基于群體智能算法的電力設(shè)備現(xiàn)場智能化運維檢修研究

摘要：常規(guī)的電力設(shè)備運維檢修方法以故障特征分析處理為主，但是多源數(shù)據(jù)融合降低了運維檢修效率，不利于智能化運檢場景的應用。因此，文章設(shè)計了基于群體智能算法的電力設(shè)備現(xiàn)場智能化運維檢修方法。此方法基于群體智能算法構(gòu)建電力設(shè)備運維檢修模型，利用狼群、蟻群等群體智能算法，均衡檢修工作量、設(shè)備可靠性、經(jīng)濟性三者之間的關(guān)系，生成最優(yōu)目標函數(shù)。在求解電力設(shè)備智能化運維檢修全局更新參數(shù)時，利用電力設(shè)備現(xiàn)場智能化運維檢修的正反饋方式，尋求運維檢修最優(yōu)解，從而滿足智能化運維檢修需求。通過實例分析，驗證了該方法的運維檢修效率更高，經(jīng)濟性更高并能夠應用于實際生活中。

關(guān)鍵詞：群體智能算法；電力設(shè)備；現(xiàn)場；智能化；運維檢修方法

中圖分類號：TM247.3 文獻標志碼：A

0 引言

電力設(shè)備在變電站和電力系統(tǒng)中起著至關(guān)重要的作用，負責輸配電、電壓變換、保護和控制等功能。這些設(shè)備根據(jù)類別分為發(fā)電與供電2種設(shè)備；根據(jù)性能分為一次與二次2種設(shè)備。一旦這些設(shè)備發(fā)生故障，將會影響電力系統(tǒng)的正常運行。為了提升運維檢修的效果，采用現(xiàn)場智能化運維（通過實時監(jiān)控、自動化管理、預測性維護等）的手段被廣泛應用。但是，在運維檢修的過程中，存在檢修工作量不均衡的問題，影響了運維檢修效果。針對此類問題，研究人員設(shè)計了多種運維檢修方法。

其中，黃簡等［1］提出了基于知識圖譜的電力設(shè)備現(xiàn)場智能化運維檢修方法，主要是利用多知識融合的知識圖譜系統(tǒng)，在電力設(shè)備知識檢索、問答、設(shè)備故障輔助分析等方面實現(xiàn)了智能化并通過知識圖譜融合了多源數(shù)據(jù)，提高了運維檢修效果。該方法在故障缺陷信息分析方面存在優(yōu)勢，但是無法通過歷史信息分析電力設(shè)備的故障類別，降低了運維檢修效率。李智威等［2］提出了基于改進GM（1，1）模型的電力設(shè)備現(xiàn)場智能化運維檢修方法，主要是在傳統(tǒng)GM（1，1）模型基礎(chǔ)上，結(jié)合了灰色預測模型的優(yōu)勢，建立現(xiàn)場智能化運維檢修模型。但是，該方法適用于中長期預測，短期內(nèi)的電力設(shè)備故障難以估計，會影響最終的運維檢修效果。因此，本文結(jié)合了群體智能算法的優(yōu)勢，設(shè)計了電力設(shè)備現(xiàn)場智能化運維檢修方法。

1 電力設(shè)備現(xiàn)場智能化群體智能運維檢修方法設(shè)計

1.1 基于群體智能算法構(gòu)建電力設(shè)備運維檢修模型

群體智能算法是一類基于群體相互協(xié)作和信息共享的算法，包括粒子群、狼群、蟻群等算法。本文根據(jù)電力設(shè)備現(xiàn)場運行情況，選擇狼群、蟻群等群體智能算法，均衡檢修工作量、設(shè)備可靠性以及經(jīng)濟性三者之間的關(guān)系，來生成最優(yōu)的運維檢修目標函數(shù)。首先將電力設(shè)備劃分為幾個部分。然后狼群搜索隊伍負責在電力設(shè)備內(nèi)部空間中發(fā)現(xiàn)設(shè)備故障節(jié)點并向群體發(fā)送信號［3］。一旦發(fā)現(xiàn)故障節(jié)點，信號沿著狼群構(gòu)建的數(shù)據(jù)鏈逐層傳遞。最后，支援部隊接收到信號后，同時向多個故障目標或單個目標前進并根據(jù)不同目標的資源消耗與收益，確定運維檢修的優(yōu)先級，提高設(shè)備運維檢修的經(jīng)濟性［4］。在此過程中，狼群遵循守恒定律，假設(shè)電力設(shè)備故障目標為T={T1，T2，…，Tn}，共有n個故障目標，共有m匹“狼”參與運維檢修任務，則：

∑ni=1s（Ti）=m（1）

式（1）中，s（Ti）為須要執(zhí)行運維檢修任務的電力設(shè)+niBqcXwaijPCQC4ooSbEQ==備故障目標。當故障目標與執(zhí)行目標數(shù)量一致時，制定運維檢修任務分配計劃并以執(zhí)行檢修任務的“狼”的數(shù)量最少為原則，建立運維檢修模型的目標函數(shù)，公式如下：

s（Tk）=min_s（Ti）（2）

式（2）中，s（Tk）為運維檢修模型的目標函數(shù)；Tk為執(zhí)行檢修任務的“狼”的最少數(shù)量［5］。由此構(gòu)建出電力設(shè)備運維檢修模型，表達式如下：

Pkij（t）=［τij（t）］α［κij（t）］β∑k∈ns（Tk）［τij（t）］α［κij（t）］β0（3）

式（3）中，Pkij（t）為電力設(shè)備運維檢修模型表達式；τij（t）為t時刻（i，j）的信息素濃度；κij（t）為t時刻（i，j）路段啟發(fā)信息；α為信息啟發(fā)因子；β為期望啟發(fā)因子。當Pkij（t）=0時，運維檢修模型陷入局部最優(yōu)，重復上述步驟，直至Pkij（t）≠0［6］。結(jié)合狼群算法的目標函數(shù)，與蟻群算法的啟發(fā)信息，構(gòu)建出的智能化運維檢修模型，能夠提高模型的收斂速度，進入全局最優(yōu)狀態(tài)。

1.2 求解電力設(shè)備智能化運維檢修全局更新參數(shù)

在蟻群算法完成一次運維檢修路徑規(guī)劃之后，通過全局更新參數(shù)的形式，確保電力設(shè)備運維檢修效果，能夠達到最優(yōu)條件［7］。利用電力設(shè)備現(xiàn)場智能化運維檢修的正反饋方式，尋求運維檢修最優(yōu)解，從而滿足智能化運維檢修需求。全局更新參數(shù)表示為：

τ（i，j）=（1-ρ）τij（t）+ρκij（t）（4）

式（4）中，τ（i，j）為i、j線路上的全局更新參數(shù)；ρ為運維檢修規(guī)劃路徑上的信息素揮發(fā)因子。將τ（i，j）輸入Pkij（t）重新訓練，得出全局最優(yōu)檢修方案［8］。電氣設(shè)備運維檢修方案如表1所示，針對不同電氣設(shè)備元件，進行不同的運維測試，確定具體故障元件之后，再進行更換、維修等操作，降低運維檢修成本。

2 實例分析

2.1 概況

為了驗證本文設(shè)計的方法是否能滿足電力設(shè)備現(xiàn)場智能化運維檢修需求，本文以X智能化變電站為例，對上述方法進行了實例分析。X智能化變電站的電壓等級為110 kV、10 kV，2臺主變，每臺容量為50 MVA。110 kV采用內(nèi)橋接線，10 kV采用單母線接線，能夠滿足本次分析需求。站內(nèi)電氣設(shè)備故障分析情況如圖1所示，在電氣設(shè)備發(fā)生故障時，通過故障原因、故障類別、故障位置等層次分析，找出故障原因之后，對其進行針對性的運維檢修。

2.2 應用結(jié)果

在上述條件下，本文隨機選取出多種電力設(shè)備類型并將設(shè)備檢修損失、停電頻率、運維檢修工作量的均方作為衡量經(jīng)濟性、可靠性和均衡性的關(guān)鍵指標，以評估智能化運維檢修的實際效果。在其他條件均已知的情況下，使用本文設(shè)計的基于群體智能算法的電力設(shè)備現(xiàn)場智能化運維檢修方法，分析各個指標的目標期望與實際結(jié)果，當實際結(jié)果滿足目標期望時，智能化運維檢修效果較佳。具體的應用結(jié)果如表2所示，λcss為經(jīng)濟性指標，意為設(shè)備檢修損失；αsac為可靠性指標，意為停電頻率；εcea為運維檢修工作量均衡指標，意為運維檢修工作量均方差。m_a為主變壓器；m_b為高壓開關(guān)設(shè)備；m_c為數(shù)字繼電保護裝置；m_d為電子式互感器；m_e為智能電表；m_f為智能充電樁；m_g為電容器組；m_h為避雷器；m_i為接地裝置；m_j為二次設(shè)備。由表中可知，使用本文設(shè)計的基于群體智能算法的電力設(shè)備現(xiàn)場智能化運維檢修方法之后，實際結(jié)果中的經(jīng)濟性指標、可靠性指標、工作量均衡指標均能夠滿足目標期望。其中，εcea處于穩(wěn)定的狀態(tài)，能夠有效地分配運維檢修量，提高智能化運維檢修效率，符合本文研究目的。

3 結(jié)語

近些年來，隨著電力行業(yè)不斷擴大，電力設(shè)備作為電力系統(tǒng)的核心元件，其運維檢修工作更加復雜，亟須對其進行優(yōu)化。傳統(tǒng)的定期巡檢方式在電力設(shè)備運維檢修中已顯得效率低下，難以適應當前智能化、復雜多變的運行環(huán)境。因此，本文利用群體智能算法，設(shè)計了電力設(shè)備現(xiàn)場智能化運維檢修方法。從運維檢修模型、全局更新參數(shù)等方面，對電力設(shè)備運維檢修模型進行優(yōu)化與求解，準確定位出設(shè)備故障位置并根據(jù)實際故障情況，選擇合適的蟻群算法進行求解。

參考文獻

［1］黃簡，楊程，馮天波，等.面向風電機組運維的知識圖譜構(gòu)建研究與應用［J］.電力系統(tǒng)保護與控制，2024（8）：167-177.

［2］李智威，王依燃，張趙陽，等.基于改進GM（1，1）模型的變電站檢修運維費用預測［J］.電力科學與技術(shù)學報，2024（1）：218-224.

［3］李豫，張正舟，歐陽鵬，等.動力集中動車組運用檢修設(shè)施機輛融合的總平面布置方式探討［J］.鐵道機車車輛，2024（2）：124-129.

［4］解嵩博，佘飛，許志祥.基于車輛運維檢修計劃管理系統(tǒng)的架大修計劃預測［J］.電力機車與城軌車輛，2024（2）：127-130.

［5］屈博興，曾建宏，劉芙伶，等.基于虛擬現(xiàn)實技術(shù)的抽水蓄能機組智慧檢修仿真系統(tǒng)應用研究［J］.東方電氣評論，2024（1）：20-23.

［6］王靖.基于增強現(xiàn)實（AR）、深度學習與大數(shù)據(jù)技術(shù)的分布式水電站智慧檢修系統(tǒng)研究［J］.水電與抽水蓄能，2023（6）：55-59，91.

［7］鄧朝丞，馬世俊，邊曉光，等.基于某高端核能發(fā)電機安裝及運維服務的數(shù)字化轉(zhuǎn)型研究［J］.東方電氣評論，2023（4）：38-43.

［8］郭衛(wèi)忠，黃建新.智能“遠程運維”平臺信息化管理和狀態(tài)監(jiān)測及故障診斷技術(shù)結(jié)合運用案例分析［J］.新疆鋼鐵，2023（4）：31-33.

（編輯 沈 強）

Research on on-site intelligent operation and maintenance of power equipment based on swarm intelligence algorithms

BAO Tiao， LU Lei

（State Grid Ningbo Power Supply Company Haishu Power Supply Branch， Ningbo 315000， China）

Abstract： Conventional maintenance methods for power equipment mainly focus on fault feature analysis and processing， but multi-source data fusion reduces maintenance efficiency and is not conducive to the application of intelligent maintenance scenarios. Therefore， this article designs an intelligent on-site operation and maintenance method for power equipment based on swarm intelligence algorithms. This method is based on swarm intelligence algorithms to construct a power equipment operation and maintenance model. It utilizes swarm intelligence algorithms such as wolf colony and ant colony to balance the relationship between maintenance workload， equipment reliability， and economy， and generate the optimal objective function. When solving the global update parameters for intelligent operation and maintenance of power equipment， the positive feedback method of on-site intelligent operation and maintenance of power equipment is used to seek the optimal solution for operation and maintenance， thereby meeting the needs of intelligent operation and maintenance. By analyzing examples， it has been verified that this method has higher efficiency and economy in operation and maintenance， and can be applied in practical life.

Key words： swarm intelligence algorithm; power equipment; on site; intelligence; operation and maintenance methods