2007-07-25 11:23 【大 中 小】【打印】【我要纠错】
摘 要：随着电力企业向市场化迈进，供电设备的检修工作，由状态检修代替定期检修是必然的。采用人工智能的思想设计了供电设备状态检修决策支持系统。该系统具有供电设备状态评估、故障诊断、检修决策、制定检修计划、自学习和企业网站检修信息发布功能。并且重点介绍了故障诊断的两个诊断模块：基于专家系统的单一诊断模块和基于人工神经网络的综合诊断模块。
关键词：[HTSS]供电设备；状态检修；专家系统；人工神经元网络
状态检修方式以设备当前的实际工作状况为依据，它通过先进的状态监测和诊断手段、可靠性评价手段以及寿命预测手段，判断设备的状态，识别故障的早期征兆，对故障部位其及严重程度、故障发展趋势做出判断，并根据分析诊断结果，在设备性能下降到一定程度或故障将要发生之前主动实施维修［1］。它为电气设备安全、稳定、长周期、全性能、优质运行提供了可靠的技术和管理保障。
作到状态检修的关键是对设备状态的判断，不仅要识别已经发生的故障，而且预测未来可能发生的故障。解决这些问题，一些常规的计算程序和分析程序无能为力或不够有效。因为在这些问题中，人类专家的经验起着主导作用。因此，专家系统技术已经运用到电力设备状态检修中，特别是发电设备的状态检修。而专家系统技术用于供电设备的状态检修还不多见。原因在于供电设备的状态检修起步比较晚，这与早年实行“重发轻供不管用”的政策有关。当前电力企业深化改革，以利润为中心，实行内部模拟电力市场，促使供电企业努力提高供电可靠率和检修的经济性。因此供电设备的状态检修势在必行。
状态检修能够使检修和管理效率提高，设备大修间隔延长和小修频率降低，杜绝不足维修和过剩维修，减少重大事故的发生，提高了设备的可用系数，从而降低了企业经营成本。
1、配电设备状态检修决策支持系统的总体结构
随着传感技术、微电子、数字信号处理和计算机网络技术在状态监测中的应用，使状态检修成为可能。而人工神经网络、专家系统、模糊集理论等综合智能技术在状态识别和故障诊断中的应用，使状态检修得以实现［2，3］。
本系统根据在线和离线监测诊断数据、设备寿命预测数据、可靠性评价数据、设计参数、检修历史数据、同类设备统计数据等进行综合分析，并利用状态评价准则体系对设备状态变化趋势进行预测，运用决策模型给出检修什么和何时检修的建议，并制定检修计划，发布到企业网站。总体结构如图1所示。
1.1设备综合管理模块
状态检修需要大量描述设备状态及其演变过程的准确数据，即要有足够的信息用于分析与决策，这就是设备数据综合管理。该模块管理、存储所有设备资产清单，设备台帐图纸、设备设计数据、设备安装状况及系统图、维修历史数据、设备变更与维修记录、设备状态监测与诊断数据、事故及异常记录、测点设置、设备可靠性状态统计分析数据等等。
1.2智能化诊断模块
该模块用专家系统与人工神经元网络结合的方法实现。既能对单一试验数据进行故障诊断，也能对多种试验数据进行综合诊断。单一诊断用产生式专家系统，将规程规定和专家知识存储在知识库，可以随时更新、修改。综合诊断用人工神经元BP网络。功能模块之间用状态驱动。每一个层次的数据可以维护、查询，有利于程序的模块化设计［4，5］。
1.3检修决策模块
对单一设备，根据不同运行方式和检修方式，运用技术经济分析方法，对检修费用、效益进行评估，给出对该设备来说最佳检修时间、检修措施和检修项目，并形成检修决策报告。
1.4编制检修计划模块
状态检修并不排斥检修计划的作用，恰恰相反，状态检修体制还要利用一些先进的技术手段来动态地制订和优化供电设备检修计划，以充分发挥检修计划的指导作用。在状态检修体制下，面对众多需要检修的设备，检修计划的编制根据检修决策的结果，负荷预测、趋势分析、动态规则等手段考虑配网的运行方式、供电可靠性、经济性等要求，使检修计划既具有可行性，又具有科学性和经济性。
1.5企业网站检修信息发布模块
将排定的检修计划发布在供电企业网站上，供生产单位执行，也为用户提供了检修信息，大用户据此安排生产，减少供电设备检修带来的损失。这能提供服务质量，增加供电工作的透明度。
2、基于专家系统的单一诊断模块
2.1单一诊断功能
单一诊断是指对一种检测方法所取得的数据进行处理和判断，得出故障征兆或有关设备状态的初步结论。这些检测方法指：油中气体色谱检测、绕组直流电阻检测、绝缘电阻及吸收比、极化指数检测、绝缘介质损耗检测、油质检测和绝缘老化的检测等等。检测的数据与规程比、与历史比、与同类设备比，并考虑当前系统的运行状况，将这些知识保存在专家系统的规则库中。
通过各种方法检测到的数据，或通过检测数据计算出的数据，并不能说明当前设备的状况，只有与标准值比较，才能得到设备可能故障的征兆。如在变压器预防性试验中，绕组直流电阻MVA以下的变压器，相间差别是5%，与规程比较，规程规定一般不超过4%，所以得出绕组直流电阻相间差别过高的征兆。
单一诊断是对单项试验数据进行诊断。该方法简单、宜于实现，有时可直接定位故障。但更多时给的结论不够清晰，或结论片面。因此，该过程可以看作综合诊断的前期数据处理［6］。
单一诊断的结果可能有四种：
1）明确定位故障；
2）参数正常，不存在与此参数有关的故障；
3）不确定故障是否存在；
4）故障确实存在，但不能定位。后两种情况给出的结果不明确，需要更多的信息进行明确判断，由综合诊断来完成。但单一诊断的所有诊断结果都送到综合数据库里。在综合诊断中，对四种结论的处理各不相同。
单一诊断的过程是：
（1）数据采集：采集定期或不定期的试验数据；
（2）参数计算：有些参数据不能直接测得，需要用试验数据计算得到。
（3）参数换算：有时要把试验数据或参数换算成某一环境下的数据；
（4）数据比较：试验数据或换算后的数据与规程规定的标准试验数据比较，与设备原始数据比较；
（5）得出结论：单一诊断的结论是上述的四种结论。如果不需综合诊断，则可以直接生成诊断报告。
2.2专家系统各模块的功能
单一诊断功能由专家系统实现，该专家系统的模块如下：
（1）数据库：数据来源于设备综合管理模块。该库需要的数据有：设备工况数据，设备设计参数，设备缺陷与检修历史数据，事故记录，同类设备统计数据；
（2）知识库：该库包括故障诊断知识和设备状态预测知识。包含有设备的有关标准、规程、导则和有关设备性能指标的资料，以及收集的国内外诸多专家分析判断设备故障的权威经验，用产生式知识表示法表示知识；
（3）推理机：能进行故障诊断和设备状态预测，并设置监控预警功能，发现设备缺陷，向运行值班和检修负责人发出警报。考虑到供电设备故障的特点：有时是一种故障引起多个征兆；有时是一种征兆是由多个故障引起的，因此推理方式采用混合推理；
（4）学习机：随着标准、规程及导则中有关内容的变化，经验不断积累和增加。诊断知识库要随时扩充、修改、更新，增强专家系统的诊断、决策能力。因此，要求学习机有很强的自学习功能。自学习包括三个方面的内容：
①就诊断对象的功能状态去识别系统未曾掌握的征兆，并形成新的知识；
②有新的设备时，能够学习新设备的故障征兆和判断设备状态的规则；
③对知识的自行校正，如一致性检验、冗余检验等。
3、基于神经元网络的综合诊断模块
神经网络是对人脑神经系统的数学模拟，其目的是学习和模仿人脑的信息处理方式。神经网络把知识变成网络的权值和阀值，并分布存储在整个神经网络之中。在确定了神经网络的结构参数、神经元特性和学习算法之后，神经网络的知识表达是与它的知识获取过程同时进行、同时完成的。当训练结束时，神经网络系统所获取的知识就表达为网络权值矩阵和阀值矩阵。神经网络具有知识容量大，处理的问题范围广，推理速度快等优势。所以综合诊断是运用人工神经元网络在故障征兆与故障位置之间建立起数学模型，将综合诊断知识存储在网络的权值和阀值里。采用BP网络进行模型。故障征兆是输入层的X1，X2，X3，XL；输出层的Y1，Y2，Y3，YN是具体的故障。这里的故障征兆就是单一诊断的结论。
4、结束语
供电设备状态检修决策支持系统中设备状态诊断是关键，不仅能对已经发生的故障做出诊断，还能对将要发生的故障进行预测，这样才能根据状态进行检修。自学习功能，增加了该系统的灵活性，随着经验的积累，知识库的日益丰富，状态诊断的可靠性将日益提高。
状态检修离不开状态检测技术，供电设备的状态监测已经有许多的方法，如直流电阻测量，油色谱分析，绝缘性能测试，远红外测温，有载调压开关特性测试等。随着这些监测手段的日益完善，监测点逐渐增多，监测设备的功能强大，通过先进的通讯手段和计算机网络化管理，状态检修系统就更为健全。
从电力行业发展看，供电设备状态检修代替定期检修是必然的，但要有一段很长的过渡过程，在这期间，可能两种检修方式并存。做到真正的状态检修，仅有技术支持系统是不够的，还需要管理工作的配合、加强检修人员的培训等。
参考文献
［1］杨叔子，郑晓军。人工职能与诊断专家系统［M］。西安交通大学出版社，1990.
［2］许婧，王晶，高峰，束洪春。电力设备状态检修技术研究综述［J］。电网技术，2000（8）。
［3］白建青。供电设备从定期维修制向状态检修制过渡［J］。青海电力，1998（4）。
［4］尤钟晓，卢章辉，岑文辉。面向对象的电力系统调度操作专家系统［J］。电力系统自动化，1999（1）。
［5］邵胜利。开展状态检修实现可靠性和经济性相统一［J］。电力建设，1999（3）。
［6］杨以涵，唐国庆，高曙。专家系统及其在电力系统中的应用［M］。水利电力出版社，1995.
1、凡本网注明“来源：建设工程教育网”的所有作品，版权均属建设工程教育网所有，未经本网授权不得转载、链接、转贴或以其他方式使用；已经本网授权的，应在授权范围内使用，且必须注明“来源：建设工程教育网”。违反上述声明者，本网将追究其法律责任。
2、本网部分资料为网上搜集转载，均尽力标明作者和出处。对于本网刊载作品涉及版权等问题的，请作者与本网站联系，本网站核实确认后会尽快予以处理。
本网转载之作品，并不意味着认同该作品的观点或真实性。如其他媒体、网站或个人转载使用，请与著作权人联系，并自负法律责任。
3、本网站欢迎积极投稿。
