CN109191011A - 一种基于Apriori算法的直流套管状态评估方法及装置 - Google Patents
一种基于Apriori算法的直流套管状态评估方法及装置 Download PDFInfo
- Publication number
- CN109191011A CN109191011A CN201811190797.0A CN201811190797A CN109191011A CN 109191011 A CN109191011 A CN 109191011A CN 201811190797 A CN201811190797 A CN 201811190797A CN 109191011 A CN109191011 A CN 109191011A
- Authority
- CN
- China
- Prior art keywords
- bushing
- stage
- data
- characteristic quantity
- quantity data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007547 defect Effects 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 239000012212 insulator Substances 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims 9
- 238000012423 maintenance Methods 0.000 claims 4
- 238000007781 pre-processing Methods 0.000 claims 2
- 230000007257 malfunction Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 24
- 230000008439 repair process Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005502 phase rule Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提供一种基于Apriori算法的直流套管状态评估方法，包括：根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于Apriori算法根据直流套管缺陷故障历史数据确定的。本发明提供的基于Apriori算法的直流套管状态评估方法根据换流变阀侧套管和直流穿墙套管的运行数据，对套管的状态进行评估，从而确定套管目前所处的运行阶段中可能发生的故障模式，从而实现预先提醒或预报可能发生的故障。
Description
技术领域
本发明涉及电力设备技术领域，并且更具体地，涉及一种基于Apriori算法的直流套管状态评估方法及装置。
背景技术
在高压直流输电换流站内，换流变压器(简称换流变)阀侧套管和直流穿墙套管分别连接着换流阀与交流侧线路。换流变阀侧套管和直流穿墙套管处于交直流混合电网换流区的关键位置，运行中任一个发生故障都可直接导致直流闭锁，同时影响交流和直流电网的运行安全。
目前的运检工作中，针对换流变阀侧套管和直流穿墙套管故障做不到预先提醒或预报，只能采用事后紧急处理的方式。
发明内容
针对目前不能预先提醒或预报换流变阀侧套管和直流穿墙套管的故障这一问题，本发明提供一种基于Apriori算法的直流套管状态评估方法，以及时地评估换流变阀侧套管和直流穿墙套管的运行状态，实现预先提醒或预报可能发生的故障。
本发明提供一种基于Apriori算法的直流套管状态评估方法，包括以下步骤：
步骤S10：根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；
步骤S20：根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于Apriori算法根据直流套管缺陷故障历史数据确定的，所述直流套管状态信息包括：套管SF6气体泄漏、套管绝缘子外套电晕放电、套管漏油和套管介质损耗异常。
具体地，所述的方法，
所述运行阶段包括：出厂阶段、投运阶段、返厂维修阶段；
所述特征量数据是实时测量获取的，包括多个反映套管的运行工况的物理量的数值和多个反映套管的环境条件的物理量的数值。
具体地，所述的方法，
所述根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据，包括：
若直流套管处于出厂阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据；
若直流套管处于投运阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据和在投运阶段测试得到的特征量数据；
若直流套管处于返厂维修阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据、在投运阶段测试得到的特征量数据和在出厂阶段测试得到的特征量数据。
具体地，所述的方法，所述预处理所述特征量数据包括：
根据预选确定的各指标阈值，将对于当前的运行阶段，指标正常的特征量数据记录为1；将指标异常的特征量数据记录为0。
具体地，所述的方法，还包括：
根据直流套管缺陷故障历史数据基于Apriori算法确定直流套管状态评估模型的步骤：
收集直流套管的缺陷故障历史数据及预处理所述历史数据，所述直流套管处于以下任一运行阶段：出厂阶段、投运阶段或返厂维修阶段；所述直流套管来自多个换流变压器；
所述缺陷故障历史数据包括：在任一运行阶段所述直流套管对应的特征量数据，在任一运行阶段所述直流套管对应的直流套管状态信息；
将预处理后的所述历史数据分为训练数据和测试数据；
确定在满足设定的支持度阈值和置信度阈值下Apriori算法挖掘所述训练数据得到的强关联规则；
获取人类专家针对所述强关联规则进行修改后确定的修正强关联规则；
将所述修正强关联规则应用于所述测试数据，以确定所述修正强关联规则的覆盖度；
确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。
本发明提供的基于Apriori算法的直流套管状态评估方法根据换流变阀侧套管和直流穿墙套管的运行数据，对套管的状态进行评估，从而确定套管目前所处的运行阶段中可能发生的故障模式，从而实现预先提醒或预报可能发生的故障。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为本发明一个实施例的一种方法的示意图；
图2为本发明一个实施例的一种装置的示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例。
为了提高运检工作的效率，分析故障发生原因，主管部门收集有换流变阀侧套管和直流穿墙套管已经发生过的多种故障的缺陷报告。在缺陷报告(通常，一份报告中涉及至少一个套管故障案例)中，对换流变阀侧套管和直流穿墙套管的运行工况和环境条件进行了总结和分析。
具体地，缺陷报告中涉及到在不同地理区域投入使用的直流套管，也涉及来自不同生产厂家，服役于不同电压级别的直流套管，数据全面，能覆盖到目前使用中的绝大多数直流套管的类型。
需要说明的是，尽管换流变阀侧套管和直流穿墙套管的安装位置不同，具体结构不完全相同，鉴于两者的运行特征和故障模式基本相同，在全文中，将两者统一为“直流套管”。以下论述中凡涉及到“直流套管”的描述或说明，可以认为均适用于换流变阀侧套管和直流穿墙套管。
以下列表中涉及到的各物理量，或者涉及换流变阀侧套管，或者涉及直流穿墙套管，或者两者都涉及。本领域技术人员可以分辨和确认，这里不再赘述。
分析套管故障案例可知，引发套管内部绝缘故障的原因众多，如套管内部过热、局部放电、气压降低、机械损坏、受潮等均会造成套管故障，且多种因素相互影响，进行套管状态评估和故障诊断的难度很大。
另一方面，目前，智能电网已经可以支持在运行现场实时或周期地测量设备的运行数据，这些数据可以直接的或者经过处理后作为设备运行状态评估或故障诊断的特征量。如，可以获得直流套管的以下运行数据：套管介质损耗因数、电容量、内部气体分解等。这些运行数据可以作为进行套管状态评估的数据来源和基础。
如图1所示，本发明一个实施例提供的基于Apriori算法的直流套管状态评估方法，包括以下步骤：
步骤S10：根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；
步骤S20：根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于Apriori算法根据直流套管缺陷故障历史数据确定的，所述直流套管状态信息包括：套管SF6气体泄漏、套管绝缘子外套电晕放电、套管漏油和套管介质损耗异常。
该基于Apriori算法的直流套管状态评估方法通过机器学习和专家经验来预先估计换流变阀侧套管或直流穿墙套管这两类设备的运行状态，应用融合了人类专家知识和历史运行数据的套管状态评估模型对套管运行状态进行评估，可以保证评估的结论是可信和有效的。
该基于Apriori算法的直流套管状态评估方法为及时应对故障提供了必要的技术支持，可有效辅助交流和直流电网运检工作，有助于保证安全运行；也可以汲取电力生产事故教训，防范同类事故再次发生，提高电网安全生产水平。
应该理解为直流套管状态信息，也即参与训练的故障模式包括套管SF6气体泄漏、套管SF6微水含量异常、套管绝缘子外套电晕放电、套管绝缘子外套外部闪络、套管漏油、套管内部放电、套管载流连接部件异常发热、套管介质损耗异常等。
具体地，所述的方法中，所述运行阶段包括：出厂阶段、投运阶段、返厂维修阶段；所述特征量数据是实时测量获取的，包括多个反映套管的运行工况的物理量的数值和多个反映套管的环境条件的物理量的数值。
具体地，所述的方法，所述根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据，包括：
若直流套管处于出厂阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据；
若直流套管处于投运阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据和在投运阶段测试得到的特征量数据；
若直流套管处于返厂维修阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据、在投运阶段测试得到的特征量数据和在出厂阶段测试得到的特征量数据。
具体地，所述的方法，所述预处理所述特征量数据包括：
根据预选确定的各指标阈值，将对于当前的运行阶段，指标正常的特征量数据记录为1；将指标异常的特征量数据记录为0。
具体地，所述的方法，还包括：
根据直流套管缺陷故障历史数据基于Apriori算法确定直流套管状态评估模型的步骤：
收集直流套管的缺陷故障历史数据及预处理所述历史数据，所述直流套管处于以下任一运行阶段：出厂阶段、投运阶段或返厂维修阶段；所述直流套管来自多个换流变压器；
所述缺陷故障历史数据包括：在任一运行阶段所述直流套管对应的特征量数据，在任一运行阶段所述直流套管对应的直流套管状态信息；
将预处理后的所述历史数据分为训练数据和测试数据；
确定在满足设定的支持度阈值和置信度阈值下Apriori算法挖掘所述训练数据得到的强关联规则；
获取人类专家针对所述强关联规则进行修改后确定的修正强关联规则；
将所述修正强关联规则应用于所述测试数据，以确定所述修正强关联规则的覆盖度；
确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。
该基于基于Apriori算法的直流套管状态评估方法将缺陷报告中的故障原因、故障征兆、故障程度等缺陷数据结构化，经过数据挖掘，形成能够表征直流套管的特征量数据与故障模式之间的强关联规则，经过人类专家修正，以及测试验证，使得最终形成的直流套管状态评估模型的覆盖度稿，规则有效，规则的规模适当，便于后续进行处于不同运行阶段中的直流套管的状态评估，确定直流套管的状态信息。
如图2所示，本发明一个实施例的基于Apriori算法的直流套管状态评估装置，包括：
特征量数据获取模块100，用于：
根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；
直流套管状态信息确定模块200，用于：
根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于Apriori算法根据直流套管缺陷故障历史数据确定的，所述直流套管状态信息包括：套管SF6气体泄漏、套管绝缘子外套电晕放电、套管漏油和套管介质损耗异常。
具体地，所述的装置中，所述运行阶段包括：出厂阶段、投运阶段、返厂维修阶段；所述特征量数据是实时测量获取的，包括多个反映套管的运行工况的物理量的数值和多个反映套管的环境条件的物理量的数值。
具体地，所述的装置中，所述特征量数据获取模块100，具体用于：
若直流套管处于出厂阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据；
若直流套管处于投运阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据和在投运阶段测试得到的特征量数据；
若直流套管处于返厂维修阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据、在投运阶段测试得到的特征量数据和在出厂阶段测试得到的特征量数据。
具体地，所述的装置中，所述特征量数据获取模块100，具体还用于：
根据预选确定的各指标阈值，将对于当前的运行阶段，指标正常的特征量数据记录为1；将指标异常的特征量数据记录为0。
具体地，所述的装置，还包括：
直流套管状态评估模型确定模块300，用于根据直流套管缺陷故障历史数据基于Apriori算法确定直流套管状态评估模型：
收集直流套管的缺陷故障历史数据及预处理所述历史数据，所述直流套管处于以下任一运行阶段：出厂阶段、投运阶段或返厂维修阶段；所述直流套管来自多个换流变压器；
所述缺陷故障历史数据包括：在任一运行阶段所述直流套管对应的特征量数据，在任一运行阶段所述直流套管对应的直流套管状态信息；
将预处理后的所述历史数据分为训练数据和测试数据；
确定在满足设定的支持度阈值和置信度阈值下Apriori算法挖掘所述训练数据得到的强关联规则；
获取人类专家针对所述强关联规则进行修改后确定的修正强关联规则；
将所述修正强关联规则应用于所述测试数据，以确定所述修正强关联规则的覆盖度；
确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。
该基于Apriori算法的直流套管状态评估装置与该基于Apriori算法的直流套管状态评估方法的技术方案相同，技术效果相同，这里不再赘述。
以下结合具体数据详细地说明以上方法和装置。
直流套管(直流穿墙套管和换流变阀侧套管)的全生命周期大致为出厂阶段、投运阶段和返厂维修这3个阶段。在各阶段中，都具备获取套管运行数据的渠道和因此而获取的运行数据。
具体地，在出厂阶段，通过套管出厂试验或交接试验测得运行数据；在投运阶段，由智能电网设备获取套管在带电运行状态的运行数据及现场停电状态下的运行数据(如表1及表2所示)；在返厂维修阶段，在工厂试验台上获取运行数据(如表3所示)。
表1投运阶段套管带电运行状态下获取运行数据的方法
| 紫外电晕分析 |
| 测量端子电压分析 |
| 红外温度分析 |
| SF6气体压力分析 |
| 外部渗漏油分析 |
| 主设备油色谱分析 |
| 直流穿墙套管状态监测报警和保护动作分析 |
| 平抗状态监测报警和保护动作分析 |
| 换流变状态监测报警和保护动作分析 |
表2投运阶段套管停电运行状态下获取运行数据的方法
| 外观检查分析 |
| 套管绝缘子外套内部检查 |
| 套管拆除后油中部分检查 |
| 套管拆除后直流电阻测量 |
| 主设备绕组电阻分析 |
| 套管介质损耗因数分析 |
| 套管末屏介质损耗因数分析 |
| 套管电容量分析 |
| 套管绝缘电阻分析 |
| 主设备油色谱分析 |
| SF6泄漏率分析 |
| SF6气体分析 |
表3故障(缺陷)套管返厂后获取运行数据的方法
| 局部放电PRPD谱图特征分析 |
| 套管直流电阻分析 |
| 套管直流电阻分析 |
| 介电频谱分析 |
| 介质损耗因数分析 |
| 电容量的测试分析 |
| 放电类型分析 |
从这些运行数据中，可以提取套管的特征量数据，包括出厂时的套管电容量和套管介质损耗因数、投运阶段带电运行状态下的各特征量、投运阶段现场停电状态下的各特征量、故障(缺陷)套管返厂后的各特征量。套管处于不同运行阶段的各特征量如表4所示。
表4套管处于不同运行阶段的各特征量
具体实施时，整理故障缺陷报告以及相关试验数据和缺陷/故障模型以收集数据；对收集的数据进行如下的预处理：将缺陷/故障案例数据离散化，若某一项套管运行状态的指标异常，则离散化为“1”；如果指标正常，则离散化为“0”。
鉴于套管3个阶段涉及到的数据量很大，采用“1”“0”这种定性而非定量的数据预处理方式，可以减少数据量，在后续挖掘过程中，加快规则挖掘的速度；另一方面，这种离散化的方式使得特征量的取值只有两个状态，有利于进一步减少数据量。
另一方面，采用“1”“0”这种两种状态的方式来处理数据，也同时实现了归一化。在进行数据驱动的建模及模型训练时，没有规则的数据训练出来的规则会因为数据的量纲不同、数据的数量级差异较大，而出现多种规则，不利于模型训练。通过对输入数据或输出数据做归一化处理，处理后的训练结果的聚合度更好，训练得到的规则更紧密些，训练结果也更有意义。
表5中给出了将套管的特征量的值与指标的阈值比较后得到的归一化结果的示例。
表5套管运行状态的指标及归一化示例
将预处理后的数据分为两部分，其中一部分占总数据量的70％，作为训练集；剩下的30％的那部分作为测试集。
设定最小置信度阈值，采用Apriori算法挖掘套管运行的特征量与故障(缺陷)模式之间的强规则。采用Apriori算法挖掘得到强规则的方法，为本领域技术人员所公知，这里不再赘述。
进一步地，由人类专家确认形成的关联规则的有效性。具体实施时，对于小于40％支持度的关联规则，人类专家根据业务场景和经验确认是保留还是删除。
经过人类专家确定有效的关联规则可能存在一定的冗余规则，为了进一步优化状态评估模型，利用测试集对人类专家确定有效的关联规则进行测试验证。
具体地，将人类专家确定有效的关联规则应用到测试集中，以确定人类专家确定有效的关联规则的覆盖度；并确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。
最终确定的作为直流套管状态评估模型的强规则如表6所示。
表6规则挖掘结果
综上，本发明以套管运行的特征量为自变量，以故障(缺陷)模式作为因变量，采用规则挖掘算法，挖掘频繁项集，并利用最小置信度和最小支持度的阈值过滤，形成高置信度的强规则。
以上已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
Claims (10)
1.一种基于Apriori算法的直流套管状态评估方法，其特征在于，包括以下步骤：
步骤S10：根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；
步骤S20：根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于Apriori算法根据直流套管缺陷故障历史数据确定的，所述直流套管状态信息包括：套管SF6气体泄漏、套管绝缘子外套电晕放电、套管漏油和套管介质损耗异常。
2.根据权利要求1所述的方法，其特征在于，
所述运行阶段包括：出厂阶段、投运阶段、返厂维修阶段；
所述特征量数据是实时测量获取的，包括多个反映套管的运行工况的物理量的数值和多个反映套管的环境条件的物理量的数值。
3.根据权利要求2所述的方法，其特征在于，
所述根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据，包括：
若直流套管处于出厂阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据；
若直流套管处于投运阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据和在投运阶段测试得到的特征量数据；
若直流套管处于返厂维修阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据、在投运阶段测试得到的特征量数据和在出厂阶段测试得到的特征量数据。
4.根据权利要求1所述的方法，其特征在于，所述预处理所述特征量数据包括：
根据预选确定的各指标阈值，将对于当前的运行阶段，指标正常的特征量数据记录为1；将指标异常的特征量数据记录为0。
5.根据权利要求1所述的方法，其特征在于，还包括：
根据直流套管缺陷故障历史数据基于Apriori算法确定直流套管状态评估模型的步骤：
收集直流套管的缺陷故障历史数据及预处理所述历史数据，所述直流套管处于以下任一运行阶段：出厂阶段、投运阶段或返厂维修阶段；所述直流套管来自多个换流变压器；
所述缺陷故障历史数据包括：在任一运行阶段所述直流套管对应的特征量数据，在任一运行阶段所述直流套管对应的直流套管状态信息；
将预处理后的所述历史数据分为训练数据和测试数据；
确定在满足设定的支持度阈值和置信度阈值下Apriori算法挖掘所述训练数据得到的强关联规则；
获取人类专家针对所述强关联规则进行修改后确定的修正强关联规则；
将所述修正强关联规则应用于所述测试数据，以确定所述修正强关联规则的覆盖度；
确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。
6.一种基于Apriori算法的直流套管状态评估装置，其特征在于，包括：
特征量数据获取模块，用于：
根据直流套管所处的运行阶段，收集所述直流套管对应的特征量数据并预处理所述特征量数据；
直流套管状态信息确定模块，用于：
根据预先确定的直流套管状态评估模型，确定与所述预处理后的直流套管的特征量数据对应的直流套管状态信息，所述直流套管状态评估模型是基于Apriori算法根据直流套管缺陷故障历史数据确定的，所述直流套管状态信息包括：套管SF6气体泄漏、套管绝缘子外套电晕放电、套管漏油和套管介质损耗异常。
7.根据权利要求1所述的装置，其特征在于，
所述运行阶段包括：出厂阶段、投运阶段、返厂维修阶段；
所述特征量数据是实时测量获取的，包括多个反映套管的运行工况的物理量的数值和多个反映套管的环境条件的物理量的数值。
8.根据权利要求7所述的装置，其特征在于，
所述特征量数据获取模块，具体用于：
若直流套管处于出厂阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据；
若直流套管处于投运阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据和在投运阶段测试得到的特征量数据；
若直流套管处于返厂维修阶段，则收集所述直流套管在出厂阶段测试得到的特征量数据、在投运阶段测试得到的特征量数据和在出厂阶段测试得到的特征量数据。
9.根据权利要求6所述的装置，其特征在于，
所述特征量数据获取模块，具体还用于：
根据预选确定的各指标阈值，将对于当前的运行阶段，指标正常的特征量数据记录为1；将指标异常的特征量数据记录为0。
10.根据权利要求6所述的装置，其特征在于，还包括：
直流套管状态评估模型确定模块，用于根据直流套管缺陷故障历史数据基于Apriori算法确定直流套管状态评估模型：
收集直流套管的缺陷故障历史数据及预处理所述历史数据，所述直流套管处于以下任一运行阶段：出厂阶段、投运阶段或返厂维修阶段；所述直流套管来自多个换流变压器；
所述缺陷故障历史数据包括：在任一运行阶段所述直流套管对应的特征量数据，在任一运行阶段所述直流套管对应的直流套管状态信息；
将预处理后的所述历史数据分为训练数据和测试数据；
确定在满足设定的支持度阈值和置信度阈值下Apriori算法挖掘所述训练数据得到的强关联规则；
获取人类专家针对所述强关联规则进行修改后确定的修正强关联规则；
将所述修正强关联规则应用于所述测试数据，以确定所述修正强关联规则的覆盖度；
确定所述修正强关联规则中覆盖度不低于预先设定值的强规则为直流套管状态评估模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811190797.0A CN109191011A (zh) | 2018-10-12 | 2018-10-12 | 一种基于Apriori算法的直流套管状态评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811190797.0A CN109191011A (zh) | 2018-10-12 | 2018-10-12 | 一种基于Apriori算法的直流套管状态评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109191011A true CN109191011A (zh) | 2019-01-11 |
Family
ID=64948308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811190797.0A Pending CN109191011A (zh) | 2018-10-12 | 2018-10-12 | 一种基于Apriori算法的直流套管状态评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109191011A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114454A (zh) * | 2023-10-25 | 2023-11-24 | 南京中鑫智电科技有限公司 | 一种基于Apriori算法的直流套管状态评估方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120173301A1 (en) * | 2011-01-04 | 2012-07-05 | International Business Machines Corporation | System and method for failure association analysis |
| CN106022950A (zh) * | 2016-05-06 | 2016-10-12 | 中国电力科学研究院 | 一种配电网二次设备类型识别方法及系统 |
| CN106526352A (zh) * | 2016-09-30 | 2017-03-22 | 中国电力科学研究院 | 一种确定电力变压器故障类型的方法和系统 |
| CN107862459A (zh) * | 2017-11-10 | 2018-03-30 | 国网浙江省电力公司电力科学研究院 | 一种基于大数据的计量设备状态评估方法及系统 |
-
2018
- 2018-10-12 CN CN201811190797.0A patent/CN109191011A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120173301A1 (en) * | 2011-01-04 | 2012-07-05 | International Business Machines Corporation | System and method for failure association analysis |
| CN106022950A (zh) * | 2016-05-06 | 2016-10-12 | 中国电力科学研究院 | 一种配电网二次设备类型识别方法及系统 |
| CN106526352A (zh) * | 2016-09-30 | 2017-03-22 | 中国电力科学研究院 | 一种确定电力变压器故障类型的方法和系统 |
| CN107862459A (zh) * | 2017-11-10 | 2018-03-30 | 国网浙江省电力公司电力科学研究院 | 一种基于大数据的计量设备状态评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李志超 等: ""基于集对分析和综合赋权的电力变压器套管绝缘状态评估"", 《高压电器》 * |
| 黄灿 等: ""基于气象数据挖掘的输变电设备故障预警"", 《新型工业化》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114454A (zh) * | 2023-10-25 | 2023-11-24 | 南京中鑫智电科技有限公司 | 一种基于Apriori算法的直流套管状态评估方法及系统 |
| CN117114454B (zh) * | 2023-10-25 | 2024-01-23 | 南京中鑫智电科技有限公司 | 一种基于Apriori算法的直流套管状态评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Induction motor fault diagnosis based on neuropredictors and wavelet signal processing | |
| CN111008485B (zh) | 基于神经网络的三相交流异步电机多参数寿命预测方法 | |
| CN111898092A (zh) | 一种电缆运行状态评估决策分析方法及系统 | |
| CN1862278A (zh) | 预测电动机剩余寿命的方法和系统 | |
| CN117420380A (zh) | 一种配电网故障预警、处置方法及系统 | |
| CN110727662A (zh) | 基于相关性分析的低压台区用户相位识别方法和系统 | |
| CN103513125A (zh) | 一种220kv级以上变压器一体化智能诊断系统及其方法 | |
| Hajian-Hoseinabadi et al. | Availability, reliability, and component importance evaluation of various repairable substation automation systems | |
| CN106646014A (zh) | 变压器故障诊断方法 | |
| CN113779005B (zh) | 一次设备的缺陷评估方法和装置、存储介质 | |
| KR102260550B1 (ko) | 운전 중인 전력설비 내부 전기회로정수 측정에 의한 설비 건전상태 감시 방법 | |
| CN112305319A (zh) | 一种用于在线监测换流变压器阀侧套管参数的方法和系统 | |
| Hernandez et al. | Selecting a condition monitoring system for enhancing effectiveness of power transformer maintenance | |
| CN114841617A (zh) | 一种设备健康状态获取方法和装置 | |
| CN105095621A (zh) | 一种变压器在线运行状态评价方法 | |
| CN109191011A (zh) | 一种基于Apriori算法的直流套管状态评估方法及装置 | |
| Rajabimendi et al. | A hybrid algorithm based on neural-fuzzy system for interpretation of dissolved gas analysis in power transformers | |
| Chang et al. | Fuzzy theory-based partial discharge technique for operating state diagnosis of high-voltage motor | |
| Mokhlis et al. | Fault location estimation for distribution system using simulated voltage sags data | |
| Montanari | Envisaging links between fundamental research in electrical insulation and electrical asset management | |
| Tippannavar et al. | Smart transformer-An analysis of recent technologies for monitoring transformer | |
| Abu-Siada et al. | Fuzzy logic approach for power transformer asset management based on dissolved gas-in-oil analysis | |
| KR102419753B1 (ko) | 운전 중인 전력설비 내부 전기회로정수 측정에 의한 설비 건전상태 감시 방법 | |
| Elmabrouk et al. | Diagnosis of power transformer faults using fuzzy logic techniques based on IEC ratio method | |
| KR20240006293A (ko) | 초저주파 측정데이터 기반 케이블 진단 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |