[發明專利]一種氧化物避雷器在線故障診斷與狀態評估方法

有效

• 申請號: 202111416901.5
• 申請日: 2021-11-26
• 公開（公告）號: CN114114002B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 何濤;王玉燕;張宇;吳曦翱;邱新福;朱元杰;徐旭初;華云梅
• 申請（專利權）人: 國網安徽省電力有限公司馬鞍山供電公司
• 主分類號: G01R31/327
• 分類號: G01R31/327
• 代理公司: 馬鞍山市金橋專利代理有限公司 34111
• 代理人: 王益西

1.一種氧化物避雷器在線故障診斷與狀態評估方法，其特征在于：包括以下步驟：

步驟1：提取MOA運行狀態特征指標數據，具體步驟如下：

步驟1.1：將避雷器故障原因進行分類：

根據避雷器故障導致原因細化分為四個方面，分別為絕緣老化、外絕緣污穢、放電閃絡和內部受潮四個方面；

步驟1.2：歸納運行狀態特征指標：

根據日常巡視判斷情況，提出泄露監視電流表示數P1、使用年限P2、紫外成像放電程度P3、紅外成像溫升情況P4、外絕緣表面情況P5、放電聲音P6、外套與法蘭連接情況P7和外絕緣污穢程度P8八個運行狀態特征指標；

步驟1.3：運行狀態評估分類：

巡視時對避雷器運行狀態評估分為三個等級，分別為“優”、“一般”、“差”，我們將其定義為FE、FW、FB，具體意義分別為：

(1)FE：執行狀態檢修周期，避雷器運行狀態正常，按照正常周期內對避雷器進行巡視、試驗和檢修；

(2)FW：縮短監測周期，跟檢，避雷器運行狀態需要注意，需一個月內對設備進行試驗，同時運維人員加強日常巡視；

(3)FB：立即停電檢修，避雷器運行狀態嚴重，需立即匯報當值調控人員，盡快安排立停電、試驗和檢修；

對于巡視時，所獲得MOA運行狀態特征指標數據類型主要包括有現場巡視數據和歷史數據；現場巡視數據有泄露監視電流表示數P1、紫外成像放電程度P3、紅外成像溫升情況P4、外絕緣表面情況P5、外絕緣污穢程度P8、放電聲音P6、避雷器使用年限P2和外套與法蘭連接情況P7；

步驟1.4：根據運行狀態特征指標數據分析可導致的故障原因并進行狀態評估，基于大參數背景下運行狀態特征指標在一定程度可以表示故障類型，但針對單一避雷器設備，故障隨機性大；

步驟2：建立基于自適應FNN與DTMC的MOA在線故障監測與評估模型，具體步驟如下：

步驟2.1：建立MOA運行狀態評估計算流程：

由于MOA在現有狀態下，對未來狀態評判只與最新一次監測運行特征數據有關，而與過去監測運行特征數據無直接關系；基于自適應FNN計算得到結果轉為DTMC模型轉移概率值，對歷史數據進行融合，得到最終故障類型和運行狀態評估結果，由此建立MOA運行狀態評估計算流程；

步驟2.2：輸入量的模糊化：

自適應FNN基本論域的確定，對于MOA泄露監視電流表示數P1和使用年限P2的定量指標通過歸一化將輸入值的論域設置為[0，1]，直接得到自適應FNN的輸入參數；考慮到P1和P2均為越小越優型數據，當避雷器絕緣老化、外絕緣污穢或內部受潮，泄露監視電流表示數較歷史數據偏大，通過公式(1)進行歸一化處理；

式中：x′為避雷器特征數據P1和P2實際值，maxx′為P1和P2中最大值，minx′為P1和P2的最小值；

對于定性指標：紫外成像放電程度P3、紅外成像溫升情況P4和放電聲音P6均通過傳感器得到量化值；而對于外絕緣表面情況P5、外套與法蘭連接情況P7和本體外絕緣污穢程度P8需通過圖像采集裝置并根據算法得到其運行狀況；基于EfficientDet和雙目攝像頭對避雷器P5、P7和P8指標運行狀況進行評估，同時根據檢修和試驗專家人員以及綜合考慮以往案例進行量化打分；

步驟2.3：模糊規則庫的確定：

基于自適應FNN與DTMC的MOA運行狀態評估建議其實質是專家評估系統，根據MOA現有運行狀態，判斷MOA是否存在故障、故障類型和故障嚴重程度；同樣地，將避雷器8個運行狀態特征指標分為三個等級，分別為“優”、“一般”、“差”，模糊語言變量定義為FE、FW、FB，依據是已有避雷器故障數據組成的模糊規則庫，語言規則為if-then結構，其模糊推理規則形式為：

R_t:if P1 is F(P1),P(n)is F(P(n)),

…P8 is F(P8)；Then y′ is G′_t,y″ is G″_t

式中：R_t為第t個模糊推理規則；P(n)為第n個MOA運行狀態特征類型；F(P(n))為第n個MOA運行狀態特征數據對應的模糊等級，三個等級“FB、FW和FE”，即F(P(n))∈{FB,FW,FE}；y是模糊推理輸出類型，y′為故障類型和y″為運行狀態評估診斷建議；G′_t為故障類型輸出結果A1、A2、A3和A4，分別表示絕緣老化、外絕緣污穢、放電閃絡和內部受潮故障類型；G″_t為診斷結果評估建議的具體措施；

步驟2.4：建立自適應FNN結構：

模糊神經具有神經網絡和模糊系統雙重特點，可以很好解決非線性和模糊性的問題；基于自適應FNN結構，自適應FNN包括輸入層、模糊化層、模糊規則層和輸出層：

(1)輸入層：即MOA巡視獲得運行狀態特征數據，分別為P1，P2，P3，P4，P5，P6，P7，P8；

(2)模糊化層：即隸屬函數層，主要對避雷器每個指標量進行計算，利用隸屬函數層計算FE、FW、FB語言變量對應值的集合，每一個避雷器運行狀態特征指標對應三個語言變量隸屬度函數值；模糊神經網絡隸屬度函數有三角形、梯形、柯西和高斯隸屬度函數；考慮變量的連續性和高斯函數的平滑性，對于避雷器運行狀態特征指標泄露監視電流表示數P1、避雷器使用年限P2、紫外成像放電程度P3、紅外成像溫升情況P4、外絕緣表面情況P5、放電聲音P6、外套與法蘭連接情況P7和外絕緣污穢程度P8八個變量均利用高斯函數進行模糊求解，如式(2)所示

其中：a_ij為第i避雷器運行狀態特征指標的隸屬函數值，Z_ij為隸屬函數高斯中心值，σ_ij為高斯函數的寬度，n為避雷器運行狀態特征數據個數，m為第2層節點的個數；

(3)模糊規則層，主要計算模糊規則庫中的if-then語句，具體計算公式如式(3)所示，各個模糊規則均有對應節點，通過節點值計算每個對應隸屬度參數值：

b_j＝a_1i(P₁)a_2r(P₂)…a_nl(P_n),j＝1,2,…,m (3)

其中：b_j為該層節點輸出值；

(4)輸出層，將模糊輸出量清晰化，其公式(4)所示

式中：為神經網絡系數；

自適應FNN結構確定后，核心是通過樣本數據計算高斯函數參數Z_ij和σ_ij，主要步驟有誤差計算、系數修正和參數修正，公式分別為：

誤差計算：

式中：y_d為故障類型或者診斷結果期望輸出，y_c為故障類型或者診斷結果實際輸出值；

系數修正：

式中：α為自適應FNN學習速率；

參數修正：

式中：β為自適應FNN參數調整系數；

步驟2.5：基于DTMC模型的歷史數據融合：

針對同一避雷器，機器人或者運維人員巡視時，當判定各個指標正常時，將按照原有巡視周期進行巡視；當避雷器某一個運行指標存在問題，機器人或者運維人員會跟蹤監測并通知檢修人員處理；不同時刻的避雷器運行狀態特征數據存在關聯，且避雷器在現有狀態下，對未來狀態評判只與最新一次監測運行特征數據有關，而與過去監測運行特征數據無直接關系；當避雷器實際為內部受潮故障，前一次運行狀態為正常，如果不進行檢修，未來幾乎不可能再轉為正常狀態；對于同一避雷器在一段連續的時間運行特征狀態，利用自適應FNN結果和時間信息相結合的方法，可以很好提高負荷辨識率和辨識的魯棒性，利用DTMC對同一避雷器的運行狀態特征指標進行融合；

步驟2.6：判定其最大值對應的MOA故障判斷和評估建議：

DTMC當一個系統有n個有限狀態，Q＝{q₁,q₂,…,q_n}，針對避雷器故障類型一共有5種狀態，分別為絕緣老化、外絕緣污穢、放電閃絡、內部受潮和正常；對于避雷器診斷評估一共3種狀態，分別FW、FE和FD；隨著時間推移，同一避雷器將從一個狀態轉移到另外一個狀態；假定在t時刻的狀態為s_t，在馬爾可夫鏈中避雷器在t時刻處于q_t的概率取決于其在時刻1，2，…，t-1的狀態；而在特定條件下，系統在t時刻的狀態s_t只與其在t-1時刻的狀態s_t-1有關，其概率為：

P(q_t＝s_j|q_t-1＝s_t,q_t-2＝s_k,…)＝P(q_t＝s_j|q_t-1＝s_t) (10)

則該避雷器構成一個離散的一階馬爾可夫鏈，將DTMC簡記為：λ＝(α,β,Π)，其中：①狀態轉移概率分布α＝{a_ij}，a_ij＝P{q_t+1＝s_j|q_t＝s_i}，1≤i,j≤N，a_ij是從狀態s_i到狀態s_j的狀態轉移概率分布，即隨機序列在t+1時刻所處的狀態為s_j的概率，其取值只與它在t時刻的狀態s_i有關，而與t時刻以前它所處的狀態無關；②β為觀測值概率矩陣，記為β＝{b_i(k)}，表示狀態j輸出相應觀察值的概率，b_i(k)為t時刻觀測值V_k的概率，b_i(k)＝P{O_t＝v_k|q_t＝S_i}，1≤j≤N，1≤k≤M；③初始化狀態分布Π＝{π₁,π₂,…π_N}，用于描述給定的觀察序列O＝{o₁,o₂,…,o_t}；在t＝1時刻狀態q₁表示模型中初始狀態的概率分布，即π_i＝P(q₁＝S_i),i＝1,2…,N，它滿足關系式：

將自適應FNN輸出值處理作為馬爾科夫鏈狀態轉移概率值a_ij，不考慮人為和設備因素，避雷器的初始狀態為正常或者執行狀態檢修周期，則初始狀態概率分布π′⁽⁰⁾＝[00001]或者π″⁽⁰⁾＝[100]，根據馬爾科夫鏈柯爾莫哥洛夫-開普曼定理，第t個時間的概率分布為：

P^(t)＝π⁽⁰⁾a_1→2a_2→3…a_(t-1)→t (11)

式中：a_(t-1)→t 為s_t-1狀態變為s_t轉移概率矩陣；利用Bayesian極大似然值思想，通過不同概率值的比較，判定其最大值對應的MOA故障判斷和評估建議為辨識結果；

步驟3：輸入避雷器8個運行特征數據生成預測數據，并根據DTMC對預測數據計算得到最終故障類型和運行狀態評估概率值。