物联网多源数据融合的配电设备健康评估与故障预测方法与流程
本发明涉及电力系统配电设备状态评估与预测性维护,具体涉及一种物联网多源数据融合的配电设备健康评估与故障预测方法。
背景技术:
1、当前配电设备运维工作主要依靠1-3年周期停电试验、每日至每周人工红外巡检、分散部署的独立在线监测装置开展状态监控,设备异常判定仅依靠单参数固定阈值事后告警,运维人员依靠个人经验判定检修时机,现有技术存在六大固有缺陷:第一,评估维度单一,仅依托温度、局部放电等1-2项参数开展判断,无法覆盖电气、热、机械、环境多维度劣化特征,易出现故障漏判、误判;第二,缺少统一量化评分体系,人工评价主观性强,不同运维人员评价结果差异大,无法跨站点、跨型号设备横向对比运维优先级;第三,在线监测、离线试验、人工巡视、负荷运行数据分属独立业务系统,形成数据孤岛,缺少统一时序融合、关联分析机制;第四,故障预警滞后,仅能在参数超阈值后触发告警,无趋势预判能力,无法提前测算故障发生概率与剩余运行时长;第五,健康评估结果静态离散,仅年度、季度开展一次性状态评价,不能实时动态追踪设备持续劣化过程,难以支撑适时检修;第六,固定阈值适配性差,新老设备、不同负载工况设备的正常运行区间存在明显差异,统一阈值无法适配设备个性化运行特征,且评估结果无溯源依据,运维人员无法定位评分下降根因,方案落地使用率低。
技术实现思路
1、针对现有技术存在的不足,本发明的目的在于提供一种物联网多源数据融合的配电设备健康评估与故障预测方法,该方法能够实现多传感器异构数据统一融合、分层自适应量化健康打分、多算法联合故障时长预测、多尺度故障概率计算、故障类型智能匹配、运维工单自动生成、模型闭环迭代优化,完成配电设备从被动抢修向预测性维护的技术转型。
2、为了实现上述目的,本发明提供如下技术方案:
3、物联网多源数据融合配电设备健康评估与故障预测方法,包括:s1,采用端侧多类型传感器采集电气、热学、局部放电、机械、环境五维异构运行数据,通过边缘网关完成五维异构运行数据的预处理;所述预处理包括协议统一、时序对齐、数据质量校验、缺失填充和特征标准化;s2,分别计算电气、热学、局部放电、机械、环境的子评分,加权融合计算得到综合健康指数,按照综合健康指数的区间划分设备健康状态;s3,采用滑动窗口回归结合指数加权移动平均的算法提取各设备关键运行指标的长期退化趋势,通过线性外推法、相似设备参照法、蒙特卡洛模拟法三种算法联合预测故障到达时间;s4,分别计算单维度的故障概率与多维度联合故障概率,区分短期、长期两个时间尺度,将设备多维度运行特征与故障模式知识库完成特征匹配,计算各类故障的置信度,输出置信度排序前三的故障类型;s5,依据综合健康指数、分周期的故障概率、故障类型自动生成分级告警信号与运维检修工单;s6,录入检修真实缺陷、故障预判匹配结果,自动修正模型灵敏度、设备个性化基线、维度评分权重,按月统计预测精度指标并提示参数调优。
4、在本发明中,优选的,所述s1中,通过边缘网关完成五维异构运行数据的预处理包括:s11,边缘网关通过modbustcp协议对接电力仪表、测温传感器,通过mqtt协议对接局部放电传感器、振动传感器,对各类异构协议数据报文进行解析,完成协议统一;s12,以ntp服务器输出统一时钟戳,将采样周期为1秒、10秒、30秒、60秒的高频原始数据聚合至15分钟标准时间片,每个标准时间片存储各指标对应的均值、最大值、最小值、标准差,并将离线年度停电试验得到的绝缘电阻数据填充至全部标准时间片内作为静态基准数据;s13,依次执行物理限值检查、变化率检查、静态检查、iqr四分位距检测;s14,对连续缺失不超过5个15分钟标准时间片的数据,采用前后有效数据线性插值方式补齐,对连续缺失6个及以上标准时间片的数据不做填充处理;s15,提取负载率、绕组相对环境温升值、温度24小时线性回归斜率、局部放电脉冲平均计数、振动长期均值构成标准化特征向量,每间隔15分钟将标准化特征向量打包上传至云端时序数据库。
5、在本发明中,优选的,所述s2包括:s21,分别计算电气、热学、局部放电、机械、环境的子评分,每类子评分均采用底层原始监测指标层、中层维度分项子评分加权层、顶层综合健康指数融合加权层共三层指标加权求和计算;s22,依据设备类型、设备投运年限、对应维度数据完整度动态调整各维度的权重,按照各维度的传感器缺失程度确定其权重,某维度传感器缺失越多则该维度权重自动衰减;s23,依据综合健康指数划分健康等级;健康等级的划分规则为:综合健康指数≥85,则定为a级;70≤综合健康指数<85,则定为b级;50≤综合健康指数<70,则定为c级;30≤综合健康指数<50,则定为d级;综合健康指数<30,则定为e级。
6、在本发明中,优选的,所述s21中,电气子评分计算公式为:
7、,
8、其中,为电气子评分,为绝缘电阻评分,为三相对称度评分,为谐波污染评分,为负载合理性评分,为绝缘电阻评分的权重系数,为三相对称度评分的权重系数,为谐波污染评分的权重系数,为负载合理性评分的权重系数;
9、热学子评分计算公式为:
10、,
11、其中,为热学子评分,为温升评分,为绝对温度评分,为温度差异评分,为温度趋势评分,为温升评分权重系数,为绝对温度评分权重系数,为温度差异评分权重系数,为温度趋势评分权重系数;
12、局部放电子评分计算公式为:
13、,
14、其中,为局部放电子评分,为放电幅值评分,为放电频次评分,为放电趋势评分,为放电幅值评分权重系数,为放电频次评分权重系数,为放电趋势评分权重系数;
15、机械子评分计算公式:
16、,
17、其中,为机械子评分,为振动幅值评分,为振动频谱评分,为操作机构评分,为振动幅值评分权重系数,为振动频谱评分权重系数,为操作机构评分权重系数;
18、环境子评分计算公式:
19、,
20、其中,为环境子评分,为环境温度评分,为环境湿度评分,为设备运行年限评分,为环境温度评分权重系数,为环境湿度评分权重系数,为设备运行年限评分权重系数。
21、在本发明中,优选的,所述s3中的指数加权移动平均计算公式为:
22、,
23、其中,为第t个时间片的平滑指标值,为平滑因子,为第t个时间片原始指标值,为第t-1个时间片的平滑指标值;
24、通过线性外推法预测故障到达时间的计算公式为:
25、,
26、其中,为线性外推故障到达时间,为指标故障阈值,为当前指标实测值,为滑动窗口回归得到的趋势斜率;
27、相似设备参照法预测故障到达时间,采用动态时间规整算法计算当前设备与历史故障设备退化轨迹相似度,基于相似度加权得到相似设备故障到达时间,公式为:
28、,
29、其中,,为相似设备参照故障到达时间,i为第i条历史故障设备样本,为第i条历史故障设备样本的故障到达时间,为第i条历史故障设备样本对应的加权权重,为当前设备退化时序曲线与第i台历史故障设备退化轨迹的动态时间规整距离;
30、所述蒙特卡洛模拟法预测故障到达时间,基于指标波动区间生成多组随机样本,统计每组样本达到故障阈值的时间,得到故障到达时间的概率分布。
31、在本发明中,优选的,所述s4中,计算单维度的故障概率,公式为:
32、,
33、其中,为第i个维度的单维度故障概率,为第i个维度的灵敏度系数,为当前维度指标值,为维度基准参考值,为第i个维度指标值的标准差;
34、计算多维度联合故障概率,公式为:
35、,
36、其中,为设备综合故障概率,为第i个维度的单维度故障概率;
37、所述短期的时间尺度为7天,长期的时间尺度为90天;故障模式知识库的匹配规则包括单维度主导匹配规则、多维度关联匹配规则和退化曲线形态匹配规则。
38、在本发明中,优选的,所述s6中,自动修正维度评分权重采用自适应漂移算法,自适应漂移公式为:
39、,
40、其中,为更新后的第i个维度的权重,为第i个维度的基础权重,为最大权重增量,为第i个维度的历史故障次数,为故障饱和阈值;
41、维度评分权重更新后,执行归一化运算,保证全部维度权重之和为1;自动修正设备个性化基线,采取的方式为:采集前n个评估周期的数据,按照生成基线,其中为第i个维度的设备个性化基线,为指标均值,为指标标准差,为标准差倍率系数;所述预测精度指标包括故障召回率、故障精确率和平均提前预警时长,当精度指标低于预设阈值时,提示参数调优。
42、在本发明中,优选的,所述s3还包括:针对各设备关键运行指标的长期退化趋势斜率,对前后两个评估周期的斜率做差值计算得到劣化加速度,当后一周期的斜率和劣化加速度均大于零时,判定设备进入加速劣化工况,提升设备对应的故障风险等级。
43、在本发明中,优选的,所述s5中,自动生成分级告警信号与运维检修工单的规则为:对a级设备,推送常规巡视提醒;对b级设备,推送缩短巡视周期通知;对c级设备,生成计划性检修工单;对d级设备,生成优先加急检修工单;对e级设备,生成紧急停运更换工单。
44、一种计算机可读存储介质,所述计算机可读存储介质包括指令,当所述指令在计算机上运行时,使得所述计算机执行前述任一项所述的物联网多源数据融合配电设备健康评估与故障预测方法。
45、与现有技术相比,本发明的有益效果是:
46、本方法通过端-边-云三层物联网架构统一采集电气、热学、局部放电、机械振动、环境五维多源异构数据,依托边缘网关完成多协议时序对齐与标准化数据预处理,解决传统方案数据孤岛、数据质量参差不齐的问题,构建分层自适应加权的综合健康指数量化评分模型,依靠设备类型、运行年限、数据完整度动态调整各维度评估权重,克服固定阈值一刀切、人工评价主观性强的缺陷,能够实现全辖区配电设备横向健康度排序、运维资源精准分配,结合滑动窗口线性回归与ewma双重趋势解析方法,融合线性外推、相似设备匹配、蒙特卡洛模拟三类算法联合预测故障到达时间,分短期、长期双尺度量化设备故障概率,并依托故障模式知识库匹配输出高置信度故障类型,实现从传统事后阈值告警向提前数周预测性预警转变,同时配套检修数据回写闭环优化机制,可动态更新设备个性化运行基线、修正故障预测灵敏度、自适应调整各维度评分权重,按月自动统计预测精度并提示参数优化,随着设备运维数据持续积累模型评估与预测准确度持续提升,整套算法无复杂深度学习训练需求,边缘侧完成轻量化预处理降低云端算力压力,全部计算参数具备明确物理含义,工程部署门槛低,可无缝拓展至变压器、开关柜、电缆、无功补偿、直流屏等全品类配电设备,全面提升配网智能运维数字化、量化、预判化水平。
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