基于大數(shù)據(jù)挖掘的電力變壓器差異預(yù)警規(guī)則

崔金豹， 徐永海

(1.鄂爾多斯市和效電力設(shè)計(jì)有限責(zé)任公司, 鄂爾多斯 017000； 2.華北電力大學(xué)電氣與電子工程學(xué)院, 保定 071003)

變壓器是電力系統(tǒng)中必不可少的電氣設(shè)備，其可靠性直接影響到電力系統(tǒng)的安全[1]，溶解氣體分析(dissolved gas analysis,DGA)技術(shù)是判斷變壓器狀態(tài)的主要方法。與局部放電監(jiān)測(cè)方法相比，它具有更強(qiáng)的抗干擾能力，在世界范圍內(nèi)得到廣泛應(yīng)用[2-3]。DGA在線監(jiān)測(cè)系統(tǒng)可在一個(gè)監(jiān)測(cè)周期內(nèi)獲得8種氣體濃度，根據(jù)這些實(shí)時(shí)監(jiān)測(cè)值，報(bào)警系統(tǒng)將實(shí)時(shí)瓦斯?jié)舛燃捌渖仙逝c設(shè)定的報(bào)警閾值進(jìn)行比較，來(lái)判斷變壓器的運(yùn)行狀態(tài)。因此，合理設(shè)置預(yù)警閾值是保證預(yù)警準(zhǔn)確率的關(guān)鍵[4]。

對(duì)于預(yù)警閾值的設(shè)置，已經(jīng)存在多種方法。文獻(xiàn)[5]提出了一種新的圖解法基于所有7種氣體，一氧化碳(CO)和二氧化碳(CO2)作為重要指標(biāo)；文獻(xiàn)[6]也提出了一些新的指標(biāo)，為克服傳統(tǒng)圖論方法的矛盾，采用基于特征氣體的圖形化技術(shù)對(duì)變壓器故障進(jìn)行了診斷。以上基于圖論和新準(zhǔn)則的方法可以克服一些局限性，但解決模糊邊界問(wèn)題仍然是一個(gè)挑戰(zhàn)。

除了傳統(tǒng)方法，隨著人工智能技術(shù)的興起，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等也得到了廣泛應(yīng)用。文獻(xiàn)[7]提出了一個(gè)基于模糊邏輯的強(qiáng)大專家系統(tǒng)；文獻(xiàn)[8]將基于模糊邏輯的自適應(yīng)神經(jīng)模糊推理系統(tǒng)應(yīng)用于DGA；文獻(xiàn)[9]使用深部信念網(wǎng)絡(luò)(deep belief network, DBN)反映溶解氣體比率與轉(zhuǎn)換斷層之間的數(shù)學(xué)相關(guān)性。人工神經(jīng)網(wǎng)絡(luò)、DBN、支持向量機(jī)(support vector machine,SVM)和模糊邏輯等智能算法雖然可以取得較好的精度，但它們需要大量的樣本數(shù)據(jù)和專家經(jīng)驗(yàn)，并且耗費(fèi)了大量的計(jì)算時(shí)間[10]。除此之外，這些方法忽略了變壓器個(gè)體之間的差異特征。

為解決上述問(wèn)題，提出了一種基于大數(shù)據(jù)挖掘的電力變壓器健康狀態(tài)差異預(yù)警規(guī)則策略?？紤]了變壓器個(gè)體之間差異設(shè)置預(yù)警閾值。實(shí)驗(yàn)結(jié)果驗(yàn)證了提出方法的有效性。

1 變壓器分類(lèi)

1.1 變壓器屬性分類(lèi)

由于屬性和運(yùn)行環(huán)境的差異，任何變壓器都與其他變壓器不同。這些屬性包括電壓等級(jí)、油型、結(jié)構(gòu)、材料、容量、連接方式、制造等。運(yùn)行環(huán)境包括區(qū)域、安裝位置、使用年限、海拔、氣候、負(fù)載等。但是，變壓器在每個(gè)屬性或運(yùn)行環(huán)境中并未顯示出明顯的差異。因此，選擇最佳分類(lèi)屬性作為差異分析的基礎(chǔ)。選擇最佳分類(lèi)屬性的原則是，這些最佳分類(lèi)屬性應(yīng)能夠最大程度反映變壓器之間的差異。根據(jù)文獻(xiàn)[11]可知在對(duì)現(xiàn)場(chǎng)溶解氣體大數(shù)據(jù)進(jìn)行分析的基礎(chǔ)上，區(qū)域、使用年限、電壓等級(jí)、安裝位置和油型是變壓器分類(lèi)的影響較大的候選屬性。

1.2 候選分類(lèi)屬性聚類(lèi)中心的計(jì)算

根據(jù)5個(gè)候選分類(lèi)屬性劃分了總共82 948 872條記錄，每個(gè)屬性下的詳細(xì)分類(lèi)如表1所示。對(duì)于每個(gè)候選屬性，可以應(yīng)用聚類(lèi)方法來(lái)獲取它們的聚類(lèi)中心。基于聚類(lèi)中心之間的歐氏距離，可以實(shí)現(xiàn)最佳的分類(lèi)屬性?？紤]了4種聚類(lèi)方法，包括K均值，自組織映射(self organizing maps, SOM)和模糊C均值(fuzzyC-means, FCM)[12-14]。但是，當(dāng)考慮聚類(lèi)效果和計(jì)算效率時(shí)，F(xiàn)CM是最合適的聚類(lèi)方法。復(fù)雜的現(xiàn)場(chǎng)操作環(huán)境會(huì)導(dǎo)致由變壓器DGA在線監(jiān)測(cè)系統(tǒng)獲得的數(shù)據(jù)波動(dòng)很大，而FCM中的模糊方法剛好可以處理這些波動(dòng)。因此選擇FCM作為聚類(lèi)方法最為合適。

表1 根據(jù)候選屬性對(duì)收集的溶解氣體數(shù)據(jù)進(jìn)行分類(lèi)

(1)

(2)

式中：λj為拉格朗日乘數(shù)，j=1,2,…,n。

最小化新目標(biāo)函數(shù)的必要條件為

(3)

(4)

y=f(t)=at+b

以H2、CO、CO2、CH4、C2H6、C2H4、C2H2和TH為數(shù)據(jù)集X。根據(jù)變壓器的性質(zhì)，將X分為c類(lèi)。然后采用FCM來(lái)計(jì)算每個(gè)類(lèi)別的聚類(lèi)中心，結(jié)果如表2所示。為了更直觀地說(shuō)明，在三維(3D)空間中繪制了不同電壓等級(jí)分類(lèi)下的3種典型溶解氣體(H2、C2H2和TH)的聚類(lèi)中心。

1.3 最佳分類(lèi)屬性

根據(jù)上述關(guān)聯(lián)規(guī)則，當(dāng)累積概率等于1-故障率時(shí)，可以獲取報(bào)警值。當(dāng)累積概率等于1-故障率-缺陷率時(shí)，可以獲得注意值。

表2 8種氣體的聚類(lèi)中心作為預(yù)候選屬性

現(xiàn)場(chǎng)使用了一個(gè)變壓器來(lái)驗(yàn)證提出的差異預(yù)警規(guī)則。根據(jù)離線實(shí)驗(yàn)，該變壓器在2014年3月16日—2014年5月25日被診斷為高溫故障。該變壓器在220 kV電壓下工作，充滿25#變壓器油，使用壽命為10～20年。根據(jù)該變壓器的屬性，可以獲得一系列預(yù)警值，如表5所示。選擇這些預(yù)警值的交點(diǎn)作為最終預(yù)警值，如表7所示。提取該變壓器的在線監(jiān)測(cè)數(shù)據(jù)以計(jì)算氣體增長(zhǎng)率。圖7、圖8繪制了2014年2月22日—6月12日氣體濃度和增長(zhǎng)率的趨勢(shì)圖。在圖7中，“嚴(yán)重”信號(hào)將在2014年3月16日和2014年5月25日發(fā)出，因?yàn)镃2H4的濃度超過(guò)注意值，并且其增長(zhǎng)率超過(guò)2014年3月16日的報(bào)警值，并且C2H4的濃度和增長(zhǎng)率都超過(guò)了5月25日的報(bào)警值。從圖8可以看出，在2014年3月16日和2014年5月25日也會(huì)發(fā)出“嚴(yán)重”信號(hào)，這是因?yàn)?014年3月16日前后總碳?xì)浠衔锏臐舛瘸^(guò)了注意值，并且其增長(zhǎng)率超過(guò)了報(bào)警值，并且濃度和增長(zhǎng)率都超過(guò)了2014年5月25日的報(bào)警值。但是，如果使用150 μL/L作為《國(guó)際電力協(xié)會(huì)》(IEC 60599)標(biāo)準(zhǔn)中提出的注意值，則這些預(yù)警信號(hào)很容易被忽略?？傊c現(xiàn)有標(biāo)準(zhǔn)相比，差異化預(yù)警規(guī)則可以更準(zhǔn)確地檢測(cè)故障。

(5)

如果一個(gè)分類(lèi)屬性的平均歐氏距離較大，則該分類(lèi)下的數(shù)據(jù)更加分散，這表明該分類(lèi)屬性對(duì)溶解氣體數(shù)據(jù)的影響更大。如果距離較近，則認(rèn)為不能根據(jù)此分類(lèi)屬性對(duì)溶解氣體數(shù)據(jù)進(jìn)行有效分類(lèi)，并且不能很好地反映變壓器之間的差異。經(jīng)過(guò)最小-最大標(biāo)準(zhǔn)化后，表3中顯示了聚類(lèi)中心之間的距離及其平均歐氏距離。

根據(jù)表3可知，變壓器的電壓等級(jí)、使用年限和油型對(duì)設(shè)備的影響遠(yuǎn)大于區(qū)域和安裝位置，電壓等級(jí)、使用年限和油型可以更有效地反映變壓器之間的差異。因此，選擇這3個(gè)屬性作為最佳分類(lèi)屬性。

表3 分類(lèi)屬性的歐氏距離

2 計(jì)算差異預(yù)警閾值

2.1 驗(yàn)證和建立分布模型

在每個(gè)分類(lèi)屬性下的溶解氣體記錄的數(shù)量較大。將每種分類(lèi)屬性下的每種氣體濃度數(shù)據(jù)放入計(jì)算集中。計(jì)算集包含從變壓器投入運(yùn)行的第1天到變壓器狀態(tài)改變的所有數(shù)據(jù)。選擇所有時(shí)間的數(shù)據(jù)，而不是僅選擇一段時(shí)間的數(shù)據(jù)，后者無(wú)法反映故障的動(dòng)態(tài)和累積特征，因?yàn)槿毕莺凸收习l(fā)展過(guò)程是動(dòng)態(tài)的、累積的并且經(jīng)常受多個(gè)因素影響[15]。

以3 459 nm波長(zhǎng)的中紅外激光作為探針光輻照薄膜，得到了在不同探針光功率下，40 nm薄膜對(duì)探針光的透過(guò)率、反射率隨泵浦光輻照薄膜時(shí)間的變化情況，如圖6.

對(duì)于每個(gè)選定的計(jì)算集，根據(jù)適當(dāng)?shù)念?lèi)寬度將計(jì)算集的范圍劃分為幾個(gè)間隔，并對(duì)每個(gè)間隔內(nèi)的氣體濃度數(shù)據(jù)的頻率進(jìn)行計(jì)數(shù)。以氣體濃度為X軸，頻率/類(lèi)寬度為Y軸，繪制頻率分布直方圖。以220 kV變壓器的H2和500 kV變壓器的TH的頻率分布直方圖為例，如圖1、圖2的橙色區(qū)域所示。結(jié)果表明，從定性的角度看，氣體濃度數(shù)據(jù)的分布符合Weibull分布。然后，如圖1、圖2中的藍(lán)點(diǎn)和紅線所示，使用Weibull概率圖來(lái)驗(yàn)證該結(jié)果。X軸表示對(duì)數(shù)形式的氣體濃度，Y軸表示W(wǎng)eibull百分位數(shù)。藍(lán)點(diǎn)是實(shí)際氣體濃度，紅線代表標(biāo)準(zhǔn)的Weibull分布，其形狀和比例如圖1、圖2所示。從藍(lán)點(diǎn)和紅線之間的關(guān)系可以看出，實(shí)際氣體濃度符合Weibull分布，置信度為99.9%。圖1、圖2中帶有明顯形狀和比例參數(shù)的Weibull概率密度曲線的黑線進(jìn)一步證明了這一結(jié)論。

圖2 500 kV變壓器TH的頻率分布直方圖和Weibull概率圖

僅根據(jù)溶解氣體的濃度，仍然很難對(duì)故障的嚴(yán)重性做出正確的判斷，因?yàn)楣收贤ǔＪ加诘湍芰亢蜐摲烹姟＿€必須考慮故障點(diǎn)的氣體增長(zhǎng)率。《國(guó)際電氣協(xié)會(huì)》(IEC 60599)標(biāo)準(zhǔn)以一年中氣體濃度的絕對(duì)增加作為增長(zhǎng)率?！蹲儔浩髟囼?yàn)方法》(GB/T 7252)考慮了變壓器的體積、油密度、氣體濃度，以得出絕對(duì)的氣體增長(zhǎng)率。《國(guó)際電氣協(xié)會(huì)》(IEC 60599)中定義的時(shí)間跨度太長(zhǎng)，這使得實(shí)時(shí)分析變得困難。很難從DGA在線監(jiān)測(cè)系統(tǒng)獲得變壓器體積和油密度。根據(jù)電力負(fù)荷的波動(dòng)特征和現(xiàn)場(chǎng)經(jīng)驗(yàn)，采用當(dāng)前濃度和附近的6個(gè)歷史值來(lái)計(jì)算氣體增長(zhǎng)率。根據(jù)最小二乘法，線性擬合7個(gè)樣本數(shù)據(jù)以獲得趨勢(shì)曲線，并將曲線的斜率作為氣體增長(zhǎng)率。

對(duì)選定的3個(gè)最佳分類(lèi)屬性的缺陷率和故障率進(jìn)行計(jì)算并顯示在表4中。根據(jù)挖掘的計(jì)算規(guī)則來(lái)計(jì)算這3個(gè)最佳分類(lèi)屬性的注意值和報(bào)警值，如表5所示。

式中：m表示模糊度，控制聚類(lèi)中心的模糊重疊，并且滿足1.5≤m≤2.5。

(6)

式(6)中：a和b為未知參數(shù)；y為理想值；f(t)為理想函數(shù)值；t為時(shí)間戳。

Y中每個(gè)樣本點(diǎn)的殘差為

Cite this article as: YANG Guo-Xun, MA Guang-Lei, LI Hao, HUANG Ting, XIONG Juan, and HU Jin-Feng. Advanced natural products chemistry research in China between 2015 and 2017 [J]. Chin J Nat Med, 2018, 16(12): 881-906.

Ei=yi-(ati+b),i=1,2,…,7

(7)

目標(biāo)函數(shù)定義為

(8)

式中：Ei為樣本點(diǎn)的殘差；yi為濃度樣本數(shù)據(jù)，ti為時(shí)間戳；F為目標(biāo)函數(shù)。

根據(jù)波峰定理，當(dāng)a和b滿足式(9)時(shí)，目標(biāo)函數(shù)F(a,b)達(dá)到最小值，可表示為

1) Resistance type: used to simulate lighting equipment etc;

(9)

式(9)中:n為采樣點(diǎn)數(shù)，將該曲線的斜率[式(9)中的a]設(shè)定為第7次時(shí)間戳的氣體增長(zhǎng)率。當(dāng)斜率為負(fù)時(shí)，氣體增長(zhǎng)率等于零。如圖3所示，獲取了一個(gè)變壓器的所有H2數(shù)據(jù)以計(jì)算氣體增長(zhǎng)率，其中放大的圖片顯示了擬合過(guò)程。

圖3 變壓器中H2的氣體濃度和增長(zhǎng)率曲線

使用上述方法，采用220 kV和500 kV變壓器中C2H2和C2H6的氣體增長(zhǎng)率來(lái)繪制頻率分布直方圖和Weibull概率圖，如圖4、圖5所示，氣體增長(zhǎng)率數(shù)據(jù)也符合Weibull分布，置信度為99.9%。

圖4 220 kV變壓器C2H2增長(zhǎng)率的頻率分布直方圖和Weibull概率圖

圖5 500 kV變壓器C2H6增長(zhǎng)率的頻率分布直方圖和Weibull概率圖

2.2 溶解氣體分布特征與缺陷/故障率的關(guān)聯(lián)分析

對(duì)于變壓器，其與溶解氣體有關(guān)的異常狀況可分為兩種不同的類(lèi)型，一種是“缺陷”，另一種是“故障”。“缺陷”表示變壓器有故障，但仍可以正常運(yùn)行?！肮收稀北硎咀儔浩魈幱诜浅?yán)重的異常狀態(tài)，需要進(jìn)行離線實(shí)驗(yàn)和中斷維護(hù)。缺陷率和故障率是電網(wǎng)中整個(gè)變壓器穩(wěn)定性的關(guān)鍵指標(biāo)。因此，在提出的差異預(yù)警系統(tǒng)中，分別為“缺陷”和“故障”定義了溶解氣體的“注意值”和“報(bào)警值”。“注意值”和“報(bào)警值”是兩個(gè)不同的預(yù)警閾值，后者大于前者。變壓器狀態(tài)(State)與氣體濃度和增長(zhǎng)率之間的關(guān)系為

(10)

式(10)中：C和R分別為氣體濃度和氣體增長(zhǎng)率；CAttn和RAttn分別為氣體濃度和氣體增長(zhǎng)率的注意閾值；CAlm和RAlm分別是氣體濃度和氣體增長(zhǎng)率的報(bào)警閾值。

繪制圖6中的式(10)表示的關(guān)系，可清楚地看到溶解氣體分布特征與缺陷/故障率之間的關(guān)聯(lián)關(guān)系。透明的藍(lán)色表示實(shí)際數(shù)據(jù)的直方圖，黑線為實(shí)際數(shù)據(jù)的擬合曲線，綠色、黃色和紅色區(qū)域分別表示來(lái)自正常、缺陷和故障變壓器的數(shù)據(jù)，綠色、黃色和紅色區(qū)域的比例分別表示正常率、缺陷率和故障率。

圖6 溶解氣體分布特征與缺陷/故障率之間的關(guān)聯(lián)

2.3 預(yù)警閾值的計(jì)算

同位素示蹤法則是一種以同位素作為示蹤物質(zhì)，對(duì)研究對(duì)象的特征和行為進(jìn)行示蹤觀察的信息獲取方法，分為兩類(lèi)： 放射性同位素示蹤法和穩(wěn)定同位素示蹤法。

Weibull分布是可靠性分析和壽命測(cè)試的基本理論，廣泛應(yīng)用于可靠性工程中，特別適用于金屬材料、電子元器件和其他工程領(lǐng)域的疲勞壽命問(wèn)題。Weibull分布的概率密度函數(shù)及累積概率分布函數(shù)分別定義為

f(x)=(β/η)(x/η)β-1e-(x/η)β

(11)

F(x)=1-e-(x/η)β

(12)

式中：β為形狀參數(shù)；η為縮放參數(shù)。這兩個(gè)參數(shù)可以唯一確定Weibull分布模型。最大似然法通常用于估計(jì)這些參數(shù)。

對(duì)于氣體濃度數(shù)據(jù)集或氣體增長(zhǎng)率數(shù)據(jù)集X={x1,x2,…,xn}，n為X的數(shù)量，θ為參數(shù)列(β,η)。對(duì)數(shù)似然函數(shù)為

本文提出了一種自適應(yīng)閾值法,該方法通過(guò)采集峰值檢測(cè)回波信號(hào)產(chǎn)生的臺(tái)階信號(hào),以較低的采樣頻率反映出當(dāng)前工況下回波信號(hào)的各個(gè)波峰峰值電壓,然后計(jì)算下次測(cè)量的第一閾值。實(shí)驗(yàn)結(jié)果表明,該方法在變化的工況下具有更強(qiáng)的適應(yīng)能力,能夠有效的提高測(cè)量準(zhǔn)確性。

根據(jù)以上分析，氣體濃度和增長(zhǎng)率數(shù)據(jù)符合Weibull分布，其特征與缺陷/故障率有關(guān)。 因此，可以根據(jù)Weibull分布獲得預(yù)警閾值。

(13)

式(13)中：β為形狀參數(shù)；η為縮放參數(shù)。

似然方程為

(14)

當(dāng)組合式(13)、式(14)時(shí)，可以獲得參數(shù)β和η。對(duì)于任何分布，如果給出了累積概率，則可以通過(guò)使用逆累積分布來(lái)獲得與此累積概率關(guān)聯(lián)的響應(yīng)值。Weibull分布的逆累積分布為

x=F-1(p|η,β)=-η[ln(1-p)]1/β,p∈[0,1]

(15)

式(15)中：p為累積概率；x為估計(jì)值。

推進(jìn)七大流域綜合規(guī)劃實(shí)施 開(kāi)啟江河開(kāi)發(fā)治理新紀(jì)元……………………………………………………… 矯 勇(13.1)

如表2所示，由于每個(gè)候選屬性下的子組件數(shù)不同，因此在不同候選屬性下的聚類(lèi)中心數(shù)目也不同。因此，使用平均歐氏距離來(lái)識(shí)別一種分類(lèi)屬性下聚類(lèi)中心之間的離散度C={c1,c2,…,ct}(t>1)包括數(shù)據(jù)集X={x1,x2,…,xn}(n>t)的t個(gè)聚類(lèi)中心。C的平均歐氏距離定義為

2.4 預(yù)警閾值結(jié)果

對(duì)于氣體濃度樣本數(shù)據(jù)Y={y1,y2,…,y7}，附加了時(shí)間戳T={1,2,…,7}，氣體濃度的趨勢(shì)符合方程式(6)：

表4 最佳分類(lèi)屬性的缺陷率和故障率

表5 在使用年限、電壓等級(jí)和油型分類(lèi)下的注意值和報(bào)警值

3 差異預(yù)警規(guī)則的挖掘

對(duì)于每個(gè)變壓器，可以獲得總共24組氣體濃度和增長(zhǎng)率的預(yù)警值，涵蓋了八種溶解氣體和3種選定的最佳變壓器屬性。每種氣體在不同屬性下的預(yù)警值的交點(diǎn)被當(dāng)作最終的差異化預(yù)警值。氣體數(shù)據(jù)與注意/報(bào)警值之間的關(guān)系可分為：注意值以下、注意值與報(bào)警值之間以及超過(guò)報(bào)警值。根據(jù)差異預(yù)警值和預(yù)警關(guān)系來(lái)挖掘差異預(yù)警規(guī)則。將實(shí)時(shí)氣體濃度和氣體增長(zhǎng)率值與不同的預(yù)警閾值進(jìn)行比較，可以分別獲得變壓器的狀態(tài)。將氣體濃度和氣體增長(zhǎng)率作為二維相關(guān)規(guī)則，如式(16)所示，可以最終確定變壓器的運(yùn)行狀態(tài)。

①一段弱磁給礦細(xì)度變粗，-0.074 mm粒級(jí)含量從50%降低到25%以下，礦物單體解離度變低，一段強(qiáng)磁拋尾品位升高。隨著采場(chǎng)開(kāi)采深度增加，礦石性質(zhì)也隨之變化，赤鐵礦比例升高，礦石變得難磨，僅通過(guò)半自磨，難以將礦石磨細(xì)至合適的粒度，一段弱磁給礦細(xì)度變粗，礦物單體解離度變低，進(jìn)而使得一段強(qiáng)磁拋尾品位從6%左右升高到8%～10%，最高達(dá)到13%以上；

變壓器狀態(tài)=

(16)

根據(jù)此規(guī)則，變壓器的運(yùn)行狀態(tài)可以分為4個(gè)階段：正常、注意、異常、嚴(yán)重，如表6所示。實(shí)際上，一旦檢測(cè)到實(shí)時(shí)溶解氣體數(shù)據(jù)，便可以啟動(dòng)預(yù)警過(guò)程。利用所選變壓器屬性的差異化的預(yù)警閾值，可以實(shí)現(xiàn)差異預(yù)警過(guò)程。

表6 差異預(yù)警規(guī)則

4 驗(yàn)證實(shí)例

爺爺和父母親的以身作則，以及言傳身教，讓我更加深刻地認(rèn)識(shí)到“家訓(xùn)、家規(guī)、家風(fēng)”在教育家庭成員中的重大意義和作用?！?/p>

圖7 C2H4濃度和增長(zhǎng)率趨勢(shì)

圖8 TH濃度和增長(zhǎng)率趨勢(shì)

表7 驗(yàn)證變壓器的最終預(yù)警值

為了進(jìn)行更廣泛的驗(yàn)證，選擇了諸如人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、DBN、SVM和模糊邏輯方法之類(lèi)的智能算法，以與所提出的差異預(yù)警規(guī)則進(jìn)行比較。在驗(yàn)證之前，將變壓器分為訓(xùn)練集和測(cè)試集。訓(xùn)練集中有815個(gè)案例，其中800個(gè)正常案例和15個(gè)異常案例。測(cè)試集有528例，包括514例正常和14例異常。驗(yàn)證結(jié)果如表8所示。

表8 使用ANN、DBN、SVM和模糊邏輯智能算法進(jìn)行驗(yàn)證

選擇準(zhǔn)確率、誤報(bào)率和漏檢率來(lái)定量驗(yàn)證該預(yù)警規(guī)則。準(zhǔn)確率是反映正確識(shí)別正常和異常案例的比例的指標(biāo)，其計(jì)算公式為

5月上中旬，當(dāng)年生實(shí)生核桃新梢長(zhǎng)至5-10 cm時(shí)，留取基部3-4 cm剪斷做為嫁接砧木，保留基部2片葉，用嫁接刀剔除葉腋間的生長(zhǎng)點(diǎn)。

(17)

式(17)中：μaccuracy為準(zhǔn)確率；Nn-n為被判為正常的正常例數(shù)；Na-a為被判為異常的異常例數(shù)；Ntotal為總例數(shù)。

誤報(bào)率是表示正常案例被判定為異常的比例的指標(biāo)，其計(jì)算公式為

(18)

式(18)中：μfp為誤報(bào)率；Nn-a為判斷為異常的正常例數(shù)；Nnormal為正常案例總數(shù)。

綜上所述，供應(yīng)鏈管理體系是新興的管理模式，對(duì)我國(guó)中藥材種植企業(yè)的發(fā)展意義重大。我國(guó)中藥材種植企業(yè)在國(guó)內(nèi)外市場(chǎng)中都面臨著巨大的競(jìng)爭(zhēng)壓力，又因?yàn)閷儆谵r(nóng)業(yè)產(chǎn)業(yè)范圍內(nèi)，對(duì)氣候、土壤條件依賴性較大，通過(guò)供應(yīng)鏈管理體系可以有效提高集約化，降低生產(chǎn)成本，提高企業(yè)抗市場(chǎng)沖擊能力，為企業(yè)發(fā)展壯大提供助力。

漏檢率是代表被判斷為正常的異常案例比例的指標(biāo)，其計(jì)算公式為

試劑：Ni2+貯備液1000mg/L、氫氧化鈉溶液，C(NaOH)=2mol/L、氫氧化鈉溶液，C（NaOH）=0.1moL/L、硝酸溶液（1：1）、硝酸溶液（1：99）、蒸餾水

按比例將亞硝酸鈉、磷酸鹽、抗壞血酸加入絞制好的豬肉中進(jìn)行攪拌，攪拌均勻后置于腌料室進(jìn)行低溫腌制，腌制溫度2～4℃，腌制時(shí)間為24h。

(19)

式(19)中：μfn為漏檢率；Na-n為被判斷為正常的異常例數(shù)；Nabnormal為異常案例總數(shù)。

除了上述準(zhǔn)確性指標(biāo)外，計(jì)算時(shí)間對(duì)于變壓器預(yù)警方法也很重要。計(jì)算時(shí)間過(guò)長(zhǎng)，無(wú)法滿足預(yù)警的及時(shí)性要求。由IBM公司生產(chǎn)的、配置為Intel?Xeon(R)CPU E5-2630 v3 @ 2.40 GHz×32 RAM 128 GB的計(jì)算服務(wù)器和CentOS 7操作系統(tǒng)被用作驗(yàn)證的計(jì)算平臺(tái)。構(gòu)建了MATLAB 2017b軟件作為分析平臺(tái)。

分別對(duì)差異預(yù)警規(guī)則、常規(guī)預(yù)警規(guī)則、ANN、DBN、SVM和模糊邏輯的準(zhǔn)確率、誤報(bào)率、漏檢率和計(jì)算時(shí)間進(jìn)行比較，結(jié)果如表9所示。

從表9可以看出，盡管差異預(yù)警規(guī)則與常規(guī)預(yù)警方法相比花費(fèi)更多時(shí)間，但是準(zhǔn)確率顯著提高，并且漏檢率和誤報(bào)率顯著降低。每臺(tái)變壓器的差異預(yù)警規(guī)則的平均預(yù)警時(shí)間為2.78 s，可以滿足及時(shí)性要求。

表9 不同方法在準(zhǔn)確率、誤報(bào)率、漏檢率和計(jì)算時(shí)間上的比較

與智能算法相比，盡管ANN、DBN和模糊邏輯方法可以產(chǎn)生與差異預(yù)警規(guī)則相似的準(zhǔn)確性，但漏檢率和誤報(bào)率較高，計(jì)算時(shí)間明顯更長(zhǎng)。特別是，需要大量訓(xùn)練的ANN和DBN會(huì)浪費(fèi)大量時(shí)間，無(wú)法滿足及時(shí)性要求。綜上所述，差異預(yù)警規(guī)則在各個(gè)方面都是極好的，并且更適合于變壓器的預(yù)警。

5 結(jié)論

探討了差異化的預(yù)警規(guī)則，以獲得具有不同屬性和工作條件的電力變壓器的細(xì)致和個(gè)性化的預(yù)警結(jié)果。提出了最優(yōu)分類(lèi)屬性的選擇方法和差異預(yù)警閾值的計(jì)算規(guī)則，在此基礎(chǔ)上，挖掘了差異預(yù)警規(guī)則。實(shí)踐證明，挖掘預(yù)警規(guī)則能夠較好地實(shí)現(xiàn)對(duì)電力變壓器運(yùn)行狀態(tài)的預(yù)警。得出如下結(jié)論。

(1)將FCM和歐氏距離方法應(yīng)用于溶解氣體大數(shù)據(jù)中，挖掘出對(duì)溶解氣體數(shù)據(jù)影響最大的最佳變壓器屬性，從而更好地表征變壓器之間的差異。確定了3種最佳變壓器屬性包括電壓等級(jí)、使用年限和油型。

部分食品包裝不規(guī)范性。這一類(lèi)型的問(wèn)題主要有未標(biāo)明生產(chǎn)日期或者只標(biāo)注在外包裝箱上，沒(méi)有做好單包裝產(chǎn)品的標(biāo)注。該問(wèn)題的存在會(huì)對(duì)銷(xiāo)售者以及消費(fèi)者造成誤導(dǎo)，當(dāng)他們購(gòu)買(mǎi)到過(guò)期的食品時(shí)，容易發(fā)生安全事件，更為嚴(yán)重的是造成食物中毒，嚴(yán)重?fù)p害他們的身體健康。

(2)經(jīng)驗(yàn)證，根據(jù)分布直方圖和概率圖，氣體濃度和氣體增長(zhǎng)率均符合Weibull分布。通過(guò)分布特征與缺陷/故障率之間的關(guān)聯(lián)分析，可以計(jì)算出3種選擇的最佳分類(lèi)屬性下的氣體濃度和氣體增長(zhǎng)率的預(yù)警閾值。

(3)結(jié)合氣體濃度預(yù)警閾值和氣體增長(zhǎng)率預(yù)警閾值，可以得到差異預(yù)警規(guī)則。與傳統(tǒng)的閾值診斷方法和智能診斷方法相比，可以得出差異預(yù)警規(guī)則不僅在較短的計(jì)算時(shí)間內(nèi)準(zhǔn)確率高達(dá)98.21%，而且需要較少的故障案例。此外，差異化預(yù)警規(guī)則可以有效降低誤報(bào)率和漏檢率，具有較強(qiáng)的魯棒性。