一种供电系统电力设备生命周期管理方法及系统

摘要

本发明提供一种供电系统电力设备生命周期管理方法及系统,所述方法包括如下步骤：采集电力系统中电力设备信息；解析采集的电力设备信息，获取电力设备中包含的存在生命周期期限的电力设备信息；根据实际的工作环境对存在生命周期期限的电力设备进行生命周期的预测；根据实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率；通过理想生命周期、寿期损耗概率、检测时间点建立基于可靠性分析的维修规划模型；根据维修规划模型进行计算处理，并得到存在生命周期期限的电力设备的最佳维修时间。从而使检修带有目的性，信息化水平高，对出现寿命到期的情况进行妥善处理降低了电力设备的运行的风险。

说明书

技术领域

本发明涉及电力系统供电设备管理技术领域，具体涉及一种供电系统电力设备生命周期管理方法及系统。

背景技术

对供电系统电力设备一般采用定检的方式进行监督管理，检修范围通常是按照相关标准要求的抽检比例进行抽检，这样的监督管理模式存在诸多问题，抽检带有盲目性，信息化水平较低，无法进行连续对比分析与准确测评；各电力设备的累计检验频次存在明显差异，过检、过修与欠检、漏检现象普遍存在，容易出现寿命到期情况但并未得到妥善处理而导致电力设备失效的情况，无形中增加了电力设备的运行风险。

发明内容

针对抽检带有盲目性，信息化水平较低，无法进行连续对比分析与准确测评；各电力设备的累计检验频次存在明显差异，过检、过修与欠检、漏检现象普遍存在，容易出现寿命到期情况但并未得到妥善处理而导致电力设备失效的情况，无形中增加了电力设备的运行风险的问题，本发明提供一种供电系统电力设备生命周期管理方法及系统。

本发明的技术方案是：

一方面，本发明技术方案提供一种供电系统电力设备生命周期管理方法，包括如下步骤：

采集电力系统中电力设备信息；

解析采集的电力设备信息，获取电力设备中包含的存在生命周期期限的电力设备信息；

根据实际的工作环境对存在生命周期期限的电力设备进行生命周期的预测；

根据实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率；

通过理想生命周期、寿期损耗概率、检测时间点建立基于可靠性分析的维修规划模型；

根据维修规划模型进行计算处理，并得到存在生命周期期限的电力设备的最佳维修时间。

通过理想生命周期、寿期损耗概率、检测时间点建立基于可靠性分析的维修规划模型；根据维修规划模型进行计算处理，并得到存在生命周期期限的电力设备的最佳维修时间。将计算的最佳维修时间及时以预警信息的形式进行输出，方便工作人员对电力设备进行检修维护。

进一步的，根据实际的工作环境对存在生命周期期限的电力设备进行生命周期的预测的步骤包括：

S1：采集存在生命周期期限的电力设备的运行状态数据，所运行状态数据包括不同工作环境条件下每个时间点的运行状态数据；

S2：通过存在生命周期期限的电力设备的运行状态数据建立神经网络预测模型；

S3：通过建立的神经网络预测模型预测存在生命周期期限的电力设备的寿命周期。

通过建立神经网络预测模型进行电力设备生命周期的预测，避免了由于无法发现寿命到期的失效备件造成的安全隐患，因此可保证整个电网的安全运行。

进一步的，不同工作环境条件包括分别在-40℃、-20℃、0℃、25℃、35℃和60℃的环境温度下运行存在生命周期期限的电力设备。

进一步的，通过存在生命周期期限的电力设备的运行状态数据建立神经网络预测模型的步骤包括：

S21：通过选取神经网络的输入层、隐含层、输出层的层数和节点个数，以及函数和训练算法，进行预测模型的初步构建；

S22：将采集的部分运行状态数据作为训练数据采用模拟退火算法对神经网络模型进行训练，进行神经网络的参数优化；

S23：将优化得到的最优参数作为神经网络的对应参数的初始值，结合蚁群优化算法再次进行训练，获取神经网络的输出值；

S24：将获取的神经网络的输出值与设定的精确值进行判断，当神经网络输出值达到设定精度值时，停止对神经网络模型的训练，得到优化后的神经网络预测模型；

S25：将采集的剩余部分的运行状态数据作为测试数据，对优化后的神经网络预测模型进行预测，并输出预测结果。

通过对建立的神经网络模型记性网络模型的训练，确定模型的结构，将测试数据输入预测模型的输入端，输出预测结果。一般情况，为了节约成本，在电力设备的生命周期预测值到设定时间阈值后，进行电力电力设备的更换。

进一步的，神经网络的输入为：环境温度、运行功耗、运行电压、运行电流、工作时间，输出为：电力设备的生命周期。

进一步的，根据实际的工作环境对存在生命周期期限的设备进行生命周期的预测的步骤之后还包括：

获取存在生命周期期限的设备的理想生命周期。

进一步的，根据实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率的步骤包括：

根据运行状态数据进行电力系统有限元计算；

根据各环境因素对电力系统中电力设备寿命的影响程度确定损伤参数；

通过确定损伤参数的概率分布，建立电力设备损伤概率模型；

根据损伤概率模型计算电力设备的失效概率；

根据计算出的失效概率以及实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率。

通过不定期的计算寿期损耗率，作为训练样本的参数，进行预测模型的训练。

另一方面，本发明技术方案提供一种供电系统电力设备生命周期管理系统，包括采集模块、解析模块、生命周期预测模块、寿期损耗概率计算模块、维修规划模型建立模块、计算处理模块；

采集模块，用于采集电力系统中电力设备信息；

解析模块，用于解析采集的电力设备信息，获取电力设备中包含的存在生命周期期限的电力设备信息；

生命周期预测模块，用于根据实际的工作环境对存在生命周期期限的电力设备进行生命周期的预测；

寿期损耗概率计算模块，用于根据实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率；

维修规划模型建立模块，用于通过理想生命周期、寿期损耗概率、检测时间点建立基于可靠性分析的维修规划模型；

计算处理模块，用于根据维修规划模型进行计算处理，并得到存在生命周期期限的电力设备的最佳维修时间。

进一步的，生命周期预测模块包括状态数据采集单元、神经网络预测模型建立单元、寿命周期预测单元；

状态数据采集单元，用于采集存在生命周期期限的电力设备的运行状态数据，所运行状态数据包括不同工作环境条件下每个时间点的运行状态数据；

神经网络预测模型建立单元，用于通过存在生命周期期限的电力设备的运行状态数据建立神经网络预测模型；

寿命周期预测单元，用于通过建立的神经网络预测模型预测存在生命周期期限的电力设备的寿命周期。

进一步的，神经网络预测模型建立单元包括模型构建子模块、第一训练子模块、第二训练子模块、判断输出子模块、预测输出子模块；

模型构建子模块，用于通过选取神经网络的输入层、隐含层、输出层的层数和节点个数，以及函数和训练算法，进行预测模型的初步构建；

第一训练子模块，用于将采集的部分运行状态数据作为训练数据采用模拟退火算法对神经网络模型进行训练，进行神经网络的参数优化；

第二训练子模块，用于将优化得到的最优参数作为神经网络的对应参数的初始值，结合蚁群优化算法再次进行训练，获取神经网络的输出值；

判断输出子模块，用于将获取的神经网络的输出值与设定的精确值进行判断，当神经网络输出值达到设定精度值时，停止对神经网络模型的训练，得到优化后的神经网络预测模型；

预测输出子模块，用于将采集的剩余部分的运行状态数据作为测试数据，对优化后的神经网络预测模型进行预测，并输出预测结果。

进一步的，不同工作环境条件包括分别在-40℃、-20℃、0℃、25℃、35℃和60℃的环境温度下运行存在生命周期期限的电力设备。

进一步的，神经网络的输入为：环境温度、运行功耗、运行电压、运行电流、工作时间，输出为：电力设备的生命周期。

进一步的，该系统还包括理想生命周期获取模块；

理想生命周期获取模块，用于获取存在生命周期期限的设备的理想生命周期。每个设备的理想生命周期根据设备工作手册的信息进行提取，与存储在数据库中。

进一步的，寿期损耗概率计算模块包括计算单元、损伤参数确定单元、损伤概率模型建立单元、失效概率计算单元；

计算单元，用于根据运行状态数据进行电力系统有限元计算；

损伤参数确定单元，用于根据各环境因素对电力系统中电力设备寿命的影响程度确定损伤参数；

损伤概率模型建立单元，用于通过确定损伤参数的概率分布，建立电力设备损伤概率模型；

失效概率计算单元，用于根据损伤概率模型计算电力设备的失效概率；

计算单元，还用于根据计算出的失效概率以及实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率。

从以上技术方案可以看出，本发明具有以下优点：通过理想生命周期、寿期损耗概率、检测时间点建立基于可靠性分析的维修规划模型；根据维修规划模型进行计算处理，并得到存在生命周期期限的电力设备的最佳维修时间。将计算的最佳维修时间及时以预警信息的形式进行输出，方便工作人员对电力设备进行检修维护。从而使检修带有目的性，信息化水平高，对出现寿命到期的情况进行妥善处理降低了电力设备的运行的风险。

此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例的方法的示意性流程图。

图2是本发明一个实施例的系统的示意性框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。下面对本发明中出现的关键术语进行解释。

如图1所示，本发明实施例提供一种供电系统电力设备生命周期管理方法，包括如下步骤：

S1：采集电力系统中电力设备信息；本步骤中，可以搭建电力系统的运行环境进行实际运行情况的模拟，采集模拟过程的电力设备信息，具体包括：：S11：将电力设备接入模拟运行环境；S12：对电力设备进行参数设置后运行，运行过程中采集电力设备信息。

S2：解析采集的电力设备信息，获取电力设备中包含的存在生命周期期限的电力设备信息；

S3：根据实际的工作环境对存在生命周期期限的电力设备进行生命周期的预测；

S4：根据实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率；

S5：通过理想生命周期、寿期损耗概率、检测时间点建立基于可靠性分析的维修规划模型；

S6：根据维修规划模型进行计算处理，并得到存在生命周期期限的电力设备的最佳维修时间。

在有些实施例中，根据实际的工作环境对存在生命周期期限的电力设备进行生命周期的预测的步骤包括：

S1：采集存在生命周期期限的电力设备的运行状态数据，所运行状态数据包括不同工作环境条件下每个时间点的运行状态数据；

S2：通过存在生命周期期限的电力设备的运行状态数据建立神经网络预测模型；

S3：通过建立的神经网络预测模型预测存在生命周期期限的电力设备的寿命周期。

本步骤中，获取电力设备各个组件的原始状态检验数据、设备使用后的历史检验数据及故障状态信息数据；通过将获取的数据进行连续对比分析，拟合电力设备运行中各个关键指标的变化趋势；结合对检验数据的准确测评及时预测存在生命周期期限的电力设备的寿命周期。

在有些实施例中，不同工作环境条件包括分别在-40℃、-20℃、0℃、25℃、35℃和60℃的环境温度下运行存在生命周期期限的电力设备。

在有些实施例中，通过存在生命周期期限的电力设备的运行状态数据建立神经网络预测模型的步骤包括：

S21：通过选取神经网络的输入层、隐含层、输出层的层数和节点个数，以及函数和训练算法，进行预测模型的初步构建；

S22：将采集的部分运行状态数据作为训练数据采用模拟退火算法对神经网络模型进行训练，进行神经网络的参数优化；

S23：将优化得到的最优参数作为神经网络的对应参数的初始值，结合蚁群优化算法再次进行训练，获取神经网络的输出值；

S24：将获取的神经网络的输出值与设定的精确值进行判断，当神经网络输出值达到设定精度值时，停止对神经网络模型的训练，得到优化后的神经网络预测模型；

S25：将采集的剩余部分的运行状态数据作为测试数据，对优化后的神经网络预测模型进行预测，并输出预测结果。本实施例中，采用模拟退火算法对预测模型进行优化。

通过理想生命周期、寿期损耗概率、检测时间点建立基于可靠性分析的维修规划模型；根据维修规划模型进行计算处理，并得到存在生命周期期限的电力设备的最佳维修时间。将计算的最佳维修时间及时以预警信息的形式进行输出，方便工作人员对电力设备进行检修维护。

在有些实施例中，神经网络的输入为：环境温度、运行功耗、运行电压、运行电流、工作时间，输出为：电力设备的生命周期。

在有些实施例中，根据实际的工作环境对存在生命周期期限的设备进行生命周期的预测的步骤之后还包括：

获取存在生命周期期限的设备的理想生命周期。

在有些实施例中，根据实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率的步骤包括：

根据运行状态数据进行电力系统有限元计算；

根据各环境因素对电力系统中电力设备寿命的影响程度确定损伤参数；

通过确定损伤参数的概率分布，建立电力设备损伤概率模型；

根据损伤概率模型计算电力设备的失效概率；

根据计算出的失效概率以及实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率。发现电力系统中存在安全隐患的部位进行自动报警，及时通知工作人员进行设备检修。

从而使检修带有目的性，信息化水平高，对出现寿命到期的情况进行妥善处理降低了电力设备的运行的风险。

如图2所示，本发明实施例提供一种供电系统电力设备生命周期管理系统，包括采集模块、解析模块、生命周期预测模块、寿期损耗概率计算模块、维修规划模型建立模块、计算处理模块；

采集模块，用于采集电力系统中电力设备信息；

解析模块，用于解析采集的电力设备信息，获取电力设备中包含的存在生命周期期限的电力设备信息；

生命周期预测模块，用于根据实际的工作环境对存在生命周期期限的电力设备进行生命周期的预测；

寿期损耗概率计算模块，用于根据实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率；

维修规划模型建立模块，用于通过理想生命周期、寿期损耗概率、检测时间点建立基于可靠性分析的维修规划模型；

计算处理模块，用于根据维修规划模型进行计算处理，并得到存在生命周期期限的电力设备的最佳维修时间。

在有些实施例中，生命周期预测模块包括状态数据采集单元、神经网络预测模型建立单元、寿命周期预测单元；

状态数据采集单元，用于采集存在生命周期期限的电力设备的运行状态数据，所运行状态数据包括不同工作环境条件下每个时间点的运行状态数据；

神经网络预测模型建立单元，用于通过存在生命周期期限的电力设备的运行状态数据建立神经网络预测模型；

寿命周期预测单元，用于通过建立的神经网络预测模型预测存在生命周期期限的电力设备的寿命周期。

在有些实施例中，神经网络预测模型建立单元包括模型构建子模块、第一训练子模块、第二训练子模块、判断输出子模块、预测输出子模块；

模型构建子模块，用于通过选取神经网络的输入层、隐含层、输出层的层数和节点个数，以及函数和训练算法，进行预测模型的初步构建；

第一训练子模块，用于将采集的部分运行状态数据作为训练数据采用模拟退火算法对神经网络模型进行训练，进行神经网络的参数优化；

第二训练子模块，用于将优化得到的最优参数作为神经网络的对应参数的初始值，结合蚁群优化算法再次进行训练，获取神经网络的输出值；

判断输出子模块，用于将获取的神经网络的输出值与设定的精确值进行判断，当神经网络输出值达到设定精度值时，停止对神经网络模型的训练，得到优化后的神经网络预测模型；

预测输出子模块，用于将采集的剩余部分的运行状态数据作为测试数据，对优化后的神经网络预测模型进行预测，并输出预测结果。

在有些实施例中，不同工作环境条件包括分别在-40℃、-20℃、0℃、25℃、35℃和60℃的环境温度下运行存在生命周期期限的电力设备。

在有些实施例中，神经网络的输入为：环境温度、运行功耗、运行电压、运行电流、工作时间，输出为：电力设备的生命周期。

在有些实施例中，该系统还包括理想生命周期获取模块；

理想生命周期获取模块，用于获取存在生命周期期限的设备的理想生命周期。每个设备的理想生命周期根据设备工作手册的信息进行提取，与存储在数据库中。

在有些实施例中，寿期损耗概率计算模块包括计算单元、损伤参数确定单元、损伤概率模型建立单元、失效概率计算单元；

计算单元，用于根据运行状态数据进行电力系统有限元计算；

损伤参数确定单元，用于根据各环境因素对电力系统中电力设备寿命的影响程度确定损伤参数；

损伤概率模型建立单元，用于通过确定损伤参数的概率分布，建立电力设备损伤概率模型；

失效概率计算单元，用于根据损伤概率模型计算电力设备的失效概率；

计算单元，还用于根据计算出的失效概率以及实际工作环境的预测生命周期确定出检测时间点的寿期损耗概率。

尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。