[发明专利]考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统

说明书

本发明公开了一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，其包括步骤：(1)采集电力设备的PRPS图谱数据并对其进行预处理；(2)基于经过预处理的PRPS图谱数据提取局部放电特征；(3)将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值P(D_k)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出电力设备在D_k的条件下发生故障的概率P(F|D_k)；(4)基于下述公式获得电力设备的最终故障概率P(F)：此外，本发明还公开了一种电力设备故障概率预测系统。

技术领域

本发明涉及电力系统中的故障预测方法及系统，尤其涉及一种电力设备故障概率预测方法及系统。

背景技术

气体绝缘组合电器(GIS)被广泛应用在电力系统中，其内部结构复杂，发生故障后检修难度大，容易造成重大损失。GIS设备的故障原因多样，主要以绝缘缺陷为主，并伴有局部放电。依据局部放电信号分析其缺陷的严重程度，并进行风险评估，再根据评估结果进行有效预警，制定合理的检修策略，对保证设备的安全可靠运行具有重要意义。风险评估模型是结合概率对设备故障后可能产生的后果进行预测评估的模型。风险计算为设备故障率与设备故障后果的乘积。

随着局放带电检测技术的推广应用，变电站现场产生了大量的局部放电检测数据。可利用大数据平台积累的检测数据，对设备风险进行更准确的评估。当前国内外对风险评估的主要研究方向包括构建合理的评估模型和计算GIS设备故障率。然而，针对GIS设备进行风险评估或故障概率计算的研究较少。对输变电设备故障率的计算方法包括概率图模型、通过假设故障概率满足某种分布特征或状态量之间存在某种关联转移、利用实验数据进行建模预测等。

基于此，期望获得一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，该方法可以考虑绝缘缺陷类别与设备故障的关联性，从而获得更为准确的故障概率，适用于大数据平台下的工程应用。

发明内容

本发明的目的之一是提供一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，该电力设备故障概率预测方法可以考虑绝缘缺陷类别与设备故障的关联性，通过对经过预处理的PRPS图谱数据提取其局部放电特征，随后采用卷积神经网络对局部放电特征进行缺陷分类，利用长短时记忆神经网络预测电力设备的条件故障率，并根据条件故障率获得电力设备的最终故障率。该电力设备故障概率预测方法由于基于数据驱动，避免了人工假设故障概率分布或构造状态量关联性，并且由于根据神经网络模型直接得到故障概率，因而，具有一定鲁棒性。另外，该电力设备故障概率预测方法可以针对不同局部放电类别进行故障概率预测，提升了概率预测效果，非常适用于GIS设备的风险评估。

根据上述发明目的，本发明提出一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，其包括步骤：

(1)采集电力设备的PRPS图谱数据并对其进行预处理；

(2)基于经过预处理的PRPS图谱数据提取局部放电特征；

(3)将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值P(D_k)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出电力设备在D_k的条件下发生故障的概率P(F|D_k)；

(4)基于下述公式获得电力设备的最终故障概率P(F)：