[发明专利]电力设备运维方法

说明书

技术领域

本发明涉及电力系统技术领域，特别是涉及一种电力设备运维方法。

背景技术

电力设备的运维工作，是保证设备正常运行重要措施之一，而如何在合适的运维周期内针对电力设备开展哪种类型的运维工作，提高运维的准确性、降低资源浪费，提高工作效率低是运维过程的重点与难点。

目前，在电力设备运维技术中，运维的类型和周期是根据历史经验总结、人为判断、固定的；例如，对某种设备的运维方法为固定为“一月一次巡视”，这种方式无法反映当前电力设备的真实状态，容易造成欠运维或过度运维的情况，无法及时发现缺陷或造成资源的浪费，运维的效率低。

发明内容

基于此，有必要针对现有的运维技术效率低的问题，提供一种效率更高的电力设备运维方法。

一种电力设备运维方法，包括如下步骤：

建立运维模型，所述运维模型中包括设备综合性能指标及运维周期之间的对应关系；

读取当前电力设备的设备状态数据，并根据设备状态评估标准计算设备状态指标；

读取电网运行状态数据，并根据电网安全风险评估标准计算电网安全风险值；

根据所述设备状态数据及预设的运维信息对应表确定对应的运维类型；其中，运维信息对应表为运维类型与设备状态数据之间的对应表；

根据所述设备状态指标和电网安全风险值计算电力设备当前的设备综合性能指标；

根据所述设备综合性能指标及运维模型选择对应的运维周期；

根据所述运维类型及运维周期对相应的电力设备执行运维操作。

上述电力设备运维方法，通过建立包括设备综合性能指标及运维周期之间的对应关系的运维模型，对运维进行差异化处理，结合了电力设备状态、电网安全风险等因素，进而根据当前电力设备的真实运行状态，基于运维模型确定电力设备运维的类型和周期，运维准确性高，能有效提升现场运维的工作效率，避免产生欠运维和过度运维的问题，确保电网、设备稳定运行。

附图说明

图1为一个实施例的电力设备运维方法流程图。

具体实施方式

下面结合附图对本发明的电力设备运维方法的具体实施方式作详细描述。

图1示出了一个实施例的电力设备运维方法流程图，主要包括如下步骤：

步骤S10：建立运维模型，所述运维模型中包括设备综合性能指标及运维周期之间的对应关系。

具体的，设备综合性能指标由设备状态指标和电网安全风险值计算得到，设备状态指标为x，电网安全风险值为y，设备综合性能指标为z，则设备综合性能指标满足以下公式：

z=f（x，y）

其中，x的值越大，则设备状态越好，y的值越大，则电网安全风险性越低，式中，f为计算设备综合性能指标的函数。

作为一个实施例，计算公式为z=μ·x·y+η，式中，μ和η均为常数，μ和η可以根据实际情况设定。

运维周期是指进行前后两次运维之间的时间间隔，设运维周期为T，则运维周期与设备综合性能指标之间的对应关系可以用以下公式表示：

T=a·z

式中，a为常数值，可以根据实际情况进行设定，其中，z的值越大，则设备综合性能越好，相应的运维周期T的取值就越大。

作为一个实施例，在建立运维模型过程中，基于BP神经网络对给定的运维样本进行训练，获得运维模型的运维周期判断规则；

根据所述运维周期判断规则并采用模糊推理方法对所述运维样本进行处理，获得设备综合性能指标及运维周期之间的对应关系。

具体的，BP神经网络的训练过程如下：

（1）给网络的学习参数进行初始化定义，如设置网络阈值矩阵、初始权值、学习因子η等；

（2）前向传播过程：对于给定的运维周期训练样本输入，计算网络的输出，并与期望输出比较，若满足误差要求，则保存当前权值、阈值矩阵，若不满足误差要求，则转入（3）；

（3）后向传播过程：

①计算同一层单元的误差δ_pj；

②修正权值和阈值；

③返回步骤（2），按新的权值、阈值进行前向传播。

用网络的均方根（RMS）误差来定量地表示学习的性能，则表示如下：