CN110569278A - 一种基于大数据分析的变压器缺陷评估方法 - Google Patents

Abstract

本发明属于变电站巡检技术领域，具体涉及一种基于大数据分析的变压器缺陷评估方法，具体步骤包括S1：采集数据；S2：数据预处理；S3：对数据集进行挖掘，建立缺陷特征向量；S4：构建基于XGBoost算法的变电变压器缺陷趋势评估模型，根据所述缺陷特征对变压器运行健康度进行评价。采用本发明可以充分挖掘变电站设备巡检数据价值，通过设备健康度评分，实现缺陷自动判别，可节省90%以上人工，效率提升10倍以上，将变电站巡维工作由“经验判断”变为“数据驱动”；由“计划检修”转向“状态检查”；由“事后被动处理”转向“事前主动预防”，实现运行设备精益化管理，为变电站巡检工作提供增值服务。

Description

一种基于大数据分析的变压器缺陷评估方法

技术领域

本发明属于变电站巡检技术领域，具体涉及一种基于大数据分析的变压器缺陷评估方法。

背景技术

随着无人值守变电站的发展，变电站采用多种智能巡检方式，如：机器人巡检、无人机巡检、高清视频监控等多种巡检监控方式。但是各系统未基于周期评价结果进行趋势预判，无法诊断出变压器的质量异常情况，缺陷风险无法及时消除。变压器轮换方案往往依赖于固定周期，易造成资源浪费。历史巡检数据未充分挖掘，各系统海量数据价值未被有效利用。变压器的缺陷预测及质量分析评价依赖于人工分析，极大影响了处理效率。

发明内容

为了解决上述问题，本发明提供了一种基于大数据分析的变压器缺陷评估方法，具体技术方案如下：

一种基于大数据分析的变压器缺陷评估方法，包括以下步骤：

S1：采集数据：采集海量准实时数据服务平台、地理信息系统、气象数据、集控子站系统、视频监控系统、资产管理系统、集控管理主站的数据；

S2：数据预处理：对采集的数据进行去重处理、异常值处理、缺失值处理；

S3：对数据集进行挖掘，建立缺陷特征向量；

S4：构建基于XGBoost算法的变电变压器缺陷趋势评估模型，根据所述缺陷特征对变压器运行健康度进行评价。

优选地，所述步骤S2中对数据进行缺失值处理具体为：采用平均值代替缺失值数据并做平滑化处理。

优选地，所述步骤S3中的缺陷特征包括绕组缺陷、铁芯缺陷、主绝缘缺陷、引线缺陷、分接缺陷和套管缺陷。

优选地，所述步骤S4具体包括以下步骤：

S41：正则化学习目标函数：

对于给定的m个特征、n个样本的训练集，D＝{(x_i，y_i)}(i＝1，2，...，n，x_i∈R^m，y_i∈R，|D|＝n)，树的集成模型为K个子函数相加获得的最终输出，如下式所示：

式中，F＝{f(x)＝w_q(x)，}(q：R^m→T，w∈R^T)；

其中，代表预测值，K代表CART树的数量，q代表样本映射到相应的叶子节点的决策规则，T代表一棵树的叶子节点数量，f代表CART树，f_k代表第k棵决策树，w代表叶子的权重，F所有CART树的集合；

XGBoost算法在训练模式是：保留前一次t-1轮的预测不变，加入新的函数f_t到模型中，则：

…

最小化下列正则化目标函数：

其中，L为损失函数，用于描述模型模拟数据的程度；Ω为正则化项，用于描述模型复杂程度；γ为复杂参数，λ为固定系数，T为树的叶子节点数量；

S42：采用梯度树提升算法：

用表示第t次迭代的第i个实例，并将f_t添加到下列目标函数中：

使用二阶近似优化上述目标函数，则：

其中，为一阶偏导数，为二阶偏导数，去除常数项，获得简化的目标函数为：

其中I_j＝{i|q(xi)＝j}，为叶子节点j的实例，对于一个固定的结构q(x)，可以计算叶子节点j的最优权重由此可以计算出对应的最优值：

用贪婪算法，迭代添加枝干，：I_L、I_R分别为分割点左边和右边的样本集，且I＝I_L∪I_R，则损失函数减少量如下所示：

上式用来评价分割的候选节点；

S43：采用建立的目标函数评估变压器缺陷趋势：

根据模型输出的变压器运行健康度的预测值，判断变压器状态，分值越高表示变压器越健康，分值按照健康度分为缺陷、健康两种。

本发明的有益效果为：采用本发明可以充分挖掘变电站设备巡检数据价值，通过设备健康度评分，实现缺陷自动判别，可节省90％以上人工，效率提升10倍以上，将变电站巡维工作由“经验判断”变为“数据驱动”；由“计划检修”转向“状态检查”；由“事后被动处理”转向“事前主动预防”，实现运行设备精益化管理，为变电站巡检工作提供增值服务。

附图说明

图1为本发明中的流程图。

具体实施方式

为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：

如图1所示，一种基于大数据分析的变压器缺陷评估方法，包括以下步骤：

S1：采集数据：采集海量准实时数据服务平台、地理信息系统、气象数据、集控子站系统、视频监控系统、资产管理系统、集控管理主站的数据；采集数据时间跨度为1年。

S2：数据预处理：各系统数据存在字段描述不统一、编码规则不对应、数据字段缺失等问题，通过制定数据质量、完整性等校验规则，行标准化处理；具体对采集的数据进行去重处理、异常值处理、缺失值处理，完成数据预处理工作；对数据进行缺失值处理具体为：采用平均值代替缺失值数据并做平滑化处理。

S3：对数据集进行挖掘，建立缺陷特征向量；具体为：

S31：分析变压器巡检报告的特征分布；

S32：根据历史变压器缺陷类型，可将缺陷特征划分为绕组缺陷、铁芯缺陷、主绝缘缺陷、引线缺陷、分接缺陷和套管缺陷等6类；

S33：模型特征提取，采用最大信息相关系数作为评价标准，不同特征的选取范围相对误差呈先增大后减小，综合考虑模型的精度与运算时间，本发明选取排名前50％的强关联因素。绕组缺陷包括：绕组低温过热、绕组匝间短路、绕组断线；铁芯缺陷包括：悬浮放点、铁芯多点节点、散热不均；主绝缘缺陷包括：绝缘击穿、围屏放电、油流带电；引线缺陷包括：对地闪络、引线断股、引线过热；分接缺陷包括：拨叉放点、触头烧损、断线；套管缺陷包括：套管闪络、套管过热、均匀球悬浮放电；

S34：将特征量化成一组特征向量。

S4：构建基于XGBoost算法的变电变压器缺陷趋势评估模型，根据所述缺陷特征对变压器运行健康度进行评价。具体包括以下步骤：

S41：正则化学习目标函数：

对于给定的m个特征、n个样本的训练集，D＝{(x_i，y_i)}(i＝1，2，...，n，x_i∈R^m，y_i∈R，|D|＝n)，本实施例数据集中有748个样本，6个特征x₁、x₂、x₃、x₄、x₅、x₆，则数据集如下表所示：

表1数据集

树的集成模型为K个子函数相加获得的最终输出，如下式所示：

式中，F＝{f(x)＝w_q(x)，}(q：R^m→T，w∈R^T)；

其中，代表预测值，K代表CART树的数量，q代表样本映射到相应的叶子节点的决策规则，T代表一棵树的叶子节点数量，f代表CART树，f_k代表第k棵决策树，w代表叶子的权重，F所有CART树的集合；

XGBoost算法在训练模式是：保留前一次t-1轮的预测不变，加入新的函数ft到模型中，则：

…

对于一个给定的样本，可以使用数中的决策规则将它分类到对应的叶子节点，并且将对应叶子节点的得分加起来作为最后的预测值，为了在模型中获得相应的函数簇，最小化下列正则化目标函数：

其中，L为损失函数，用于描述模型模拟数据的程度；Ω为正则化项，用于描述模型复杂程度；γ为复杂参数，λ为固定系数，T为树的叶子节点数量。

S42：采用梯度树提升算法：

用表示第t次迭代的第i个实例，并将f_t添加到下列目标函数中：

使用二阶近似优化上述目标函数，则：

其中，为一阶偏导数，为二阶偏导数，则每个样本的一阶、二阶导数的值为：

表2每个样本的一阶、二阶导数的值

ID	1	2	3	4	5	6	7	8	9	10	11	…	748
														g<sub>i</sub>	0.5	0.5	-0.5	-0.5	-0.5	-0.5	-0.5	0.5	0.5	-0.5	-0.5	…	0.5
h<sub>i</sub>	0.25	0.25	0.25	0.25	0.25	0.25	0.25	0.25	0.25	0.25	0.25	0.25	0.25

去除常数项，获得简化的目标函数为：

其中I_j＝{i|q(xi)＝j}，为叶子节点j的实例，对于一个固定的结构q(x)，可以计算叶子节点j的最优权重由此可以计算出对应的最优值：

用贪婪算法，迭代添加枝干，：I_L、I_R分别为分割点左边和右边的样本集，且I＝I_L∪I_R，则损失函数减少量如下所示：

上式用来评价分割的候选节点；

本发明使用XGBoost包来训练模型，结合AUC评分，选定模型最优参数，XGBoost调参结果表如下所示：

表3模型的优化参数

S43：采用建立的目标函数评估变压器缺陷趋势：

根据模型输出的变压器运行健康度的预测值，判断变压器状态，分值越高表示变压器越健康，分值按照健康度分为缺陷、健康两种。

设定变压器缺陷概率为p，则健康概率为(1-p)，缺陷与健康的概率比odds＝p/(1-p),从而定义评分卡的分割值为：score＝A-Blog(odds)；

假设odds＝θ₀时，对应的score值为P₀；odds＝2θ₀时，score的变化值为ΔP，则：

由上式可解得：A＝P₀+B log(θ₀)。

综合XGBoost模型计算的结果和评分卡结合评价变压器的健康分值，根据历史巡检经验，我们将变压器健康的类别概率达70％以上。即设定θ₀＝0.7时，判定变压器为健康状态；分值为60(设定P₀＝60)，当缺陷比上升一倍时，分值下降5分，即设定ΔP＝5，将θ₀＝0.7、P₀＝60、ΔP＝5代入score＝A-Blog(odds)计算健康分值，748条样本健康分值如下表4所示：

表4样本的健康值

分值区间	数量
		[0,20)	8
[20,30)	55
		[30,40)	78
[40,23)	75
		[50,24)	89
[60,25)	51
		[70,26)	136
[80,27)	133
		[100,28)	123

本实施案例以XGBoost算法为基础，对设备缺陷预测并输出健康分值，实现对设备运行状态的综合评价。

本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于大数据分析的变压器缺陷评估方法，其特征在于：包括以下步骤：

S1：采集数据：采集海量准实时数据服务平台、地理信息系统、气象数据、集控子站系统、视频监控系统、资产管理系统、集控管理主站的数据；

S2：数据预处理：对采集的数据进行去重处理、异常值处理、缺失值处理；

S3：对数据集进行挖掘，建立缺陷特征向量；

S4：构建基于XGBoost算法的变电变压器缺陷趋势评估模型，根据所述缺陷特征对变压器运行健康度进行评价。

2.根据权利要求1所述的一种基于大数据分析的变压器缺陷评估方法，其特征在于：所述步骤S2中对数据进行缺失值处理具体为：采用平均值代替缺失值数据并做平滑化处理。

3.根据权利要求1所述的一种基于大数据分析的变压器缺陷评估方法，其特征在于：所述步骤S3中的缺陷特征包括绕组缺陷、铁芯缺陷、主绝缘缺陷、引线缺陷、分接缺陷和套管缺陷。

4.根据权利要求1所述的一种基于大数据分析的变压器缺陷评估方法，其特征在于：所述步骤S4具体包括以下步骤：

S41：正则化学习目标函数：

对于给定的m个特征、n个样本的训练集，D＝{(x_i，y_i)}(i＝1，2，...，n，x_i∈R^m，y_i∈R，|D|＝n)，树的集成模型为K个子函数相加获得的最终输出，如下式所示：

式中，F＝{f(x)＝w_q(x)，}(q：R^m→T，w∈R^T)；

其中，代表预测值，K代表CART树的数量，q代表样本映射到相应的叶子节点的决策规则，T代表一棵树的叶子节点数量，f代表CART树，f_k代表第k棵决策树，w代表叶子的权重，F所有CART树的集合；

XGBoost算法在训练模式是：保留前一次t-1轮的预测不变，加入新的函数f_t到模型中，则：

…

最小化下列正则化目标函数：

其中，L为损失函数，用于描述模型模拟数据的程度；Ω为正则化项，用于描述模型复杂程度，γ为复杂参数，λ为固定系数，T为树的叶子节点数量；

S42：采用梯度树提升算法：

用表示第t次迭代的第i个实例，并将f_t添加到下列目标函数中：

使用二阶近似优化上述目标函数，则：

其中，为一阶偏导数，为二阶偏导数，去除常数项，获得简化的目标函数为：

其中I_j＝{i|q(x_i)＝j}，为叶子节点j的实例，对于一个固定的结构q(x)，可以计算叶子节点j的最优权重由此可以计算出对应的最优值：

用贪婪算法，迭代添加枝干，：I_L、I_R分别为分割点左边和右边的样本集，且I＝I_L∪I_R，则损失函数减少量如下所示：

上式用来评价分割的候选节点；

S43：采用建立的目标函数评估变压器缺陷趋势：

根据模型输出的变压器运行健康度的预测值，判断变压器状态，分值越高表示变压器越健康，分值按照健康度分为缺陷、健康两种。