Moa健康管理和故障預(yù)測方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及系統(tǒng)管理領(lǐng)域，具體地，涉及一種Μ0Α健康管理和故障預(yù)測方法及系 統(tǒng)。
【背景技術(shù)】
[0002] 氧化鋅避雷器（簡稱Μ0Α)是保證高壓電力裝置免受雷電和操作過電壓危害的重 要保護設(shè)備，其安全可靠的運行對電力系統(tǒng)十分重要，目前已廣泛應(yīng)用于我國10~500kV 電網(wǎng)中。Μ0Α由于長期承受工頻電壓，以及沖擊電壓和內(nèi)部受潮等因素的影響，引起內(nèi)部閥 片劣化，阻性電流增加，功耗增大，導(dǎo)致Μ0Α內(nèi)部閥片溫度升高，甚至產(chǎn)生熱崩潰，引發(fā)Μ0Α 的爆炸，從而危及電力系統(tǒng)的安全運行。
[0003] 隨著電子技術(shù)、傳感器技術(shù)、光纖技術(shù)、計算機技術(shù)、信息處理等技術(shù)的發(fā)展，使得 在線監(jiān)測和故障診斷技術(shù)進入了實用化階段。
[0004] 因此，希望能夠?qū)Ζ?Α進行健康管理和故障預(yù)測以便于對Μ0Α運行狀態(tài)進行監(jiān)測。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種方法和系統(tǒng)，以能夠有效地對Μ0Α進行健康管理和故障 預(yù)測，為Μ0Α維護提供有效依據(jù)。
[0006] 為了實現(xiàn)上述目的，本發(fā)明提供一種氧化鋅避雷器Μ0Α健康管理和故障預(yù)測方 法，該方法包括：建立Μ0Α健康管理和故障預(yù)測模型，該Μ0Α健康管理和故障預(yù)測模型以 Μ0Α特征參數(shù)數(shù)據(jù)為輸入、以Μ0Α的健康狀態(tài)為輸出；統(tǒng)計與各種Μ0Α的健康狀態(tài)相關(guān)的運 行數(shù)據(jù)，并基于統(tǒng)計的運行數(shù)據(jù)構(gòu)建訓(xùn)練知識庫；利用所述訓(xùn)練知識庫中存儲的數(shù)據(jù)對所 述Μ0Α健康管理和故障預(yù)測模型進行訓(xùn)練；以及將實時測量的Μ0Α特征參數(shù)數(shù)據(jù)輸入已訓(xùn) 練的Μ0Α健康管理和故障預(yù)測模型，獲得Μ0Α的健康狀態(tài)。
[0007] 進一步地，所述Μ0Α健康管理和故障預(yù)測模型包括:Μ0Α故障宏觀狀態(tài)推理模塊、 Μ0Α老化宏觀狀態(tài)推理模塊、Μ0Α受潮宏觀狀態(tài)推理模塊、Μ0Α污穢宏觀狀態(tài)推理模塊。
[0008] 進一步地，該方法包括對應(yīng)于所述Μ0Α健康管理和故障預(yù)測模型包括的各個狀態(tài) 推理模塊，分別構(gòu)建Μ0Α故障訓(xùn)練知識庫、Μ0Α老化訓(xùn)練知識庫、Μ0Α受潮訓(xùn)練知識庫、Μ0Α 污穢訓(xùn)練知識庫；以及利用所構(gòu)建的訓(xùn)練知識庫對應(yīng)地對各個狀態(tài)推理模塊進行訓(xùn)練，以 完成對所述Μ0Α健康管理和故障預(yù)測模型的訓(xùn)練。
[0009] 進一步地，所述將實時測量的Μ0Α特征參數(shù)數(shù)據(jù)輸入已訓(xùn)練的Μ0Α健康管理和故 障預(yù)測模型的步驟包括：基于實時測量的Μ0Α特征參數(shù)數(shù)據(jù)構(gòu)建實時測試知識庫，該實時 測試知識庫包括Μ0Α故障測試知識庫、Μ0Α老化測試知識庫、Μ0Α受潮測試知識庫、Μ0Α污穢 測試知識庫；以及將每個測試知識庫中的Μ0Α特征參數(shù)數(shù)據(jù)作為輸入對應(yīng)地輸入到各個狀 態(tài)推理模塊。
[0010] 進一步地，所述Μ0Α健康管理和故障預(yù)測模型還包括最終推理模塊，該方法包括 通過該最終推理模塊匯總各個狀態(tài)推理模塊的判斷結(jié)果輸出Μ0Α的健康狀態(tài)。
[0011] 進一步地，所述Μ0Α的健康狀態(tài)包括以下健康指標(biāo):Μ0Α故障、Μ0Α受潮、Μ0Α老化、 Μ0Α污穢，其中每個健康指標(biāo)包含多個等級。
[0012] 進一步地，該方法還包括使用LIBSVM來建立Μ0Α健康管理和故障預(yù)測模型。
[0013] 進一步地，該方法還包括使用多個LIBSVM包對應(yīng)地建立Μ0Α健康管理和故障預(yù)測 模型中的每個模塊。
[0014] 本發(fā)明的另一個方面還提供了一種氧化鋅避雷器Μ0Α健康管理和故障預(yù)測系統(tǒng)， 該系統(tǒng)包括：Μ0Α特征參數(shù)提取單元，被配置成實時測量Μ0Α特征參數(shù)數(shù)據(jù)；實時測試知識 庫，被配置成存儲所述Μ0Α特征參數(shù)提取單元測量的Μ0Α特征參數(shù)數(shù)據(jù)；訓(xùn)練知識庫，被配 置成存儲統(tǒng)計的與各種Μ0Α的健康狀態(tài)相關(guān)的運行數(shù)據(jù)；Μ0Α健康管理和故障預(yù)測模型， 該Μ0Α健康管理和故障預(yù)測模型以Μ0Α特征參數(shù)數(shù)據(jù)為輸入、以Μ0Α的健康狀態(tài)為輸出，該 Μ0Α健康管理和故障預(yù)測模型被配置成根據(jù)所述訓(xùn)練知識庫中存儲的數(shù)據(jù)進行訓(xùn)練；以及 訓(xùn)練完成后，該Μ0Α健康管理和故障預(yù)測模型被配置成根據(jù)所述實時測試知識庫中存儲的 數(shù)據(jù)獲得Μ0Α的健康狀態(tài)。
[0015] 進一步地，所述Μ0Α健康管理和故障預(yù)測模型包括：Μ0Α故障宏觀狀態(tài)推理模塊、 Μ0Α老化宏觀狀態(tài)推理模塊、Μ0Α受潮宏觀狀態(tài)推理模塊、Μ0Α污穢宏觀狀態(tài)推理模塊、以及 最終推理模塊，其中每個狀態(tài)推理模塊分別對Μ0Α的健康狀態(tài)中包括的以下健康指標(biāo)中的 一者進行判斷：Μ0Α故障、Μ0Α受潮、Μ0Α老化、Μ0Α污穢；以及所述最終推理模塊被配置成匯 總各個狀態(tài)推理模塊的判斷結(jié)果，以輸出Μ0Α的健康狀態(tài)。
[0016] 通過上述技術(shù)方案，利用統(tǒng)計的反映各種Μ0Α的健康狀態(tài)的運行數(shù)據(jù)對Μ0Α健康 管理和故障預(yù)測模型訓(xùn)練，而后將實時的Μ0Α特征參數(shù)數(shù)據(jù)輸入已訓(xùn)練的Μ0Α健康管理和 故障預(yù)測模型，能夠獲得準確Μ0Α的健康狀態(tài)，為Μ0Α維護提供依據(jù)。
[0017] 本發(fā)明的其它特征和優(yōu)點將在隨后的【具體實施方式】部分予以詳細說明。
【附圖說明】
[0018] 附圖是用來提供對本發(fā)明的進一步理解，并且構(gòu)成說明書的一部分，與下面的具 體實施方式一起用于解釋本發(fā)明，但并不構(gòu)成對本發(fā)明的限制。在附圖中：
[0019] 圖1是根據(jù)本發(fā)明實施方式的Μ0Α健康管理和故障預(yù)測方法流程圖；
[0020] 圖2是根據(jù)本發(fā)明優(yōu)選實施方式的Μ0Α健康管理和故障預(yù)測方法流程圖；
[0021] 圖3是根據(jù)本發(fā)明實施方式的Μ0Α訓(xùn)練知識庫結(jié)構(gòu)示意圖；
[0022] 圖4是根據(jù)本發(fā)明實施方式的Μ0Α測試知識庫結(jié)構(gòu)示意圖；
[0023] 圖5A_f5D是根據(jù)本發(fā)明實施方式的各個宏觀狀態(tài)分析推理模塊的訓(xùn)練、測試以及 輸出示意圖；
[0024] 圖6是根據(jù)本發(fā)明實施方式的Μ0Α健康管理和故障預(yù)測模型的輸入輸出示意圖； 以及
[0025] 圖7是根據(jù)本發(fā)明實施方式的Μ0Α健康管理和故障預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。
【具體實施方式】
[0026] 以下結(jié)合附圖對本發(fā)明的【具體實施方式】進行詳細說明。本發(fā)明的實施方式中采用 基于分布式的支持向量機，以LIBSVM軟件包的應(yīng)用為例對本發(fā)明的原理進行說明。應(yīng)當(dāng)理 解的是，此處所描述的【具體實施方式】僅用于說明和解釋本發(fā)明，并不用于限制本發(fā)明，例如 本發(fā)明所提供的原理也可以通過人工神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。
[0027] 圖1是根據(jù)本發(fā)明實施方式的Μ0Α健康管理和故障預(yù)測方法流程圖。如圖1所示， 本發(fā)明提供的一種Μ0Α健康管理和故障預(yù)測方法，該方法可以包括：S100,建立Μ0Α健康管 理和故障預(yù)測模型，該Μ0Α健康管理和故障預(yù)測模型以Μ0Α特征參數(shù)數(shù)據(jù)為輸入、以Μ0Α的 健康狀態(tài)為輸出；S102,統(tǒng)計與各種Μ0Α的健康狀態(tài)相關(guān)的運行數(shù)據(jù)，并基于統(tǒng)計的運行數(shù) 據(jù)構(gòu)建訓(xùn)練知識庫；S104,利用所述訓(xùn)練知識庫中存儲的數(shù)據(jù)對所述Μ0Α健康管理和故障 預(yù)測模型進行訓(xùn)練；以及S106,將實時測量的Μ0Α特征參數(shù)數(shù)據(jù)輸入已訓(xùn)練的Μ0Α健康管 理和故障預(yù)測模型，獲得Μ0Α的健康狀態(tài)。
[0028] 通過上述技術(shù)方案，利用統(tǒng)計的反映各種Μ0Α的健康狀態(tài)的運行數(shù)據(jù)對Μ0Α健康 管理和故障預(yù)測模型訓(xùn)練，而后將實時的Μ0Α特征參數(shù)數(shù)據(jù)輸入已訓(xùn)練的Μ0Α健康管理和 故障預(yù)測模型，能夠獲得準確Μ0Α的健康狀態(tài)，為Μ0Α維護提供依據(jù)。
[0029] 圖2是根據(jù)本發(fā)明優(yōu)選實施方式的Μ0Α健康管理和故障預(yù)測方法流程圖。在圖2 中清楚地示出了如何利用訓(xùn)練知識庫中的數(shù)據(jù)對Μ0Α健康管理和故障預(yù)測模型進行訓(xùn)練， 從而確定Μ0Α健康管理和故障預(yù)測模型中的模型參數(shù)。當(dāng)模型參數(shù)確定后，該Μ0Α健康管 理和故障預(yù)測模型將可以用于對實時的Μ0Α特征參數(shù)進行模型運算，并預(yù)期將獲得準確的 Μ0Α故障預(yù)測結(jié)果。
[0030] 在實施方式中，Μ0Α健康管理和故障預(yù)測模型可以包括多個推理模塊，例如Μ0Α故 障宏觀狀態(tài)推理模塊、Μ0Α老化宏觀狀態(tài)推理模塊、Μ0Α受潮宏觀狀態(tài)推理模塊、以及Μ0Α污 穢宏觀狀態(tài)推理模塊。上述各個推理模塊的劃分或設(shè)定可以根據(jù)Μ0Α的健康狀態(tài)包括的以 下健康指標(biāo):Μ0Α故障、Μ0Α受潮、Μ0Α老化、Μ0Α污穢。雖然利用一個LIBSVM軟件包就能夠 實現(xiàn)對上述Μ0Α的各個健康指標(biāo)的判斷，然而更優(yōu)選的是利用多個LIBSVM軟件包以分布式 的方式對每個健康指標(biāo)進行判斷，這樣能夠提高運算效率，使得本發(fā)明實施方式提供的方 法更加適用于實時工況。其中，每個健康指標(biāo)可以包含多個等級，例如對于故障指標(biāo)可以包 含：無故障、輕微故障、故障、失效。這樣能夠為設(shè)備維護人員提供更為詳細的預(yù)測結(jié)果。
[0031] 其中，利用LIBSVM軟件包分別建立四個Μ0Α狀態(tài)推理子模塊的過程可以為：1)按 照LIBSVM軟件包所要求的格式準備訓(xùn)練和測試數(shù)據(jù)集（或知識庫）；