CN111937266A - 用于电力网络资产的状态分类的方法和设备 - Google Patents

用于电力网络资产的状态分类的方法和设备 Download PDF

Info

Publication number
CN111937266A
CN111937266A CN201980019172.4A CN201980019172A CN111937266A CN 111937266 A CN111937266 A CN 111937266A CN 201980019172 A CN201980019172 A CN 201980019172A CN 111937266 A CN111937266 A CN 111937266A
Authority
CN
China
Prior art keywords
power network
missing data
value
replacement
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980019172.4A
Other languages
English (en)
Inventor
L·切伊姆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Energy Co ltd
Original Assignee
ABB Grid Switzerland AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ABB Grid Switzerland AG filed Critical ABB Grid Switzerland AG
Publication of CN111937266A publication Critical patent/CN111937266A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/028—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using expert systems only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/30—State monitoring, e.g. fault, temperature monitoring, insulator monitoring, corona discharge
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

公开了用于电力网络资产的电力网络资产的状态分类的方法和设备。该方法和设备可以将自动分类过程与缺失数据替换过程相结合。

Description

用于电力网络资产的状态分类的方法和设备
技术领域
本发明涉及用于监测或分析电力网络资产的方法和设备。本发明具体地涉及对诸如电力变压器之类的电力网络资产进行状态分类的方法和设备。
背景技术
电力系统包括被配置为供应、传输和/或使用电力的电气部件或电力系统设备的网络。例如，电网包括发电机、传输系统和/或配电系统。发电机或发电站被配置为从可燃燃料(例如煤、天然气等)和/或非可燃燃料(例如风能、太阳能、核能等)产生电力。传输系统被配置为将电力从发电机运载或传输到负载。配电系统被配置为将供应的电力馈送到附近的房屋、商业机构和/或其他场所。在其他电气部件中，这样的电力系统可以包括一个或多个被配置为将一个电压(例如，用于传输电力的电压)下的电力转换成另一电压(例如，接收电力的负载所需的电压)下的电力的电力变压器。
监测和分析电力网络资产(例如电力变压器)是一项重要任务，这是因为其可以降低电力系统发生故障的风险，并确保在故障发生之前及时采取措施以确保电力网络资产可靠运行。
识别指示电力网络资产需要注意的状态是一项巨大的挑战。举例来说，电力变压器是复杂的高成本资产，易遭受老化和可能影响其可靠性和运行的其它现象的影响。已经开发出各种工具来协助工程师识别需要采取某些措施的电力网络资产的状态。
WO 2014/078830 A2公开了一种方法，该方法包括基于经由机器学习算法开发的变压器的简档(profile)，针对期望负载预测电力系统的变压器的油温。
CN 102 735 760 A公开了一种基于极端学习机的预测变压器油色谱数据的方法。
CN 102 944 796 A公开了一种基于极端学习机的电力变压器的故障诊断方法。
在能够考虑大量参数的值时，期望提高自动处理电力网络参数以进行监测、诊断或分析的工具的精度。各种限制通常与处理大量输入的工具相关。举例来说，当工具能够自动处理与电力网络资产相关的大量参数值时，在所有这些参数值都能够用于给定电力网络资产时，性能可能良好。然而，该工具可能无法分析并非所有所需参数值都可用的不同电力网络资产的状态，或者可能仅能部分分析该状态。当并非所有所需参数值都可用时，工具的预期可靠性的信息的缺少也可能构成障碍。
电力资产的参数值缺失可能因多种原因，并且可能是由于例如缺少某些传感器或缺少有关参数(例如电力变压器的使用寿命)的信息而引起的。
对能够自动处理大量参数值的工具进行充分的训练可能具有挑战，原因在于可以用于训练过程的历史数据可能包括仅少量电力网络资产的所有参数值。使用较少数量的参数值的分析工具可能更易于训练，但可能无法提供足够的可靠性。
发明内容
本发明的一个目的是提供改进的方法、设备、系统和计算机可读指令，以执行电力网络资产的状态分类。特别地，一个目的是提供改进的方法和设备，即使并非自动分类过程所需的所有输入参数值都可用，其也能够可靠地进行状态分类。
根据实施例，提供了能够针对电力网络资产执行状态分类的方法和设备。该方法和设备将需要参数值的集合作为输入的自动分类过程与缺失数据替换过程相结合。缺失数据替换过程为对于给定的电力网络资产不可用的每个所需参数值提供替代值。当训练自动分类过程(例如，为历史数据中缺少参数值的那些部分提供替代值)以及使用自动分类过程用于电力网络资产的在线或离线状态分类时，可以调用缺失数据替换过程(例如，当某些所需参数值对于要对其执行状态分类的电力网络资产不可用时，通过调用缺失数据替换过程来提供替代值)。
根据本发明的一方面，一种监测或分析电力网络的电力网络资产的方法包括：由电子设备执行针对电力网络资产的状态分类的自动分类过程，其中，该自动分类过程使用参数值的集合作为来输入执行状态分类，并且其中仅参数值的集合的子集能够用于电力网络资产，且该集合中的至少一个参数值对于电力网络资产不可用。该方法还包括：由电子设备执行缺失数据替换过程以确定至少一个替代参数值；以及将参数值的子集和至少一个替代参数值的组合用作自动分类过程的输入，以获得电力网络资产的状态分类。
根据本发明的另一个方面，一种电子设备包括：接口，用于接收与电力网络资产相关的数据；以及处理设备，被配置为执行针对电力网络资产的状态分类的自动分类过程，其中，该自动分类过程能够操作以使用参数值的集合作为输入，并且其中仅该参数值的集合的子集能够用于电力网络资产，且该集合中的至少一个参数值对于电力网络资产不可用。处理设备还被配置为执行缺失数据替换过程以确定至少一个替代参数值，以及将参数值的子集和至少一个替代参数值的组合用作自动分类过程的输入以获得电力网络资产的状态分类。
根据本发明的另一个方面，提供了一种电力网络，该电力网络包括电力网络资产和电子设备。该电子设备包括：接口，用于接收与电力网络资产相关的数据；以及处理设备，被配置为执行针对电力网络资产的状态分类的自动分类过程，其中该自动分类过程能够操作以使用参数值的集合作为输入，并且其中仅参数值的集合的子集能够用于电力网络资产，且该集合中的至少一个参数值对于电力网络资产不可用。处理设备还被配置为执行缺失数据替换过程以确定至少一个替代参数值，以及将参数值的子集和至少一个替代参数值的组合用作自动分类过程的输入以获得电力网络资产的状态分类。电力网络资产可以是变压器，特别是电力变压器，或者是发电机，但不限于此。
根据本发明的另一个方面，提供了机器可读指令的集合，其使得电子设备的处理器执行以下步骤：对电力网络资产的状态分类执行自动分类过程，其中，自动分类过程使用参数值的集合作为输入来执行状态分类，其中，仅参数值的集合的子集能够用于电力网络资产，且该集合中的至少一个参数值对于电力网络资产不可用；执行缺失数据替换过程以确定至少一个替代参数值；以及将参数值的子集和至少一个替代参数值的组合用作自动分类过程的输入，以获得电力网络资产的状态分类。
根据本发明的另一个方面，提供了一种为电力网络资产的状态分类提供自动分类过程的方法。该方法包括：训练机器学习算法，该机器学习算法使用参数值的集合作为输入来执行状态分类，其中使用与多个电力网络资产相关的训练数据来执行训练；以及在训练机器学习算法时，执行缺失数据替换过程，在训练数据中缺失该集合中的至少一个参数值的情况下，该缺失数据替换过程生成替代参数值。
根据本发明的另一个方面，提供了机器可读指令的集合，其使得电子设备的处理器执行以下步骤，以为电力网络资产的状态分类提供自动分类过程：训练机器学习算法，该机器学习算法使用参数值的集合作为输入来执行状态分类，其中使用与多个电力网络资产相关的训练数据来执行训练；以及在训练机器学习算法时，执行缺失数据替换过程，在训练数据中缺失该集合中的至少一个参数值的情况下，该缺失数据替换过程生成替代参数值。
当自动状态分类的输入的数量太大，以使得自动状态分类所需的一个或多个参数值可能对于电力网络资产不可用时，根据本发明的实施例的方法、设备和机器可读指令代码减轻了自动状态分类通常遇到的缺失数据问题。
本发明的实施例可以用于确定变压器，特别是电力变压器或另一种电力网络资产是否正常运行或者该变压器是否需要关注，但不限于此。
即使在被自动状态分类用作输入的部分参数值对于给定的电力网络资产不可用时，本发明的实施例也可以用于以良好的可靠性执行自动状态分类。本发明的实施例在以下情况下特别有用：例如但不限于此，针对电力网络资产，不在线监测自动状态分类作为输入所需的参数值中的一个或多个参数值。
附图说明
将参考在附图中示出的优选示例性实施例更详细地解释本发明的主题，其中：
图1是根据实施例的包括用于状态分类的电子设备的电力网络的示意图。
图2是根据实施例的方法的流程图。
图3是根据实施例的适用自动分类过程的方法的流程图。
图4是根据实施例的执行电力网络资产的状态分类的方法的流程图。
图5是示出根据实施例的自动状态分类和缺失数据替换的组合的示意图。
图6示出了说明缺失参数值的问题的示例性数据。
图7示出了大量历史数据中缺失的参数值。
图8示出了当缺失数据替换过程涉及用高斯统计分布的平均值替换缺失参数值时，缺失数据替换过程对参数值的统计分布的影响的图。
图9示出了当缺失数据替换过程涉及用偏态高斯统计分布的平均值替换缺失参数值时，缺失数据替换过程对参数值的统计分布的影响的图。
图10示出了图，该图示出了作为统计多重插补的示例，当缺失数据替换过程涉及用根据统计分布确定的随机值替换缺失参数值时，缺失数据替换过程不影响参数值的统计分布。
图11A和图11B示出了根据实施例的方法中的用于缺失数据替换过程的参数值的互相关矩阵。
图12A和图12B示出了包括示例性数值相关值的图11A和图11B的互相关矩阵的一部分。
图13示出了用于电力变压器的贝叶斯网络。
图14示出了用于电力变压器的贝叶斯网络的一小部分。
图15是根据实施例的方法的流程图。
图16是示出图15的方法的实施方式的示意图。
图17示出了表示在训练多个机器学习算法之后针对多个机器学习算法的训练评估的图。
图18示出了将根据实施例的缺失数据替换的自动分类过程的性能与人类专家分类相比较的混淆表。
图19是示出根据实施例的自动分类和缺失数据替换的组合的示意图。
图20示出了表示在根据实施例的方法中替换不同参数值的效果的图。
图21是根据实施例的包括用于状态分类的电子设备的电力网络的示意图。
图22是根据实施例的方法的流程图。
具体实施方式
将参考附图描述本发明的示例性实施例，在附图中，相同或相似的附图标记表示相同或相似的元件。尽管将在电力变压器的背景下描述一些实施例，但是下面详细描述的方法和设备可以用于执行多种不同电力网络资产的状态分类。除非另外特别指出，实施例的特征可以彼此组合。
综述
图1示出了电力网络10，其中根据实施例的方法和设备可以用于电力网络资产的状态分类。电力网络10可以包括发电机11、升压电力变压器20，传输线12、降压电力变压器25，本地配电网13和一个或多个负载14。发电机11、电力变压器20、25和本地配电网13中的变压器是电力网络资产的示例。
考虑到电力网络资产对于电力网络操作和可靠性的重要性，对电力网络资产的状态进行评估。为了帮助工程师完成该任务，状态分类设备30可以自动地对一个或多个电力网络资产进行状态分类。举例来说，但不限于此，状态分类设备30可以对电力变压器20以及可选地对一个或多个附加电力变压器25或其他电力网络资产进行状态分类。
状态分类设备30能够操作以输出可具有至少两个不同值的状态分类。该至少两个不同值可以代表：
﹣第一类，表示电力网络资产操作正常(“良好(good)”)；以及
﹣第二类，表示电力网络资产需要关注(“不良(bad)”)。
状态分类设备30能够操作以输出可具有至少三个不同值的状态分类。该至少三个不同值可以代表：
﹣第一类，表示电力网络资产操作正常；
﹣第二类，表示电力网络资产需要关注；和
﹣第三类，表示电力网络资产需要立即关注。
可以使用三个以上的类。
状态分类设备30从(一个或多个)传感器21、22、26、27接收数据，这些传感器捕获与要对其进行状态分类的(一个或多个)电力变压器20、25或其他电力网络资产相关的操作数据。状态分类设备30可以具有接口33，用于从捕获与(一个或多个)电力变压器20、25或其他电力网络资产相关的操作数据的传感器接收数据。状态分类设备30可以被配置为处理各种不同的参数值以执行状态分类，如将在下文更详细地说明。
可以将与要对其进行状态分类的(一个或多个)电力变压器20、25或其他电力网络资产相关的附加参数值存储在数据存储设备34中。这些附加参数值可以包括有关使用寿命、重要性级别、结构类型、铭牌数据的信息，或与电力网络资产相关的，在电力网络资产的持续操作期间不太可能改变的其他信息。工程师可以经由用户界面(UI)35输入该信息，例如，在安装了电力网络资产时，用于存储在数据存储设备34中，例如。
状态分类设备30可以包括自动分类模块31。自动分类模块31可以被配置为响应于参数值的集合来执行自动状态分类。该集合中自动分类模块31作为输入所需的不同参数的值的总数可以由N表示。
参数值的集合的子集可以用于要对其执行状态分类的电力网络资产20、25。该子集中能够用于要对其执行状态分类的电力网络资产的不同参数的值的总数可以由L表示。
能够用于电力网络资产的参数值的子集可以包括由安装在要对其执行状态分类的电力网络资产上的传感器21、22、26、27所提供的参数值。可以在接口33处接收要对其执行状态分类的电力网络资产的L1个参数值，而可以从数据存储设备34检索L2个参数值，其中L1+L2＝L。
根据实施例的状态分类设备30被配置为使得即使当能够用于电力网络资产的不同参数的值的数量L小于自动分类模块31作为输入所需的不同参数的值的总数N时，其也能够执行自动状态分类。为了适配缺失参数值，状态分类设备30包括缺失数据替换模块32。缺失数据替换模块32可以为自动分类模块31执行状态分类所需的、但对于要对其执行状态分类的电力网络资产不可用的参数的那些M＝N﹣L个值提供替代值。
缺失数据替换模块32可以使用多种不同的缺失数据替换技术中的任何一种，如将在下文更详细地说明。
缺失数据替换模块32可以根据能够用于电力网络资产的L个参数值来确定自动分类模块31需要作为输入的替代参数值中的至少一个替代参数值。
自动分类模块31和缺失数据替换模块32可以通过硬件、固件、软件、其他机器可读指令代码或其组合来实现。状态分类设备30可以包括至少一个集成半导体电路，以实现自动分类模块31和缺失数据替换模块32的功能。至少一个集成半导体电路可以包括微处理器、处理器、微控制器、控制器、专用集成电路中的一个或多个，或其任意组合。
虽然将主要参考诸如电力变压器20之类的一种电力网络资产的状态分类来描述状态分类设备30的操作，但是应当理解，在现实的操作场景中，状态分类设备30通常能够对在同一个电力网络10中操作或甚至安装在不同的电力网络中的多个电力网络资产执行状态分类。举例来说，状态分类设备30可以同时或顺序对多个电力变压器20、25执行状态分类。
当状态分类设备30对多个电力网络资产执行状态分类时，即使电力网络资产都是相同类型(例如电力变压器)，对于不同的电力网络资产也可能会缺失不同的参数值。在这种情况下，缺失数据替换模块32可以为不同电力网络资产的不同缺失参数值提供替代值。举例来说，可以由缺失数据替换模块32为电力变压器20的状态分类提供电力变压器20的第一参数的替代值。可以由缺失数据替换模块32为电力变压器25的状态分类提供电力变压器25的第二参数的替代值。取决于自动分类模块31所需的参数值中的哪一个参数值对于相应的电力网络资产不可用，缺失数据替换模块32可以使用不同的缺失数据替换过程。
在状态分类中，自动分类模块31可以以相同的方式处理其接收到的输入，而不管该输入是电力网络资产的实际(例如，测量的)参数值，还是该输入是缺失数据替换模块32生成的替代值。举例来说，与电力变压器的绝缘油中的溶解气体有关的气体浓度可以由自动分类模块31以相同的方式处理，而不管此参数的值是在电力变压器20处测量的，还是由缺失数据替换模块32生成的。
根据实施例的状态分类设备30可以将自动分类(其可通过机器学习算法实现)与缺失数据替换相结合。这允许状态分类设备30执行使用相对大量的N个参数值作为输入的自动分类过程，从而使自动分类过程可靠，同时自动补偿可能对于某些电力网络资产不可用的缺失参数值。那些不可用的参数值可以被替换为通过执行缺失数据替换过程确定的替代值。
将理解的是，可以存在各种原因，导致自动分类模块31所需的参数值中的至少一个参数值对于电力网络资产不可用。示例性场景包括以下内容：
﹣要对其执行状态监测分类的电力网络资产未装配适合捕获自动分类模块31作为输入所需的参数值的传感器。
﹣自动分类模块31作为输入所需的参数值可以是通常在实验室测试环境中或通过理论模型确定的参数值，但其在电力网络资产的在线操作期间不易通过测量获得。
﹣自动分类模块31已得到增强，以考虑新的附加参数值作为输入，对于该新的附加参数值，没有在线或离线数据可用。在这种情况下，鉴于成本方面的考虑，为电力网络资产提供能够捕获新的附加参数值的所需传感器具有挑战性或不期望的。
﹣自动分类模块31作为输入所需的参数值可以是非数字参数字符，例如列表{/,-,--,*,b等}中的任意参数字符，这些参数字符是在缺少数值来满足数据要求的情况下由人为插补产生的。
无限制地，自动分类模块31可以被配置为使得其处理数量N个不同的参数值以执行状态分类，其中N大于10、大于50、或甚至大于90。可以由缺失数据替换模块32生成自动分类模块31作为输入所需的数量N个不同的参数值的至少一部分。
虽然为对于电力网络资产不可用但自动分类模块31作为输入所需的每个参数值生成替代值允许执行状态分类，但它可能会影响所获得的状态分类的精度。状态分类设备30能够操作，以根据已经向自动分类模块31输入了多少替代值和/或根据哪些参数受到替代值的输入的影响来确定状态分类的精度的指标，例如置信度水平。
状态分类设备30可以输出状态分类的结果。可选地，状态分类设备30可以，根据哪个或哪些参数值对于电力网络资产不可用，输出关于状态分类的结果的精度的信息，例如置信度水平。
状态分类设备30可以包括用户界面35，该用户界面35用于输出状态分类的结果以及可选地关于精度的信息。替代地或附加地，状态分类设备30可以包括数据网络接口，该数据网络接口用于输出指示状态分类的结果的数据以及可选地关于精度的信息。这允许状态分类的结果被可以远离状态分类设备30的终端设备访问，如将参考图21更详细地说明。
由状态分类设备30执行的自动分类过程可以包括机器学习技术。可以使用先前为与要对其执行状态分类的电力网络资产类型具有相同资产类型的多个电力网络资产所获取的历史数据或其他训练数据来训练机器学习技术。举例来说，为了对安装在电力网络10中的一个或多个电力变压器进行状态分类，自动分类过程31可以包括一个或多个机器学习算法，所述机器学习算法已使用多个电力变压器的历史数据进行训练。不仅可以用于在操作期间确定电力网络资产的状态分类，还可以用于在训练机器学习技术时，进行缺失数据替换过程。
下面将参照图2至图22描述其中可以使用自动分类过程与缺失数据替换的组合的示例性方法和场景。将理解的是，除了本文详细描述的技术之外或作为本文详细描述的技术的替代，可以使用各种不同的自动分类过程和/或各种不同的缺失数据替换过程。本文详细描述的方法可以应用于各种电力网络资产，包括但不限于此，变压器(例如，但不限于电力变压器、配电变压器或高压变压器)或发电机。
图2是根据实施例的过程40的流程图。过程40包括使自动分类过程适于电力网络资产状态分类的方法50以及将自动分类过程用于电力网络资产的状态分类的方法60。应该理解的是，方法50、60通常将在不同的计算机上且在不同的时间执行。举例来说，使用训练数据使自动分类过程适于一种类型的电力网络资产(例如电力变压器)的方法50导致自动分类过程特别适于对该类型的电力网络资产进行状态分类。在训练之后，可以部署包括自动分类过程的软件、固件或其他机器可读指令代码，以供工程师使用，例如，在电力网络10的在线监测期间或用于电力网络资产的离线分析。
在方法50中已经针对电力网络资产状态分类进行训练的自动分类过程可以包括机器学习算法或多个不同的机器学习算法。(一个或多个)机器学习算法可以包括线性算法、非线性算法和集成算法。使自动分类过程适于一种类型的电力网络资产(例如电力变压器)的方法50可以包括训练多个不同的机器学习算法，以及根据性能评估选择一个或一些机器学习算法。在方法50中训练的多个不同的机器学习算法可以包括从由一般线性回归(GLM)和线性判别分析(LDA)构成的组中选择的至少一个线性算法。替代地或附加地，在过程50中训练的多个不同的机器学习算法可以包括从由分类和回归树(CART)、朴素贝叶斯算法(NB)、贝叶斯网络、K最近邻(KNN)和支持向量机(SVM)构成的组中选择的至少一个非线性算法。替代地或附加地，在方法50中训练的多个不同的机器学习算法可以包括从由随机森林、决策树引导聚集算法、极端梯度提升机和人工神经网络构成的组中选择的至少一个集成算法。
方法50还可以包括执行缺失参数替换过程。为了进行说明，训练数据可以包括与多个电力网络资产相关的历史数据。尽管期望提供一种能够利用相对大量输入的自动分类过程，但训练数据中能够用于每个电力网络资产的参数值的数量可能相当小、或甚至为零。举例来说，训练数据可以包括大量数据集。每个数据集可以与实际电力变压器或其他电力网络资产的历史数据相关。在一些或所有数据集(其可以被视为训练数据的大表中的行或列)中，可能缺失至少一个参数值。因此，也可以在训练期间使用缺失数据替换，以将训练数据中对于电力网络资产不可用的那些参数值替换为每个数据集中的替代值。
在方法60中，自动分类过程的使用可涉及执行缺失数据替换过程。方法50和60中的缺失数据替换服务有些不同但相关的目的。方法50中的缺失数据替换至少部分地补偿了这样的事实：并非在训练期间能够输入到各种机器学习算法的所有参数值对训练数据的所有数据集都可用。方法60中的缺失数据替换至少部分地补偿了这样的事实：并非训练的自动分类过程作为输入所需的所有参数值对要对其执行状态分类的电力网络资产都可用。
图3是使自动分类过程适于电力网络资产的状态分类的方法50的流程图，其中使用与电力网络资产相关的训练数据进行该适于。在步骤51，检索训练数据。可以从数据存储库中检索训练数据。训练数据可以包括与多个电力网络资产相关的历史数据，这些多个电力网络资产具有与要对其执行状态分类的电力网络资产相同的资产类型(例如电力变压器)。训练数据可以包括超过100个，优选地超过500个，优选地至少约800个历史数据集，每个历史数据集分别与电力网络资产相关。
在步骤52，针对训练数据中的至少一个数据集，确定训练数据中是否缺失应在训练期间输入到机器学习算法中的参数值。如果缺失参数值，则在步骤53执行缺失数据替换过程，以生成该缺失参数值的替代值。如果训练数据中与电力网络资产相关的数据集中未缺失参数值(如果输入到机器学习算法中的参数值的数量较大，这是不大可能的情况)，该方法可以直接从步骤52进行至步骤54。
在步骤54，可以执行监督学习。监督学习可以基于训练数据，并在需要时，由在步骤53执行的缺失数据替换过程生成的替代值加以补充。监督学习可以将训练数据与人类专家给出的电力网络状态的评估结合使用。
如本领域技术人员将理解的，“机器学习”涉及使用未明确编程的算法从数据中提取知识的半自动化过程。过程是半自动化的，因为机器学习需要人与数据的交互(例如，用于数据清理等)。机器学习通常是指能够用于从数据中提取知识的大量工具。可以将技术人员已知的各种算法用于电力网络资产的状态分类。此类算法的示例包括，但不限于：线性算法，例如一般线性回归(GLM)和线性判别分析(LDA)；非线性算法，例如分类和回归树(CART)、朴素贝叶斯算法(NB)、贝叶斯网络，K最近邻(KNN)和支持向量机(SVM)；以及集成算法，例如随机森林、决策树引导聚集算法、极限梯度提升机和人工神经网络。
在步骤54执行的监督学习中，机器学习映射特征空间和状态分类之间的复杂关系，这是机器学习算法的输出变量。将机器学习算法提供的输出与人类专家分类进行比较，以提高和增强通过机器学习算法获得的分类的精度。在无监督学习中，机器学习搜索数据中的隐藏结构。
尽管在图3中仅示出了训练方法50的一般步骤，但应当理解的是，训练方法50可能相当复杂。举例来说，使自动分类过程适于与某种类型的电力网络资产使用可以包括：使用监督学习分别训练不仅一个机器学习算法，而且训练多个机器学习算法。附加地或替代地，在步骤53可以使用一个以上的缺失数据替换过程，如将在下面更详细地说明。
图4是使用自动分类过程执行电力网络资产的状态分类的方法60的流程图。自动分类过程可以是机器学习算法。自动分类过程可能需要包括N个参数值的集合作为输入。
在步骤61，接收针对电力网络资产的参数值。如已参考图1所解释的，可以从与电力网络资产相关的传感器和/或从数据存储库接收参数值。参数值可以包括在线监测的L1个参数值和从数据存储库中检索的L2个参数值。从数据存储库中检索的参数值尤其可以包括通常不随时间变化或随时间变化缓慢的参数值，例如电力网络资产的使用寿命、电力网络资产的电压等级或电力网络资产的重要性级别。从数据存储库中检索的参数值可以包括与类型相关的参数，例如电力网络资产或其子系统的铭牌信息。举例来说，可以从数据存储库中检索有关电力变压器的冷却系统类型、套管类型或油绝缘系统类型的信息，这些信息可以由工程师存储。
在步骤62，确定自动分类过程需要作为输入的N个参数值的一个参数值是否对于电力网络资产不可用，即是否L＝L1+L2<N。对于使用相当多的输入(例如，超过50个输入)的自动分类过程，至少一个参数值可能对于电力网络中的任何电力网络资产不可用。对于对其执行状态分类的不同电力网络资产(例如，不同的变压器)，可能缺失不同的参数值。
在步骤63，执行缺失数据替换过程以生成对于电力网络资产不可用的至少一个参数值的替代值。
在步骤64，执行自动分类过程。自动分类过程使用接收到的参数值作为输入，并由在步骤63中为那些没有数据能够用于电力网络资产的输入生成的替代值加以补充。
尽管在图4中仅示出了训练方法60的一般步骤，但应当理解的是，分类方法可能相当复杂。举例来说，在步骤63可以使用一个以上的缺失数据替换过程，如将在下面更详细地说明。取决于缺失自动分类过程作为输入所需的参数值中的哪些参数值和/或取决于不同的缺失数据替换过程如何影响状态分类的精度，可以调用不同的缺失数据替换过程。
图5是示出缺失数据替换的示意性框图表示。自动分类模块31需要参数值的集合41作为输入，以执行状态分类。集合41的子集42能够用于电力网络资产。子集42可以包括，例如，在电力网络资产的操作期间被在线监测的参数值36。子集42可以包括可以以其他方式已知的其他参数值37。由工程师经由用户界面输入的数据和/或存储在数据存储库中的数据是不需要由传感器提供的数据的示例。铭牌信息或与使用寿命、重要性分类或类似的其他参数有关的信息是不需要由传感器感测的参数值37的示例。
集合41中的至少一个参数值既不包括在集合中的参数值36中，也不包括在其他已知参数值37中。替代值43由缺失数据替换模块32确定。替代值43作为对包括在集合41中的实际(测量的或以其他方式已知的)参数值的替代被输入，因为这些实际参数值被要求作为自动分类模块31输入，但它们既不能作为感测的参数值36使用，也不能以其它方式为电力网络资产所知。
替代值43中的至少一个替代值可以取决于能够用于电力网络资产的参数值的子集42。为了说明，并且如下面将更详细说明的，可以在缺失数据替换过程中使用不同参数之间的相关或关于参数值的统计分布的信息，以确定一个或多个替代值。
示例性实施例：变压器状态分类
尽管本文公开的概念适用于各种不同的电力网络资产，但是方法、设备和计算机程序可以用于变压器的状态分类。用作自动分类过程的输入的参数值可以包括在电力网络资产的操作期间对其进行在线监测的参数值以及在电力网络资产的操作期间对其不进行在线监测的其他参数值。用作自动分类过程的输入的参数值可以包括在制造或安装电力网络资产之后已并入自动分类过程的输入中的参数值，使得没有关于该参数值的信息对于电力网络资产可用。
该技术可以用于例如电力变压器、配电变压器或高压变压器的状态分类，其可以在至少69kV或至少34.5kV的电压下操作。
自动分类过程可以将与变压器相关的各种参数值用作输入。
以下提供了参数值的非限定性示例，电力网络资产的自动分类过程可能需要这些参数值(单独或以任何组合)作为输入：
﹣使用寿命、电压等级、功率和/或重要性级别；
﹣ThruFault；
﹣与电力网络资产所包括的绝缘系统有关的信息；与绝缘系统有关的信息可以包括绝缘系统的系统类型或绝缘系统的操作参数；对于油绝缘系统，操作参数可以包括油绝缘系统的油界面张力、油介电强度、油功率因数、油绝缘系统的绝缘油中的水分、油绝缘系统的绝缘油中的至少一种溶解气体的浓度中的一个或多个；至少一种气体可以选自由H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2和N2构成的组；
﹣与电力网络资产所包括的绕组有关的信息；与绕组有关的信息可以包括绕组功率因数、绕组电容、绕组温度中的一个或多个；
﹣与电力网络资产所包括的套管有关的信息；与套管有关的信息可以包括套管的套管功率因数、套管电容、套管类型中的一个或多个；
﹣与电力网络资产所包括的冷却系统有关的信息；与冷却系统有关的信息可以包括冷却系统的状态和/或冷却系统的冷却系统类型；
﹣与电力网络资产所包括的负载抽头变换器有关的信息；与负载抽头变换器有关的信息可以包括负载抽头变换器的状态和/或负载抽头变换器的负载抽头变换器类型；
﹣电力网络资产的负载；负载可以是动态负载。
应当理解的是，替代或附加参数的值可以用作其他电力网络资产(例如发电机)的自动分类过程的输入。
缺失参数值和缺失数据替换
缺失参数值
在对自动状态分类进行训练以供随后在电力网络资产状态分类中使用时，以及在使用训练的自动分类过程时，都可能出现自动分类过程需要作为输入的参数值不可用的问题。在任一种情况下，当电力网络资产的部分所需输入缺失时，可以执行缺失数据替换过程以提供替代值。本文公开的缺失数据替换过程可以与本文公开的方法、设备、系统和机器可读指令代码中的任何一种结合使用。
图6示出了分别是电力变压器的电力网络资产的示例性数据。当使用训练的自动分类过程执行状态分类时，以及在自动状态分类程序的训练期间，可能遇到如图6所示的表。
该表包括示例性的列，提供这些示例性的列是为了说明，而非穷举。举例来说，数据列71可以包括针对每个电力网络资产的标识符。数据列72可以包括表示相应电力网络资产的类(class)的参数值。数据列73可以包括表示相应电力网络资产的重要性级别的参数值。数据列74可以包括表示相应电力网络资产的使用寿命的参数值。数据列75可以包括表示相应电力网络资产的电压等级的参数值。数据列76可以包括表示相应电力网络资产的ThruFault的参数值。数据列77﹣85可以包括表示针对气体H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2和N2的油绝缘系统的绝缘油中溶解气体浓度的参数值。
表的区域86、87和88中缺失参数值。举例来说，表的区域86中缺失变压器的使用寿命信息。表的区域87中缺失变压器的ThruFaults。表的区域88中缺失各种其他变压器的气体浓度。
根据实施例，如果在状态分类设备的操作期间遇到缺失数据，可以确定在表的区域86、87和88中缺失实际数据的情况下使用的替代值。替代值的确定可以由状态分类设备自动且自主地执行。
如果在自动分类过程的适应期间(例如，在训练机器学习算法期间)遇到缺失数据，可以将替代值输入到监督学习过程中。
图7示出了包括针对1000个电力变压器的数据集的训练数据90。包含数据的字段用黑线表示。不包含数据的字段用白线表示。当训练数据90用于调适自动分类过程以执行电力变压器的状态分类时，在训练数据90的数据集中不包括数据的情况下，调用至少一个缺失数据替换过程以提供替代值。
从图6和图7可以理解的是，对于不同的数据集，通常可能会缺失不同的参数值。为了说明起见，在一个数据集中有关使用寿命的信息不可用，而在其他数据集中可能缺失有关气体浓度、绝缘油中的水分的信息，或有关套管功率因数或电容的信息。取决于缺失哪个参数值，或哪个参数值用于从多个不同的缺失数据替换过程中识别最佳缺失数据替换过程，可以使用一个以上的缺失数据替换过程。
可以使用的(一个或多个)缺失数据替换过程可以包括以下内容：
﹣使用默认值；
﹣使用统计分布的平均值或中值；
﹣使用根据统计分布确定的随机值；
﹣硬值插补；
﹣使用基于参数相关确定的值。
下面将解释这种缺失数据替换过程的示例性实现。
为简便起见，以下将机器学习算法或训练的自动分类过程需要作为输入的参数值称为“缺失参数值”。应当理解的是，总是要参考相应的电力网络资产或训练数据的数据集来理解缺失参数值。即，虽然给定的参数值对于电力变压器20不可用，但是相应的参数值能够用于电力网络中的另一个电力变压器25。类似地，虽然给定的参数值可能对于训练数据中的一数据集不可用，但相应的参数值却能够用于训练数据中的另一个数据集。
将缺失参数的替代值确定为默认值
缺失参数值的替代值可以是默认值。默认值可以是固定的。默认值可能取决于缺失哪个参数值。默认值还可能取决于能够用于电力网络资产的参数值。
将缺失参数的替代值确定为统计分布的平均值或中值
可以将缺失参数值的替代值确定为该参数值的统计分布的平均值或中值。例如，可以从训练数据中包括在另一个数据集中缺失的参数值的那些数据集确定统计分布。
如图7所示，即使某些电力网络资产缺失参数值，相应参数的值通常也能够用于大量相同类型的电力网络资产(例如电力变压器)。这允许确定参数值的统计分布。替代地或附加地，可以使用物理建模来确定统计分布。不仅可以在训练机器学习算法时使用统计分布，而且也可以在状态分类设备30的后续操作期间使用统计分布。
图8和图9示出了用统计分布的平均值或中值替换缺失参数值的效果。图8示出了参数值的正态统计分布。例如，对于油的界面张力(ITF)，可以找到如图8所示的统计分布。统计分布101示出了油界面张力已知的那些电力变压器的油界面张力。统计分布101的平均值或中值可用作，对于此参数值未知的那些电力变压器，缺失的界面张力的替代值。这由图8右侧的直方图条102的增加的长度来示出。通过也考虑与原始统计分布101的平均值或中值相对应的替代值而获得的修正的统计分布103具有与原始统计分布101相同的平均值或中值，但标准偏差减小。
图9示出了参数值的偏态正态统计分布。例如，对于油中CO的溶解气体浓度，可以找到如图9所示的统计分布。统计分布104示出了CO的溶解气体浓度已知的那些电力变压器的CO的溶解气体浓度。统计分布104的平均值或中值可用作，对于此参数值未知的那些电力变压器，缺失的CO的溶解气体浓度的替代值。这示出为图9右侧的直方图条105的增加的长度。通过也考虑与原始统计分布104的平均值或中值相对应的替代值而获得的修正的统计分布106具有与原始统计分布104相同的平均值或中值，但是将统计分布扭曲为非正态分布。
将缺失参数的替代值确定为根据统计分布选择的随机数
可以根据该参数值的统计分布，将缺失参数值的替代值确定为随机值。即，替代值可以是根据该参数值的统计分布选择的随机数。例如，可以从训练数据中包括在另一个数据集中缺失的参数值的那些数据集确定统计分布。可替代地，统计分布可以通过物理模型或通过实验确定。
图10示出了参数值的偏态正态统计分布。例如，对于油中CO的溶解气体浓度，可以找到如图10所示的统计分布。统计分布107示出了参数值已知的那些电力变压器的参数值。当根据统计分布107分别确定替代一个或多个电力变压器的缺失参数值的替代值时，所得统计分布108与原始统计分布107相同，所述所得统计分布108包括已将替代值确定为根据统计分布107选择的随机值的那些电力变压器。
通过硬值插补确定缺失参数的替代值
可以通过硬值插补来确定缺失参数值的替代值。替代值可以基于有根据的推测。在训练自动分类过程期间，可以由人类专家提供该有根据的推测。在状态分类设备30的操作期间，当使用硬值插补时，可以从存储设备中检索关于该有根据的推测的信息。该存储设备可以存储针对多个不同参数值的有根据的推测值。
基于参数相关确定缺失参数的替代值
可以通过使用参数之间的相关来确定缺失参数值的替代值。为了说明，即使在训练数据的大部分或全部数据集中缺失某些参数值时，如图6和图7所示，也可以在存在的参数值之间确定参数相关。参数相关可以是多元相关或皮尔逊相关。由此可以获得指示参数值之间相关性的相关矩阵。
图11A和图11B示出了反映不同参数值之间的相关性的一个相关矩阵的两半110a，110b。示例性相关矩阵具有针对以下参数的行和列：使用寿命(age)、重要性(IMP)、电压等级(HV)、功率(MVA)、ThruFaults(TF)、油的界面张力(IFT)、油介电强度(DS)、油功率因数(PF25)、油中水分(H2O)、油中溶解气体的浓度(H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2和N2)、高压绕组功率因数(H1PF)、高压绕组电容(HlCap)、套管功率因数(BshPF)、套管电容(BshCap)以及从现有参数得出的其他比率，例如CO2/CO和O2/N2(O2N2)。
可以基于相关矩阵来识别相关参数。图12A和图12B中分别再现了具有较高相关的示例性岛。图12A示出了反映溶解气体H2、CH4、C2H2在油中的浓度之间的相关性的相关矩阵110a，110b的部分111。图12B示出了反映功率、重要性和电压等级之间的相关性的相关矩阵110a，110b的部分112。
使用已知的电力网络资产那些参数值，并将此信息与从大量电力网络资产中确定的相关110a，110b相结合，相关矩阵可以用于确定电力网络资产的一个或多个缺失参数值的(一个或多个)替代值。以此方式，多元回归或皮尔逊相关可以用于确定电力网络资产的一个或多个缺失参数值的(一个或多个)替代值。
其他缺失数据替换过程
也可以使用其他缺失数据替换过程。举例来说，考虑到已知的电力网络资产的那些参数值，可以采用使用条件概率表(CPT)的概率信念传播算法来确定缺失参数值的替代值。
选择缺失数据替换过程
一些缺失数据替换过程的性能可能胜于其他缺失数据替换过程。表现最佳的缺失数据替换过程可以取决于缺失哪些参数值和/或使用哪种机器学习技术来实现自动分类过程。
根据实施例的状态分类设备30可以被配置为执行至少一个缺失数据替换过程。可以支持一个以上的缺失数据替换过程，例如单一插补(有根据的推测、分布的平均值甚至中值)、特征相关(即，使缺失数据成为所有其他参数的函数)、多重插补(即，找到最能遵循数据的概率分布函数)和使用概率信念传播算法(例如在贝叶斯网络中)。可以在状态分类设备30中实现一个或多个合适的缺失数据替换过程。取决于能够用于电力网络资产的参数值和/或取决于要为其确定替代值的缺失参数，可以调用缺失数据替换过程中的一个缺失数据替换过程来确定替代值。
为了说明，如果电力网络资产的要确定替代值的参数值与对于电力网络资产已知的其他(一个或多个)参数值之间有充分但不太强的相关性或反相关性，则可以使用利用参数相关的缺失数据替换过程。如果相关性的大小接近1(即，完全相关或反相关参数)，则使用参数相关的缺失数据替换过程，在其用于确定缺失参数值的替代值时，不会添加信息。
为了进一步说明，如果良好的有根据的推测可以用于给定的参数值，则可以使用该有根据的推测。
在使自动分类过程适于训练集的方法(图2和图3中的方法50)期间，可以按照顺序使用多个不同的缺失数据替换过程。在分别针对不同的缺失数据替换过程训练机器学习算法，并选择表现出良好性能的缺失数据替换过程之后，可以使用自动分类过程的性能评估来识别合适的缺失数据替换过程。
机器学习算法能够用于评估不同类型的缺失数据替换策略对最佳训练的机器学习算法的精度的影响。
自动分类过程和机器学习算法
由状态分类设备30执行的自动分类过程可以是或可以包括机器学习算法，该机器学习算法先前已经用与多个电力网络资产相关的训练数据进行了训练。如上所述，可以使用不同的机器学习算法。
通常，训练用于电力网络资产的自动分类过程可以包括：
(a)选择候选技术(例如线性回归、逻辑回归、ANN、分类树等)。
(b)选择具有待分类的电力网络资产属性的训练数据集(例如，变压器铭牌数据，H2，CH4等)。
(c)用“标记数据”–例如分类“良好”或“不良”，或包括三个或更多类的分类，训练机器学习算法。
(d)机器学习算法“学习”属性(或特征)与结果之间的关系。训练后，机器学习算法可以对没有结果(即没有人类强加的类)的新数据做出预测。
为了说明而非限制，图13示出了贝叶斯网络，该贝叶斯网络是分类和回归树(CART)的示例。贝叶斯网络的每个节点代表变压器的主要部件、或操作数据，加上必要的测试结果如溶解气体分析(DGA)、电气测试等，在没有证据和基于先验概率(先验知识)，显示对特定节点或功能的有置信度的监测。这被称为贝叶斯网络的“实例化”。通过在贝叶斯网络的节点处设置参数值，可以通过贝叶斯网络的概率传播来确定对电力变压器健康的影响。
在图13的示例CART中，包括以下节点(节点编号是指图13中所示的编号)：
节点1：主箱(Main tank)
节点2：腐蚀(Corrosion)
节点3：泄漏(Leaks)
节点4：主柜(Main cabinet)
节点5：油质量(Oil quality)
节点6：油老化(Oil aging)
节点7：酸度(Acidity)
节点8：功率因数(Power factor)
节点9：界面张力(Interfacial tension)
节点10：电介质极化率(Dielectric susceptibility)
节点11：水分(Moisture)
节点12：污染物(Contaminants)
节点13：气体水平(Gas level)
节点14：气体趋势(Gas trend)
节点15：溶解气体分析(DGA)
节点16：电气测试(Electrical tests)
节点17：Thru Fault
节点18：噪声水平(Noise Level)
节点19：绕组温度(Winding temperature)
节点20：有源部件(Active part)
节点21：冷却系统(Cooling system)
节点22：储油系统(Oil preservation system)
节点23：负载抽头变换器(Load tap changer)
节点24：套管(Bushings)
节点25：配件(Accessories)
节点26：操作数据(Operational data)
节点27：负载(Load)
节点28：同类型故障(Sister failures)
节点29：设计问题(Design issues)
节点30：历史(History)
节点31：概率健康(Probability health)
图14示出了贝叶斯网络的一些节点121-123，这些节点与弧(Arcing)(节点121)的概率、高温条件(节点122)的概率以及C2H2溶解在绝缘油中(节点123)的概率有关。与节点123相关联的条件概率表124指示了从节点121、122至节点123的概率传播。分别具有“真”或“假”值的节点121、122中的一个节点的概率变化会影响指示C2H2溶解在电力变压器的绝缘油中的节点123的概率。
在训练贝叶斯网络期间，可以学习贝叶斯网络的条件概率表中的条件概率值。学习过程(图2和图3中的方法50)会在算法创建内部选择标准时发生，使得当向系统提供新元素以进行分类时，它将被以正确的方式分类，其可靠性由机器学习算法和训练过程的质量确定。
选择合适的机器学习算法和缺失数据替换过程
为了通过状态分类设备30的自动分类过程提供可靠且准确的状态分类，可以针对一个或多个机器学习算法和/或一个或多个缺失数据替换过程进行训练。
某些缺失数据替换策略可能对某些参数比其他参数更有效。在使用从实际电力网络资产(例如多个电力变压器，其具有多个操作数据，如铭牌、负载、油中气体、油质量、套管功率因数和电容、负载抽头变换器操作、类型、气体等)中捕获的训练数据对机器学习分类算法进行了适当的训练之后，可以使用机器学习分类算法评估电力网络资产状态。可以针对相同数据但使用不同的缺失数据替换过程来测试(一个或多个)最佳机器学习算法(即，在分类过程中提供最佳精度的机器学习算法)，直到找到最佳机器学习算法和数据替换程序。
图15是使自动分类过程适于与多个电力网络资产(例如，多个电力变压器)相关的训练数据的方法130的流程图。
在步骤131，使用训练数据训练多个不同的机器学习算法。训练可以包括监督学习。缺失数据替换过程能够用于在训练数据的数据集中缺失参数值的情况下提供替代值。
在步骤131训练的多个不同的机器学习算法可以包括从由一般线性回归(GLM)和线性判别分析(LDA)构成的组中选择的至少一个线性算法。替代地或附加地，在步骤131训练的多个不同的机器学习算法可以包括从由分类和回归树(CART)、朴素贝叶斯算法(NB)、贝叶斯网络，K最近邻(KNN)和支持向量机(SVM)构成的组中选择的至少一个非线性算法。替代地或附加地，在步骤131训练的多个不同的机器学习算法可以包括从由随机森林、决策树引导聚集算法、极端梯度提升机和人工神经网络构成的组中选择的至少一个集成算法。
在步骤131，机器学习算法可以通过通常在训练阶段提供的大量示例(训练数据中可用的实例数)来学习输入(参数值的集合)和输出(状态分类)之间的统计映射，其中每个示例通常包含大量参数值(例如，变压器使用寿命、溶解气体分析历史、负载等)。可以通过比较每个单独机器学习算法的输出和人类专家给出的状态分类进行监督学习。可以定义误差函数，并且可以使用统计过程来最小化该误差函数，使得每个算法将基于其实施提供最佳的精度。
在步骤132，可以执行性能评估。优选地，基于训练数据中不包括的测试数据来执行性能评估。性能评估可以包括：测试由训练的机器学习算法输出的状态分类，以及将结果与人类专家提供的分类进行比较。
在步骤133，选择在步骤131使用的机器学习算法中的至少一个机器学习算法，以及可选地多个缺失数据替换过程中的至少一个缺失数据替换过程，以在状态分类设备30中使用。选择步骤133可以包括选择机器学习算法和缺失数据替换过程，其在性能评估中具有与人类专家的状态分类匹配的最大数量的状态分类。
可以采用替代或附加标准，从多个候选中选择机器学习算法和/或缺失数据替换过程。为了举例说明，可以评估所谓的混淆矩阵，将训练的机器学习算法给出的结果与人类专家给出的结果进行比较。选择步骤133可以包括选择机器学习算法和缺失数据替换过程，所选择的机器学习算法和缺失数据替换过程具有最大数量的与人类专家的状态分类匹配的状态分类，且没有将需要关注的任何电力网络资产不正确地分类为处于正常操作状态和/或具有最低数量的将需要关注的电力网络资产分类为处于正常操作状态的不正确分类。
图16是示出用于电力网络资产的状态分类的自动分类过程的调适的示意图。多个机器学习算法143分别接收与电力网络资产20相关的参数值141。参数值141可以包括重要性级别(importance rating)、套管的电容(capacitance)和功率因数(power factor)、ThruFault、绕组的电容和功率因数、从铭牌获取的信息、有关油质量的信息以及有关溶解气体分析(DGA)结果的信息。训练机器学习算法143。可以使用专家意见142执行监督学习。专家意见142可以为多个电力网络资产145(可以是多个变压器)提供分类。以这样的方式训练机器学习算法143，使得机器学习算法143提供的状态分类144通常与人类专家提供的状态分类匹配。通过从多个机器学习算法中选择至少一个表现最佳的机器学习算法和/或从多个数据替换过程中选择至少一个表现最佳的数据替换过程，可以获得用于状态分类的自动分类过程，即使当对先前未对其进行训练的新数据进行操作时，所获得的自动分类过程也表现很好。
图17是示出使用包括800个数据集的训练数据训练的多个机器学习算法的性能评估的图。图17所示的训练精度是通过将整个训练集的分类与人类专家提供的分类进行比较获得的。图17中所示的训练精度是通过十倍交叉验证(CV)和三次重复获得的。ML算法是朴素贝叶斯(Naive Bayes)、线性判别分析(LDA)、分类和回归树(CART)、一般线性模型(GLM)、支持向量机(SVM)、K最近邻(KNN)、人工神经网络(ANN)、决策树引导聚集算法(TreeBagging)，极限梯度提升机(xGBM1和xGBM2)、随机森林(RF)和C5.0。图17中框的上下边界以及位于每个框内的水平实线分别代表Q3和Q1值以及中值。实线表示上限和下限。实心圆表示平均值。虚线表示标准偏差+/﹣1的范围。空心圆表示上、下异常值(如果存在)。
对于图17中使用的示例性训练数据，前五个表现最佳的模型都是分类和回归树(CART)的变体和集合。它们的主要区别在于构建多个树的过程，这些树在从训练数据集学习后将最佳地分离数据。
图18是示出图17的表现最佳的机器学习算法、极限梯度提升机(xGBM1)的混淆矩阵的表。混淆矩阵是通过将对训练期间没有使用的数据(在训练期间没有使用200个新实例)进行分类时缺失数据替换的自动分类过程的结果与人类专家对这些新实例的意见进行比较获得的。本示例中使用了以下类：
﹣第一类(i)，该第一类表示电力网络资产操作正常；
﹣第二类(ii)，该第二类表示电力网络资产需要关注；以及
﹣第三类(iii)，该第三类表示电力网络资产需要立即关注。
即使不使用任何工程模型，机器学习算法在分析复杂的电力变压器数据时也显示出令人印象深刻的精度。换句话说，不需要向算法提供参考水平或标记，以指示给定参数在可接受范围内或在“正常”水平之外。仅向十二个机器学习模型提供了由变压器人类专家先前建立的上述类(i)、(ii)和(iii)之间的最终分类。
在分析训练期间未见的200个新测试实例时，表现最佳的算法(xGBM1)呈现接近97％的精度。它漏掉了一个被“错误地”但保守地分类为类(iii)的类(i)实例、三个被错误地分类为类(i)的类(ii)实例以及三个被错误地分类为类(iii)的类(ii)实例。没有类(iii)实例被错误地分类。从实际方面看，遗漏的显著数量是200个总数中三个被分类为类(i)实例的类(ii)实例(即，尽管人类专家认为这些电力变压器需要关注，但仍分类为正常电力变压器)，导致3/200＝1.5％的实际遗漏，因为其他遗漏是保守的，且不会导致任何不利的情况，如可能的故障。
使用自动分类过程和缺失数据替换过程，通过状态分类设备进行自动在线或离线 状态分类
自动分类过程的调适结果(可能涉及使用一个多个不同的数据替换过程训练多个机器学习算法)能够用于对电力变压器或其他电力网络资产进行状态分类。举例来说，由自动分类模块31执行的自动分类过程可以取决于多个训练的机器学习技术中哪一个机器学习技术表现出最佳性能。状态分类设备可以使用在用于电力网络资产状态分类的自动分类过程的调适中获得的附加信息。
图19是根据实施例的状态分类设备170的框图表示。状态分类设备170可以包括通常如上所述操作的自动分类模块31和缺失数据替换模块32。然而，状态分类设备170可以利用在训练由自动分类模块31执行的(一个或多个)机器学习算法期间确定的附加信息。举例来说，缺失数据替换模块32可以操作以执行多个不同的缺失数据替换过程171、172、173。可以执行不同的缺失数据替换过程171、172、173，以针对不同的缺失参数值生成不同的替代值SPVi、SPVj和SPVk。
可以从上文已详细说明的以下各项构成的组中分别选择不同的缺失数据替换过程171、172、173：
﹣使用默认值；
﹣使用统计分布的平均值或中值；
﹣使用根据统计分布确定的随机值；
﹣硬值插补；
﹣使用基于参数相关确定的值，
缺失数据替换过程171、172、173中的至少一个缺失数据替换过程可以是单值插补(例如，使用默认值、有根据的猜测，或使用平均值或中值)。至少一个其他缺失数据替换过程171、172、173可以是更复杂的过程，并且可以使用例如特征相关、多重插补，或使用概率信念传播。
针对给定参数，调用缺失数据替换过程171、172、173中的哪一个缺失数据替换过程可以取决于不同缺失数据替换过程171、172、173的性能和/或其他参数可用。举例来说，特征相关对于某些参数值可能表现出良好的性能，但如果若干高度相关的参数值对于电力网络资产不可用，这些高度相关的参数值与能够用于电力网络资产的那些参数值具有较小的相关性或没有相关性，则特征相关可能不是可行的选项。
附加地或可替代地，取决于哪些参数值对于给定的电力网络资产不可用，根据实施例的方法和状态分类设备能够操作以提供关于状态分类的期望精度的信息。可以通过用户界面或网络界面输出期望精度，或置信度水平。
图20示出了图180，代表了当不同的参数值不可用且必须使用缺失数据替换过程来替换时所产生的信息增益(由基尼系数(Gini index)测量)。在图180的示例性数据中，当针对介电强度(DS)或溶解气体C2H2在油中的浓度(C2H2)使用替代值时，基尼系数较大。这对应于较大的信息增益，表示缺失数据替换过程添加信息，降低了精度或置信度水平。当在针对溶解气体CH4和C2H4在油中的浓度(CH4和C2H4)使用替代值时，基尼系数较小。这对应于较小的信息增益，表示缺失数据替换过程仅添加很少的信息，反映了较高的精度或置信度水平。
非集中状态分类系统
如上文说明的，可以在状态分类设备30的用户界面35本地输出由状态分类设备30执行的状态分类的结果。本文公开的技术还可以用于涉及通过广域网或互联网37彼此通信的多个空间上分离的计算设备的系统。
图21示出了具有状态分类设备30的电力网络10的示意性框图表示。状态分类设备30可以由服务器、云计算机或另一个计算设施来实现。可以是便携式或固定计算机或其他移动通信设备(例如平板电脑或智能电话)的终端设备38、39允许工程师通过广域网或互联网37与状态分类设备30进行通信。关于状态分类的信息，其涉及自动分类过程和缺失数据替换过程的组合，可以通过广域网或互联网37传送到终端设备38、39以用于输出。
使用缺失数据替换过程适应自动分类过程中的变化
如上文说明的，为对于电力网络资产不可用的一个或多个参数值生成替代值的需要可能有各种原因，包括缺少用于自动分类过程作为输入所需的参数值的传感器。
应用缺失数据替换过程为被监测的所有或至少大部分电力网络资产的同一参数值生成替代值的一种示例性场景是，可能在安装电力网络资产很长时间后，自动分类过程得到增强，以使用新的参数值作为输入。举例来说，在建立并安装电力变压器或其他电力资产很长时间后，可能会发现与状态分类相关的新参数值。可能无法使用能够测量此新参数值的传感器对已安装的电力网络资产进行改造。在这种情况下，缺失数据替换过程可以用于生成该新参数值的替代值，该替代值随后被并入自动分类过程的输入中。
即使针对新参数对状态分类的影响的可用的经验信息较少，也可以通过实验室实验或物理建模获得此针对此新参数的适当的缺失数据替换过程。
图22是根据实施例的方法190的流程图。在步骤191，调适自动分类过程用于电力网络资产状态分类，如上文所解释的那样。在步骤192，可以结合使用自动分类过程与缺失数据替换过程以执行电力网络资产的状态分类。在步骤193，以这样的方式改变自动分类过程，使得它可以使用新参数值作为输入。可以仅在少数对其执行状态分类的电力网络资产中，或者甚至不在任何对其执行状态分类的电力网络资产中，测量新参数值。用于补偿电力网络资产中缺失参数值的缺失数据替换过程可缓解此问题。在步骤194，将需要新参数值作为输入的自动分类过程与为一些或甚至全部电力网络资产提供新参数值的替代值的缺失数据替换过程结合使用。如本文已经解释的，即使在必须为替代值使用参数值时，使用合适的缺失数据替换过程也可以实现高精度的状态分类。
实施例列表
还公开了以下实施例：
实施例1：一种用于电力网络的方法，包括：
由电子设备执行用于电力网络资产的状态分类的自动分类过程，
其中，所述自动分类过程使用参数值的集合作为输入来执行所述状态分类，
其中，仅所述参数值的集合的子集能够用于所述电力网络资产，并且所述集合中的至少一个参数值对于所述电力网络资产不可用；
由所述电子设备执行缺失数据替换过程以确定至少一个替代参数值；以及
将所述参数值的子集和所述至少一个替代参数值的组合用作所述自动分类过程的输入，以获得所述电力网络资产的所述状态分类。
实施例2：根据实施例1所述的方法，
其中，执行所述缺失数据替换过程以确定在所述电力网络资产的操作期间未对其进行在线监测的参数值的替代值。
实施例3：根据实施例1或实施例2所述的方法，
其中，在制造或安装所述电力网络资产之后，执行所述缺失数据替换过程以确定已并入所述自动分类过程的所述输入中的参数值的替代值。
实施例4：根据前述实施例中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定与所述电力网络资产的操作状态无关的参数值的替代值。
实施例5：根据前述实施例中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述电力网络资产的使用寿命的替代值。
实施例6：根据前述实施例中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述电力网络资产的电压等级、功率或重要性级别的替代值。
实施例7：根据前述实施例中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述电力网络资产的ThruFault的替代值。
实施例8：根据前述实施例中任一项所述的方法，
其中，所述电力网络资产包括绝缘系统，并且
其中，执行所述缺失数据替换过程以确定与所述绝缘系统有关的至少一个参数的替代值。
实施例9：根据实施例8所述的方法，
其中，所述绝缘系统包括油绝缘系统。
实施例10：根据实施例9所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：所述油绝缘系统的油界面张力、油介电强度、油功率因数、绝缘油中的水分和所述油绝缘系统的系统类型。
实施例11：根据实施例9或实施例10所述的方法，
其中，执行所述缺失数据替换过程以确定所述油绝缘系统的绝缘油中至少一种溶解气体的浓度的替代值。
实施例12：根据实施例11所述的方法，
其中，所述至少一种气体选自由以下项构成的组：H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2和N2。
实施例13：根据实施例8至12中任一项所述的方法，
其中，所述绝缘系统包括气体绝缘系统。
实施例14：根据前述实施例中任一项所述的方法，
其中，所述电力网络资产包括绕组，并且
其中，执行所述缺失数据替换过程以确定所述绕组的至少一个参数的替代值。
实施例15：根据实施例14所述的方法，
其中，执行所述缺失数据替换过程以确定由以下项构成的组中选择的至少一个参数的替代值：从绕组功率因数、绕组电容和绕组温度。
实施例16：根据前述实施例中任一项所述的方法，
其中，所述电力网络资产包括套管，并且
其中，执行所述缺失数据替换过程以确定所述套管的至少一个参数的替代值。
实施例17：根据实施例16所述的方法，
其中，执行所述缺失数据替换过程以确定从所述套管的套管功率因数、套管电容和套管类型构成的组中选择的至少一个参数的替代值。
实施例18：根据前述实施例中任一项所述的方法，
其中，所述电力网络资产包括冷却系统，并且
其中，执行所述缺失数据替换过程以确定所述冷却系统的至少一个参数的替代值。
实施例19：根据实施例18所述的方法，
其中，执行所述缺失数据替换过程以确定从所述冷却系统的状态和所述冷却系统的冷却系统类型构成的组中选择的至少一个参数的替代值。
实施例20：根据前述实施例中任一项所述的方法，
其中，所述电力网络资产包括负载抽头变换器，并且
其中，执行所述缺失数据替换过程以确定所述负载抽头变换器的至少一个参数的替代值。
实施例21：根据实施例20所述的方法，
其中，执行所述缺失数据替换过程以确定所述负载抽头变换器的状态或所述负载抽头变换器的负载抽头变换器类型的替代值。
实施例22：根据前述实施例中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定与所述电力网络资产耦合的负载的替代值。
实施例23：根据前述实施例中任一项所述的方法，
其中，所述电力网络资产是变压器。
实施例24：根据实施例23所述的方法，
其中，所述变压器是电力变压器。
实施例25：根据实施例23所述的方法，
其中，所述变压器是配电变压器。
实施例26：根据实施例25所述的方法，
其中，所述变压器是高压变压器。
实施例27：根据实施例1至22中任一项所述的方法，
其中，所述电力网络资产是发电机。
实施例28：根据前述实施例中的任一项所述的方法，还包括：
当执行所述缺失数据替换过程时，确定指示所述状态分类的精度的置信度信息；以及输出所述置信度信息。
实施例29：根据前述实施例中的任一项所述的方法，还包括：
由所述电子设备从多个缺失数据替换过程中选择所述缺失数据替换过程。
实施例30：根据实施例29所述的方法，
其中，根据所述参数值的集合中的对于所述电力网络资产不可用的那些参数值来选择所述缺失数据替换过程。
实施例31：根据实施例29或30所述的方法，
其中，针对所述集合中的对于所述电力网络资产不可用的至少两个不同的参数值执行至少两个不同的缺失数据替换过程。
实施例32：根据实施例29至31中任一项所述的方法，
其中，从所述多个缺失数据替换过程中选择使所述电力网络资产的所述状态分类的精度最大化的缺失数据替换过程。
实施例33：根据前述实施例中任一项所述的方法，
其中，所述参数值的集合中的第一参数值和第二参数值对于所述电力网络资产不可用，
执行第一缺失数据替换过程以自动确定所述第一参数值的第一替代参数值，以及
执行第二缺失数据替换过程以自动确定所述第二参数值的第二替代参数值，所述第二缺失数据替换过程与所述第一缺失数据替换过程不同。
实施例34：根据实施例33所述的方法，
其中，与使用所述第一缺失数据替换过程确定所述第一替代参数值和所述第二替代参数值的情况相比，通过执行所述第二缺失数据替换过程确定所述第二替代参数值提高了所述状态分类的精度。
实施例35：根据前述实施例中任一项所述的方法，
其中，所述自动分类过程包括机器学习算法。
实施例36：根据前述实施例中任一项所述的方法，其中，所述自动分类过程选自多个自动分类过程。
实施例37：根据实施例36所述的方法，
其中，所述多个自动分类过程包括从由线性算法、非线性算法和集成算法构成的组中选择的过程。
实施例38：根据实施例36或37所述的方法，
其中，所述多个自动分类过程包括从由一般线性回归(GLM)和线性判别分析(LDA)构成的组中选择的线性算法。
实施例39：根据实施例36至38中任一项所述的方法，
其中，所述多个自动分类过程包括从由分类和回归树(CART)、朴素贝叶斯算法(NB)、贝叶斯网络、K最近邻(KNN)和支持向量机(SVM)构成的组中选择的非线性算法。
实施例40：根据实施例36至39中任一项所述的方法，
其中，所述多个自动分类过程包括从由随机森林、决策树引导聚集算法、极端梯度提升机和人工神经网络构成的组中选择的集成算法。
实施例41：根据前述实施例中任一项所述的方法，
其中，所述缺失数据替换过程选自以下过程构成的组：
﹣使用默认值；
﹣使用统计分布的平均值或中值；
﹣使用根据统计分布确定的随机值；
﹣硬值插补；
﹣使用基于参数多元相关确定的值。
实施例42：根据前述实施例中任一项所述的方法，
其中，所述缺失数据替换过程包括：使用多元回归或使用皮尔逊相关来确定所述至少一个替代参数值。
实施例43：根据前述实施例中任一项所述的方法，还包括：
由所述电子设备从多个传感器接收所述电力网络资产的参数值的全部或部分所述子集。
实施例44：根据实施例43所述的方法，
其中，在所述电力网络资产的操作期间接收所述数据，并且在所述电力网络资产的操作期间在线执行所述自动分类过程。
实施例45：根据前述实施例中任一项所述的方法，
其中，所述自动分类过程能够操作以将所述电力网络资产分配给至少三个不同的类中的一个类。
实施例46：根据实施例45所述的方法，
其中，所述至少三个不同的类包括：
﹣第一类，表示所述电力网络资产操作正常；
﹣第二类，表示所述电力网络资产需要关注；
﹣第三类，表示所述电力网络资产需要立即关注。
实施例47：一种电子设备，包括：
接口，用于接收与电力网络资产相关的数据；以及
处理设备，被配置为执行针对所述电力网络资产的状态分类的自动分类过程，其中，所述自动分类过程能够操作以使用参数值的集合作为输入，
其中，仅所述参数值的集合的子集能够用于所述电力网络资产，并且所述集合中的至少一个参数值对于所述电力网络资产不可用，以及
所述处理设备还被配置为：
执行缺失数据替换过程，以确定至少一个替代参数值，以及
将所述参数值的子集和所述至少一个替代参数值的组合用作所述自动分类过程的输入，以获得所述电力网络资产的所述状态分类。
实施例48：根据实施例47所述的电子设备，
其中，所述处理设备还被配置为通过广域网或互联网输出所述电力网络资产的所述状态分类的结果。
实施例49：根据实施例47或48所述的电子设备，
其中，所述电子设备被配置为执行实施例1至46中的任一项所述的方法。
实施例50：一种电力网络，包括：
电力网络资产；以及
根据实施例46至48中任一项所述的电子设备，用于对所述电力网络资产执行状态分类。
实施例51：根据实施例50所述的电力网络，
其中，所述电力网络资产是变压器，尤其是电力变压器、配电变压器或高压变压器。
实施例52：根据实施例50所述的电力网络，
其中，所述电力网络资产是发电机。
实施例53：一种机器可读指令代码，包括指令，所述指令被电子设备的处理器执行时，使所述电子设备执行根据实施例1至46中任一项所述的方法；可选地，其中，机器可读指令代码存储在有形存储介质中。
实施例54：一种为电力网络资产的状态分类提供自动分类过程的方法，所述方法包括：
训练机器学习算法，所述机器学习算法使用参数值的集合作为输入来执行状态分类，
其中，使用与多个电力网络资产相关的训练数据来执行所述训练；以及
在训练所述机器学习算法时，执行缺失数据替换过程，所述缺失数据替换过程，在所述训练数据中缺失所述集合中的至少一个参数值的情况下，生成替代参数值。
实施例55：根据实施例54所述的方法，
其中，训练所述机器学习算法包括使用所述训练数据来训练多个机器学习算法，并且所述方法还包括：
在所述训练结束后执行性能评估；以及
基于所述性能评估，选择所述多个机器学习算法中的至少一个机器学习算法用于所述状态分类。
实施例56：根据实施例54或55所述的方法，
其中，执行所述缺失数据替换过程包括在训练所述机器学习算法时执行多个缺失数据替换过程，并且所述方法还包括：
在所述训练结束后执行性能评估；以及
基于所述性能评估，选择所述多个不同缺失数据替换过程中的至少一个缺失数据替换过程用于所述状态分类。
实施例57：根据实施例55或56所述的方法，
其中，使用与所述训练数据不同的测试数据执行所述性能评估。
实施例58：根据实施例54至57中任一项所述的方法，
其中，使用监督学习训练所述机器学习算法。
实施例59：根据实施例54至58中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述多个电力网络资产中的至少一个电力网络资产的使用寿命的替代值。
实施例60：根据实施例54至59中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述多个电力网络资产中的至少一个电力网络资产的电压等级、功率或重要性级别的替代值。
实施例61：根据实施例54至60中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述多个电力网络资产中的至少一个电力网络资产的ThruFault的替代值。
实施例62：根据实施例54至61中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括绝缘系统，并且
其中，执行所述缺失数据替换过程以确定与所述绝缘系统有关的至少一个参数的替代值。
实施例63：根据实施例62所述的方法，
其中，所述绝缘系统包括油绝缘系统。
实施例64：根据实施例63所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：所述绝缘系统的油界面张力、油介电强度、油功率因数、绝缘油的油中水分和所述油绝缘系统的系统类型。
实施例65：根据实施例63或64所述的方法，
其中，执行所述缺失数据替换过程以确定溶解在所述油绝缘系统的绝缘油中的至少一种气体的浓度的替代值。
实施例66：根据实施例65所述的方法，
其中，所述至少一种气体选自由以下项构成的组：H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2和N2。
实施例67：根据实施例62至66中任一项所述的方法，
其中，所述绝缘系统包括气体绝缘系统。
实施例68：根据实施例54至67中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括绕组，并且
其中，执行所述缺失数据替换过程以确定所述绕组的至少一个参数的替代值。
实施例69：根据实施例68所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：绕组功率因数、绕组电容和绕组温度。
实施例70：根据实施例54至69中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括套管，并且
其中，执行所述缺失数据替换过程以确定所述套管的至少一个参数的替代值。
实施例71：根据实施例70所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：所述套管的套管功率因数、套管电容和套管类型。
实施例72：根据实施例54至71中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括冷却系统，并且
其中，执行所述缺失数据替换过程以确定所述冷却系统的至少一个参数的替代值。
实施例73：根据实施例72的方法，
其中，执行所述缺失数据替换过程以确定从所述冷却系统的状态和所述冷却系统的冷却系统类型构成的组中选择的至少一个参数的替代值。
实施例74：根据实施例54至73中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括负载抽头变换器，并且
其中，执行所述缺失数据替换过程以确定所述负载抽头变换器的至少一个参数的替代值。
实施例75：根据实施例74所述的方法，
其中，执行所述缺失数据替换过程以确定所述负载抽头变换器的状态或所述负载抽头变换器的负载抽头变换器类型的替代值。
实施例76：根据实施例54至75中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定与所述多个电力网络资产中的至少一个电力网络资产耦合的负载的替代值。
实施例77：根据实施例54至76中任一项所述的方法，
其中，所述机器学习算法选自由线性算法、非线性算法和集成算法构成的组。
实施例78：根据实施例77所述的方法，
其中，所述机器学习算法是从一般线性回归(GLM)和线性判别分析(LDA)构成的组选择的线性算法。
实施例79：根据实施例77所述的方法，
其中，所述机器学习算法是从分类和回归树(CART)、朴素贝叶斯算法(NB)、贝叶斯网络、K最近邻(KNN)和支持向量机(SVM)构成的组中选择的非线性算法。
实施例80、根据实施例77所述的方法，
其中，所述机器学习算法是从随机森林、决策树引导聚集算法、极端梯度提升机和人工神经网络构成的组中选择的集成算法。
实施例81、根据实施例54至80中任一项所述的方法，
其中，所述缺失数据替换过程选自以下过程构成的组：
﹣使用默认值；
﹣使用概率分布的平均值或中值；
﹣使用根据概率分布确定的随机值；
﹣硬值插补；
﹣使用基于参数相关确定的值。
实施例82、根据实施例54至81中任一项所述的方法，
其中，所述缺失数据替换过程包括：使用多元回归或使用皮尔逊相关来确定所述至少一个替代参数值。
实施例83、根据实施例82的方法，还包括：
基于所述训练数据确定多元相关或所述皮尔逊相关。
实施例84、根据实施例54至83中任一项所述的方法，
其中，所述多个电力网络资产包括多个变压器。
实施例85、根据实施例84所述的方法，
其中，所述多个变压器包括电力变压器、配电变压器或高压变压器。
实施例86、根据实施例84或85所述的方法，
其中，所述训练数据包括所述多个变压器的历史操作参数。
实施例87、一种机器可读指令代码，包括指令，所述指令被电子计算设备执行时，使所述计算设备执行根据实施例54至86中任一项所述的方法。
示例性效果和进一步修改
根据本发明实施例的方法、设备、电力网络和计算机可读指令代码满足了对能够处理大量输入的状态分类工具的需求，同时为对其而言并非所有所需参数值都可用的电力网络资产的状态分类提供了良好的分类结果。根据实施例的方法、设备、电力网络和计算机可读指令代码还允许提供关于缺失数据替换策略如何影响所获得的状态分类结果的置信度的信息。
尽管已经参考附图解释了示例性实施例，但是可以在其他实施例中实现修改和变更。该方法、设备、电力网络和计算机可读指令代码可以用于除电力变压器之外的电力网络资产的状态分类。与本文详细讨论的机器学习模型和/或缺失数据替换过程不同的机器学习模型和/或缺失数据替换过程可以在其他实施例中使用。
如技术人员将理解的，本文所公开的实施例是为了更好地理解而提供的，并且仅仅是示例性的。在不脱离本发明的精神和范围的情况下，技术人员将想到各种修改和改变。
尽管已经在附图和前面的描述中详细描述了本发明，但是这种描述应被认为是说明性的或示例性的，而非限制性的。通过研究附图、公开内容和所附权利要求，本领域技术人员可以理解和实现所公开的实施例的变型，和实践要求保护的发明。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“a”或“an”不排除多个。仅仅在不同的权利要求中陈述某些元素或步骤并不表示不能利用这些元素或步骤的组合来获得好处，特别地，除了实际的权利要求从属关系之外，任何其他有意义的权利要求组合都应视为已公开。

Claims (87)

1.一种用于电力网络的方法，包括：
由电子设备执行用于电力网络资产的状态分类的自动分类过程，
其中，所述自动分类过程使用参数值的集合作为输入来执行所述状态分类，
其中，仅所述参数值的集合的子集能够用于所述电力网络资产，并且所述集合中的至少一个参数值对于所述电力网络资产不可用；
由所述电子设备执行缺失数据替换过程以确定至少一个替代参数值；以及
将所述参数值的子集和所述至少一个替代参数值的组合用作所述自动分类过程的输入，以获得所述电力网络资产的所述状态分类。
2.根据权利要求1所述的方法，
其中，执行所述缺失数据替换过程以确定在所述电力网络资产的操作期间未对其进行在线监测的参数值的替代值。
3.根据权利要求1或2所述的方法，
其中，在制造或安装所述电力网络资产之后，执行所述缺失数据替换过程以确定已并入所述自动分类过程的所述输入中的参数值的替代值。
4.根据前述权利要求中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定与所述电力网络资产的操作状态无关的参数值的替代值。
5.根据前述权利要求中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述电力网络资产的使用寿命的替代值。
6.根据前述权利要求中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述电力网络资产的电压等级、功率或重要性级别的替代值。
7.根据前述权利要求中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述电力网络资产的ThruFault的替代值。
8.根据前述权利要求中的任一项所述的方法，
其中，所述电力网络资产包括绝缘系统，并且
其中，执行所述缺失数据替换过程以确定与所述绝缘系统有关的至少一个参数的替代值。
9.根据权利要求8所述的方法，
其中，所述绝缘系统包括油绝缘系统。
10.根据权利要求9所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：所述油绝缘系统的油界面张力、油介电强度、油功率因数、绝缘油中的水分和所述油绝缘系统的系统类型。
11.根据权利要求9或10所述的方法，
其中，执行所述缺失数据替换过程以确定所述油绝缘系统的绝缘油中至少一种溶解气体的浓度的替代值。
12.根据权利要求11所述的方法，
其中，所述至少一种气体选自由以下项构成的组：H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2和N2。
13.根据权利要求8至12中任一项所述的方法，
其中，所述绝缘系统包括气体绝缘系统。
14.根据前述权利要求中任一项所述的方法，
其中，所述电力网络资产包括绕组，并且
其中，执行所述缺失数据替换过程以确定所述绕组的至少一个参数的替代值。
15.根据权利要求14所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：绕组功率因数、绕组电容和绕组温度。
16.根据前述权利要求中任一项所述的方法，
其中，所述电力网络资产包括套管，并且
其中，执行所述缺失数据替换过程以确定所述套管的至少一个参数的替代值。
17.根据权利要求16所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组选择的至少一个参数的替代值：所述套管的套管功率因数、套管电容和套管类型。
18.根据前述权利要求中任一项所述的方法，
其中，所述电力网络资产包括冷却系统，并且
其中，执行所述缺失数据替换过程以确定所述冷却系统的至少一个参数的替代值。
19.根据权利要求18所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：所述冷却系统的状态和所述冷却系统的冷却系统类型。
20.根据前述权利要求中任一项所述的方法，
其中，所述电力网络资产包括负载抽头变换器，并且
其中，执行所述缺失数据替换过程以确定所述负载抽头变换器的至少一个参数的替代值。
21.根据权利要求20所述的方法，
其中，执行所述缺失数据替换过程以确定所述负载抽头变换器的状态或所述负载抽头变换器的负载抽头变换器类型的替代值。
22.根据前述权利要求中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定与所述电力网络资产耦合的负载的替代值。
23.根据前述权利要求中任一项所述的方法，
其中，所述电力网络资产是变压器。
24.根据权利要求23所述的方法，
其中，所述变压器是电力变压器。
25.根据权利要求23所述的方法，
其中，所述变压器是配电变压器。
26.根据权利要求25所述的方法，
其中，所述变压器是高压变压器。
27.根据权利要求1至22中任一项所述的方法，
其中，所述电力网络资产是发电机。
28.根据前述权利要求中的任一项所述的方法，还包括：
当执行所述缺失数据替换过程时，确定指示所述状态分类的精度的置信度信息；以及
输出所述置信度信息。
29.根据前述权利要求中的任一项所述的方法，还包括：
由所述电子设备从多个缺失数据替换过程中选择所述缺失数据替换过程。
30.根据权利要求29所述的方法，
其中，根据所述参数值的集合中的对于所述电力网络资产不可用的那些参数值来选择所述缺失数据替换过程。
31.根据权利要求29或30所述的方法，
其中，针对所述集合中的对于所述电力网络资产不可用的至少两个不同的参数值执行至少两个不同的缺失数据替换过程。
32.根据权利要求29至31中任一项所述的方法，
其中，从所述多个缺失数据替换过程中选择使所述电力网络资产的所述状态分类的精度最大化的缺失数据替换过程。
33.根据前述权利要求中任一项所述的方法，
其中，所述参数值的集合中的第一参数值和第二参数值对于所述电力网络资产不可用，
执行第一缺失数据替换过程以自动确定所述第一参数值的第一替代参数值，以及
执行第二缺失数据替换过程以自动确定所述第二参数值的第二替代参数值，所述第二缺失数据替换过程与所述第一缺失数据替换过程不同。
34.根据权利要求33所述的方法，
其中，与使用所述第一缺失数据替换过程确定所述第一替代参数值和所述第二替代参数值的情况相比，通过执行所述第二缺失数据替换过程确定所述第二替代参数值提高了所述状态分类的精度。
35.根据前述权利要求中任一项所述的方法，
其中，所述自动分类过程包括机器学习算法。
36.根据前述权利要求中任一项所述的方法，其中，所述自动分类过程选自多个自动分类过程。
37.根据权利要求36所述的方法，
其中，所述多个自动分类过程包括从由线性算法、非线性算法和集成算法构成的组中选择的过程。
38.根据权利要求36或37所述的方法，
其中，所述多个自动分类过程包括从由一般线性回归(GLM)和线性判别分析(LDA)构成的组中选择的线性算法。
39.根据权利要求36至38中任一项所述的方法，
其中，所述多个自动分类过程包括从由分类和回归树(CART)、朴素贝叶斯算法(NB)、贝叶斯网络、K最近邻(KNN)和支持向量机(SVM)构成的组中选择的非线性算法。
40.根据权利要求36至39中任一项所述的方法，
其中，所述多个自动分类过程包括从由随机森林、决策树引导聚集算法、极端梯度提升机和人工神经网络构成的组中选择的集成算法。
41.根据前述权利要求中任一项所述的方法，
其中，所述缺失数据替换过程选自以下过程构成的组：
﹣使用默认值；
﹣使用统计分布的平均值或中值；
﹣使用根据统计分布确定的随机值；
﹣硬值插补；
﹣使用基于参数多元相关确定的值。
42.根据前述权利要求中任一项所述的方法，
其中，所述缺失数据替换过程包括：使用多元回归或使用皮尔逊相关来确定所述至少一个替代参数值。
43.根据前述权利要求中任一项所述的方法，还包括：
由所述电子设备从多个传感器接收所述电力网络资产的参数值的全部或部分所述子集。
44.根据权利要求43所述的方法，
其中，在所述电力网络资产的操作期间接收所述数据，并且在所述电力网络资产的操作期间在线执行所述自动分类过程。
45.根据前述权利要求中任一项所述的方法，
其中，所述自动分类过程能够操作以将所述电力网络资产分配给至少三个不同的类中的一个类。
46.根据权利要求45所述的方法，
其中，所述至少三个不同的类包括：
﹣第一类，表示所述电力网络资产操作正常；
﹣第二类，表示所述电力网络资产需要关注；
﹣第三类，表示所述电力网络资产需要立即关注。
47.一种电子设备，包括：
接口，用于接收与电力网络资产相关的数据；以及
处理设备，被配置为执行针对所述电力网络资产的状态分类的自动分类过程，其中，所述自动分类过程能够操作以使用参数值的集合作为输入，
其中，仅所述参数值的集合的子集能够用于所述电力网络资产，并且所述集合中的至少一个参数值对于所述电力网络资产不可用，以及
所述处理设备还被配置为：
执行缺失数据替换过程，以确定至少一个替代参数值，以及
将所述参数值的子集和所述至少一个替代参数值的组合用作所述自动分类过程的输入，以获得所述电力网络资产的所述状态分类。
48.根据权利要求47所述的电子设备，
其中，所述处理设备还被配置为通过广域网或互联网输出所述电力网络资产的所述状态分类的结果。
49.根据权利要求47或48所述的电子设备，
其中，所述电子设备被配置为执行权利要求1至46中的任一项所述的方法。
50.一种电力网络，包括：
电力网络资产；以及
根据权利要求46至48中任一项所述的电子设备，用于对所述电力网络资产执行状态分类。
51.根据权利要求50所述的电力网络，
其中，所述电力网络资产是变压器，尤其是电力变压器、配电变压器或高压变压器。
52.根据权利要求50所述的电力网络，
其中，所述电力网络资产是发电机。
53.一种机器可读指令代码，包括指令，所述指令被电子设备的处理器执行时，使所述电子设备执行根据权利要求1至46中任一项所述的方法。
54.一种为电力网络资产的状态分类提供自动分类过程的方法，所述方法包括：
训练机器学习算法，所述机器学习算法使用参数值的集合作为输入来执行状态分类，
其中，使用与多个电力网络资产相关的训练数据来执行所述训练；以及
在训练所述机器学习算法时，执行缺失数据替换过程，所述缺失数据替换过程，在所述训练数据中缺失所述集合中的至少一个参数值的情况下，生成替代参数值。
55.根据权利要求54所述的方法，
其中，训练所述机器学习算法包括使用所述训练数据来训练多个机器学习算法，并且所述方法还包括：
在所述训练结束后执行性能评估；以及
基于所述性能评估，选择所述多个机器学习算法中的至少一个机器学习算法用于所述状态分类。
56.根据权利要求54或55所述的方法，
其中，执行所述缺失数据替换过程包括在训练所述机器学习算法时执行多个缺失数据替换过程，并且所述方法还包括：
在所述训练结束后执行性能评估；以及
基于所述性能评估，选择所述多个不同缺失数据替换过程中的至少一个缺失数据替换过程用于所述状态分类。
57.根据权利要求55或56所述的方法，
其中，使用与所述训练数据不同的测试数据执行所述性能评估。
58.根据权利要求54至57中任一项所述的方法，
其中，使用监督学习训练所述机器学习算法。
59.根据权利要求54至58中的任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述多个电力网络资产中的至少一个电力网络资产的使用寿命的替代值。
60.根据权利要求54至59中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述多个电力网络资产中的至少一个电力网络资产的电压等级、功率或重要性级别的替代值。
61.根据权利要求54至60中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定所述多个电力网络资产中的至少一个电力网络资产的ThruFault的替代值。
62.根据权利要求54至61中任何一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括绝缘系统，并且
其中，执行所述缺失数据替换过程以确定与所述绝缘系统有关的至少一个参数的替代值。
63.根据权利要求62所述的方法，
其中，所述绝缘系统包括油绝缘系统。
64.根据权利要求63所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：所述绝缘系统的油界面张力、油介电强度、油功率因数、绝缘油的油中水分和所述油绝缘系统的系统类型。
65.根据权利要求63或64所述的方法，
其中，执行所述缺失数据替换过程以确定溶解在所述油绝缘系统的绝缘油中的至少一种气体的浓度的替代值。
66.根据权利要求65所述的方法，
其中，所述至少一种气体选自由以下项构成的组：H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2和N2。
67.根据权利要求62至66中任一项所述的方法，
其中，所述绝缘系统包括气体绝缘系统。
68.根据权利要求54至67中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括绕组，并且
其中，执行所述缺失数据替换过程以确定所述绕组的至少一个参数的替代值。
69.根据权利要求68所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：绕组功率因数、绕组电容和绕组温度。
70.根据权利要求54至69中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括套管，并且
其中，执行所述缺失数据替换过程以确定所述套管的至少一个参数的替代值。
71.根据权利要求70所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：所述套管的套管功率因数、套管电容和套管类型。
72.根据权利要求54至71中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括冷却系统，并且
其中，执行所述缺失数据替换过程以确定所述冷却系统的至少一个参数的替代值。
73.根据权利要求72所述的方法，
其中，执行所述缺失数据替换过程以确定从由以下项构成的组中选择的至少一个参数的替代值：所述冷却系统的状态和所述冷却系统的冷却系统类型。
74.根据权利要求54至73中任一项所述的方法，
其中，所述多个电力网络资产中的至少一个电力网络资产包括负载抽头变换器，并且
其中，执行所述缺失数据替换过程以确定所述负载抽头变换器的至少一个参数的替代值。
75.根据权利要求74所述的方法，
其中，执行所述缺失数据替换过程以确定所述负载抽头变换器的状态或所述负载抽头变换器的负载抽头变换器类型的替代值。
76.根据权利要求54至75中任一项所述的方法，
其中，执行所述缺失数据替换过程以确定与所述多个电力网络资产中的至少一个电力网络资产耦合的负载的替代值。
77.根据权利要求54至76中任一项所述的方法，
其中，所述机器学习算法选自由线性算法、非线性算法和集成算法构成的组。
78.根据权利要求77所述的方法，
其中，所述机器学习算法是从一般线性回归(GLM)和线性判别分析(LDA)构成的组选择的线性算法。
79.根据权利要求77所述的方法，
其中，所述机器学习算法是从分类和回归树(CART)、朴素贝叶斯算法(NB)、贝叶斯网络、K最近邻(KNN)和支持向量机(SVM)构成的组中选择的非线性算法。
80.根据权利要求77所述的方法，
其中，所述机器学习算法是从随机森林、决策树引导聚集算法、极端梯度提升机和人工神经网络构成的组中选择的集成算法。
81.根据权利要求54至80中任一项所述的方法，
其中，所述缺失数据替换过程选自以下过程构成的组：
﹣使用默认值；
﹣使用概率分布的平均值或中值；
﹣使用根据概率分布确定的随机值；
﹣硬值插补；
﹣使用基于参数相关确定的值。
82.根据权利要求54至81中任一项所述的方法，
其中，所述缺失数据替换过程包括：使用多元回归或使用皮尔逊相关来确定所述至少一个替代参数值。
83.根据权利要求82所述的方法，还包括：
基于所述训练数据确定多元相关或所述皮尔逊相关。
84.根据权利要求54至83中任一项所述的方法，
其中，所述多个电力网络资产包括多个变压器。
85.根据权利要求84所述的方法，
其中，所述多个变压器包括电力变压器、配电变压器或高压变压器。
86.根据权利要求84或85所述的方法，
其中，所述训练数据包括所述多个变压器的历史操作参数。
87.一种机器可读指令代码，包括指令，所述指令被电子计算设备执行时，使所述计算设备执行根据权利要求54至86中任一项所述的方法。
CN201980019172.4A 2018-01-22 2019-01-22 用于电力网络资产的状态分类的方法和设备 Pending CN111937266A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862620076P 2018-01-22 2018-01-22
US62/620,076 2018-01-22
EP18173698.4 2018-05-22
EP18173698.4A EP3514908B1 (en) 2018-01-22 2018-05-22 Methods and devices for condition classification of power network assets
PCT/EP2019/051421 WO2019141856A1 (en) 2018-01-22 2019-01-22 Methods and devices for condition classification of power network assets

Publications (1)

Publication Number Publication Date
CN111937266A true CN111937266A (zh) 2020-11-13

Family

ID=62235838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980019172.4A Pending CN111937266A (zh) 2018-01-22 2019-01-22 用于电力网络资产的状态分类的方法和设备

Country Status (8)

Country Link
US (1) US20210117449A1 (zh)
EP (1) EP3514908B1 (zh)
JP (2) JP7460864B2 (zh)
KR (1) KR102574016B1 (zh)
CN (1) CN111937266A (zh)
BR (1) BR112020014789A8 (zh)
CA (1) CA3088836C (zh)
WO (1) WO2019141856A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114531696A (zh) * 2020-11-23 2022-05-24 维沃移动通信有限公司 Ai网络部分输入缺失的处理方法和设备
CN116823230A (zh) * 2023-08-22 2023-09-29 安徽博诺思信息科技有限公司 一种基于调度数据网的配电网故障状态提取方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3514908B1 (en) * 2018-01-22 2022-02-09 Hitachi Energy Switzerland AG Methods and devices for condition classification of power network assets
TWI715230B (zh) * 2019-10-01 2021-01-01 財團法人資訊工業策進會 缺值補償方法、缺值補償系統及非暫態電腦可讀取媒體
KR102520723B1 (ko) * 2020-07-20 2023-04-12 주식회사 원프레딕트 유중 가스 데이터 보정을 기반으로 한 변압기 상태 결정 방법 및 이러한 방법을 사용하는 장치
US11563320B2 (en) * 2020-07-20 2023-01-24 Onepredict Co., Ltd. Apparatus and method for determining transformer state based on correction of dissolved gas data
DE102020120539A1 (de) 2020-08-04 2022-02-10 Maschinenfabrik Reinhausen Gmbh Vorrichtung zur Ermittlung eines Fehlerwahrscheinlichkeitswerts für eine Transformatorkomponente sowie ein System mit einer derartigen Vorrichtung
KR102552534B1 (ko) * 2021-02-16 2023-07-05 주식회사 케이티 변압기 냉각 제어 시스템 및 방법
CN113485986A (zh) * 2021-06-25 2021-10-08 国网江苏省电力有限公司信息通信分公司 一种电力数据修复方法
CN114049505B (zh) * 2021-10-11 2022-08-23 数采小博科技发展有限公司 一种商品的匹配与识别方法、装置、设备和介质
EP4231198A1 (en) 2022-02-21 2023-08-23 Hitachi Energy Switzerland AG Method of generating a signal processing logic, device for controlling, monitoring, and/or analyzing a physical asset, and electric power system
CN115442421A (zh) * 2022-07-22 2022-12-06 云南电网有限责任公司 设备更换方法、装置、计算机设备和存储介质

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06139224A (ja) * 1992-09-08 1994-05-20 Hitachi Ltd 情報処理装置および監視装置
JP2005309616A (ja) 2004-04-19 2005-11-04 Mitsubishi Electric Corp 設備機器故障診断システム及び故障診断ルール作成方法
BRPI0502320A (pt) * 2005-06-21 2007-02-06 Siemens Ltda sistema e método de monitoração e controle centralizado da condição de operação de transformadores de potência compreendidos em diferentes subestações e centro de monitoração
US8078554B2 (en) * 2008-09-03 2011-12-13 Siemens Medical Solutions Usa, Inc. Knowledge-based interpretable predictive model for survival analysis
US8504214B2 (en) * 2010-06-18 2013-08-06 General Electric Company Self-healing power grid and method thereof
WO2012009804A1 (en) * 2010-07-23 2012-01-26 Corporation De L'ecole Polytechnique Tool and method for fault detection of devices by condition based maintenance
JP5734668B2 (ja) * 2011-01-06 2015-06-17 株式会社東芝 保護制御計測装置
CA2832950C (en) * 2011-04-15 2019-07-02 Abb Technology Ag Dynamic assessment system for high-voltage electrical components
CN102735760A (zh) 2012-06-26 2012-10-17 河海大学 基于极端学习机的变压器油色谱数据预测方法
WO2014078830A2 (en) 2012-11-19 2014-05-22 Abb Technology Ag Profiling transformer of power system
CN102944796A (zh) 2012-11-22 2013-02-27 浙江大学 海底观测网络多节点接驳的岸基模拟测试系统
US10001518B2 (en) * 2013-02-04 2018-06-19 Abb Schweiz Ag System and method for power transmission and distribution asset condition prediction and diagnosis
EP2819271B1 (de) * 2013-06-24 2019-02-20 Enrichment Technology Company Ltd. Energiespeichermodul mit Gleichspannungszwischenkreis
JP2015023668A (ja) * 2013-07-18 2015-02-02 株式会社Ｎｔｔファシリティーズ 節電支援システム、及び節電支援装置
JP6160425B2 (ja) 2013-10-04 2017-07-12 富士ゼロックス株式会社 画像処理装置及びプログラム
US9471080B2 (en) * 2013-10-21 2016-10-18 Restore Nv Portfolio managed, demand-side response system
JP6193400B2 (ja) * 2013-11-20 2017-09-06 株式会社東芝 電力需要予測システム、電力需要予測方法、需要家プロファイリングシステム、及び需要家プロファイリング方法
JP2015104137A (ja) * 2013-11-20 2015-06-04 株式会社東芝 電力抑制最適化システム及び電力抑制最適化方法
US10289954B2 (en) * 2015-01-06 2019-05-14 Accenture Global Services Limited Power distribution transformer load prediction analysis system
JP6426010B2 (ja) * 2015-01-14 2018-11-21 株式会社Ｎｔｔドコモ 電力供給システムの制御装置、制御方法およびプログラム
RU2720448C2 (ru) * 2015-02-12 2020-04-29 Конинклейке Филипс Н.В. Достоверный классификатор
JPWO2017183232A1 (ja) * 2016-04-19 2019-02-21 日本電気株式会社 制御装置、制御システム、制御方法及びプログラム
US10089383B1 (en) * 2017-09-25 2018-10-02 Maana, Inc. Machine-assisted exemplar based similarity discovery
EP3514908B1 (en) * 2018-01-22 2022-02-09 Hitachi Energy Switzerland AG Methods and devices for condition classification of power network assets
US11080620B2 (en) * 2018-05-10 2021-08-03 International Business Machines Corporation Localizing energy consumption anomalies in buildings

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114531696A (zh) * 2020-11-23 2022-05-24 维沃移动通信有限公司 Ai网络部分输入缺失的处理方法和设备
WO2022105907A1 (zh) * 2020-11-23 2022-05-27 维沃移动通信有限公司 Ai网络部分输入缺失的处理方法和设备
CN116823230A (zh) * 2023-08-22 2023-09-29 安徽博诺思信息科技有限公司 一种基于调度数据网的配电网故障状态提取方法
CN116823230B (zh) * 2023-08-22 2023-11-21 安徽博诺思信息科技有限公司 一种基于调度数据网的配电网故障状态提取方法

Also Published As

Publication number Publication date
US20210117449A1 (en) 2021-04-22
JP2022184909A (ja) 2022-12-13
CA3088836A1 (en) 2019-07-25
EP3514908B1 (en) 2022-02-09
WO2019141856A1 (en) 2019-07-25
EP3514908A1 (en) 2019-07-24
JP7460864B2 (ja) 2024-04-03
BR112020014789A8 (pt) 2022-10-18
KR102574016B1 (ko) 2023-09-01
BR112020014789A2 (pt) 2020-12-08
CA3088836C (en) 2023-07-18
JP2021511006A (ja) 2021-04-30
KR20200101439A (ko) 2020-08-27

Similar Documents

Publication Publication Date Title
CN111937266A (zh) 用于电力网络资产的状态分类的方法和设备
Senoussaoui et al. Combining and comparing various machine‐learning algorithms to improve dissolved gas analysis interpretation
Sica et al. A cognitive system for fault prognosis in power transformers
Aizpurua et al. Improved power transformer condition monitoring under uncertainty through soft computing and probabilistic health index
CN109740859A (zh) 基于主成分分析法和支持向量机的变压器状态评估方法及系统
Sharma et al. Review of artificial intelligence techniques application to dissolved gas analysis on power transformer
Li et al. Residual useful life estimation by a data‐driven similarity‐based approach
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
Wani et al. Diagnosis of incipient dominant and boundary faults using composite DGA method
Esmaeili Nezhad et al. A review of the applications of machine learning in the condition monitoring of transformers
Chowdhury et al. Internet of Things resource monitoring through proactive fault prediction
CN114595883A (zh) 基于元学习的油浸式变压器剩余寿命个性化动态预测方法
von Hahn et al. Knowledge informed machine learning using a weibull-based loss function
Sarajcev et al. Analysis of transformer health index using bayesian statistical models
Schenkelberg et al. Supervised machine learning for knowledge-based analysis of maintenance impact on profitability
US20220221843A1 (en) Anomaly detection in high-volume manufacturing lines
Aizpurua et al. Determining appropriate data analytics for transformer health monitoring
Aizpurua et al. Prognostics & health management methods & tools for transformer condition monitoring in smart grids
CN110865939B (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
Aizpurua et al. Prognostics and health management oriented data analytics suite for transformer health monitoring
Zaldivar et al. A comprehensive methodology for the optimization of condition-based maintenance in power transformer fleets
Renström Condition monitoring system for wind turbines–based on deep autoencoders
Cheim et al. Artificial intelligence and machine learning in the era of digital transformer monitoring: Exciting developments at Hitachi Energy
EP4231198A1 (en) Method of generating a signal processing logic, device for controlling, monitoring, and/or analyzing a physical asset, and electric power system
Pourdanesh et al. Failure Safety Analysis of Artificial Intelligence Systems for Smart/Autonomous Vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Swiss Baden

Applicant after: Hitachi energy Switzerland AG

Address before: Swiss Baden

Applicant before: ABB grid Switzerland AG

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20231226

Address after: Zurich, SUI

Applicant after: Hitachi Energy Co.,Ltd.

Address before: Swiss Baden

Applicant before: Hitachi energy Switzerland AG

TA01 Transfer of patent application right