CN109886288B - 一种用于电力变压器的状态评价方法及装置 - Google Patents

Abstract

本发明公开了一种用于电力变压器的状态评价方法，包括：获取电力变压器的状态参量，对常规数据集进行拆分和样本合成，形成多个完备均衡数据集，以作为组件学习器的训练数据；使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器；获得待识别的电力变压器的状态参量，将状态参量中的常规数据集输入集成学习器，所述集成学习器输出电力变压器的第一状态评价结果，解决了训练数据缺失、数据分类不均衡的问题；满足了电力变压器状态评价的代价敏感需求；能够准确评价全网变压器的状态。

Description

一种用于电力变压器的状态评价方法及装置

技术领域

本申请涉及输变电设备状态评价领域，具体涉及一种用于电力变压器的状态评价方法，同时涉及一种用于电力变压器的状态评价装置。

背景技术

变压器状态评价业务工作在《Q/GDW 169-2008油浸式变压器(电抗器)状态评价导则》指导下开展，该导则通过状态量劣化程度与权重共同决定变压器状态扣分值，并进行各状态量的扣分加和，最终按照得分给出变器的状态评价。但是这种方法缺少对各状态量的综合衡量，难以给出客观的评价结果，并且对人力成本消耗大。

此外，应用了机器学习算法所提出的评价模型，如基于贝叶斯网络、贝叶斯概率、模糊数学理论、聚类分析等算法的模型，大部分是面向理想状态的数据样本形成的单一模型，不适合生产信息化系统中的实际数据情况，需要进行大量的数据补全预处理工作，评价过程引入大量的噪声，实际应用后评价结果不准确、模型泛化能力差。

所以，目前电力变压器状态的评价模型存在无法解决数据缺失、数据分类不均衡的问题，也无法满足电力变压器状态评价的代价敏感需求，同时无法准确评价全网变压器的状态。

发明内容

本申请提供一种用于电力变压器的状态评价方法，解决了数据缺失、数据分类不均衡的问题，满足了电力变压器状态评价的代价敏感需求，同时能够准确评价全网变压器的状态。

本申请提供一种用于电力变压器的状态评价方法，其特征在于，包括：

获取电力变压器的状态参量，将所述状态参量按照缺失程度划分为常规数据集和稀缺数据集；对常规数据集进行拆分和样本合成，形成多个完备均衡数据集，以作为组件学习器的训练数据；

使用分类算法构建多个组件学习器，使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器；

获得待识别的电力变压器的状态参量，将状态参量中的常规数据集输入集成学习器，所述集成学习器输出电力变压器的第一状态评价结果。

优选的，在所述集成学习器输出电力变压器的第一状态评价结果的步骤之后，还包括：

将获得待识别的电力变压器的状态参量中的稀缺数据集，通过预先创建的规则判断器进行判断，输出电力变压器的第二状态评价结果；

将所述第一评价结果与第二评价结果进行比较，获取状态等级低的作为所述电力变压器的最终状态评价结果。

优选的，所述规则判断器，可以根据相关领域知识进行创建。

优选的，所述电力变压器状态参量，包括：

绝缘油特性参量、电气测试参量、油中气体状态参量，以及检修运行记录参量。

优选的，将所述状态参量按照缺失程度划分为常规数据集和稀缺数据集，包括；

可以将缺失比例小于等于80％的状态参量，划分为常规数据集；

可以将缺失比例大于80％的状态参量，划分为稀缺数据集。

优选的，在对常规数据集进行拆分和样本合成的步骤之前，还包括：

通过提取所述常规数据监测曲线的关键特征或对所述常规数据进行高维映射，获得所述常规数据的数据特征。

优选的，所述对常规数据集进行拆分和样本合成，形成多个均衡数据集，包括：

统计所述常规数据集中非空的样本数量；

设非空样本的数量最小值为m，最大值为M，步长s＝[M-m/10]，选择样本数量大于等于n(n∈{m,m+s,m+2s,……,M})的特征，形成不同的特征组合，并按照所述特征组合拆分出多个完备数据集；

对每一个完备数据集，可以使用Borderline-SMOTE算法进行样本合成，形成多个完备均衡数据集。

优选的，所述使用分类算法构建多个组件学习器，包括：

使用主成分分析法(PCA)对每个完备均衡数据集进行降准，然后可以使用支持向量机、神经网络、逻辑回归分类算法中的单一或多种分类算法组合构建组件学习器。

优选的，还包括：

提高将不正常电力变压器错分类为正常电力变压器的惩罚权重，形成代价矩阵，用所述代价矩阵对所述组件学习器的错误度量进行修正；

以及通过阈值移动方法对所述组件学习器的输出值的比较阈值进行修正，降低分类为不正常电力变压器的阈值。

本申请同时提供一种用于电力变压器的状态评价装置，其特征在于，包括：

训练数据获取单元，用于获取电力变压器的状态参量，将所述状态参量按照缺失程度划分为常规数据集和稀缺数据集；对常规数据集进行拆分和样本合成，形成多个完备均衡数据集，以作为组件学习器的训练数据；

训练单元，用于使用分类算法构建多个组件学习器，使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器；

输出单元，用于获得待识别的电力变压器的状态参量，将状态参量中的常规数据集输入集成学习器，所述集成学习器输出电力变压器的第一状态评价结果。

本申请提供的一种用于电力变压器的状态评价方法，通过对电力变压器的状态参量进行划分，将划分的常规数据集进行拆分和样本合成后，作为组件学习器的训练数据，使用分类算法构建多个组件学习器，使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器，对稀缺数据集构建规则判断器，解决了数据缺失、数据分类不均衡的问题；使用代价矩阵和阈值移动方法，形成集成学习器代价敏感的算法内核，满足了电力变压器状态评价的代价敏感需求；通过集成学习器和规则判断器，能够准确评价全网变压器的状态。

附图说明

图1是本申请实施例提供的一种用于电力变压器的状态评价方法流程示意图；

图2是本申请实施例涉及的完备均衡的数据集的构建流程图示意图；

图3是本申请实施例涉及的代价矩阵和阈值移动方法修正流程示意图；

图4是本申请实施例涉及的电力变压器的状态模型的构建流程示意图；

图5是本申请实施例提供的一种用于电力变压器的状态评价装置示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

请参看图1，图1是本申请实施例提供的一种用于电力变压器的状态评价方法，下面结合图1进行详细说明。

步骤S101，获取电力变压器的状态参量，将所述状态参量按照缺失程度划分为常规数据集和稀缺数据集；对常规数据集进行拆分和样本合成，形成多个完备均衡数据集，以作为组件学习器的训练数据。

本步骤用于对获取的电力变压器的状态参量进行划分，将划分的常规数据集通过拆分和样本合成，形成多个完备均衡数据集，以作为组件学习器的训练数据。

完备均衡数据集的构建流程如图2所示，主要看图2的上半部分，规则判断器在后序步骤中再做详细说明。首先获取电力变压器的状态参量。电力变压器的状态参量，包括：绝缘油特性参量、电气测试参量、油中气体状态参量，以及检修运行记录参量。还包括绕阻介损因数、油中糠醛含量等参量。

电力变压器的状态参量，有的是完整的，有的可能会存在缺失，所以，需要将每种状态参量按照缺失程度划分为常规数据集和稀数据集。例如，油中溶解气体，一般情况下都是完整的，对于这种状态参量，提取其监测曲线的关键特征，包括气体均值、方差、增长率，见下面的表1。不过，还有一些状态参量的数值存在一定缺失，但是缺失比例不超过80％，这类状态参量也可以划分为常规数据集，而且这类状态参量一般为常规离线试验项目，对于这种状态参量可以进行高维映射。高维映射的方法如下：如果该状态参量为离散数值，例如，油泥与沉淀物的数值有三种，分别为有、无、还有空缺，则映射为三个字段，是否为有、是否为无、是否为空。如果该字段为连续数值，则按照该字段的四分位点将其转化为4个等份范围，即进行离散化，再按照离散数值的映射方法进行映射，即映射后共5个字段。还有一种状态参量极度稀缺，缺失比例已经大于80％的，可以将这种状态参量划分为稀缺数据集。例如，油中糠醛含量，对于这种状态参量需要通过构建的规则判断器进行处理，具体的处理方法会在后面的步骤中进行详细解释，在本步骤中只考虑前两种完整和存在一定缺失的状态参量，也就是常规数据集，常规数据集还需要做进一步的处理才能作为组件学习器的训练数据。在对常规数据进行处理作为训练数据之前，可以将常规数据集划分为两个部分，一部分可以作为待处理的训练数据，一部分可以作为测试集，用来对组件学习器进行测试。通常情况下，可以取总数据集也就是常规数据集样本数量的10％作为测试集，其余的90％作为待处理的训练数据。在本实施例中，除非特殊说明，常规数据集指的都是常规数据集中占90％的数据。之所以常规数据集还需要做进一步的处理才能作为组件学习器的训练数据，是因为目前常规数据集的特征字段存在空缺，而且分类也不均衡，接下来对常规数据集进行处理，以形成完备均衡数据集。

首先，统计所述常规数据集中各特征字段对应的非空样本数量；设非空样本的数量最小值为m，最大值为M，步长s＝[M-m/10]，选择样本数量大于等于n(n∈{m,m+s,m+2s,……,M})的特征，形成不同的特征组合，并按照所述特征组合拆分出多个完备数据集；然后对每一个完备数据集，可以使用Borderline-SMOTE算法进行样本合成，形成多个完备均衡数据集。Borderline-SMOTE算法是面向不平衡数据集的一种样本合成方法，能够改善样本的类别分布，所以在本申请中选择Borderline-SMOTE算法对完备数据集进行样本合成，从而获得完备均衡数据集。完备均衡数据集就可以作为组件学习器的训练数据。

表1油中溶解气体监测曲线关键特征

步骤S102，使用分类算法构建多个组件学习器，使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器。

本步骤用于构建多个组件学习器，然后使用训练数据训练组件学习器，并将训练完成的组件学习组成集成学习器。

单一的机器学习模型，无法对全国各类型的变压器的状态进行评价。所以，首先需要构建多个组件学习器组成集成学习器，以弥补单一的机器学习模型的不足。集成学习器的构建过程如图4所示，主要看图4的上半部分，通过分类算法可以构建多个组件学习器，首先使用主成分分析法(PCA)对每个完备均衡数据集进行降维，然后可以使用支持向量机、神经网络、逻辑回归分类算法中的单一或多种分类算法组合构建组件学习器。可以使用单一分类算法作为内核，也可以多种分类算法组合，选择测试集上误差较小的一种组合即可，所述测试集指的是从常规数据集中预留出的那部分数据，该数据集样本数量通常占比为10％，剩余部分即训练数据集。然后按照机器学习模型的常规流程进行训练。具体的，可以将组件学习器在测试集上的F1值进行归一化，形成权重，用于对组件学习器的权重投票，具体公式为，F1＝2PR/(P+R)，P为准确率，R为召回率。

为了提高集成学习器识别电力变压器的状态的准确率，可以通过使用代价矩阵和阈值移动方法，提高识别的准确率，方法修正流程如图3所示。代价矩阵具体的方法是，提高将不正常变压器错分类为正常变压器的惩罚权重，形成代价矩阵，用所述代价矩阵对标准算法的错误度量进行修正。阈值移动方法通过设置一组超参数，选择测试集上误差最小的超参数作为调整后的阈值，然后使用所述阈值修正标准算法的输出值的比较阈值。举例来说，目前的分类算法大多数是将输入数据通过算法映射为一个数值，之后根据某个阈值来划分该数值对应于哪一类，在标准算法中该阈值往往是按照等分原则设置的。以逻辑回归算法为例，对于一个二分类问题，标准算法往往以输出值y<0.5归属不正常类，y≥0.5归属正常类。阈值移动就是指调整这个阈值，例如这里希望不要错过任何一个不正常类样本，那么我们可以调整为y<0.7归属不正常类，其余归属正常类。具体调整到的阈值往往是通过设置一组{δ1,δ2,δ3,…,δn}作为超参数，经过模型训练后，选择测试误差最小的那个δi作为调整后的阈值。

步骤S103，获得待识别的电力变压器的状态参量，将状态参量中的常规数据集输入集成学习器，所述集成学习器输出变压器的第一状态评价结果。

首先，获取待识别的电力变压器的状态参量，然后将状态参量还是按照缺失程序划分为常规数据集和稀缺数据集，然后将常规数据集作为输入数据输入集成学习器，然后集成学习器输出电力变压器的第一状态评价结果。之所以是电力变压器的第一状态评价结果，是因为输入数据是划分的常规数据集，而训练数据也是划分的常规数据集，所以，输入数据缺少稀缺数据集，输出的电力变压器的第一状态评价结果也缺少对稀缺数据集的处理。那么，电力变压器的第一状态评价结果也就还存在不准确的问题。下面就详细说明上面提到过的对稀缺数据集的处理。

在前面的步骤中，提到了状态参量的数值极度稀缺，那么这种类型的状态参量在步骤S101中被划分为稀缺数据集，稀缺数据集由于数据不全，所以不作为集成学习器的训练数据，而是需要通过构建的规则判断器输出电力变压器的评价结果。规则判断器的构建如图4的下半部分，规则判断器是根据领域知识进行构建的，可以由多个规则组成，按照《Q/GDW 169-2008油浸式变压器(电抗器)状态评价导则》中对该状态量的扣分标准进行扣分。如果导则中对该状态量有试验时间周期要求，则该样本状态量采集时间满足导则试验周期时才进行扣分，否则不进行扣分；如果导则中认为该状态量为诊断性试验，则不做时间周期要求。最终按照85-100为正常，60-84为异常，59以下为严重来输出规则判断器的结果。然后将获得待识别的电力变压器的状态参量中的稀缺数据集，通过预先创建的规则判断器进行判断，输出电力变压器的第二状态评价结果，至此，待识别的电力变压器的状态参量中的常规数据集输出了电力变压器的第一状态评价结果，稀缺数据集输出了电力变压器的第二状态评价结果，然后将电力变压器的第一状态评价结果与第二状态评价结果结合，如表2所示，也就是将电力变压器的第一状态评价结果与第二状态评价结果进行比较，获取状态等级低的作为所述电力变压器的最终状态评价结果。其中集成学习器无效是指该样本数据情况不满足集成学习器输入数据要求，无法输出结果。

表2结合规则

本申请同时提供一种用于电力变压器的状态评价装置500，如图5所示，其特征在于，包括：

训练数据获取单元510，用于获取电力变压器的状态参量，将所述状态参量按照缺失程度划分为常规数据集和稀缺数据集；对常规数据集进行拆分和样本合成，形成多个完备均衡数据集，以作为组件学习器的训练数据；

训练单元520，用于使用分类算法构建多个组件学习器，使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器；

输出单元530，用于获得待识别的电力变压器的状态参量，将状态参量中的常规数据集输入集成学习器，所述集成学习器输出电力变压器的第一状态评价结果。

通过本申请提供的方法，通过对电力变压器的状态参量进行划分，将划分的常规数据集进行拆分和样本合成后，作为组件学习器的训练数据，使用分类算法构建多个组件学习器，使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器，对稀缺数据集构建规则判断器，解决了数据缺失、数据分类不均衡的问题；使用代价矩阵和阈值移动方法，形成集成学习器代价敏感的算法内核，满足了电力变压器状态评价的代价敏感需求；通过集成学习器和规则判断器，能够准确评价全网变压器的状态。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (8)

1.一种用于电力变压器的状态确定方法，其特征在于，包括：

获取电力变压器的状态参量，将所述状态参量按照缺失程度划分为常规数据集和稀缺数据集；对常规数据集进行拆分和样本合成，形成多个完备均衡数据集，以作为组件学习器的训练数据，包括：

统计所述常规数据集中非空的样本数量；

设非空样本的数量最小值为m，最大值为M，步长s＝[M-m/10]，选择样本数量大于等于n(n∈{m,m+s,m+2s,……,M})的特征，形成不同的特征组合，并按照所述特征组合拆分出多个完备数据集；

对每一个完备数据集，使用Borderline-SMOTE算法进行样本合成，形成多个完备均衡数据集；

使用分类算法构建多个组件学习器，使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器；

获得待识别的电力变压器的状态参量，将状态参量中的常规数据集输入集成学习器，所述集成学习器输出电力变压器的第一状态评价结果；将获得待识别的电力变压器的状态参量中的稀缺数据集，通过预先创建的规则判断器进行判断，输出电力变压器的第二状态评价结果；将所述第一评价结果与第二评价结果进行比较，获取状态等级低的作为所述电力变压器的最终状态评价结果。

2.根据权利要求1所述的方法，其特征在于，所述规则判断器，根据相关领域知识进行创建。

3.根据权利要求1所述的方法，其特征在于，所述电力变压器状态参量，包括：

绝缘油特性参量、电气测试参量、油中气体状态参量，以及检修运行记录参量。

4.根据权利要求1所述的方法，其特征在于，将所述状态参量按照缺失程度划分为常规数据集和稀缺数据集，包括；

将缺失比例小于等于80％的状态参量，划分为常规数据集；

将缺失比例大于80％的状态参量，划分为稀缺数据集。

5.根据权利要求1所述的方法，其特征在于，在对常规数据集进行拆分和样本合成的步骤之前，还包括：

通过提取常规数据监测曲线的关键特征或对所述常规数据进行高维映射，获得所述常规数据的数据特征。

6.根据权利要求1所述的方法，其特征在于，所述使用分类算法构建多个组件学习器，包括：

使用主成分分析法(PCA)对每个完备均衡数据集进行降准，然后使用支持向量机、神经网络、逻辑回归分类算法中的单一或多种分类算法组合构建组件学习器。

7.根据权利要求6所述的方法，其特征在于，还包括：

提高将不正常电力变压器错分类为正常电力变压器的惩罚权重，形成代价矩阵，用所述代价矩阵对所述组件学习器的错误度量进行修正；

以及通过阈值移动方法对所述组件学习器的输出值的比较阈值进行修正，降低分类为不正常电力变压器的阈值。

8.一种用于电力变压器的状态确定装置，其特征在于，包括：

训练数据获取单元，用于获取电力变压器的状态参量，将所述状态参量按照缺失程度划分为常规数据集和稀缺数据集；对常规数据集进行拆分和样本合成，形成多个完备均衡数据集，以作为组件学习器的训练数据，包括：

统计所述常规数据集中非空的样本数量；

设非空样本的数量最小值为m，最大值为M，步长s＝[M-m/10]，选择样本数量大于等于n(n∈{m,m+s,m+2s,……,M})的特征，形成不同的特征组合，并按照所述特征组合拆分出多个完备数据集；

对每一个完备数据集，使用Borderline-SMOTE算法进行样本合成，形成多个完备均衡数据集；

训练单元，用于使用分类算法构建多个组件学习器，使用所述训练数据训练多个组件学习器，并将训练完成的多个组件学习器组成集成学习器；

输出单元，用于获得待识别的电力变压器的状态参量，将状态参量中的常规数据集输入集成学习器，所述集成学习器输出电力变压器的第一状态评价结果；将获得待识别的电力变压器的状态参量中的稀缺数据集，通过预先创建的规则判断器进行判断，输出电力变压器的第二状态评价结果；将所述第一评价结果与第二评价结果进行比较，获取状态等级低的作为所述电力变压器的最终状态评价结果。