CN107843816A

CN107843816A - 一种考虑负载率影响的变压器绝缘缺陷状态评估方法

Info

Publication number: CN107843816A
Application number: CN201710984174.XA
Authority: CN
Inventors: 邹志强; 吴杰康; 陶飞达; 曾振达; 张丽平; 黄智鹏; 杨夏
Original assignee: Guangdong University of Technology; Heyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Current assignee: Guangdong Power Grid Co Ltd; Heyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date: 2017-10-20
Filing date: 2017-10-20
Publication date: 2018-03-27
Anticipated expiration: 2037-10-20
Also published as: CN107843816B

Abstract

本发明涉及电力系统及其自动化领域，尤其涉及一种考虑负载率影响的变压器绝缘缺陷状态评估方法。先从电网监控数据平台获取变压器负载率历史、实时数据的相关数据信息，构建变压器负载率历史、实时数据的k次抛物型模糊集；再利用配电变压器绝缘油进入绝缘缺陷状态时若干个特征参量特征值进行模糊化处理及构建隶属度函数；然后构建油绝缘缺陷状态特征类的k次抛物型模糊集；油试验数据的模糊化处理及构建隶属度函数，并构建油试验类的k次抛物型模糊集；最后构建试验类与特征类概率模糊集之间的相似度函数，对变压器绝缘缺陷状态进行准确的评估。

Description

一种考虑负载率影响的变压器绝缘缺陷状态评估方法

技术领域

本发明涉及电力系统及其自动化领域，尤其涉及一种考虑负载率影响的变压器绝缘缺陷状态评估方法。

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，会存在不同程度的劣化、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劣化、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，能够防范配电设备劣化、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劣化、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、绝缘劣化和绝缘纸劣化，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，提供一种考虑负载率影响的变压器绝缘缺陷状态评估方法。针对如何处理配电变压器绝缘油劣化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油劣化状态评估所涉及的随机和模糊不确定性的参量，采用梯形概率模糊集的理论进行处理和分析，进而对变压器绝缘缺陷状态进行准确的评估。

考虑负载率影响的变压器绝缘缺陷状态评估的基本原理是；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缺陷的参量进行k次抛物型模糊集；利用公开文献中与变压器绝缘缺陷与负载率相关评估结果的历史海量数据，构建变压器负载率历史数据的k次抛物型模糊集；利用试验数据中与变压器绝缘缺陷与负载率相关评估结果的实时海量数据，构建变压器负载率实时数据的k次抛物型模糊集；利用公开文献中与变压器绝缘缺陷状态评估方法相关结果的海量数据，构建变压器绝缘缺陷特征类k次抛物型模糊集；利用变压器绝缘缺陷试验的海量数据，构建变压器绝缘缺陷试验类k次抛物型模糊集；考虑负载率影响，构建变压器试验类与特征类数据k次抛物型模糊集之间的相似度函数，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缺陷状态之间的综合属性值，进而确定配电变压器绝缘缺陷状态。

本发明的技术方案是：一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其中，包括以下步骤：

S1：构建变压器负载率历史数据的k次抛物型模糊集；

S2：构建变压器负载率实时数据的k次抛物型模糊集；

S3：油绝缘缺陷状态特征类数据的模糊化处理及隶属度函数的构建；

S4：构建油绝缘缺陷状态特征类的k次抛物型模糊集；

S5：油试验数据的模糊化处理及隶属度函数的构建；

S6：构建油试验类的k次抛物型模糊集；

S7：试验类与特征类概率模糊集之间的相似度函数；

S8：变压器绝缘油绝缘缺陷状态评估。

进一步，步骤S1构建变压器负载率历史数据的k次抛物型模糊集的过程为：

从电网监控数据平台获取变压器负载率历史数据的相关数据信息，构建变压器负载率历史数据的k次抛物型模糊集：

f_H＝[(f_H1,f_H2,f_H3,f_H4；k_fH)

式中f_H为变压器负载率历史数据的k次抛物型模糊集，k_fH为变压器负载率历史数据的k次抛物型模糊集的隶属度系数，f_Hj(j＝1,2,3,4)分别为变压器负载率历史数据的k次抛物型模糊集的模糊数。

进一步，构建变压器负载率实时数据的k次抛物型模糊集过程如下；

从电网监控数据平台获取变压器负载率实时数据的相关数据信息，构建变压器负载率实时数据的k次抛物型模糊集：

f_N＝[(f_N1,f_N2,f_N3,f_N4；k_fN)

式中f_N为变压器负载率实时数据的k次抛物型模糊集，k_fN为变压器负载率实时数据的k次抛物型模糊集的隶属度系数，f_Nj(j＝1,2,3,4)分别为变压器负载率实时数据的k次抛物型模糊集的模糊数。

进一步，油绝缘缺陷状态特征类数据的模糊化处理及隶属度函数的构建过程如下；

油绝缘缺陷状态特征类描述的是配电变压器绝缘油进入绝缘缺陷状态时若干个特征参量特征值的组合，从公开文献中收集配电变压器绝缘油绝缘缺陷状态评估所涉及参量及其特征值，构建配电变压器绝缘油绝缘缺陷状态特征类其中N_S为配电变压器绝缘油绝缘缺陷状态特征类的数量，油绝缘缺陷状态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、局部放电量数共47个特征参量的组合，假设第m(m＝1,2,3,...,N_S)个油绝缘缺陷状态特征类S_m含有n(n＝1,2,3,...,N_Sm)个特征参量，各个特征参量的特征数据集x_Smn，通过大数据处理可以得到第m个油绝缘缺陷状态特征类S_m的数据集x_Sm为：

第m个油绝缘缺陷状态特征类S_m的第n个特征参量的特征数据集x_Smn可表示为：

式中N_Smn为第m个油绝缘缺陷状态特征类S_m的第n个特征参量的特征数据集x_Smn数据的数量，对于不同参量N_Smn会有不同数值，假设表征配电变压器油绝缘缺陷状态特征水平有极低、很低、低、较低、中等、较高、高、很高、极高9个模糊不确定性，其数学表示为：

A_Smn＝{A_Smn1,A_Smn2,A_Smn3,A_Smn4,A_Smn5,A_Smn6,A_Smn7,A_Smn8,A_Smn9}

式中A_Smn1、A_Smn2、A_Smn3、A_Smn4、A_Smn5、A_Smn6、A_Smn7、A_Smn8、A_Smn9分别表示配电变压器油绝缘缺陷状态极低、很低、低、较低、中等、较高、高、很高、极高的特征水平，其具有k次抛物型分布特性的模糊集的隶属度函数为：

式中为配电变压器油绝缘缺陷状态水平i(i＝1,2,...,9)具有k次抛物型分布特性的特征隶属度函数，分别为具有k次抛物型模糊集分布特性的油绝缘缺陷状态水平i(i＝1,2,...,9)特征隶属度函数的特征系数，x为第m个油绝缘缺陷状态特征类S_m的第n个特征参量的特征数据集x_Smn的数据，对于第m个油绝缘缺陷状态特征类S_m的第n个特征参量的特征数据集x_Smn，配电变压器油绝缘缺陷状态水平i(i＝1,2,...,9)的k次抛物型模糊集的特征隶属度函数为：

进一步，步骤S4构建油绝缘缺陷状态特征类的k次抛物型模糊集的过程如下；

构建第m个配电变压器油绝缘缺陷状态特征类S_m的第n个特征参量的绝缘缺陷状态水平i(i＝1,2,...,9)的k次抛物型模糊集：

式中S_mn为第m个配电变压器油绝缘缺陷状态特征类S_m的第n个特征参量的绝缘缺陷状态水平i(i＝1,2,...,9)的k次抛物型模糊集。

进一步，步骤S5油试验数据的模糊化处理及隶属度函数的构建过程如下；

油试验数据是从试验中获得的数据，针对油试验数据，构建配电变压器绝缘油试验类其中N_T为配电变压器绝缘油绝缘缺陷状态试验类的数量，油绝缘缺陷状态试验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、局部放电量数共47个特征参量的组合，假设第m(m＝1,2,3,...,N_T)个油试验类T_m含有n(n＝1,2,3,...,N_Tm)个特征参量，各个特征参量的特征数据集x_Tmn，通过大数据处理可以得到第m个油试验类T_m的数据集x_Tm为：

第m个油试验类T_m的第n个特征参量的特征数据集x_Tmn可表示为：

式中N_Tmn为第m个油试验类T_m的第n个特征参量的特征数据集x_Smn数据的数量，对于不同参量N_Tmn会有不同数值，对于第m个油试验类T_m的第n个特征参量的特征数据集x_Tmn，构建配电变压器油试验的k次抛物型模糊集的隶属度函数为：

进一步，步骤S6构建油试验类的k次抛物型模糊集的过程如下；

构建第m个配电变压器油试验类T_m的第n个特征参量的k次抛物型模糊集：

T_mn＝{(a_Tmn,b_Tmn,c_Tmn,d_Tmn；k_Tmn)}

(m＝1,2,3,...,N_T,n＝1,2,3,...,N_Tm)

式中T_mn为第m个油试验类的第n个特征参量的k次抛物型模糊集。

进一步，步骤S7构建试验类与特征类概率模糊集之间的相似度函数的过程如下：

利用油绝缘缺陷状态特征类及绝缘油试验类的k次抛物型模糊集，构建配电变压器第j个油试验类的第k个特征参量的k次抛物型模糊集与第m个特征类S_m的第n个特征参量的绝缘缺陷状态水平i(i＝1,2,...,9)的k次抛物型模糊集之间的相似度函数：

式中k_f为负载率影响系数。

进一步，步骤S8变压器绝缘缺陷状态评估的过程为：

配电变压器油试验类与油绝缘缺陷状态特征类的绝缘缺陷状态水平i之间的总相似度

配电变压器油试验类与油绝缘缺陷状态特征类的绝缘缺陷状态水平i之间的平均相似度

当高于(如0.95等)时，判定变压器绝缘油已经处于绝缘缺陷状态水平i(i＝1,2,...,9)状态，即九种绝缘缺陷状态：极低、很低、低、较低、中等、较高、高、很高、极高。

本发明的有益效果是：利用本发明所提出的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，可以评估配电变压器绝缘油绝缘缺陷状态，反映了公开文献中所形成的配电变压器绝缘油绝缘缺陷状态评估的系列特征值具有模糊的和随机的不确定性，为配电变压器绝缘缺陷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是本发明所提出的一种考虑负载率影响的变压器绝缘缺陷状态评估方法流程框图。

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描述构建变压器负载率历史数据的k次抛物型模糊集的过程和方法。从电网监控数据平台获取变压器负载率历史数据的相关数据信息，构建变压器负载率历史数据的k次抛物型模糊集：

f_H＝[(f_H1,f_H2,f_H3,f_H4；k_fH)

式中f_H为变压器负载率历史数据的k次抛物型模糊集，k_fH为变压器负载率历史数据的k次抛物型模糊集的隶属度系数,f_Hj(j＝1,2,3,4)分别为变压器负载率历史数据的k次抛物型模糊集的模糊数。

图1中的步骤2描述构建变压器负载率实时数据的k次抛物型模糊集的过程和方法。从电网监控数据平台获取变压器负载率实时数据的相关数据信息，构建变压器负载率实时数据的k次抛物型模糊集：

f_N＝[(f_N1,f_N2,f_N3,f_N4；k_fN)

式中f_N为变压器负载率实时数据的k次抛物型模糊集，k_fN为变压器负载率实时数据的k次抛物型模糊集的隶属度系数,f_Nj(j＝1,2,3,4)分别为变压器负载率实时数据的k次抛物型模糊集的模糊数。

图1中的步骤3描述油绝缘缺陷状态特征类数据的模糊化处理及隶属度函数的构建过程和方法。油绝缘缺陷状态特征类描述的是配电变压器绝缘油进入绝缘缺陷状态时若干个特征参量特征值的组合。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绝缘缺陷状态评估所涉及参量及其特征值，构建配电变压器绝缘油绝缘缺陷状态特征类其中N_S为配电变压器绝缘油绝缘缺陷状态特征类的数量。油绝缘缺陷状态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、局部放电量数等47个特征参量的组合。假设第m(m＝1,2,3,...,N_S)个油绝缘缺陷状态特征类S_m含有n(n＝1,2,3,...,N_Sm)个特征参量，各个特征参量的特征数据集x_Smn。通过大数据处理可以得到第m个油绝缘缺陷状态特征类S_m的数据集x_Sm为：

式中N_Smn为第m个油绝缘缺陷状态特征类S_m的第n个特征参量的特征数据集x_Smn数据的数量，对于不同参量N_Smn会有不同数值。

假设表征配电变压器油绝缘缺陷状态特征水平有极低、很低、低、较低、中等、较高、高、很高、极高9个模糊不确定性，其数学表示为：

A_Smn＝{A_Smn1,A_Smn2,A_Smn3,A_Smn4,A_Smn5,A_Smn6,A_Smn7,A_Smn8,A_Smn9}

式中A_Smn1、A_Smn2、A_Smn3、A_Smn4、A_Smn5、A_Smn6、A_Smn7、A_Smn8、A_Smn9或A_Smni(i＝1,2,...,9)分别表示配电变压器油绝缘缺陷状态极低、很低、低、较低、中等、较高、高、很高、极高的特征水平，其具有k次抛物型分布特性的模糊集的隶属度函数为：

式中为配电变压器油绝缘缺陷状态水平i(i＝1,2,...,9)具有k次抛物型分布特性的特征隶属度函数，分别为具有k次抛物型模糊集分布特性的油绝缘缺陷状态水平i(i＝1,2,...,9)特征隶属度函数的特征系数，x为第m个油绝缘缺陷状态特征类S_m的第n个特征参量的特征数据集x_Smn的数据。

对于第m个油绝缘缺陷状态特征类S_m的第n个特征参量的特征数据集x_Smn，配电变压器油绝缘缺陷状态水平i(i＝1,2,...,9)的k次抛物型模糊集的特征隶属度函数为：

图1中的步骤4描述构建油绝缘缺陷状态特征类的k次抛物型模糊集的过程和方法。构建第m个配电变压器油绝缘缺陷状态特征类S_m的第n个特征参量的绝缘缺陷状态水平i(i＝1,2,...,9)的k次抛物型模糊集：

图1中的步骤5描述油试验数据的模糊化处理及隶属度函数的构建的过程和方法。油试验数据从试验中获得的数据。针对油试验数据，构建配电变压器绝缘油试验类其中N_T为配电变压器绝缘油绝缘缺陷状态试验类的数量。油绝缘缺陷状态试验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、局部放电量数等47个特征参量的组合。假设第m(m＝1,2,3,...,N_T)个油试验类T_m含有n(n＝1,2,3,...,N_Tm)个特征参量，各个特征参量的特征数据集x_Tmn。通过大数据处理可以得到第m个油试验类T_m的数据集x_Tm为：

式中N_Tmn为第m个油试验类T_m的第n个特征参量的特征数据集x_Smn数据的数量，对于不同参量N_Tmn会有不同数值。

对于第m个油试验类T_m的第n个特征参量的特征数据集x_Tmn，构建配电变压器油试验的k次抛物型模糊集的隶属度函数为：

图1中的步骤6描述构建油试验类的k次抛物型模糊集的过程和方法。构建第m个配电变压器油试验类T_m的第n个特征参量的k次抛物型模糊集：

T_mn＝{(a_Tmn,b_Tmn,c_Tmn,d_Tmn；k_Tmn)}

(m＝1,2,3,...,N_T,n＝1,2,3,...,N_Tm)

图1中的步骤7描述构建试验类与特征类概率模糊集之间的相似度函数的过程和方法。利用油绝缘缺陷状态特征类及绝缘油试验类的k次抛物型模糊集，构建配电变压器第j个油试验类的第k个特征参量的k次抛物型模糊集与第m个特征类S_m的第n个特征参量的绝缘缺陷状态水平i(i＝1,2,...,9)的k次抛物型模糊集之间的相似度函数：

式中k_f为负载率影响系数。

图1中的步骤8描述变压器绝缘缺陷状态评估的过程和方法。配电变压器油试验类与油绝缘缺陷状态特征类的绝缘缺陷状态水平i之间的总相似度

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

1.一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，包括以下步骤：

S1：构建变压器负载率历史数据的k次抛物型模糊集；

S2：构建变压器负载率实时数据的k次抛物型模糊集；

S4：构建油绝缘缺陷状态特征类的k次抛物型模糊集；

S5：油试验数据的模糊化处理及隶属度函数的构建；

S6：构建油试验类的k次抛物型模糊集；

S7：构建试验类与特征类概率模糊集之间的相似度函数；

S8：变压器绝缘缺陷状态评估。

2.根据权利要求1所述的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，步骤S1构建变压器负载率历史数据的k次抛物型模糊集的过程为：

f_H＝[(f_H1,f_H2,f_H3,f_H4；k_fH)

3.根据权利要求1所述的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，步骤S2构建变压器负载率实时数据的k次抛物型模糊集过程如下；

f_N＝[(f_N1,f_N2,f_N3,f_N4；k_fN)

4.根据权利要求1所述的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，步骤S3油绝缘缺陷状态特征类数据的模糊化处理及隶属度函数的构建过程如下；

A_Smn＝{A_Smn1,A_Smn2,A_Smn3,A_Smn4,A_Smn5,A_Smn6,A_Smn7,A_Smn8,A_Smn9}

5.根据权利要求1所述的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，步骤S4构建油绝缘缺陷状态特征类的k次抛物型模糊集的过程如下；

6.根据权利要求1所述的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，步骤S5油试验数据的模糊化处理及隶属度函数的构建过程如下；

7.根据权利要求1所述的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，步骤S6构建油试验类的k次抛物型模糊集的过程如下；

T_mn＝{(a_Tmn,b_Tmn,c_Tmn,d_Tmn；k_Tmn)}

(m＝1,2,3,...,N_T,n＝1,2,3,...,N_Tm)

8.根据权利要求1所述的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，步骤S7构建试验类与特征类概率模糊集之间的相似度函数的过程如下：

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>T</mi> <mrow> <mi>T</mi> <mi>j</mi> <mi>k</mi> <mo>,</mo> <mi>S</mi> <mi>m</mi> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mo>|</mo> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>T</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>b</mi> <mrow> <mi>T</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>c</mi> <mrow> <mi>T</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>d</mi> <mrow> <mi>T</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>k</mi> <mrow> <mi>T</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mrow> <mi>S</mi> <mi>m</mi> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mo>+</mo> <msubsup> <mi>b</mi> <mrow> <mi>S</mi> <mi>m</mi> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mo>+</mo> <msubsup> <mi>c</mi> <mrow> <mi>S</mi> <mi>m</mi> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mo>+</mo> <msubsup> <mi>d</mi> <mrow> <mi>S</mi> <mi>m</mi> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <msubsup> <mi>k</mi> <mrow> <mi>S</mi> <mi>m</mi> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mo>|</mo> <mo>&CenterDot;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>|</mo> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mrow> <mi>N</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>f</mi> <mrow> <mi>N</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>f</mi> <mrow> <mi>N</mi> <mn>3</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>f</mi> <mrow> <mi>N</mi> <mn>4</mn> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>k</mi> <mrow> <mi>f</mi> <mi>N</mi> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mrow> <mi>H</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>f</mi> <mrow> <mi>H</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>f</mi> <mrow> <mi>H</mi> <mn>3</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>f</mi> <mrow> <mi>H</mi> <mn>4</mn> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>k</mi> <mrow> <mi>f</mi> <mi>H</mi> </mrow> </msub> <mo>|</mo> <mo>&CenterDot;</mo> <msub> <mi>k</mi> <mi>f</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>

式中k_f为负载率影响系数。

9.根据权利要求1所述的一种考虑负载率影响的变压器绝缘缺陷状态评估方法，其特征在于，步骤S8变压器绝缘缺陷状态评估的过程为：配电变压器油试验类与油绝缘缺陷状态特征类的绝缘缺陷状态水平i之间的总相似度

<mrow> <msubsup> <mi>p</mi> <mrow> <mi>T</mi> <mi>S</mi> </mrow> <mi>i</mi> </msubsup> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>T</mi> <mi>j</mi> </mrow> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>S</mi> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>S</mi> <mi>m</mi> </mrow> </msub> </munderover> <msubsup> <mi>p</mi> <mrow> <mi>T</mi> <mi>j</mi> <mi>k</mi> <mo>,</mo> <mi>S</mi> <mi>m</mi> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> </mrow>

<mrow> <msubsup> <mover> <mi>p</mi> <mo>&OverBar;</mo> </mover> <mrow> <mi>T</mi> <mi>S</mi> </mrow> <mi>i</mi> </msubsup> <mo>=</mo> <mfrac> <msubsup> <mi>p</mi> <mrow> <mi>T</mi> <mi>S</mi> </mrow> <mi>i</mi> </msubsup> <mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> <msub> <mi>N</mi> <mrow> <mi>T</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>N</mi> <mi>S</mi> </msub> <msub> <mi>N</mi> <mrow> <mi>S</mi> <mi>m</mi> </mrow> </msub> </mrow> </mfrac> </mrow>