CN108845074A - 油浸式变压器状态评价方法 - Google Patents

Abstract

本发明公开了一种油浸式变压器状态评价方法，首先利用油浸式变压器油气数据构成表征油浸式变压器特征的待测数据；然后获取故障油浸式变压器据并根据故障类型，划分六个故障数据簇。根据大数据聚类思想，计算待测数据和故障数据簇相对邻近度，将设备状态划分为健康状态、潜伏故障状态或故障状态；在此基础上判断故障设备的故障类型，并基于故障类型关联权重计算健康设备的健康得分，通过时间序列相似性分析方法获取潜伏故障设备的预测故障发展时间，能够较准确地预测其向故障状态转化的时间，可在故障发生前发现设备的隐藏风险，有利于及早发现和解决设备隐患。

Description

油浸式变压器状态评价方法

技术领域

本发明涉及电力系统设备可靠性分析技术领域，特别是涉及一种油浸式变压器状态评价方法。

背景技术

变压器是利用电磁感应的原理来改变交流电压的装置，它有一个公用的铁芯和与其交联的几个绕组，且它们之间的空间位置不变。当某一个绕组从电源接受交流电能时，通过电感生磁，磁感生电的电磁感应原理改变电压，在其余绕组上以同一频率，不同电压传输交流电能。变压器按冷却方式可分为干式变压器和油浸式变压器，其中，油浸式变压器是工矿企业与民用建筑供配电系统中的重要设备之一，它将10(6)kV或35kV网络电压降至用户使用的 230/400V母线电压。

油浸式变压器性能的可靠性直接关系到整个电网的运行可靠性，因此对油浸式变压器工作状态的实时评估具有重要的意义。目前，传统的油浸式变压器故障诊断方法，仅能二值化地判断设备处于健康或故障状态，无法表征油浸式变压器的潜在故障情况，也无法确定油浸式变压器向故障状态转化的趋势，不利于及早发现和解决设备隐患。

发明内容

为此，本发明的目的在于提出一种油浸式变压器状态评价方法，解决现有技术无法表征油浸式变压器的潜在故障情况，也无法确定油浸式变压器向故障状态转化的趋势的问题。

根据本发明提供的油浸式变压器状态评价方法，包括：

步骤1，根据油浸式变压器油气谱分析获得油气信息，提取待测数据x，待测数据x是含有五个维度信息的特征向量，五个维度信息分别为H₂、CH₄、 C₂H₆、C₂H₄、C₂H₂的气体体积浓度；

步骤2，获取包含低温过热F1、中温过热F2、高温过热F3、局部放电F4、低能放电F5、高能放电F6这六种故障类型的故障油浸式变压器的历史数据，所述历史数据包含与步骤1中待测数据x相同的五个维度数据，根据故障类型，将所述历史数据分为六个故障簇C₁，C₂，C₃，C₄，C₅，C₆；

步骤3，计算待测数据x和六个故障簇间的相对邻近度l_c1(x,k)、l_c2 (x,k)、l_c3(x,k)、l_c4(x,k)、l_c5(x,k)、l_c6(x,k)，其中k为选定的用来计算相对临近度的临近数据点个数，计算出六个相对邻近度中的最大值为l_max；

步骤4，根据最大值l_max的大小，判定油浸式变压器所属状态并进行相应的后续处理，其中，若l_max大于0.8，将设备的状态标记为故障状态，且该设备的故障类别为此邻近的故障数据簇的故障类别；若l_max处于区间[0.6，0.8]，将设备的状态标记为潜伏故障状态，并进一步判断设备向故障状态转化的速度和趋势；若l_max小于0.6，将设备的状态标记为健康状态，并计算设备的健康得分。

根据本发明提供的油浸式变压器状态评价方法，采用基于聚类和时间序列分析的技术方案，计算设备和故障历史数据的相对邻近度，以此为判据划分设备状态至健康状态、潜伏故障状态和故障状态三个类别，在此基础上对三个类别的设备分别处理，根据最邻近原则判定故障及潜伏故障设备的故障类别，能够准确判断潜伏故障状态和故障状态设备的故障类型，实现油浸式变压器状态的分类和精准监控，基于故障类型加权设定了设备健康得分评价指标，能够直观地反映设备的健康状况，为设备的运维、检修安排提供参考；基于时间序列相似性分析方法，对状态类别为潜伏故障的设备，能够较准确地预测其向故障状态转化的时间，可在故障发生前发现设备的隐藏风险，有利于及早发现和解决设备隐患。

另外，根据本发明上述的油浸式变压器状态评价方法，还可以具有如下附加的技术特征：

进一步地，所述步骤3中，采用以下方法计算六个相对邻近度中的最大值为l_max：

记故障类型编号为j的簇为C_j，采用以下公式计算数据点x与数据簇C_j的邻近度l_j(x,k)：

其中，C_j(x,k)是数据点x的在簇C_j当中k个最近邻点的集合，y是簇中的一个x的最近邻点，d(x,y)是x和y之间的欧式距离；

将C_j内部数据点作为待测数据点，并以此计算出簇内邻近度，对所有内部数据点的簇内邻近度取平均值，得到C_j的基准邻近度l_jref；

数据点x和簇C_j的邻近程度由相对邻近度l_cj(x,k)表示：

最大邻近度l_max由下式计算出：

l_max＝max(l_c1(x,k),l_c2(x,k),l_c3(x,k))。

进一步地，所述欧式距离d(x,y)由以下公式计算：

其中，m为数据维数，x_i代表数据点x在维度i上的坐标，y_i代表数据点y 在维度i上的坐标，λ_i为维度i上的归一系数。

进一步地，所述步骤4中，判断设备向故障状态转化的速度和趋势的步骤具体包括：

步骤a，采集并分析预设时间内油浸式变压器的油气数据，用不同时间的数据x构成时间序列X，具体包括以下步骤：

(1)设定序列X的长度N；

(2)确定末数据点时标t_xN：将数据点x的采集时刻设定为t_xN；

(3)计算相对邻近度：设定序列X的最大搜寻时间t_xmax；计算t∈[t_xs- t_xmax,t_xmax]范围内的数据点x(t)和故障数据簇C_j的相对邻近度l_cj(x(t),k)；

(4)确定初数据点时标t_x1：从t_xN开始向前搜索第一个相对邻近度 l_cj(x(t),k)＝0.5±ε_x的数据点x(t)，ε_x为搜索允许误差，如果有符合要求的数据点，将对应数据采集时刻设定为t_x1；若无符合要求的数据点，将t_xN-t_xmax设定为t_x1；

(5)获取时间序列：以d_tx＝Δt_x/(N-2)为抽样间隔，从t_x1开始按照时间次序抽取N个数据点，得到最终的时间序列X＝{x(t_x1),x(t_x2),…,x(txN)}；

步骤b，对与x最近邻的故障数据簇C_j中和数据点x最靠近的k个故障数据点y_i(i＝1,2,…,k)提取对应的时间序列，标记为y_i(i＝1,2,…,k)；

步骤c，计算序列X和序列Y₁,Y₂,…,Y_k的动态时间弯曲距离 D_dtw1,D_dtw2,…,D_dtwk；

其中，时间序列X＝{x(t_x1),x(t_x2),…,x(txN)}和时间序列 Y＝{y(t_y1),y(t_y2),…,y(tyN)}之间的动态时间弯曲距离通过以下公式计算获得：

式中，d(x(t_x1),y(t_y1))＝||x(t_x1)-y(t_y1)||；R(X)＝{x(t_x2),x(t_x3),…,x(t_xN)}；R(Y)＝{y(t_y2),y(t_y3),…,y(t_yN)}；

步骤d，计算序列X和序列Y₁,Y₂,…,Y_k的归一距离D₁,D₂,…,D_k；

其中，归一距离D(X,Y)通过以下公式计算：

D(X,Y)＝D_dtw(X,Y)/N

式中，N为序列X和序列Y的长度；

步骤e，计算油浸式变压器的预期故障发展时间：

对于和序列X之间的距离D_i小于阈值T_D的序列Y_i，采用以下公式计算故障发展时间Δt_bi：

Δt_bi＝t_ybi-t_yNi；

将符合条件的所有故障发展时间归算到和与序列X相同的时间尺度下再求取平均值，以得到设备的预测故障发展时间Δt_b：

式中，C为所有距离条件的序列Y_i的故障发展时间Δt_bi的集合，N_c为C中的元素个数，dt_yi为序列Y_i的采样时间间隔，dt_x为序列X的采样时间间隔。

进一步地，所述步骤4中，计算设备的健康得分的步骤具体包括：

对于每一类确定故障类型j，已知数据点x与其邻近度l_cj(x,k)，将邻近度转化为设备与这一故障类型相关的健康得分，设定100为满分，则设备在某个故障类别下的健康得分F_j(t)的公式为：

F_j(t)＝100·(1-max(1,l_cj(x,k)))

对设备在所有故障类别下的故障得分进行加权，得到设备的最终将健康状态得分：

式中，P_j为j类故障对应的权重。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。

附图说明

本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明实施例的油浸式变压器状态评价方法的流程示意图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请结合图1，本发明实施例提出的油浸式变压器状态评价方法，包括：

步骤1，根据油浸式变压器油气谱分析获得油气信息，提取待测数据x，待测数据x是含有五个维度信息的特征向量，五个维度信息分别为H₂、CH₄、 C₂H₆、C₂H₄、C₂H₂的气体体积浓度；

其中，H₂、CH₄、C₂H₆、C₂H₄、C₂H₂这些气体体积浓度能够反映设备当前的绝缘劣化情况，进而诊断设备的故障类型，因此，通过油气谱分析获得油气信息，并将H₂、CH₄、C₂H₆、C₂H₄、C₂H₂的气体体积浓度作为五个特征，构建含有五个特征维度的待测数据x。

步骤2，获取包含低温过热F1、中温过热F2、高温过热F3、局部放电F4、低能放电F5、高能放电F6这六种故障类型的故障油浸式变压器的历史数据，所述历史数据包含与步骤1中待测数据x相同的五个维度数据，根据故障类型，将所述历史数据分为六个故障簇C₁，C₂，C₃，C₄，C₅，C₆；

步骤3，计算待测数据x和六个故障簇间的相对邻近度l_c1(x,k)、l_c2 (x,k)、l_c3(x,k)、l_c4(x,k)、l_c5(x,k)、l_c6(x,k)，其中k为选定的用来计算相对临近度的临近数据点个数，计算出六个相对邻近度中的最大值为l_max；

其中，具体可以采用以下方法计算六个相对邻近度中的最大值为l_max：

记故障类型编号为j的簇为C_j，采用DBSCAN聚类算法，具体采用以下公式计算数据点x与数据簇C_j的邻近度l_j(x,k)：

其中，C_j(x,k)是数据点x的在簇C_j当中k个最近邻点的集合，y是簇中的一个x的最近邻点，d(x,y)是x和y之间的欧式距离；

欧式距离d(x,y)由以下公式计算：

其中，m为数据维数，x_i代表数据点x在维度i上的坐标，y_i代表数据点y 在维度i上的坐标，λ_i为维度i上的归一系数，可以在数据预处理阶段获得。

将C_j内部数据点作为待测数据点，并以此计算出簇内邻近度(带入式(1) 中)，对所有内部数据点的簇内邻近度取平均值，得到C_j的基准邻近度l_jref；

对于待计算数据点x而言，它与簇的邻近度越大，则表明它越接近于簇，即更加可能发生此类故障，数据点x和簇C_j的邻近程度由相对邻近度l_cj(x,k)表示：

最大邻近度lmax由下式计算出：

l_max＝max(l_c1(x,k),l_c2(x,k),l_c3(x,k)) (4)。

步骤4，根据最大值l_max的大小，判定油浸式变压器所属状态并进行相应的后续处理，具体包括步骤4.1～4.3。

步骤4.1，若l_max大于0.8，表明设备处于很高的故障风险，将设备的状态标记为故障状态，且该设备的故障类别为此邻近的故障数据簇的故障类别。

步骤4.2，若l_max处于区间[0.6，0.8]，表明设备处于较高的风险，将设备的状态标记为潜伏故障状态，并进一步判断设备向故障状态转化的速度和趋势，可以通过时间序列分析方法进一步判断设备向故障状态转化的速度和趋势。

其中，判断设备向故障状态转化的速度和趋势的步骤具体可以包括步骤 a～e：

步骤a，采集并分析预设时间内油浸式变压器的油气数据，用不同时间的数据x构成时间序列X，具体包括以下步骤：

(1)设定序列X的长度N；

(2)确定末数据点时标t_xN：将数据点x的采集时刻设定为t_xN；

(3)计算相对邻近度：设定序列X的最大搜寻时间t_xmax；通过式(8)计算t∈[t_xs-t_xmax,t_xmax]范围内的数据点x(t)和故障数据簇C_j的相对邻近度l_cj(x(t),k)；

(4)确定初数据点时标t_x1：从t_xN开始向前搜索第一个相对邻近度 l_cj(x(t),k)＝0.5±ε_x的数据点x(t)，ε_x为搜索允许误差，如果有符合要求的数据点，将对应数据采集时刻设定为t_x1；若无符合要求的数据点，将t_xN-t_xmax设定为t_x1；

(5)获取时间序列：以d_tx＝Δt_x/(N-2)为抽样间隔，从t_x1开始按照时间次序抽取N个数据点，得到最终的时间序列X＝{x(t_x1),x(t_x2),…,x(txN)}；

步骤b，对与x最近邻的故障数据簇C_j中和数据点x最靠近的k个故障数据点y_i(i＝1,2,…,k)提取对应的时间序列，标记为y_i(i＝1,2,…,k)；

其中，以故障簇C_j中某一和数据点x邻近的数据点y为例，选取数据点y 采集前的时间序列Y作为对比序列。其流程和获取待测数据时间序列X基本一致，仅确定初末数据点时标方式不同，区别如下：

(i)确定初数据点时标t_y1：记故障数据点y的采集时刻为t_yb，数据点y也记作y(t_yb)。设置序列Y的最大搜寻时间t_ymax。计算t∈[t_yb-t_xmax,t_yb]范围内的数据点y(t)和故障数据簇C_j的相对邻近度l_cj(y(t₁),k)从t_yb时刻向前搜索满足 l_cj(y(t),k)＝l_cj(x(t_x1),k)±ε_y1的数据点，ε_y1为初次搜索允许误差。若在t_yb-t_ymax时刻前找到满足要求的数据点，将对应的采集时间设定为t_y1，否则，结束所有步骤，视为寻找失败。

(ii)确定末数据点时标t_yN：在t_y1到t_yb区间内进行第二次搜寻，从t_y0开始向后寻找第一个数据点，使得l_cj(y(t),k)＝l_cj(x(t_xN),k)±ε_y2，ε_y2为二次搜索允许误差。若在t_yb时刻前找到符合要求的数据点，将对应的采集时间设定为t_yN，否则，结束所有步骤，视为寻找失败。

步骤c，计算序列X和序列Y₁,Y₂,…,Y_k的动态时间弯曲距离 D_dtw1,D_dtw2,…,D_dtwk；

其中，时间序列X＝{x(t_x1),x(t_x2),…,x(t_xN)}和时间序列Y＝{y(t_y1),y(t_y2),…,y(t_yN)} 之间的动态时间弯曲距离通过以下公式计算获得：

式中，d(x(t_x1),y(t_y1))＝||x(t_x1)-y(t_y1)||；R(X)＝{x(t_x2),x(t_x3),…,x(t_xN)}；R(Y)＝{y(t_y2),y(t_y3),…,y(t_yN)}；

步骤d，计算序列X和序列Y₁,Y₂,…,Y_k的归一距离D₁,D₂,…,D_k；

其中，归一距离D(X,Y)通过以下公式计算：

D(X,Y)＝D_dtw(X,Y)/N (6)

式中，N为序列X和序列Y的长度；

步骤e，计算油浸式变压器的预期故障发展时间：

对于和序列X之间的距离D_i小于阈值T_D的序列Y_i，采用以下公式计算故障发展时间Δt_bi：

Δt_bi＝t_ybi-t_yNi (7)；

将符合条件的所有故障发展时间归算到和与序列X相同的时间尺度下再求取平均值，以得到设备的预测故障发展时间Δt_b：

式中，C为所有距离条件的序列Y_i的故障发展时间Δt_bi的集合，N_c为C中的元素个数，dt_yi为序列Y_i的采样时间间隔，dt_x为序列X的采样时间间隔。预测故障发展时间Δt_b反映了设备从当前高危状态转化为故障状态的预期时间长度。

步骤4.3，若l_max小于0.6，将设备的状态标记为健康状态，并计算设备的健康得分。

其中，计算设备的健康得分的步骤具体包括：

对于每一类确定故障类型j，已知数据点x与其邻近度lcj(x,k)，将邻近度转化为设备与这一故障类型相关的健康得分，设定100为满分，则设备在某个故障类别下的健康得分F_j(t)的公式为：

F_j(t)＝100·(1-max(1,l_cj(x,k))) (9)

对设备在所有故障类别下的故障得分进行加权，得到设备的最终将健康状态得分：

式中，P_j为j类故障对应的权重，需要指出的是，状态量应扣分值由状态量劣化程度及权重共同决定，通常的状态评价标准中，将过热故障和放电故障作为两个故障大类，拥有相同的基准权重系数。依照每个大类当中的劣化程度，可将低温过热、局部放电列为I级劣化，将中温过热、低能放电列为II级劣化，将高温过热、高能放电列为III级劣化。以基准权重系数乘以劣化程度得到六种故障类型最终的扣分权重P_j，如表1所示。

表1故障类型对应的扣分权重

故障类型	编号j	权重Pj(％)
			低温过热	1	8.3
中温过热	2	16.7
			高温过热	3	25.0
局部放电	4	8.3
			低能放电	5	16.7
高能放电	6	25.0

根据本实施例提供的油浸式变压器状态评价方法，采用基于聚类和时间序列分析的技术方案，计算设备和故障历史数据的相对邻近度，以此为判据划分设备状态至健康状态、潜伏故障状态和故障状态三个类别，在此基础上对三个类别的设备分别处理，根据最邻近原则判定故障及潜伏故障设备的故障类别，能够准确判断潜伏故障状态和故障状态设备的故障类型，实现油浸式变压器状态的分类和精准监控，基于故障类型加权设定了设备健康得分评价指标，能够直观地反映设备的健康状况，为设备的运维、检修安排提供参考；基于时间序列相似性分析方法，对状态类别为潜伏故障的设备，能够较准确地预测其向故障状态转化的时间，可在故障发生前发现设备的隐藏风险，有利于及早发现和解决设备隐患。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统) 使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM 或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列 (FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种油浸式变压器状态评价方法，其特征在于，包括：

步骤1，根据油浸式变压器油气谱分析获得油气信息，提取待测数据x，待测数据x是含有五个维度信息的特征向量，五个维度信息分别为H₂、CH₄、C₂H₆、C₂H₄、C₂H₂的气体体积浓度；

步骤2，获取包含低温过热F1、中温过热F2、高温过热F3、局部放电F4、低能放电F5、高能放电F6这六种故障类型的故障油浸式变压器的历史数据，所述历史数据包含与步骤1中待测数据x相同的五个维度数据，根据故障类型，将所述历史数据分为六个故障簇C₁，C₂，C₃，C₄，C₅，C₆；

步骤3，计算待测数据x和六个故障簇间的相对邻近度l_c1(x,k)、l_c2(x,k)、l_c3(x,k)、l_c4(x,k)、l_c5(x,k)、l_c6(x,k)，其中k为选定的用来计算相对临近度的临近数据点个数，计算出六个相对邻近度中的最大值为l_max；

步骤4，根据最大值l_max的大小，判定油浸式变压器所属状态并进行相应的后续处理，其中，若l_max大于0.8，将设备的状态标记为故障状态，且该设备的故障类别为此邻近的故障数据簇的故障类别；若l_max处于区间[0.6，0.8]，将设备的状态标记为潜伏故障状态，并进一步判断设备向故障状态转化的速度和趋势；若l_max小于0.6，将设备的状态标记为健康状态，并计算设备的健康得分。

2.根据权利要求1所述的油浸式变压器状态评价方法，其特征在于，所述步骤3中，采用以下方法计算六个相对邻近度中的最大值为l_max：

记故障类型编号为j的簇为C_j，采用以下公式计算数据点x与数据簇C_j的邻近度l_j(x,k)：

其中，C_j(x,k)是数据点x的在簇C_j当中k个最近邻点的集合，y是簇中的一个x的最近邻点，d(x,y)是x和y之间的欧式距离；

将C_j内部数据点作为待测数据点，并以此计算出簇内邻近度，对所有内部数据点的簇内邻近度取平均值，得到C_j的基准邻近度l_jref；

数据点x和簇C_j的邻近程度由相对邻近度l_cj(x,k)表示：

最大邻近度l_max由下式计算出：

l_max＝max(l_c1(x,k),l_c2(x,k),l_c3(x,k))。

3.根据权利要求2所述的油浸式变压器状态评价方法，其特征在于，所述欧式距离d(x,y)由以下公式计算：

其中，m为数据维数，x_i代表数据点x在维度i上的坐标，y_i代表数据点y在维度i上的坐标，λ_i为维度i上的归一系数。

4.根据权利要求3所述的油浸式变压器状态评价方法，其特征在于，所述步骤4中，判断设备向故障状态转化的速度和趋势的步骤具体包括：

步骤a，采集并分析预设时间内油浸式变压器的油气数据，用不同时间的数据x构成时间序列X，具体包括以下步骤：

(1)设定序列X的长度N；

(2)确定末数据点时标t_xN：将数据点x的采集时刻设定为t_xN；

(3)计算相对邻近度：设定序列X的最大搜寻时间t_xmax；计算t∈[t_xs-t_xmax,t_xmax]范围内的数据点x(t)和故障数据簇C_j的相对邻近度l_cj(x(t),k)；

(4)确定初数据点时标t_x1：从t_xN开始向前搜索第一个相对邻近度l_cj(x(t),k)＝0.5±ε_x的数据点x(t)，ε_x为搜索允许误差，如果有符合要求的数据点，将对应数据采集时刻设定为t_x1；若无符合要求的数据点，将t_xN-t_xmax设定为t_x1；

(5)获取时间序列：以d_tx＝Δt_x/(N-2)为抽样间隔，从t_x1开始按照时间次序抽取N个数据点，得到最终的时间序列X＝{x(t_x1),x(t_x2),…,x(txN)}；

步骤b，对与x最近邻的故障数据簇C_j中和数据点x最靠近的k个故障数据点y_i(i＝1,2,…,k)提取对应的时间序列，标记为y_i(i＝1,2,…,k)；

步骤c，计算序列X和序列Y₁,Y₂,…,Y_k的动态时间弯曲距离D_dtw1,D_dtw2,…,D_dtwk；

其中，时间序列X＝{x(t_x1),x(t_x2),…,x(txN)}和时间序列Y＝{y(t_y1),y(t_y2),…,y(tyN)}之间的动态时间弯曲距离通过以下公式计算获得：

式中，d(x(t_x1),y(t_y1))＝||x(t_x1)-y(t_y1)||；R(X)＝{x(t_x2),x(t_x3),…,x(t_xN)}；R(Y)＝{y(t_y2),y(t_y3),…,y(t_yN)}；

步骤d，计算序列X和序列Y₁,Y₂,…,Y_k的归一距离D₁,D₂,…,D_k；

其中，归一距离D(X,Y)通过以下公式计算：

D(X,Y)＝D_dtw(X,Y)/N

式中，N为序列X和序列Y的长度；

步骤e，计算油浸式变压器的预期故障发展时间：

对于和序列X之间的距离D_i小于阈值T_D的序列Y_i，采用以下公式计算故障发展时间Δt_bi：

Δt_bi＝t_ybi-t_yNi；

将符合条件的所有故障发展时间归算到和与序列X相同的时间尺度下再求取平均值，以得到设备的预测故障发展时间Δt_b：

式中，C为所有距离条件的序列Y_i的故障发展时间Δt_bi的集合，N_c为C中的元素个数，dt_yi为序列Y_i的采样时间间隔，dt_x为序列X的采样时间间隔。

5.根据权利要求4所述的油浸式变压器状态评价方法，其特征在于，所述步骤4中，计算设备的健康得分的步骤具体包括：

对于每一类确定故障类型j，已知数据点x与其邻近度l_cj(x,k)，将邻近度转化为设备与这一故障类型相关的健康得分，设定100为满分，则设备在某个故障类别下的健康得分F_j(t)的公式为：

F_j(t)＝100·(1-max(1,l_cj(x,k)))

对设备在所有故障类别下的故障得分进行加权，得到设备的最终将健康状态得分：

式中，P_j为j类故障对应的权重。