<meter id="pryje"><nav id="pryje"><delect id="pryje"></delect></nav></meter>
          <label id="pryje"></label>

          新聞中心

          EEPW首頁(yè) > 電源與新能源 > 設(shè)計(jì)應(yīng)用 > 基于數(shù)據(jù)驅(qū)動(dòng)的多模型故障診斷

          基于數(shù)據(jù)驅(qū)動(dòng)的多模型故障診斷

          作者:胡朝力1,周 剛2,張知宇3,陳寧寧3,吳維維3(1.國(guó)網(wǎng)浙江省電力有限公司平湖供電公司,浙江嘉興 314000;2.國(guó)網(wǎng)浙江省電力有限公司嘉興供電公司,浙江嘉興 314000;3.國(guó)網(wǎng)浙江省電力有限公司海鹽供電公司,浙江嘉興 314000) 時(shí)間:2022-11-25 來(lái)源:電子產(chǎn)品世界 收藏

          摘 要:故障通常特指某個(gè)系統(tǒng)或某個(gè)運(yùn)行過(guò)程的一系列相關(guān)參數(shù)喪失了規(guī)定性能的狀態(tài),或者在特定場(chǎng)景下控制指標(biāo)出現(xiàn)了偏差。故障不可避免,故障影響了電力系統(tǒng)正常安全穩(wěn)定運(yùn)行。為此迫切需要快速識(shí)別診斷故障。本文基于算法,詳細(xì)對(duì)比分析了多種基于主流模型故障診斷的方法,并通過(guò)實(shí)例驗(yàn)證了模型的有效性以及優(yōu)越性,對(duì)模型的選擇具有重要參考意義。

          本文引用地址:http://www.ex-cimer.com/article/202211/440879.htm

          關(guān)鍵詞;;

          0 引言

          被控系統(tǒng)處于非正常運(yùn)行情況時(shí),若能夠采用某種技術(shù)快速實(shí)時(shí)在線檢測(cè)故障并且能基于先進(jìn)定位技術(shù)判別故障點(diǎn)準(zhǔn)確位置,并盡可能做到故障的預(yù)警,便能減輕故障帶來(lái)的一系列危害,此類(lèi)技術(shù)即為故障診斷技術(shù),可以對(duì)發(fā)生故障位置進(jìn)行鎖定。此類(lèi)技術(shù)具有低延時(shí)、靈敏性以及準(zhǔn)確性都對(duì)系統(tǒng)正常運(yùn)行起著至關(guān)重要的作用。

          目前關(guān)于故障診斷的方法主要有 k 最近鄰算法 (k-nearest neighbor, KNN)、支持向量機(jī)(support vector machine, SVM) 的循環(huán)迭代診斷方法以及與差分自回歸移動(dòng)平均模型(autoregressive integrated moving average , ARIMA) 方法。此外,由于采樣數(shù)據(jù)集龐大,算法計(jì)算時(shí)間較長(zhǎng),對(duì)故障診斷的時(shí)效性進(jìn)一步帶來(lái)挑戰(zhàn)。為此,本文采用 Kid 樹(shù)算法提速增效。

          本文分別依次采用上述 3 種主流算法與 Kid 樹(shù)算法相結(jié)合,對(duì)變壓器數(shù)據(jù)集進(jìn)行故障診斷。數(shù)據(jù)集將分為完整數(shù)據(jù)集、缺失數(shù)據(jù)集以及粗糙數(shù)據(jù)集(未經(jīng)數(shù)據(jù)預(yù)處理的數(shù)據(jù)集)三個(gè)場(chǎng)景,分別多場(chǎng)景下逐一比較故障診斷準(zhǔn)確率,對(duì)算法的適用性做了詳細(xì)的分析。

          1 故障診斷框架

          在飛速發(fā)展的大數(shù)據(jù)時(shí)代背景下,電力采用數(shù)據(jù)也進(jìn)入井噴式增長(zhǎng)階段,緊隨而來(lái)的是龐大的計(jì)算數(shù)據(jù)量和建模復(fù)雜度。迫切需要一種可適用于冗余數(shù)據(jù)的計(jì)算方法,目前基于的自適應(yīng)預(yù)警的方法受到工程界與學(xué)術(shù)界的一直關(guān)注。其特征主要表現(xiàn)為對(duì)海量、異源、高維數(shù)據(jù)甚至非數(shù)值數(shù)據(jù)的采樣數(shù)據(jù)(視頻數(shù)據(jù)、圖像數(shù)據(jù)等)進(jìn)行挖掘計(jì)算和信息處理。PMU 等高精度、高頻率、多維度的采樣數(shù)據(jù)得到廣泛的應(yīng)用,故障診斷可針對(duì)采樣設(shè)備采集所得的各種不同類(lèi)型數(shù)據(jù)、不同來(lái)源數(shù)據(jù)進(jìn)行快速的診斷以及預(yù)警。數(shù)據(jù)包括圖像數(shù)據(jù)、視頻數(shù)據(jù)、數(shù)值數(shù)據(jù)甚至抽象數(shù)據(jù),數(shù)據(jù)的采樣頻率不同、屬性不同、來(lái)源不同,甚至維度不同。當(dāng)數(shù)據(jù)維度不一致時(shí),需要采用相關(guān)的降維數(shù)據(jù),將異源數(shù)據(jù)歸一化為結(jié)構(gòu)屬性一致的數(shù)據(jù)。在數(shù)據(jù)一致的基礎(chǔ)上,采用相關(guān)的挖掘算法,挖掘可以表征系統(tǒng)運(yùn)行屬性特性的數(shù)據(jù),此類(lèi)數(shù)據(jù)信息可以判斷系統(tǒng)是否為正常狀態(tài),從而實(shí)現(xiàn)達(dá)到系統(tǒng)的檢測(cè)與診斷功能,本文所提出的故障診斷的邏輯結(jié)構(gòu)框架如圖 1 所示。

          1669349119681598.png

          圖1 數(shù)據(jù)驅(qū)動(dòng)的故障診斷框架

          基于數(shù)據(jù)驅(qū)動(dòng)故障診斷的機(jī)理框架如圖 1 所示,可采用時(shí)間序列分析、經(jīng)驗(yàn)分解的基礎(chǔ)算法處理原始數(shù)據(jù),并同時(shí)進(jìn)一步分析數(shù)據(jù)處理結(jié)果。分析過(guò)程包括基于數(shù)據(jù)特征的手動(dòng)設(shè)計(jì)以及數(shù)據(jù)預(yù)處理(特征選擇、數(shù)據(jù)降維等)。最后基于構(gòu)建的模型進(jìn)行數(shù)據(jù)的訓(xùn)練,并基于訓(xùn)練的模型輸出故障診斷結(jié)果。

          2 算法理論模型

          2.1 基于k-Nearest Neighbor(kNN)數(shù)據(jù)修復(fù)理論

          k-Nearest Neighbor(kNN) 算法通過(guò)計(jì)算相鄰點(diǎn)的距離來(lái)判斷異常點(diǎn)。該算法主要用于尋找某類(lèi)特征相似、數(shù)據(jù)接近的鄰近樣本,根據(jù)樣本計(jì)算的距離判斷是否異常。相同故障通常相關(guān)特征指標(biāo)接近,為此可采用 kNN 用于相關(guān)缺失數(shù)據(jù)或者異常數(shù)據(jù)的修復(fù)。kNN 算法的理論模型如下:基于采集獲得的樣本初始數(shù)據(jù)集,通過(guò)數(shù)據(jù)預(yù)處理方式,確定缺失樣本數(shù)據(jù)集;確定待修復(fù)的測(cè)試樣本,歷史數(shù)據(jù)集中通過(guò) kNN 法尋找與某數(shù)據(jù)其最鄰近的 k 個(gè)計(jì)算樣本數(shù)據(jù),統(tǒng)籌計(jì)算所得的 k 個(gè)樣本數(shù) 據(jù),針對(duì)已知的缺失數(shù)據(jù)集預(yù)估。本文為突出顯示故障發(fā)生時(shí),其故障的不同數(shù)據(jù)相關(guān)指標(biāo)間的關(guān)聯(lián)性文提出了一種以相關(guān)計(jì)算指標(biāo)的負(fù)指數(shù)作為特定的某類(lèi)權(quán)值,然后采用曼哈頓 -D 作為樣本間距離指標(biāo)。

          假設(shè)樣本數(shù)據(jù)中已有 N 組樣本歷史數(shù)據(jù)作,每一組樣本歷史數(shù)據(jù)可以表示為:

          1669349258375636.png

          1669349290684109.png

          采用相關(guān)系數(shù)法對(duì)需要計(jì)算的相關(guān)特征指標(biāo)進(jìn)行空間距離計(jì)算,該距離可以體現(xiàn)兩類(lèi)數(shù)據(jù)集數(shù)據(jù)與數(shù)據(jù)之間的空間相關(guān)性,與缺失數(shù)據(jù)的計(jì)算所得相關(guān)性越大,即為數(shù)據(jù)指標(biāo)權(quán)重越小,表示所測(cè)試計(jì)算得到的樣本,更容易趨近與強(qiáng)關(guān)聯(lián)特征指標(biāo)的計(jì)算訓(xùn)練樣本。

          選取 k 個(gè)最接近測(cè)試樣本的訓(xùn)練樣本,計(jì)算對(duì)應(yīng)特征指標(biāo)的平均值作為缺失數(shù)據(jù)的估計(jì)值:

          1669349350883813.png

          與常規(guī)方法相比較(例如線性法、預(yù)測(cè)法等),kNN 主要通過(guò)數(shù)據(jù)修補(bǔ)的方法,按類(lèi)型逐一修補(bǔ)丟失的數(shù)據(jù),甚至對(duì)于不同結(jié)構(gòu)屬性的數(shù)據(jù),可以先將異源異構(gòu)的數(shù)據(jù)歸一化處理后進(jìn)一步修補(bǔ)。此方法可以挖掘歸類(lèi)不同數(shù)據(jù)的特征屬性,并且由于此類(lèi)算法打破了對(duì)時(shí)間序列原始數(shù)據(jù)的高度依賴(lài),具備適用于故障特征類(lèi)同的數(shù)據(jù)快速變動(dòng)的場(chǎng)景下,針對(duì)丟失數(shù)據(jù)修復(fù)以及異常數(shù)據(jù)的辨識(shí)。

          2.2 基于k-d 樹(shù)的樣本快速搜索策略

          隨著 PMU、RTU 等一系列高精度采樣設(shè)備在配網(wǎng)、輸電網(wǎng)中的廣泛應(yīng)用,電力數(shù)據(jù)也隨之指數(shù)增長(zhǎng)。以某省電網(wǎng)作為實(shí)力分析,其高精度的采樣設(shè)備一個(gè)月的采樣數(shù)據(jù)高達(dá) GB 量級(jí)。若仍然采用傳統(tǒng)的方法從海量的歷史數(shù)據(jù)庫(kù)中尋找與訓(xùn)練樣本數(shù)據(jù)最靠近的 n 個(gè)訓(xùn)練數(shù)據(jù),其傳統(tǒng)各類(lèi)指標(biāo)性能皆無(wú)法滿足實(shí)時(shí)故障檢測(cè)的要求。以曼哈頓距離計(jì)算上述相關(guān)系數(shù),此類(lèi)方法適用于采用基于 k-d 樹(shù)的樣本搜尋技術(shù),可以實(shí)現(xiàn)缺失數(shù)據(jù)的快速修復(fù)以及缺失數(shù)據(jù)的快速識(shí)別。

          每一條樣本數(shù)據(jù)設(shè)定若干個(gè)特征指標(biāo),因而傳統(tǒng)的采樣數(shù)據(jù)所得的樣本數(shù)據(jù)往往是一個(gè)高維數(shù)據(jù)空間。k-d樹(shù)是一種以分割數(shù)據(jù)空間,將空間分為 k 個(gè)子空間的運(yùn)算方法,該方法通常應(yīng)用于高維度的空間,進(jìn)行對(duì)關(guān)鍵數(shù)據(jù)全域范圍內(nèi)的快速搜索。圖 2 以一個(gè) k 為 3 的 3 維空間的數(shù)據(jù)集合為例,簡(jiǎn)述 k-d 樹(shù)的結(jié)構(gòu)原理。

          1669349472760191.png

          k-d 樹(shù)的生成過(guò)程共分為如圖 3 所示的 3 個(gè)步驟:

          1669349505514832.png

          首先,計(jì)算樣本數(shù)據(jù)的維度方法,根據(jù)維度計(jì)算方差數(shù)值大小并判斷距離的遠(yuǎn)近以及是否為異常數(shù)據(jù),方差越大則表面數(shù)據(jù)分散性越好;其次,采樣 Split 進(jìn)行數(shù)據(jù)維度的分割以及排序,將中間數(shù)據(jù)點(diǎn)作為中軸點(diǎn),并且基于子空間進(jìn)行數(shù)據(jù)點(diǎn)軸點(diǎn)分割;最后,判斷子樹(shù)規(guī)模是否達(dá)到預(yù)定值 k,若達(dá)到則終止,反之則循環(huán)第一步。

          k-d 樹(shù)每一個(gè)樹(shù)叉網(wǎng)絡(luò)的節(jié)點(diǎn)都為 k 維點(diǎn)的二叉樹(shù),任何子節(jié)點(diǎn)都可視作分割所得子空間的超平面,進(jìn)一步對(duì)分割所得的空間進(jìn)行無(wú)層次劃分,從而構(gòu)建可以應(yīng)用在快速、高效檢索的索引結(jié)構(gòu)中。該方法可以應(yīng)用在結(jié)構(gòu)化存儲(chǔ),任何一個(gè)樣本數(shù)據(jù)包含 k 個(gè)特征指標(biāo),并存放在 k-d 樹(shù)的任意一個(gè)節(jié)點(diǎn)中。

          通過(guò)圖 4 可以分析得出如下結(jié)論:通過(guò)測(cè)試方法得到準(zhǔn)確率性能比較,在提及的方法中,基于 k-d 樹(shù)的快速搜尋法,該算法可以快速搜索附近區(qū)域范圍的樣本數(shù)值,其計(jì)算所需時(shí)長(zhǎng)呈現(xiàn)出如下趨勢(shì):數(shù)據(jù)容量越大,所需時(shí)間越久,但是增幅并不明顯。也就是當(dāng)海量樣本的場(chǎng)景下,該鄰近搜索策略具有顯著優(yōu)勢(shì)。

          image.png

          圖4 不同搜索策略的性能對(duì)比

          2.3 基于k-最鄰近和SVM的循環(huán)迭代診斷方法

          支持向量機(jī)(SVM)算法的基本思想是通過(guò)核函數(shù)將線性不可分的樣本數(shù)據(jù)映射到高維特征空間,從而構(gòu)造成一個(gè)潛在線性可分的問(wèn)題。單一的 SVM 僅能解決一個(gè)二分類(lèi)問(wèn)題,本文根據(jù)器故障之間的差異性設(shè)計(jì)了包含多個(gè) SVM 的多分類(lèi)器,實(shí)現(xiàn)對(duì) 6 類(lèi)變壓器故障的準(zhǔn)確診斷,多分類(lèi) SVM 分類(lèi)器的結(jié)構(gòu)如圖 5 所示。

          image.png

          圖5 采用多分類(lèi)器的SVM模型機(jī)理結(jié)構(gòu)

          在數(shù)據(jù)丟失、數(shù)據(jù)異常的場(chǎng)景下,采用 kNN 方法首先進(jìn)行對(duì)丟失數(shù)據(jù)的填補(bǔ)與校正。多分類(lèi) SVM 分類(lèi)器的診斷數(shù)據(jù)必須是修復(fù)后的數(shù)據(jù);縮小樣本空間的范圍,再縮小后的區(qū)域內(nèi)再次重新利用 kNN 進(jìn)行缺失數(shù)據(jù)估計(jì)。反復(fù)迭代直至鄰近樣本的故障類(lèi)型與測(cè)試樣的故障診斷結(jié)果相一致。故障診斷流程如圖 7 所示,具體包含如圖 6 所示的多個(gè)步驟:

          1669349811950077.png

          圖6 采用多分類(lèi)器的SVM模型機(jī)理結(jié)構(gòu)

          如圖 6 所示,首先通過(guò)原始數(shù)據(jù)輸入,得到樣本數(shù)據(jù)集;其次基于多分類(lèi) SVM 算法進(jìn)行故障診斷;接著判斷診斷結(jié)果與 k 的相鄰的訓(xùn)練樣本集的故障特征是否具有一致性,若一致,跳轉(zhuǎn)至第 4 步,反之進(jìn)入第 5 步;最后根據(jù)診斷結(jié)果,將修復(fù)所得的數(shù)據(jù)包括診斷結(jié)果存入歷史數(shù)據(jù)集中。

          2.4 AIRMA算法

          差分自回歸移動(dòng)平均模型(autoregressive integrated moving average, ARIMA) 算法通常主要用于時(shí)間序列預(yù)測(cè)分析。時(shí)間序列的獲取可以通過(guò)實(shí)驗(yàn)分析獲得,也可來(lái)自相關(guān)部門(mén)的提供的數(shù)據(jù)。對(duì)于所得數(shù)據(jù),首先篩查數(shù)據(jù)是否異常,分析這些點(diǎn)的存在是人為導(dǎo)致還是其他原因。保證所獲得數(shù)據(jù)的質(zhì)量,以便用于建立合適模型。

          時(shí)間序列的數(shù)據(jù)預(yù)處理包數(shù)據(jù)的異常辨識(shí)、數(shù)據(jù)的缺失填補(bǔ)與修復(fù)、數(shù)據(jù)的降噪與降維、數(shù)據(jù)的冗余過(guò)濾等。在數(shù)據(jù)質(zhì)量得到保障的條件下,AIRMA 算法可以精準(zhǔn)預(yù)測(cè),并以此作為分析依據(jù),可以精準(zhǔn)、及時(shí)掌握故障的預(yù)警信息,為故障預(yù)警提供保證。

          image.png

          圖7 數(shù)據(jù)缺失場(chǎng)景下的診斷方案流程

          3 硬件平臺(tái)

          本文設(shè)計(jì)了一套自適應(yīng)診斷系統(tǒng)的硬件執(zhí)行環(huán)境由信號(hào)源裝置、故障指示器、診斷服務(wù)器 3 部分組成,具體搭建方法如下。

          3.1 信號(hào)源裝置

          信號(hào)源裝置連接在變壓器結(jié)構(gòu)的高壓電量輸出端,可在一組接地電阻元件的作用下,實(shí)現(xiàn)對(duì)溫度控制設(shè)備的全面協(xié)調(diào),從而使自適應(yīng)診斷系統(tǒng)的實(shí)際應(yīng)用需求得到較好滿足。在單位傳輸時(shí)間內(nèi),兩個(gè)不同的接地電阻元件分別與控制開(kāi)關(guān)和信號(hào)源波段相連,前者可在感知變壓器內(nèi)部溫度變化情況的同時(shí),對(duì)剩余自適應(yīng)電流進(jìn)行集中性消耗,后者主要負(fù)責(zé)對(duì)輸出的電量信號(hào)源進(jìn)行精準(zhǔn)調(diào)試,使系統(tǒng)內(nèi)部的電子傳輸環(huán)境時(shí)刻保持相對(duì)穩(wěn)定的應(yīng)用狀態(tài)。信號(hào)源裝置右側(cè)集中分布著多個(gè)輸出波段結(jié)構(gòu)體,且隨著變壓器設(shè)備所承擔(dān)電壓值水平的提升,這些物理波段的振蕩行為也會(huì)逐漸趨于明顯,直至變壓器設(shè)備的內(nèi)部溫度實(shí)值達(dá)到額定量標(biāo)準(zhǔn)數(shù)值。

          3.2 故障指示器

          自適應(yīng)診斷系統(tǒng)的故障指示器由直流型、交流型、交感變化型 3 種形式組成。其中,直流型故障指示器的連接適應(yīng)性相對(duì)較弱,僅能負(fù)載直流型的變壓器應(yīng)用設(shè)備,當(dāng)元件內(nèi)的物理表現(xiàn)穩(wěn)定值不斷提升時(shí),該類(lèi)型設(shè)備極易出現(xiàn)熔斷變化狀態(tài),從而加劇熱缺陷行為的表現(xiàn)強(qiáng)度。交流型故障指示器的連接適應(yīng)性具備一定的可更改能力,但僅能負(fù)載交流型的變壓器應(yīng)用設(shè)備,當(dāng)元件內(nèi)的物理表現(xiàn)穩(wěn)定值不斷提升時(shí),該類(lèi)型設(shè)備則能長(zhǎng)期保持相對(duì)穩(wěn)定的連接狀態(tài),因此可對(duì)熱缺陷行為的表現(xiàn)強(qiáng)度進(jìn)行一定的抑制性影響,從而為自適應(yīng)診斷系統(tǒng)提供更多的可參考信息條件。

          3.3 診斷服務(wù)器

          在變壓器內(nèi)部過(guò)熱缺陷故障自適應(yīng)診斷系統(tǒng)中診斷服務(wù)器始終以主機(jī)集群的形式存在,可聯(lián)合故障指示器,對(duì)變壓器設(shè)備的內(nèi)表面溫度值進(jìn)行精準(zhǔn)確定,再借助信號(hào)源裝置,實(shí)現(xiàn)對(duì)診斷執(zhí)行指令的判別與處理。一般情況下,客戶端主機(jī)作為診斷服務(wù)器模式的頂層執(zhí)行結(jié)構(gòu),可根據(jù)已記錄的變壓器內(nèi)部溫度值水平,對(duì)自適應(yīng)診斷權(quán)值進(jìn)行設(shè)置,再借助輸入網(wǎng)絡(luò)信道,維護(hù)整個(gè)網(wǎng)絡(luò)內(nèi)的信息診斷環(huán)境,從而使得系統(tǒng)內(nèi)的待處理數(shù)據(jù)信息能夠具有較強(qiáng)的實(shí)用性?xún)r(jià)值。底層服務(wù)器的連接則必須完全遵照自適應(yīng)診斷網(wǎng)絡(luò)的實(shí)際規(guī)劃需求,一方面記錄客戶端內(nèi)的數(shù)據(jù)傳輸需求,另一方面將未完全消耗的溫度值信息反饋至其他系統(tǒng)診斷元件中。

          4 算例分析

          本文歸類(lèi)整理了常規(guī)的故障類(lèi)型,并將故障類(lèi)型根據(jù)故障性質(zhì)進(jìn)行預(yù)先分類(lèi)。本文收集了充足的基于精準(zhǔn)采樣設(shè)備獲得的真實(shí)采樣數(shù)據(jù),該數(shù)據(jù)集包括了 T1、 T2、T3 三類(lèi)溫度數(shù)據(jù),分別表示低溫低溫、中溫、高溫?cái)?shù)據(jù)異常;局部放電、低能放電和高能放電三典型故障和正常狀態(tài) Normal(N),并通過(guò)插值填補(bǔ)的方法彌補(bǔ)缺失數(shù)據(jù)。相關(guān)各場(chǎng)景下故障準(zhǔn)確診斷率結(jié)果如表 1 所示。本文進(jìn)一步采用了分層過(guò)濾的數(shù)據(jù)處理方法,將采樣所得的數(shù)據(jù)進(jìn)行分層次過(guò)濾,第一層用于過(guò)濾周期窄帶干擾信號(hào),第二層用于消除白噪聲,第三層用于抵御脈動(dòng)干擾,將連續(xù)性、周期性比較高的數(shù)據(jù)進(jìn)行濾波,盡可能高頻率采集數(shù)據(jù)。分層過(guò)濾抗干擾模型原理圖,如圖 8 所示。

          image.png1669353461404716.png

          圖8 分層干擾過(guò)濾模型原理圖

          由表 1 深入分析可知,第 1 種方法采用完整的采樣完整數(shù)據(jù)集,通過(guò) SVM 的算法,實(shí)現(xiàn)了 83.17% 的故障準(zhǔn)確率,與預(yù)期相近;但是倘若直接采用原始數(shù)據(jù)集,未采用 SVM 的輔助,故障準(zhǔn)確率就下降至 68.25%,此結(jié)果與預(yù)期也相一致。此外,倘若采用原始數(shù)據(jù)集,且原始數(shù)據(jù)集存在數(shù)據(jù)缺失的情況,分類(lèi)正確率有了進(jìn)一步明顯的下降,準(zhǔn)確率僅為 59.09%。分析原因:當(dāng)原始數(shù)據(jù)集缺失的不是關(guān)鍵數(shù)據(jù),也就是丟失數(shù)據(jù)不包含關(guān)鍵性指標(biāo),則準(zhǔn)確率還可以得到保障,但是缺失若為 關(guān)鍵數(shù)據(jù),則故障診斷準(zhǔn)確率驟降,同時(shí)包含關(guān)鍵特征屬性的數(shù)據(jù)缺失嚴(yán)重影響故障診斷的正確率。

          利用的 kNN 法進(jìn)行在數(shù)據(jù)缺失的場(chǎng)景下,對(duì)系統(tǒng)故障進(jìn)行實(shí)時(shí)診斷,提供故障預(yù)警信息,此時(shí)故障診斷的正確率達(dá)到 78.64%,當(dāng)數(shù)據(jù)沒(méi)有丟失時(shí),該方法可以達(dá)到 83.17%,為此可以得出此方法適用于數(shù)據(jù)缺失的數(shù)據(jù)集場(chǎng)景,也就是數(shù)據(jù)丟失對(duì)故障診斷影響并不大,仍能保持第 1 類(lèi)方法得到的故障診斷的高準(zhǔn)確性。表 2 和圖 6 通過(guò) 1 個(gè)實(shí)例來(lái)進(jìn)一步闡述兩種方法的差異性。

          image.png

          (*,12.85,3.65,2.6,0) 為一組原始樣本數(shù)據(jù),各數(shù)值依次對(duì)應(yīng) 5 個(gè)不同屬性的特征指標(biāo)。其中 * 表示缺失的 A 指標(biāo)。采用本文所提出的方法在歷史數(shù)據(jù)庫(kù)中搜索到最終數(shù)據(jù)樣本如表 2 所示,利用最鄰近樣本中 A2 含量平均值作為缺失數(shù)據(jù)的估計(jì)值與相對(duì)誤差。利用修復(fù)后的樣本數(shù)據(jù)進(jìn)行故障診斷,結(jié)果為低溫過(guò)熱,與實(shí)際情況一致。利用 ARIMA 方法擬合該臺(tái)變壓器 A 含量的歷史數(shù)據(jù),對(duì)缺失值進(jìn)行預(yù)測(cè),結(jié)果如圖 7 所示,估計(jì)值為68.02,基于該估計(jì)值進(jìn)行故障診斷,結(jié)果為中溫過(guò)熱,診斷錯(cuò)誤。

          算例分析結(jié)果表明,本文所提出的故障診斷方法能夠?qū)崿F(xiàn)在缺失數(shù)據(jù)場(chǎng)景下的樣本數(shù)據(jù)實(shí)時(shí)故障診斷,適用于大數(shù)據(jù)時(shí)代數(shù)據(jù)缺失常態(tài)化的場(chǎng)景,實(shí)際場(chǎng)景往往會(huì)因?yàn)橥ㄐ胖袛?、采樣設(shè)備故障等原因發(fā)生數(shù)據(jù)的缺失。本文所提方法與與傳統(tǒng)過(guò)度擬合預(yù)測(cè)等方法相比,在數(shù)據(jù)丟失的場(chǎng)景下本文的方法具有明顯的優(yōu)勢(shì)。此外,本文所提方法的診斷速度也能滿足要求。最后需要指出:本文所提出的方法也存在場(chǎng)景的局限性同,該方法僅適用于缺失數(shù)據(jù)的修復(fù),但是不能辨識(shí)異常數(shù)據(jù)。變壓器內(nèi)部過(guò)熱缺陷故障自適應(yīng)診斷系統(tǒng)可在信號(hào)源裝置、故障指示器、診斷服務(wù)器 3 類(lèi)硬件設(shè)備結(jié)構(gòu)的作用下,針對(duì)變壓器內(nèi)部的過(guò)熱原因進(jìn)行準(zhǔn)確分析,再通過(guò)變壓器負(fù)荷量計(jì)算的方式,實(shí)現(xiàn)對(duì)診斷信息存儲(chǔ)數(shù)據(jù)庫(kù)的平衡與穩(wěn)定。實(shí)驗(yàn)結(jié)果顯示,變壓器直阻均值量與電流攀升量數(shù)值的下降,能夠較好抑制變壓器設(shè)備內(nèi)部的溫升變化行為,實(shí)現(xiàn)對(duì)電力消耗資源的合理保護(hù)。

          5 結(jié)束語(yǔ)

          本文根據(jù)數(shù)據(jù)驅(qū)動(dòng)故障診斷機(jī)理,提出了一種頻繁發(fā)生數(shù)據(jù)丟失或者數(shù)據(jù)異常的場(chǎng)景下的原始樣本數(shù)據(jù)的實(shí)時(shí)的故障診斷方法。此環(huán)節(jié)中樣本數(shù)據(jù)質(zhì)量是最為關(guān)鍵的元素。為此為提高數(shù)據(jù)樣本的質(zhì)量,本文采用了相關(guān)數(shù)據(jù)修復(fù)方法,確保數(shù)據(jù)質(zhì)量可靠。針對(duì)在線監(jiān)測(cè)數(shù)據(jù)缺失問(wèn)題,提出了一種基于缺失數(shù)據(jù)修復(fù)的在線故障診斷方法,所提出的方法在數(shù)據(jù)缺失場(chǎng)景下實(shí)現(xiàn)高準(zhǔn)確率的故障在線診斷,適應(yīng)當(dāng)今大數(shù)據(jù)背景下數(shù)據(jù)異常頻發(fā)的情況。與傳統(tǒng)方法相比,本文所提出的方法在關(guān)鍵指標(biāo)缺失和故障快速發(fā)展的情況下仍然具有較高的診斷準(zhǔn)確率。

          本文同時(shí)提出的新型變壓器內(nèi)部過(guò)熱缺陷故障自適應(yīng)診斷系統(tǒng),在信號(hào)源裝置、故障指示器等多個(gè)硬件設(shè)備結(jié)構(gòu)的支持下,對(duì)設(shè)備過(guò)熱原因進(jìn)行準(zhǔn)確分析,在聯(lián)合變壓器負(fù)荷量數(shù)值,實(shí)現(xiàn)診斷信息存儲(chǔ)數(shù)據(jù)庫(kù)軟件的實(shí)時(shí)連接。自適應(yīng)診斷系統(tǒng)的應(yīng)用,實(shí)現(xiàn)了對(duì)電流攀升量數(shù)值上升趨勢(shì)的較好抑制,能夠較好維持變壓器設(shè)備內(nèi)部的平衡性溫度變化狀態(tài)。

          參考文獻(xiàn)

          [1] BEARD R V. Failure accommodation in linear systems through self-reorganization[R]. Report MVT-71-1, Man Vehicle Lab,1971.

          [2] ALI A M, ZHANG Q. An innovations approach to fault diagnosis in linear time-varying descriptor systems[C].Control Conference. IEEE, 2014.

          [3] 楊秋玉,阮江軍,黃道春.基于改進(jìn)Hilbert-Huang變換和支持向量機(jī)的高壓斷路器觸頭超程狀態(tài)識(shí)別[J].電力自動(dòng)化設(shè)備 ,2019,39(1):198-204.

          [4] 劉琳.基于改進(jìn)粒子群優(yōu)化算法的微電網(wǎng)經(jīng)濟(jì)調(diào)度研究[J].上海電氣技術(shù),2020,13(2):5-9.

          [5] 孫冰瑩,楊水麗,劉宗歧,等.國(guó)內(nèi)外兆瓦級(jí)儲(chǔ)能調(diào)頻示范應(yīng)用現(xiàn)狀分析與啟示[J].電力系統(tǒng)自動(dòng)化,2017,41(11):8-16.

          [6] 魏承志,陳晶,涂春鳴,等.基于儲(chǔ)能裝置與靜止無(wú)功發(fā)生器協(xié)同控制策略的微網(wǎng)電壓波動(dòng)抑制方法[J].電網(wǎng)技術(shù),2012,36(11):18-24.

          [7] 張興科,魏朝陽(yáng),李征,等.包含高滲透率分布式電源的母線負(fù)荷區(qū)間預(yù)測(cè)[J].電網(wǎng)與清潔能源,2020,36(12):101-106.

          [8] 黃維和,韓景寬,王玉生,等.我國(guó)能源安全戰(zhàn)略與對(duì)策探討[J].中國(guó)工程科學(xué),2021(2):1-6.

          (注:本文轉(zhuǎn)載自《電子產(chǎn)品世界》雜志2022年11月期)



          評(píng)論


          相關(guān)推薦

          技術(shù)專(zhuān)區(qū)

          關(guān)閉
          看屁屁www成人影院,亚洲人妻成人图片,亚洲精品成人午夜在线,日韩在线 欧美成人 (function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })();