【技术实现步骤摘要】
本专利技术涉及一种基于模型预测控制设备风险管控系统与方法。
技术介绍
1、随着中国经济的迅速发展，电力的需求与日俱增，为了使电力满足人们的需求，从而不断扩大电网的规模，增加了大量的电力系统的基础设备，大量建设变电站，但这样也使电网的复杂特征越来越明显。显然，这也对现代电网的安全运行提出了更高的要求和挑战。变电站是电网的关键组成部分，也是衔接用户与电网重要的纽带，使电能可以安全稳定的传输到用户中起着特别关键的作用。所以如何确保变电站的稳定运行，是变电站安全管理所面临的问题，只有变电站的运行安全稳定，才能保证安全供电，保障用户安全生产。
2、电力系统的线路、开关、变压器等设备都可能发生突发故障，这会对电力系统的运行带来极大影响。传统的故障预测方法主要基于经验和规律，难以对故的发生做出高精度的预测。而基于大数据的故障预测模型可以对电力设备的历史运行数据、温度、振动、电流等多种因素进行综合分析，识别出故障发生的可能性，并及时进行预警和排查，避免故障的扩散和逐渐发展。延长变电设备使用寿命的关键，在于精准判断设备故障发生的时间点，并在临近故障点前进行针对性维护。但由于目前变电设备维护都采取计划性检修，因此基于历史检维修记录的数理预测模型并不能真实反映设备运行状态的变化和趋势。
技术实现思路
1、本专利技术提出一种基于模型预测控制设备风险管控系统与方法，解决配变站变压器风险/故障预测问题，其具体通过以下技术手段实现：
2、本专利技术的一种基于模型预测控制设备风险管控方法，
3、数据预处理步骤，获取设备相关数据并进行数据清洗；
4、数据挖掘步骤，将设备不同状态下的多源异构多维数据进行整合，通过预测模型综合开展关联性、相关性、分类判断和预测分析，后输出分析结果；
5、状态评估决策步骤，根据数据挖掘步骤输出的分析结果建立设备性能状态评价体系，以分性能、分等级区分设备性能状态；
6、其中，在数据挖掘步骤中：
7、建立变压器模型，并以实际变压器运行数据对其进行训练；
8、以变压器模型为基础构建变压器故障模型，即将故障参数输入变压器模型以令其产生响应故障参数的相关逻辑，模型的输出包括故障概率，并根据故障概率生成对应的故障概率曲线；
9、对接天气模型以获取对应的天气预报相关数据；
10、对接电网运行模型以获取对应的电网运行相关数据；
11、预测模型利用机器学习对变压器故障模型的故障内容和故障概率，以及天气预报相关数据、电网运行相关数据进行学习训练，最终对由变压器故障模型、天气模型和电网运行模型的实际时数据进行分析，输出分析结果。
12、进一步的，所述机器学习基于设备健康曲线作为参考，结合变压器的变压情况、电网运行的负载情况以及天气情况，得出未来设备状态。
13、进一步的，所述设备性能状态评价体系包括设备性能状态评价、设备缺陷及故障预警和特征数据可视化决策辅助；所述设备性能状态评价是反馈基于预测模型推定在一定时间后的未来设备状态；所述设备缺陷及故障预警是对设备运行过程中出现的故障或数据异常进行告警；所述特征数据可视化决策辅助是对预测模型获取的相关数据与输出的相关结果进行可视化展示。
14、进一步的，所述特征数据可视化决策辅助中的可视化展示包括生成数据主成分分析结果、设备性能等级热力图。
15、进一步的，在数据预处理步骤中，对数据执行：
16、重复数据清洗，清理数据集中的观测值或变量出现的重复记录；
17、不完整数据清洗，对数据表结构字段按照重要性等级进行判断，按照缺失比例和字段重要性制定方案，对于不完整的记录并且不需要的字段进行删除处理，对于重要字段并缺失的记录通过计算分析对字段进行填充；
18、数据格式清洗，对不符合规定的格式及内容进行清洗；
19、错误数据的清洗，用统计分析的方法识别错误值或异常值并进行清理，其中包括采用偏差分析、识别不遵守分布或回归方程的值，或是采用规则库检查数据值，或者是采用不同属性间的约束、外部的数据来检测；
20、关联性数据清洗，将不同来源的数据集进行合并，便于进行后续分析。
21、进一步的，在构建变压器模型时，执行以下步骤：
22、获取正常状态下变压器的相关物理参量，并完成对应的初始化；
23、对仿真模型进行空载运行，观察初、次级电压和电流波形并与实际数据相比对，当存在差异时进行修正；
24、对仿真模型进行负载运行，观察初、次级电压和激励电流波形并与实际数据相比对，当存在差异时进行修正；
25、设置次级突发短路，观察初、次级电压和电流波形并与实际数据相比对，当存在差异时进行修正。
26、进一步的，在构建变压器故障模型时，执行以下步骤：
27、初始化变压器内部故障参数；
28、计算主磁通量，其公式如下：
29、φ＝4.44fbmax×a；其中，φ为主磁通，单位为瓦/匝；f为变压器的工作频率，单位为赫兹；bmax为铁芯中心的最大磁通密度，单位为特斯拉；a为变压器铁芯的横截面积，单位为平方米；
30、计算变压器负载率，即变压器输出的视在功率与变压器额定容量之比，其公式如下：
31、β＝i2/i2n＝p/sncosφ；其中，β为变压器负载率；i2为变压器负载电流，单位为安培；i2n为变压器二次额定电流，单位为安培；p为变压器负载侧输出功率，单位为千瓦；s为变压器额定容量，单位为千伏安；cosφ为负载功率因数；
32、计算变压器功率损失量，其公式如下：δp＝p0+β2×pk；
33、计算变压器功率损失率，其公式如下：δp％＝δp/(β×sn×cosφ+p0+β2×pk)。
34、本专利技术的一种基于模型预测控制设备风险管控系统，包括：
35、数据预处理模块，用于获取设备相关数据并进行数据清洗；
36、数据挖掘模块，用于将设备不同状态下的多源异构多维数据进行整合，通过预测模型综合开展关联性、相关性、分类判断和预测分析，后输出分析结果；
37、状态评估决策模块，用于根据数据挖掘步骤输出的分析结果建立设备性能状态评价体系，以分性能、分等级区分设备性能状态；
38、其中，在数据挖掘模块中包括：
39、以变压器模型为基础构建的变压器故障模型，其具有将故障参数输入变压器模型以令其产生响应故障参数的相关逻辑；
40、天气数据接口，用于对接天气模型以获取对应的天气预报相关数据；
41、电网数据接口，用于对接电网运行模型以获取对应的电网运行相关数据；
42、预测模型，用于对由变压器故障模型、天气模型和电网运行模型的实际时数据进行分析，输出分析结果。
43、与现有技术相比，本专利技术的优越性体现在：将配电网的静态特性和动态特性结合起来，建立更为精本文档来自技高网...
【技术保护点】
1.一种基于模型预测控制设备风险管控方法，其特征在于，包括：
2.根据权利要求1所述的基于模型预测控制设备风险管控方法，其特征在于，所述机器学习基于设备健康曲线作为参考，结合变压器的变压情况、电网运行的负载情况以及天气情况，得出未来设备状态。
3.根据权利要求1所述的基于模型预测控制设备风险管控方法，其特征在于，所述设备性能状态评价体系包括设备性能状态评价、设备缺陷及故障预警和特征数据可视化决策辅助；所述设备性能状态评价是反馈基于预测模型推定在一定时间后的未来设备状态；所述设备缺陷及故障预警是对设备运行过程中出现的故障或数据异常进行告警；所述特征数据可视化决策辅助是对预测模型获取的相关数据与输出的相关结果进行可视化展示。
4.根据权利要求3所述的基于模型预测控制设备风险管控方法，其特征在于，所述特征数据可视化决策辅助中的可视化展示包括生成数据主成分分析结果、设备性能等级热力图。
5.根据权利要求1所述的基于模型预测控制设备风险管控方法，其特征在于，在数据预处理步骤中，对数据执行：
6.根据权利要求1所述的基于模型预测控制
7.根据权利要求1所述的基于模型预测控制设备风险管控方法，其特征在于，在构建变压器故障模型时，执行以下步骤：
8.根据权利要求7所述的基于模型预测控制设备风险管控方法，其特征在于，在构建变压器故障模型时，执行以下步骤：
9.一种基于模型预测控制设备风险管控系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于模型预测控制设备风险管控方法，其特征在于，包括：
2.根据权利要求1所述的基于模型预测控制设备风险管控方法，其特征在于，所述机器学习基于设备健康曲线作为参考，结合变压器的变压情况、电网运行的负载情况以及天气情况，得出未来设备状态。
3.根据权利要求1所述的基于模型预测控制设备风险管控方法，其特征在于，所述设备性能状态评价体系包括设备性能状态评价、设备缺陷及故障预警和特征数据可视化决策辅助；所述设备性能状态评价是反馈基于预测模型推定在一定时间后的未来设备状态；所述设备缺陷及故障预警是对设备运行过程中出现的故障或数据异常进行告警；所述特征数据可视化决策辅助是对预测模型获取的相关数据与输出的相关结果进行可视化展示。
4.根据权利要求3所述...
【专利技术属性】
技术研发人员：黄家威，王荣波，温振环，
申请(专利权)人：广州西麦科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。