CN107843718B - 一种变压器绝缘油老化状态评估的方法 - Google Patents

Abstract

本发明涉及电力系统及其自动化领域，特别是涉及一种变压器绝缘油老化状态评估的方法，利用气象的大数据库，建立配电变压器的运行数据库；利用公开文献中与变压器绝缘油老化评估方法相关结果的海量数据，构建变压器绝缘油老化特征类概率模糊集；利用变压器绝缘油老化试验的海量数据，构建变压器绝缘油老化试验类概率模糊集；构建变压器试验类与特征类数据概率模糊集之间的距离测度函数，计算随机不确定性或模糊不确定性参量与配电变压器绝缘油老化状态之间的综合属性值，进而确定配电变压器绝缘油老化状态。

Description

一种变压器绝缘油老化状态评估的方法

技术领域

本发明涉及电力系统及其自动化领域，特别是涉及一种变压器绝缘油老化状态评估的方法。

背景技术

传统配网主设备的事后维修和定期计划检修往往需要投入大量的人为、物力，而且维修的性价比不高。有大量资料的统计研究表明，随着设备自动化程度的提高，与时间相关的设备的故障模式只占设备所有故障模式的6％，因此基于时间的定期维修策略只对6％的设备故障模式有效。以定期维修为主结合经验决定延长或缩短检修周期的维修方式，取得了一定的效果。

随着电力设备数量与日俱增，设备间关联关系日趋复杂，社会对供电可靠性要求越来越高，安排停电检修日益困难；配电网设备量多面广、运行状态复杂多变，难以及时检测和评估配网主设备状态，以往检修策略更多地重视试验数据而很少重视运行数据，无法适应日趋精益化的状态检修管理要求。

配电变压器数量多，会存在不同程度的老化、劣化、缺陷并具有家族性和隐蔽性，难以得到及时检测和评估。因运行年限、环境、检修等有很大差异并受多因素影响，增加了配电变压器运行健康状态评价的难度和复杂性，无法满足精准化和智能化评价的更高要求。

配电变压器安全可靠运行首先要有严格质量保障，还要有足够的维护和检修保证。虽然定期预防性检修能够在一定程度上预防老化、劣化或缺陷问题所导致的故障事故事件的发生，但是很难发现潜在性、隐蔽性极强的缺陷等。故障检修是一种被动的检修模式，具有极大的压力和不确定性，也容易导致过修或失修的问题。状态检修具有针对性和合理性，能够有效克服定期检修造成的过修和失修的问题，能够防范配电设备老化、劣化或缺陷问题的扩大化和严重化，是今后设备检修发展的趋势。

传统上，大多通过油中溶解气体等单一因素数据计算和分析方法来评估配电变压器绝缘状态，能够较准确、可靠地发现逐步发展的变压器潜在缺陷；利用小波网络法、神经网络方法、模糊聚类法、灰色聚类、支持向量机、粗糙集方法、证据推理法、贝叶斯网络分类器等数学方法对单一因素数据进行处理、计算和分析，也能够较准确、可靠地评估配电变压器老化、劣化和缺陷状态。虽然神经网络法利用预先自训练和自学习的方式对高危数据进行处理和计算，受系统或参数的状态值严重影响，一旦状态发生变化就需要进行重新训练和学习，其适应性偏弱并影响分析结果；故障树法按照一定的规则对故障的细化分解，以剖析故障类型及其原因，需要非常细化的故障信息完整性和正确性，对潜在性故障难以发现；支持向量机法采用一定的规则对数据进行分层处理，在数据量多时容易出现误分、错分等问题；粗糙集和模糊理论方法在处理随机性和模糊性数据方面有独到的优势，但是粗糙集只能处理离散数据，模糊理论方法没有自学习和自适应能力；贝叶斯网络分类方法能够较好地处理不完备数据，但需要提供足够完备的系统或参数的关键属性数据，否则其计算和评估正确率会较低；证据推理理论能够较好、较准确地处理冗余信息或数据，但在信息或数据之间存在相互矛盾时应用于证据的事件判别有很大的局限性。

利用经验、单一参量或少量数据容易造成评价精确度低，进而导致过修或失修等问题。在出厂、监测、试验、测试、巡检、运行、计量、自动化等多源数据的融合基础上，根据设备类型、运行工况和应用环境进行分类评估，建立基于数据驱动的配电变压器健康状态模型，以关键指标的冗余分析和相关性分析进行状态评价，为配电变压器的可靠运行提供技术支撑，为配电变压器的故障发生提供风险预警。

导致配电变压器故障的因素有绝缘受潮、铁心故障、电流回路过热、绕组故障、局部放电、油流放电、电弧放电、绝缘老化和绝缘纸劣化，影响配电变压器绝缘状态有绝缘纸介质损耗、油中含水量、油击穿电压、绝缘电阻吸收比、极化指数、体积电阻率、H2含量、铁心绝缘电阻等参量。配电变压器差异化运维需要整体评估，而状态评估涉及台账信息、巡检信息、带电检测及在线监测数据、离线试验数据等，数据量大，影响机理不同，常规评估方法侧重于某些层面或指标研究，已无法满足多维度、大数据的要求。采用大数据技术，可以全面反映主设备状态变化并确定其特征和关键参量。利用出厂试验数据、缺陷和事故记录、定期和非定期的试验数据等静态数据，利用设备在线检测的数据及实时运行信息等动态数据，包括电压、电流、功率等实时运行信息，短路故障、雷击跳间、家族性缺陷等故障信息，红外测温、密封、污秽等巡检信息，直流电阻、绝缘电阻、油色谱、介损等停电检测信息等状态数据，建立变压器、断路器、避雷器、电容器等配网主设备的数据库，采用大数据技术研究主设备状态特征评估方法，阐明主设备状态与水解、热解的关联关系，采用模糊C-均值聚类分析方法提取主设备状态特征。

油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽等与绝缘纸相关参量，纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽等与绝缘纸相关的参量，H2含量、C2H2含量、C2H6含量、C2H4含量、CH4含量、CO相对产气速率、CO2相对产气速率、总烃等与气体相关的参量，铁心绝缘电阻、铁心接地电流等与铁心相关的参量数据，绕组直流电阻、绝缘电阻吸收比、绕组直流电阻及其不平衡率、绕组短路阻抗初值差、绕组绝缘介质损耗、绕组电容量初值差等与绕组相关的参量，高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值等与电容值相关的参量，典型负荷时热点温度、高负荷时热点温度、油温等与温度相关的参量，局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数等与局部放电相关的参量，在不同环境、气象条件下都有不同的数值，具有随机和模糊不确定性，可以说配电变压器故障是一个随机和模糊不确定性的事故或事件，这些因素也是随机和模糊不确定性的参量。这些影响因素通常都具有随机不确定性或模糊不确定性，或者是具有随机和模糊不确定性，往往以随机和模糊不确定性事件或参量而存在。可见，传统配电变压器绝缘状态评估的现有技术都没有全面考虑影响因素的不确定性和随机性，计算方法适用性、实用性和应用性也难以得到满足。

发明内容

本发明为解决现有技术的不足，提供一种变压器绝缘油老化状态评估的方法。针对如何处理配电变压器绝缘状态评估所涉及种类多、数量大、相互关系复杂的大数据问题，在建立大数据库基础上采用知识挖掘和推理原理对大数据进行处理和分析；针对配电变压器绝缘状态评估所涉及的随机和模糊不确定性的参量，采用概率模糊集的理论进行处理和分析，进而对变压器绝缘油老化状态进行准确的评估。

变压器绝缘油老化状态评估的方法的基本原理是：利用出厂、监测、试验、测试、巡检、运行、计量、自动化等多源数据，建立与绝缘油、绝缘纸、铁心、绕组相关参量的大数据库，建立与油中气体、电容值、温度、局部放电相关参量的大数据库，建立温度、风力、湿度和降水等气象的大数据库，建立配电变压器电流、电压、功率、负载率等运行数据库；采用概率模糊集理论，对具有随机不确定性或模糊不确定性的并导致变压器绝缘油老化的参量进行概率模糊建模；利用公开文献中与变压器绝缘油老化评估方法相关结果的海量数据，构建变压器绝缘油老化特征类概率模糊集；利用变压器绝缘油老化试验的海量数据，构建变压器绝缘油老化试验类概率模糊集；构建变压器试验类与特征类数据概率模糊集之间的距离测度函数，计算随机不确定性或模糊不确定性参量与配电变压器绝缘油老化状态之间的综合属性值，进而确定配电变压器绝缘油老化状态。

本发明旨在提供一种变压器绝缘油老化状态评估的方法，用于解决传统方法利用经验、少量参量或数据容易造成评价精确度低而导致过修或失修等问题。

本发明的技术方案是：一种变压器绝缘油老化状态评估的方法，其中，包括以下步骤：

S1：构建油老化特征类的概率模糊集；

S2：试验数据的处理；

S3：试验数据中心值的优化和计算；

S4：构建试验类的概率模糊集；

S5：构建试验类与特征类概率模糊集之间的距离测度函数；

S6：变压器绝缘油老化状态评估。

进一步，步骤S1构建油老化特征类的概率模糊集过程为：

油老化特征类描述的是配电变压器绝缘油进入老化状态时若干个参量特征值的组合，从公开文献(期刊论文、学位论文等)中收集配电变压器绝缘油老化状态评估所涉及参量及其特征值，形成配电变压器绝缘油老化特征类

其中N_S为配电变压器绝缘油老化特征类的数量，油老化特征类

具有不同的特征空间，包括油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽、纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽、H₂含量、C₂H₂含量、C₂H₆含量、C₂H₄含量、CH₄含量、CO相对产气速率、CO₂相对产气速率、总烃、铁心绝缘电阻、铁心接地电流、绕组直流电阻、绝缘电阻吸收比、绕组直流电阻及其不平衡率、绕组短路阻抗初值差、绕组绝缘介质损耗、绕组电容量初值差、高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值、典型负荷时热点温度、高负荷时热点温度、油温、局部放电量47个参量的组合，通过大数据处理可以得到第m个油老化特征类S_m的数据集x_Sm为：

式中N_Sm为第m个油老化特征类S_m的数据集x_Sm参量数据的数量，N_S为油老化特征类数据集的数量，对于第m个油老化特征类S_m，有N_Sm个特征。构建第m个油老化特征类的概率模糊集S_mn如下：

式中μ_S(x_Smk)为x_Smk相对应概率模糊集S_mn的隶属度，

为描述μ_S(x_Smk)的概率分布函数；

步骤S1还包括构建油老化特征类的概率模糊集隶属度函数并计算其隶属度、构建油老化特征类的概率分布函数并计算其方差；

构建油老化特征类的概率模糊集隶属度函数并计算其隶属度的过程为；

油老化特征类是采用大数据处理和分析技术从公开文献(期刊论文、学位论文等)中收集而得，大都具有随机和模糊的不确定特性。针对油老化特征类的数据集的模糊不确定特性，对于具有特征k的第m个油老化特征类S_mk，采用模糊理论构建如下概率模糊集隶属度函数：

式中，μ_Smk、ξ_Smk分别为具有特征k的第m个油老化特征类S_mk的概率模糊集隶属度函数的中心、宽度，根据形成的具有特征k的第m个油老化特征类S_mk，由其数据集可以计算概率模糊集隶属度函数的中心μ_Smk和宽度ξ_Smk，进而计算确定油老化特征类的概率模糊集隶属度函数的隶属度；

构建油老化特征类的概率分布函数并计算其方差的过程为；

对于油老化特征类的数据集的随机变化的宽度，假设其服从正态分布：

其概率分布函数：

式中，ν_Smk、σ_Smk分别为具有特征k的第m个油老化特征类S_mk的数据集具有正态分布特性的均值和方差，根据形成的具有特征k的第m个油老化特征类S_mk，由其数据集计算而得的概率模糊集隶属度函数的宽度σ_Smk，计算油老化特征类数据集具有正态分布特性的均值和方差。

进一步，步骤S2试验数据的处理过程如下；

利用步骤S1所取得的特征参量的历史实验数据，构建第p个受试参量的试验区间值数据集y_Tp：

式中N_TDp为第p个参量试验数据的数量，N_TD为变压器受试参量的数量，采用模糊C-均值聚类方法，按照聚类数量N_Cp对第p个受试参量的试验数据集y_Tp进行模糊C-均值聚类，将数据集y_Tp划分N_Cp个数据区，第q个数据区的中心值为：

式中N_TDq为第q个数据区试验数据的数量，

构建模糊隶属度矩阵U：

U＝{μ_Cij}(i＝1,2,3,...,N_TDq；j＝1,2,3,...,N_TDq)

计算隶属度μ_Cij按照下式计算：

式中K_C1、K_C2为经验系数，

d_Cij计算式为：

d_Cij＝|y_Tpi-y_Tpj|

d_Ckj计算式为：

d_Ckj＝|y_Tpk-y_Tpj|。

进一步，步骤S3试验数据中心值的优化和计算过程如下；

构建目标函数：

假设

μ _Cij分别为μ_Cij的允许最大值和最小值，设置约束条件：

K_C1和K_C2值采用知识推理方法并根据各种偏好动态地进行设定，

通过上述方法对试验数据中心值的优化，可以确定数据集y_Tp的数据区N_Cp中心值的最优值：

采用概率分析方法，可以得到数据集y_Tp的数据区N_Cp中心值的波动概率：

由数据集y_Tp的数据区N_Cp中心值的最优值及其波动概率，可以计算数据集y_Tp的中心值：

进一步，步骤S4构建试验类的概率模糊集的过程如下；

油老化试验类描述的是为评估配电变压器绝缘油老化状态而通过试验获取数据的若干个参量组合，从试验数据集的中心值中选取对应的中心值数值，构建与油老化特征类

具有相同空间的绝缘油试验类

第p个绝缘油试验类T_p的数据集x_Tp为：

式中N_Tp为第p个绝缘油试验类T_p的数据集x_Tp参量数据的数量(N_Tp＝N_Sp)，N_T为绝缘油试验类数据集的数量，x_Tp1、x_Tp2、…、

从试验数据集的中心值中进行对应性选取，对于第p个试验类T_p，有N_Tp个特征。构建第p个试验类的概率模糊集T_pq如下：

式中μ_T(x_Tpk)为x_Tpk相对应概率模糊集T_pq的隶属度，

为描述μ_T(x_Tpk)的概率分布函数；

步骤S4还包括构建试验类的概率模糊集隶属度函数并计算其隶属度、构建试验类的概率分布函数并计算其方差；

构建试验类的概率模糊集隶属度函数并计算其隶属度的过程如下；针对试验类的数据集的模糊不确定特性，对于具有特征k的第p个试验类T_pk，采用模糊理论构建如下概率模糊集隶属度函数：

式中，μ_Tpk、ξ_Tpk分别为具有特征k的第p个试验类T_pk的概率模糊集隶属度函数的中心、宽度，根据形成的具有特征k的第p个试验类T_Pk，由其数据集可以计算概率模糊集隶属度函数的中心μ_Tpk和宽度ξ_Tpk，进而计算确定试验类的概率模糊集隶属度函数的隶属度；

构建试验类的概率分布函数并计算其方差的过程如下；

对于试验类的数据集的随机变化的宽度，假设其服从正态分布：

其概率分布函数：

式中，ν_Tpk、σ_Tpk分别为具有特征k的第m个试验类T_pk的数据集具有正态分布特性的均值和方差，根据形成的具有特征k的第p个试验类T_pk，由其数据集计算而得的概率模糊集隶属度函数的宽度σ_Tpk，计算试验类数据集具有正态分布特性的均值和方差。

进一步，步骤S5构建试验类与特征类概率模糊集之间的距离测度函数的过程如下；

利用油老化特征类

及绝缘油试验类

的概率模糊集，构建试验类与特征类概率模糊集之间的距离测度函数：

进一步，步骤S6进行变压器绝缘油老化状态评估过程如下；

采用概率分析方法，确定油老化特征类

的可信度：

满足

计算与所有油老化特征类

相关的总距离测度值：

当d_TS小于d_O

时，判定变压器绝缘油已经处于老化状态。

本发明的有益效果是：利用本发明所提出的变压器绝缘油老化状态评估的方法，可以评估配电变压器绝缘油老化状态，反映了公开文献中所形成的配电变压器绝缘油老化状态评估的系列特征值具有模糊的和随机的不确定性，为配电变压器绝缘油老化状态评估提供理论指导，为配电网运维提供必要的技术支撑。

附图说明

图1是本发明所提出的变压器绝缘油老化状态评估的方法流程框图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

实施例1：

图1中的步骤1描述构建油老化特征类的概率模糊集的过程和方法。油老化特征类描述的是配电变压器绝缘油进入老化状态时若干个参量特征值的组合。从公开文献(期刊论文、学位论文等)中收集配电变压器绝缘油老化状态评估所涉及参量及其特征值，形成配电变压器绝缘油老化特征类

其中N_S为配电变压器绝缘油老化特征类的数量。油老化特征类

具有不同的特征空间，可以是油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽、纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽、H₂含量、C₂H₂含量、C₂H₆含量、C₂H₄含量、CH₄含量、CO相对产气速率、CO₂相对产气速率、总烃、铁心绝缘电阻、铁心接地电流、绕组直流电阻、绝缘电阻吸收比、绕组直流电阻及其不平衡率、绕组短路阻抗初值差、绕组绝缘介质损耗、绕组电容量初值差、高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值、典型负荷时热点温度、高负荷时热点温度、油温、局部放电量等47个参量的组合。

通过大数据处理可以得到第m个油老化特征类S_m的数据集x_Sm为：

对于第m个油老化特征类S_m，有N_Sm个特征。构建第m个油老化特征类的概率模糊集S_mn如下：

针对油老化特征类的数据集的模糊不确定特性，对于具有特征k的第m个油老化特征类S_mk，采用模糊理论构建如下概率模糊集隶属度函数：

根据形成的具有特征k的第m个油老化特征类S_mk，由其数据集可以计算概率模糊集隶属度函数的中心μ_Smk和宽度ξ_Smk，进而计算确定油老化特征类的概率模糊集隶属度函数的隶属度。

对于油老化特征类的数据集的随机变化的宽度，假设其服从正态分布：

其概率分布函数：

根据形成的具有特征k的第m个油老化特征类S_mk，由其数据集计算而得的概率模糊集隶属度函数的宽度σ_Smk，计算油老化特征类数据集具有正态分布特性的均值和方差。

图1中的步骤2描述试验数据的处理的过程和方法。利用油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽、纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽、H₂含量、C₂H₂含量、C₂H₆含量、C₂H₄含量、CH₄含量、CO相对产气速率、CO₂相对产气速率、总烃、铁心绝缘电阻、铁心接地电流、绕组直流电阻、绝缘电阻吸收比、绕组直流电阻及其不平衡率、绕组短路阻抗初值差、绕组绝缘介质损耗、绕组电容量初值差、高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值、典型负荷时热点温度、高负荷时热点温度、油温、局部放电量等参量的历史试验数据，构建第p个受试参量的试验数据集y_Tp：

采用模糊C-均值聚类方法，按照聚类数量N_Cp对第p个受试参量的试验数据集y_Tp进行模糊C-均值聚类，将数据集y_Tp划分N_Cp个数据区，第q个数据区的中心值为：

关键参数的计算如下：

1)构建模糊隶属度矩阵U：

U＝{μ_Cij}(i＝1,2,3,...,N_TDq；j＝1,2,3,...,N_TDq)

2)隶属度μ_Cij按照下式计算：

式中K_C1、K_C2为经验系数。

3)d_Cij计算式为：

d_Cij＝|y_Tpi-y_Tpj|

4)d_Ckj计算式为：

d_Ckj＝|y_Tpk-y_Tpj|

图1中的步骤3描述基于知识推理的试验数据中心值优化和计算的过程和方法。构建目标函数：

假设

μ _Cij分别为μ_Cij的允许最大值和最小值，设置约束条件：

K_C1和K_C2值采用知识推理方法并根据各种偏好动态地进行设定。

通过上述方法对试验数据中心值的优化，可以确定数据集y_Tp的数据区N_Cp中心值的最优值：

采用概率分析方法，可以得到数据集y_Tp的数据区N_Cp中心值的波动概率：

由数据集y_Tp的数据区N_Cp中心值的最优值及其波动概率，可以计算数据集y_Tp的中心值：

图1中的步骤4描述构建试验类的概率模糊集的过程和方法。油老化试验类描述的是为评估配电变压器绝缘油老化状态而通过试验获取数据的若干个参量组合。从试验数据集的中心值中选取对应的中心值数值，构建与油老化特征类

具有相同空间的绝缘油试验类

第p个绝缘油试验类T_p的数据集x_Tp为：

对于第p个试验类T_p，有N_Tp个特征。构建第p个试验类的概率模糊集T_pq如下：

针对试验类的数据集的模糊不确定特性，对于具有特征k的第p个试验类T_pk，采用模糊理论构建如下概率模糊集隶属度函数：

根据形成的具有特征k的第p个试验类T_Pk，由其数据集可以计算概率模糊集隶属度函数的中心μ_Tpk和宽度ξ_Tpk，进而计算确定试验类的概率模糊集隶属度函数的隶属度。

对于试验类的数据集的随机变化的宽度，假设其服从正态分布：

其概率分布函数：

根据形成的具有特征k的第p个试验类T_pk，由其数据集计算而得的概率模糊集隶属度函数的宽度σ_Tpk，计算试验类数据集具有正态分布特性的均值和方差。

图1中的步骤5描述构建试验类与特征类概率模糊集之间的距离测度函数的过程和方法。利用油老化特征类

及绝缘油试验类

率模糊集，构建试验类与特征类概率模糊集之间的距离测度函数：

图1中的步骤6描述变压器绝缘油老化状态评估的过程和方法。采用概率分析方法，确定油老化特征类

的可信度：

满足

计算与所有油老化特征类

相关的总距离测度值：

当d_TS小于d_O

时，判定变压器绝缘油已经处于老化状态。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种变压器绝缘油老化状态评估的方法，其特征在于，包括以下步骤：

S1：构建油老化特征类的概率模糊集；

S2：试验数据的处理；

S3：试验数据中心值的优化和计算；

S4：构建试验类的概率模糊集；

S5：构建试验类与特征类概率模糊集之间的距离测度函数；

S6：变压器绝缘油老化状态评估；

步骤S1构建油老化特征类的概率模糊集过程为：

油老化特征类描述的是配电变压器绝缘油进入老化状态时若干个参量特征值的组合，从公开文献中收集配电变压器绝缘油老化状态评估所涉及参量及其特征值，形成配电变压器绝缘油老化特征类

其中N_S为配电变压器绝缘油老化特征类的数量，油老化特征类

具有不同的特征空间，包括油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽、纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽、H₂含量、C₂H₂含量、C₂H₆含量、C₂H₄含量、CH₄含量、CO相对产气速率、CO₂相对产气速率、总烃、铁心绝缘电阻、铁心接地电流、绕组直流电阻、绝缘电阻吸收比、绕组直流电阻及其不平衡率、绕组短路阻抗初值差、绕组绝缘介质损耗、绕组电容量初值差、高压侧A相电容值、高压侧B相电容值、高压侧C相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值、典型负荷时热点温度、高负荷时热点温度、油温、局部放电量47个参量的组合，通过大数据处理可以得到第m个油老化特征类S_m的数据集x_Sm为：

式中N_Sm为第m个油老化特征类S_m的数据集x_Sm参量数据的数量，N_S为油老化特征类数据集的数量，对于第m个油老化特征类S_m，有N_Sm个特征，构建第m个油老化特征类的概率模糊集S_mn如下：

式中μ_S(x_Smk)为x_Smk相对应概率模糊集S_mn的隶属度，

为描述μ_S(x_Smk)的概率分布函数；

利用步骤S1所取得的特征参量的历史实验数据，构建第p个受试参量的试验区间值数据集y_Tp：

式中N_TDp为第p个参量试验数据的数量，N_TD为变压器受试参量的数量，采用模糊C-均值聚类方法，按照聚类数量N_Cp对第p个受试参量的试验数据集y_Tp进行模糊C-均值聚类，将数据集y_Tp划分N_Cp个数据区，第q个数据区的中心值为：

式中N_TDq为第q个数据区试验数据的数量，

构建模糊隶属度矩阵U：

U＝{μ_Cij}(i＝1,2,3,...,N_TDq；j＝1,2,3,...,N_TDq)

计算隶属度μ_Cij按照下式计算：

式中K_C1、K_C2为经验系数，

d_Cij计算式为：

d_Cij＝|y_Tpi-y_Tpj|

d_Ckj计算式为：

d_Ckj＝|y_Tpk-y_Tpj|；

步骤S3试验数据中心值的优化和计算过程如下；

构建目标函数：

假设

μ _Cij分别为μ_Cij的允许最大值和最小值，设置约束条件：

K_C1和K_C2值采用知识推理方法并根据各种偏好动态地进行设定，通过上述方法对试验数据中心值的优化，可以确定数据集y_Tp的数据区N_Cp中心值的最优值：

采用概率分析方法，可以得到数据集y_Tp的数据区N_Cp中心值的波动概率：

由数据集y_Tp的数据区N_Cp中心值的最优值及其波动概率，可以计算数据集y_Tp的中心值：

步骤S4构建试验类的概率模糊集的过程如下；

油老化试验类描述的是为评估配电变压器绝缘油老化状态而通过试验获取数据的若干个参量组合，从试验数据集的中心值中选取对应的中心值数值，构建与油老化特征类

具有相同空间的绝缘油试验类

第p个绝缘油试验类T_p的数据集x_Tp为：

式中N_Tp为第p个绝缘油试验类T_p的数据集x_Tp参量数据的数量(N_Tp＝N_Sp)，N_T为绝缘油试验类数据集的数量，

从试验数据集的中心值中进行对应性选取，对于第p个试验类T_p，有N_Tp个特征，构建第p个试验类的概率模糊集T_pq如下：

式中μ_T(x_Tpk)为x_Tpk相对应概率模糊集T_pq的隶属度，

为描述μ_T(x_Tpk)的概率分布函数；

步骤S5构建试验类与特征类概率模糊集之间的距离测度函数的过程如下；

利用油老化特征类

及绝缘油试验类

的概率模糊集，构建试验类与特征类概率模糊集之间的距离测度函数：

步骤S6进行变压器绝缘油老化状态评估过程如下；

采用概率分析方法，确定油老化特征类

的可信度：

满足

计算与所有油老化特征类S₁、

相关的总距离测度值：

当d_TS小于

时，判定变压器绝缘油已经处于老化状态。

2.根据权利要求1所述的一种变压器绝缘油老化状态评估的方法，其特征在于，步骤S1还包括构建油老化特征类的概率模糊集隶属度函数并计算其隶属度、构建油老化特征类的概率分布函数并计算其方差；

构建油老化特征类的概率模糊集隶属度函数并计算其隶属度的过程为；

油老化特征类是采用大数据处理和分析技术从公开文献中收集而得，具有随机和模糊的不确定特性，针对油老化特征类的数据集的模糊不确定特性，对于具有特征k的第m个油老化特征类S_mk，采用模糊理论构建如下概率模糊集隶属度函数：

式中，μ_Smk、ξ_Smk分别为具有特征k的第m个油老化特征类S_mk的概率模糊集隶属度函数的中心、宽度，根据形成的具有特征k的第m个油老化特征类S_mk，由其数据集可以计算概率模糊集隶属度函数的中心μ_Smk和宽度ξ_Smk，进而计算确定油老化特征类的概率模糊集隶属度函数的隶属度；

构建油老化特征类的概率分布函数并计算其方差的过程为；

对于油老化特征类的数据集的随机变化的宽度，假设其服从正态分布：

其概率分布函数：

式中，ν_Smk、σ_Smk分别为具有特征k的第m个油老化特征类S_mk的数据集具有正态分布特性的均值和方差，根据形成的具有特征k的第m个油老化特征类S_mk，由其数据集计算而得的概率模糊集隶属度函数的宽度σ_Smk，计算油老化特征类数据集具有正态分布特性的均值和方差。

3.根据权利要求1所述的一种变压器绝缘油老化状态评估的方法，其特征在于，步骤S4还包括构建试验类的概率模糊集隶属度函数并计算其隶属度、构建试验类的概率分布函数并计算其方差；

构建试验类的概率模糊集隶属度函数并计算其隶属度的过程如下；

针对试验类的数据集的模糊不确定特性，对于具有特征k的第p个试验类T_pk，采用模糊理论构建如下概率模糊集隶属度函数：

式中，μ_Tpk、ξ_Tpk分别为具有特征k的第p个试验类T_pk的概率模糊集隶属度函数的中心、宽度，根据形成的具有特征k的第p个试验类T_Pk，由其数据集可以计算概率模糊集隶属度函数的中心μ_Tpk和宽度ξ_Tpk，进而计算确定试验类的概率模糊集隶属度函数的隶属度；

构建试验类的概率分布函数并计算其方差的过程如下；

对于试验类的数据集的随机变化的宽度，假设其服从正态分布：

其概率分布函数：

式中，ν_Tpk、σ_Tpk分别为具有特征k的第m个试验类T_pk的数据集具有正态分布特性的均值和方差，根据形成的具有特征k的第p个试验类T_pk，由其数据集计算而得的概率模糊集隶属度函数的宽度σ_Tpk，计算试验类数据集具有正态分布特性的均值和方差。

Images