張遠(yuǎn)來 尹積金 張國印 晏斐
油浸式變壓器[1]是電力系統(tǒng)中廣泛使用的核心設(shè)備,采購成本高,技術(shù)復(fù)雜,運(yùn)維難度大,而油溫是影響油浸式變壓器[2]壽命的主要因素之一。長期較高的油溫將會引起變壓器的設(shè)備異常甚至故障,并大大減少設(shè)備的使用年限。變壓器油溫過高的主要原因包括變壓器承載的負(fù)荷過高、出現(xiàn)短路、相關(guān)絕緣部件損壞以及冷卻部件故障等問題。目前針對變壓器油溫異常的診斷方法主要包括:(1)采用溫度計(jì)對變壓器的頂層油溫進(jìn)行測量,基于變壓器熱傳導(dǎo)的過程構(gòu)建熱路模型[3],并且據(jù)此進(jìn)行異常油溫判定;(2)采用外部紅外成像技術(shù)對變壓器整體進(jìn)行測量[4],建立多維度油溫異常計(jì)算模型;(3)采用專用的油色譜分析儀儀器,測量和計(jì)算油中各類氣體成分的含量,進(jìn)而根據(jù)油色譜[5]的變化進(jìn)行油溫異常判斷分析。
上述采用溫度計(jì)、紅外成像技術(shù)、油色譜分析儀的變壓器油溫異常診斷方法具有重要的研究借鑒價(jià)值,但是存在著實(shí)施成本高,推廣普適性差,異常診斷實(shí)時(shí)性不夠等不足,如何更加準(zhǔn)確、低廉、實(shí)時(shí)地進(jìn)行變壓器油溫異常診斷仍然是一個(gè)難題。機(jī)器學(xué)習(xí)是大數(shù)據(jù)時(shí)代下日趨成熟的數(shù)據(jù)挖掘技術(shù),其在工業(yè)領(lǐng)域得到了較為廣泛的應(yīng)用。本文在機(jī)器學(xué)習(xí)中無監(jiān)督學(xué)習(xí)[6-7]算法的基礎(chǔ)上,提出了一種基于無監(jiān)督機(jī)器學(xué)習(xí)模型的油浸式變壓器油溫異常狀態(tài)診斷方法,實(shí)驗(yàn)表明其具有優(yōu)于傳統(tǒng)方法的效果。
目前,針對油浸式變壓器油溫的數(shù)據(jù)處理、異常識別和預(yù)測預(yù)警,主流方法包括基于簡單熱傳遞物理模型計(jì)算技術(shù)、基于變壓器油氣體成分指標(biāo)分析技術(shù)和基于頂層油溫變化分析技術(shù)三大類技術(shù)路線,其主要特點(diǎn)如下。
基于簡單熱傳遞物理模型的油溫?cái)?shù)據(jù)計(jì)算。李世光建立了變壓器油溫傳導(dǎo)的修正熱路模型,計(jì)算變壓器的頂層油溫及其繞組熱點(diǎn)溫度,由于使用簡單熱傳遞物理模型代替復(fù)雜模型,所需參數(shù)較少,模型更精確,所以計(jì)算精度和計(jì)算速度相對導(dǎo)則GB/T1094.7-2008提供的計(jì)算公式,都有明顯提升[4]。魏本剛基于變壓器繞組的主要發(fā)熱原因以及變壓器油的粘滯程度,構(gòu)造了多維的修正參數(shù)模型,相對IEEE/ANSIC57.115標(biāo)準(zhǔn)的溫升指數(shù)模型,能夠更為準(zhǔn)確地對變壓器頂層油溫的熱點(diǎn)溫度進(jìn)行計(jì)算[3]。陳偉根通過Kalman濾波構(gòu)造頂層油溫狀態(tài)方程,并構(gòu)建測量方程,提出了一種變壓器熱路模型的油溫動態(tài)微分方程,建立了頂層油溫實(shí)時(shí)最優(yōu)估計(jì)模型,實(shí)時(shí)地預(yù)測變壓器頂層油溫[8]。結(jié)合油浸式變壓器頂層油溫現(xiàn)場實(shí)測數(shù)據(jù)對比分析Kalman濾波模型及IEEE導(dǎo)則推薦模型預(yù)測結(jié)果,表明Kalman濾波模型具備更高的精度。
熱路模型計(jì)算技術(shù)對參數(shù)的完備性要求較高,同時(shí)針對不同運(yùn)行工況下的變壓器熱路模型相差也較大,預(yù)測的精度與參數(shù)的準(zhǔn)確性息息相關(guān)。
基于變壓器油色譜異常探測的油溫預(yù)警方法。杜雙育、周多軍等人根據(jù)變壓器油色譜氣體指標(biāo)進(jìn)行了分析,并基于DL/T722-2000的三比值與四比值法則,進(jìn)行變壓器異常的診斷,基于油色譜主要成分算法或者通過MCD穩(wěn)健統(tǒng)計(jì)多元分析去除相關(guān)干擾異常值后,能夠有效提高變壓器異常診斷的準(zhǔn)確率[5,9]。
基于油色譜異常探測技術(shù),監(jiān)測周期較長(一般3小時(shí)以上),監(jiān)測指標(biāo)多,流程復(fù)雜,不同類型的變壓器指標(biāo)參數(shù)判斷規(guī)則都有所不同,設(shè)備的價(jià)格也比較昂貴。
基于頂層油溫異常探測的油溫預(yù)警方法。王永強(qiáng)根據(jù)日頂層油溫最大值,綜合考慮了變壓器相關(guān)檢修等工況造成的影響,提出了一種基于峰值半物理的短期頂層油溫預(yù)測模型[10]。其次,取變壓器頂層油溫的預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)進(jìn)行對比,以發(fā)現(xiàn)變壓器是否存在異常,進(jìn)而判斷可能存在的相關(guān)異常隱患信息。陳錦銘提出了一種基于變壓器頂層油溫變化的異常狀態(tài)模型,采用等頻離散化、箱形圖分析變壓器油溫變化的異常狀態(tài)及概率分布,以發(fā)現(xiàn)變壓器是否存在異常,進(jìn)而判斷可能存在的相關(guān)異常隱患信息[4]。上述文獻(xiàn)所采用的技術(shù)方法沒有充分運(yùn)用數(shù)據(jù)價(jià)值,其適用性較差,針對不同廠商型號、不同電壓等級的變壓器可能存在診斷不穩(wěn)定的問題;又或者模型過于簡單,評判原則單一,精度不高。
如表1所示,基于無監(jiān)督假設(shè)檢驗(yàn)大數(shù)據(jù)挖掘技術(shù)的油溫預(yù)警方法的預(yù)測的泛化能力強(qiáng),相對其他的方法具有較低的操作復(fù)雜性,在大數(shù)據(jù)的支持下,具有很強(qiáng)的可推廣性,預(yù)測準(zhǔn)確性也能達(dá)到很好的效果。上述對比顯示大數(shù)據(jù)挖掘技術(shù)比傳統(tǒng)技術(shù)更具備發(fā)展?jié)摿Α?/p>
表1 變壓器油溫異常分析技術(shù)對比表
圖1 油溫異常探測算法流程圖
本文提出的油溫異常探測算法流程如圖2所示。其算法思想是首先利用無監(jiān)督聚類算法對工況數(shù)據(jù)進(jìn)行聚類,發(fā)現(xiàn)隱藏在樣本中的不同的工況分類。然后,通過統(tǒng)計(jì)學(xué)方法分析每種工況聚類下不同油溫的一個(gè)分布情況,最后基于給定的閾值對每個(gè)聚類中小概論樣本油溫標(biāo)注為異常。而標(biāo)注異常后的歷史數(shù)據(jù)作為系列數(shù)據(jù)集合,基于決策森林機(jī)器學(xué)習(xí)算法[11-13]得到變壓器油溫異常的判斷規(guī)則。其中主要工況指標(biāo)如下表2油溫異常工況屬性特征表所示。
圖2 基于假設(shè)檢驗(yàn)的油溫異常閾值求解流程圖
表2 油溫異常工況屬性特征表
表3 過濾粒度與查準(zhǔn)查全率表
算法1名稱:油溫異常標(biāo)注算法
算法輸入:標(biāo)注異常樣本數(shù)據(jù),聚類k值,異常閾值γ。
算法輸出:油溫異常決策規(guī)則知識集。
步驟1:對歷史數(shù)據(jù)值進(jìn)行噪點(diǎn)數(shù)據(jù)、缺失數(shù)據(jù)辨別,并進(jìn)行刪除和補(bǔ)齊。按照10℃間隔對每個(gè)變壓器的油溫記錄進(jìn)行離散化處理,例如10℃-20℃作為取值t1,20℃-30℃作為取值t2,以此類推。
最后,將實(shí)時(shí)變壓器工況輸入決策分類器,基于變壓器油溫異常診斷模型,結(jié)合變壓器實(shí)時(shí)工況信息進(jìn)行實(shí)時(shí)診斷計(jì)算,符合正常規(guī)則的情況輸出為正常油溫,符合異常規(guī)則的輸出為異常油溫。
算法輸出:最優(yōu)過濾閾值。
步驟1:實(shí)施算法1中步驟4,5,和6。
步驟2:將油溫異常測試數(shù)據(jù)集輸入決策分類器,根據(jù)油溫異常分類決策規(guī)則與變壓器工況進(jìn)行實(shí)時(shí)匹配。
步驟3:將測試數(shù)據(jù)集中符合正常規(guī)則的情況輸出為正常油溫,符合異常規(guī)則的輸出為異常油溫。
步驟4:統(tǒng)計(jì)本分類器對測試數(shù)據(jù)集預(yù)測的查準(zhǔn)率,查全率。
步驟5:如果步驟4獲得的查準(zhǔn)率,查全率不能達(dá)到預(yù)期目標(biāo)則并且返還步驟1。
步驟6:如果步驟4獲得的查準(zhǔn)率,查全率達(dá)到預(yù)期目標(biāo)則輸出當(dāng)前最優(yōu)值。
實(shí)驗(yàn)采用上海A站4號主變2014年12月-2017年1月數(shù)據(jù)來驗(yàn)證基于無監(jiān)督機(jī)器學(xué)習(xí)模型的油浸式變壓器油溫異常狀態(tài)診斷方法的有效性,數(shù)據(jù)集的詳細(xì)描述如表2所示。實(shí)驗(yàn)平臺的操作系統(tǒng)為Ubuntu16.04LTS,機(jī)器配置為英特爾酷睿i3-2350M處理器(2.3GHz),3.8G運(yùn)行內(nèi)存,Python3.5開發(fā)環(huán)境進(jìn)行實(shí)驗(yàn)。
本項(xiàng)目實(shí)驗(yàn)通過基于無監(jiān)督機(jī)器學(xué)習(xí)模型的油浸式變壓器油溫異常狀態(tài)診斷算法1對上述數(shù)據(jù)進(jìn)行變壓器油溫異常辨識。并以異常識別的準(zhǔn)確度為評價(jià)指標(biāo)與基于變壓器油色譜氣體指標(biāo)變化的油溫異常診斷方法作對比分析。
實(shí)際生產(chǎn)中,一般會綜合考慮準(zhǔn)確率與查全率兩類指標(biāo),綜合評價(jià)指標(biāo)通過對準(zhǔn)確率和查全率設(shè)定不同的權(quán)重得到。本實(shí)驗(yàn)中,通過對準(zhǔn)確率和查全率的均衡加權(quán)求和來綜合評價(jià)算法。
本文實(shí)驗(yàn)以上述2015年標(biāo)注后的油溫?cái)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)集來訓(xùn)練決策森林模型,訓(xùn)練結(jié)果獲得的決策規(guī)則被應(yīng)用于判斷2016年的主變設(shè)備的油溫異常情況。通過算法2對評價(jià)指標(biāo)準(zhǔn)確率,查全率和準(zhǔn)確率+查全率的結(jié)果反饋,選擇最優(yōu)過濾閾值 的粒度參數(shù)。實(shí)驗(yàn)結(jié)果表詳見下表。
下圖3和4為應(yīng)用上述實(shí)驗(yàn)獲得的決策規(guī)則對2016年3月和2016年7月的油溫異常的標(biāo)注的實(shí)驗(yàn)效果圖。
圖3 2016年3月標(biāo)注圖
圖3和圖4為變壓器運(yùn)行工況變化率及油溫診斷的主要情況,兩幅圖的上部圖所示是變壓器設(shè)備油溫等工況變化情況,其中變壓器所處外部環(huán)境溫度標(biāo)記為紅色線,變壓器A相的電流副值標(biāo)記為藍(lán)色線,變壓器A相的繞組溫度標(biāo)記為綠色線。兩幅圖的下部圖所示是變壓器異常診斷情況,其中變壓器所處外部環(huán)境溫度標(biāo)記為紅色線,變壓器A相的電流副值標(biāo)記為藍(lán)色線,變壓器A相的繞組溫度標(biāo)記為綠色線,藍(lán)色折線圖為變壓器油溫的整體變化趨勢情況,紅色圓點(diǎn)為算法診斷出的異常信息。
圖4 2016年7月標(biāo)注圖
由上圖異常油溫標(biāo)注圖可以看出主變設(shè)備的異常油溫得到比較好的標(biāo)注。將本項(xiàng)目實(shí)際結(jié)果與運(yùn)行過程中人為記錄的異常缺陷報(bào)告進(jìn)行比對,變壓器油溫異常標(biāo)注的準(zhǔn)確率為90%,異常標(biāo)注查全率為89%。采用變壓器油色譜氣體指標(biāo)變化的油溫異常診斷方法變壓器油溫異常標(biāo)注的準(zhǔn)確率為86%。因此本算法的識別準(zhǔn)確率優(yōu)于基于變壓器油色譜氣體指標(biāo)變化的油溫異常診斷方法。
變壓器頂層油溫是檢測變壓器運(yùn)行狀態(tài)的一項(xiàng)重要指標(biāo)。本文在研究經(jīng)典油溫異常檢測技術(shù)現(xiàn)狀的基礎(chǔ)上,對油溫異常檢測數(shù)據(jù)進(jìn)行了數(shù)學(xué)建模并且提出了一種基于無監(jiān)督機(jī)器學(xué)習(xí)模型的油浸式變壓器油溫異常狀態(tài)診斷方法。該方法的核心思想是通過無監(jiān)督學(xué)習(xí)方法對各個(gè)工況油溫統(tǒng)計(jì)學(xué)意義上異常進(jìn)行標(biāo)識,而對于油溫異常的標(biāo)識閾值則參用了假設(shè)檢驗(yàn)的方法實(shí)現(xiàn)了最優(yōu)化。實(shí)驗(yàn)結(jié)果表明,通過上述方法對于某站變壓器的異常油溫標(biāo)識實(shí)測達(dá)到了優(yōu)于傳統(tǒng)方法的效果。總體來說,基于無監(jiān)督假設(shè)檢驗(yàn)的新型變壓器油溫異常診斷方法充分挖掘了運(yùn)用數(shù)據(jù)價(jià)值,具有較高的社會、經(jīng)濟(jì)效益,具有較好的推廣前景。從適用性上來說更為通用,只需要基于不同變壓器數(shù)據(jù)進(jìn)行訓(xùn)練修正;從成本上來說更加低廉,不需要使用價(jià)格高昂的硬件診斷設(shè)備;從精準(zhǔn)度來說更加精準(zhǔn),基于實(shí)測效果證明該模型實(shí)現(xiàn)了最優(yōu)化模型,診斷準(zhǔn)確度也得到提升。