高壓電氣設備故障運行狀態自適應預警方法

摘 要：【目的】為了提前發現潛在的高壓電氣設備故障，并及時采取有效措施進行修復或維護，以確保高壓電氣設備的安全運行和延長高壓電氣設備的使用壽命，為此提出了高壓電氣設備故障運行狀態自適應預警方法。【方法】建立高壓電氣設備故障運行狀態數據庫，利用所收集、分析和處理的數據來建立高壓電氣設備運行狀態模型，結合該模型實現高壓電氣設備故障運行狀態自適應預警。【結果】試驗結果表明，該方法的高壓電氣設備故障運行狀態自適應預警效果較好，具備較高的實際應用價值。【結論】該設計能夠監測高壓電氣設備運行狀態，通過分析數據和模式識別，及時發現潛在的故障跡象，有助于預防設備的故障發生，避免大規模停機和生產中斷，提高設備的安全性和可靠性。

關鍵詞：電氣設備；故障運行狀態；狀態預警；預警方法；數據庫；運行狀態模型

中圖分類號：TM507" " 文獻標志碼：A" " "文章編號：1003-5168（2024）11-0005-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.11.001

Design and Implementation of Adaptive Warning for Fault Operation Status of High Voltage Electrical Equipment

CAO Yang

（Yankuang Lunan Chemical Co.， Ltd.， Tengzhou 277527，China）

Abstract： [Purposes] In order to detect potential faults in high-voltage electrical equipment in advance and take timely measures for repair or maintenance to ensure the safe operation of high-voltage electrical equipment and extend its lifespan， a self-adaptive warning method for the operation status of high-voltage electrical equipment faults has been proposed. [Methods] This paper establishes a database of the operational status of high-voltage electrical equipment faults， uses the collected， analyzed， and processed data to establish a model of the operational status of high-voltage electrical equipment， and combines this model to achieve adaptive warning of the operational status of high-voltage electrical equipment faults. [Findings]The experimental results show that the adaptive warning effect of the high-voltage electrical equipment fault operation status using this method is good， and it has high practical application value." [Conclusions] Through this study， the operation status of high-voltage electrical equipment can be monitored. By analyzing data and pattern recognition， potential signs of faults can be detected in a timely manner，which helps to prevent equipment failures， avoid large-scale shutdowns and production interruptions， and improve the safety and reliability of equipment.

Keywords： electrical equipment; fault operation status; status warning; early warning methods; database； running state model

0 引言

隨著電力行業的快速發展，高壓電氣設備在電力領域中的應用越來越廣泛，其運行狀態對于電力系統的安全、穩定運行具有至關重要的作用［1］。然而，由于高壓電氣設備長期處于高電壓、大電流、強磁場等惡劣環境中，容易出現絕緣老化、局部放電、溫升過高等故障，給電力系統的安全運行帶來巨大隱患［2］。因此，開展高壓電氣設備故障運行狀態自適應預警研究具有重要的現實意義和工程價值。

目前，國內外學者已經開展了大量的高壓電氣設備故障預警研究工作，并取得了一定的成果。在國外，一些知名的研究機構和電力公司利用先進的傳感器技術、信號處理技術、人工智能技術等手段，對高壓電氣設備的運行狀態進行實時監測和故障診斷，實現了故障預警［3］。在國內，雖然起步較晚，但也取得了一些重要的研究成果。如潘偉偉［4］提出了一種基于深度學習的電氣設備故障智能預警方法。通過采集電氣設備故障信號并對采集到的信號進行預處理，基于模糊神經網絡算法搭建電氣設備故障預警模型，將預處理后的信號輸入該模型中，經過模糊推理實現電氣設備故障預警；魏岸若［5］提出了一種基于數據驅動的電氣自動化設備運行故障預警方法。利用現場采集的電氣自動化設備實時數據，經數據推測、剖析、處理后確定電氣自動化設備的運行狀態，并結合電氣自動化設備運行故障預警模型輸出的各狀態數據對應的預警結果集合，從而達到設備故障預警的最終目標。

然而，現有的高壓電氣設備故障預警方法仍存在一些問題。如所使用的數據不夠完備、設備故障類型的識別不夠準確、預警閾值設置不夠合理、預警方法的自適應能力不強等［4］。因此，本研究提出了一種高壓電氣設備故障運行狀態自適應預警方法，旨在提高預警方法的準確性和自適應能力。

1 高壓電氣設備故障運行狀態自適應預警方法設計

1.1 建立高壓電氣設備故障運行狀態數據庫

本研究設計的高壓電氣設備故障運行狀態自適應預警方法的關鍵環節是數據庫的設計［5］。其中的數據主要源自數據庫中所儲存的電壓、電流、頻率、溫度等信息，以便預測可能出現的問題［6］。在電力參數傳輸完成后，高壓電氣設備便能進行讀取操作，將其與特定的數據庫進行連接，確定請求時間，并在完成特定的數據采集任務后，更新相應的數據。本研究結合DataGrid控件（如平板電腦）和ADO控件，成功開發出一個強大且靈活的數據庫。數據庫中部分數據見表1。

通過將數據庫表的值與PV值以及故障定位算法一起進行比較，識別并預測出故障發生的類型和在數據庫的位置，從而為高壓電氣設備故障運行狀態自適應預警奠定堅實的數據基礎。

1.2 構建高壓電氣設備運行狀態模型

根據創建的數據庫，利用所收集、分析和處理的數據來判斷自動發電廠的運行狀態，從而建立高壓電氣設備運行狀態模型。

高壓電氣設備的運行狀態模型在預警和信息公開方面取得了一些進展［7］。待執行的設備應具有n個處于執行狀態的測量點[t]，這些測量點[t]應與另一個測量點相連。在測量期間觀察到的數據應被定義為設備的位置矢量［8］。如果[X]用于描述高壓電氣設備位置的矢量，則存在的關系見式（1）。

式中：[X（1）、X（2）、X（m）]分別表示第1次、第2次及第[m]次高壓電氣設備位置預測參數；[T]表示轉置參數；[Xobs]表示在采樣期間高壓電氣設備位置的評估值。

當考慮任何[Xobs]組或模型時，應產生一個對[m]維權重向量。則以下關系成立見式（2）、式（3）。

上述式中：[W]表示權重向量；[w1，w2，…，wm]分別表示[X（1），X（2），…，X（m）]的權重參數；[D]表示歷史狀態矩陣，用于明確展示高壓電氣設備在不同環境和工況條件下的狀態。

為確保清晰呈現設備狀態，需挑選適合的[D]值見式（4）。

式中：[X（m）n]表示第[n]次迭代下的第[m]個歷史狀態參數。

高壓電氣設備運行狀態模型的輸出和輸入的剩余值應表示為2，并取得剩余的最小化結果，殘差最小化結果見式（5）。

當只需計算變量[Xobs]時，需要計算[D]中每行的數據和權重向量，所構建的高壓電氣設備運行狀態模型見式（6）。

式中：[Xi（1），Xi（2），…，Xi（m）]表示不同的高壓電氣設備位置變量。

由式（6）可知，通過將歷史狀態變量值[D]與等效權重[z]相乘，得到的結果即為[X]。如需改變相應的參數值，在計算[W]的權重時，可采用歐幾里得距離進行簡化運算，將[Xi]、[DT]相乘，以利用更為簡便的模型實現高壓電氣設備運行狀態識別。

高壓電氣設備運行狀態模型涵蓋了自動發電廠在不同運行條件下的運行狀態。根據自動發電廠運行過程的狀態，可以利用該模型獲得狀態矢量作為輸入和輸出值，以期提高輸出預警的準確度。

1.3 實現高壓電氣設備故障運行狀態自適應預警

首先，利用故障運行狀態數據庫中的某一重要故障特征，將配電設備的運行狀態分為：有故障和無故障。同時，將故障類型分為少數類和多數類。對于樣本數量較少的類型，將其記為無故障。由于計算自由數據集的最近鄰域值的方法樣本較少，因此使用歐幾里得距離來獲取其到無故障類數據集的距離，該距離即為近鄰值。

其次，根據自由數據和故障數據的百分比，可以確定一個閾值。這個閾值可以用來判斷樣本數量是否過量。具體來說，可以從每個故障自由數據的無故障值中隨機選擇多個數據，以確保樣本數量不過量。這樣可以保證樣本的多樣性和代表性，同時避免樣本數量過多而導致計算量和內存消耗的增加。通過這種方法，可以有效地利用自由數據和故障數據，提高模型的泛化能力和準確性。

最后，對于上述隨機選出的多個近鄰值，利用構建的高壓電氣設備運行狀態模型進行計算，以此實現設備運行狀態辨識見式（7）。

式中：[x]表示電氣設備運行狀態參數；[xk]電氣設備運行狀態偏移參數；[rand（0，1）]表示（0，1）之間的隨機數。

配電設備運行狀態監控與故障預警方法可以在連續運行過程中不斷提高故障狀態辨識準確性，同時增加對各類故障預警覆蓋的范圍。高壓電氣設備故障運行狀態自適應預警流程如圖1所示。

本研究根據高壓電氣設備運行狀態模型進行計算，實現有無故障狀態的分類，從而確保預警數據的準確性。

2 試驗論證

為了驗證本研究所提方法的可行性，搭建了一個統一的試驗平臺，分別采用了3種不同的方法進行故障預警：傳統方法1、傳統方法2及本研究所提方法，并將這3種方法的預警召回率結果進行相關對比。其中，傳統方法1為潘偉偉［4］提出的基于深度學習的電氣設備故障智能預警方法；傳統方法2為魏岸若［5］提出的基于數據驅動的電氣自動化設備運行故障預警方法。

2.1 試驗準備

以某熱電廠為試驗對象，為了深入驗證本研究所提故障預警方法的效果，需根據不同設備情況選擇該電站的7個主要設備，包括繼電器、水電管道、能源供應、壓力閥、氣泵、傳感器和循環線。并在確保試驗環境相同的情況下，對本研究所提方法進行試驗。實驗控制器使用高質量的微處理器為IE48N3AC30型號，并在計算機上運行故障報警程序。測試環境如圖2所示。

2.2 對比試驗

利用上述試驗設備，統計采用本研究所提方法、傳統方法1和傳統方法2在不同信噪比下對設備進行預警的召回率結果如圖3所示。

由圖3可知，采用本研究所提方法對4種設備進行預警，隨著信噪比的增加，召回率均呈現緩慢下降趨勢。當信噪比在20 dB～80 dB范圍時，本研究所提方法的預警平均召回率均在90%以上，高于傳統方法1和傳統方法2的預警平均召回率。因此，采用本研究方法在不同信噪比下預警的召回率最高，預警效果較好。

3 結語

本研究通過深入研究和探討高壓電氣設備故障預警技術的現狀和發展趨勢，提出了高壓電氣設備故障運行狀態自適應預警方法。試驗結果表明，該方法能夠提高預警效果，為高壓電氣設備的安全運行提供有力保障。希望本研究的成果能夠對高壓電氣設備故障預警技術的進一步研究和應用提供參考和借鑒。

參考文獻：

［1］蒙康，滕偉，彭迪康，等.運行機理與數據雙驅動的風電齒輪箱系統故障預警［J］.中國機械工程，2023，34（12）：1476-1485.

［2］藺奕存，吳青云，姚智，等.火電廠回熱系統高加故障預警方法及其應用［J］.工業儀表與自動化裝置，2022（6）：109-113.

［3］孫愛東，田錦釗，李廣.主副井絞車軸承運行狀態監測與故障預警系統研究［J］.山東煤炭科技，2022，40（7）：204-206，209.

［4］潘偉偉. 基于深度學習的建筑消防電氣設備故障智能預警系統研究［J］.中國新技術新產品， 2023（10）：143-145.

［5］魏岸若. 基于數據驅動的電氣自動化設備運行故障預警研究［J］. 電氣技術與經濟， 2023（6）： 71-74，89.

［6］李小偉，陶毅剛，黎敏，等.配電網多級繼電保護系統故障運行狀態預警研究［J］.電子設計工程，2021，29（22）：97-101.

［7］王元峰，王林波，王冕，等.基于大數據的配電設備運行狀態監控與故障預警系統設計［J］.自動化與儀器儀表，2021（1）：148-151.

［8］吳迪，黃太貴，葉海峰，等.密集通道災害風險預警及輔助決策研究［J］.電工技術，2021（10）：185-186，189.

收稿日期：2023-12-08

作者簡介：曹洋（1983—），男，本科，工程師，研究方向：電氣設備運行。