【《变电站检修中二次设备评估方法分析概述》2800字】

变电站检修中二次设备评估方法分析概述设备状态评估是电力变电站检修的基础，主要根据设备巡检数据、在线监测数据、设备家族缺陷等数据建立二次设备评估数据集，对数据进行处理后依据科学合理的设备评估模型对设备运行状态进行评估。根据评估结果，再制定后续的设备检修工作安排。因此，二次设备状态评估效果的好坏直接影响到电力网络状态检修工作能否较好完成，也影响电力二次设备管理水平。二次设备中电子元器件多结构复杂，这样的特性导致了二次设备故障发生的不确定性、复杂性和随机性，设备的状态评价难度大。目前对二次设备的评估大多专注于模糊性和测度理论，通过对二次设备历史运行记录和运维人员巡检记录以及设备实时监测数据进行信息挖掘，再利用模糊理论、灰色理论、隶属度函数等方法对设备状态进行分析评估[37-41]。当下设备评估领域，各类方法繁多，均取得了不同程度的成功，推动了电力检修行业的发展。二次设备作为电力网络的重要部分，研究出一种科学、有效、高精度的评估方法是状态检修的发展趋势。目前在评估、诊断、预测等领域应用较多的方法有：模糊推理、粗糙集理论、神经网络等[42,43]。(1)模糊集理论LotfaliAskarZadeh于1965年在《信息和控制》杂志上的一篇著名论文和一本名为《系统理论》的书中的一章中首次引入了模糊集和系统[44]。但是，在他之前，马克斯·布莱克(MaxBlack)是第一个在1937年提出类似想法的人：模糊性(Vagueness)。逻辑分析练习，是《科学哲学》[45]一章的标题。1952年，斯蒂芬·科尔·克莱因(StephenColeKleene)出版了《超数学概论》，几乎提到了同样的想法。同样的想法出现在亚伯拉罕·罗宾逊的书中关于模型理论和代数超数学的简介，于1963年出版。但是，LotfiA.Zadeh是1965年完成所有之前研究的人，从那时起，模糊集理论就为世界上许多研究人员提出了取之不尽用之不竭的研究课题。模糊集合评价方法具有操作方便，评价结果清晰的特点，得到了电力系统设备评价的广泛应用。模糊集理论将需要评价的对象及它的相关概念替换成一个模糊集合，再利用其核心隶属度函数对其进行运算分析[46]。这样的评价结果不是绝对的，而是用一个模糊集合来替代。采取模糊集理论进行评估的时候，会根据隶属度函数，将评价结果区间分为不同等级，一般取用高斯隶属度函数，公式如下： (2-12)模糊集评价方法步骤如下：1)第一步，对待评价目标进行分析，筛选出对评价目标影响较大的评价因素，建立指标集；2)第二步，利用模糊数学根据指标集与评语集的联系，建立模糊评判矩阵；3)第三步，利用权重矩阵和隶属度矩阵模糊运算，求解评价目标的状态评价向量，依从最大隶属度原则给出最终的评价结果。(2)贝叶斯网络法状态检修里通常随机存在许多不确定性因素，贝叶斯网络法是一种基于历史信息、实时信息和预测信息进行状态综合评估的一种模型[47]。贝叶斯网络可以理解为对不同结果概率之间的描绘，可以表示成有方向的节点图。其内节点是任意变量，节点圆中表达了父子节点间的概率联系。所以想要了解一个系统的概率联合分布，只需要知道贝叶斯网络概率分布和树图拓扑。运用贝叶斯网络过程其实为概率求解[48,49]。图2.4.1为基础的贝叶斯网络。图2.4.1贝叶斯网络若图2.4.1为某个可靠性系统，为根节点，表征设备模块状态的变量，为某些元件组合后的局部综合状态，代表着系统综合状态。状态量为“0”的时候代表设备在正常运行，“1”为设备故障状态。的先验概率分布为。第二层具有条件概率，代表节点在父节点条件下的概率。图2.4.1表示了联合概率分布: (2-13)系统出现故障的概率： (2-14)若设备出现某个故障，可以根据现有故障，推理其余节点的故障几率： (2-15)也就是说，当系统发生故障时，可通过后向推理判断原件对系统影响的大小。凭借故障概率发生的大小，就能定位到系统最脆弱部位。(3)神经网络人工神经网络(ANN)是仿照人类大脑的架构而建立的一种计算模型，属于非线性系统[50]。系统中含有大量的非线性单元，对数据的运算能力很强。神经网络可以通过迭代的方式完成对函数的拟合，这种方法在变压器状态评估中被大量运用。和常规专家系统相比较时，神经网络方法具有以下优势：鲁棒性好、准确率高以及自学习能力强[51]。以BP神经网络为例，图2.4.2为其网络结构。图2.4.2三层BP神经网络模型图中可见，此BP神经网络为三层结构，分别为输入、输出层和隐含层。中间的隐含层层数可以根据需要设定，最少一层即可。每层神经元之间不存在连接，而相邻层之间各个神经元都是全连接的。BP网络的原理如下：将一组数据从输入端传入BP网络，神经元受到刺激后沿着中间隐含层一层一层的传递，最终到达输出层，完成一次正向传播；随后比较实际输出和真实值的大小计算误差，以输出层为起点，以降低误差为目标反方向通过BP网络各层，并调整各层各节点权重和阈值，最终到达输入层完成反向传输，这就是一次完整的BP神经网络算法实现。伴随各层各神经元参数的不断调整，最终输出的结果与实际值的误差会越来越小，当满足误差条件后，即完成了对输入输出之间的函数拟合。BP算法的过程如图2.4.3。图2.4.3BP算法过程神经网络其网络结构简单，参数可调，训练难度较低，运用较为广泛。但是网络输入的数据需要须先处理，需要人工对数据进行打分，评分也没有统一标准，所以较容易受到主观因素影响。神经网络在电力设备评估应用中主要存在以下难点：1)网络的性能准确度取决于数据样本的优劣，所以对数据和经验的要求较高；2)对于神经网络在样本训练的过程中收敛速度无法保证，容易陷入局部最小；3)整个训练的过程包括最终的结果为非线性过程，最终无法用表象解释[52]。(4)证据理论证据理论又称D-S证据理论，由Dempster于上世纪60年代提出[53]。证据理论可以描述不确定性知识，将模糊问题转化为集合的模糊问题，对比贝叶斯网络法对较弱的概率有更好的适应性，对于模糊问题能够直接表达，比较接近人的思维方式。很多学者将其应用于电力系统评估中，取得了不错的效果。D-S证据理论的相关概念如下：1)识别框架假设存在某个待判断的事件，存在的全部可能出现的结果用集合表示：中每个元素都相互独立，不会出现两个元素同时发生的情况。称为识别框架。全部子集组合结果为其幂集：2)信度分配函数(BasicProbabilityAssignment,BPA)设上的映射为，为的子集，当符合如下公式： (2-16)则是识别框架的信度函数，若事件的BPA为，表示证据对事件的支持度。3)信任函数(BeliefFunction,Bel)信任函数是幂集在上的映射，若的任意子集符合： (2-17)则为的信任函数，其代表证据为真的倾向性。4)似然函数(PlausibilityFunction,Pl)似然函数也为幂集在上的映射，若的任意子集符合式(2-18)： (2-18)则称是的似然函数，代表不反对为真的程度。和的关系如图2.4.4所示。图2.4.4信息关系表示当前，国内外学者采用证据理论融合多类数据，对多指标参数进行设备分析，得到的评估等级对应不同的状态检修策略。证据理论对于不同来源的证据进行评估非常适用，但缺点在于：一、不同数据的相对权重需要行业专家来确定，客观性较弱；二、评估需要的数据之间