3.1 关键技术研究

1.基于全景信息的输变电设备风险多维度动态预警技术

基于全景信息的输变电设备风险多维度动态预警技术包含多维度风险评估方法、设备故障动态预警方法以及对自然灾害的动态预警等三方面的主要研究工作。通过对设备自身及外在环境的全面综合监视，实现对大电网设备运行状态的全面感知。通过实时安全分析及智能诊断，实现电网设备运行风险的动态预警。

（1）多维度风险评估方法

输变电设备多维度风险评估包括运行风险要素分析、故障模式分析和运行风险评估三个环节。在运行风险要素分析的基础上，以云南电网典型故障模式和故障树分析为基础，建立了基于故障模式因果关系的多维度综合诊断模型，实现了基于物联网智能监测的气象环境、运行工况和实时状态的动态风险评估。

1）输变电设备运行风险要素分析。

风险要素是后续风险评估和风险预测的基础。风险有三个构成要素：风险因素、风险事件和风险损失。具体到输变电设备运行阶段的风险，三要素为故障原因、故障模式与故障后果，如图3-1所示。对输变电设备运行风险要素进行分析即为识别输变电设备故障原因及其特性，确定故障发生条件及其表现形式，评价故障后果的过程。本任务从输变电设备的故障统计数据出发，更加客观地确定了输变电设备的故障原因及其故障原因的时间特性、故障模式及故障模式的因果关系、故障后果及故障后果的估计方法。

表3-1汇总了各组织机构对输变电设备故障原因的调查结果。根据以上统计结果，可以发现输变电设备的主要故障原因包括：设计/制造/工艺因素、不良工况、老化和人为原因。基于故障原因的特点，本任务将其划分为三类，设计/制造/工艺造成的隐患在输变电设备投运时就存在，称之为固有故障隐患；老化通常为输变电设备在工作应力作用下的劣化结果，不良工况产生的随机应力为输变电设备在运行环境中所遭受的主要诱因；人为因素指在输变电设备操作、维修等过程中人为引入的运行风险隐患。

2）基于因果网络图的输变电设备故障模式分析。

本任务将因果网络图引入到输变电设备故障模式分析中，以表征故障模式之间的因果关系。因果网络图用网络图的形式反映故障模式的故障原因、故障后果。构建的输变电设备（以变压器绕组为例）故障模式的因果网络如图3-2所示，不同的部件采用不同颜色区分，有助于直观清晰地观察故障在部件间的传播过程。

3）基于综合故障诊断模型的输变电运行风险评估。

在分析输变电设备各故障要素之间因果关系的基础上，建立了以故障模式为中心、综合运行工况和故障征兆的贝叶斯因果网络，如图3-3所示，表3-2是以变压器为例相关节点符号的说明。输变电设备的不良工况、故障模式、故障征兆分别对应于贝叶斯网络中的背景变量、问题变量和征兆变量。

将图3-3所示模型转变为可直接应用的综合故障诊断模型，如图3-4所示。图3-4a所示模型为仅已知变压器经历不良工况时的变压器运行风险评估模型，不良工况为致险因素，故障诊断依据是不良工况对变压器的劣化作用机理；图3-4b所示模型为依据故障征兆与故障模式之间的概率因果关系以及考虑不良工况为增险因素作为故障诊断的辅助证据信息两种情况下的运行风险评估模型。

动态故障诊断机制的流程如图3-5所示。该方法基于贝叶斯网络综合故障诊断模型，利用网络推理算法求取证据信息对故障模式支持度高低，从而确定逐步诊断中证据信息获取的先后顺序。图3-5所示P_th为预先设定的概率阈值，即当故障模式的后验概率大于该阈值时就认为该故障模式发生。变压器运行风险评估流程如图3-6所示。

（2）设备故障动态预警方法

通过输变电设备故障原因与后果的分析，提出了基于领结模型的风险预测方法，建立了基于半马尔科夫过程和输变电设备劣化统一理论的输变电设备状态转化模型，并以变压器为例，进行了基于半马尔科夫过程的变压器风险预测和故障动态预警分析。

1）基于领结模型的风险致因分析。

以风险控制为导向的风险动态预警需要对故障模式同时进行向前向后的分析。本任务应用领结模型（Bow Tie，BT），结合故障树和事件树分析方法，分析常见故障模式的原因及后果，形成以故障模式为中心节点的领结模型，在此基础上进行风险预测。领结模型用图形的方式来描述一个关键事件的原因和结果，如图3-7所示，关键事件位于图形的中间，左侧用故障树分析关键事件的原因，右侧用事件树分析关键事件可能造成的后果。

传统的输变电设备故障树和事件树都可以用因果网络图表示，通过结果的前向分析和原因的后向分析可形成故障模式的领结模型。以常见的变压器绕组绝缘老化故障为例（图3-8），由图可见绕组绝缘老化的故障原因中含有绝缘油的作用，这是因为它们在物理位置和功能上有连接，造成部件间的故障传播。绕组绝缘老化的直接故障原因可以分为三类：固有故障隐患（统包绝缘膨胀、导线制造不良）、应力（过载、工作应力）和其他部件影响（绝缘油散热不良）。其他故障类似分析，不同的故障原因类别，会造成不同的故障发展过程，风险控制措施上也会有所差异。本任务基于故障模式的领结模型分析其前因后果，然后根据输变电设备的实际运行参数，形成对故障发展过程的定量化描述，并以货币值描述故障模式的风险。

2）基于半马尔科夫过程的变压器风险预测。

如果设备未来可能的状态仅与当前状态有关，则故障发展过程可用马尔科夫过程表示。传统的马尔科夫过程假设状态的停留时间分布为指数分布，但实际情况中很难满足此要求，为此本任务采用半马尔科夫过程描述故障模式的发展过程。

半马尔科夫过程与马尔科夫更新过程有关，马尔科夫更新过程中，如n为非负整数，设随机变量X={X_n}，X_n∈S，T={T_n}，T_n≥0，随机变量0=T₀≤T₁≤…＜T_n-1≤T_n≤…。若对于任意n≥0，j∈S，t≥0满足：

则称随机过程{X，T}={（X_n，T_n），n≥0}为状态空间S上的马尔科夫更新过程。其中

被定义为半马尔科夫核。

若{X，T}={（X_n，T_n），n≥0}为马尔科夫更新过程，则Y_t=X_n，t∈[T_n，T_n+1]即为半马尔科夫过程。半马尔科夫过程对状态停留时间的分布没有要求，可以为任意分布，当其为指数分布时，半马尔科夫过程就是连续时间的马尔科夫链。

获取故障概率的核心是量化关键事件与领结模型左侧原因节点和右侧后果节点间的概率关系，首先需要对领结模型左侧和右侧的结构进行简化。图3-9描述了领结模型化简后的基本结构，更复杂的情况一般可由这两种基本结构组成。

在获得领结模型的化简结构后，下一步工作是量化其中的因果关系。本任务采用半马尔科夫过程描述其中的劣化过程，如图3-10所示。

本任务假设输变电设备在劣化状态停留时间的概率密度分布为威布尔分布，由此形成了半马尔科夫过程中常见的模型形式Weibull-Markov模型，如图3-11所示。在获取Weibull-Markov模型中的参数后，即可根据半马尔科夫过程的数值求解过程获取各个时刻输变电设备处于每个状态的概率，得到输变电设备风险中的故障概率因素。

Weibull-Markov风险模型的故障后果即为维修各状态所需费用。首先依据经验估算状态的维修时间类别，然后查找维修时间类别对应的维修费用。故障维修时间与领结模型左侧的故障原因密不可分，在确定维修时间类别后，即可获得对应的维修费用。某变压器绕组过热引起短路故障的维修费用估算见表3-3。

设备风险为故障概率和故障后果的乘积。通过以上分析获得了图3-11中输变电设备处于各状态的概率和各状态的维修费用后，根据式（3-3）即可获得设面临的运行风险：

式中，R（t）为在t时刻面临的运行风险的修复费用；n为图3-11中的状态数；P_i（t）为在t时刻设备处于第i个状态的概率；C_i为修复第i个状态所需的费用。

图3-12描述了风险预测的流程，其中灰色填充部分为该步骤的理论基础。

（3）自然灾害因子预测方法

自然灾害包括山火、雷电、沙暴、台风、地震、覆冰等，都可能对电网和输变电设备带来巨大损失。本任务建立了变电站及输电线路的危险点信息库，提出了灾害因子的发展趋势和移动路径的预测方法，实现了雷电和覆冰的早期预警。

1）雷电预测。

本任务基于雷电定位系统历史与实时数据建立了输电线路雷击概率和输电线路闪络概率的实时预测方法：首先将落雷区域划分为0.01°×0.01°（约1km²）网格单元，并结合地理坐标确定网格参数，利用DBSCAN算法剔除噪声点，利用多项式拟合预测未来雷云移动路径，利用反距离加权插值算法预测相应时刻雷云的覆盖区域，并根据引雷宽度、区域地形、是否易击点等数据预测每个网格内输电线路的雷击概率和跳闸概率。

雷云趋势预测：

本任务通过计算近10组雷电监测数据所占地理网格的数量和形状变化，预测下一时间段雷云形态变化趋势；通过拟合6组数据“质心网格”的运动轨迹，预测雷云路径。首先根据雷云路径拟合曲线求得该时刻雷云网格质心的地理坐标，然后将最后一时间段网格结构数据按照雷云路径拟合曲线进行计算，得到新的一组结构数据，然后进行反距离加权插值法确定落雷区域与区域内所有网格的落雷数量与雷电流赋值平均值，从而预测雷云趋势。

雷击概率预测：

本任务用引雷宽度C_w来描述落雷点与线路水平距离对线路雷击概率的影响，用网格易击系数C_p来描述地形与是否易击点和易击段对线路雷击概率的影响。

图3-13为线路雷击示意图，图中共有1#、2#、3#、4#、5#五座杆塔，用X表示，杆塔间相连的线段代表线路，·代表落雷点，矩形EFHG代表某网格，矩形ABCD代表引雷区域，线段O₁O₂代表引雷宽度。

引雷宽度C_w是描述输电线路及其附属设施（包括杆塔、避雷线）遭受雷击近乎必然事件的最小水平距离，如图3-13中EF所示。易知：

式中，l_AB为A、B相导线水平距离（m）；r_s为击距（m）。

易击系数C_p是引雷宽度内落雷密度与网格内其他区域落雷密度之比，C_p综合了地形与线路是否易击段对线路遭受雷击概率的影响，在地理跨度不大的情况下，可以较准确描述在引雷区域面积与非引雷区域面积相同情况下某高压输电线路雷击概率大小。当发生一次落雷时，线路遭受雷击概率：

式中，为线路遭受单次雷击概率；l为线路在网格内的长度；S_g为网格内总面积；C_w、C_p为线路2-3在该网格内的引雷宽度与易击系数。

因此线路2-3遭受单次雷击概率为

式中，为线路2-3遭受单次雷击概率；C_p（2-3）为线路2-3在该网格内的易击系数。

假设线路2-3所在网格在未来某时刻预测将发生N次落雷，则线路2-3引雷区域内的落雷数量为

式中，N（l_2-3）为线路2-3引雷区域内的落雷数量，由此可以确定雷击概率。

2）覆冰预测。

这里研究了输电线路覆冰过程预测的数据驱动模型，如图3-14所示。该模型可以充分利用在线的实时数据和丰富的离线历史数据，定性和定量地对覆冰过程进行预测。定性预测模型采用基于粒子群及SOM聚类的输电线路覆冰过程微气象特征提取方法，克服了输电线路覆冰负荷预测及预警定性模型中主要依靠人工经验确定气象特征参数的弊端；定量预测模型基于Takens相空间理论和SVM的机器学习方法，建立了覆冰过程混沌时间序列模型，实现了覆冰的定量预测。

①覆冰过程微气象特征提取与定性预测模型。

本任务提出了基于Kohonen的自组织图（Self-Organizing Map，SOM）及粒子群（Particle Swarm Optimization，PSO）聚类算法的输电线路覆冰过程微气象特征提取模型，数据来源于滇东北大镇线覆冰监测，模型结构如图3-15所示。

具体实现步骤如下：

Step1：对参与聚类的变量，包括微气象信息、时效因子与对应的覆冰负荷数据进行相关分析，剔除与覆冰过程相关性小的变量，降低聚类数据的维度；

Step2：基于粒子群聚类算法，对微气象信息、时效因子与对应的覆冰负荷数据等过程信息进行自动分类；

Step3：通过统计学模型计算微气象信息的特征数据，包括温度、湿度、日照等的平均值、最大值、最小值；

Step4：依据微气象特征数据，确定覆冰过程定性预测的模糊推理模型，包括论域的划分、隶属度函数参数的确定等。

Step5：依据覆冰过程定性预测结果，结合该监测点对应的导线覆冰载荷设计标准，得到覆冰预测信息。

②覆冰过程混沌时间序列模型。

输电线路的覆冰负荷会随时间的增加而快速增加，特别是连续的冻雨天气，输电线路的覆冰负荷达到杆塔设计冰载荷只需1至2天的时间。因此必须解决覆冰分析过程的时效性问题。

覆冰增长过程的状态方程如式（3-8）所示：

输电线路覆冰状态过程是由u（k）驱动的时间序列过程，而u（k）由微气象因子所决定，主要包括环境温度、湿度、风速、风向、气压以及日照强度，如式（3-9）所示。

因此可以用如下的状态方程对覆冰过程进行描述。

式中的变量定义见表3-4。

因此，k时刻的输电线覆冰负荷是由k-1时刻的微气象因子和覆冰负荷决定的，它是一个多变量的时间序列过程。

根据Takens嵌入定理及相空间重构理论，可以得到覆冰和微气象数据构成的多变量时间序列的关系式为

式中，Φ_i（·）是各时间序列从时间点n -k到时间点n的非线性映射。因此q_W（n +k）和V（n）之间的映射关系可用式（3-12）来表示：

③基于SVM的覆冰负荷定量预测模型。

由覆冰过程混沌时间序列分析可知，n时刻的覆冰重量与式（3-12）所示的重构相空间存在多变量的高维非线性映射Φ_r（·），Φ_r（·）可由各类机器学习方法等建立。其学习的目的是使式（3-13）的值达到最小。

得到Φ_r（·）后，根据覆冰负荷定量估计与预测系统数据处理流程，可实现覆冰的在线定量预测。

2.输变电设备全寿命周期过程优化管理技术

基于全景信息的输变电设备风险多维度动态预警技术包含基于统一劣化模型的设备寿命评估方法、输变电设备全寿命运维费用分析模型、全寿命周期关键指标体系、全寿命周期闭环管理机制等四方面的研究内容，将可靠性量化指标覆盖全寿命周期管理的各个环节，实现了输变电设备全寿命周期闭环管理。

（1）基于统一劣化模型的设备寿命评估方法

本任务采用寿命损耗的概念将不同种类时变应力（热应力、电应力、机械应力、随机应力）对输变电设备的影响进行归一化处理，并在此基础上考虑多种应力的综合影响，提出了多老化时变应力作用下剩余寿命评估方法，使寿命评估结果更准确和符合实际。

多种时变应力作用下设备寿命的计算方法流程如下：

1）将输变电设备运行时间段t划分为n个单位时间段t_Δ，记为t₁，t₂，…，t_n，获取运行时间段t内受到的持续应力和随机应力，热应力以第一热点温度θ₁，θ₂，…，θ_n表示，电应力以第一场强E₁，E₂，…，E_n表示，机械应力以第一机械应力M₁，M₂，…，M_n表示，过负荷冲击应力以输变电设备第二热点温度θ_o1，θ_o2…，θ_ox和相应的过负荷冲击次数n_o1，n_o2，…，n_ox表示，雷电冲击应力以第二电压U_l1，U_l2，…，U_lx和相应的雷电冲击次数n_l1，n_l2…，n_lx表示，外部短路冲击应力以第二电流I_s1，I_s2，…，I_sx和相应的短路冲击次数n_s1，n_s2，…，n_sx表示。

2）对热应力，根据阿伦纽斯模型，分别计算在第一热点温度θ₁，θ₂，…，θ_n下的输变电设备热使用寿命L_θ1，L_θ2，…，L_θn：

根据热使用寿命L_θ1，L_θ2，…，L_θn，计算得到输变电设备在时段t内由于热应力引起的热寿命损耗d_θ为

对电应力，根据反幂模型，分别计算在第一场强E₁，E₂，…，E_n下的输变电设备电使用寿命L_E1，L_E2，…，L_En：

根据电使用寿命L_E1，L_E2，…，L_En，计算得到输变电设备在时段t内由于电应力引起的电寿命损耗d_E为

对机械应力，根据反幂模型，分别计算在第一机械应力M₁，M₂，…，M_n下的输变电设备机械使用寿命L_M1，L_M2，…，L_Mn：

根据机械使用寿命L_M1，L_M2，…，L_Mn，计算得到输变电设备在时段t内由于机械应力引起的机械寿命损耗d_M为

对过负荷冲击应力，根据阿伦纽斯模型，计算输变电设备在第二热点温度θ_o1，θ_o2，…，θ_ox下可承受的总过负荷次数N_o1，N_o2，…，N_ox。

然后，根据可承受的总过负荷次数N_o1，N_o2，…，N_ox，计算得到输变电设备在时段t内由于过负荷冲击应力引起的过负荷冲击寿命损耗d_θo为

对雷电冲击应力，根据已有的输变电设备U-N曲线，得到输变电设备在第二电压U_l1，U_l2，…，U_lx下可承受的总雷电冲击次数N_l1，N_l2，…，N_lx。

然后，根据可承受的总雷电冲击次数N_l1，N_l2，…，N_lx，计算得到输变电设备在时段t内由于雷电冲击应力引起的雷电冲击寿命损耗d_Ul为

对外部短路冲击应力，根据已有的输变电设备I-N曲线，得到输变电设备在第二电流I_s1，I_s2，…，I_sx下可承受的总短路冲击次数N_s1，N_s2，…，N_sx。

然后，根据可承受的总短路冲击次数N_s1，N_s2，…，N_sx，计算得到输变电设备在时段t内由于外部短路冲击应力引起的短路冲击寿命损耗d_Is为

在时段t内，由所有应力引起的输变电设备寿命损耗为

3）计算T_k=T_k-1+t（k=1，2，…，n）时刻，输变电设备的累积寿命损耗D_k=D_k-1+d（k=1，2，…，n），对D进行判断，若D大于1，则表明输变电设备使用寿命到期，即输变电设备的估算寿命为L=T；若D小于1，则表明输变电设备使用寿命未到期，重复步骤2）～步骤3），直到输变电设备使用寿命终止。

其计算机的流程实现如图3-16所示。

（2）输变电设备全寿命运维费用分析模型

若认为输变电设备仅有运行和停运两种状态，则一个维修周期中总费用应该由两部分组成：日常维护和计划停运过程中预防性维修期间的费用（C_P），以及故障预警或者事故后的非计划停运期间的费用（C_F）。因此总维修费用为

式中，λ（T）为故障率；C_P为预防性维修的费用；C_F为非计划停运时的维修费用。

因为求解最佳预防性维修周期的目标函数是单位时间的维修费用，所以，需要通过总费用及周期时间计算单位时间费用函数C（T）：

结合电力变压器维修周期模型，可得单位时间的维修费用为

式中，C_P为每次计划停运维修平均费用；C_F为每次非计划停运维修平均费用；λ（t）为故障率。

C（T）计算式的分母部分表示在该维修周期内设备的平均工作时间；分子表示该维修周期内的总维修费用，其中前一项表示计划停运部分，后一项表示非计划停运部分，二者在总费用中所占的比重与设备的可靠度函数有关，随着时间T的加长，非计划停运所占费用的比例加大。

以C（T）为目标函数，认为满足C（T）最小的T值为最佳维修周期T^*。对单位时间维修费用C（T）进行求导，令

经过整理可得最佳维修周期T^*满足

式中，λ（t）为故障率函数；k为费用系数（k=C_P/C_F）。

当设备运行时间服从威布尔分布时，故障率

将上述的威布尔分布的故障率表达式代入总维修费用公式，可得

与最大可用度原则获得的最佳维修周期方程相似，最小维修费用原则下，对于早期故障期和偶然故障期，单位时间的维修费用也无解，而对于耗损故障期，由于故障率λ（t）为增函数（威布尔分布时m＞1），最佳维修周期T^*有确定解。也就是说，最小维修费用原则和最大可用度原则都仅适用于耗损故障期。

输变电设备两种维修周期确定原则所对应的可靠性、维修性和经济性指标，可归纳如表3-5所示。

为了获取设备电力变压器的上述相关指标，考虑了以下三点：①维修性指标t₁和t₂可充分、合理地利用电力部门已有的可靠性数据，直接从电力部门发布的统计资料中获得；②可靠性指标λ需自行统计，应针对输变电设备的可维修性特点进行；③经济性指标C_P和C_F应根据电力变压器的运行和维修实际，针对一个维修周期进行费用分析，从而较为准确地获得有关的停运费用。

（3）全寿命周期关键指标体系

本任务建立了全寿命周期管理体系、技术体系和执行体系，通过精细化和科学化管理，提高设备检修的针对性和有效性，提高设备完好率和利用率，如图3-17中椭圆标注的为关键因素。

输变电设备全寿命周期关键指标体系层级结构如图3-18所示。决策层确定可靠性、经济性和社会影响三类企业目标；管理层将目标分解，即可靠性、维修性、保障性和费用，确保检修工作的目标和企业目标的一致性，使检修工作有效、更具针对性；执行层涉及设备运维检修的各方面信息。

通过制定从执行层到管理层和决策层的数据信息反馈机制，定期评估KPI值，不断改进检修策略，如图3-19所示。

（4）全寿命周期闭环管理机制

建立了基于关键组部件失效机理和家族缺陷的设备可靠性关联分析方法，提出了对设备采购、基建、运行、维护、技改退役各业务环节中影响设备安全服役主要因素的控制策略，形成了输变电设备全寿命周期闭环管理机制，如图3-20所示。

输变电设备全寿命周期管理系统的功能包括输变电设备状态监视、环境监视、异常预警、智能诊断、状态评价、风险预测、检修决策、绩效评估等功能，涉及多个技术管理部门，其所关心的技术经济指标有较大差异，管理流程和侧重点相互独立，典型的采购、基建、运维流程如图3-21～图3-23所示。

3.基于物联网的运维协同管控策略

（1）全方位运行风险防控策略

提出了基于风险源综合辨识和分级防控的云南电网全寿命周期运维管理策略，建立了基于环境风险预测的重点管控设备应急防控方案，如图3-24所示。

建立了输变电设备运维、检修、更换、故障等成本分析模型，结合成本分析模型的研究，提出了输变电设备绩效评估方法，如图3-25所示。

（2）基于物联网的检修资源联动策略

应用目标识别、实时跟踪、风险分类和区域定位等相关物联网技术，建立了基于物联网的备品备件、物资人员的优化配置和协调联动策略，实现了对输变电设备检修资源的智能调配。

1）设备关键组部件与备件库进行关联。

2）记录设备各部件更换历史、缺陷及维修记录。

3）记录备件的型号、厂家、储运年限、运输方式（车辆及道路要求）、安装方式、安装技术条件（含人员、装备）、状况及质量评价、备件存储地点、与相邻变电站设备的关联。

4）针对电网的实时风险预测结果，建立应急预案。自动分析备料时间、运送时间（路线选择分析与导航系统交互）、安装调试时间以及投运时间。形成若干抢修方案，从时间和经济性两方面进行评估。

5）电网紧急风险下的抢修组织（人员、装备、设备资源）。