CN103400310B - 考虑历史数据趋势预测的配电网电气设备状态评估方法 - Google Patents

Abstract

一种考虑历史数据趋势预测的配电网电气设备状态评估方法，所述方法首先对电气设备状态量数据进行历史数据纵向评判，通过平滑处理修正不良数据或错误数据；然后根据状态量数据离散程度的大小将数据分成两类进行处理：对离散程度较小的数据，将根据历史数据求取的数学期望作为当前状态量数据；对于离散程度较大的数据，采用灰色预测的方法得到当前时间节点该状态量数据的预测值，最终采用模糊层次分析法对配电网电气设备的状态进行评估。本发明根据状态量历史数据的发展趋势预测当前时间节点的状态量数据，保证该数据能有效地反映当前设备的状态，提高了状态量数据的可信度，从而最终保证了配网设备状态评估结果的准确性。

Description

考虑历史数据趋势预测的配电网电气设备状态评估方法

技术领域

本发明涉及一种对配电网电气设备状态进行准确评估的方法，属于数据处理技术领域。

背景技术

配电网是电力系统的主要组成部分之一，其安全可靠运行与国民经济和人民生活息息相关。配电网中配电设备的可靠性是保证配电网可靠运行的基础，因此，提高配电网的可靠性首先应该从提高配电设备的可靠性入手。开展配电设备状态评估工作是提高配电设备运行可靠性的有效措施之一，对配电设备状态进行准确评估，不仅有利于提高设备检修效率，减少人力物力和资金的投入，而且可以缩短停电时间，延长设备的使用寿命，提高供电的可靠性。

状态评估是以设备的当前实际工作状况为依据，通过先进的状态监测手段、可靠的评判手段和对寿命的预测手段来判断设备的状态，并对将要发生或已经发生故障的部位、严重程度、发展趋势进行评估，识别故障的早期征兆，根据评估结果在设备性能下降到一定程度或故障将要发生之前进行检修。其目的就是延长设备的检修周期，增大两次检修之间的时间间隔，从而降低设备检修的频率，延长设备使用寿命，提高设备的可靠性，减少设备停电时间，保障居民和企业的供电，并节约大量的检修费用和资源。

配电网电气设备状态评估的关键问题之一是设备状态量数据的获取。获得的设备状态量数据越是完善，准确，状态评估的结果就越准确。由于配电网电气设备与输电网电气设备相比，重要程度和停运后的影响范围都较小，所以对于配电设备进行的例行试验和巡视间隔周期较长。目前，配网电气设备状态评估都是以距离评估时间最近一次的状态量数据作为原始数据来进行的。这种评估方法存在以下两个问题：第一，由于配电设备进行的试验和巡视间隔周期较长，最近一次试验和巡视距离当前时间节点可能较长，其状态量数据并不能完全反映配网设备当前的状态；第二，这种方法只用最近一次的状态量数据，忽略了历史数据的作用(所谓历史数据是指上次设备状态检修结束后到本次状态评估前这段时间内累积的同一状态量的多次数据)。由于一次试验或运行巡视而记录的状态量数据具有偶然性，可能存在试验错误或记录错误，从而影响了设备状态评估结果的准确性。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种考虑历史数据趋势预测的配电网电气设备状态评估方法，以提高配网设备状态评估结果的准确性。

本发明所述问题是以下述技术方案实现的：

一种考虑历史数据趋势预测的配电网电气设备状态评估方法，所述方法首先对配电网电气设备状态量数据进行历史数据纵向评判，通过平滑处理修正不良数据或错误数据；然后根据状态量数据离散程度的大小将数据分成两类进行处理：对离散程度较小的数据，将根据历史数据求取的数学期望作为当前状态量数据；对于离散程度较大的数据，采用灰色预测的方法得到当前时间节点该状态量数据的预测值，最终采用模糊层次分析法对配电网电气设备的状态进行评估；

所述方法按照以下步骤进行：

a.对配电网电气设备状态量数据进行历史数据纵向评判，判断是否存在不良或错误数据，若存在类似数据，则报警请求确认，确认后，进行平滑处理；

b.根据配电网电气设备的状态量数据离散程度的大小确定预测方法：

对于状态量x_j(j∈M)，M是某配电网电气设备状态量的个数，x_j1,x_j2,x_j3,x_ji…x_jn为该状态量下的历史数据，取n为历史数据个数，

若|x_ji-E_j|＝Δx_ji≤ε_j，ε_j为第j个状态量的偏差最小值，则采用求取数学期望的方法进行结果预测，预测值为x_j(n+1)＝E_j；

若Δx_ji＝|x_ji-E_j|≥ε_j，则采用灰色预测的方法来预测当前时间节点该状态量数据；

c.由上述预测方法，预测出配电网电气设备状态量当前时间节点的数据；

d.运用模糊层次分析法进行状态评估；

判断是否存在不良或错误数据的具体方法如下：

设ξ_j为该状态量数据变化最大值，

若|x_ji-x_j(i-1)|＞ξ_j，则判断存在不良或错误数据；

采用灰色预测的方法来预测当前时间节点该状态量数据的方法如下：

设配电网电气设备某状态量的历史数据序列x⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)]，则灰色预测GM(1,1)模型建立的步骤如下：

①计算历史数据序列x⁽⁰⁾的累加生成数列x⁽¹⁾

x⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)]，

其中：

②根据灰色预测GM(1,1)模型公式Y_n＝BA，构造数据矩阵B和数据向量Y_n，

其中：Y_n和B为已知量，可以计算得出，A为待定参数；

③计算GM(1,1)模型的参数和

由公式计算出参数和

④建立灰色预测模型：

将上一步所求得的和代回原来的微分方程，得到累加数列x⁽¹⁾的灰色预测模型为：

原始数列的灰色预测模型为：

⑤模型精度的后验差检验：

残差平均值：

历史数据方差：

历史数据平均值：

残差方差：

后验差比值：

小误差概率：

⑥预测结果误差分析。

上述配电网电气设备状态评估方法，运用模糊层次分析法进行状态评估的步骤如下：

①建立评判因素集

把选定的状态参量作为评判因素，建立配电网电气设备运行状态评判因素集，用U_j来表示，U_j＝(u₁,u₂,u₃…u_n)；

②建立评判等级集

将配电网电气设备的运行状态划分为“良好”、“正常”、“可疑”、“异常”、“危险”5种情况，即评判等级集为：V＝{良好，正常，可疑，异常，危险}＝{v₁,v₂,v₃,v₄,v₅}；

③建立评判因素权重集

对各个评判因素u_i赋予相应的权重系数w_i(i＝1,2,3,…,n)，则评判因素权重集为W＝(w₁,w₂,…,w_n)，权重系数必须满足归一化条件：

④构造模糊评判矩阵

对评判对象按评判因素集中第i个评判因素u_i进行评判，对应评判等级集中第j个元素v_j的隶属程度为r_ij，则按第i个元素u_i的评判结果可用模糊集合R_i＝(r_i1，r_i2，r_i3,…，r_in)表示，以各因素评判集的隶属度为行组成模糊评判矩阵R；

⑤模糊综合评判

评判结果B＝W·R＝(b₁，b₂，…，b_n)，其中“·”是模糊算子，B_j称为一级模糊综合评判结果，表示按U中各评判因素的所有等级进行综合评判时，评判对象对评判等级中第j个等级的隶属度，根据最大隶属度原则，确定被评判对象所属评判等级。

本发明根据状态量历史数据的发展趋势预测当前时间节点的状态量数据，保证该数据能有效地反映当前设备的状态，同时通过对同一状态量历史数据的纵向评判或平滑操作，提高了状态量数据的可信度，从而最终保证了配网设备状态评估结果的准确性，其准确性也已经试验予以证明。

附图说明

下面结合附图对本发明作进一步说明。

图1是考虑历史数据趋势预测的配电网电气设备状态评估方法流程图；

图2是油浸式变压器状态评估信息结构图。

文中各符号为：x_j为状态量，x⁽⁰⁾为历史数据序列，A为待定参数，U_j为评判因素集，W为评判因素权重集。

具体实施方式

本发明所述的考虑历史数据趋势预测的配电网电气设备状态评估方法流程参看图1，它主要包括三个步骤，一是历史数据预处理；二是历史数据趋势预测；三是模糊层次分析评估。本发明首先通过配电网电气设备状态量历史数据的预处理保证了历史数据的准确性，然后根据配电网电气设备状态量历史数据离散程度的大小，采用不同的预测方法得到当前时间节点的状态量数据，最后，对预测数据运用模糊层次分析法，得到评估结果。

在配电网电气设备的运行过程中，配电网电气设备各项状态量的状态变化是按照一定规律变化的，即配电网电气设备的状态指标信息在某个时期有特定的变化趋势。这个变化趋势会隐含在状态信息指标的历史数据中。而常规的状态信息指标评分只会对最近的数据进行打分，忽略了历史数据的作用。考虑历史数据趋势预测的配电网电气设备状态评估方法，能够考虑到历史数据的作用，克服了一次数据的偶然性缺陷，根据指标历史数据的变化规律，预测当前时间节点的状态量来进行状态评估，有效地提高了状态评估结果的准确性。

本发明以配电变压器(油浸式)为例具体说明所述方法的实施过程，图2表示的是变压器进行状态评估所需要的指标，即状态评估的状态量，各指标的历史数据存放在数据库里，所述方法按照以下步骤进行：

a.从数据库里分别读取配电变压器的各状态量历史数据，对每个状态量的历史数据做以下处理：

设某状态量x_j(j∈M)，M是变压器状态量的个数，x_j1,x_j2,x_j3,x_ji…x_jn为该状态量的历史数据，ξ_j为该状态量数据变化最大值。

若|x_ji-x_j(i-1)|＞ξ_j，则判断存在不良或错误数据，报警并得到确认后，进行平滑处理。

b.取Δx_ji＝|x_ji-E_j|，令ε_j为第j个状态量的偏差最小值。

如果上述状态量的任意Δx_ji＝|x_ji-E_j|≤ε_j，即状态量的历史数据离散程度较小，则采用求取数学期望的方法产生预测结果，即预测值x_j(n+1)＝E_j。

c.如果上述状态量的某一Δx_ji＝|x_ji-E_j|≥ε_j，即状态量的历史数据离散程度较大，则采用灰色预测的方法产生预测结果。灰色预测GM(1,1)模型建立的步骤如下：

设变压器直流电阻的原始数据序列x⁽⁰⁾,

x⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)]，

第一步，计算原始数列x⁽⁰⁾的累加生成数列x⁽¹⁾。

x⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)]，

其中：

第二步，根据灰色预测GM(1,1)模型公式Y_n＝BA，构造数据矩阵B和数据向量Y_n。其中：

Y_n和B为已知量，可以计算得出。A为待定参数。

第三步，计算GM(1,1)方程的参数和

由公式计算出参数和

第四步，建立灰色预测模型。

将上一步所求得的和代回原来的微分方程，得到累加数列x⁽¹⁾的灰色预测模型为

原始数列的灰色预测模型为：

第五步，模型精度的后验差检验：

残差平均值：

历史数据方差：

历史数据平均值：

残差方差：

后验差比值：

小误差概率：

根据后验差比值和小误差概率评估模型的精度。

第六步，预测结果误差分析。

d.运用模糊层次分析法进行状态评估，所述方法的步骤如下：

(1)建立评判因素集。因素集是影响评估对象的各因素所组成的一个集合。把选定的状态参量作为评判因素，建立配电设备运行状态因素集，用U_j来表示，U_j＝(u₁,u₂,u₃,…u_n)，然后各个指标再分解。

(2)建立评判等级集。等级集合是评估者对评估对象可能做出的各种总的评估结果所组成的集合，用V表示，即V＝(v₁,v₂…,v_n)。将配网设备的运行状态划分为“良好”、“正常”、“可疑”、“异常”、“危险”5种情况，即评语集为：V＝{良好，正常，可疑，异常，危险}＝{v₁,v₂,v₃,v₄,v₅}。

(3)建立权重集。权重是各因素评估目标的重要程度，对各个因素应赋予相应权重w_i(i＝1,2,3,…,n)，各权重所组成的集合W＝(w₁,w₂,…,w_n)称为因素权重集。权重系数必须满足归一化条件：

(4)模糊评判矩阵。对评判对象按因素集中第i个因素u_i进评判，对应评判等级集中第j个元素v_j的隶属程度为r_ij，则按第i个元素u_i的评判结果可用模糊集合R_i＝(r_i1,r_i2,r_i3,…，r_in)表示，R_i称为单因素评判集。以各因素评判集的隶属度为行组成的矩阵R称为模糊评判矩阵。

(5)模糊综合评判。评判结果B＝W·R＝(b₁，b₂，…，b_n)，其中“·”是模糊算子。B_j称为一级模糊综合评判结果，表示按U中因素的所有等级进行综合评判时，评判对象对评判等级中第j个等级的隶属度。根据最大隶属度原则，确定被评判对象所属评判等级。由上可见，考虑历史数据趋势预测的配电网电气设备状态评估方法创造性地利用了状态量的历史数据，有效地克服了采用最近一次数据的偶然性缺陷，根据评估指标历史数据的变化规律，预测当前时间节点的状态量来进行状态评估，有效地提高了状态评估结果的准确性。具有实用价值。

以下以一个具体实例来验证本发明评估结果的准确性。

以某市某10kV油浸式配电变压器为例说明，变压器容量315kVA，电压10/0.4kV，型号S11-M-315，接线组别Yy_n0。表格中分别是配电变压器的试验及巡检数据，其中，配电变压器试验数据1次/年，巡检数据1次/季度，运行数据是实时的。

表1 10kV油浸式配电变压器试验数据

表2 10kV油浸式配电变压器巡检数据

表3 10kV油浸式配电变压器运行数据

三相不平衡率	负载率
		15％	82％

上述配电变压器已知2006年、2007年、2008年、2009年的试验数据，以及2010年6月的巡检数据，运行数据是实时的可以随时获取。在2010年6月份对该台变压器进行状态评估。

采用本发明的方法，首先对试验数据进行预测，得到2010年6月份的试验数据。

表4 10kV油浸式配电变压器试验数据预测结果

表5采用传统方法状态评估的结果

表6采用本发明方法状态评估的结果

由上述实例可以看到，在利用最近一次试验结果进行评估时，该变压器的接地装置部件评估结果为正常状态，但在使用历史数据趋势预测的结果后，该变压器的接地装置部件评估结果为可疑状态。这主要是由于接地装置的接地电阻增大造成的结果。为了验证结果的正确性，经过对该变压器试验测量其接地装置接地电阻，测得其接地电阻为3.5Ω。验证了本发明方法的有效性。

Claims (1)

1.一种考虑历史数据趋势预测的配电网电气设备状态评估方法，其特征是，所述方法首先对配电网电气设备状态量数据进行历史数据纵向评判，通过平滑处理修正不良数据或错误数据；然后根据状态量数据离散程度的大小将数据分成两类进行处理：对离散程度较小的数据，将根据历史数据求取的数学期望作为当前状态量数据；对于离散程度较大的数据，采用灰色预测的方法得到当前时间节点该状态量数据的预测值，最终采用模糊层次分析法对配电网电气设备的状态进行评估；

所述方法按照以下步骤进行：

a.对配电网电气设备状态量数据进行历史数据纵向评判，判断是否存在不良或错误数据，若存在类似数据，则报警请求确认，确认后，进行平滑处理；

b.根据配电网电气设备的状态量数据离散程度的大小确定预测方法：

对于状态量x_j(j∈M)，M是某配电网电气设备状态量的个数，x_j1,x_j2,x_j3,x_ji…x_jn为该状态量下的历史数据，取n为历史数据个数，

若|x_ji-E_j|＝Δx_ji≤ε_j，ε_j为第j个状态量的偏差最小值，则采用求取数学期望的方法进行结果预测，预测值为x_j(n+1)＝E_j；

若Δx_ji＝|x_ji-E_j|≥ε_j，则采用灰色预测的方法来预测当前时间节点该状态量数据；

c.由上述预测方法，预测出配电网电气设备状态量当前时间节点的数据；

d.运用模糊层次分析法进行状态评估；

判断是否存在不良或错误数据的具体方法如下：

设ξ_j为该状态量数据变化最大值，

若|x_ji-x_j(i-1)|＞ξ_j，则判断存在不良或错误数据；

采用灰色预测的方法来预测当前时间节点该状态量数据的方法如下：

设配电网电气设备某状态量的历史数据序列x⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)]，则灰色预测GM(1,1)模型建立的步骤如下：

①计算历史数据序列x⁽⁰⁾的累加生成数列x⁽¹⁾

x⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)]，

其中：

②根据灰色预测GM(1,1)模型公式Y_n＝BA，构造数据矩阵B和数据向量Y_n，

其中：Y_n和B为已知量，可以计算得出，A为待定参数；

③计算GM(1,1)模型的参数和

由公式计算出参数和

④建立灰色预测模型：

将上一步所求得的和代回原来的微分方程，得到累加数列x⁽¹⁾的灰色预测模型为：

${\hat{x}}^{\left(1\right)}(k+1)=\[x^{\left(0\right)}\left(1\right)-\frac{\hat{u}}{\hat{a}}\]e^{-\hat{a}k}+\frac{\hat{u}}{\hat{a}},$

原始数列的灰色预测模型为：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right);$

⑤模型精度的后验差检验：

残差平均值：

历史数据方差：

历史数据平均值：

残差方差：

后验差比值：

小误差概率：

⑥预测结果误差分析。