一种恶劣天气下变电站智能运维预警及决策方法技术

本发明专利技术公开了一种恶劣天气下变电站智能运维预警方法及决策方法。预警方法包括天气状态预测、设备运行工况预测和判断设备的发热缺陷等级步骤。设备运行工况预测包括设备跳闸概率预测、设备负荷预测和设备升温预测。决策方法，还包括人员调配生成和人员调配决策步骤。本发明专利技术能够在恶劣天气下进行设备状态定性，给出合理化建议，预先发现设备故障，为变电站智能巡视提供了有力的策略支撑。

【技术实现步骤摘要】
一种恶劣天气下变电站智能运维预警及决策方法
本专利技术涉及一种变电站智能运维预警及决策方法，尤其涉及一种恶劣天气下变电站智能运维预警及决策方法，属于电力

技术介绍
随着经济社会不断发展，电网的安全运行问题也日益得到重视。变电站作为电网的中枢，以计算机信息技术的快速更迭为契机，朝着变电站智能化建设全面推进。设备的智能化程度极大提升，原有的值班模式也从有人值班向无人值班转变，这一方面大大减少了变电站运维人员的配置，也对变电站运维的值班响应速度提出了更高的要求。然而，变电站变电运维模式却未能随着技术进步而革新，导致变电站运维仍然存在不少难题。传统的变电站运维策略，以专业人员对设备运行年限、现场运行状况以及存在的缺陷进行主观判断，并对设备的运行状况进行打分，因此无法对得到的数据进行分类分层次的分析，从而掩盖或放大了很多问题。特别是针对恶劣天气下的变电站运维策略，也是依赖经验的人工决策，缺少数据支撑，无法给变电站运维人员提供量化的信息，这种变电站运维模式已不适合当前的智能变电站运检模式。
技术实现思路
本专利技术要解决的技术问题是提供一种恶劣天气下变电站智能运维预警及决策方法。为解决上述技术问题，本专利技术采用的技术方案是：技术方案一：一种恶劣天气下变电站智能运维预警方法一种恶劣天气下变电站智能运维预警方法，包括以下步骤：步骤1：天气状态预测：由气温、降水量和风速预测天气状态；步骤2：设备运行工况预测：包括设备跳闸概率预测、设备负荷预测和设备升温预测；>所述设备跳闸概率预测用于预测设备跳闸概率P(y＝1|x)：式中e为自然对数的底，w＝(w1,w2,…,w6)∈R6是预测矢量，由n个历史设备跳闸数据训练得到，xi∈R,y∈{0,1}，x1为台风、x2为冰冻、x3为高温、x4为正常、x5为负荷情况、x6为缺陷因子，y＝1设备跳闸，y＝0设备未跳闸，m1、m2、m3分别为导线断股散股、设备存在异物以及周围环境恶劣对设备跳闸的缺陷因子的计算权重，h1、h2、h3分别为导线断股散股、设备存在异物以及周围环境恶劣的严重程度；所述设备负荷预测用于预测设备负荷预测值式中为线路负荷li的平均值，zi为负荷年平均变化pi的估计值，计算方法为：为年内负荷每日变化比例di的平均值，其计算方法为：所述设备升温预测用于预测设备红外数据T：T＝Cn,kαk,1+Wn,kβk,1+In,kγk,1+Cn,kωk,nWn,kτk,nIn,kλk,1(5)式中，Cn,k为环境温度，Wn,k为环境湿度，In,k为设备负荷，αk,1、βk,1、γk,1、ωk,n、τk,n、λk,n、H为隐含层的权值矩阵，n为参与训练数据的总额，k为算法所取得最高次幂；步骤3：判断设备的发热缺陷等级：设备的发热缺陷等级的判断依据为：式中，δ为设备缺陷因子。进一步，天气预测方法采用无监督聚类方法。进一步，预测矢量w＝(w1,w2,…,w6)∈R6在训练时使用似然函数的对数min∑lnP(y|x,w)作为优化的目标，使用梯度下降法得到w的最优解。更进一步，天气预测方法采用k-means无监督聚类方法。技术方案二：一种采用技术方案一所述的恶劣天气下变电站智能运维预警方法的决策方法一种恶劣天气下变电站智能运维决策方法，还包括人员调配生成和人员调配决策步骤；人员调配生成步骤根据运维人员的能力值选择一种以上人员调配计划Ti；所述人员调配计划包括两人以上运维人员；运维人员的能力值为：ci＝(ci1,ci2,…,cim)(7)其中cij表示第i个运维人员针对第j类事故异常的处理能力得分与总分的比值；人员调配计划中的运维人员中至少一人对相应类别的事故异常的处理能力大于预设阈值；人员调配决策步骤的选择目标为：mind(Ti)(8)式中d(Ti)为第i种人员调配计划中所有运维人员到检修设备距离的集合。采用上述技术方案所取得的技术效果在于：本专利技术能够在恶劣天气下进行设备状态定性，给出合理化建议，预先发现设备故障，为变电站智能巡视提供了有力的策略支撑。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1是本专利技术的流程图。具体实施方式实施例1：预警方法利用气象数据、设备缺陷隐患数据、设备负荷数据以及红外数据分析设备发生故障的概率；决策系统结合设备故障概率与一线运维班组人员配置得到最优人员调动方案。以恶劣天气下的220kV深泽变为数据模型，验证了本专利技术能够在恶劣天气下进行设备状态定性，给出合理化建议，预先发现设备故障，为变电站智能巡视提供了有力的策略支撑。技术方案一：一种恶劣天气下变电站智能运维预警方法一种恶劣天气下变电站智能运维预警方法，包括以下步骤：步骤1：天气状态预测：由气温、降水量和风速预测天气状态；步骤2：设备运行工况预测：包括设备跳闸概率预测、设备负荷预测和设备升温预测；所述设备跳闸概率预测用于预测设备跳闸概率P(y＝1|x)：式中e为自然对数的底，w＝(w1,w2,…,w6)∈R6是预测矢量，由n个历史设备跳闸数据训练得到，xi∈R,y∈{0,1}，x1为台风、x2为冰冻、x3为高温、x4为正常、x5为负荷情况、x6为缺陷因子，y＝1设备跳闸，y＝0设备未跳闸，m1、m2、m3分别为导线断股散股、设备存在异物以及周围环境恶劣对设备跳闸的缺陷因子的计算权重，h1、h2、h3分别为导线断股散股、设备存在异物以及周围环境恶劣的严重程度；所述设备负荷预测用于预测设备负荷预测值式中为线路负荷li的平均值，zi为负荷年平均变化pi的估计值，计算方法为：为年内负荷每日变化比例di的平均值，其计算方法为：所述设备升温预测用于预测设备红外数据T：T＝Cn,kαk,1+Wn,kβk,1+In,kγk,1+Cn,kωk,nWn,kτk,nIn,kλk,1(5)式中，Cn,k为环境温度，Wn,k为环境湿度，In,k为设备负荷，αk,1、βk,1、γk,1、ωk,n、τk,n、λk,n、H为隐含层的权值矩阵，n为参与训练数据的总额，k为算法所取得最高次幂；步骤3：判断设备的发热缺陷等级：设备的发热缺陷等级的判断依据为：式中，δ为设备缺陷因子。进一步，天气预测方法采用无监督聚类方法。进一步，预测矢量w＝(w1,w2,…,w6)∈R6在训练时使用似然函数的对数min∑lnP(y|x,w)作为优化的目标，使用梯度下降法得到w的最优解。更进一步，天气预测方法采用k-means无监督聚类方法。实施例2：一种采用实施例1所述的恶劣天气下变电站智能运维预警方法的决策方法，还包括人员调配生成和人员调本文档来自技高网...

【技术保护点】
1.一种恶劣天气下变电站智能运维预警方法，其特征在于：包括以下步骤：/n步骤1：天气状态预测：由气温、降水量和风速预测天气状态；/n步骤2：设备运行工况预测：包括设备跳闸概率预测、设备负荷预测和设备升温预测；/n所述设备跳闸概率预测用于预测设备跳闸概率P(y＝1|x)：/n

【技术特征摘要】
1.一种恶劣天气下变电站智能运维预警方法，其特征在于：包括以下步骤：
步骤1：天气状态预测：由气温、降水量和风速预测天气状态；
步骤2：设备运行工况预测：包括设备跳闸概率预测、设备负荷预测和设备升温预测；
所述设备跳闸概率预测用于预测设备跳闸概率P(y＝1|x)：



式中e为自然对数的底，w＝(w1,w2,…,w6)∈R6是预测矢量，由n个历史设备跳闸数据训练得到，xi∈R,y∈{0,1}，x1为台风、x2为冰冻、x3为高温、x4为正常、x5为负荷情况、x6为缺陷因子，y＝1设备跳闸，y＝0设备未跳闸，m1、m2、m3分别为导线断股散股、设备存在异物以及周围环境恶劣对设备跳闸的缺陷因子的计算权重，h1、h2、h3分别为导线断股散股、设备存在异物以及周围环境恶劣的严重程度；
所述设备负荷预测用于预测设备负荷预测值



式中为线路负荷li的平均值，zi为负荷年平均变化pi的估计值，计算方法为：




为年内负荷每日变化比例di的平均值，其计算方法为：



所述设备升温预测用于预测设备红外数据T：
T＝Cn,kαk,1+Wn,kβk,1+In,kγk,1+Cn,kωk,nWn,kτk,nIn,kλk,1(5)
式中，Cn,k为环境温度，Wn,k为环境湿度，In,k为设备负荷，αk,1、βk,1、γk,1、ωk,n、τk,n、λk,n、H为隐含层的权值矩阵，n为参与...

【专利技术属性】
技术研发人员：王剑强，陈玉良，卢卫东，邵光明，贾敏锋，李春春，
申请(专利权)人：王剑强，
类型：发明
国别省市：浙江;33