输变电设备优化检修（OM）若干关键技术研究

论文摘要

输变电设备是组成电力系统的主要元件。在当前电力需求不断增大和电力企业商业化运营的环境下,设备的可利用率和维护成本直接关系到系统运行可靠性、企业效益与市场竞争力。因此需要设备管理部门能够及时掌握设备的运行状态和健康状态,正确地对设备进行故障检测和诊断,通过合理的检修体制预防和消除设备的故障。在全面总结我国电网企业现有检修体制的基础上,借鉴其它工业领域的研究成果,提出了电网企业优化检修（Optimal Maintenance,OM）的思想:逐步减少定期检修,避免重要设备的事后检修,推行状态检修,制订以可靠性为中心的综合检修计划,保证系统的可靠性,降低检修成本。输变电设备优化检修的核心是状态检修,其实现依赖于状态监测技术、状态评估技术、故障诊断技术、检修计划优化技术,企业信息化技术的发展。本文对这几个领域的若干关键技术进行了研究,并着重以电力变压器为例进行了应用。对状态监测中的故障检测功能进行了分析。基于非线性系统辨识模型的故障检测方法要求模型本身具有较高的辨识精度,因此提出一种基于差异进化算法（Differential Evolution,DE）和粒子群优化算法（Particle Swarm Optimization,PSO）的新型混合进化算法DEPSO,以及基于DEPSO的径向基函数神经网络（Radial Basis Function Neural Network,RBFNN）模型,并应用于预测SF6气体绝缘变压器表面温度。该模型用DEPSO算法训练RBFNN隐层中心的数量和位置,并采用递推最小二乘法确定网络输出层的权值。对某变电站SF6气体绝缘变压器的表面温度预测结果表明:与BP网络、基于进化规划、PSO的RBFNN相比,这种建模方法具有更高的辨识精度。输变电设备的状态评估是一个多属性决策问题,需要对其状态进行合理划分,并综合考虑监测资料、工作环境、运行检修记录,建立综合的评估指标体系。以变压器为例,根据状态评估指标具有层次性和模糊不确定性的特点,提出了一种改进的证据推理方法用于评估变压器的状态。证据的初始基本概率赋值通过层次分析法及模糊评估法获取,改进的方法适用于证据间出现高度冲突的情况。实例分析表明了该方法的有效性。指标体系的建立方法和改进的证据推理方法同样适用于输电线路和断路器等输变电设备的状态评估。提出一种新颖的多分类多核学习支持向量机变压器故障诊断方法,相对于传统的两分类支持向量机,该方法具备诸多优点。算法针对单一的优化目标函数求解,只需设计一组参数,大大降低了支撑向量机在解决多类问题中模型构造和参数选择的难度;核函数是多个基核函数的组合,提高了分类的精度;将模型分解为两个凸优问题进行求解,问题的复杂度低,求解速度快。诊断实例表明,该方法能保证很高的诊断准确率,具有很好的实用性和推广性。从输变电设备检修计划编制的实际需求出发,建立了考虑多种约束条件、以系统全年可靠性指标最优为目标的检修计划优化模型。模型中考虑了设备实际状态对其故障率的转化,以及检修对故障率的影响。针对该模型的特点,提出了一种改进的免疫算法,该算法在上一代最优抗体的基础上,通过一个较小邻域范围和一个较大邻域范围的并行搜索,使得该方法具备较强的局部寻优能力和全局寻优能力,有效提高算法的收敛速度和收敛精度。通过马尔可夫链的分析,证明了本文提出该算法的全局收敛性。最后,通过对标准IEEE RTS96单区域系统进行仿真,证明了本文模型及算法的实用性。为了提高输变电设备检修决策信息平台的集成能力及系统的柔性,提出了基于面向服务架构（Services-Oriented Architecture,SOA）的输变电设备优化检修信息系统体系结构。将优化检修系统的服务划分为应用服务、业务服务及业务流程服务,并进行了详细的功能描述及建模。将公用信息模型和模型驱动的思想用于SOA开发,并基于WebServices技术实现。SOA是一种面向动态需求的企业架构模型,它为企业应用提供了一种服务驱动的分布式协同工作新模式。基于SOA的优化检修信息集成框架能适应业务和实现技术的不断变化,极大地实现了软件的重用,降低了集成的复杂性和成本。

论文目录

• 摘要
• ABSTRACT
• 1.绪论
• 1.1 输变电设备优化检修的基本概念
• 1.1.1 输变电设备检修的重要性
• 1.1.2 输变电设备检修体制的发展状况
• 1.1.3 输变电设备的优化检修
• 1.2 输变电设备优化检修关键技术研究综述
• 1.2.1 输变电设备检修信息系统研究综述
• 1.2.2 输变电设备状态监测技术研究综述
• 1.2.3 输变电设备状态评估技术研究综述
• 1.2.4 输变电设备故障诊断技术研究综述
• 1.2.5 输变电设备检修计划研究综述
• 1.3 本文的主要工作
• 2 基于DEPSO-RBFNN系统辨识模型的变压器故障检测研究
• 2.1 引言
• 2.2 基于系统辨识模型的参考故障检测方法
• 2.2.1 系统辨识模型
• 2.2.2 基于系统辨识模型的参考故障检测
• 2.3 基于DEPSO的RBFNN辨识方法
• 2.3.1 混合进化算法DEPSO
• 2.3.2 基于DEPSO的RBFNN
• 2.4 基于DEPSO-RBFNN的变压器表面温度预测仿真研究
• 2.5 本章小结
• 3 基于改进D-S证据理论的电力变压器状态评估研究
• 3.1 引言
• 3.2 电力变压器状态评估指标体系
• 3.3 电力变压器状态评估指标的量化
• 3.3.1 评语集合的确定
• 3.3.2 隶属函数值的确定
• 3.4 评估指标权重的确定
• 3.4.1 层次分析法
• 3.4.2 基于层次分析法的变压器综合评估指标权重确定
• 3.5 基于改进证据理论的变压器状态评估
• 3.5.1 D-S证据理论
• 3.5.2 变压器状态评估的改进证据理论
• 3.6 实例分析
• 3.7 本章小结
• 4.基于多分类多核学习支持向量机的变压器故障诊断方法研究
• 4.1 引言
• 4.2 统计学习理论与支持向量机
• 4.2.1 统计学习理论
• 4.2.2 函数集的VC维
• 4.2.3 经验风险最小化原则
• 4.2.4 结构风险最小化原则
• 4.2.5 支持向量机的特点
• 4.3 支持向量机原理
• 4.3.1 支持向量机
• 4.3.2 支持向量机的核函数
• 4.4 基于多个二类分类器的支持向量机多分类方法
• 4.4.1 1-a-r SVM（One-against-rest）算法
• 4.4.2 1-a-1 SVM（One-against-one）算法
• 4.4.3 有向无环图SVM
• 4.4.4 二叉树多级SVM
• 4.5 基于多分类目标函数及多核学习的支持向量机方法
• 4.5.1 多分类目标函数支持向量机模型
• 4.5.2 支持向量机多核学习方法
• 4.5.3 多分类多核学习方法
• 4.6 基于多分类多核学习支持向量机的电力变压器故障诊断
• 4.6.1 故障特征量的选择与故障分类
• 4.6.2 支持向量机参数的确定
• 4.6.3 故障诊断流程
• 4.6.4 诊断实例
• 4.7 本章小结
• 5.基于改进免疫算法（ⅡA）的输变电设备年度检修计划研究
• 5.1 引言
• 5.2 考虑设备状态和检修影响的系统可靠性指标
• 5.2.1 基于设备状态的故障率建模
• 5.2.2 设备检修对故障率的影响
• 5.2.3 故障模式的概率模拟
• 5.2.4 系统可靠性指标
• 5.3 输变电设备年度检修计划数学模型
• 5.3.1 自变量的选择
• 5.3.2 目标函数
• 5.3.3 约束条件
• 5.4 改进的免疫算法及其收敛性分析
• 5.4.1 改进的免疫算法（ⅡA）
• 5.4.2 ⅡA算法参数选择
• 5.4.3 ⅡA的收敛性能分析
• 5.5 基于ⅡA的输变电设备年度检修计划求解
• 5.5.1 静态安全分析
• 5.5.2 ⅡA检修计划求解步骤
• 5.6 算例分析
• 5.7 本章小结
• 6.基于SOA的输变电设备优化检修系统架构设计
• 6.1 引言
• 6.2 面向服务的架构
• 6.2.1 应用系统集成的传统解决方案
• 6.2.2 面向服务的架构的特点
• 6.2.3 基于SOA的TDE-OMIS目标
• 6.3 TDE-OMIS的服务建模
• 6.3.1 应用服务建模
• 6.3.2 业务服务建模
• 6.3.3 业务流程服务建模
• 6.4 基于SOA的TDE-OMIS体系结构模型
• 6.5 基于CIM和模型驱动方法的优化检修系统SOA开发
• 6.5.1 构建SOA的模型驱动方法
• 6.5.2 基于MDSOA的TDE-OMIS开发
• 6.6 本章小结
• 7. 全文总结
• 7.1 总结
• 7.2 研究展望
• 参考文献
• 作者攻读博士学位期间有关学术论文
• 致谢