電力變壓器狀態(tài)評估方法的應(yīng)用及展望

鄧雯瀚，苗 宇，許 逵，熊 煒，袁旭峰

（1.貴州大學(xué)電氣工程學(xué)院，貴州貴陽 550025；2.貴州電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，貴州貴陽 550025；3.貴州電網(wǎng)有限責(zé)任公司，貴州貴陽 550025）

0 引言

電力變壓器（以下簡稱變壓器）是電網(wǎng)的關(guān)鍵樞紐設(shè)備，在電力傳輸過程中有著不可替代的地位。狀態(tài)評估是運(yùn)用數(shù)據(jù)分析方法對變壓器采集到的運(yùn)行、試驗(yàn)等基礎(chǔ)數(shù)據(jù)進(jìn)行綜合評價(jià)，判斷其真實(shí)運(yùn)行狀態(tài)。由于變壓器是一個(gè)復(fù)雜的多部件集成設(shè)備，需要同時(shí)考慮多方面影響因素才能保證狀態(tài)評估工作的順利開展和結(jié)果的科學(xué)與準(zhǔn)確，因此，系統(tǒng)性分析變壓器狀態(tài)評估工作的開展顯得尤為重要。

前沿技術(shù)與電網(wǎng)的深度結(jié)合可提高電網(wǎng)電力與信息的雙向交互、更新監(jiān)測傳感設(shè)備、保證狀態(tài)數(shù)據(jù)的完備、完成智能化電網(wǎng)向數(shù)字電網(wǎng)的轉(zhuǎn)變[1]。數(shù)據(jù)規(guī)模的不斷擴(kuò)大，為數(shù)據(jù)挖掘、人工智能等先進(jìn)技術(shù)與變壓器評估相結(jié)合提供了可靠的數(shù)據(jù)基礎(chǔ)。由于傳統(tǒng)數(shù)據(jù)分析模型在變壓器狀態(tài)評估的準(zhǔn)確度、知識更新等方面呈現(xiàn)不足趨勢，因此當(dāng)前變壓器狀態(tài)評估技術(shù)的發(fā)展趨勢調(diào)整為：（1）構(gòu)建以數(shù)據(jù)為核心的評估方法，最大化利用數(shù)據(jù)價(jià)值，減少傳統(tǒng)預(yù)防性維護(hù)因時(shí)間間隔而無法監(jiān)測到異常狀態(tài)所帶來的影響；（2）深度挖掘變壓器當(dāng)前狀態(tài)與數(shù)據(jù)之間的聯(lián)系，由經(jīng)驗(yàn)驅(qū)動評估向數(shù)據(jù)驅(qū)動評估轉(zhuǎn)換，以減少變壓器“過修”、“欠修”狀態(tài)而造成的人力與物力的資源浪費(fèi)，進(jìn)而延長設(shè)備運(yùn)行壽命。

綜上所述，本文針對現(xiàn)有變壓器狀態(tài)評估中的關(guān)鍵技術(shù)和問題進(jìn)行歸納和討論。首先，通過分析變壓器所受應(yīng)力，歸納總結(jié)了變壓器狀態(tài)評估體系；其次，梳理和討論了變壓器狀態(tài)評估數(shù)據(jù)來源及處理方法，總結(jié)分析了異常數(shù)據(jù)監(jiān)測、數(shù)據(jù)清洗、數(shù)據(jù)補(bǔ)全、數(shù)據(jù)轉(zhuǎn)換和關(guān)鍵特征量提取方面的研究成果，對比分析了不同數(shù)據(jù)分析方法在變壓器狀態(tài)評估領(lǐng)域的應(yīng)用情況；最后，總結(jié)了變壓器當(dāng)前狀態(tài)評估領(lǐng)域所面臨的挑戰(zhàn)，展望了未來值得繼續(xù)深入研究的內(nèi)容和方向。

1 變壓器狀態(tài)評估體系

1.1 變壓器應(yīng)力分析

變壓器是一個(gè)包含電路、磁路、絕緣、機(jī)械結(jié)構(gòu)的復(fù)雜系統(tǒng)，在運(yùn)行過程中會受到自身應(yīng)力與外部應(yīng)力的影響，導(dǎo)致變壓器產(chǎn)生異?；蚬收蟍2]，影響變壓器正常運(yùn)行的主要應(yīng)力如圖1 所示。

圖1 影響變壓器正常運(yùn)行的主要應(yīng)力Fig.1 Main stress affecting normal operation of power transformer

由圖1 可知，在環(huán)境、網(wǎng)絡(luò)、人為、熱、電、機(jī)械等多個(gè)應(yīng)力的影響下，變壓器會出現(xiàn)運(yùn)行異常狀態(tài)并導(dǎo)致變壓器故障。對應(yīng)力進(jìn)行分析發(fā)現(xiàn)，各影響因素具有強(qiáng)關(guān)聯(lián)、影響因素異構(gòu)、故障發(fā)生隨機(jī)等特點(diǎn)，不能簡單分析單個(gè)應(yīng)力對設(shè)備的影響或不考慮外部應(yīng)力而評價(jià)變壓器所處狀態(tài)。因此，需要對變壓器建立合理的狀態(tài)評估體系以評估變壓器狀態(tài)，同時(shí)也為狀態(tài)檢修策略的制定提供輔助決策。

1.2 狀態(tài)評估體系

變壓器狀態(tài)評估體系的建立以關(guān)鍵狀態(tài)量為主，通過減少無關(guān)冗余特征影響，達(dá)到降低評估維度、杜絕維數(shù)災(zāi)難發(fā)生的效果。依據(jù)關(guān)鍵特征狀態(tài)量來確定精簡但不失精度的多層次綜合評價(jià)體系是當(dāng)前研究的重點(diǎn)。目前，狀態(tài)評估體系可按部件[3]、故障類型、試驗(yàn)項(xiàng)目等進(jìn)行劃分。以部件劃分為例，建立變壓器狀態(tài)評估體系如圖2 所示。

由圖2 可知，變壓器由本體、套管、分接開關(guān)、冷卻系統(tǒng)、非電量保護(hù)系統(tǒng)5 個(gè)部位構(gòu)成，針對各部位的狀態(tài)評估均可獨(dú)立進(jìn)行，并可通過綜合加權(quán)得到設(shè)備評價(jià)狀態(tài)，其中本體和套管是重點(diǎn)分析對象。變壓器狀態(tài)評估體系是變壓器當(dāng)前運(yùn)行狀態(tài)與各狀態(tài)量數(shù)值變化的間接反映，其建立受到專家主觀因素與運(yùn)行經(jīng)驗(yàn)制約。針對抽取變壓器與各狀態(tài)量之間的直接聯(lián)系，建立科學(xué)、準(zhǔn)確的評估體系的研究還需要進(jìn)一步開展工作。

1.3 狀態(tài)劃分

現(xiàn)有研究成果表明變壓器運(yùn)行狀態(tài)的劃分有等級劃分與分?jǐn)?shù)量化劃分2 種形式。等級劃分通過正常、一般、注意、嚴(yán)重4 個(gè)等級來表示變壓器真實(shí)運(yùn)行狀態(tài)。分?jǐn)?shù)量化劃分通過現(xiàn)場各類測試數(shù)據(jù)、實(shí)驗(yàn)室數(shù)據(jù)、物理觀察等測試結(jié)果綜合計(jì)算具體數(shù)值，再通過數(shù)值的高低對變壓器當(dāng)前等級進(jìn)行確定[4]，其表達(dá)形式為健康指數(shù)（Health Index，HI）。HI 指數(shù)是利用英國EA 公司電力變壓器健康預(yù)測公式所計(jì)算出來的結(jié)果，可將各測試結(jié)果具體、綜合量化為數(shù)值，以數(shù)值0～10 表示（分?jǐn)?shù)越高，變壓器所處狀態(tài)越嚴(yán)重）。分析HI 運(yùn)行結(jié)果時(shí)，可從HI指數(shù)為4～6（即注意階段）時(shí)開始加強(qiáng)監(jiān)視，對HI 指數(shù)為6 及以上的運(yùn)行結(jié)果采取相關(guān)處理措施。HI指數(shù)結(jié)果分析如表1 所示。

表1 HI指數(shù)結(jié)果分析Table 1 Result analysis of HI index

1.4 狀態(tài)評估流程

變壓器狀態(tài)評估技術(shù)主要包括數(shù)據(jù)采集層、數(shù)據(jù)處理層、數(shù)據(jù)分析層、結(jié)果可視化層，其狀態(tài)評估技術(shù)路線步驟如圖3 所示。

圖3 變壓器狀態(tài)評估技術(shù)路線步驟Fig.3 Diagram showing technical route for transformer condition evaluation

由圖3 可知，數(shù)據(jù)采集層借助內(nèi)、外部多種傳感設(shè)備傳輸當(dāng)前變壓器自身屬性數(shù)據(jù)、動態(tài)監(jiān)測數(shù)據(jù)、準(zhǔn)動態(tài)數(shù)據(jù)、外部數(shù)據(jù)來反映變壓器的真實(shí)運(yùn)行狀態(tài)，需要清楚采集數(shù)據(jù)的采集間隔，以保證評估數(shù)據(jù)的合理性，該層是狀態(tài)評估過程中的底層構(gòu)建。數(shù)據(jù)處理層根據(jù)所收集數(shù)據(jù)的特點(diǎn)進(jìn)行數(shù)據(jù)處理，對預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取操作，找出與變壓器相關(guān)的狀態(tài)量，該層是數(shù)據(jù)分析層的前提。數(shù)據(jù)分析層是狀態(tài)評估過程中的核心層，在建立變壓器狀態(tài)評估體系的基礎(chǔ)上，采用數(shù)據(jù)挖掘方法對變壓器狀態(tài)進(jìn)行評估，目前所知的數(shù)據(jù)分析方法具有局限性，亟需研發(fā)新的數(shù)據(jù)分析方法以得到更合理、科學(xué)、準(zhǔn)確的評估結(jié)果。結(jié)果可視化層是對狀態(tài)評估結(jié)果的具體體現(xiàn)，可通過文字、數(shù)字、顏色等多種方式呈現(xiàn)評估結(jié)果。

2 變壓器狀態(tài)評估數(shù)據(jù)來源及處理

變壓器狀態(tài)數(shù)據(jù)具有數(shù)量海量、數(shù)據(jù)類型廣、異構(gòu)性強(qiáng)、特征各異、關(guān)聯(lián)度復(fù)雜等特點(diǎn)。數(shù)據(jù)來源種類包括與接入系統(tǒng)相關(guān)的電流值、氣體分解物、空氣含水量、實(shí)時(shí)環(huán)境溫度與濕度、脈沖形狀、局部放電幅值、油的介電損耗、糠醛值、外觀整體是否受損、油位和油質(zhì)記錄值、極化指標(biāo)、直流不平衡系數(shù)等，但以上狀態(tài)數(shù)據(jù)均無法直接用于狀態(tài)評估工作中，需要采用數(shù)據(jù)分析及數(shù)據(jù)處理方法來分析狀態(tài)數(shù)據(jù)之間間接關(guān)聯(lián)性的強(qiáng)弱來決定是否采用該數(shù)據(jù)。

2.1 變壓器狀態(tài)評估數(shù)據(jù)處理

2.1.1 異常數(shù)據(jù)監(jiān)測

變壓器異常數(shù)據(jù)監(jiān)測主要為在線監(jiān)測模式，通過對比實(shí)時(shí)的正常數(shù)據(jù)與異常數(shù)據(jù)，可對變壓器當(dāng)前狀態(tài)做出簡單判斷，同時(shí)也為后續(xù)狀態(tài)評估的準(zhǔn)確性提供依據(jù)。以變壓器油色譜為例，傳統(tǒng)基于閾值的方法很難區(qū)分變壓器噪聲數(shù)據(jù)與正常數(shù)據(jù)，為了找出正常數(shù)據(jù)、有效異常數(shù)據(jù)和拋棄無效異常數(shù)據(jù)，采取基于統(tǒng)計(jì)學(xué)、聚類、模型學(xué)習(xí)等方法對變壓器油色譜氣體進(jìn)行異常數(shù)據(jù)監(jiān)測。其中，統(tǒng)計(jì)學(xué)方法由于真實(shí)樣本與實(shí)驗(yàn)樣本分布不一致，導(dǎo)致在狀態(tài)評估領(lǐng)域的使用率不高；聚類方法有K 均值聚類算法（K-means Clustering Algorithm，K-means）、空間結(jié)構(gòu)聚類算法、核平滑化方法（Kernel Smoothing Methods，KSM）、融合聚類算法、模糊C 均值聚類算法（Fuzzy-C Means Algorithm，F(xiàn)CMA）等，當(dāng)輸入模型的維度過高或者硬件設(shè)備的計(jì)算能力不夠會造成輸出結(jié)果的時(shí)間過長或準(zhǔn)確度不高等問題；模型學(xué)習(xí)方法有最小協(xié)方差行列式（Minimum Covariance Determinant，MCD）、隔離森林算法（Isolation Forest Algorithm，IFA）等，該方法可自動學(xué)習(xí)數(shù)據(jù)中的隱藏信息并得出正常值與異常值，缺點(diǎn)在于需要較大規(guī)模的數(shù)據(jù)量作為支撐方可完成計(jì)算。

2.1.2 數(shù)據(jù)清洗

由于傳感裝置短時(shí)失效、現(xiàn)場環(huán)境干擾、通信傳輸異常等監(jiān)測系統(tǒng)不確定因素的存在，使得采集的原始數(shù)據(jù)無法避免地會存在部分噪聲點(diǎn)和缺失值，需要采取缺失值填充、噪聲平滑等處理措施，以剔除錯(cuò)誤數(shù)據(jù)和修復(fù)缺失數(shù)據(jù)，保證狀態(tài)數(shù)據(jù)的一致、有效與完整。目前有多種方法被應(yīng)用于數(shù)據(jù)清洗中，文獻(xiàn)[5]提出采用基于時(shí)間序列分析的雙循環(huán)迭代檢驗(yàn)法對變壓器監(jiān)測數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，結(jié)果表明該方法具有一定的有效性。文獻(xiàn)[6]將時(shí)間序列符號化后，應(yīng)用具有噪聲的基于密度的聚類方法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）監(jiān)測序列數(shù)據(jù)，采用小波神經(jīng)網(wǎng)絡(luò)對監(jiān)測到的異常數(shù)據(jù)進(jìn)行自動清洗。文獻(xiàn)[7]運(yùn)用深度學(xué)習(xí)中的堆疊降噪自動編碼器（Stacked Denoising Auto Encoder，SDAE）方法來修復(fù)噪聲點(diǎn)和缺失值，過濾干擾數(shù)據(jù)。

2.1.3 數(shù)據(jù)補(bǔ)全

變壓器在線監(jiān)測數(shù)據(jù)中存在大量空白數(shù)據(jù)，數(shù)據(jù)缺失會破壞時(shí)間序列的連續(xù)性、改變數(shù)據(jù)特征與變化趨勢，導(dǎo)致后續(xù)評估模型無法對變壓器進(jìn)行準(zhǔn)確評價(jià)。為解決上述問題，需要采取數(shù)據(jù)補(bǔ)全方法對空白數(shù)據(jù)進(jìn)行補(bǔ)全。傳統(tǒng)的數(shù)據(jù)補(bǔ)全方法也稱為傳統(tǒng)插補(bǔ)法，包括均值填充法、人工填補(bǔ)法、回歸填充法等，其共同的缺點(diǎn)是對變壓器時(shí)間序列的波動性考慮不足且數(shù)據(jù)精度較低。為提高數(shù)據(jù)補(bǔ)全精度，文獻(xiàn)[8]提出基于馬爾科夫模型的變壓器油中溶解氣體數(shù)據(jù)補(bǔ)全方法，從數(shù)據(jù)挖掘的角度考慮油色譜數(shù)據(jù)缺失問題，對帶有空值的油色譜數(shù)據(jù)采用正向與反向兩方面挖掘數(shù)據(jù)的轉(zhuǎn)移過程，并將此方法與均值插值法進(jìn)行比較，結(jié)果表明該研究成果在數(shù)據(jù)特征不變的情況下具有較高參考價(jià)值和指導(dǎo)意義。

2.1.4 數(shù)據(jù)轉(zhuǎn)換

為實(shí)現(xiàn)數(shù)據(jù)歸一化，需要將變壓器狀態(tài)評估體系中不同量綱的狀態(tài)評估數(shù)據(jù)映射到同一尺度來進(jìn)行數(shù)據(jù)轉(zhuǎn)換，以避免大數(shù)據(jù)“吞掉”小數(shù)據(jù)造成分布偏差進(jìn)而影響模型判斷。常用的數(shù)據(jù)轉(zhuǎn)換方法有歸一化和標(biāo)準(zhǔn)化。運(yùn)用最大最小值歸一化（又稱離差標(biāo)準(zhǔn)化）將狀態(tài)評估數(shù)據(jù)進(jìn)行無量綱處理，使?fàn)顟B(tài)評估數(shù)據(jù)結(jié)果映射到[0，1]區(qū)間，或?qū)顟B(tài)評估數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，將原始狀態(tài)評估數(shù)據(jù)轉(zhuǎn)換成均值為0、標(biāo)準(zhǔn)差為1 的數(shù)據(jù)分布。

2.2 關(guān)鍵特征量提取

變壓器在收集數(shù)值類數(shù)據(jù)的同時(shí)還會收集圖像、視頻等非結(jié)構(gòu)數(shù)據(jù)，使得數(shù)據(jù)的類型與體量大幅增加，數(shù)據(jù)的維度向高維發(fā)展。因此，對樣本數(shù)據(jù)進(jìn)行深度挖掘，找到評估對象與關(guān)鍵狀態(tài)參量的隱含關(guān)系，實(shí)現(xiàn)特征降維是當(dāng)下研究的重點(diǎn)。常用的關(guān)鍵特征量提取方法包括自變量降維、特征選擇等[9]。

1）自變量降維。通過數(shù)學(xué)變換，將原始的處于高維空間的數(shù)據(jù)轉(zhuǎn)換到低維空間的子區(qū)間內(nèi)，以減少特征屬性個(gè)數(shù)。目前的主要做法有主成分分析法（Principal Components Analysis，PCA）及核主成分分析法，此類方法的缺點(diǎn)是會造成原始數(shù)據(jù)所攜帶的部分信息缺失，導(dǎo)致評估和故障診斷結(jié)果不準(zhǔn)確。

2）特征選擇。通過在原始特征量中選擇關(guān)鍵特征，在不改變原始數(shù)據(jù)集特征分布情況下使得到的特征子集盡可能小，識別目標(biāo)的精度盡可能高[10-12]。目前的主要作法有隨機(jī)森林法、關(guān)聯(lián)準(zhǔn)則法、粗糙集法、深度置信網(wǎng)絡(luò)法，其中深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）可對特征氣體進(jìn)行訓(xùn)練后再對樣本進(jìn)行特征自動提取，其優(yōu)點(diǎn)是通過逐層訓(xùn)練為整個(gè)網(wǎng)絡(luò)賦予較好的初始權(quán)重，網(wǎng)絡(luò)經(jīng)過微調(diào)就可達(dá)到最優(yōu)解，缺點(diǎn)是DBN 網(wǎng)絡(luò)狀態(tài)量選擇的可解釋性較弱。

3 變壓器狀態(tài)評估方法

3.1 基于經(jīng)驗(yàn)與導(dǎo)則的狀態(tài)評估方法

基于經(jīng)驗(yàn)與導(dǎo)則的狀態(tài)評估方法是根據(jù)在線數(shù)據(jù)、巡檢結(jié)果和各類試驗(yàn)結(jié)果以扣分制對評估對象進(jìn)行打分，通過分?jǐn)?shù)高低來確定設(shè)備當(dāng)前狀態(tài)。該方法的優(yōu)點(diǎn)是直觀、簡單、易操作，在變壓器狀態(tài)評估中有一定的應(yīng)用，其缺點(diǎn)是：（1）采用扣分的打分制度容易造成多個(gè)相關(guān)狀態(tài)量的結(jié)果沖突，導(dǎo)致對變壓器當(dāng)前狀態(tài)誤判；（2）多個(gè)狀態(tài)量評估同時(shí)進(jìn)行，工作量大且效率較低；（3）僅考慮設(shè)備自身部件狀態(tài)，未采用外部數(shù)據(jù)對變壓器狀態(tài)進(jìn)行綜合分析。

3.2 基于熵權(quán)分析的狀態(tài)評估方法

3.2.1 權(quán)重分析

基于導(dǎo)則的評估方法認(rèn)為特征量在各個(gè)評估體系中重要程度相等，為避免統(tǒng)一權(quán)重后無法突出狀態(tài)量重要性的問題，研究人員提出采用不同特征量與不同權(quán)重相結(jié)合的評估方法。基于權(quán)重分析的狀態(tài)評估方法分為主觀權(quán)重與客觀權(quán)重2 類，以層次分析法等主觀權(quán)重分析為主，熵權(quán)法等客觀權(quán)重為輔。使用單一權(quán)重分析會將評估過程中的某一狀態(tài)量權(quán)重過度放大與縮小，導(dǎo)致評估準(zhǔn)確性受到影響。因此需對單一權(quán)重進(jìn)行改進(jìn)，運(yùn)用主客觀綜合賦權(quán)[13]、綜合變權(quán)重[14]等方法對變壓器進(jìn)行準(zhǔn)確的綜合評價(jià)，為后續(xù)變壓器絕緣的維護(hù)提供科學(xué)依據(jù)。研究表明引入權(quán)重能顯示各指標(biāo)量與評估目標(biāo)的關(guān)聯(lián)性，文獻(xiàn)[15]引入合作博弈方法重新優(yōu)化權(quán)重，通過博弈論更新優(yōu)化組合權(quán)重，考慮了差異化評價(jià)后的評價(jià)結(jié)果也更加合理與精確。

3.2.2 健康指數(shù)

隨著電力設(shè)備的故障預(yù)測與健康管理方法的引入，HI 指數(shù)的應(yīng)用頻率逐漸增加，其將變壓器狀態(tài)評估結(jié)果具體量化為數(shù)值并轉(zhuǎn)換為語言表達(dá)形式，使決策者更容易理解當(dāng)前設(shè)備狀態(tài)，由于復(fù)合HI 考慮狀態(tài)量全面且有針對性，被認(rèn)為是評估變壓器整體情況最有效、最合理的方法。目前基于HI的狀態(tài)評估研究已取得一定成果，文獻(xiàn)[16]構(gòu)建了計(jì)及老化狀態(tài)的三級綜合HI 評估模型，對變壓器整體運(yùn)行狀態(tài)進(jìn)行全面、真實(shí)評估，并將該模型應(yīng)用于330 kV 變壓器，為變壓器運(yùn)行提供了大量有價(jià)值的指導(dǎo)信息。文獻(xiàn)[17]提出基于馬氏距離的變壓器動態(tài)評估方法，該方法可及時(shí)預(yù)警變壓器健康狀態(tài)，解決評估邊界界定模糊、參數(shù)和權(quán)重等數(shù)據(jù)的選擇主觀性較強(qiáng)等問題，實(shí)驗(yàn)表明該方法能準(zhǔn)確識別當(dāng)前變壓器運(yùn)行狀態(tài)，為后續(xù)數(shù)字運(yùn)維、健康管理提供可靠的決策依據(jù)。

3.3 基于不確定性推理的狀態(tài)評估方法

3.3.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是不確定知識的表示和推理領(lǐng)域中的有效模型，可通過給定合適樣本數(shù)據(jù)建立網(wǎng)絡(luò)拓?fù)鋪泶_定最終概率分布。由于其能發(fā)現(xiàn)大量變量之間的關(guān)系，是數(shù)據(jù)預(yù)測與分類的有力模型，因此將貝葉斯網(wǎng)絡(luò)與變壓器評估有機(jī)結(jié)合，并通過實(shí)例驗(yàn)證了該方法的正確與可行性[18]。文獻(xiàn)[19]對反映變壓器狀態(tài)的多種數(shù)據(jù)類型進(jìn)行分析，從油中溶解氣體數(shù)值、油化學(xué)試驗(yàn)、電氣試驗(yàn)方面選取合適特征量構(gòu)建變壓器狀態(tài)評估體系，利用貝葉斯模型將各類時(shí)間下監(jiān)測數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)進(jìn)行綜合分析并得到最終狀態(tài)評估結(jié)果，仿真分析表明該方法可實(shí)現(xiàn)多指標(biāo)維度、不同時(shí)間維度、時(shí)間冗余等不同情況下的綜合狀態(tài)評估?；谪惾~斯網(wǎng)絡(luò)的評估方法理論較強(qiáng)且容易理解，但因其構(gòu)成的前提是假設(shè)屬性之間相互獨(dú)立，與實(shí)際生產(chǎn)相桲，因此在變壓器評估領(lǐng)域中少有應(yīng)用。

3.3.2 模糊理論

模糊理論以模糊邏輯來強(qiáng)調(diào)等級劃分，把結(jié)果歸一化為隸屬度后再對結(jié)果進(jìn)行分析，可增加狀態(tài)評估數(shù)據(jù)彈性。文獻(xiàn)[20]指出設(shè)備的故障受多種不確定因素影響，在研究中引入模糊數(shù)學(xué)理論，采用模糊綜合評價(jià)對變壓器運(yùn)行狀態(tài)進(jìn)行定量和定性評估，實(shí)驗(yàn)表明該方法能取得較好的評估結(jié)果且可用于實(shí)際生產(chǎn)中。文獻(xiàn)[21]運(yùn)用層次分析法對各項(xiàng)實(shí)際指標(biāo)建立評估體系，并引入變權(quán)思想對常權(quán)重進(jìn)行細(xì)致優(yōu)化，形成變權(quán)重進(jìn)行變壓器的模糊綜合評價(jià)，使得評價(jià)方法更符合變壓器的運(yùn)行實(shí)際，用模糊綜合評價(jià)代替導(dǎo)則評價(jià)，研究表明模糊理論可減少等級劃分的邊界影響并使結(jié)果更加合理。模糊理論評估流程如圖4 所示。

變壓器處于何種異?；蛘吖收蠣顟B(tài)是由多種因素關(guān)聯(lián)導(dǎo)致，且隸屬函數(shù)也是專家人為選定的。模糊理論評估體系因其具有較強(qiáng)主觀因素導(dǎo)致無法從客觀角度對狀態(tài)評估數(shù)據(jù)進(jìn)行分析，也限制了其應(yīng)用和推廣。

3.3.3 云理論

云理論在保留信息隨機(jī)性與模糊性的同時(shí)，可簡單、直觀完成定性與定量關(guān)系之間的轉(zhuǎn)換，在處理不確定問題上有自身的優(yōu)勢。云模型充分運(yùn)用正態(tài)分布和正態(tài)隸屬函數(shù)，可使用比模糊理論更為寬松的約束條件，擁有比隸屬函數(shù)更強(qiáng)的適用性與描述不確定性問題的能力，因此可引入云模型對變壓器進(jìn)行狀態(tài)評估。傳統(tǒng)評估方法的狀態(tài)等級劃分過于絕對且未考慮等級邊界處的隨機(jī)性和模糊性，文獻(xiàn)[22]通過將云理論與物元理論進(jìn)行結(jié)合形成云物元模型，運(yùn)用正態(tài)云代替物元中的參數(shù)來解決多指標(biāo)不相容、邊界硬化等問題，實(shí)例分析表明基于云物元模型的變壓器綜合狀態(tài)評估方法具有更高的準(zhǔn)確性與適用性。

3.3.4 證據(jù)理論

證據(jù)理論是不確定性推理方法中的一種，在確定變壓器評估過程中的隨機(jī)、模糊等不確定因素后，利用合成規(guī)則融合模糊評判的不確定結(jié)論得到評價(jià)結(jié)果，證據(jù)理論[23]（Dempster-Shafer，D-S）評估圖如圖5 所示。

圖5 D-S評估圖Fig.5 Evaluation process of D-S

由圖5 可知，首先，利用項(xiàng)目層中的電氣試驗(yàn)、油色譜數(shù)據(jù)、油絕緣試驗(yàn)所得3 類數(shù)據(jù)組合形成輸入樣本，通過對樣本進(jìn)行無量綱運(yùn)算后，利用數(shù)據(jù)內(nèi)在關(guān)系推導(dǎo)出各個(gè)評價(jià)指標(biāo)量的信息熵權(quán)，利用變異系數(shù)優(yōu)化修正信息熵權(quán)得到組合權(quán)重；其次，運(yùn)用輸入樣本計(jì)算出各指標(biāo)量對應(yīng)的隸屬度，將組合權(quán)重和隸屬度共同輸入綜合模糊評價(jià)矩陣中得到變壓器綜合狀態(tài)評估數(shù)據(jù)；最后，利用D-S 證據(jù)理論對數(shù)據(jù)進(jìn)行組合得出變壓器所處狀態(tài)，實(shí)現(xiàn)整體全面評估。

D-S 證據(jù)理論的缺點(diǎn)是證據(jù)組合相對復(fù)雜、推理過程的可解釋性較差、對建模與定義要求較高、需要大量的專家知識與經(jīng)驗(yàn)，因此采用D-S 證據(jù)理論需要綜合考慮上述多方面因素可能會造成的問題。

3.3.5 集對分析

集對分析（Set Pair Analysis，SPA）理論是一種處理不確定性問題的新數(shù)學(xué)理論和系統(tǒng)分析方法。目前，針對集對分析在變壓器狀態(tài)評估方面的應(yīng)用已經(jīng)取得一定研究成果[24]，集對分析評估圖如圖6 所示。由圖6 可知，首先，根據(jù)故障類型與故障特征之間的聯(lián)系建立故障類型集合，通過對比計(jì)算關(guān)聯(lián)準(zhǔn)則的關(guān)聯(lián)度與置信度得出故障類型和故障特征之間的常權(quán)重，引入變權(quán)思想優(yōu)化常權(quán)重；然后，構(gòu)建聯(lián)系度表達(dá)式，通過差異度系數(shù)求出模糊同異反評價(jià)矩陣，確定變壓器整體運(yùn)行狀態(tài)和各故障類型的聯(lián)系數(shù)值；最后，根據(jù)等級區(qū)間劃分來確定變壓器整體運(yùn)行狀態(tài)。

圖6 集對分析評估圖Fig.6 Evaluation process of set pair analysis

3.4 基于機(jī)器學(xué)習(xí)的狀態(tài)評估方法

隨著人工智能在電力系統(tǒng)的推廣和應(yīng)用，機(jī)器學(xué)習(xí)在變壓器狀態(tài)評估中的應(yīng)用日益增加，評估所采用的方法主要有決策樹、支持向量機(jī)、灰色聚類和神經(jīng)網(wǎng)絡(luò)等4 種。

3.4.1 決策樹

決策樹是傳統(tǒng)機(jī)器學(xué)習(xí)中常用的分類與回歸方法，可實(shí)現(xiàn)知識的自我更新與優(yōu)化，從側(cè)面提高變壓器狀態(tài)評估的工作效率。將變壓器狀態(tài)評估看作等級分類問題，構(gòu)建決策樹評估步驟如圖7 所示。其中，○，□，△分別代表不同樣本，之間的實(shí)線代表樣本之間的距離。

圖7 決策樹評估步驟Fig.7 Evaluation procedure of decision tree

由圖7 可知，變壓器原始樣本數(shù)據(jù)較少，需要通過合成少數(shù)類過采樣技術(shù)（Synthetic Minority Oversampling Technique，SMOTE）合成少數(shù)類樣本來擴(kuò)充原始樣本以形成新的數(shù)據(jù)集，將新樣本集重新送入C4.5 決策樹模型中進(jìn)行訓(xùn)練，模型可自動學(xué)習(xí)出適合的權(quán)重再送給分類器對訓(xùn)練與測試樣本進(jìn)行分類，所得分類結(jié)果就是最終的評估結(jié)果。

3.4.2 支持向量機(jī)

支持向量機(jī)（Support Vector Machines，SVM）通過搭建分類超平面度量不同類樣本之間的距離來完成分類任務(wù)，智能算法的不斷更新可幫助SVM 更快的收斂與知識更新，目前研究多引入啟發(fā)式智能算法對SVM 參數(shù)進(jìn)行尋優(yōu)，以改善SVM 對變壓器狀態(tài)評估的分類性能。文獻(xiàn)[25]通過將改進(jìn)粒子群（Improved Particle Swarm Optimization，IPSO）模型與SVM 相結(jié)合，利用參數(shù)尋優(yōu)方法更新模型幫助SVM更快收斂到全局最優(yōu)值，改善SVM 分類性能的同時(shí)也提高了變壓器狀態(tài)評估的準(zhǔn)確性。

3.4.3 灰色聚類

灰色聚類評估是利用灰色聚類評估模型對集合對象進(jìn)行聚類的過程。按聚類對象劃分，灰色聚類評估模型可分為灰色關(guān)聯(lián)聚類和基于可能度函數(shù)的灰色聚類?；疑垲愂墙鉀Q數(shù)據(jù)量少、不確定性信息問題多的實(shí)用方法，可分為灰色關(guān)聯(lián)聚類與灰色白化權(quán)函數(shù)聚類2 類。實(shí)際應(yīng)用中通過引入正態(tài)云模型，將灰色白化權(quán)函數(shù)聚類模型改進(jìn)成灰云模型，以彌補(bǔ)傳統(tǒng)白化權(quán)函數(shù)無法兼顧隨機(jī)性信息的缺點(diǎn)，并有效反映出評估等級信息的模糊性、灰性等?；诨以颇Ｐ偷淖儔浩鳡顟B(tài)評估流程不僅能確定變壓器所處狀態(tài)，還能找出導(dǎo)致該狀態(tài)的具體原因。

3.4.4 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）在電力系統(tǒng)中有著廣泛應(yīng)用，文獻(xiàn)[26]提出一種基于自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)（Adaptive Probabilistic Neural Networks，APNN）的變壓器健康狀態(tài)評估方法，首先將指標(biāo)分為靜態(tài)與動態(tài)2 類，再分別采取不同的處理方式輸入網(wǎng)絡(luò)對變壓器健康狀況進(jìn)行預(yù)測，最后通過與BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行對比和實(shí)例驗(yàn)證說明該方法有較高實(shí)用價(jià)值。文獻(xiàn)[27]采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)（Adaptive Neuro Fuzzy Inference System，ANFIS）對變壓器進(jìn)行狀態(tài)評估，并與模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Inference System，F(xiàn)IS）進(jìn)行對比發(fā)現(xiàn)ANFIS 方法在簡單輸入的情況下也能保持較高的評估準(zhǔn)確率，同時(shí)可對變壓器進(jìn)行持續(xù)監(jiān)測和管理。

3.5 基于深度學(xué)習(xí)的狀態(tài)評估方法

深度學(xué)習(xí)是多層網(wǎng)絡(luò)模型堆積的學(xué)習(xí)方法，通過模擬人腦認(rèn)知學(xué)習(xí)過程，逐層抽象、迭代、更新模型，是一種新興的人工智能技術(shù)。文獻(xiàn)[28]使用組合深度神經(jīng)網(wǎng)絡(luò)（Combined Deep Neural Network，CDNN）模型對變壓器溶解氣體進(jìn)行分析，通過多種學(xué)習(xí)模型進(jìn)行對比驗(yàn)證了該方法的可行性，并強(qiáng)調(diào)了數(shù)據(jù)規(guī)范的重要性。文獻(xiàn)[29]應(yīng)用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（Deep Learning Neural Network，DLNN）模型監(jiān)測變壓器的健康狀況，得到深度學(xué)習(xí)評估示意圖如圖8 所示。

圖8 深度學(xué)習(xí)評估示意圖Fig.8 Schematic diagram of deep learning assessment

由圖8 可知，首先，將原始樣本進(jìn)行歸一化處理，形成歸一化（無量綱）樣本數(shù)據(jù)，運(yùn)用回聲狀態(tài)網(wǎng)絡(luò)（Echo State Network，ESN）生成新樣本數(shù)據(jù)；然后，將歸一化樣本與新樣本共同作為輸入數(shù)據(jù)送入DLNN 中。采用改進(jìn)深度殘差收縮網(wǎng)絡(luò)（Improved Deep Residual Shrinkage Network，IDRSN）和一維卷積神經(jīng)網(wǎng)絡(luò)（One-dimensional Convolutional Neural Network，1DCNN）提取輸入樣本特征，IDRSN 提取顯著特征，1DCNN 提取非顯著特征；最后，通過合并層綜合所提取到的2 類特征輸入歸一化指數(shù)函數(shù)中進(jìn)行概率輸出得到最終變壓器健康狀態(tài)。

3.6 評估方法對比分析

基于經(jīng)驗(yàn)與導(dǎo)則的評估方法過于簡單且準(zhǔn)確率不高，因此不參與評估方法的參數(shù)對比。綜合其余數(shù)據(jù)分析方法在變壓器狀態(tài)評估領(lǐng)域的應(yīng)用情況，得到各類方法中重要參數(shù)優(yōu)缺點(diǎn)對比如表2 所示。研究人員可參考表2 中各參數(shù)優(yōu)缺點(diǎn)選擇合適的分析方法。

4 挑戰(zhàn)與展望

4.1 數(shù)據(jù)體量與質(zhì)量

從電網(wǎng)中獲取數(shù)據(jù)后發(fā)現(xiàn)狀態(tài)數(shù)據(jù)有如下2 個(gè)問題：（1）數(shù)據(jù)體量問題。每100 臺狀態(tài)監(jiān)測裝置每d 可產(chǎn)生4.3 GB 數(shù)據(jù)，每a 可產(chǎn)生1.5 TB 數(shù)據(jù)，這個(gè)數(shù)據(jù)量還有不斷擴(kuò)大的趨勢[19]；（2）數(shù)據(jù)質(zhì)量問題。由于傳感裝置會受到環(huán)境、人為等因素的影響，使所采數(shù)據(jù)在采集、傳輸、存儲各環(huán)節(jié)都有可能受到不同大小應(yīng)力的影響，導(dǎo)致所采集數(shù)據(jù)出現(xiàn)負(fù)值、誤差較大、大片缺失、重復(fù)或不變、非真實(shí)數(shù)值等情況。

數(shù)據(jù)在傳輸過程中出現(xiàn)丟失問題是不可避免的，為最大限度降低這類問題，在數(shù)據(jù)的傳輸與存儲過程中，須尋求新方法優(yōu)化信息流方面的數(shù)據(jù)缺失問題?？赏ㄟ^減少數(shù)據(jù)的異常值和空白值、統(tǒng)一化和標(biāo)準(zhǔn)化管理不同系統(tǒng)的數(shù)據(jù)、提高交互機(jī)制等方法，最終打破管理系統(tǒng)之間的數(shù)據(jù)壁壘問題。

4.2 數(shù)據(jù)增強(qiáng)

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)往往需要大量的無噪聲樣本才能訓(xùn)練出泛化能力足夠強(qiáng)的模型，然而實(shí)際生產(chǎn)中存在樣本數(shù)量不足或者質(zhì)量不高的情況，使模型無法達(dá)到擬合，因此需要對少量無噪聲樣本做數(shù)據(jù)增強(qiáng)來提高樣本質(zhì)量及模型的魯棒性。數(shù)據(jù)增強(qiáng)可擴(kuò)充數(shù)據(jù)集并減少模型過擬合的可能性，實(shí)現(xiàn)模型的快速學(xué)習(xí)與魯棒學(xué)習(xí)[30]。目前，已有學(xué)者提出將深度學(xué)習(xí)應(yīng)用在數(shù)據(jù)的擴(kuò)充以合成新樣本平衡數(shù)據(jù)集，該提議具有較強(qiáng)的前瞻性及可實(shí)現(xiàn)性，可深入研究并進(jìn)行推廣應(yīng)用[31]。

4.3 小樣本、非均衡樣本處理方法

通過各類傳感裝置采集到的變壓器數(shù)據(jù)雖然在體量上呈現(xiàn)海量，但能精準(zhǔn)體現(xiàn)變壓器異常情況和故障的數(shù)據(jù)十分稀少。由于正常樣本不斷增加，故障數(shù)據(jù)與案例較為稀缺，長期累積后會形成數(shù)據(jù)極端不均衡現(xiàn)象，易形成小樣本、非均衡樣本的異常故障數(shù)據(jù)集，對需要大樣本支撐的算法形成了限制，且模型的泛化能力不高，無法在實(shí)際工作中運(yùn)用，因此，須在變壓器狀態(tài)評估領(lǐng)域中從方法上進(jìn)行改進(jìn)與創(chuàng)新，將最新的小樣本、非均衡樣本學(xué)習(xí)方法應(yīng)用到變壓器異常和故障數(shù)據(jù)集上，以提高變壓器狀態(tài)評估準(zhǔn)確率與在線可靠性。

4.4 多維數(shù)據(jù)應(yīng)用

當(dāng)前的評估方法以電氣、試驗(yàn)、運(yùn)行數(shù)據(jù)為主，未能充分考慮外部環(huán)境數(shù)據(jù)、各類天氣影響、網(wǎng)絡(luò)運(yùn)行波動、巡視記錄等多維數(shù)據(jù)類型。數(shù)據(jù)存儲平臺包括數(shù)值，文本（巡視記錄）、圖像（紅外成像、外觀檢查等）、視頻（操作記錄、檢修過程）等方式。在多維數(shù)據(jù)應(yīng)用方面以圖像為例，可通過將其運(yùn)用在像素?cái)?shù)據(jù)上以建立復(fù)雜模型來提取變壓器的外觀圖與紅外圖特征，再有機(jī)集合多維數(shù)據(jù)對變壓器進(jìn)行綜合、完備的評估，使評估結(jié)果更具有說服力[32]。目前單一的結(jié)構(gòu)形數(shù)據(jù)樣本仍起主導(dǎo)模型性能作用，在未來可以將多維數(shù)據(jù)加入到評估體系以擴(kuò)充輸入樣本維度讓模型發(fā)揮最大效用。

4.5 多源信息融合

現(xiàn)有狀態(tài)評估方法雖從單一狀態(tài)參量轉(zhuǎn)變?yōu)槎酄顟B(tài)參量或有限狀態(tài)參量評估，但仍未綜合考慮設(shè)備多方面因素影響。多源信息融合可從決策、數(shù)據(jù)、特征3 個(gè)層面進(jìn)行融合，目前變壓器多源信息融合的研究主要集中在數(shù)據(jù)層方面，其信息融合評估圖9 所示。

圖9 信息融合評估圖Fig.9 Diagram showing information fusion based assessment

由圖9 可知，將靜態(tài)狀態(tài)量與變化狀態(tài)量輸入徑向基函數(shù)（Radial Basis Function，RBF）網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到第一層評價(jià)結(jié)果，運(yùn)用D-S 證據(jù)理論對融合后的證據(jù)體進(jìn)行判斷，融合兩層信息結(jié)果得到最終變壓器綜合評估狀態(tài)[33]。

多源信息融合是對設(shè)備進(jìn)行綜合評估的方法，經(jīng)過融合后的方法能取得較客觀的結(jié)果[34-35]，缺點(diǎn)是計(jì)算成本和復(fù)雜度較高，解釋性與可理解性較低。期望未來通過各種新興技術(shù)、設(shè)備與模型的迭代更新，讓多源信息融合的實(shí)現(xiàn)過程更為簡單，使多源信息融合的方法在變壓器狀態(tài)評估領(lǐng)域得到更好的推廣及應(yīng)用。

5 結(jié)語

本文通過對數(shù)字電網(wǎng)背景下電力變壓器狀態(tài)評估領(lǐng)域的應(yīng)用研究，歸納與總結(jié)了變壓器相關(guān)數(shù)據(jù)分析方法與狀態(tài)評估方法，為后續(xù)研究者提供有效思路的同時(shí)，強(qiáng)調(diào)豐富的樣本收集可為變壓器狀態(tài)評估提供有益的參考。