基于电力扰动波形最优表达的非入侵电力设备故障诊断

Non-intrusive power equipment failure (PEF) diagnosis by the power disturbance waveform (PDW) yielded from the PEF is one new hot field of modern power grid situation sensing, which can avoid power supply interruption, has low cost and strong sensing ability. However, smart failure diagnosis requires large amount of PDWs, which stresses the data manage system seriously; the PDW from PEF is complicated, whose features are hard to extract accurately; operation of special load generates similar PDWs as PEF does, which interferes the PEF diagnosis. The kernel of non-intrusive PEF is the optimal representation of PDW. To solve the problems mentioned above, we will: ① propose parameter representation of waveform data method for data dimension reduction based on high information density, and support the intelligence of the PEF diagnosis; ② propose fast multi scale union of bases decomposition for optimal representation and feature extraction of PDWs, and raise the accuracy of the PEF diagnosis; ③ propose ensemble learning of multi-label decision trees method for the complicated PDWs analysis based on the recognition of multi kind disturbance signal recognition, and enhance the robustness of the PEF diagnosis. Finally, we would to provide key supports for the smart, accurate, and robustness non-intrusive power equipment failure diagnosis by solving the scientific problems.

利用电力设备故障产生的电力扰动波形进行非入侵故障诊断是现代电网情景感知的新兴热点研究方向，具有无需供电间断、成本低、感知能力强等诸多优点。然而，智能的故障诊断依赖海量波形数据支撑，数据存储压力巨大；故障电力扰动波形特征复杂，高精度的故障诊断不易实现；非线性负载运行会产生与电力设备故障相似的扰动波形，给故障诊断带来干扰。电力扰动波形最优表达是非入侵电力设备故障诊断的核心。因此，针对以上问题，并围绕该核心，本项目拟：①提出波形数据全参数化表达的方法，研究超高信息密度的数据降维与存储，支持智能的故障诊断；②提出基于动态测度贪婪算法的多尺度快速联合基分解方法，研究快速的电力扰动波形最优表达，提高故障诊断的精确性；③提出基于多标签决策树的集成学习方法，研究基于多类型扰动信号识别的复杂电力扰动波形分析，增强故障诊断的鲁棒性。最终通过解决相关科学问题，实现智能、精确、鲁棒的非入侵电力设备故障诊断。

本项目研究了基于电力扰动波形最优表达的电力设备状态监测与故障诊断。项目具有以下三大特点。第一，仅依赖电气量，在不借助额外的传感器设备与装置的情况下，可非入侵的监测电力设备（变压器、电力电缆、电容器投切装置、架空线路、并网变流器等）状态，准确检测出变压器不规范合闸、电力电缆绝缘故障、电容器击穿故障、架空线路短路故障、并网变流器开路故障等多种设备故障。第二，可通过电压、电流波形的微小扰动，结合人工智能，检测出某些电力设备的早期故障（例如电力电缆早期绝缘故障），提前预警，避免严重事故的发生。第三，项目通过电力扰动波形的最优表达，精准抓住与设备故障机理相对应的扰动特征，在配电网的恶劣电能质量条件下（三相不平衡、频率偏移、负载波动、直流偏置、电压暂降等），仍能准确检测设备故障，检测结果具有较强的抗干扰能力。通过理论分析、仿真测试以及与目前主流方法的比较，项目成果最终在广东220kv变电站，用户侧并网变流器上进行了实验，结果证明了本项目方法的优越性。.项目还研究了大型调相机在线状态监测方法。通过建立调相机电机模型，利用优化算法辨识电机模型参数来在线实时的监测电机状态。.此外，随着通信和信息技术的飞速发展，利用无人机进行电力电缆故障检测、变压器损坏、绝缘子故障已有报到，并取得了良好的工程应用效果。电力设备分散在电网的各个环节，利用边缘计算与物联网技术进行分布式的电力设备状态监测与故障诊断具有良好的应用前景。为了有效地利用IoT设备产生的海量碎片化、结构/非结构化的大数据并提供实时和智能的分析决策，我们提出一种面向空天地一体化网络的端-边-云协同计算架构，其中无人机能够为物联网设备提供低延迟的边缘计算服务，提高了无人机巡检的监测效率。