论文部分内容阅读
随着我国特高压工程的建设和能源互联网的提出,对海量电力设备健康管理的重要性日益凸显出来,高压断路器作为电力系统中核心的控制和保护设备,保障其可靠稳定的运行状态尤为重要,对其状态监测和维修保养必不可少。然而对高压断路器进行状态检修存在运维时间节点的偏差性,为了能够确定检修的最佳时期,大范围降低断路器故障率和电网事故率,本文研究高压断路器寿命周期内退化过程的规律,对高压断路器的机械寿命和电寿命进行预测评估,为高压断路器维修策略提供合理性建议。本文首先分析高压断路器液压操动机构和灭弧室的工作原理,确定高压断路器机械寿命和电寿命的影响因素以及评判标准,为构建机械寿命的预测模型和电寿命的计算模块提供理论基础。另外搭建Hadoop+Spark大数据平台及其生态组件,以分布式文件系统HDFS实现数据存储,利用计算引擎Spark进行数据计算,在数据的采集与整合、数据存储与管理、数据分析与挖掘和模块的开发与设计等方面进行综合应用,为实现高压断路器寿命预测评估提供平台基础。本文提出利用决策树算法进行高压断路器健康状态的分类预测,广义线性回归算法进行高压断路器机械寿命的回归预测,基于高压断路器的机械寿命试验数据进行训练模型并验证评估。算例分析结果表明:决策树分类模型的预测准确率为0.97左右,而改进后的树模型为随机森林算法模型,其AUC值达0.97,表明分类模型拟合优良性较高。广义线性回归模型的RMSE为52.96,R~2值为0.92,表明所建模型的预测值和实际值偏差较小,拟合效果较好。另外本文提出一些针对算法模型和Spark组件的方法改进和优化模型。最后,针对高压断路器电寿命分析评估方面,本文基于相对电磨损和相对电寿命方法,设计和开发相对电寿命分析评估模块,主要包括计算公式的源码编程、相对电寿命模块的打包和发布,将整个模块开发为第三方库以实现在Hadoop+Spark大数据平台上调用,从而实现高压断路器相对电寿命的分析和标定功能。