CN102928720B - 油浸式主变压器的缺陷率检测方法 - Google Patents

Abstract

本发明提供一种油浸式主变压器的缺陷率检测方法，通过检测获取所述作为样本的油浸式主变压器的关键属性，建立所述关键属性与设备缺陷率的回归模型，可以通过所述回归模型与待测油浸式主变压器的关键属性，准确地预测所述待测油浸式主变压器的缺陷率。反应了电网油浸式主变压器设备的整体缺陷水平，及早发现电力设备中的各类缺陷，及时消除，避免缺陷发展为故障，造成电网停电等大规模的损失。运维人员可以根据不同类设备间的缺陷率差异，有针对性的进行重点巡视和维护，避免设备缺陷发展为设备故障；生产部门可以制定生产人员计划和备件需求，结合电网发展规划，预测未来设备的缺陷率变化趋势，指导电网生产活动更好的开展。

Description

油浸式主变压器的缺陷率检测方法

技术领域

本发明涉及电力系统检测技术的领域，特别是涉及一种油浸式主变压器的缺陷率检测方法。

背景技术

随着社会经济与文化生活的不断发展和进步，城市对电力的依赖就像鱼与水的关系，没有了电力供应，整个城市的交通、生产、生活就会陷入瘫痪，其破坏程度、造成的恐慌与巨大损失难以估计。电力设备是电网运行、确保电力供应的基础，电网的可靠供电和高效运行都是建立在电力设备健康可靠运行的前提下，电力设备的缺陷检测作为提高设备可靠性和可用性的重要手段，是电网油浸式主变压器设备管理的重点领域。

电力设备的缺陷率反应了电网油浸式主变压器设备的整体缺陷水平，对于电力设备中的各类缺陷，需要尽早发现，及时消除，避免缺陷发展为故障，造成电网停电等大规模的损失。在掌握了不同电力设备的缺陷率情况后，运维人员就可以根据不同类设备间的缺陷率差异，有针对性的进行重点巡视和维护，避免设备缺陷发展为设备故障。另外，基于设备缺陷率信息，生产部门可以制定生产人员计划和备件需求。

为此，为检测不同类型电力设备的缺陷率，使电力生产人员按照设备类型的缺陷率，综合考虑设备的重要程度，合理安排生产计划，迫切需要一种对于电网油浸式主变压器设备的缺陷率进行检测的有效方法。

发明内容

针对上述背景技术中存在的问题，本发明的目的在于提供一种能够准确地检测电网油浸式主变压器的缺陷率的油浸式主变压器的缺陷率检测方法，尤其对电网35kV及以上油浸式主变压器设备缺陷率的测量有显著的效果。

一种油浸式主变压器的缺陷率检测方法，包括以下步骤：

提取作为样本的油浸式主变压器的设备属性；

建立所述设备属性对设备缺陷率的评价函数，通过比较各个所述设备属性对于所述评价函数取值的相关性权重，从所述设备属性中提取关键属性；

其中，将所有的所述设备属性输入所述评价函数，得到所述评价函数的初始值；

在输入所述评价函数的所有设备属性中依次剔除其中一个设备属性，并依次将其他所述设备属性输入所述评价函数，分别得到所述评价函数的检测值，并分别计算所述检测值相对于所述初始值的损失；

根据各个被剔除的所述设备属性对应的所述评价函数的检测值相对于所述初始值的损失，提取所述关键属性；

通过回归算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型；

获取待测油浸式主变压器的关键属性并将其代入所述回归模型，获取所述待测油浸式主变压器的缺陷率。

本发明的油浸式主变压器的缺陷率检测方法中，通过检测获取所述作为样本的油浸式主变压器的关键属性，建立所述关键属性与设备缺陷率的回归模型，可以通过所述回归模型与待测油浸式主变压器的关键属性，准确地预测所述待测油浸式主变压器的缺陷率。反应了电网油浸式主变压器设备的整体缺陷水平，及早发现电力设备中的各类缺陷，及时消除，避免缺陷发展为故障，造成电网停电等大规模的损失。运维人员可以根据不同类设备间的缺陷率差异，有针对性的进行重点巡视和维护，避免设备缺陷发展为设备故障；生产部门可以制定生产人员计划和备件需求，结合电网发展规划，预测未来设备的缺陷率变化趋势，指导电网生产活动更好的开展。另外，所述关键属性通过相关性的检测运算提取，因此是对所述设备缺陷率的影响最为密切的设备属性，能够降低所述设备缺陷率的回归模型的复杂度，增强可用性。

附图说明

图1是本发明油浸式主变压器的缺陷率检测方法的流程示意图；

图2是本发明油浸式主变压器的缺陷率检测方法一种优选实施方式的流程示意图；

图3为标准支持向量机采用的ε不灵敏度函数的示意图。

具体实施方式

请参阅图1，图1是本发明油浸式主变压器的缺陷率检测方法的流程示意图。

所述油浸式主变压器的缺陷率检测方法，包括以下步骤：

S101，提取作为样本的油浸式主变压器的设备属性；

S102，建立所述设备属性对设备缺陷率的评价函数，通过比较各个所述设备属性对于所述评价函数取值的相关性权重，从所述设备属性中提取关键属性；

S103，通过回归算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型；

S104，获取待测油浸式主变压器的关键属性并将其代入所述回归模型，获取所述待测油浸式主变压器的缺陷率。

通过检测获取所述作为样本的油浸式主变压器的关键属性，建立所述关键属性与设备缺陷率的回归模型，再通过所述回归模型与待测油浸式主变压器的关键属性，准确地预测所述待测油浸式主变压器的缺陷率。

下面以电网35kV及以上油浸式主变压器设备的缺陷率检测为例，说明本发明的油浸式主变压器的缺陷率检测方法的流程，本领域技术人员应可了解本发明并不限于35kV及以上的油浸式主变压器设备，而对于其他的油浸式主变压器设备同样能够执行。

首先，上述步骤S101为设备属性的检测阶段。

对电网35kV及以上油浸式主变压器设备进行属性提取，获得电网35kV及以上油浸式主变压器的设备属性，用以描述各类型电网35kV及以上油浸式主变压器设备的运行情况。

其中，步骤S101中提取的电网35kV及以上油浸式主变压器设备属性包括：枚举型变量属性与连续型变量属性。所述枚举型变量属性包括运行单位、电压等级、污区等级、设备厂商和设备型式等。其中，所述污区类型为：A类、B类、C类、D类、E类、N类等6个；所述运行单位包括总公司及下属的地市级分支机构；电压等级可选类型为：220V、380V、6kV、10kV、35kV、110kV、220kV、330kV、500kV，1000KV等10个。而所述连续型变量属性则包括平均功率、最大功率等电网35kV及以上油浸式主变压器设备的负荷数据。

因为电力设备的上述设备属性分别保存在电网各个应用系统中，如资产管理系统、生产管理系统、在线监测系统等。因此，在获取所述设备属性时，首先从电网各个应用系统中，获取储存的所述油浸式主变压器的设备属性；然后根据预先设定的转码规则，将获取自所述各个应用系统的设备属性转换为统一的格式。

亦即，对电网35kV及以上油浸式主变压器设备数据进行采集，并集中统一存储。按照电网35kV及以上油浸式主变压器的设备属性，确定相应的设备属性在各个所述应用系统中的分布情况，对于多个所述应用系统中都包含的同一设备属性，通过对比确定或者由用户选定最佳的设备属性来源，并确定不同系统间设备属性的编码规则和对应关系。如建立资产管理系统、生产管理系统、在线监测系统等包含电网35kV及以上油浸式主变压器的设备属性的应用系统中设备属性的代码的对应关系，通过所述对应关系对从各个所述应用系统中获取的设备属性进行转码。

作为本发明油浸式主变压器的缺陷率检测方法的一种优选实施方式，在执行步骤S101，步骤S102之前，提取所述设备属性之后，接着执行一个对获取的所述设备属性进行数据预处理的步骤S1011，如图2所示。

所述数据预处理包括：对所述设备属性的缺失值进行填补，以及对设备缺陷率进行处理。

其中，对所述设备属性的缺失值进行填补的步骤包括：

判断所述设备属性的类型；

如果所述设备属性为枚举型属性，则以所述设备属性的所有样本值中出现次数最多的样本值填补所述设备属性的缺失值；

如果所述设备属性为连续型属性，则以所述设备属性的平均取值填补所述设备属性的缺失值。

由于各个所述应用系统中不可能对每一个设备，每条缺陷的每一个描述属性都有完整的记录，所以不可避免会出现部分设备的某些设备属性出现缺失值，为了提高对这些设备缺陷率的检测准确率，有必要对这些缺失值进行填补。如果该缺失值为枚举型变量属性，则用该设备属性的所有样例中除此缺失值的样例外该枚举型变量属性出现最多的值进行填补；如果该缺失值为连续型变量属性，则用该设备属性的均值，即所有样例中除此值缺失的样例外该连续属性的平均值进行填补。

对设备缺陷率进行处理的步骤包括：

获取所述油浸式主变压器在其投运后每一年的缺陷率的平均值作为当年内所述油浸式主变压器的设备缺陷率的检测结果。

以设备运行年限为分析维度，统计所有设备在其投运后每年的缺陷率变化，从而将近2-3年的数据重新组合，分布到整个设备生命周期(20年左右)的长时间跨度上，得出在设备运行年限对于设备缺陷率的影响。进一步将设备属性中来自不同地区的数据进行规整处理。如来自A市的数据包换3年的历史数据，而来自B市的数据只包换近半年的数据，在计算缺陷率等和时间有关的变量时候，按照不同的时间跨度进行调整和归一化。

步骤S102为对获取的设备属性进行筛选的阶段。

我们得到预处理后的电网35kV及以上油浸式主变压器设备属性数据，利用这些数据可以判断各个设备属性对设备缺陷率的影响。通过设备属性的选择，挖掘出各个设备属性对设备缺陷率的相关程度或重要程度，达到挑选关键属性，剔除不相关或冗余属性的目的，为回归模型建立阶段做准备。

提取所述关键属性的步骤包括：

将所有的所述设备属性输入所述评价函数，得到所述评价函数的初始值；

在输入所述评价函数的所有设备属性中依次剔除其中一个设备属性，并依次将其他所述设备属性输入所述评价函数，分别得到所述评价函数的检测值，并分别计算所述检测值相对于所述初始值的损失；

根据各个被剔除的所述设备属性对应的所述评价函数的检测值相对于所述初始值的损失，提取所述关键属性。

设备属性选择的一个重要因素就是要判断各个设备属性对输出变量的影响，为了对各设备属性与设备缺陷率的相关性程度进行评价，先利用全部设备属性建立一个分析模型得到一个评价函数值，再逐个剔除其中的一个设备属性建立模型，得到不同的评价函数值，用这些评价函数值与原评价函数值之间的损失来判断某设备属性的相关性或重要程度。例如，对于A设备获取的设备属性包括a、b、c、d、e、f，对应得到的评价函数值为100，而以a、b、c、d、e对应得到的评价函数值为95，因此设备属性f对应的损失为5，其影响可以5表示，同样的方法得到a对应的损失为4，而所述关键属性的判断标准设定为损失大于等于5，则，f是关键属性，a不是关键属性。

由于电网35kV及以上油浸式主变压器的设备属性数据的输入中多个设备属性如运行单位、电压等级等均为枚举型变量属性，因此，为了快速建立评价函数的模型，选用了两种能处理枚举型输入、准确率高、时间复杂度低的算法：随机森林(random forest)和提升树(boost tree)。

随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。回归问题的随机森林采用CART的最小二乘回归树(least squares regression tree)。假定X和Y分别为输入和输出变量，给定训练数据：

D＝{(x₁,y₁),...(x_N,y_N)}

考虑如何生成回归树。一个回归树对应着输入空间的一个划分以及在划分单元上的输出值。假设已将输入空间划分为M个单元R₁,R₂,...R_M，并且在每个单元上有一个固定的输出值c_m，则回归树模型可以表示为：

$f\left(x\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{c}_{m}I(x\∈R_m)$

当输入空间的划分确定时，可以用平方误差来表示回归树对于训练数据的预测误差，用平方误差最小的准则求解每个单元上的最优输出值。单元R_m上的c_m的最优值可以表示为：

${\hat{c}}_m=\mathrm{ave}\left(y_i\right|x_i\∈R_m)$

采用启发式的方法对输入空间进行划分，依次将输入空间划分为两个区域。接着，对每个区域重复上述划分过程，直到满足停止条件为止，这样就生成了一个回归树。通过构建许多回归树，得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下预测，判断这个样本的输出变量应该如何取值，然后再将每一棵树的预测结果进行加权平均得到最终预测输出。随机森林中，单个决策树分裂的输入属性选取是随机的；整个森林的建立过程需要进行多次迭代建立，每次迭代中并不是使用所有样本，而是有放回随机抽样采集一个样本子集。这两个随机的性质使得随机森林有比较快的训练过程和能在内部对于误差产生无偏的估计。

提升树的方法采用了机器学习中提升(boosting)的思想：给每个样本一个权重，对样本集进行迭代学习，每轮迭代学习都会加重之前学习效果不好的样本的权重，减轻之前学习效果好的样本的权重，类似于我们常说的“查漏补缺、知错就改”的思想。提升树模型可以表示为决策树的加法模型：

$f_M\left(x\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}T(x;{\mathrm{\Θ}}_m)$

其中T(x；Θ_m)表示决策树，Θ_m表示数的参数，M表示树的个数。

回归问题提升树使用以下前向分步算法：

f₀(x)＝0

f_m(x)＝f_m-1(x)+T(x；Θ_m),m＝1,2,...M

$f_M\left(x\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}T(x;{\mathrm{\Θ}}_m)$

在前向分步算法的第m步，给定当前模型f_m-1(x)，需求解：

${\widehat{\mathrm{\Θ}}}_m=\arg \underset{{\mathrm{\Θ}}_m}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}L(y_i,f_{m-1}\left(x_i\right)+T(x_i;{\mathrm{\Θ}}_m)$

得到即第m棵树的参数。当采用平方误差损失函数时，

L(y,f(x))＝(y-f(x))²

其损失变为：

L(y,f_m-1(x)+T(x；Θ_m))

＝[y-f_m-1(x)-T(x；Θ_m)]²

＝[r-T(x；Θ_m)]²

这里，

r＝(y-f_m-1(x))

是当前模型拟合数据的残差(residual)。所以当学习效果越差，残差就越大，在以后的迭代训练中将会加强训练，所述相关性权重就是这样体现的。

步骤S103为所述回归模型的建立阶段。

在本实施方式中，优选使用支持向量回归机(Support Vector Regression,SVR)分类算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型。

支持向量机(Support Vector Machine)是在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的泛化能力。

SVM本身是针对经典的二分类问题提出的，而支持向量回归机(SupportVector Regression，SVR)则是支持向量在函数回归领域的应用。SVR与SVM分类有以下不同：SVM回归的样本点只有一类，所寻求的最优超平面不是使两类样本点分得“最开”，而是使所有样本点离超平面的“总偏差”最小。这时样本点都在两条边界线之间，求最优回归超平面同样等价于求最大间隔。

支持向量回归算法主要是通过升维后，在高维空间中构造线性决策函数来实现线性回归。为适应训练样本集的非线性，传统的拟合方法通常是在线性方程后面加高阶项。此法仍然有效，但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”，即能做非线性回归。与此同时，引进核函数达到了“升维”的目的，而增加的可调参数是过拟合依然能控制。该方法对解决于小样本，非线性及高维的数据拟合问题有很多特有优势，所以适合本发明的应用，即电网35kV及以上油浸式主变压器设备缺陷率检测。

对于线性情况，支持向量机函数拟合首先考虑用线性回归函数f(x)＝ω·x+b拟合(x_i,y_i),i＝1,2,...,n，x_i∈Rⁿ为输入量，y_i∈R为输出量，即需要确定ω和b。

惩罚函数是学习模型在学习过程中对误差的一种度量，一般在模型学习前己经选定，不同的学习问题对应的损失函数一般也不同，同一学习问题选取不同的损失函数得到的模型也不一样。

标准支持向量机采用ε-不灵敏度函数，即假设所有训练数据在精度ε下用线性函数拟合如图3所示。

$\left\{\begin{array}{cc}{y}_i-f\left(x_i\right)\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i& \\ f\left(x_i\right)-y_i\≤\mathrm{\ϵ}+{{\mathrm{\ξ}}_i}^{*}& i=\mathrm{1,2},...,n\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{-*}\≥0& \end{array}\right.$

式中，ξ_i,是松弛因子，当划分有误差时，ξ，都大于0，误差不存在取0。这时，该问题转化为求优化目标函数最小化问题：

$R(\mathrm{\ω},\mathrm{\ξ},{\mathrm{\ξ}}^{*})=\frac{1}{2}\mathrm{\ω}\·\mathrm{\ω}+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*})$

式中第一项使拟合函数更为平坦，从而提高泛化能力；第二项为减小误差；常数C＞0表示对超出误差ε的样本的惩罚程度。求解可看出，这是一个凸二次优化问题，所以引入Lagrange函数：

$\begin{array}{c}L=\frac{1}{2}\mathrm{\ω}\·\mathrm{\ω}+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*})-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i[{\mathrm{\ξ}}_i+\mathrm{\ϵ}-y_i+f\left(x_i\right)]\\ -\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}[{\mathrm{\ξ}}_i^{*}+\mathrm{\ϵ}-y_i+f\left(x_i\right)]-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i{\mathrm{\γ}}_i+{\mathrm{\ξ}}_i^{*}{\mathrm{\γ}}_i^{*})\end{array}$

式中，α，γ_i，为Lagrange乘数，i＝1,2,...,n。求函数L对ω，b，ξ_i，的最小化，对α_i，γ_i，的最大化，代入Lagrange函数得到对偶形式，最大化函数：

$\begin{array}{c}W(\mathrm{\α}+{\mathrm{\α}}^{*})=\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})(x_i\·x_j)\\ +\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})y_i-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})\mathrm{\ϵ}\end{array}$

其约束条件为：

$\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0\\ 0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C\end{array}\right.$

上式其实也是一个求解二次规划问题，由Kuhn-Tucker定理，在鞍点处有：

$\begin{array}{cc}{\mathrm{\α}}_i[\mathrm{\ϵ}+{\mathrm{\ξ}}_i-y_i+f\left(x_i\right)]=0& {{\mathrm{\α}}_i}^{*}[\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}-y_i+f\left(x_i\right)]=0\\ {\mathrm{\ξ}}_i\·{\mathrm{\γ}}_i=0& {\mathrm{\ξ}}_i^{*}\·{{\mathrm{\γ}}_i}^{*}=0\end{array}$

得出表明α_i，不能同时为零，还可以得出：

(C-α_i)ξ_i＝0

$(C-{{\mathrm{\α}}_i}^{*}){\mathrm{\ξ}}_i^{*}=0$

可得出，当α_i＝C，或时，|f(x_i)-y_i|可能大于ε，与其对应的x_i称为边界支持向量(Boundary Support Vector，BSV)，对应上图中虚线带以外的点；当时，|f(x_i)-y_i|＝ε，即ξ_i＝0，与其对应的x_i称为标准支持向量(Normal Support Vector，NSV)，对应上图中落在ε管道上的数据点；当α_i＝0，时，与其对应的x_i为非支持向量，对应图中ε管道内的点，它们对w没有贡献。因此ε越大，支持向量数越少。对于标准支持向量，如果此时ξ_i＝0，可以求出参数b：

$\begin{array}{c}b=y_i-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_j-{{\mathrm{\α}}_j}^{*})x_j\·x_i-\mathrm{\ϵ}\\ =y_i-\underset{x_j\∈\mathrm{SV}}{\mathrm{\Σ}}({\mathrm{\α}}_j-{{\mathrm{\α}}_j}^{*})x_j\·x_i-\mathrm{\ϵ}\end{array}$

同样，对于满足的标准支持向量，有：

$b=y_i-\underset{x_j\∈\mathrm{SV}}{\mathrm{\Σ}}({\mathrm{\α}}_j-{{\mathrm{\α}}_j}^{*})x_j\·x_i-\mathrm{\ϵ}$

一般对所有标准支持向量分别计算b的值，然后求平均值，即：

$\begin{array}{c}b=\frac{1}{N_{\mathrm{NSV}}}\left\{\underset{0<{\mathrm{\&alpha;}}_i<C}{\mathrm{\&Sigma;}}\right[y_i-\underset{x_j\&Element;\mathrm{SV}}{\mathrm{\&Sigma;}}({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})K(x_j,x_i)-\mathrm{\&epsiv;}]\\ +\underset{0<{\mathrm{\&alpha;}}_i^{*}<C}{\mathrm{\&Sigma;}}[y_i-\underset{x_j\&Element;\mathrm{SV}}{\mathrm{\&Sigma;}}({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})K(x_j,x_i)-\mathrm{\&epsiv;}]\}\end{array}$

因此根据样本点(x_i,y_i)求得的线性拟合函数为：

$f\left(x\right)=\mathrm{\&omega;}\&CenterDot;x+b=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})x_i\&CenterDot;x+b$

非线性SVR的基本思想是通过事先确定的非线性映射将输入向量映射的一个高维特征空间(Hilbert空间)中，然后在此高维空间中再进行线性回归，从而取得在原空间非线性回归的效果。

首先将输入量x通过映射Φ:Rⁿ→H映射到高维特征空间H中用函数f(x)＝ω·Φ(x)+b拟合数据(x_i,y_i)，i＝1,2,...,n。则二次规划目标函数变为：

$\begin{array}{c}W(\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*})=-\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})\&CenterDot;(\mathrm{\&Phi;}\left(x_i\right)\&CenterDot;\mathrm{\&Phi;}\left(x_j\right))\\ +\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})y_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i+{\mathrm{\&alpha;}}_i^{*})\mathrm{\&epsiv;}\end{array}$

式中涉及到高维特征空间点积运算Φ(x_i)·Φ(x_j)，而且函数Φ是未知的，高维的。支持向量机理论只考虑高维特征空间的点积运算K(x_i,x_j)＝Φ(x_i)·Φ(x_j)，而不直接使用函数Φ。称K(x_i,x_j)为核函数，核函数的选取应使其为高维特征空间的一个点积，核函数的类型有多种，常用的核函数有：

多项式核：

k(x，x')＝(<x,x'>+d)^p，p∈N，d≥0

高斯核：

$k(x,x^{\&prime;})=\exp (-\frac{{\left|\right|x-x^{\&prime;}\left|\right|}^2}{{2\mathrm{\&sigma;}}^2})$

RBF核：

$k(x,x^{\&prime;})=\exp (-\frac{\left|\right|x-x^{\&prime;}\left|\right|}{{2\mathrm{\&sigma;}}^2})$

B样条核：

k(x,x')＝B_2N+1(||x-x'||)

Fourier核：

$k(x,x^{\&prime;})=\frac{\sin (N+\frac{1}{2})(x-x^{\&prime;})}{\sin \frac{1}{2}(x-x^{\&prime;})}$

因此目标函数变成：

$\begin{array}{c}W(\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*})=-\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})\&CenterDot;K(x\&CenterDot;x_i)\\ +\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})y_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i+{\mathrm{\&alpha;}}_i^{*})\mathrm{\&epsiv;}\end{array}$

可求的非线性拟合函数的表示式为：

$\begin{array}{c}f\left(x\right)=\mathrm{\&omega;}\&CenterDot;\mathrm{\&Phi;}\left(x\right)+b\\ =\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x,x_i)+b\end{array}$

对于本发明中的电网35kV及以上油浸式主变压器设备缺陷率计算中，获取到的设备缺陷样本有限，因此对于缺陷率的样本数量带来了一定的限制；同时设备属性中很多是定性分类信息，应用支持向量机预测模型具有更好的预测精度，且有很强的推广能力。

上述步骤S104是对待测设备的缺陷率预测阶段。

其中，所述待测设备的关键属性优选为选择与建立所述设备缺陷率回归模型的关键属性相同的设备属性。

利用构建的设备缺陷率回归模型进行预测，首先需要准备模型需要的各类输入量，即获取待预测设备对应的关键属性，并通过相同的预处理方式对所述关键属性进行预处理，如缺失值填补等；同时部分的设备属性输入数据需要根据电网发展规划和经济发展速度进行设定，例如计划投入运行的新设备的数量、按计划需要退运的老设备的数量等。使处理后的数据满足设备缺陷率回归模型的输入格式需求。

根据建模阶段建立好的设备缺陷率回归模型与对应的输入参数，可针对不同的设备资产投资计划，预测不同情境下的设备缺陷率，综合考虑平均缺陷消缺成本及由于缺陷引起的直接生产损失，支持对于设备更新计划的辅助决策；在设备采购时，根据设备缺陷模型对于不同生产厂家的设备生命周期缺陷进行预测，并计算整体拥有成本，为设备采购提供辅助决策；基于确定的生产计划，及电网35kV及以上油浸式主变压器设备数量及运行年度分布情况，预测设备缺陷发生情况，据此对于维护人员的数量、替换备件储备、生产巡视计划等进行优化安排。

本发明油浸式主变压器的缺陷率检测方法还具有如下优点：

1)通过以设备运行年限为维度的缺陷率统计，克服了有效设备缺陷率数据不足的问题，可以在长的时空跨度内分析电网35kV及以上油浸式主变压器设备的缺陷率变化情况。

2)采用多种相关性分析算法，确定了和设备缺陷率影响最密切的设备属性，抓住关键因素，确定设备缺陷率控制手段，降低缺陷率预测模型的复杂度，提高可用性。

3)使用支持向量回归机作出设备缺陷率回归模型，构建设备缺陷率预测模型，并验证了模型的适用性。

4)采用设备属性信息，结合电网发展规划，预测未来设备的缺陷率变化趋势，能够指导电网生产活动更好的开展。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种油浸式主变压器的缺陷率检测方法，其特征在于，包括以下步骤：

提取作为样本的油浸式主变压器的设备属性；

建立所述设备属性对设备缺陷率的评价函数，通过比较各个所述设备属性对于所述评价函数取值的相关性权重，从所述设备属性中提取关键属性；

其中，将所有的所述设备属性输入所述评价函数，得到所述评价函数的初始值；

在输入所述评价函数的所有设备属性中依次剔除其中一个设备属性，并依次将其他所述设备属性输入所述评价函数，分别得到所述评价函数的检测值，并分别计算所述检测值相对于所述初始值的损失；

根据各个被剔除的所述设备属性对应的所述评价函数的检测值相对于所述初始值的损失，提取所述关键属性；

通过回归算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型；

获取待测油浸式主变压器的关键属性并将其代入所述回归模型，获取所述待测油浸式主变压器的缺陷率。

2.如权利要求1所述的油浸式主变压器的缺陷率检测方法，其特征在于，所述设备属性包括枚举型变量属性和连续型变量属性；

所述枚举型变量属性包括运行单位、电压等级、污区等级、设备厂商和设备型式；所述连续型变量属性包括平均功率、最大功率。

3.如权利要求1所述的油浸式主变压器的缺陷率检测方法，其特征在于，提取作为样本的油浸式主变压器的设备属性的步骤包括：

获取电网各个应用系统中储存的所述油浸式主变压器的设备属性；

根据预先设定的转码规则，将获取自所述各个应用系统的设备属性转换为统一的格式。

4.如权利要求2所述的油浸式主变压器的缺陷率检测方法，其特征在于，将获取自所述各个应用系统的设备属性转换为统一的格式后，还包括对所述设备属性的缺失值进行填补的步骤：

判断所述设备属性的类型；

如果所述设备属性为枚举型属性，则以所述设备属性的所有样本值中出现次数最多的样本值填补所述设备属性的缺失值；

如果所述设备属性为连续型属性，则以所述设备属性的平均取值填补所述设备属性的缺失值。

5.如权利要求4所述的油浸式主变压器的缺陷率检测方法，其特征在于，获取所述油浸式主变压器在其投运后每一年的缺陷率的平均值作为当年内所述油浸式主变压器的设备缺陷率的检测结果。

6.如权利要求1所述的油浸式主变压器的缺陷率检测方法，其特征在于，使用支持向量回归机算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型。