鄧佳樂，孫辰昊，胡 博，岳一石，易洲楠，李紹龍

(1.國(guó)網(wǎng)四川省電力公司天府新區(qū)供電公司，四川 成都 610213；2.長(zhǎng)沙理工大學(xué)電氣與信息工程學(xué)院，湖南 長(zhǎng)沙 410114；3.國(guó)網(wǎng)河南省電力公司，河南 鄭州 450000；4.國(guó)網(wǎng)湖南省電力有限公司長(zhǎng)沙供電分公司，湖南 長(zhǎng)沙 410015；5.國(guó)網(wǎng)湖南省電力有限公司電力科學(xué)研究院，湖南 長(zhǎng)沙 410007)

電力變壓器作為輸電線路系統(tǒng)中最重要的設(shè)施之一，其穩(wěn)定運(yùn)行至關(guān)重要。任何類型的變壓器故障都可能導(dǎo)致電力供應(yīng)的中斷，進(jìn)而對(duì)電網(wǎng)造成極大的損失。考慮到變壓器故障通常發(fā)生在運(yùn)行期間，因此，依據(jù)變壓器內(nèi)部特性進(jìn)行及時(shí)有效的故障診斷，就能夠在第一時(shí)間實(shí)施針對(duì)性的應(yīng)對(duì)措施，從而大大減少潛在故障風(fēng)險(xiǎn)。

同電氣參數(shù)一樣，變壓器所含絕緣油中溶解氣體的含量也能夠提供變壓器運(yùn)行狀態(tài)的有效信息，但不同之處在于其基本不受變壓器內(nèi)電磁環(huán)境變化的影響。因此，變壓器油中溶解氣體分析(dissolved gas analysis,DGA)常被用于變壓器的故障診斷[1]。

目前，許多研究者提出了大量關(guān)于DGA的研究思路，也取得了可觀的成果。第1類是基于優(yōu)化算法的DGA方法。文獻(xiàn)[2]采用基于改進(jìn)量子粒子群優(yōu)化支持向量機(jī)算法實(shí)施變壓器故障診斷，能夠進(jìn)一步提高方法的全局搜索能力；針對(duì)變壓器故障診斷，文獻(xiàn)[3]基于征兆子集篩選效果設(shè)計(jì)了一種征兆優(yōu)選方法，篩選出的征兆子集相較于傳統(tǒng)比值方法具有優(yōu)勢(shì)；文獻(xiàn)[4]通過結(jié)合遺傳算法和支持向量機(jī)，實(shí)現(xiàn)針對(duì)DGA特征量的優(yōu)選?；趦?yōu)化算法的DGA方法往往能夠獲取直觀的故障概率，但必需統(tǒng)計(jì)時(shí)段較長(zhǎng)的大容量數(shù)據(jù)，對(duì)輸入數(shù)據(jù)的要求較高。第2類是采用神經(jīng)網(wǎng)絡(luò)的DGA方法。文獻(xiàn)[5]在變壓器振動(dòng)機(jī)理的基礎(chǔ)上，利用自組織特征映射神經(jīng)網(wǎng)絡(luò)，提高了變壓器故障診斷效率；文獻(xiàn)[6]針對(duì)傳統(tǒng)深度信念網(wǎng)絡(luò)方法中存在的誤判，構(gòu)建組合DBN故障診斷方法，提高了故障診斷效果；文獻(xiàn)[7]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在變壓器故障診斷中；文獻(xiàn)[8]基于模糊神經(jīng)網(wǎng)絡(luò)和局部統(tǒng)計(jì)提出了一種變壓器狀態(tài)評(píng)估方法?；谏窠?jīng)網(wǎng)絡(luò)的DGA方法一般擁有較強(qiáng)的穩(wěn)定性和容錯(cuò)性，但一般需要較大容量的輸入數(shù)據(jù)。第3類是基于向量機(jī)的DGA方法。文獻(xiàn)[9]通過BP神經(jīng)網(wǎng)絡(luò)為基于支持向量機(jī)的變壓器故障檢測(cè)選擇輸入特征，提高了準(zhǔn)確率；文獻(xiàn)[10]結(jié)合AdaBoost算法和二次映射支持向量機(jī)，提出了變壓器故障診斷模型；文獻(xiàn)[11]應(yīng)用支持向量機(jī)實(shí)現(xiàn)對(duì)變壓器故障的分類與判別。盡管基于向量機(jī)的DGA方法結(jié)果一般為全局最優(yōu)，但較難解決多分類問題。針對(duì)以上這些問題，關(guān)聯(lián)規(guī)則挖掘(association rule mining, ARM)由于可根據(jù)需求選擇輸入特征或狀態(tài)，常被應(yīng)用于DGA方法中。文獻(xiàn)[12]搭建一種基于關(guān)聯(lián)規(guī)則和變權(quán)重系數(shù)的變壓器狀態(tài)綜合評(píng)估的模型；文獻(xiàn)[13]為診斷變壓器故障，提出了一種結(jié)合集對(duì)分析和ARM的集成算法；文獻(xiàn)[14]將概率圖像模型應(yīng)用到ARM算法之中，進(jìn)一步提升了效率。盡管上述文獻(xiàn)取得了一定進(jìn)展，但依然存在一些可改進(jìn)的地方。首先，傳統(tǒng)ARM算法通常采用固定統(tǒng)一的重要度評(píng)估標(biāo)準(zhǔn)，故一些出現(xiàn)頻率較低的數(shù)據(jù)將被直接篩除。但在這些罕見數(shù)據(jù)中同樣存在能夠引起故障的高危數(shù)據(jù)，所以也應(yīng)該予以分析；其次，輸入數(shù)據(jù)的風(fēng)險(xiǎn)權(quán)重應(yīng)該由其所產(chǎn)生的風(fēng)險(xiǎn)決定，而非出現(xiàn)頻率；最后，這些ARM方法的運(yùn)算效率還可以進(jìn)一步被提升。

針對(duì)上述問題，本文提出一種基于加權(quán)關(guān)聯(lián)規(guī)則挖掘(weighted association rule mining, WARM)模型的DGA方法。在該模型中，針對(duì)罕見數(shù)據(jù)改進(jìn)重要度評(píng)估標(biāo)準(zhǔn)計(jì)算方式，從而從罕見數(shù)據(jù)中篩選出罕見高危數(shù)據(jù)并加入后續(xù)分析中，而非直接舍棄。首先基于組件重要度測(cè)量(component importance measure, CIM)提出一種基于輸入數(shù)據(jù)自身影響程度的風(fēng)險(xiǎn)權(quán)重計(jì)算方法；然后應(yīng)用Relim挖掘流程進(jìn)行運(yùn)算，比傳統(tǒng)Apriori算法運(yùn)算速度快；最后基于某實(shí)際系統(tǒng)變壓器運(yùn)行狀態(tài)數(shù)據(jù)實(shí)施實(shí)例仿真，驗(yàn)證所提方法能夠同時(shí)改善變壓器故障診斷的正確率、運(yùn)行效率以及現(xiàn)實(shí)應(yīng)用中的可信度。

1 加權(quán)關(guān)聯(lián)規(guī)則挖掘模型

1.1 關(guān)聯(lián)規(guī)則挖掘原理

ARM算法最早由Agrawal等提出[15]，其主要目標(biāo)是挖掘數(shù)據(jù)庫中各個(gè)變量之間的隱含關(guān)系。

假設(shè)I為一個(gè)包含所有物品的集合，X與T是I的子集，X被稱為物品集，T被稱為目標(biāo)集。假設(shè)D={t1,t2,…,tm}為包含所有記錄的數(shù)據(jù)庫，其中每一條記錄均由物品集和目標(biāo)集組成。若X與T之間不存在交集，且挖掘結(jié)果顯示：若X出現(xiàn)時(shí)目標(biāo)T也會(huì)發(fā)生，則一條關(guān)聯(lián)規(guī)則可以被表示為X→T。

通過對(duì)輸入數(shù)據(jù)進(jìn)行判別，能夠獲取相應(yīng)高頻物品集，并進(jìn)一步構(gòu)建出關(guān)聯(lián)規(guī)則。目前，通常采用重要度評(píng)估標(biāo)準(zhǔn)實(shí)現(xiàn)高頻物品集和關(guān)聯(lián)規(guī)則的篩選。

支持度(Support)[16]用于挖掘高頻物品集，可被寫為包含物品集X記錄的基數(shù)在所有記錄的基數(shù)中所占比例，即

(1)

置信度(Confidence)[16]用于驗(yàn)證所挖掘的規(guī)則是否為關(guān)聯(lián)規(guī)則，可由數(shù)據(jù)庫中所有同時(shí)含有X與T記錄的基數(shù)在含有X的記錄的基數(shù)中所占比例來表示，即

(2)

關(guān)聯(lián)規(guī)則挖掘的過程通?？筛爬?步：①使用預(yù)設(shè)的支持度閾值挖掘數(shù)據(jù)庫中的高頻物品集；②基于選出的高頻物品集，采用預(yù)設(shè)的置信度閾值篩選出相應(yīng)的關(guān)聯(lián)規(guī)則。

1.2 輸入數(shù)據(jù)的預(yù)處理

參照行業(yè)標(biāo)準(zhǔn)[17]，本文選取7種變壓器中溶解氣體作為輸入特征，其中包括：氫氣(H2)、甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)、一氧化碳(CO)的相對(duì)產(chǎn)氣速率及二氧化碳(CO2)的相對(duì)產(chǎn)氣速率。所研究的7種變壓器狀態(tài)包括正常工作、低溫過熱、中溫過熱、高溫過熱、低能放電、高能放電及局部放電。

為方便后續(xù)數(shù)據(jù)挖掘，需要將數(shù)據(jù)進(jìn)行預(yù)處理并實(shí)現(xiàn)整合。

假設(shè){t1,t2,…,tm}為一個(gè)包含D中各條記錄編號(hào)的向量。假設(shè)C={c1,c2,…,cj,…,c7}為一個(gè)包含7種輸入特征的向量，其中cj為其中任意一個(gè)特征。對(duì)于cj，假設(shè){vj,1,vj,2,…,vj,k,…,vj,l}為其中包含所有特征量數(shù)值的向量。假設(shè)T={T1,T2,…,Ti,…,Tm}為包括所有記錄中變壓器狀態(tài)的向量，其中Ti為其中任意一條記錄中的變壓器狀態(tài)。Ti可能屬于所有7種變壓器狀態(tài)中的一種，即Ti=T(o)∈{T(g1),T(g2),…,T(g7)}。綜合以上假設(shè)，能夠構(gòu)建數(shù)據(jù)的整合空間矩陣為

(3)

式中iij為第i行記錄中的一個(gè)物品，即所在列對(duì)應(yīng)的特征cj中的任意一個(gè)特征量數(shù)值vj,k。

1.3 重要度評(píng)估標(biāo)準(zhǔn)的改進(jìn)

作為輸電線路系統(tǒng)中最重要的組件，變壓器的正常穩(wěn)定運(yùn)行需要得到首要保障。不可否認(rèn)的是，對(duì)于一些出現(xiàn)較少的溶解氣體數(shù)值的分析與診斷將在一定程度上增加運(yùn)維檢修成本，但能夠?qū)F(xiàn)實(shí)中所有可能出現(xiàn)的情況設(shè)計(jì)相應(yīng)預(yù)案，從而將變壓器的潛在故障風(fēng)險(xiǎn)降至最低。因?yàn)楫?dāng)這些罕見高危特征量數(shù)值導(dǎo)致變壓器故障時(shí)，同樣將引起嚴(yán)重的損失。因此，對(duì)出現(xiàn)頻率較少的罕見數(shù)據(jù)進(jìn)行診斷，能夠從中挖掘出真正的罕見高危數(shù)據(jù)。如此，一方面能夠在將來這些罕見高危數(shù)據(jù)再次出現(xiàn)時(shí)，保證快速應(yīng)對(duì)，另一方面也能有效地改善整體診斷準(zhǔn)確率。

目前對(duì)于所有的輸入特征，傳統(tǒng)ARM算法中通常采用預(yù)設(shè)且相同數(shù)值的重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式計(jì)算重要度得分。由文1.1節(jié)中的背景介紹可知，對(duì)于含有出現(xiàn)罕見數(shù)據(jù)的記錄，由傳統(tǒng)重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式所計(jì)算的得分一般較低，容易低于所設(shè)置閾值從而被直接篩除。為改進(jìn)這一不足，本文對(duì)原有重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式進(jìn)行改進(jìn)，基于式(1)、(2)提出了一套可變的狀態(tài)重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式。通過應(yīng)用這一套狀態(tài)重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式，包含各個(gè)特征中的罕見數(shù)據(jù)的記錄將被單獨(dú)提出，并由為該特征所專門生成的狀態(tài)重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式計(jì)算相應(yīng)得分，再與所設(shè)閾值相比較。這樣便能夠得出基于該特征中罕見數(shù)據(jù)的高頻物品集和關(guān)聯(lián)規(guī)則。

首先，將所有記錄中的物品集劃分為兩部分，并重新寫為

Xc+Xs→T

(4)

式中Xc、Xs分別為含有常見數(shù)據(jù)的物品集和含有罕見數(shù)據(jù)的物品集。

由此，對(duì)于含有任意特征cj中罕見數(shù)據(jù)的記錄，相應(yīng)的狀態(tài)重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式為

(5)

(6)

式中 |·|為同時(shí)滿足其中所有條件的故障記錄的基數(shù)；T(o)為7種變壓器狀態(tài)中的一種；H為一個(gè)數(shù)值區(qū)間，取值2～8。

由式(6)可知，對(duì)于置信度，a表明存在7種不同形式的置信度計(jì)算公式，對(duì)應(yīng)含有7種不同狀態(tài)的記錄，即含有不同故障類型的記錄的置信度計(jì)算公式也不相同。

1.4 風(fēng)險(xiǎn)權(quán)重計(jì)算方法的改進(jìn)

在通過狀態(tài)重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式并基于各個(gè)特征進(jìn)行高頻物品集和關(guān)聯(lián)規(guī)則的求解后，需要將這些基于不同特征的結(jié)果進(jìn)行匯總。考慮到不同特征量與變壓器故障之間的關(guān)聯(lián)程度也不相同，故對(duì)于各個(gè)輸入特征中所有數(shù)值的風(fēng)險(xiǎn)權(quán)重進(jìn)行分析。當(dāng)前大多數(shù)研究一般采用特征量在數(shù)據(jù)庫中的占比或出現(xiàn)頻率來求解權(quán)重。但在現(xiàn)實(shí)中，特征量與變壓器故障之間的關(guān)聯(lián)程度與該特征量的數(shù)據(jù)占比或出現(xiàn)頻率并沒有直接聯(lián)系。因此，本文為實(shí)現(xiàn)更加精確地計(jì)算風(fēng)險(xiǎn)權(quán)重，采用CIM計(jì)算各個(gè)特征量數(shù)值對(duì)于整體故障風(fēng)險(xiǎn)的影響程度作為其風(fēng)險(xiǎn)權(quán)重。

(7)

(8)

(9)

通過pivotal分解，式(7)能被線性表示為

IB(k)=h(1k,p)-h(0k,p)

(10)

式中h(1k,p)、h(0k,p)分別為當(dāng)特征量vj,k確定與變壓器故障相關(guān)或無關(guān)時(shí)的整體故障風(fēng)險(xiǎn)。

(11)

式中k為共計(jì)l個(gè)特征量中的任意一個(gè)。

1.5 Relim算法原理及優(yōu)勢(shì)

目前最為常用的ARM算法是Apriori算法[15]。Apriori算法首先從數(shù)據(jù)庫中篩選出單項(xiàng)高頻物品，并采用連枝和剪枝的方法將其逐漸擴(kuò)展為更多項(xiàng)的物品集，直到這些物品集滿足相應(yīng)要求成為高頻物品集。最后通過確定高頻物品集進(jìn)而求解出相應(yīng)的關(guān)聯(lián)規(guī)則。

盡管結(jié)果準(zhǔn)確，但Apriori算法運(yùn)行過程中將產(chǎn)生較多的候選物品集，從而導(dǎo)致生成大量冗余規(guī)則，降低了運(yùn)行效率。針對(duì)這個(gè)問題，Relim算法在運(yùn)行過程中無需候選物品集，具有結(jié)構(gòu)簡(jiǎn)單、運(yùn)行速度快的優(yōu)點(diǎn)。Relim算法主要通過建立相應(yīng)的記錄鏈表組求解相應(yīng)高頻物品集。因此，Relim算法無需諸如高頻模式樹等復(fù)雜數(shù)據(jù)結(jié)構(gòu)，其中所有挖掘過程能夠在一個(gè)簡(jiǎn)單的遞歸函數(shù)中完成，加快了挖掘速度。Relim算法的基本流程如下：

1)由數(shù)據(jù)庫中搜索單項(xiàng)高頻物品集，按支持度大小排序；

2)將轉(zhuǎn)換后的數(shù)據(jù)庫設(shè)為記錄鏈表組，其中各記錄鏈表按頭元素支持度大小排序；

3)按順序依次對(duì)每個(gè)記錄鏈表進(jìn)行搜索，挖掘出高頻物品集；然后將該記錄鏈表刪除，并構(gòu)建以該鏈表中頭元素為前綴的新記錄鏈表組；將原記錄鏈表組和新記錄鏈表組合并；

4)將所有記錄鏈表挖掘完畢。

1.6 基于WARM的DGA方法的構(gòu)建

根據(jù)上述討論，本文構(gòu)建基于WARM的DGA方法，基本流程如圖1所示。

圖1 基于WARM的DGA方法流程Figure 1 Flow chart of the WARM-based DGA method

基于WARM的DGA方法流程具體如下：

1)對(duì)訓(xùn)練數(shù)據(jù)庫中的第一個(gè)輸入特征中的所有特征量數(shù)值采用預(yù)設(shè)重要度評(píng)估標(biāo)準(zhǔn)閾值挖掘出相應(yīng)罕見數(shù)值；

2)將含有該特征中罕見數(shù)值的記錄集中于數(shù)據(jù)庫子集中，并通過相應(yīng)特征的狀態(tài)重要度評(píng)估標(biāo)準(zhǔn)得分計(jì)算公式挖掘出高頻物品集和關(guān)聯(lián)規(guī)則；

3)將訓(xùn)練數(shù)據(jù)庫中所有特征依次重復(fù)進(jìn)行前兩步；

4)分別計(jì)算常見和罕見物品集的風(fēng)險(xiǎn)權(quán)重，并匯總；

5)基于風(fēng)險(xiǎn)權(quán)重，將測(cè)試數(shù)據(jù)庫中的記錄依據(jù)其所含有的各個(gè)特征的特征量數(shù)值計(jì)算相應(yīng)的故障風(fēng)險(xiǎn)指數(shù)；

6)將故障風(fēng)險(xiǎn)指數(shù)與記錄的真實(shí)結(jié)果對(duì)比。

2 算例分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用中部某省區(qū)域內(nèi)高壓線路系統(tǒng)中變壓器記錄進(jìn)行實(shí)驗(yàn)驗(yàn)證。樣本數(shù)據(jù)共計(jì)564條，涵蓋文1.2節(jié)中所引述的7種氣體的含量(H2、CH4、C2H2、C2H4、C2H6)和相對(duì)產(chǎn)氣速率(CO、CO2)，以及7種變壓器狀態(tài)(正常工作、低溫過熱、中溫過熱、高溫過熱、低能放電、高能放電及局部放電)。

2.2 實(shí)驗(yàn)驗(yàn)證方法

本文采用3∶1的比例劃分實(shí)驗(yàn)數(shù)據(jù)，即423條記錄作為訓(xùn)練數(shù)據(jù)，141條記錄作為測(cè)試數(shù)據(jù)。

在將診斷結(jié)果與測(cè)試數(shù)據(jù)對(duì)比時(shí)，本文通過接收者操作特征曲線(receiver operating characteristic，ROC)和準(zhǔn)確—召回曲線(precision-recall，PR)共同衡量相應(yīng)對(duì)比結(jié)果。在這兩類曲線的基礎(chǔ)上，采用線下包圍面積(area under the curve，AUC)為診斷方法效果的檢驗(yàn)參數(shù)，其中AUC的數(shù)值越高則證明診斷越準(zhǔn)確。

2.3 整體故障診斷結(jié)果

首先，本文將輸入數(shù)據(jù)庫涵蓋的所有類型變壓器故障作為整體，并采用基于WARM的DGA方法對(duì)變壓器是否故障進(jìn)行診斷，即變壓器的狀態(tài)僅有故障和正常工作2種。

為驗(yàn)證所提出DGA方法(WARM(Relim))的有效性，加入2種DGA方法作為對(duì)比。其中，一種是同樣采用改進(jìn)后的重要度評(píng)估標(biāo)準(zhǔn)和風(fēng)險(xiǎn)權(quán)重計(jì)算方式但挖掘時(shí)應(yīng)用傳統(tǒng)Apriori算法的DGA方法(WARM(Apriori))，另一種是采用傳統(tǒng)重要度評(píng)估標(biāo)準(zhǔn)和風(fēng)險(xiǎn)權(quán)重計(jì)算方式及Apriori算法的DGA方法(ARM(Apriori))。3種DGA方法基于整體故障診斷結(jié)果的ROC曲線及PR曲線對(duì)比如圖2、3所示，3種方法的運(yùn)行時(shí)間如表1所示。

圖2 基于整體故障診斷結(jié)果的ROC曲線對(duì)比Figure 2 Comparison of the general diagnosis case by the ROC curve

圖3 基于整體故障診斷結(jié)果的PR曲線對(duì)比Figure 3 Comparison of the general diagnosis case by the PR curve

表1 整體故障診斷的運(yùn)行時(shí)間對(duì)比Table 1 Comparison of the processing time of the general diagnosis case

由圖2、3可知，采用基于改進(jìn)重要度評(píng)估標(biāo)準(zhǔn)和風(fēng)險(xiǎn)權(quán)重計(jì)算方式的WARM方法相比傳統(tǒng)ARM方法，能夠?qū)崿F(xiàn)更為精確的變壓器故障診斷。其中，基于WARM和Relim的DGA方法相較基于ARM和Apriori的DGA方法，分別在ROC和PR曲線的AUC數(shù)值上提升了17.3%和13.8%。此外，還可以得出應(yīng)用Relim和Apriori算法得到的診斷結(jié)果精確性較為接近，即Relim算法并不能顯著改善診斷精度。但由表1可知，應(yīng)用Relim算法的運(yùn)行時(shí)間相較應(yīng)用Apriori算法減少了12.3%。因此，本文所提出的基于WARM和Relim的DGA方法能夠在減少運(yùn)行時(shí)間的基礎(chǔ)上有效地提升診斷精度。

2.4 各類型故障診斷結(jié)果

本文對(duì)所有7種變壓器狀態(tài)實(shí)施分類診斷，所得出的診斷精度與運(yùn)行時(shí)間對(duì)比如圖4～6所示。

圖4 基于各類型故障診斷的AUC(ROC)對(duì)比Figure 4 Comparison of the fault diagnosis case by the AUC (ROC curve)

圖5 基于各類型故障診斷的AUC(PR)對(duì)比Figure 5 Comparison of the fault diagnosis case by the AUC (PR curve)

圖6 各類型故障診斷的運(yùn)行時(shí)間對(duì)比Figure 6 Comparison of the processing time of the fault diagnosis case

由圖4、5可知，對(duì)重要度評(píng)估標(biāo)準(zhǔn)和風(fēng)險(xiǎn)權(quán)重計(jì)算方式的改進(jìn)均能夠有效地改善針對(duì)所有7種變壓器狀態(tài)診斷的精度。其中，基于WARM和Relim的DGA方法相較于基于ARM和Apriori的DGA方法，分別在7組ROC和PR曲線的AUC數(shù)值上平均提升了15.6%和12.7%。由圖6可知，應(yīng)用Relim算法的運(yùn)行時(shí)間相較于應(yīng)用Apriori算法平均減少了10.7%。因此，對(duì)于變壓器的不同運(yùn)行狀態(tài)，本文所提出的基于WARM和Relim的DGA方法同樣能夠在減少運(yùn)行時(shí)間的基礎(chǔ)上有效地提升針對(duì)每一種變壓器狀態(tài)的診斷精度。此外，該方法也能夠分析可能出現(xiàn)的罕見高危特征量和變壓器故障類型，從而進(jìn)一步減少變壓器出現(xiàn)故障的風(fēng)險(xiǎn)。

3 結(jié)語

針對(duì)目前基于關(guān)聯(lián)規(guī)則挖掘算法的DGA方法中所存在的直接忽略罕見高危數(shù)據(jù)、特征量權(quán)重計(jì)算過于簡(jiǎn)單以及挖掘所需時(shí)間較長(zhǎng)，本文提出了一種基于WARM的變壓器DGA診斷方法，主要研究如下：

1)為將各個(gè)特征中的罕見高危數(shù)據(jù)納入分析，對(duì)重要度評(píng)估標(biāo)準(zhǔn)計(jì)算公式進(jìn)行了改進(jìn)，能夠在提升診斷精度的同時(shí)涵蓋現(xiàn)實(shí)中可能出現(xiàn)的極端情況；

2)基于CIM直接求解各個(gè)輸入特征量導(dǎo)致變壓器故障的風(fēng)險(xiǎn)程度，相較基于出現(xiàn)頻率能夠更加準(zhǔn)確地衡量相應(yīng)的故障風(fēng)險(xiǎn)權(quán)重；

3)采用Relim算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘，相較傳統(tǒng)Apriori算法能夠有效地改善挖掘效率。

實(shí)驗(yàn)結(jié)果表明，本文所提出的變壓器故障診斷方法能夠同時(shí)改善診斷的正確率、實(shí)用性和運(yùn)行效率。