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

王曉蓉

(陜西省地方電力(集團(tuán))有限公司,西安 710061)

0 引 言

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]。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[3]。

對(duì)于預(yù)警閾值的設(shè)置,已經(jīng)存在多種方法,文獻(xiàn)[4]提出了一種新的圖解法,基于所有8種氣體,一氧化碳(CO)和二氧化碳(CO2)作為重要指標(biāo)。文獻(xiàn)[5]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,但解決模糊邊界問題仍然是一個(gè)挑戰(zhàn)。

除了傳統(tǒng)方法,人工智能技術(shù)的興起,如人工神經(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)[6]提出了一個(gè)基于模糊邏輯的強(qiáng)大專家系統(tǒng)。此外,文獻(xiàn)[7]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)[8]使用深部信念網(wǎng)絡(luò)(Deep Belief Network,DBN)來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、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[9]。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。考慮了變壓器個(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

1.1 分變壓器屬性分類

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,選擇最佳分類屬性作為差異分析的基礎(chǔ)。選擇最佳分類屬性的原則是,這些最佳分類屬性應(yīng)能夠最大程度地反映變壓器之間的差異。根據(jù)文獻(xiàn)[10]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的影響較大的候選屬性。

1.2 候選分類屬性聚類中心的計(jì)算

根據(jù)五個(gè)候選分類屬性劃分了共82,948,872條記錄,每個(gè)屬性下的詳細(xì)分類如表1所示。

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

對(duì)于每個(gè)候選屬性,可以應(yīng)用聚類方法來獲取它們的聚類中心?；诰垲愔行闹g的歐氏距離,可以實(shí)現(xiàn)最佳的分類屬性。考慮了四種聚類方法,包括k均值,自組織映射(Self Organizing Maps, SOM)和模糊C均值(Fuzzy C-means, FCM)[11-14]。但是,當(dāng)考慮聚類效果和計(jì)算效率時(shí),FCM是最合適的聚類方法。另一方面,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作為聚類方法最為合適。

(1)

(2)

式中λj,j=1,2,…,n表示拉格朗日乘數(shù)。

最小化新目標(biāo)函數(shù)的必要條件如下：

(3)

(4)

式中m表示模糊度,控制聚類中心的模糊重疊。并且滿足1.5≤m≤2.5。

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。然后采用FCM來計(jì)算每個(gè)類別的聚類中心。結(jié)果顯示在表1中。為了更直觀地說明,在三維(3D)空間中繪制了不同電壓等級(jí)分類下的三種典型溶解氣體(H2、C2H2和TH)的聚類中心,如圖1所示。小球代表實(shí)際數(shù)據(jù),大球代表聚類中心。三維空間中的所有氣體數(shù)據(jù)均采用最小-最大歸一化方法進(jìn)行處理。

圖1 3D空間中各種電壓等級(jí)下H2、C2H2和TH的聚類中心

1.3 最佳分類屬性

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中心數(shù)目也不同。因此,使用平均歐氏距離來識(shí)別一種分類屬性下聚類中心之間的離散度。C={c1,c2,…,ct}(t大于1)包括數(shù)據(jù)集X={x1,x2,…,xn}(n>t)的t個(gè)聚類中心。C的平均歐氏距離定義為：

(5)

表2 八種氣體的聚類中心作為預(yù)候選屬性

式中‖·‖ 表示L2-范數(shù);t表示聚類中心的數(shù)量。

也就是說,如果一個(gè)分類屬性的平均歐氏距離較大,則該分類下的數(shù)據(jù)更加分散,這表明該分類屬性對(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)此分類屬性對(duì)溶解氣體數(shù)據(jù)進(jìn)行有效分類,并且不能很好地反映變壓器之間的差異。經(jīng)過最小-最大標(biāo)準(zhǔn)化后,表3中顯示了聚類中心之間的距離及其平均歐氏距離。在3D空間中繪制了三種典型溶解氣體的聚類中心及其歐氏距離,如圖2所示。

圖2 H2、C2H2和TH聚類中心在3D空間中的歐氏距離

表3 分類屬性的歐氏距離

根據(jù)表3,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。換句話說,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,選擇這三個(gè)屬性作為最佳分類屬性。

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)分類屬性下的溶解氣體記錄的數(shù)量非常大。在文中,將每種分類屬性下的每種氣體濃度數(shù)據(jù)放入“計(jì)算集”中?！坝?jì)算集”包含從變壓器投入運(yùn)行的第一天到變壓器狀態(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)展過程是動(dòng)態(tài)的、累積的并且經(jīng)常受多個(gè)因素影響[15]。

對(duì)于每個(gè)選定的“計(jì)算集”,根據(jù)適當(dāng)?shù)念悓挾葘⒂?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3和圖4的深色區(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3和圖4中的圓點(diǎn)和線所示,使用Weibull概率圖來驗(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)。圓點(diǎn)是實(shí)際氣體濃度,線代表標(biāo)準(zhǔn)的Weibull分布,其形狀和比例如圖3和圖4所示。從圓點(diǎn)和線之間的關(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3和圖4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3 220 kV變壓器H2的頻率分布直方圖和Weibull概率圖

圖4 500 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?。還必須考慮故障點(diǎn)的氣體增長(zhǎng)率。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。GB/T7252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。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)前濃度和附近的六個(gè)歷史值來計(jì)算氣體增長(zhǎng)率。根據(jù)最小二乘法,線性擬合七個(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)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)符合式(6)：

y=f(t)=at+b

(6)

其中a和b是未知參數(shù)。Y中每個(gè)樣本點(diǎn)的殘差如下：

Ei=yi-(ati+b),i=1,…,7

(7)

目標(biāo)函數(shù)定義為：

(8)

根據(jù)波峰定理,當(dāng)a和b滿足等式(9)時(shí),目標(biāo)函數(shù)F(a,b)達(dá)到最小值：

(9)

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5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程。

圖5 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)率來繪制頻率分布直方圖和Weibull概率圖,如圖6和圖7所示。根據(jù)這兩張圖,氣體增長(zhǎng)率數(shù)據(jù)也符合Weibull分布,置信度為99.9%。

圖6 220 kV變壓器C2H2增長(zhǎng)率的頻率分布直方圖和Weibull概率圖

圖7 500 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型,一種是“缺陷”,另一種是“故障”?！叭毕荨北硎咀儔浩饔泄收?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,在文中提出的差異預(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”?！白⒁庵怠焙汀皥?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)與氣體濃度和增長(zhǎng)率之間的關(guān)系按式(10)進(jìn)行分析：

(10)

式中C和R分別代表氣體濃度和氣體增長(zhǎng)率;CAttn和RAttn分別是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8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。透明的淺色表示實(shí)際數(shù)據(jù)的直方圖。黑線是實(shí)際數(shù)據(jù)的擬合曲線,各區(qū)域分別表示來自正常、缺陷和故障變壓器的數(shù)據(jù)。顏色不同區(qū)域的比例分別代表正常率、缺陷率和故障率。

圖8 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

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。

Weibull分布是可靠性分析和壽命測(cè)試的基本理論。它廣泛應(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)域的疲勞壽命問題。Weibull分布的概率密度函數(shù)定義為式(11),其累積概率分布函數(shù)如式(12)所示：

f(x)=(β/η)(x/η)β-1e-(x/η)β

(11)

F(x)=1-e-(x/η)β

(12)

式中β代表形狀參數(shù);η代表縮放參數(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表示X的數(shù)量,θ表示參數(shù)列(β,η)。對(duì)數(shù)似然函數(shù)為：

(13)

似然方程為：

(14)

當(dāng)組合式(13)和式(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,則可以通過使用逆累積分布來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)

式中p是累積概率;x是估計(jì)值。

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。

2.4 預(yù)警閾值結(jié)果

對(duì)選定的三個(gè)最佳分類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)則來計(jì)算這三個(gè)最佳分類屬性的注意值和報(bào)警值,如表5所示。

表4 最佳分類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三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)系可以分為注意值以下、注意值與報(bào)警值之間以及超過報(bào)警值?？梢愿鶕?jù)那些差異預(yù)警值和預(yù)警關(guān)系來挖掘差異預(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)。

(16)

式中C和R分別代表氣體濃度和氣體增長(zhǎng)率;CAttn和RAttn是注意閾值;CAlm和RAlm是報(bào)警閾值。

根據(jù)此規(guī)則,變壓器的運(yùn)行狀態(tài)可以分為四個(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)警過程。

表6 差異預(yù)警規(guī)則

4 驗(yàn)證實(shí)例

現(xiàn)場(chǎng)使用了一個(gè)變壓器來驗(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-5月25日之間被診斷為高溫故障。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年-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9和圖10繪制了2月22日-6月12日氣體濃度和增長(zhǎng)率的趨勢(shì)圖。在圖9中,“嚴(yán)重”信號(hào)將在3月16日和5月25日左右發(fā)出,因?yàn)镃2H4的濃度超過注意值,并且其增長(zhǎng)率超過3月16日的報(bào)警值,并且C2H4的濃度和增長(zhǎng)率都超過了5月25日左右的報(bào)警值。從圖10可以看出,在3月16日和5月25日也會(huì)發(fā)出“嚴(yán)重”信號(hào),這是因?yàn)?月16日前后總碳?xì)浠衔锏臐舛瘸^了注意值,并且其增長(zhǎng)率超過了報(bào)警值,并且濃度和增長(zhǎng)率都超過了5月25日的報(bào)警值。但是,如果使用150 μL/ L作為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?與現(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。

圖9 C2H4濃度和增長(zhǎng)率趨勢(shì)圖

圖10 TH濃度和增長(zhǎng)率趨勢(shì)圖

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ANN、DBN、SVM和模糊邏輯方法之類的智能算法,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)。計(jì)算公式為：

(17)

式中μaccuracy代表準(zhǔn)確率;numn-n代表被判為正常的正常例數(shù);numa-a代表被判為異常的異常例數(shù);numtotal代表總例數(shù)。

誤報(bào)率是代表正常案例被判定為異常的比例的指標(biāo)。計(jì)算公式為：

(18)

式中μfp表示誤報(bào)率;numn-a表示判斷為異常的正常例數(shù);numnormal表示正常案例總數(shù)。

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

(19)

式中μfn代表漏檢率;numa-n代表被判斷為正常的異常例數(shù);numabnormal代表異常案例總數(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)間過長(zhǎng),無(wú)法滿足預(yù)警的及時(shí)性要求。由IBM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。

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

根據(jù)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。

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)束語(yǔ)

文章探討了差異化的預(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。該方法的優(yōu)點(diǎn)可以總結(jié)如下：

(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。確定了三種最佳變壓器屬性包括電壓等級(jí)、使用年限和油型;

(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)算出三種選擇的最佳分類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。