[go: up one dir, main page]

CN117371207A - 一种特高压换流阀状态评价方法、介质及系统 - Google Patents

一种特高压换流阀状态评价方法、介质及系统 Download PDF

Info

Publication number
CN117371207A
CN117371207A CN202311315943.9A CN202311315943A CN117371207A CN 117371207 A CN117371207 A CN 117371207A CN 202311315943 A CN202311315943 A CN 202311315943A CN 117371207 A CN117371207 A CN 117371207A
Authority
CN
China
Prior art keywords
evaluation
converter valve
membership
level
status
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311315943.9A
Other languages
English (en)
Inventor
史磊
李天琦
刘若鹏
裴颂伟
赵欣洋
柴斌
黄苑洲
刘钊
宋海龙
刘廷堃
毛春翔
赵庆杰
齐鹏洋
杨群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Super High Voltage Co Of State Grid Ningxia Electric Power Co ltd
Beijing University of Posts and Telecommunications
State Grid Ningxia Electric Power Co Ltd
Original Assignee
Super High Voltage Co Of State Grid Ningxia Electric Power Co ltd
Beijing University of Posts and Telecommunications
State Grid Ningxia Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Super High Voltage Co Of State Grid Ningxia Electric Power Co ltd, Beijing University of Posts and Telecommunications, State Grid Ningxia Electric Power Co Ltd filed Critical Super High Voltage Co Of State Grid Ningxia Electric Power Co ltd
Priority to CN202311315943.9A priority Critical patent/CN117371207A/zh
Publication of CN117371207A publication Critical patent/CN117371207A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种特高压换流阀状态评价方法、介质及系统，属于特高压换流阀状态评估技术领域，该方法、介质及系统包括：获取换流阀的运行参数并进行预处理；根据换流阀的结构特征,建立分层分级的换流阀状态评价指标体系；计算评价指标体系中各层级评价指标的权重；根据运行参数计算所述评价指标体系中各层级指标数据；基于模糊理论，建立各评价指标的隶属度函数；利用隶属度函数根据预处理指标数据计算各层级评价指标的隶属度；对得到的隶属度进行分级模糊综合评价，可视化输出换流阀及其组部件所属的正常状态、注意状态、异常状态和严重状态的隶属概率。本发明能够解决现有技术中存在的对特高压换流阀状态的评价不准确的技术问题。

Description

一种特高压换流阀状态评价方法、介质及系统
技术领域
本发明属于特高压换流阀状态评估技术领域，具体而言，涉及一种特高压换流阀状态评价方法、介质及系统。
背景技术
随着电力系统对高可靠性和高效节能的需求不断提高,对关键电力设备的状态监测与故障诊断技术也提出了更高的要求。特高压换流阀作为特高压直流输电工程核心设备，其运行状态是关系直流系统安全稳定的关键。在特高压及高占比新能源背景下，人工智能技术应用于电力系统，可充分利用电网资源，节约运维管理成本，有着广泛的应用前景。智能电网由系统智能化向设备智能化延伸和发展，将实现电力设备信息体系、监测体系、评估体系和管理体系的统一与规范。特高压换流阀是特高压直流输电系统中的关键设备之一,其运行状态直接影响着整个直流输电系统的安全稳定运行。传统的换流阀状态监测与故障诊断方法存在诸多不足,无法实现对换流阀的故障进行准确预警和定位置诊断,亟需开发一种先进的换流阀状态评价方法。
目前,换流阀状态评价方法主要包括基于故障树分析法、专家系统法、模糊评价法等。故障树分析法通过构建换流阀故障树模型,分析各故障事件之间的逻辑关系,确定换流阀故障的根本原因和发生概率,实现对故障进行预警。但该方法依赖专家经验,存在一定的主观性。专家系统法利用知识库和推理机制模拟专家进行故障分析,但其规则库的构建也依赖专家经验。模糊评价法运用隶属度函数和模糊推理对换流阀状态进行定性描述,实现对设备健康状态的评价,但评价结果的定量分析不足。总体来看,现有评价方法存在评估不准确等问题。
发明内容
有鉴于此，本发明提供一种特高压换流阀状态评价方法、介质及系统，能够解决现有技术中存在的对特高压换流阀状态的评价不准确的技术问题。
本发明是这样实现的：
本发明的第一方面提供一种特高压换流阀状态评价方法，其中,包括以下步骤:
S10、获取换流阀的运行参数并进行预处理，所述运行参数包括电压、电流、声音和图像；
S20、根据换流阀的结构特征,建立分层分级的换流阀状态评价指标体系，所述评价指标体系包括多个评价指标；
S30、计算评价指标体系中各层级评价指标的权重；
S40、根据运行参数计算所述评价指标体系中各层级指标数据；
S50、基于模糊理论，建立各评价指标的隶属度函数；
S60、利用隶属度函数根据预处理指标数据计算各层级评价指标的隶属度；
S70、对得到的隶属度进行分级模糊综合评价，可视化输出换流阀及其组部件所属的正常状态、注意状态、异常状态和严重状态的隶属概率。
优选的，所述对运行参数中的电压和电流预处理方法为多物理场模型仿真校核。
在上述技术方案的基础上，本发明的一种特高压换流阀状态评价方法还可以做如下改进:
其中，所述获取换流阀的运行参数并进行预处理的步骤，具体包括：
获取传感器或视频终端采集的换流阀的原始信号，包括电压、电流、声音和图像信号；
对原始信号进行包括滤波去噪的预处理；
从预处理后的信号中提取有效特征,作为状态评估的运行参数。
采用上述改进方案的有益效果为：利用预处理和特征提取能够提高状态评估的准确性和可靠性。
其中，所述评价指标体系按照换流阀的结构特征分为换流阀整体层级、内部组件层级和具体器件层级。
其中，所述计算评价指标体系中各层级评价指标的权重的方法为层次单排序法。
其中，所述根据运行参数计算所述评价指标体系中各层级指标数据的步骤中，还包括对各层级指标数据进行模糊计算,获得指标量化值的步骤。
其中，所述基于模糊理论建立各评价指标的隶属度函数的步骤，具体包括：
确定语言变量、根据换流阀状态判断,选取描述状态的语言变量；
建立隶属度函数、针对每个评价指标,确定不同语言值对应的隶属度函数,描述指标取值与语言值之间的隶属关系；
标准化转换、将各评价指标进行标准化处理,映射到[0,1]区间；
构建隶属度矩阵、根据每个评价指标的隶属度函数,计算指标数据对应各语言值的隶属度,构成隶属度矩阵。
其中，所述对得到的隶属度进行分级模糊综合评价的步骤，具体包括：
将换流阀状态分为正常,注意,异常,严重4个等级；
根据指标体系的层次关系,计算隶属度；
根据得到的隶属度，找到对应的最大状态等级，作为分级模糊综合评价结果。
进一步的，所述隶属概率为分级模糊综合评价结果对应的隶属度。
本发明的第三方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于执行上述的特高压换流阀状态评价方法。
本发明提供一种特高压换流阀状态评价系统，其中，包含上述的计算机可读存储介质。
与现有技术相比较，本发明提供的一种特高压换流阀状态评价方法、介质及系统的有益效果是：
1.评价指标体系全面系统
本发明构建了一个分层分级的换流阀状态评价指标体系,该指标体系从换流阀整体、内部组件和具体器件三个层级全面考虑了影响换流阀运行状态的各种因素。每个层级下又设置了多个评价指标,该评价指标体系系统全面,能够对换流阀状态进行立体化的评价。
2.评价结果定量准确
本发明通过收集各种运行参数,计算指标隶属度,然后进行模糊综合评价,实现了对换流阀状态的定量化描述。与定性评价相比,定量评价结果更准确可靠,不同故障状态能够进行明确的定量区分,为后续的故障预警与故障定位提供了基础。
3.故障预警和定位准确
基于本发明的定量评价结果,能够直观输出换流阀整体及不同组件的健康状态概率,如正常、注意、异常、严重故障状态的隶属度。这为故障的准确预警提供了支持。并且通过比较不同层级指标的评价结果,可以判断导致故障的根源组件,从而提高故障定位的准确性。
4.方法实用性强
本发明运用模糊理论方法实现状态评价,与换流阀实际运行高度契合。指标权重可以根据实际需要进行调整,方法实用性强。并且评价结果可直观可视化显示,便于现场操作人员快速判断设备状态。
综上所述，本发明解决了现有技术中存在的对特高压换流阀状态的评价不准确的技术问题。
附图说明
图1为本发明提供的一种特高压换流阀状态评价方法的流程图；
图2为本发明实施例中对运行参数中多物理场模型仿真校核的示意图；
图3为本发明实施例中层级化的评价指标体系的层级示意图。
具体实施方式
如图1所示，是本发明第一方面提供一种特高压换流阀状态评价方法的第一实施例的流程图，在本实施例的方法包括以下步骤:
S10、获取换流阀的运行参数并进行预处理，运行参数包括电压、电流、声音和图像；
S20、根据换流阀的结构特征,建立分层分级的换流阀状态评价指标体系，评价指标体系包括多个评价指标；
S30、计算评价指标体系中各层级评价指标的权重；
S40、根据运行参数计算评价指标体系中各层级指标数据；
S50、基于模糊理论，建立各评价指标的隶属度函数；
S60、利用隶属度函数根据预处理指标数据计算各层级评价指标的隶属度；
S70、对得到的隶属度进行分级模糊综合评价，可视化输出换流阀及其组部件所属的正常状态、注意状态、异常状态和严重状态的隶属概率。
其中，在上述技术方案中，获取换流阀的运行参数并进行预处理的步骤，具体包括：
获取传感器或视频终端采集的换流阀的原始信号，包括电压、电流、声音和图像信号；
对原始信号进行包括滤波去噪的预处理；
从预处理后的信号中提取有效特征,作为状态评估的运行参数。
所述对运行参数中的电压和电流预处理方法为多物理场模型仿真校核。
其中，所述对运行参数中的电压和电流预处理方法为多物理场模型仿真校核，可以采用下面的方法实现：依托现有换流阀的控保系统、阀控系统、水冷系统以及外置的温度、压力等传感器收集换流阀设备的电气量及多物理量全景数据，搭建双路多物理场仿真模型，一路是基于simulink搭建电路仿真模型，一路是基于Ansys搭建热场、压力场仿真模型，电路模型建立主要基于监测的电压、电流等电气量，热场、压力场模型主要基于多物理传感器采集的温度及压力数据。两路仿真模型互为校核，不同工况下换流阀的热场、压力场通过交互程序转化为更新电路参数，而电路仿真的电气量反应老化损耗，通过更新损耗来更新热场、压力场，互为校核，最终得到准确的反应实际工况的换流阀多物理场模型，为后面的建立指标体系提供准确数据来源。
其中，在上述技术方案中，评价指标体系按照换流阀的结构特征分为换流阀整体层级、内部组件层级和具体器件层级。
其中，在上述技术方案中，计算评价指标体系中各层级评价指标的权重的方法为层次单排序法。
其中，在上述技术方案中，根据运行参数计算评价指标体系中各层级指标数据的步骤中，还包括对各层级指标数据进行模糊计算,获得指标量化值的步骤。
其中，在上述技术方案中，基于模糊理论建立各评价指标的隶属度函数的步骤，具体包括：
确定语言变量、根据换流阀状态判断,选取描述状态的语言变量；
建立隶属度函数、针对每个评价指标,确定不同语言值对应的隶属度函数,描述指标取值与语言值之间的隶属关系；
标准化转换、将各评价指标进行标准化处理,映射到[0,1]区间；
构建隶属度矩阵、根据每个评价指标的隶属度函数,计算指标数据对应各语言值的隶属度,构成隶属度矩阵。
其中，在上述技术方案中，对得到的隶属度进行分级模糊综合评价的步骤，具体包括：
将换流阀状态分为正常,注意,异常,严重4个等级；
根据指标体系的层次关系,计算隶属度；
根据得到的隶属度，找到对应的最大状态等级，作为分级模糊综合评价结果。
进一步的，在上述技术方案中，隶属概率为分级模糊综合评价结果对应的隶属度。
其中，步骤S10的具体实施方式描述如下：
数据获取
本步骤首先需要获取换流阀的运行参数,包括电压、电流、声音和图像。
1.1电压信号获取
使用电压传感器实时测量换流阀端子的电压信号U(t),采样频率选取1000Hz。
1.2电流信号获取
使用电流传感器实时测量换流阀端子的电流信号I(t),采样频率同样选取1000Hz。
1.3声音信号获取
使用专门的声音传感器实时测量换流阀运行时产生的声音信号S(t)。考虑到声音信号的频率特征,采样频率选取为44100Hz。
1.4图像信号获取
使用视频终端对换流阀的运行状态进行图像采集,获取图像序列P(x,y,t)，P(x,y,t)表示原始图像在坐标点(x,y)处的像素值。考虑到图像的空间分辨率,视频终端的采集帧率选取为50fps,分辨率为1280×720。
信号预处理
获取的原始信号可能存在噪声干扰,直接用于状态评估容易引入误差。因此,需要进行必要的预处理。
2.1电压信号预处理
对获取的电压信号U(t),进行如下预处理:
(1)中值滤波,去除散点噪声；
U′(t)＝med{U(t-T),...,U(t),...,U(t+T)}；t代表采样时刻、T代表的采样时长；
(2)小波变换去噪
基于小波变换设计低通滤波器,滤除高频噪声。设小波变换为W(U′)(a,b),则滤波处理为:
U″(t)＝IWs(U′)(a,b)
其中,I表示小波反变换,Ws表示小波变换,a,b表示尺度和平移参数。
2.2电流信号预处理
对电流信号I(t)采用与电压信号相同的预处理方法。
中值滤波:
I′(t)＝med{I(t-T),...,I(t),...,I(t+T)}；
小波变换滤波:
I″(t)＝IWs(I′)(a,b)；
2.3声音信号预处理
对声音信号S(t):
(1)带通滤波,保留主要声音频带[100,1000]Hz；
(2)自适应降噪,使用NLMS算法自适应滤除噪声；
e(n)＝d(n)-y(n)；
y(n)＝WT(n)X(n)；
其中,d(n)是输入信号,y(n)是过滤后的输出信号,W(n)是滤波器权值,X(n)是输入信号的块,e(n)是误差,μ和δ是算法调节参数，通常，μ＝1，δ＝0，μ和δ可以在实际使用中根据降噪效果进行调节，n为声音信号采样点数量，一般为1。
2.4图像信号预处理
对图像序列P(x,y,t)进行预处理:
(1)中值滤波除噪；
P′(x,y,t)＝med{P(x-M,y-M,t),...,P(x,y,t),...,P(x+M,y+M,t)}；M表示滤波模板大小的一半，x,y为图像的横纵坐标。
(2)运动补偿,使用光流算法估计运动矢量场MV(x,y,t),进行运动补偿:
P″(x,y,t)＝P′(x+MVx,y+MVy,t)；
式中，MV(x,y,t)表示时刻t在位置(x,y)的运动矢量,由光流算法估计得到；MVx表示运动矢量的x分量；MVy表示运动矢量的y分量；
参数提取
从预处理后的信号中提取状态评估需要的特征参数。
3.1电参数提取
从U″(t)和I″(t)中提取有效值、频率分析特征。
电压有效值:
电流有效值:
电压频谱特征:
PU(f)＝|FFT(U″(t))|；
电流频谱特征:
PI(f)＝|FFT(I″(t))|；
3.2声参数提取
从声音信号S″(t)中提取声音功率、Mel频率倒谱系数(MFCC)等特征。声音功率:
MFCC特征:
MFCC＝DCT(log(Mel(S″(t))))；
其中,Mel为Mel滤波器组,DCT为离散余弦变换。
3.3图像参数提取
从图像序列P″(x,y,t)中,可以提取运动和纹理等特征。
图像运动特征:
式中，表示对求和结果进行归一化,得到平均运动幅度；
图像纹理特征:
F(t)＝GLCM(P″(x,y,t))；
其中,GLCM是灰度共生矩阵算法。
预处理和特征提取能够提高状态评估的准确性和可靠性。
其中，步骤S20的具体实施方式如下：
指标体系结构
根据换流阀的结构特征,选取评价指标并建立层级化的评价指标体系，如图3所示:
换流阀整体层级
绝缘指标:包括气隙绝缘、线圈绝缘等；
温升指标:包括换流阀发热水平；
气密指标:包括具体器件的气密性能；
内部组件层级包括：
主触点指标:监测主触点的接触状态；
辅助触点指标:监测辅助触点的接触状态；
控制开关指标:监测控制开关的状态；
滤波器指标:滤波器的滤波效果；
具体器件层级具体是组成每个组件的具体器件；
指标权重包括：
按照对设备状态影响的严重程度,给指标设定权重:
换流阀整体层级权重0.4；
内部组件层级权重0.3；
具体器件层级权重0.3；
数学模型建立包括：使用层次分析法确定各个指标的权重。
(1)构建判断矩阵
对每两两指标进行重要性比较,建立判断矩阵A＝[aij]；
其中aij表示指标i与指标j的重要性比较结果。
(2)层次单排序
计算矩阵A的特征向量W:
AW＝λmaxW；
W即为各指标的权重向量。
(3)一致性检验
计算一致性指标:
m表示指标数量。
RI为平均随机一致性指数,当时,矩阵通过一致性检验，CR表示一致性指标的比例。
模糊综合评判包括：采用模糊数学的模糊综合评判法,进行定性指标的量化转换。
1定义指标的语言评价集:V＝{极好,好,稍好,一般,较差,很差,极差}；
2构建语言评价的隶属度函数。
确定隶属度函数
针对每个评价指标,确定不同语言值的隶属度函数:
以换流阀温升指标为例:
依此类推建立其他隶属度函数。
3进行模糊计算:
其中:Aij是第i个指标的第j个语言评价,Rij是对应隶属度,Bi是综合评价结果，这一步骤中Rij为未知量。
4对Bi进行隶属度最大化,得到量化指标，同时，得到Rij的具体值。
通过该步骤可以得到科学合理的换流阀状态评价指标体系。
其中，步骤S30中计算评价指标体系中各层级评价指标的权重为采用遗传算法方法建立和迭代优化权重，设置优化的目标函数设为层次排序的CR值,当CR最小时得到最优权重：
步骤1.初始化权重群体
随机生成N个权重向量作为初始群体:W1,W2,...,WN
每个权重向量包含了所有M个评价指标的权重:Wi＝(wi1,wi2,...,wiM),i＝1,2,...,N；
权重初始化范围为[0,1],并进行归一化处理。
步骤2.评价FITNESS＝CR；
对每个权重向量Wi,构建判断矩阵并计算CR值；
CR值作为该权重向量的适应度值,记为:FITNESS(Wi)＝CR(Wi)
步骤3.选择、交叉、变异；
根据适应度概率选择较优解,留存到下一代；
对选出的权重向量进行交叉操作,生成新的权重向量；
再进行变异操作,增强群体多样性；
选择、交叉、变异得到新的权重群体；
步骤4.得到新权重群体
将选择、交叉、变异的新权重向量作为新一代群体；
新群体包含了更优的权重向量；
步骤5.重复步骤2-步骤4,直到达到终止条件；
评价新群体的FITNESS,找到最优权重；
重复优化迭代,直到满足终止条件:
达到设定的最大迭代次数；
群体FITNESS收敛,连续多代相近；
通过遗传算法可以有效地搜索到更优的权重向量,即更科学合理的评价指标权重。
通过步骤S30,可以客观合理地确定状态评估模型中的各指标权重。
具体的步骤S40的具体实施方式描述如下：
电参数计算
在步骤S10中,获得了换流阀的电压信号U(t)和电流信号I(t),并进行了预处理。现计算电参数指标:
电压有效值:
其中T为采样时间长度。
电流有效值:
电压谐波含量:
进行快速Fourier变换,得到电压频谱X(f):
X(f)＝FFT(U(t))
计算谐波含量:
f1和f2表示谐波频率范围。
电流谐波含量:
同样进行FFT,计算电流谐波含量IHD。
声音参数计算
在S10中获得声音信号S(t),计算声音参数:
声音功率:
声音熵:
其中pi是声音信号各采样点的概率分布。
声学特征:
进行FFT,计算声学特征谱:
F(f)＝FFT(S(t))
图像参数使用S10中的图像运动特征M(t)以及图像纹理特征F(t)；
模糊计算
使用MATLAB模糊工具,根据指标体系与参数的映射关系,进行模糊计算,获得各评价指标的模糊量化值。
通过步骤S40,可以从信号中提取评价状态所需的特征参数信息。
其中，步骤S50的具体实施方式描述如下：
确定语言变量
根据换流阀状态的严重程度,确定语言变量集:
V＝{极好,好,一般,较差,极差}
确定隶属度函数
针对每个评价指标,确定不同语言值的隶属度函数:
以换流阀温升指标为例:
依此类推建立其他隶属度函数。
3.标准化转换
由于各评价指标的量纲不同,需进行标准化处理:
使指标值映射到[0,1]区间。
4.模糊矩阵
构建隶属度矩阵R:
通过步骤S50,实现了指标数据到语言词的模糊映射,为后续的模糊综合评价做准备。
其中，步骤S60的具体实施方式描述如下：根据采集到的指标数据代入到各层级评价指标的隶属度函数计算得到各层级评价指标的隶属度。
其中，步骤S70的具体实施方式描述如下：
聚类分级
利用均值聚类算法对S60中得到的各层级评价指标的隶属度进行聚类得到换流阀的各状态隶属度，用{极好,好,一般,较差,极差}表示，用于判定换流阀处于该状态。
可视化呈现：采用概率图等形式直观显示各状态隶属度大小。
通过步骤S70,实现了对换流阀运行状态的精确评估和直观显示。
下面是本发明方法的第二实施例，在第二实施例中，具体的常量、变量均重新定义，与第一实施例中使用到的具体的常量、变量定义不同：
步骤1、首先建立分层分级换流阀的评价指标体系
以器件评价、组件评价、换流阀评价构建自底向上换流阀的三层评价指标体系。具体而言：针对换流阀及不同组部件建立评价指标参数量，按照指标参量重要程度分为两个不同等级，分为一般程度和重要程度。指标参数分为一般状态指标参量和重要指标参量。针对不同等级赋予不同的权重。评价指标参量计算公式如式(1)所示。
Z＝α*X+β*Y (1)
其中，Z表示评价结果值，X为一般状态指标参量评价值总和，Y为重要指标参量评价值总和，α表示一般状态指标参数权重，β表示重要指标参量权重，本发明α和β权重分别选用为0.2和0.8。
按照指标参量值与正常值范围接近程度分为四个不同等级，分为正常值范围内、接近正常值边界、超出正常值边界和严重超出正常值边界四种情况，针对不同等级赋予不同分数。正常值范围内为1，接近正常值边界为5，超出正常值边界为8，严重超出正常值边界为10。
为了统一计算换流阀及不同组部件的评价指标结果，本发明考虑分别将一般状态指标参数和重要状态指标参数值总和求均值作为综合评价值，并将其的综合评价值转换为百分制，计算公式分别如下(2)、(3)所示。
其中，xi为第i个一般状态指标参量评价值，yi为第i个重要状态指标参量评价值，n为状态指标参量个数。
步骤2、基于模糊理论的评估分类方法
换流阀及其组部件的评价结果分为四级，分别是正常状态、注意状态、异常状态和严重状态。其评估结果状态定义如下所示。
(1)正常状态定义为换流阀及各组部件的状态指标参量值均处于正常范围内，设备正常运行。
(2)注意状态定义主要包括两种情况，一种情况，单个状态指标参量值有变化，重要状态指标参量值接近正常范围边界或者单个一般状态指标参量值超出正常范围边界，且设备正常运行，未见异常，另一种情况，多个状态指标参量值有变化，多个一般状态指标参量值变化趋势接近正常范围值边界，但未超出边界值，且设备正常运行，未见异常。
(3)异常状态定义为单一重要状态指标参量值有变化，其值超出正常范围边界，或者多个状态参量值有变化，多个一般状态指标参量值超出正常范围边界。
(4)严重状态定义为单一重要状态指标参量严重超出正常范围边界，或者多个状态参量值超出正常范围边界。
根据评价结果构建四种设备状态隶属度函数，正常状态的隶属度函数如公式(4)所示：
其中，x代表隶属度函数输入的评价结果值，y为隶属于正常状态的概率值。
注意状态的隶属度函数如公式(5)所示：
其中，x代表隶属度函数输入的评价结果值，y为隶属于注意状态的概率值。
异常状态的隶属度函数如公式(6)所示：
其中，x代表隶属度函数输入的评价结果值，y为隶属于异常状态的概率值。
严重状态的隶属度函数如公式(7)所示：
其中，x代表隶属度函数输入的评价结果值，y为隶属于严重状态的概率值。
根据评价指标体系及评价方法，得出评价结果值，将评价结果值输入公式(4)、(5)、(6)、(7)，可得该设备状态隶属于不同状态的概率。例如，输入评价结果值为43、47、52，可得隶属于正常状态、注意状态、异常状态、严重状态的概率值分别为(0,0.7,0.3,0)、(0,0.3,0.7,0)、(0,0,1,0)，根据隶属概率值大小可知，评价结果值为43状态大概率是属于注意状态，但异常状态的概率为0.3，评价结果值为47状态大概率属于异常状态，注意状态逐渐变小，评价结果值为52状态属于异常状态，该基于模糊理论的换流阀评估分类方法更加符合工程应用。
其中，上述实施例中，所述对运行参数中的电压和电流预处理方法为多物理场模型仿真校核，可以参考图2，采用下面的方法实现：依托现有换流阀的控保系统、阀控系统、水冷系统以及外置的温度、压力等传感器收集换流阀设备的电气量及多物理量全景数据，搭建双路多物理场仿真模型，一路是基于simulink搭建电路仿真模型，一路是基于Ansys搭建热场、压力场仿真模型，电路模型建立主要基于监测的电压、电流等电气量，热场、压力场模型主要基于多物理传感器采集的温度及压力数据。两路仿真模型互为校核，不同工况下换流阀的热场、压力场通过交互程序转化为更新电路参数，而电路仿真的电气量反应老化损耗，通过更新损耗来更新热场、压力场，互为校核，最终得到准确的反应实际工况的换流阀多物理场模型，为后面的建立指标体系提供准确数据来源。
本发明的第三方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于执行上述的特高压换流阀状态评价方法。
本发明提供一种特高压换流阀状态评价系统，其中，包含上述的计算机可读存储介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种特高压换流阀状态评价方法，其特征在于,包括以下步骤:
S10、获取换流阀的运行参数并进行预处理，所述运行参数包括电压、电流、声音和图像；
S20、根据换流阀的结构特征,建立分层分级的换流阀状态评价指标体系，所述评价指标体系包括多个评价指标；
S30、计算评价指标体系中各层级评价指标的权重；
S40、根据运行参数计算所述评价指标体系中各层级指标数据；
S50、基于模糊理论，建立各评价指标的隶属度函数；
S60、利用隶属度函数根据预处理指标数据计算各层级评价指标的隶属度；
S70、对得到的隶属度进行分级模糊综合评价，可视化输出换流阀及其组部件所属的正常状态、注意状态、异常状态和严重状态的隶属概率。
2.根据权利要求1所述的一种特高压换流阀状态评价方法，其特征在于，所述对运行参数中的电压和电流预处理方法为多物理场模型仿真校核。
3.根据权利要求1所述的一种特高压换流阀状态评价方法，其特征在于，所述获取换流阀的运行参数并进行预处理的步骤，具体包括：
获取传感器或视频终端采集的换流阀的原始信号，包括电压、电流、声音和图像信号；
对原始信号进行包括滤波去噪的预处理；
从预处理后的信号中提取有效特征,作为状态评估的运行参数。
4.根据权利要求1所述的一种特高压换流阀状态评价方法，其特征在于，所述评价指标体系按照换流阀的结构特征分为换流阀整体层级、内部组件层级和具体器件层级。
5.根据权利要求1所述的一种特高压换流阀状态评价方法，其特征在于，所述计算评价指标体系中各层级评价指标的权重的方法为层次单排序法。
6.根据权利要求1所述的一种特高压换流阀状态评价方法，其特征在于，所述根据运行参数计算所述评价指标体系中各层级指标数据的步骤中，还包括对各层级指标数据进行模糊计算,获得指标量化值的步骤。
7.根据权利要求1所述的一种特高压换流阀状态评价方法，其特征在于，所述基于模糊理论建立各评价指标的隶属度函数的步骤，具体包括：
确定语言变量、根据换流阀状态判断,选取描述状态的语言变量；
建立隶属度函数、针对每个评价指标,确定不同语言值对应的隶属度函数,描述指标取值与语言值之间的隶属关系；
标准化转换、将各评价指标进行标准化处理,映射到[0,1]区间；
构建隶属度矩阵、根据每个评价指标的隶属度函数,计算指标数据对应各语言值的隶属度,构成隶属度矩阵。
8.根据权利要求1所述的一种特高压换流阀状态评价方法，其特征在于，所述对得到的隶属度进行分级模糊综合评价的步骤，具体包括：
将换流阀状态分为正常,注意,异常,严重4个等级；
根据指标体系的层次关系,计算隶属度；
根据得到的隶属度，找到对应的最大状态等级，作为分级模糊综合评价结果，所述隶属概率为分级模糊综合评价结果对应的隶属度。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于执行权利要求1-8任一项所述的特高压换流阀状态评价方法。
10.一种特高压换流阀状态评价系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
CN202311315943.9A 2023-10-11 2023-10-11 一种特高压换流阀状态评价方法、介质及系统 Pending CN117371207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311315943.9A CN117371207A (zh) 2023-10-11 2023-10-11 一种特高压换流阀状态评价方法、介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311315943.9A CN117371207A (zh) 2023-10-11 2023-10-11 一种特高压换流阀状态评价方法、介质及系统

Publications (1)

Publication Number Publication Date
CN117371207A true CN117371207A (zh) 2024-01-09

Family

ID=89392242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311315943.9A Pending CN117371207A (zh) 2023-10-11 2023-10-11 一种特高压换流阀状态评价方法、介质及系统

Country Status (1)

Country Link
CN (1) CN117371207A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808024A (zh) * 2024-02-29 2024-04-02 深圳市捷通科技有限公司 基于自适应调控的读写器设备管理方法及系统
CN117911011A (zh) * 2024-03-19 2024-04-19 天津大学 一种交直流混联电力线路故障维修预警方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808024A (zh) * 2024-02-29 2024-04-02 深圳市捷通科技有限公司 基于自适应调控的读写器设备管理方法及系统
CN117808024B (zh) * 2024-02-29 2024-05-07 深圳市捷通科技有限公司 基于自适应调控的读写器设备管理方法及系统
CN117911011A (zh) * 2024-03-19 2024-04-19 天津大学 一种交直流混联电力线路故障维修预警方法
CN117911011B (zh) * 2024-03-19 2024-05-28 天津大学 一种交直流混联电力线路故障维修预警方法

Similar Documents

Publication Publication Date Title
CN117371207A (zh) 一种特高压换流阀状态评价方法、介质及系统
CN111239672B (zh) 基于机器学习算法的光纤电流互感器渐变性故障预测方法
CN112395959A (zh) 基于音频特征的电力变压器故障预测与诊断方法及系统
CN108008332A (zh) 一种基于数据挖掘的新能源远程测试设备故障诊断方法
CN105975749A (zh) 一种轴承健康评估与预测的方法及系统
CN114462508A (zh) 基于多模态神经网络的电力变压器健康状态评估方法
CN118691046B (zh) 一种基于人工智能的电力调度方法及系统
CN112880750A (zh) 一种变压器多维度综合在线监测智能诊断系统
CN114519923B (zh) 一种电厂智能诊断预警方法和系统
WO2023065580A1 (zh) 风电机组齿轮箱的故障诊断方法及装置
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN113468720A (zh) 一种数模联动的随机退化设备寿命预测方法
CN110361609B (zh) 特高压设备监测系统及方法
CN117992776B (zh) 基于人工智能的电网设备健康状态实时预测方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN118152741A (zh) 一种变电设备温度态势感知辅助控制方法
CN119691664B (zh) 基于大数据分析的水电站计算机监控系统故障预测方法
CN118035923A (zh) 一种电网录波异常信号识别方法
CN109635430A (zh) 电网输电线路暂态信号监测方法和系统
CN117056839A (zh) 一种基于时空异常Transformer的电力调度监控数据异常检测方法
CN118885944B (zh) 多模态故障诊断与预警方法
CN119885095A (zh) 一种面向大规模历史数据的变电站误操作模式挖掘方法
CN118566796B (zh) 一种换流变压器绕组故障状态检测方法
CN119130087A (zh) 用于电网设备的边缘配电优化方法及系统
CN116629843B (zh) 智能化柴油发电机组的远程预警与维护决策支持系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination