样本提取配电变压器指标特征,包括:根据负载率序列提取最大负载率、重载次数、过载次数、重载持续时长、过载持续时长和负载率变化趋势作为负荷压力底层特征;根据电压时序数据提取低电压事件次数、低电压累计时长、连续低电压最长时长、电压偏差程度、电压波动率和低电压趋势作为低电压底层特征;根据停电事件数据提取停电次数、停电累计时长、平均停电时长、频繁停电标识、停电影响用户比例和近60日停电次数作为停电可靠性底层特征;根据故障、缺陷与检修数据提取故障缺陷特征和检修维护特征;根据台账和网架数据提取设备老化特征、容量匹配特征和供电半径特征,形成多维底层特征向量;
7、s4:根据所述多维底层特征向量,对负荷压力、低电压、停电可靠性、故障缺陷、检修维护、设备老化、容量匹配和供电半径特征进行归一化处理形成健康评价特征向量;并利用所述负荷压力底层特征、低电压底层特征和停电可靠性底层特征,结合事件严重程度、持续时间影响因子和时间衰减因子,分别计算负荷压力风险、低电压风险和停电可靠性风险,进而构建综合风险累积模型,计算配电变压器综合健康风险和健康指数;
8、s5:根据所述健康指数、规则指标触发情况和未来故障概率,将配电变压器健康状态划分为正常、关注、预警、严重和紧急等级,得到健康状态分级结果;
9、s6:以所述多维底层特征向量的历史时序数据为输入,以配电变压器发生故障、退役、更换或重大检修的时间作为寿命终点,构建具有删失样本处理能力的剩余寿命预测模型,输出未来多个时间窗口的故障概率和预测剩余寿命;
10、s7:建立规则约束与数据驱动模型的融合机制,将配变重过载、低电压、频繁停电、老旧配变和高耗能配变的规则指标作为模型先验约束或强特征输入,对所述健康指数进行惩罚修正,并对所述未来故障概率进行风险增益修正,得到修正后的健康指数和最终故障概率;
11、s8:输出每台配电变压器的当前健康指数、健康等级、主要风险来源、未来故障概率、预测剩余寿命、风险贡献度排序及相似历史案例,并根据触发指标类型和风险等级自动生成治理建议;
12、s9:建立闭环更新机制,当配电变压器发生新的运行异常、停电、低电压、故障、缺陷或检修事件后,自动更新多源时序样本、特征指标、健康指数、健康等级、故障概率和剩余寿命预测结果,并将治理前后的变化数据作为反馈样本,用于模型持续训练和参数校正。
13、进一步的,步骤s1中,配电变压器多源数据集合表示为:
14、;
15、其中, 表示配电变压器台账数据, 表示负荷或功率曲线, 表示电压曲线, 表示电流曲线, 表示停电记录, 表示故障记录, 表示缺陷记录, 表示检修记录, 表示网架拓扑数据;
16、不同采样频率的数据统一映射为:
17、;
18、其中, 表示第 台配电变压器在时刻 、时间窗口下的多源时序样本,包括15分钟、日和月时间尺度。
19、进一步的,步骤s2中,当视在功率缺失时,按照如下公式计算:
20、;
21、其中, 为视在功率, 为有功功率, 为无功功率;
22、当满足;
23、或
24、时,将该数据点标记为功率异常点,其中, 为配电变压器额定容量;
25、对停电事件进行校验时,真实停电事件同时满足如下条件:
26、(1)电压与电流在同一时刻为空值;
27、(2)停电持续时间位于15分钟至15小时之间;
28、(3)同一天内停电次数不超过2次;
29、(4)停电影响用户数不低于台区总用户数的50%;
30、若停电事件不同时满足上述条件,则将其判定为伪停电事件并剔除。
31、进一步的,步骤s4中负荷压力风险采用事件累积方式计算:
32、;
33、其中, 表示第 个负荷异常事件的严重程度, 表示持续时间影响因子, 表示时间衰减因子;
34、低电压风险采用如下公式计算:
35、;
36、其中,低电压事件严重程度为:
37、;
38、其中, 为低电压合格下限, 为第 个低电压事件中的最低电压,为低电压严重下限;
39、停电可靠性风险采用如下公式计算:
40、;
41、其中,为停电事件严重程度;
42、;
43、为停电影响用户比例,;
44、为频繁停电放大系数,;
45、其中, 为第 次停电影响用户数, 为台区总用户数, 为该事件发生时近60日累计停电次数。
46、进一步的,步骤s4中,健康评价特征向量为:
47、;
48、其中, 为设备负载水平评价值, 为供电电压质量评价值, 为停电事件影响程度评价值, 为设备故障风险评价值, 为设备运维检修状况评价值, 为设备老化评价值, 为设备容量匹配评价值, 为供电半径风险评价值;
49、综合健康风险为:
50、;
51、健康指数为:
52、;
53、其中, 为规则触发风险。
54、进一步的,步骤s6中,剩余寿命预测模型将配电变压器发生故障、退役、更换或重大检修作为寿命终点事件,并设置事件标识 ;
55、当配电变压器在观测期内发生寿命终点事件时:
56、;
57、当配电变压器在观测期结束时未发生寿命终点事件时:
58、;
59、并将该样本作为右删失样本参与模型训练;
60、未来第 个时间窗口的寿命终点事件发生概率为:
61、;
62、其中, 为第 台配电变压器在时刻 的状态条件下,于未来第 个时间窗口内发生寿命终点事件的条件概率, 为用于将模型输出映射至 至 区间的激活函数, 为第 个时间窗口对应的偏置参数, 为健康评价特征的总数量, 为健康评价特征的序号, 为第 个健康评价特征在第 个时间窗口下的影响系数, 为第 台配电变压器序号, 为第 k在时刻 \(t 的第 个健康评价特征值, 为规则触发风险在第 个时间窗口下的影响系数, 为第 台配电变压器在时刻 的规则触发风险, 为配电变压器编号, 为当前观测时刻, 为未来时间窗口的序号;
63、生存概率为:
64、;
65、其中, 为第 台配电变压器在时刻 的状态条件下,未来前 个时间窗口内均未发生寿命终点事件的生存概率; 为第 台配电变压器在时刻 的状态条件下,于未来第 个时间窗口内发生寿命终点事件的条件概率; 为该配电变压器在未来第 个时间窗口内不发生寿命终点事件的条件概率; 表示对未来第 个至第个时间窗口的不发生寿命终点事件概率进行连乘; 为配电变压器编号, 为当前观测时刻, 为连乘过程中的时间窗口序号, 为预测时间窗口的数量或未来时间窗口序号。
66、未来 时间窗口内的故障概率为:
67、;
68、预测剩余寿命为:
69、;
70、其中, 为第 台配电变压器在时刻 的预测剩余寿命; 为第 台配电变压器在时刻 的状态条件下,未来前 个时间窗口内均未发生寿命终点事件的生存概率; 为剩余寿命预测所覆盖的未来时间窗口总数; 为未来时间窗口序号; 为单个预测时间窗口对应的时间长度; 为第 个时间窗口的生存概率所对应的期望生存时长; 表示对未来第 个至第 个时间窗口的期望生存时长进行累加; 为配电变压器编号, 为当前观测时刻。
71、进一步的,步骤s7中,规则触发风险为:
72、;
73、其中, 表示第 个规则指标的严重程度, 表示第 个规则指标在时刻是否触发, 表示规则触发时间, 表示时间衰减系数;
74、规则修正后的故障概率为:
75、;
76、其中, 为数据驱动模型输出的基础故障概率, 为规则风险增益系数。
77、进一步的,步骤s8中,风险贡献度按照如下公式计算:
78、;
79、其中, 为第 个健康评价特征在时刻 对配电变压器综合健康风险的贡献度; 为第 个健康评价特征对应的风险权重; 为第 个健康评价特征在时刻 的归一化特征值; 为第 个健康评价特征对综合健康风险的加权风险贡献值; 为配电变压器在时刻 的综合健康风险; 为健康评价特征序号, 为当前评价时刻。 的数值越大,表示第 个健康评价特征对当前综合健康风险的贡献越大;
80、系统根据风险贡献度排序确定主要风险来源,并根据主要风险来源和健康等级生成治理建议:其中,当主要风险为配电变压器过载、重载或重载预警时,生成配变增容、配变新建或低压切改建议;当主要风险为台区低电压时,生成配变改造、配变新建或低压改造建议;当主要风险为频繁停电时,生成配变改造、配变及低压改造或低压改造建议;当主要风险为老旧配变或高耗能配变时,生成配变改造或配变及低压改造建议。
81、一种基于多源时序数据的配电变压器健康状态评估与寿命预测系统,用于执行如上所述的方法,包括:
82、多源数据融合模块,用于以配电变压器唯一标识符为主键关联台账数据、运行数据、停电数据、故障缺陷数据、检修数据和网架数据,并将不同采样频率的数据统一映射至15分钟、日、月多尺度时间窗口,形成配变多源时序样本库;
83、数据清洗与质量控制模块,用于对视在功率缺失的数据点进行补全,对异常功率和异常电压进行识别修正,以及对停电事件进行校验以剔除伪停电事件,输出清洗后的多源时序样本;
84、特征提取模块,用于从所述清洗后的多源时序样本中提取负荷压力底层特征、低电压底层特征、停电可靠性底层特征、故障缺陷特征、检修维护特征、设备老化特征、容量匹配特征和供电半径特征,形成多维底层特征向量;
85、健康状态评价模块,用于将所述多维底层特征向量进行归一化处理形成健康评价特征向量;并利用所述负荷压力底层特征、低电压底层特征和停电可靠性底层特征,结合事件严重程度、持续时间影响因子和时间衰减因子分别计算负荷压力风险、低电压风险和停电可靠性风险,进而计算综合健康风险和健康指数;
86、健康状态分级模块,用于根据所述健康指数、规则指标触发情况和未来故障概率将配电变压器状态划分为正常、关注、预警、严重和紧急等级,得到健康状态分级结果;
87、剩余寿命预测模块,用于以历史多源时序特征为输入、以配电变压器发生故障、退役、更换或重大检修的时间作为寿命终点,构建具有删失样本处理能力的寿命预测模型,输出未来故障概率和预测剩余寿命;
88、规则融合模块,用于将重过载、低电压、频繁停电、老旧配变和高耗能配变规则指标作为模型约束,对健康指数进行惩罚修正并对未来故障概率进行风险增益修正;
89、结果输出模块,用于输出健康指数、健康等级、故障概率、剩余寿命、风险贡献度和治理建议;
90、闭环更新模块,用于根据新增运行事件和治理反馈样本更新多源时序样本、特征指标和模型参数。
91、进一步的,所述数据清洗与质量控制模块包括:功率补全单元,用于根据有功功率和无功功率计算视在功率;异常识别单元,用于识别视在功率为空值或超过额定容量合理范围的功率异常点;电压修正单元,用于结合相邻时刻、相邻用户和相邻台区数据对电压异常数据进行修正或剔除;停电校验单元,用于依据电压、电流、持续时间、单日次数和影响用户比例进行停电事件校验并剔除非真实停电事件;
92、所述规则融合模块用于根据最大负载率阈值、低电压阈值、频繁停电次数阈值、老旧配变运行年限阈值和高耗能设备标识对健康指数进行惩罚修正,并对未来故障概率进行风险增益修正;
93、所述闭环更新模块支持将治理前后的负载率、低电压次数、停电次数、故障次数和健康指数变化作为反馈样本,用于模型持续训练和参数校正。
94、与现有技术相比,本发明至少具有以下有益效果:
95、1.本发明以配电变压器唯一标识符为主键,融合台账、运行曲线、电压电流、停电、故障、缺陷、检修和网架等多源数据,能够全面反映配电变压器运行状态。
96、2.本发明通过多尺度时间窗口映射,将不同采样频率的数据统一到15分钟、日、月等时间尺度,提高了时序样本的一致性和可计算性。
97、3.本发明通过功率补全、电压异常修正和停电事件校验,降低异常采集、缺失数据和伪停电事件对评估结果的影响,提高健康评价准确性。
98、4.本发明采用负荷压力、低电压、停电可靠性、故障缺陷、检修维护、设备老化、容量匹配和供电半径等多维风险特征,能够识别多风险叠加下的配变隐患。
99、5.本发明将规则指标与数据驱动模型融合,既保留配电网业务规则的可解释性,又能够利用历史样本学习故障规律,提高故障概率预测和寿命预测的可靠性。
100、6.本发明能够输出健康指数、健康等级、故障概率、预测剩余寿命、主要风险来源和治理建议,为配变增容、新建、改造、低压切改、低压改造和检修计划优化提供决策依据。
101、7.本发明通过治理反馈样本实现模型闭环更新,使模型能够随运行数据和治理效果不断校正,提高不同区域、不同设备型号和不同运行工况下的适应性。
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