[发明专利]一种应用于智能变电站二次设备的状态评估方法

说明书

技术领域

本发明涉及一种应用于智能变电站二次设备的状态评估方法，属于智能变电站二次设备状态监测领域。

背景技术

长期以来，电力设备都是依赖于定期离线检测，但其在防止事故方面有很大的局限性和不足，离线试验不能全过程的反应设备运行条件下的各种状态，对突发性故障无法提前预知。

随着传感器技术以及检测技术的发展，电力系统一次设备的在线监测得到了前所未有的进步。然而如何对传感器等电力系统中的二次设备进行有效的在线监测成了难题。

尽管二次设备相对于一次设备来说价格低，重要程度不如一次设备，但是二次设备如果出现故障，并没有及时排查，将会导致对一次设备状态监测的错误，甚至会引起电力系统的大范围故障。因此有效识别电力系统二次设备的工作状态，了解二次设备的健康程度对于整个系统来说有着十分重要的意义。

目前对于常规站或智能变电站内二次设备的状态监测或评估，主要依赖与二次工作人员现场取样所获得，通过统一输入PMIS(项目管理信息系统)中的评估方法获得对应的检修策略，进行评估的设备主要局限于继电保护及二次回路，相关评估算法也较为简单，因此在实时性、简便性、可行性上有所不足；其次对于智能变电站内二次设备的状态评估还是参照常规站进行，没有很好的体现出智能站的优势，因此发掘智能变电站的潜在力量，将有效提高智能变电站二次设备的状态评估的有效性、简便性和实时性。

发明内容

为了解决上述技术问题，本发明提供了一种应用于智能变电站二次设备的状态评估方法。

为了达到上述目的，本发明所采用的技术方案是：

一种应用于智能变电站二次设备的状态评估方法，包括以下步骤，

步骤一，根据评价对象，从相关二次设备中获取在线实时检测数据，从数据库中获得历史数据和基本数据；

所述基本数据是通过不同的具有一定电力系统运行和研究经验的专家给出各类评价因素相对重要程度的数据集；

步骤二，融合多种类型数据，并采用多种评估方法的方式进行综合评估；

步骤三，根据评估结果，指导工作人员对二次设备进行检修和更换。

所述历史数据和实时监测数据分为量化样本数据和量化实例数据，所述历史数据、实时监测数据和基本数据均采用加权TOPSIS评估和改进型模糊综合SVM状态评估相结合的方法进行分析评估，具体步骤如下，

A1)用基本数据确定评价对象中各评价因素的客观权重；

A2)将量化样本数据和量化实例数据输入模糊矩阵计算模型，获得模糊关系矩阵；

A3)将客观权重和模糊关系矩阵作为加权TOPSIS评估的基本参数，通过加权TOPSIS评估运算，得到一份评估结果；

将客观权重和模糊关系矩阵作为改进型模糊综合SVM状态评估的基本参数，通过改进型模糊综合SVM状态评估运算，得到另一份评估结果；

A4)将两份评估结果进行对比，获得最终的评估结果。

用基本数据确定评价对象中各评价因素的客观权重的具体过程如下，

B1)从基本数据中获得x位专家参与决策并给出的判断矩阵，x位专家记作E₁，E₂，…,E_x；

专家E_k给出的判断矩阵为，

其中，k∈{1,2,3,…x}，n为整数，为评价因数的总数，判断矩阵A^(k)是正互反矩阵，每一个元素代表所在行列对应评价因素的重要程度，其衡量采用专家1-9标度法，数值越大，表示重要程度越高；

B2)由判断矩阵A^(k)根据矩阵定理得到集合Ω；根据集合Ω和一致性矩阵原理，构造一致性判断矩阵，记A_l为第l个一致性判断矩阵，l＝1,2,…n^(n-2)；

A_l可以得到一个权重向量W_l＝(w_l1,w_l2,…w_ln)^T以及一个相对应的方案排序B_l＝(b_l1,b_l2,…b_ln)^T，其中，b_li表示根据第l个排序方案得出的第i个方案在整个排序中所处的位置，i∈{1,2,…n}；

B3)在n^(n-2)个方案排序中，选出最能代表专家E_k意见的排序