CN109086484A - 一种变压器健康状态评估的证据融合与集对分析方法 - Google Patents

Abstract

本发明涉及一种变压器健康状态评估的证据融合与集对分析方法，包括以下步骤：S1：构建变压器特征类数据集；S2：构建变压器试验类数据集；S3：构建变压器试验类与特征类数据集之间的关联度函数；S4：构建mass函数；S5：构建BPA输出函数；S6：进行变压器健康状态评估。本发明对具有随机不确定性的变压器状态特征数据和实验数据进行对集处理，构建具有相同空间结构的关联度函数和BPA输出函数，从而可以评估配电变压器健康状态，反映出变压器健康状态特征值具有的不确定性，为配电变压器健康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。

Description

一种变压器健康状态评估的证据融合与集对分析方法

技术领域

本发明涉及电力系统及其自动化的技术领域，尤其涉及到一种变压器健康状态评估的证据融合与集对分析方法。

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。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健康状态，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、绝缘老化和绝缘油劣化，影响配电变压器健康状态有绝缘油介质损耗、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、油色泽等与绝缘油相关参量，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，传统配电变压器健康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

本发明的目的在于克服现有技术的不足，提供一种变压器健康状态评估的证据融合与集对分析方法，针对如何处理配电变压器健康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证据融合与集对分析原理对大数据进行处理和分析；针对配电变压器健康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。

证据融合与集对分析方法的配电变压器健康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健康状态的参量进行概率模糊建模；利用公开文献中与变压器健康状态评估方法相关结果的海量数据，构建变压器健康状态特征类概率模糊集；利用变压器健康状态试验的海量数据，构建变压器健康状态试验类概率模糊集；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健康状态之间的综合属性值，进而确定配电变压器健康状态。

本发明旨在提供一种变压器健康状态评估的证据融合与集对分析方法及系统，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。

解决上述技术问题，本发明采用的技术方案如下：

一种变压器健康状态评估的证据融合与集对分析方法，包括以下步骤：

S1：构建变压器特征类数据集；

S2：构建变压器试验类数据集；

S3：构建变压器试验类与特征类数据集之间的关联度函数；

S4：构建mass函数；

S5：构建BPA输出函数；

S6：进行变压器健康状态评估。

进一步地，所述步骤S1构建的变压器特征类数据集从历史运行数据、检测监测数据以及公开文献中收集所得；

构建第m个变压器健康状态特征类S_m的数据集x_Sm：

式中，N_Sm为第m个健康状态特征类S_m的数据集x_Sm参量数据的数量，N_S为健康状态特征类数据集的数量；对于第m个健康状态特征类S_m，有N_Sm个特征。

进一步地，所述步骤S2构建变压器试验类数据集从试验中获得，构建第 m个变压器试验类T_m的数据集x_Tm：

进一步地，所述步骤S3具体过程如下：

采用集对理论，构建针对变压器特征类第m个数据集x_Sm与试验类第p个数据集x_Tp的关联度函数：

式中，μ_SmTp(x_T)为特征类第m个数据集x_Sm与试验类第p个数据集x_Tp在x_T点的关联度函数，分别为特征类第m个数据集x_Sm在r₁、 r₂、...、r_K-2边界点的数值；i₁、i₂、...、i_K-2和j分别表示差异标记系数和对立标记系数。

进一步地，所述步骤S4构建mass函数的具体过程如下：

对于N_S个特征类据集与N_P个试验类数据集，引入可行度系数λ_k，构建特征类据集和试验类数据集的mass函数：

式中，m_S(x_Smk)、m_T(x_Tpk)为特征类和试验类数据集的信度值；λ_Smk、λ_Spk为特征类和试验类数据集的可行度系数；θ_S、θ_T为特征类和试验类数据集的空集，即不可能事件。

进一步地，所述步骤S5根据证据融合规则，构建证据BPA输出函数：

式中，

进一步地，所述步骤S6变压器健康状态评估的具体过程如下：

S6.1不确定度m(θ)应小于设定值ε₁：

m(θ)＜ε₁

不确定值越低说明结果越准确；若其不确定度不能满足阈值条件，说明整个识别框架和评估等级之间不匹配，或者证据特征量不足，要选择更多证据进行融合；

S6.2按照信度准则，需满足：

若其BPA相加结果满足置信水平，那么认为变压器健康状态处于z₀级；ε₃为置信水平。

与现有技术相比，本方案针对如何处理配电变压器健康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证据融合与集对分析原理对大数据进行处理和分析；针对配电变压器健康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，使可以评估配电变压器健康状态，反映出变压器健康状态特征值具有的不确定性，为配电变压器健康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变压器健康状态评估的证据融合与集对分析方法的流程框图。

具体实施方式

下面参照附图并结合实例对本发明的具体实施方式做进一步详细描述。

图1中的步骤S1描述构建变压器特征类的数据集的过程。健康状态特征类描述的是配电变压器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)中收集配电变压器健康状态评估所涉及参量及其特征值，形成配电变压器健康状态特征类其中N_S为配电变压器健康状态特征类的数量。健康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、局部放电量等47个参量的组合。

通过大数据处理可以构建第m个变压器健康状态特征类S_m的数据集x_Sm：

式中N_Sm为第m个健康状态特征类S_m的数据集x_Sm参量数据的数量，N_S为健康状态特征类数据集的数量。

对于第m个健康状态特征类S_m，有N_Sm个特征。

图1中的步骤S2描述构建变压器试验类的数据集的过程。变压器试验数据从试验中获得的数据。针对变压器试验数据，构建配电变压器状态试验类T₁、其中N_T为配电变压器变压器状态试验类的数量。变压器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构建第m个变压器试验类T_m的数据集x_Tm：

图1中的步骤S3描述构建试验类与特征类数据集之间的关联度函数的过程。采用集对理论，构建针对变压器特征类第m个数据集x_Sm与试验类第p个数据集x_Tp的关联度函数：

式中，μ_SmTp(x_T)为特征类第m个数据集x_Sm与试验类第p个数据集x_Tp在x_T点的关联度函数，分别为特征类第m个数据集x_Sm在r₁、 r₂、...、r_K-2边界点的数值；i₁、i₂、...、i_K-2和j分别表示差异标记系数和对立标记系数，取值-1。

图1中的步骤S4描述构建mass函数的过程。对于N_S个特征类据集与N_P个试验类数据集，引入可行度系数λ_k，构建特征类据集和试验类数据集的mass 函数：

式中，m_S(x_Smk)、m_T(x_Tpk)为特征类和试验类数据集的信度值；λ_Smk、λ_Spk为特征类和试验类数据集的可行度系数；θ_S、θ_T为特征类和试验类数据集的空集，即不可能事件。

图1中的步骤S5描述构建BPA输出函数的过程。根据证据融合规则，构建证据BPA输出函数：

式中，

图1中的步骤S6描述变压器健康状态评估的过程。不确定度m(θ)应小于设定值ε₁：

m(θ)＜ε₁；

不确定值越低说明结果越准确，选用ε₁＝0.05。若其不确定度不能满足阈值条件，说明整个识别框架和评估等级之间是不匹配的，或者证据特征量不足，要选择更多证据进行融合。

按照信度准则，需满足：

如果其BPA相加结果满足置信水平，那么认为变压器健康状态处于z₀级。定义ε₃为置信水平，取值ε₃＝0.5。

本实施例对具有随机不确定性的变压器状态特征数据和实验数据进行对集处理，构建具有相同空间结构的关联度函数和BPA输出函数，从而可以评估配电变压器健康状态，反映出变压器健康状态特征值具有的不确定性，为配电变压器健康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。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (7)

1.一种变压器健康状态评估的证据融合与集对分析方法，其特征在于：包括以下步骤：

S1：构建变压器特征类数据集；

S2：构建变压器试验类数据集；

S3：构建变压器试验类与特征类数据集之间的关联度函数；

S4：构建mass函数；

S5：构建BPA输出函数；

S6：进行变压器健康状态评估。

2.根据权利要求1所述的一种变压器健康状态评估的证据融合与集对分析方法，其特征在于：所述步骤S1构建的变压器特征类数据集从历史运行数据、检测监测数据以及公开文献中收集所得；

构建第m个变压器健康状态特征类S_m的数据集x_Sm：

式中，N_Sm为第m个健康状态特征类S_m的数据集x_Sm参量数据的数量，N_S为健康状态特征类数据集的数量；对于第m个健康状态特征类S_m，有N_Sm个特征。

3.根据权利要求1所述的一种变压器健康状态评估的证据融合与集对分析方法，其特征在于：所述步骤S2构建变压器试验类数据集从试验中获得，构建第m个变压器试验类T_m的数据集x_Tm：

4.根据权利要求1所述的一种变压器健康状态评估的证据融合与集对分析方法，其特征在于：所述步骤S3具体过程如下：

采用集对理论，构建针对变压器特征类第m个数据集x_Sm与试验类第p个数据集x_Tp的关联度函数：

式中，μ_SmTp(x_T)为特征类第m个数据集x_Sm与试验类第p个数据集x_Tp在x_T点的关联度函数，分别为特征类第m个数据集x_Sm在r₁、r₂、...、r_K-2边界点的数值；i₁、i₂、...、i_K-2和j分别表示差异标记系数和对立标记系数。

5.根据权利要求1所述的一种变压器健康状态评估的证据融合与集对分析方法，其特征在于：所述步骤S4构建mass函数的具体过程如下：

对于N_S个特征类据集与N_P个试验类数据集，引入可行度系数λ_k，构建特征类据集和试验类数据集的mass函数：

式中，m_S(x_Smk)、m_T(x_Tpk)为特征类和试验类数据集的信度值；λ_Smk、λ_Spk为特征类和试验类数据集的可行度系数；θ_S、θ_T为特征类和试验类数据集的空集，即不可能事件。

6.根据权利要求1所述的一种变压器健康状态评估的证据融合与集对分析方法，其特征在于：所述步骤S5根据证据融合规则，构建证据BPA输出函数：

式中，

7.根据权利要求1所述的一种变压器健康状态评估的证据融合与集对分析方法，其特征在于：所述步骤S6变压器健康状态评估的具体过程如下：

S6.1不确定度m(θ)应小于设定值ε₁：

m(θ)＜ε₁

不确定值越低说明结果越准确；若其不确定度不能满足阈值条件，说明整个识别框架和评估等级之间不匹配，或者证据特征量不足，要选择更多证据进行融合；

S6.2按照信度准则，需满足：

若其BPA相加结果满足置信水平，那么认为变压器健康状态处于z₀级；ε₃为置信水平。