基于缺陷概率預(yù)測的主變巡視策略優(yōu)化

吳廣財　周?！?yán)宇平

摘 要： 設(shè)備巡視是預(yù)控設(shè)備運行風(fēng)險，夯實電網(wǎng)安全運行基礎(chǔ)的重要手段。通過以某省級電網(wǎng)公司35 kV及以上油浸式主變的歷史數(shù)據(jù)為基礎(chǔ)，構(gòu)建了基于Logistc回歸方法的主變個體缺陷概率預(yù)測模型，并提出了基于主變個體缺陷概率預(yù)測的設(shè)備巡視重點制定方法，通過實證數(shù)據(jù)驗證了基于主變個體缺陷概率預(yù)測開展設(shè)備巡視的有效性。

關(guān)鍵詞： 主變壓器； 缺陷概率預(yù)測； Logistic模型； 設(shè)備巡視

中圖分類號： TN710?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2015）05?0106?04

Main transformer inspection strategy optimization

based on prediction of defect probability

WU Guang?cai1， ZHOU Rui2， YAN Yu?ping2

（1. Information Center， Guangdong Power Grid Co.， Ltd.， Guangzhou 510180， China； 2. Guangdong Power Grid Co.， Ltd.， Guangzhou 510600， China）

Abstract： Device inspection is a significant means to control the risk and maintain the safe running of power grid. A defect probability prediction model based on logistic regression method is established on the basis of historical data of 35 kV and above oil?immersed transformers in a provincial power grid company. A method to generate the inspection strategy based on the model predicting the defect probability of individual transformer is proposed. The availability of the device inspection based on defect probability prediction for individual transformer is proved with real evidence data and empirical analysis.

Keywords： main transformer； defect probability prediction； logistic model； device inspection

0 引 言

設(shè)備巡視是預(yù)控設(shè)備運行風(fēng)險，提高設(shè)備健康水平，保障電網(wǎng)安全穩(wěn)定運行的重要途徑，其重點是及時發(fā)現(xiàn)和消除設(shè)備隱患，確保電網(wǎng)設(shè)備安全穩(wěn)定運行。目前，電網(wǎng)企業(yè)主要的設(shè)備巡視方式大體有兩種：日常巡視與特別巡視。為優(yōu)化巡視效果，研究人員嘗試從多個角度進(jìn)行巡視策略優(yōu)化研究，如廣州供電局王邦志等、廣西電網(wǎng)黃浩等的巡視工具優(yōu)化研究[1?2]，廣東電網(wǎng)電力科學(xué)研究院喇元等提出了基于風(fēng)險、設(shè)備狀態(tài)的電力設(shè)備巡視策略優(yōu)化 [3?4]。華南理工大學(xué)謝金泉等提出了基于設(shè)備缺陷的巡視策略[5]，具有一定的借鑒意義，但僅以設(shè)備缺陷數(shù)量判定缺陷狀態(tài)過于簡單。

為提高巡視的效率，一種有效的方法是開展設(shè)備的缺陷預(yù)測，對此許多學(xué)者進(jìn)行了較為深入的研究。如張增敏等利用數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則、分類、回歸、決策樹等進(jìn)行設(shè)備缺陷的預(yù)測[6?7]，陳義剛等利用支持向量機(jī)構(gòu)建了設(shè)備缺陷的預(yù)測模型[8]。但這些模型都是基于大量個體的宏觀信息對特定類型的設(shè)備開展的缺陷預(yù)測，可應(yīng)用于特定類型設(shè)備的缺陷預(yù)測，并不完全適用于設(shè)備個體，對于設(shè)備個體的巡視工作重點制定缺乏指導(dǎo)意義。因此，本文嘗試提出一種基于Logistic回歸分析主變個體缺陷概率預(yù)測方法，并在此基礎(chǔ)上提出了主變巡視策略的優(yōu)化方法。

1 基于Logistic回歸分析的主變?nèi)毕莞怕暑A(yù)測

模型構(gòu)建

Logistic模型由Malthus方程發(fā)展而來，常用來預(yù)測離散因變量與一組解釋變量之間的關(guān)系，其通過logit變換轉(zhuǎn)化為線性形式，可實現(xiàn)參數(shù)的估計[9]。由于Logistic模型對變量類型、數(shù)據(jù)的正態(tài)性等不作要求，并具有系數(shù)可解釋的優(yōu)點，其在醫(yī)學(xué)、社會學(xué)等領(lǐng)域都得到了廣泛應(yīng)用。本文以某省級電網(wǎng)公司35 kV及以上油浸式主變?nèi)毕輸?shù)據(jù)為例，利用Logistic模型實現(xiàn)主變個體缺陷概率的預(yù)測。

1.1 模型輸入變量選擇

主變是否發(fā)生缺陷與主變的設(shè)備型式（比如調(diào)壓方式）、歷史缺陷情況、生產(chǎn)廠家等多種因素都有關(guān)，通過對信息化系統(tǒng)中主變現(xiàn)有數(shù)據(jù)的梳理，結(jié)合電網(wǎng)行業(yè)專家的經(jīng)驗，本研究梳理了影響主變?nèi)毕莞怕实?6個狀態(tài)量，如表1所示。

1.2 輸入變量值分組

為提高預(yù)測精度，本研究對輸入變量取值進(jìn)行分組，并采用WOE（Weight of Evidence）值用于衡量輸入變量取特定值時對目標(biāo)變量的影響程度，IV（Information Value）值表征自變量所包含的信息量大小，用于衡量變量的預(yù)測能力[10]。

用Pct1表示指定輸入條件下發(fā)生缺陷的主變數(shù)量占訓(xùn)練數(shù)據(jù)中發(fā)生缺陷的所有主變數(shù)量的百分比，Pct0表示指定條件下未發(fā)生缺陷的主變數(shù)量占訓(xùn)練數(shù)據(jù)中未發(fā)生缺陷的主變數(shù)量的百分比，計算輸入變量每個值的WOE：

[WOE=ln（Pct1）-ln（Pct0）] （1）

將WOE值相近的項進(jìn)行合并分組，并根據(jù)分組結(jié)果以及對應(yīng)WOE值計算各模型輸入變量的IV值：

[PCT=Pct1-Pct0] （2）

[IV=WOE×PCT] （3）

對于每個變量，其分組內(nèi)WOE值越大，缺陷概率越高。IV值越大，變量對缺陷概率的影響越大。以該省級電網(wǎng)公司2008—2011年主變?nèi)毕萦涗涀鳛橛?xùn)練數(shù)據(jù)，計算各變量的WOE值及IV值，從而便于找到對設(shè)備缺陷概率有顯著影響的變量，如表2所示。

從表2中可以看出：“近24個月缺陷數(shù)量”變量內(nèi)各種數(shù)值的WOE值相差很大，IV值顯著高于“污區(qū)等級”變量，這說明“近24個月缺陷數(shù)量”這一因素對缺陷發(fā)生的概率的影響程度要大于“污區(qū)等級”因素。注意這里“影響程度”是從數(shù)據(jù)分析挖掘的角度來說的，也即模型的最終輸出結(jié)果對該變量的敏感度較高。從物理意義上來說，“近24個月缺陷數(shù)量”并不是缺陷是否發(fā)生的影響因素。

1.3 預(yù)測模型構(gòu)建

假設(shè)在輸入變量[X1，][X2，][…，][Xn]作用下，缺陷發(fā)生的概率為[p，]則缺陷不發(fā)生的概率為[1-p，]取[θp]為：

[θp=logit（p）=lnp1-p] （4）

式中：logit（p）是輸入變量X=1的差異比的自然對數(shù)。[θp]以logit（0.5）=0為中心對稱，且在p=0和p=1附近變化幅度較大，當(dāng)p從0變化到1時，[θ]p從-∞變化到+∞。則：

[θp=lnp1-p=β0+β1X1+β2X2+…+βnXn] （5）

則缺陷發(fā)生概率[p]的計算公式為：

[p=e1-（β0+β1X1+β2X2+…+βnXn）] （6）

令[α=β0+β1X1+β2X2+…+βnXn，]則[p=1e-α。]其中[|α|]與主變?nèi)毕莞怕蔥p]單調(diào)性一致。與WOE的關(guān)系為：

[α=β0+β1WOE1+β2WOE2+…+βnWOEn] （7）

式中：[WOE1，][WOE2，][…，][WOEn]表示各變量WOE值。

以該電網(wǎng)公司2008—2011年的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，2012年的數(shù)據(jù)作為驗證數(shù)據(jù)，2013年的數(shù)據(jù)作為測試數(shù)據(jù)，利用SAS中Wald 統(tǒng)計量對模型偏回歸系數(shù)的顯著水平進(jìn)行檢驗，剔除對因變量解釋能力較差的因素，如“設(shè)備近12個月的缺陷數(shù)量”等，參數(shù)估計結(jié)果如表3所示。

從訓(xùn)練結(jié)果可以看出，設(shè)備運行環(huán)境的污區(qū)等級、電壓等級、設(shè)備近2年發(fā)生缺陷的次數(shù)及近6個月發(fā)生缺陷的次數(shù)、設(shè)備廠商以及設(shè)備投運時間是影響主變?nèi)毕莞怕暑A(yù)測結(jié)果的重要變量。

2 基于缺陷概率預(yù)測的巡視策略優(yōu)化

利用設(shè)備缺陷概率預(yù)測模型，可輔助設(shè)備管理人員安排有針對性的重點設(shè)備巡視和維護(hù)。在Logistic模型中，并不存在理論上的最優(yōu)預(yù)測概率，即預(yù)測概率可為[0，1]區(qū)間上的任何值。但當(dāng)預(yù)測概率不同時，模型預(yù)測結(jié)果的第一類錯誤概率（誤判率，及設(shè)備實際上沒有發(fā)生缺陷，但判為有缺陷）和第二類錯誤概率（漏判率，即設(shè)備實際上發(fā)生了缺陷，但判為無缺陷）也不同，第一類錯誤概率的減少意味著第二類錯誤概率的增加。由于電網(wǎng)在運行過程，從確保安全可靠的角度出發(fā)，需要盡可能全面地發(fā)現(xiàn)缺陷，因此，在實際應(yīng)用中更傾向于降低第二類錯誤概率。在實際應(yīng)用中，可結(jié)合模型的誤判率和漏判率，確定重點巡視設(shè)備。

以該省級電網(wǎng)公司主變?yōu)槔?，將其所有主變按缺陷概率由高至低進(jìn)行排序，結(jié)果如圖1所示。

由圖1可知，以排名在50%的設(shè)備的缺陷概率[p]作為預(yù)測概率，當(dāng)概率大于[p]時認(rèn)為該設(shè)備發(fā)生缺陷，此時漏判率小于8%，較為理想，可作為主變巡視重點的判定依據(jù)。根據(jù)圖1，結(jié)合電網(wǎng)風(fēng)險等級，可確定主變的巡視重要性類別矩陣如表3所示。其中I類為最需關(guān)注的設(shè)備，IV類為最不需要關(guān)注的設(shè)備。

結(jié)合該省級電網(wǎng)公司的巡視周期，將Ⅰ類設(shè)備巡視周期定為1天1次，Ⅱ類設(shè)備巡視周期定為2天1次，Ⅲ類設(shè)備巡視周期定為1周1次，Ⅳ類設(shè)備巡視周期定為1月1次。

該策略在該省級電網(wǎng)公司下一級試點地市局應(yīng)用后，實施新策略前（2014年6月份）與實施新策略后（2013年6月份）變電設(shè)備的巡視工作量如表4所示。

2013—2014年間，該地市局新增變電站1座，新增主變占總設(shè)備數(shù)量的0.7%，由于設(shè)備較新，非缺陷主要來源。對比上述數(shù)據(jù)，實施新策略后，運維消耗的工作量大幅下降（如日常巡視工作量僅占實施策略前的21%），但發(fā)現(xiàn)的缺陷數(shù)量反而增多。這說明采用上述策略后，有效降低了巡視運維的工作量，并有利于巡視人員集中精力于最有可能發(fā)生問題的設(shè)備上，提高巡視效率。

對比該地市局2013年6—7月、2014年4—5月和2014年6—7月事故事件數(shù)據(jù)數(shù)據(jù)可見：在實施新運維策略前后，以及去年同期，同樣時間區(qū)間內(nèi)，事故事件數(shù)量沒有明顯變化，且均由于自然環(huán)境（雷擊、臺風(fēng)等）或者外力而導(dǎo)致，沒有發(fā)生因設(shè)備運維不當(dāng)而導(dǎo)致的事故事件。從總體上看，采取新的策略沒有導(dǎo)致事故事件數(shù)量和頻率的變化，對電網(wǎng)安全基本沒有影響，進(jìn)一步證明了該方法的有效性。

3 結(jié) 語

本文以某省級電網(wǎng)公司主變?nèi)毕輸?shù)據(jù)為例，基于Logistic模型，構(gòu)建了主變?nèi)毕莞怕暑A(yù)測模型。在此基礎(chǔ)上，結(jié)合模型的錯誤率和誤判率分析提出了基于缺陷概率預(yù)測的巡視策略優(yōu)化，根據(jù)設(shè)備缺陷概率差異情況，有針對性地進(jìn)行重點巡視和維護(hù)，提高工作效率，并通過實證研究，證明了該方法的有效性，說明該方法有利于加強(qiáng)對重要設(shè)備、健康狀況不良設(shè)備的運行維護(hù)，提高了工作效率。

參考文獻(xiàn)

[1] 王邦志，徐正清.一種靈活的設(shè)備巡視仿真機(jī)制在變電培訓(xùn)仿真系統(tǒng)中的應(yīng)用[J].廣東電力，2003，16（5）：46?48.

[2] 黃浩.標(biāo)準(zhǔn)化變電站巡視系統(tǒng)的研發(fā)與應(yīng)用[J].南方電網(wǎng)技術(shù)，2011，5（2）：89?91.

[3] 喇元，王紅斌，陳忠東.基于狀態(tài)評價及風(fēng)險評估的輸變電設(shè)備狀態(tài)檢修策略的研究[J].廣東電力，2010（10）：36?40.

[4] 林秋蓉，王相南，林遠(yuǎn)能，等.變電設(shè)備差異化巡視策略的實施[J].電力安全技術(shù)，2014（6）：16?18.

[5] 謝金泉，李曉華，何毅，等.變電設(shè)備狀態(tài)巡視策略研究[J].廣東電力，2012（9）：5?9.

[6] 張增敏.數(shù)據(jù)挖掘技術(shù)在變電站設(shè)備及缺陷管理系統(tǒng)中的應(yīng)用[D].西安：西安理工大學(xué)，2006.

[7] 陳擁軍.電力系統(tǒng)設(shè)備缺陷預(yù)測[D].杭州：浙江大學(xué)，2003.

[8] 陳義剛，徐厚東.基于支持向量機(jī)的變電設(shè)備缺陷發(fā)生率的預(yù)測及應(yīng)用[J].四川電力技術(shù)，2013（6）：75?77.

[9] 薛毅，陳立萍.統(tǒng)計建模與R軟件[M].北京：清華大學(xué)出版社，2007.

[10] HOPE B， CLARKSON J. A Strategy for using weight?of?evidence methods in ecological risk assessments [J]. Human and Ecological Risk Assessment， 2014， 20（2）： 290?315.