一种氧化物避雷器在线故障诊断与状态评估方法技术

本发明专利技术公开了一种氧化物避雷器在线故障诊断与状态评估方法，涉及氧化物避雷器检测技术领域。本发明专利技术首先提取与MOA运行状态相关指标参数，通过自适应FNN对运行状态特征指标进行学习，并且对隶属度函数参数进行自适应动态调整。然后基于DTMC融合不同时刻运行状态的历史特征数据，建立基于自适应FNN和DTMC的MOA在线故障监测与运行状态评估模型，最后计算最终MOA故障类型与运行状态评估概率值，根据诊断结果分析MOA的故障类型及概率，实现避雷器运行状态的在线监测，减少停电检修MOA的次数，极大提高电力系统运行可靠性。大提高电力系统运行可靠性。大提高电力系统运行可靠性。

【技术实现步骤摘要】
一种氧化物避雷器在线故障诊断与状态评估方法


[0001]本专利技术涉及氧化物避雷器检测
，特别涉及一种氧化物避雷器在线故障诊断与状态评估方法。

技术介绍

[0002]随着我国经济的快速发展，电量需求呈幂指数增加，变电站设备正常稳定运行是用户可靠用电的前提和保证。氧化物避雷器(metal oxide arrester，MOA)作为变电站安全运行不可或缺地一部分，它不仅可以限制电气设备所承受的瞬态高电压，同时可以限制续流时间和侵入的电流值，防止电气设备遭受过电压的冲击。随着智慧变电站、5G、IOT、一键顺控和机器人巡视等技术快速发展，逐渐替代了运维人员大量地日常工作，同时原有定期试验模式转变为状态检修模式，即根据设备状态及时开展运维和检修工作，如何高效和快速对电气设备故障监测和诊断结果评估显得至关重。
[0003]目前对于MOA运行状态评估主要包括在线监测和离线停电试验判断两种方式。对于在线监测判断方式，有通过多层支持矢量机方法对MOA进行在线监测，其局限主要为MOA故障类型考虑单一；有通过变权云理论的避雷器状态进行评估，其仅仅对避雷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种氧化物避雷器在线故障诊断与状态评估方法，其特征在于：包括以下步骤：步骤1：提取MOA运行状态评判特征数据；步骤2：建立基于自适应FNN结构的模型；步骤3：建立基于DTMC的MOA在线故障监测与评估模型；步骤4：输入避雷器8个运行特征数据生成预测数据，并根据DTMC对预测数据计算得到最终故障类型和运行状态评估概率值。2.根据权利要求1所述的一种氧化物避雷器在线故障诊断与状态评估方法，其特征在于：步骤1所述的提取MOA运行状态评判特征数据，具体步骤如下：步骤1.1：将避雷器故障原因进行分类：根据避雷器故障导致原因可以细化分为四个方面，分别为绝缘老化、外绝缘污秽、放电闪络和内部受潮等四个方面；步骤1.2：归纳运行状态特征指标：根据日常巡视判断情况，提出泄露监视电流表示数(P1)、使用年限(P2)、紫外成像放电程度(P3)、红外成像温升情况(P4)、外绝缘表面情况(P5)、放电声音(P6)、外套与法兰连接情况(P7)和外绝缘污秽程度(P8)8个运行状态特征指标；步骤1.3：运行状态评估分类：巡视时可以对避雷器运行状态评估分为三个等级，分别为“优”、“一般”、“差”，我们将其定义为FE(fuzzy excellent)、FW(fuzzy well)、FB(fuzzy bad)，具体意义分别为：(1)FE：执行状态检修周期(避雷器运行状态正常，按照正常周期内对避雷器进行巡视、试验和检修)；(2)FW：缩短监测周期，跟检(避雷器运行状态需要注意，需一个月内对设备进行试验，同时运维人员加强日常巡视)；(3)FB：立即停电检修(避雷器运行状态严重，需立即汇报当值调控人员，尽快安排立停电、试验和检修)；对于巡视时，所获得MOA运行状态特征数据类型主要包括有现场巡视数据和历史数据；现场巡视数据有泄露电流监视示数(P1)、紫外成像放电程度(P3)、红外成像温升情况(P4)、外绝缘污秽程度(P5)、避雷器使用年限(P2)和外套与法兰连接情况(P7)等；步骤1.4：根据运行特征参数分析可导致的故障原因并进行状态评估，基于大参数背景下运行状态特征参数在一定程度可以表示故障类型，但针对单一避雷器设备，故障随机性大。3.根据权利要求1所述的一种氧化物避雷器在线故障诊断与状态评估方法，其特征在于：建立基于自适应FNN与DTMC的MOA在线故障监测与评估模型，具体步骤如下：步骤2.1：建立MOA运行状态评估计算流程：由于MOA在现有状态下，对未来状态评判只与最新一次监测运行特征数据有关，而与过去监测运行特征数据无直接关系；基于自适应FNN计算得到结果转为DTMC模型转移概率值，对历史数据进行融合，得到最终故障类型和运行状态评估结果，由此建立MOA运行状态评估计算流程；步骤2.2：输入量的模糊化：自适应FNN基本论域的确定，对于MOA泄露电流监测示数(P1)和使用年限(P2)的定量指
标通过归一化将输入值的论域设置为[0,1]，直接得到自适应FNN的输入参数；考虑到P1和P2均为越小越优型数据，一般当避雷器绝缘老化、外绝缘污秽或内部受潮，泄露电流监测示数较历史数据偏大，通过公式(1)进行归一化处理；式中：x
′
为避雷器特征数据(P1和P2)实际值，maxx
′
为P1和P2中最大值，minx
′
为P1和P2的最小值；对于定性指标：紫外成像放电情况(P3)、红外成像温升情况(P4)和放电声音(P6)均可以通过传感器得到量化值；而对于外绝缘表面情况(P5)、外套与法兰连接情况(P7)和本体外绝缘抗污能力(P8)需通过图像采集装置并根据算法得到其运行状况；基于EfficientDet和双目摄像头对避雷器P5、P7和P8指标运行状况进行评估，同时根据检修和试验专家人员以及综合考虑以往案例进行量化打分；步骤2.3：模糊规则库的确定：基于自适应FNN与DTMC的MOA运行状态评估建议其实质是专家评估系统，根据MOA现有运行状态，判断MOA是否存在故障、故障类型和故障严重程度；同样地，将避雷器8个运行状态特征量分为三个等级，分别为“优”、“一般”、“差”，模糊语言变量定义为FE(fuzzy excellent)、FW(fuzzy well)、FB(fuzzy bad)，依据是已有避雷器故障数据组成的模糊规则库，语言规则为if
‑
then结构，其模糊推理规则形式为：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
为第t个模糊推理规则；P(n)为第n个MOA运行状态特征类型；F(P(n))为第n个MOA运行状态特征数据对应的模糊等级，本专利包含三个等级“FB、FW和FE”，即F(P(n))∈{FB,FW,FE}；y是模糊推理输出类型，本专利y
′
为故障类型和y
″
为运行状态评估诊断建议；G
′
t
为故障类型输出结果(A1、A2、A3和A4)，分别表示绝缘老化、外绝缘污秽、放电闪络和内部受潮故障类型；G
″
t
为诊断结果评估建议的具体措施；步骤2.4：建立自适应FNN结构；模糊神经具有神经网络和模糊系统双重特点，可以很好解决非线性和模糊性的问题，本专利基于自适应FNN结构；自适应FNN包括输入层、模糊化层、模糊规则层和输出层：(1)输入层：即MOA巡视获得运行状态特征数据，分别为P1，P2，
…
，P8；(2)模糊化层：即隶属函数层，主要对避雷器每个指标量进行计算，利用隶属函数层计算FE、FW、FB语言变量对应值的集合，每一个避雷器运行状态特征量对应三个语言变量隶属度函数值；模糊神经网络隶属度函数有三角形、梯形、柯西和高斯等隶属度函数；考虑变量的连续性和高斯函数的平滑性，对于避雷器运行状态特征量电流在线监测仪示数(P1)、避雷器使用年限(P2)、紫外成像放电情况(P3)和红外成像温升情况(P4)等8个变量均利用高斯函数进行模糊求解，如式(2)所示其中：a
ij
为第i避雷器运行特征数据量的隶属函数值，Z
ij
为隶属函数高斯中心值，σ
ij
为
高斯函数的宽度，n为避雷器运行状态特征数据个数...

【专利技术属性】
技术研发人员：何涛，王玉燕，张宇，吴曦翱，邱新福，朱元杰，徐旭初，华云梅，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：