融合在線監(jiān)測數(shù)據(jù)的變壓器狀態(tài)評估

郝思鵬，張濟韜，張仰飛，張小蓮

（1.南京工程學(xué)院 電力工程學(xué)院，江蘇 南京 211167；2.國網(wǎng)響水供電公司，江蘇 響水 224600）

0 引言

變壓器是電力系統(tǒng)中的關(guān)鍵設(shè)備，對變壓器的運行狀態(tài)進(jìn)行評估，可及時發(fā)現(xiàn)設(shè)備的潛在風(fēng)險，提高系統(tǒng)安全運行水平。傳統(tǒng)變壓器狀態(tài)評估主要基于定期的油色譜檢測、介質(zhì)損耗測試等項目，其數(shù)據(jù)采集間隔時間較長，難以評估間隔期間的變壓器狀態(tài)變化，且只能通過檢測數(shù)據(jù)是否越限反映變壓器的運行狀況。

隨著在線監(jiān)測技術(shù)的發(fā)展，電力公司對大型變壓器安裝了大量的在線監(jiān)測裝置。如：截至2015年江蘇電力公司共裝設(shè)279臺變壓器在線油色譜監(jiān)測裝置。這些在線監(jiān)測裝置為評估變壓器狀態(tài)提供了新的數(shù)據(jù)源和分析思路。文獻(xiàn)［1］將在線監(jiān)測數(shù)據(jù)引入變壓器狀態(tài)評估，在線數(shù)據(jù)的使用方法仍采用傳統(tǒng)三比值法和特征氣體法等。文獻(xiàn)［2］指出進(jìn)行變壓器狀態(tài)評估時，不僅需考慮監(jiān)測數(shù)據(jù)的大小，還需考慮在線監(jiān)測數(shù)據(jù)的變化趨勢。通過計算平均變化速率來反映在線數(shù)據(jù)的變化趨勢，及早發(fā)現(xiàn)潛伏性風(fēng)險。該方法雖然引進(jìn)了新的評價指標(biāo)，但由于平均變化速率的計算忽略了變化的拐點和躍變點，分析結(jié)果有時存在較大偏差，需要更好的識別算法。

不同類型的數(shù)據(jù)各自反映變壓器某一方面或某幾方面的狀態(tài)，近年來，變壓器狀態(tài)評估逐步向融合多類型數(shù)據(jù)發(fā)展。國內(nèi)外學(xué)者將神經(jīng)網(wǎng)絡(luò)［3］、支持向量機（SVM）［4］、灰色系統(tǒng)理論［5］等各種智能技術(shù)引入變壓器狀態(tài)評估中，實現(xiàn)了對變壓器各類狀態(tài)信息的融合，在實踐中也取得了較好的效果。文獻(xiàn)［6］提出了模糊綜合評價和改進(jìn)證據(jù)理論相融合的變壓器狀態(tài)評價方法，可解決高沖突證據(jù)融合時產(chǎn)生相悖結(jié)論的問題。文獻(xiàn)［7］提出了多信息量融合的電力變壓器狀態(tài)評估模型，建立了各狀態(tài)信息的隸屬函數(shù)，并改善了權(quán)重問題。文獻(xiàn)［8］提出了集對分析和證據(jù)理論融合的變壓器內(nèi)絕緣狀態(tài)評估方法，可解決狀態(tài)信息繁多且不確定的問題，實現(xiàn)狀態(tài)信息的較好融合。這些方法主要考慮不同類型指標(biāo)的靜態(tài)融合。實際工程中，在線監(jiān)測等動態(tài)信息每天都發(fā)生變化，而預(yù)防性試驗等靜態(tài)數(shù)據(jù)可能是數(shù)月前的，并且隨著時間推移而愈發(fā)不能反映變壓器的當(dāng)前狀態(tài)，融合多類型數(shù)據(jù)時需要考慮信息可信度的不斷變化。

鑒于上述問題，本文提出了基于小波模極大值識別油色譜在線監(jiān)測數(shù)據(jù)快速漸變的拐點和躍變點，更準(zhǔn)確地反映變化的趨勢，實現(xiàn)對動態(tài)指標(biāo)變化的準(zhǔn)確跟蹤，及時發(fā)現(xiàn)變壓器潛伏性風(fēng)險。在此基礎(chǔ)上，構(gòu)建動態(tài)指標(biāo)、靜態(tài)預(yù)防性試驗數(shù)據(jù)指標(biāo)的綜合評價模型，提出時間可信度指標(biāo)，根據(jù)試驗數(shù)據(jù)獲得時間遠(yuǎn)近設(shè)置不同的權(quán)重，實現(xiàn)靜態(tài)指標(biāo)的動態(tài)化處理。

1 變壓器狀態(tài)的評價指標(biāo)

電力變壓器狀態(tài)信息眾多，這些信息從不同層面表征了變壓器的狀態(tài)，一般可分為靜態(tài)指標(biāo)和動態(tài)指標(biāo)，靜態(tài)指標(biāo)主要通過數(shù)值大小反映變壓器狀態(tài)，通常將離線油色譜分析、介質(zhì)損耗實驗等作為靜態(tài)指標(biāo)；動態(tài)指標(biāo)一般通過數(shù)值的變化趨勢反映變壓器狀態(tài)，通常將產(chǎn)氣速度、油溫變化趨勢等作為動態(tài)指標(biāo)。動態(tài)指標(biāo)反映變化趨勢，可彌補靜態(tài)指標(biāo)的不足，更準(zhǔn)確地評估變壓器面臨的風(fēng)險。變壓器主要狀態(tài)指標(biāo)如圖1所示。

目前，電力變壓器狀態(tài)評價等級的劃分并沒有統(tǒng)一的標(biāo)準(zhǔn)。本文參考相關(guān)導(dǎo)則和已有研究成果［6］，將變壓器狀態(tài)等級分為4級，即：正常狀態(tài)、注意狀態(tài)、異常狀態(tài)和嚴(yán)重狀態(tài)?？紤]到實際工程的評估需要，采用相對劣化度指標(biāo)指示對應(yīng)狀態(tài)，劣化度作歸一化處理，其數(shù)值分布在［0，1］之間，相對劣化度指標(biāo)處理方法可參考文獻(xiàn)［1］。相對劣化度指標(biāo)與狀態(tài)之間的對應(yīng)關(guān)系如表1所示。

圖1 變壓器狀態(tài)評估指標(biāo)體系Fig.1 Index system of transformer state evaluation

表1 相對劣化度與狀態(tài)之間的關(guān)系Table 1 Relationship between relative deterioration degree and state

2 動態(tài)指標(biāo)分析及其識別算法

傳統(tǒng)變壓器狀態(tài)評估多采用靜態(tài)數(shù)據(jù)，近年來，雖在油色譜分析中引入了產(chǎn)氣速度等動態(tài)數(shù)據(jù)，但對動態(tài)數(shù)據(jù)的處理主要采用宏觀的平均值法，忽略了其微觀的動態(tài)變化過程，會給狀態(tài)評估帶來偏差。

隨著對供電可靠性等性能要求的提高，油色譜、振動等在線檢測裝置逐步應(yīng)用于變壓器狀態(tài)監(jiān)測，為變壓器的狀態(tài)監(jiān)測提供了動態(tài)數(shù)據(jù)源。如何更準(zhǔn)確地利用這些數(shù)據(jù)成為變壓器狀態(tài)評估的新課題。

2.1 在線油色譜動態(tài)行為分析

根據(jù)江蘇電力公司在線監(jiān)測數(shù)據(jù)分析，變壓器油色譜動態(tài)變化趨勢主要有漸變、躍變2種。其中，漸變分為慢速漸變和快速漸變，慢速漸變一般受正常老化和季節(jié)等因素影響，快速漸變則對應(yīng)內(nèi)部過熱等潛伏性缺陷；躍變通常對應(yīng)輕微放電等缺陷［9］。

快速漸變現(xiàn)象是指在某個拐點后，動態(tài)指標(biāo)總體變化趨勢上升較快，但其大小和絕對速率大多沒有超過注意值，且變化趨勢沒有趨緩跡象。變壓器油色譜動態(tài)指標(biāo)快速漸變趨勢如圖2所示。

圖2 變壓器油色譜動態(tài)指標(biāo)漸變趨勢Fig.2 Gradient trend of transformer’s oil chromatography dynamic index

躍變現(xiàn)象是指前期在線監(jiān)測變化趨勢變化正常，在某個時刻數(shù)值突然變化較大，發(fā)生明顯的跳變。變壓器油色譜動態(tài)指標(biāo)躍變趨勢如圖3所示。

圖3 變壓器油色譜動態(tài)指標(biāo)躍變趨勢Fig.3 Jump trend of transformer’s oil chromatography dynamic index

傳統(tǒng)平均產(chǎn)氣速度動態(tài)指標(biāo)忽視了可能存在的快速漸變的拐點和躍變點，導(dǎo)致其平均產(chǎn)氣速度值偏低，并且無法區(qū)分躍變和漸變，從而使劣化度指標(biāo)計算值偏低，影響變壓器的檢修安排。

考慮到在線監(jiān)測數(shù)據(jù)中可能存在噪聲、壞數(shù)據(jù)，一般不能用臨近的2組數(shù)據(jù)計算漸變的產(chǎn)氣速度變化及判別躍變點。需利用更長區(qū)域的數(shù)據(jù)以及合適的識別算法準(zhǔn)確地判別快速漸變的拐點和躍變點。

2.2 基于小波模極大值的動態(tài)行為識別

（1）基于時間序列的動態(tài)行為建模。

針對動態(tài)行為的2種類型，采用基于時間序列的算法在線建模，便于檢測監(jiān)測數(shù)據(jù)的異常變化，得到模型如下：

其中，v 為模型階次；et（t=1，2，…）為擬合殘差。

當(dāng)各動態(tài)指標(biāo)x1、x2、…中沒有出現(xiàn)異常變化時，分別建立函數(shù)模型g（x）。若時刻t某動態(tài)指標(biāo)出現(xiàn)快速漸變或躍變，即時刻t之后的監(jiān)測數(shù)據(jù)不符合g（x），若采用 g（x）對動態(tài)監(jiān)測數(shù)據(jù)進(jìn)行擬合，將出現(xiàn)較大的殘差et。其中漸變殘差為斜坡函數(shù)，躍變殘差為階躍函數(shù)。

（2）基于小波模極大值動態(tài)行為識別算法。

設(shè)小波函數(shù) Wf（s，x）在尺度 s下，在 x0的某一鄰域 S，對一切 x 有［10-11］：

其中，x0為小波變換的模極大值點；Wsf（x0）為小波變換的模極大值。小波變換模極大值與動態(tài)行為異常點對應(yīng)，若動態(tài)狀態(tài)監(jiān)測數(shù)據(jù)有異常變化，則從異常數(shù)據(jù)起，其分解的小波系數(shù)將出現(xiàn)模極大值；反之，由于殘差et較小，分解得到的小波系數(shù)也較小。

對于躍變和快速漸變而言，其殘差et的數(shù)值都較大，需要進(jìn)行區(qū)分。Mallat等人建立了Lipschitz指數(shù) α 與小波系數(shù)的關(guān)系［12-13］：

其中，Wf（s，x）為 f（x）的模極大值；K 為常數(shù)；j?Z 為分解尺度；s=2j。

由式（3）可知：若α>0，則小波模極大值隨小波尺度的增大而增大；若α=0，則小波模極大值與小波尺度無關(guān)。動態(tài)指標(biāo)為漸變趨勢時，殘差et表征為斜坡函數(shù)，則α>0，小波模極大值隨小波尺度增大而增大；動態(tài)指標(biāo)為躍變趨勢時，殘差et表征為階躍函數(shù)，則α=0，小波模極大值與小波尺度無關(guān)，因此可在2個小波尺度下對殘差et進(jìn)行分解來區(qū)分監(jiān)測數(shù)據(jù)的漸變和躍變變化趨勢。

動態(tài)行為數(shù)據(jù)檢測算法的具體流程如圖4所示，具體步驟如下。

圖4 動態(tài)狀態(tài)指標(biāo)異常檢測算法Fig.4 Detection algorithm of abnormal dynamic index

a.基于時間序列對動態(tài)狀態(tài)量監(jiān)測數(shù)據(jù)建模，得到擬合殘差 et（t=1，2，…）。

b.在N、M 2個小波尺度下對擬合殘差et進(jìn)行在線小波分解，得到小波系數(shù)Ak，并消除噪聲。若小波系數(shù)Ak≤ε（ε為閾值），則狀態(tài)量變化趨勢正常；若小波系數(shù)Ak>ε，則轉(zhuǎn)步驟c。

c.計算N、M 2個小波尺度下小波分解系數(shù)的模，并計算其差值Ek。若Ek>γ（γ為閾值），表明發(fā)生漸變現(xiàn)象；若Ek≤γ，則發(fā)生躍變現(xiàn)象。

3 多信息融合的變壓器狀態(tài)評估模型

隨著檢測手段的日益豐富，表征變壓器狀態(tài)的信息種類不斷增加，采用多信息融合的綜合評價模型評估變壓器狀態(tài)的效果已在理論和實踐中得到證明。

考慮到不同的檢測數(shù)據(jù)信息各自具有一定的獨立性，常用的多信息融合變壓器狀態(tài)評估分為2個層次：第一層對不同檢測手段獲得的信息進(jìn)行訓(xùn)練，獲得子證據(jù)體狀態(tài)評估結(jié)論；第二層將各子證據(jù)體融合，得到變壓器狀態(tài)的綜合評估結(jié)果。

3.1 基于SVM和證據(jù)理論的綜合評估模型

基于SVM和證據(jù)理論構(gòu)建的多信息融合的變壓器狀態(tài)評估模型如圖5所示。圖中，第一層SVM（1）、…、SVM（n）為針對不同測試方法的SVM分析結(jié)果，由于常用的數(shù)據(jù)分析得到的結(jié)論并不是相對劣化度，應(yīng)將現(xiàn)有的結(jié)論相對應(yīng)地轉(zhuǎn)化為相對劣化度，并獲得后驗概率；第二層根據(jù)證據(jù)理論將不同方法獲得的相對劣化度進(jìn)行加權(quán)融合，得到綜合評價結(jié)果。

圖5 變壓器狀態(tài)評估模型Fig.5 State evaluation model of transformer

（1）基于SVM的第一層評估。

SVM利用Sigmoid函數(shù)，將SVM的輸出結(jié)果映射到區(qū)間［0，1］，得到SVM輸出后驗概率，顯示所屬類別的程度，便于工程人員做出合理決策［10］。標(biāo)準(zhǔn)SVM輸出值f映射的概率值為：

其中，f為樣本的函數(shù)值；a、b為Sigmoid函數(shù)形態(tài)參數(shù)，通過最大似然估計求解。

Platt提出的輸出后驗概率的SVM只能處理二分類問題，在實際問題中常遇到多分類問題，目前，通常用式（5）計算多類問題SVM后驗概率。

其中，rij為第i類和第j類問題兩兩配對時，x屬于第i類的后驗概率；k為問題分類數(shù)。

（2）基于D-S證據(jù)理論的第二層合成。

D-S證據(jù)理論是屬于不確定性推理的方法，其可以有效地融合各子證據(jù)體的信息，具有較強的決策能力，在變壓器狀態(tài)評估中得到廣泛運用［11］。D-S證據(jù)理論的主要步驟如下。

a.確定基本概率分配函數(shù)m。

設(shè)Θ為樣本空間，由一些互不相容的陳述構(gòu)成，這些陳述的各種組合構(gòu)成冪集2Θ。基本概率分配函數(shù)m：2Θ［0，1］。若概率函數(shù)滿足以下條件：m（ ）=0，即不可能事件概率為0；，即全部事件的基本概率之和為1。則稱m（A）為事件A的基本概率分配函數(shù)，表示對事件A的精度信任。滿足m（A）>0的所有集合稱為焦元。

b.確定信度函數(shù)Bel、似然函數(shù)PI以及信度區(qū)間。

所定義的函數(shù) Bel：2Θ［0，1］，稱為信度函數(shù)，表示對事件A的信任程度。PI（A）＝1 －Bel（-A） 所定義的函數(shù) PI：2Θ［0，1］，稱為似然函數(shù)，表示對事件A非假的信任程度。區(qū)間［Bel（A），PI（A）］稱為事件 A 的信度區(qū)間。

c.證據(jù)合成。

根據(jù)不同證據(jù)體的信度函數(shù)，利用合成法則可以計算出合成后的信度函數(shù)：

其中，為組合證據(jù)互相沖突的程度；mi（Ai）（i=1，2，…，n）為基本可信度函數(shù)。

d.決策推理。

確定不同子證據(jù)體合成的信度函數(shù)后，利用推理規(guī)則進(jìn)行評估目標(biāo)判定，基本推理規(guī)則為：

其中，F(xiàn)α和Fβ為Θ中的任意不同焦元；ε1和ε2分別為根據(jù)專家經(jīng)驗和技術(shù)標(biāo)準(zhǔn)預(yù)先設(shè)定的閾值；m（Θ）為證據(jù)體不確定信任度。

3.2 靜態(tài)評估指標(biāo)的動態(tài)化處理

雙層結(jié)構(gòu)的多信息融合評估模型較好地協(xié)調(diào)了子證據(jù)體的獨立性和綜合評估要求。隨著在線數(shù)據(jù)的引入，不同數(shù)據(jù)之間的時效性差異日益顯現(xiàn)。在線數(shù)據(jù)一般都是當(dāng)前數(shù)據(jù)，其結(jié)論的可信度較高；預(yù)防性試驗數(shù)據(jù)可能是幾天前或數(shù)月前的數(shù)據(jù)，近期預(yù)防性試驗數(shù)據(jù)的結(jié)論可信度明顯高于歷史數(shù)據(jù)。在傳統(tǒng)結(jié)構(gòu)的多信息融合狀態(tài)評估模型中，無法區(qū)分歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)的信度差異，影響了評估的準(zhǔn)確度。

本文提出時間可信度指標(biāo)λ（t）修正不同子證據(jù)體的信度函數(shù)，細(xì)化當(dāng)前數(shù)據(jù)和歷史數(shù)據(jù)的信度差異，更符合工程實際。 λ（t）的取值范圍在（0，1］之間。λ（t）越大表示試驗數(shù)據(jù)時間越近，在線數(shù)據(jù)的時間可信度指標(biāo)統(tǒng)一取為1；預(yù)防性試驗數(shù)據(jù)的時間可信度指標(biāo)λ（t）根據(jù)檢測時間遠(yuǎn)近進(jìn)行換算。λ（t）是與時間相關(guān)的函數(shù)，具體表達(dá)式構(gòu)建如式（8）所示。

其中，t為距離當(dāng)前時刻的時間（d），當(dāng)前時刻取0；T為預(yù)防性試驗檢測周期；k1>0為常系數(shù)，通常取為1。

由式（8）可知，按規(guī)程正常檢測周期的數(shù)據(jù)可信度指標(biāo)在［0.5，1］之間。 將時間可信度指標(biāo) λ（t）加入證據(jù)合成環(huán)節(jié)，修正式（6）得：

其中，λi（t）（i=1，2，…，n）為不同子證據(jù)體的時間可信度；

在證據(jù)合成過程加入時間可信度指標(biāo)，實現(xiàn)了對靜態(tài)參數(shù)的動態(tài)化處理，有利于提高狀態(tài)綜合評價的準(zhǔn)確度。

4 實例分析

針對江蘇省電力公司220 kV電壓等級及以上變壓器數(shù)據(jù)，構(gòu)建了雙層的綜合評價模型。第一層SVM訓(xùn)練，選取高斯徑向基函數(shù)（RBF）作為核函數(shù)，松弛因子εs=10-4，參數(shù)C和g采用網(wǎng)格搜索和交叉驗證的方法確定，懲罰系數(shù)C=15，核函數(shù)參數(shù)g=0.059。共有233組在線監(jiān)測的變壓器數(shù)據(jù)（部分變壓器在線設(shè)備安裝時間較短，未采用），利用150組作為訓(xùn)練樣本對SVM進(jìn)行訓(xùn)練，剩余83組數(shù)據(jù)作為測試樣本。第二層證據(jù)融合共有3個變壓器子證據(jù)體，子證據(jù)體I1為在線油色譜及其動態(tài)變化趨勢，子證據(jù)體I2由在線油溫、局部放電檢測等組成，子證據(jù)體I3由試驗數(shù)據(jù)等靜態(tài)狀態(tài)量組成。決策推理規(guī)則中 ε1、ε2取值分別為 0.5、0.1。 在本文變壓器評估系統(tǒng)中，識別框架為 Θ= ｛S1，S2，S3，S4｝，S1、S2、S3、S4分別對應(yīng)正常、注意、異常和嚴(yán)重4級變壓器狀態(tài)等級?；靖怕史植己瘮?shù)m（A）取SVM后驗概率。證據(jù)體不確定信任度m（Θ）取值為測試樣本的分類錯誤率。

無錫某變電所2號主變B相的型號為ODFS-334 MV·A／500 kV。選取油色譜在線監(jiān)測數(shù)據(jù)I1作為動態(tài)狀態(tài)指標(biāo)，間隔時間為1 d。以2015年12月31日為截止數(shù)據(jù)，對油色譜監(jiān)測數(shù)據(jù)變化趨勢進(jìn)行識別，利用式（1）擬合CH4、H2等歷史監(jiān)測數(shù)據(jù)函數(shù)，并計算擬合殘差et，對擬合殘差et進(jìn)行小波分析，CH4、H2擬合殘差的小波系數(shù)分別見圖6、圖7。由圖6、7可知，小波系數(shù)存在模極大值，CH4、H2的監(jiān)測數(shù)據(jù)在150 d左右出現(xiàn)拐點。對CH4在小波尺度s=8下、H2在小波尺度s=11下進(jìn)行擬合殘差小波分析并計算差值 Ek，結(jié)果分別見圖 8、圖 9，可知 CH4、H2的監(jiān)測數(shù)據(jù)屬于漸變趨勢。

圖6 CH4擬合殘差小波系數(shù)Fig.6 Wavelet coefficient of CH4’s fitting residual

圖7 H2擬合殘差小波系數(shù)Fig.7 Wavelet coefficient of H2’s fitting residual

圖8 CH4的差值Fig.8 Difference value of CH4

圖9 H2的差值Fig.9 Difference value of H2

計算拐點后的油色譜動態(tài)狀態(tài)量的平均相對變化速率，并和在線監(jiān)測數(shù)據(jù)一起作為SVM RBF1的輸入。在線油溫和局部放電檢測數(shù)據(jù)作為RBF2的輸入，變壓器預(yù)防性檢測數(shù)據(jù)作為RBF3的輸入，具體變壓器試驗數(shù)據(jù)如下：試驗日期為2015年6月18日，微水含量為23 mg／L，油擊穿電壓為50 kV，油介損為1.86%，鐵芯接地電流為20 mA，繞組介損為0.35%，繞組直流電阻為0.45%。

SVM的輸出值作為證據(jù)理論的基本概率分布m（A），RBF1、RBF2、RBF3 的誤測率分別作為證據(jù)體不確定信任度m（Θ）。不考慮時間可信度指標(biāo)時，輸出如表2所示。合成子證據(jù)后的輸出如表3所示。

表2 子證據(jù)體的基本概率分布Table 2 Basic probability assignment of sub evidence body

表3 子證據(jù)體合成后的基本概率分布Table 3 Basic probability assignment of sub evidence body synthesis

由表2知，各子證據(jù)體都不能單獨確定變壓器的狀態(tài)；由表3知，進(jìn)一步擴大信息融合的范圍，顯示變壓器狀態(tài)處于注意狀態(tài)S2。初步判斷油中微水增多或油中雜質(zhì)過多，經(jīng)檢修發(fā)現(xiàn)與初步判斷結(jié)果一致。

考慮到預(yù)防性檢測數(shù)據(jù)為2015年6月18日的數(shù)據(jù)，以180 d為檢測周期，計算得時間可信度指標(biāo)為0.522，代入式（9）計算后的輸出如表4所示。

表4 計及λ（t）的子證據(jù)合成后的基本概率分布Table 4 Basic probability assignment of sub evidence body synthesis considering λ（t）

隨著技術(shù)的發(fā)展，大量在線監(jiān)測數(shù)據(jù)引入，為準(zhǔn)確判斷變壓器的狀態(tài)提供了技術(shù)支撐。對比發(fā)現(xiàn)，融合更多狀態(tài)信息的變壓器綜合評估模型更有利于準(zhǔn)確評估。計及時間可信度指標(biāo)λ（t）可以實現(xiàn)對靜態(tài)預(yù)防性檢測數(shù)據(jù)的動態(tài)化處理，更有利于準(zhǔn)確評估變壓器的運行狀態(tài)。

5 結(jié)論

隨著變壓器檢測手段的豐富以及在線監(jiān)測引入，變壓器檢修逐步由定期向狀態(tài)檢修過渡。充分利用多方位信息評估變壓器狀態(tài)在工程中已得到初步應(yīng)用，常用的雙層結(jié)構(gòu)可以較好地兼顧子證據(jù)體的相對獨立性和結(jié)果的綜合評價。

本文針對在線油色譜監(jiān)測提出了小波模極大值識別快速漸變與躍變的識別算法，提高了對應(yīng)子證據(jù)體的識別精度；針對綜合評估在線監(jiān)測實時數(shù)據(jù)和不同時刻的歷史靜態(tài)數(shù)據(jù)，引入時間可信度指標(biāo)，協(xié)調(diào)在線數(shù)據(jù)、試驗數(shù)據(jù)的不同時效，實現(xiàn)了靜態(tài)數(shù)據(jù)分析結(jié)果的動態(tài)化處理。

實例驗證顯示，狀態(tài)量動態(tài)變化趨勢對變壓器狀態(tài)評估具有較大影響，考慮數(shù)據(jù)的不同時效可以提升綜合評價的結(jié)果。

參考文獻(xiàn)：

［1］張勇.基于油中溶解氣體分析的變壓器在線監(jiān)測與故障診斷［D］. 北京：華北電力大學(xué)，2014.ZHANG Yong.The on-line monitoring and fault diagnosis about transformer based on oil dissolved gas［D］.Beijing：North China Electric Power University，2014.

［2］阮羚，謝齊家，高勝友，等.人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)在變壓器狀態(tài)評估中的應(yīng)用［J］. 高電壓技術(shù)，2014，40（3）：822-827.RUAN Ling，XIE Qijia，GAO Shengyou，etal.Application of artificial neural network and information fusion technology in power transformer condition assessment［J］.High Voltage Engineering，2014，40（3）：822-827.

［3］高駿，何俊佳.量子遺傳神經(jīng)網(wǎng)絡(luò)在變壓器油中溶解氣體分析中的應(yīng)用［J］. 中國電機工程學(xué)報，2010，30（30）：121-127.GAO Jun，HE Junjia.Application of quantum genetic ANNs in transformer dissolved gas-in-oil analysis［J］.Proceedings of the CSEE，2010，30（30）：121-127.

［4］張哲，趙文清，朱永利，等.基于支持向量回歸的電力變壓器狀態(tài)評估［J］. 電力自動化設(shè)備，2010，30（4）：81-84.ZHANG Zhe，ZHAO Wenqing，ZHU Yongli，et al.Power transformer condition evaluation based on support vector regression［J］.Electric Power Automation Equipment，2010，30（4）：81-84.

［5］趙文清，朱永利，張小奇.基于改進(jìn)型灰色理論的變壓器油中溶解氣體預(yù)測模型［J］. 電力自動化設(shè)備，2008，28（9）：23-26.ZHAO Wenqing，ZHU Yongli，ZHANG Xiaoqi.Prediction model for dissolved gas in transformer oil based on improved grey theory［J］.Electric Power Automation Equipment，2008，28（9）：23-26.

［6］張珂斐，郭江，肖志懷.模糊綜合評價和改進(jìn)證據(jù)理論相融合的變壓器狀態(tài)評價方法研究［J］.武漢大學(xué)學(xué)報（工學(xué)版），2016，49（2）：279-284.ZHANG Kefei，GUO Jiang，XIAO Zhihuai.Research on state evaluation on method of transformer based on fusion of fuzzy comprehensive evaluation and improved D-S evidence theory［J］.Engineering Journal of Wuhan University，2016，49（2）：279-284.

［7］廖瑞金，黃飛龍，楊麗君，等.多信息量融合的電力變壓器狀態(tài)評估模型［J］. 高電壓技術(shù)，2010，36（6）：1455-1460.LIAO Ruijin，HUANG Feilong，YANG Lijun，etal.Condition assessment of power transformer using information fusion［J］.High Voltage Engineering，2010，36（6）：1455-1460.

［8］廖瑞金，孟繁津，周年榮，等.基于集對分析和證據(jù)理論融合的變壓器內(nèi)絕緣狀態(tài)評估方法［J］. 高電壓技術(shù)，2014，40（2）：474-481.LIAO Ruijin，MENG Fanjin，ZHOU Nianrong，et al.Assessment strategy forinnerinsulation condition ofpowertransformer based on set-pair analysis and evidential reasoning decisionmaking［J］.High Voltage Engineering，2014，40（2）：474-481.

［9］吳奕，張濟韜，郭雅娟，等.基于油色譜在線監(jiān)測的變壓器狀態(tài)預(yù)警［J］. 變壓器，2016，53（6）：56-60.WU Luan，ZHANG Jitao，GUO Yajuan，et al.Transformer condition warning based on oil chromatographic on-line monitoring［J］.Transformer，2016，53（6）：56-60.

［10］何永紅，文鴻雁，靳鵬偉.基于小波模極大值改進(jìn)算法的變形模型研究［J］. 測繪科學(xué)，2007，32（4）：18-19.HE Yonghong，WEN Hongyan，JIN Pengwei.Research on the deformation model based on the improved wavelet modulus maximum［J］.Science of Surveying and Mapping，2007，32（4）：18-19.

［11］SHARIFZADEH M，AZMOODEH F，SHAHABI C.Change detection in time series data using wavelet footprints［M］. ［S.l.］：Springer Berlin Heidelberg，2005：127-144.

［12］MALLAT S，HWANG W L.Singularity detection and processing with wavelets［J］.IEEE Transactions on Information Theory，1992，38（2）：617-643.

［13］CHAARI O，MEUNIER M，BROUAYE F.Wavelets：a new tool for the resonant grounded power distribution systems relaying［J］.IEEE Transactions on Power Delivery，1996，11（3）：1301-1308.