程欣,孫悅,黃威,廖慶龍,李軒,胡博,謝開貴

(1. 國(guó)網(wǎng)山西省電力公司經(jīng)濟(jì)技術(shù)研究院,太原 030000;2.重慶大學(xué)輸配電裝備及系統(tǒng)安全與新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室,重慶 400044; 3.國(guó)網(wǎng)重慶市電力公司電力科學(xué)研究院,重慶 404100)

0 引 言

油浸式變壓器是電力系統(tǒng)的重要組成元件,其穩(wěn)定運(yùn)行是保證系統(tǒng)供電可靠性的基礎(chǔ)[1]。變壓器故障率是評(píng)估其可靠性的主要參數(shù),及時(shí)準(zhǔn)確地獲知變壓器實(shí)時(shí)故障率能夠?yàn)檎{(diào)度運(yùn)行、檢修計(jì)劃制定以及電網(wǎng)規(guī)劃提供充分的依據(jù)[2]。因此,對(duì)變壓器故障率進(jìn)行預(yù)測(cè)建模成為當(dāng)下研究熱點(diǎn)之一。

變壓器的故障可分為內(nèi)部潛伏性故障和外部隨機(jī)故障,兩者在故障的發(fā)展模式上有所區(qū)別,因此,在故障率建模過程中,應(yīng)該分開考慮這兩種故障模式[3]。由于變壓器的故障大多是由其內(nèi)部器件老化引起的內(nèi)部潛伏性故障[4],因此,研究側(cè)重于建立可以表征變壓器內(nèi)部潛伏性故障的時(shí)變故障率模型。

變壓器油中溶解氣體的含量與其內(nèi)部潛伏性故障嚴(yán)重程度存在著顯著的對(duì)應(yīng)關(guān)系,已經(jīng)在變壓器故障診斷與狀態(tài)評(píng)估等領(lǐng)域得到了廣泛的應(yīng)用[5-6]。通過對(duì)油中溶解氣體分析(dissolved gas analysis, DGA),可以及時(shí)了解變壓器實(shí)時(shí)運(yùn)行工況、掌握其內(nèi)部潛伏性故障率的變化特征[7], 因此適合以油色譜監(jiān)測(cè)數(shù)據(jù)(下稱DGA數(shù)據(jù))進(jìn)行故障率建模。文獻(xiàn)[8]基于小樣本訓(xùn)練數(shù)據(jù),利用最小二乘-支持向量機(jī)法對(duì)變壓器故障率與油中氣體含量、產(chǎn)氣速率等特征量的關(guān)系進(jìn)行擬合,以求解變壓器實(shí)時(shí)故障率;文獻(xiàn)[9]基于馬爾科夫過程理論,建立了變壓器時(shí)變停運(yùn)模型,但是忽視了維護(hù)操作對(duì)變壓器故障率的實(shí)際影響。文獻(xiàn)[10]通過引入比例風(fēng)險(xiǎn)模型對(duì)變壓器時(shí)變停運(yùn)率進(jìn)行建模,克服了監(jiān)測(cè)間隔對(duì)故障率預(yù)測(cè)精度的影響,但是也未能有效表征維護(hù)操作影響。文獻(xiàn)[1,4]為刻畫維護(hù)操作的影響,在建模過程中進(jìn)一步引入役齡,絕緣紙含水量等協(xié)變量,但是該類數(shù)據(jù)無法反映變壓器實(shí)時(shí)的內(nèi)部運(yùn)行工況。同時(shí),該類數(shù)據(jù)的獲取依賴于復(fù)雜的加速老化試驗(yàn),實(shí)際工況數(shù)據(jù)很難獲得。事實(shí)上,短時(shí)間尺度下的DGA數(shù)據(jù)變化可以反映考慮維護(hù)操作影響的變壓器短期故障率變化特征,但上述文獻(xiàn)在建模過程使用的DGA數(shù)據(jù)來源較為單一,采樣數(shù)據(jù)時(shí)間跨度大多超過數(shù)月[11]。近年來,隨著大量的變壓器在線監(jiān)測(cè)設(shè)備安裝、投運(yùn),DGA數(shù)據(jù)在內(nèi)容廣度以及采樣時(shí)間頻度上得到了很大地提升,電網(wǎng)已經(jīng)積累了非常豐富的數(shù)據(jù),呈現(xiàn)典型的大數(shù)據(jù)特征[12],因此,通過挖掘以天為采樣單位的變壓器DGA監(jiān)測(cè)數(shù)據(jù),提出了一種基于數(shù)據(jù)挖掘的變壓器時(shí)變內(nèi)部潛伏性故障率預(yù)測(cè)模型。

為了表征維護(hù)操作的影響,提出傳統(tǒng)馬爾科夫故障率模型中自變量狀態(tài)持續(xù)時(shí)間進(jìn)行修正。利用徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)構(gòu)建了表征油色譜監(jiān)測(cè)數(shù)據(jù)輸入與修正狀態(tài)持續(xù)時(shí)間輸出關(guān)系的映射模型;其中,為了避免各溶解氣體間存在的相關(guān)性及溶解氣體種類過多可能引起神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確度不穩(wěn)定的問題,采用R型聚類-主成分分析算法(R cluster analysis-principal component analysis, RCA-PCA)提取關(guān)鍵溶解氣體種類,進(jìn)而縮減神經(jīng)網(wǎng)絡(luò)輸入維度。結(jié)合變壓器多狀態(tài)馬爾科夫過程,得到了以修正狀態(tài)持續(xù)時(shí)間的變壓器時(shí)變故障率表達(dá)式。最后與傳統(tǒng)變壓器馬爾科夫故障率模型進(jìn)行比較,驗(yàn)證文中模型的優(yōu)越性。

1 模型框架

依據(jù)上述思路,提出的變壓器內(nèi)部潛伏性故障率預(yù)測(cè)模型研究框架如圖1所示。

圖1 變壓器內(nèi)部潛伏性故障率預(yù)測(cè)模型研究框架

在不計(jì)及變壓器DGA狀態(tài)監(jiān)測(cè)系統(tǒng)裝置異?；蝈e(cuò)誤的前提下,對(duì)油浸式變壓器的內(nèi)部潛伏性故障率進(jìn)行預(yù)測(cè)建模的基本步驟如下：

步驟1：首先對(duì)維修前的變壓器的DGA溶解氣體進(jìn)行預(yù)處理,基于RCA-PCA提取關(guān)鍵溶解氣體。以維修前的關(guān)鍵氣體含量作為輸入,對(duì)應(yīng)的狀態(tài)持續(xù)時(shí)間作為輸出,構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本;

步驟2：選擇合適的核函數(shù),將訓(xùn)練樣本輸入RBF模型中,建立輸入與輸出間的映射關(guān)系。此時(shí)輸出也為修正的狀態(tài)持續(xù)時(shí)間;

步驟3：基于修正的狀態(tài)持續(xù)時(shí)間,對(duì)傳統(tǒng)馬爾科夫故障率模型進(jìn)行修正,得到考慮維護(hù)操作影響的故障率解析表達(dá)式;

步驟4：輸入實(shí)時(shí)的變壓器關(guān)鍵溶解氣體含量監(jiān)測(cè)數(shù)據(jù)至故障率修正模型中,獲取此時(shí)對(duì)應(yīng)的內(nèi)部潛伏性故障率預(yù)測(cè)值。

2 馬爾科夫故障率模型

作為一個(gè)典型的可修復(fù)元件,油浸式變壓器的運(yùn)行工況一般在良好、警告、危險(xiǎn)及故障四個(gè)狀態(tài)間轉(zhuǎn)移[13],具體轉(zhuǎn)移過程如圖2所示。

圖2中所描述的變壓器各狀態(tài)轉(zhuǎn)移過程符合典型的馬爾科夫轉(zhuǎn)移,因此,圖2也稱為變壓器的馬爾科夫多狀態(tài)轉(zhuǎn)移圖。由圖2可以看出,變壓器在自然運(yùn)行過程中存在明顯的內(nèi)部惡化過程,但維護(hù)操作可使其恢復(fù)到前一個(gè)狀態(tài)或是初始良好狀態(tài)[14]。其中,wi,j表示變壓器從狀態(tài)i到狀態(tài)j的轉(zhuǎn)移速率,wi,j=1/yi,yi為變壓器運(yùn)行在狀態(tài)i的持續(xù)時(shí)間,也稱為狀態(tài)持續(xù)時(shí)間。

圖2 變壓器運(yùn)行狀態(tài)轉(zhuǎn)移圖

基于上述馬爾科夫轉(zhuǎn)移過程得到的轉(zhuǎn)移速率矩陣如下所示：

(1)

假設(shè)變壓器在t時(shí)刻運(yùn)行在各狀態(tài)的概率為：P(t)=[P1(t),P2(t),P3(t),P4(t)],初始運(yùn)行狀態(tài)為P(0)。則依據(jù)文獻(xiàn)[4]給出的馬爾科夫故障率求解方法,可以求得t時(shí)刻變壓器的內(nèi)部潛伏性故障率λ(t)等于P4(ti)。其中,ti為變壓器在t時(shí)刻已運(yùn)行在狀態(tài)i的持續(xù)時(shí)間,也稱為t時(shí)刻對(duì)應(yīng)的狀態(tài)持續(xù)時(shí)間。

圖3給出了基于上述模型得到的變壓器內(nèi)部潛伏性故障率隨時(shí)間變化的曲線。

圖3 變壓器故障率變化圖

如圖3所示,變壓器在t2時(shí)刻經(jīng)歷維護(hù)操作后,重新返回狀態(tài)1。由于t1與t3處于狀態(tài)1的持續(xù)時(shí)間相同,此時(shí)得到的兩個(gè)時(shí)刻對(duì)應(yīng)的故障率值也相同。在實(shí)際中,由于維護(hù)操作不可能使得變壓器重新返回狀態(tài)1的初始時(shí)刻,因此t1與t3時(shí)刻的故障率應(yīng)該有所區(qū)別。但是,該模型中的自變量狀態(tài)持續(xù)時(shí)間僅考慮了變壓器在所處時(shí)刻的運(yùn)行狀態(tài)與運(yùn)行持續(xù)時(shí)間,忽略了可以量化維護(hù)操作影響的變壓器實(shí)時(shí)運(yùn)行工況信息。事實(shí)上,在準(zhǔn)確量化維護(hù)操作影響后,相較于t1時(shí)刻,t3時(shí)刻的故障率應(yīng)該有所增加[8],因此,該狀態(tài)持續(xù)時(shí)間需要被修正,具體修正方法將在下一節(jié)介紹。

3 馬爾科夫故障率修正模型

油色譜實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)可以準(zhǔn)確反映變壓器的運(yùn)行工況,因此,選擇以天為單位的油色譜數(shù)據(jù)作為建?；A(chǔ),對(duì)馬爾科夫故障率模型中的狀態(tài)持續(xù)時(shí)間進(jìn)行修正。由于油色譜監(jiān)測(cè)信息與修正狀態(tài)持續(xù)時(shí)間之間存在典型的非線性關(guān)系,因此采用RBF神經(jīng)網(wǎng)絡(luò)建立油色譜監(jiān)測(cè)信息與修正狀態(tài)持續(xù)時(shí)間的映射關(guān)系。針對(duì)輸入溶解氣體種類過多以及各氣體間高相關(guān)性可能會(huì)引起RBF模型結(jié)果不穩(wěn)定的問題, 提出一種基于RCA-PCA算法的關(guān)鍵溶解氣體篩選方法。

3.1 基于RCA-PCA的關(guān)鍵溶解氣體提取

3.1.1 基于RCA的溶解氣體聚類

RCA是一種典型的多元統(tǒng)計(jì)分析方法,已被廣泛應(yīng)用于變量聚類[15]。通過RCA將相關(guān)性高的溶解氣體聚為同一類。其中,為了克服各溶解氣體含量取值標(biāo)準(zhǔn)的差異性,選擇平均相關(guān)系數(shù)作為各溶解氣體間的相關(guān)性度量標(biāo)準(zhǔn)[15]。

假設(shè)有N組變壓器油色譜歷史數(shù)據(jù)作為訓(xùn)練樣本,每組樣本具有L種溶解氣體,那么第n組監(jiān)測(cè)數(shù)據(jù)(1≤n≤N)可以表示為：

Sn=(Sn1,Sn2,……SnL)

(2)

由訓(xùn)練樣本得到的第q種與第r種溶解氣體(1 ≤q≤L, 1 ≤r≤L)的歸一化后取值集合可以表示為：

(3)

則表征第q種與第r種溶解氣體之間相關(guān)程度的平均相關(guān)系數(shù)gq,r如下所示：

(4)

du,v=xup-xvq

(5)

可以看出,平均相關(guān)系數(shù)relq,r等于Xq與Xr中兩樣本點(diǎn)間歐式距離的平均值。其取值范圍為[0,1]。relq,r越大表示兩種溶解氣體間的相關(guān)性越高;反之,兩種溶解氣體間的相關(guān)性越低。

設(shè)L種溶解氣體被聚為K類,則任意兩個(gè)氣體聚類集合GA與GB間的距離Dis(GA,GB)可以由最大距離法計(jì)算：

(6)

disa,b=1-rela,b

(7)

此時(shí),Dis(GA,GB)與兩個(gè)聚類集合中相關(guān)性最小的兩個(gè)溶解氣體間的相似性度量值有關(guān)。利用上述指標(biāo),基于RCA的溶解氣體聚類過程如圖4所示。

上述溶解氣體聚類方法按照各氣體間的相關(guān)關(guān)系把它們聚成若干類,為下一步基于PCA提取每一個(gè)聚類集合中的關(guān)鍵溶解氣體奠定了基礎(chǔ)。

3.1.2 基于PCA的關(guān)鍵溶解氣體提取

PCA是數(shù)據(jù)挖掘中一種高效的降維算法[16],文中借助PCA確定每一個(gè)聚類集合中各溶解氣體的影響權(quán)重,通過保留高權(quán)重的溶解氣體,刪除其他溶解氣體的方式實(shí)現(xiàn)對(duì)關(guān)鍵溶解氣體篩選。

圖4 基于RCA的溶解氣體聚類過程

設(shè)第k個(gè)氣體聚類集合內(nèi)包含F(xiàn)種溶解氣體。由于PCA的結(jié)果受到各種溶解氣體含量數(shù)量級(jí)差異的影響,采用Min-Max標(biāo)準(zhǔn)化方法對(duì)油色譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理[16-17],具體如下所示：

(8)

式中 1 ≤f≤F, 1 ≤o≤N。xfo為第f種溶解氣體在第o天的監(jiān)測(cè)值,x′fo為標(biāo)準(zhǔn)化處理后的監(jiān)測(cè)數(shù)值。

應(yīng)用PCA進(jìn)行各聚類集合中關(guān)鍵溶解氣體篩選的具體步驟如下所示：

Step 1： 依據(jù)式(8)對(duì)油色譜監(jiān)測(cè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理;

Step 2： 分析標(biāo)準(zhǔn)化油色譜監(jiān)測(cè)數(shù)據(jù)之間的相關(guān)關(guān)系密切程度,以Person相似度為指標(biāo)建立相關(guān)系數(shù)矩陣;

Step 3： 計(jì)算相關(guān)系數(shù)矩陣的特征根與特征向量;

Step 4： 分析各個(gè)主成分的貢獻(xiàn)率,選擇累積貢獻(xiàn)率達(dá)到85%及以上的主成分種類與個(gè)數(shù);

Step 5： 計(jì)算各個(gè)主成分與原始指標(biāo)的相關(guān)系數(shù)(因子載荷量),進(jìn)一步解釋各主成分的含義;

Step 6： 主成分分析表達(dá)式分解,確定各個(gè)溶解氣體的權(quán)重占比;

Step 7： 指定關(guān)鍵氣體個(gè)數(shù),依次選擇權(quán)重大的溶解氣體作為關(guān)鍵溶解氣體。

3.2 變壓器狀態(tài)持續(xù)時(shí)間修正

徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用廣泛的函數(shù)逼近工具,能夠以任意精度逼近任意的非線性函數(shù),性能優(yōu)于現(xiàn)有的淺層神經(jīng)網(wǎng)絡(luò)(如標(biāo)準(zhǔn)反向傳播神經(jīng)網(wǎng)絡(luò)等)[18-19]。因此,基于RBF神經(jīng)網(wǎng)絡(luò)建立關(guān)鍵溶解氣體數(shù)據(jù)與其修正的狀態(tài)持續(xù)時(shí)間之間的輸入輸出映射關(guān)系。RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的具體結(jié)構(gòu)如圖5所示。

圖5 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

在變壓器未經(jīng)歷維護(hù)操作前,其狀態(tài)持續(xù)時(shí)間不需要修正,即認(rèn)為變壓器維護(hù)前的狀態(tài)持續(xù)時(shí)間與其修正的狀態(tài)持續(xù)時(shí)間相同。因此應(yīng)選擇未經(jīng)歷維護(hù)操作之前的關(guān)鍵溶解氣體信息及對(duì)應(yīng)的狀態(tài)持續(xù)時(shí)間作為RBF模型的訓(xùn)練樣本。設(shè)該神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為α,輸出層節(jié)點(diǎn)數(shù)為β。輸入層的輸入INPUT可以表示為：

(9)

式中α為關(guān)鍵氣體個(gè)數(shù)。同樣,輸出層的輸出OUTPUT可以表示為：

(10)

設(shè)隱含層中有γ個(gè)節(jié)點(diǎn)數(shù),則輸出層第η個(gè)神經(jīng)元網(wǎng)絡(luò)輸出可以表示：

(11)

式中ωiη為確定的隱含層第i個(gè)神經(jīng)元與輸出層第η個(gè)神經(jīng)元的連接權(quán)值。i(INPUT)為隱含層第i個(gè)神經(jīng)元的作用函數(shù),采用高斯函數(shù)作為作用函數(shù),如下式所示：

(12)

式中Ci表示RBF神經(jīng)網(wǎng)絡(luò)的第i個(gè)基函數(shù)的數(shù)據(jù)中心;σi為其對(duì)應(yīng)的方差參數(shù)。當(dāng)ωiη、Ci以及σi通過訓(xùn)練過程確定后,給定一組變壓器關(guān)鍵氣體監(jiān)測(cè)數(shù)據(jù)就可以求出網(wǎng)絡(luò)輸出的修正狀態(tài)持續(xù)時(shí)間值。

依據(jù)本節(jié)提出的方法對(duì)t時(shí)刻變壓器的狀態(tài)持續(xù)時(shí)間進(jìn)行修正,ti為該時(shí)刻對(duì)應(yīng)的狀態(tài)持續(xù)時(shí)間,此時(shí)修正的狀態(tài)持續(xù)時(shí)間為t′i。結(jié)合第三節(jié)介紹的馬爾可夫故障率模型,基于修正模型求得的t時(shí)刻變壓器發(fā)生潛伏性故障的故障率λ(t)=P4(t′i)。

4 算例分析

以西南地區(qū)某電力公司多臺(tái)110 kV油浸式電力變壓器的油中溶解氣體含量監(jiān)測(cè)數(shù)據(jù),對(duì)所提出的變壓器內(nèi)部潛伏性故障率模型進(jìn)行了分析驗(yàn)證。表1給出了某臺(tái)變壓器部分的油色譜歷史監(jiān)測(cè)數(shù)據(jù),由表1可以看出,變壓器油中溶解氣體包括氫氣、乙炔、甲烷、乙烷、乙烯、一氧化碳、二氧化碳、總烴等8種溶解氣體。

表1 變壓器油色譜歷史監(jiān)測(cè)數(shù)據(jù)

4.1 關(guān)鍵溶解氣體提取

利用所給出的RCA聚類算法,依據(jù)各溶解氣體之間相關(guān)度對(duì)其進(jìn)行聚類,得到的聚類圖如圖6所示。

圖6 八種溶解氣體的聚類圖

根據(jù)圖6,可以得到不同聚類數(shù)目時(shí)的溶解氣體聚類結(jié)果。如表2所示。

表2 聚類結(jié)果比較

由表2可以看出,當(dāng)氣體聚為2類或者4類時(shí),容易出現(xiàn)各類包含的氣體數(shù)目不均勻或數(shù)目過少的情況,不利于進(jìn)行主成分分析。因此,選擇將八種溶解氣體聚為3類。第一類為乙烷、二氧化碳;第二類為氫氣、一氧化碳;第三類為乙炔、甲烷、乙烷、二氧化碳。

對(duì)每一類包含的溶解氣體進(jìn)行主成分分析,選擇權(quán)重大的溶解氣體作為該類的關(guān)鍵溶解氣體。具體的分析結(jié)果如表3所示。

表3 PCA分析結(jié)果

由表3可以看出,在第一類中,乙烷的權(quán)重是二氧化碳權(quán)重的1.35倍,因此選擇乙烷作為第一類的關(guān)鍵氣體。同理,可以選擇氫氣作為第二類的關(guān)鍵氣體,由于第三類氣體種類數(shù)目較多,且乙炔和總烴的權(quán)重明顯大于甲烷和乙烯所占的權(quán)重,因此同時(shí)選擇乙炔與總烴作為該類的關(guān)鍵氣體。結(jié)合文獻(xiàn)[13]指出的甲烷與氫氣、乙烷與甲烷、乙烯與乙烷、乙炔與甲烷間分別存在較高的相關(guān)性,基于關(guān)鍵氣體選擇方法得到的結(jié)果恰好避免了同時(shí)選擇高相關(guān)性氣體這一問題,從側(cè)面驗(yàn)證了所提出的RCA-PCA方法的正確性與有效性。

4.2 馬爾科夫故障率修正模型驗(yàn)證

為了刻畫維護(hù)操作對(duì)故障率的影響,選取某臺(tái)變壓器從2016年12月24日～2017年1月7日這一期間每日油色譜監(jiān)測(cè)數(shù)據(jù)作為故障率建模數(shù)據(jù)。需要指出的是,該臺(tái)變壓器在2016年12月24日經(jīng)歷了維護(hù)操作,這也意味著,在這之后,該臺(tái)變壓器的狀態(tài)持續(xù)時(shí)間已無法反映其實(shí)際運(yùn)行工況,因此需要被重新修正。表4給出了該臺(tái)變壓器在這一期間內(nèi)的每日對(duì)應(yīng)的狀態(tài)持續(xù)時(shí)間、等效狀態(tài)持續(xù)時(shí)間以及運(yùn)行狀態(tài)等運(yùn)行參數(shù)。

表4 變壓器運(yùn)行參數(shù)對(duì)應(yīng)表

由表4可以看出,基于提出的模型,經(jīng)歷維護(hù)操作的變壓器在2016年12月24日處于狀態(tài)1,其實(shí)際工況相當(dāng)于在狀態(tài)1已經(jīng)運(yùn)行299.937天。而傳統(tǒng)馬爾可夫模型則認(rèn)為變壓器在2016年12月24這一天的運(yùn)行工況應(yīng)該是處于狀態(tài)1的第1天,具體的原因已經(jīng)在第2節(jié)進(jìn)行了分析。

基于兩種模型對(duì)這一期間內(nèi)的變壓器內(nèi)部潛伏性故障率進(jìn)行計(jì)算,結(jié)果如圖7所示。

由圖7可以看出,經(jīng)過維護(hù)操作后,馬爾科夫故障率模型得到的故障率值遠(yuǎn)遠(yuǎn)小于文中模型得到的故障率。這是由于文中的模型認(rèn)為,盡管維護(hù)操作可以降低變壓器故障的發(fā)展程度,但不能將變壓器修復(fù)到某一狀態(tài)的初始運(yùn)行時(shí)刻。

本算例也著重分析了維護(hù)操作對(duì)變壓器故障率的影響程度。維護(hù)操作引起的變壓器故障率增量是文中模型得到的故障率值與馬爾科夫模型得到的故障率之差。2016年12月24日～2017年1月7日這一期間內(nèi)每天的變壓器故障率增量如圖8所示。

圖7 變壓器內(nèi)部潛伏性故障率對(duì)比

圖8 變壓器內(nèi)部潛伏性故障率增量

由圖8可以看出,兩種模型計(jì)算出的故障率存在巨大的差異,基于兩種模型得到的故障率增量值遠(yuǎn)遠(yuǎn)大于傳統(tǒng)馬爾可夫模型故障率值,這說明維護(hù)操作對(duì)于變壓器故障率的影響不可以忽視。若故障率計(jì)算中不考慮變壓器維護(hù)操作的實(shí)際影響,將會(huì)導(dǎo)致對(duì)于變壓器狀態(tài)評(píng)估結(jié)果過于樂觀,進(jìn)而給系統(tǒng)運(yùn)行帶來更大的風(fēng)險(xiǎn)。

5 結(jié)束語

文章對(duì)變壓器油色譜監(jiān)測(cè)數(shù)據(jù)進(jìn)行深入的分析與挖掘,建立了一個(gè)基于數(shù)據(jù)驅(qū)動(dòng)的變壓器內(nèi)部潛伏性故障率預(yù)測(cè)模型,有效地考慮了維護(hù)操作的影響。利用RBF神經(jīng)網(wǎng)絡(luò)建立了變壓器修正狀態(tài)持續(xù)時(shí)間與其監(jiān)測(cè)數(shù)據(jù)間的非線性映射,結(jié)合馬爾可夫狀態(tài)轉(zhuǎn)移過程,推導(dǎo)得到了故障率關(guān)于修正狀態(tài)持續(xù)時(shí)間的解析表達(dá)式。其中,通過RCA-PCA算法提取了關(guān)鍵溶解氣體種類,保證了神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的穩(wěn)定性。所提出的模型進(jìn)一步拓展了變壓器內(nèi)部潛伏性故障率的建模思路,可以對(duì)設(shè)備運(yùn)行狀況進(jìn)行更加合理的分析、評(píng)估,有助于電網(wǎng)系統(tǒng)運(yùn)維人員做出科學(xué)的檢修決策。事實(shí)上,在監(jiān)測(cè)數(shù)據(jù)傳輸過程中,容易發(fā)生數(shù)據(jù)缺失等問題,后續(xù)研究可從缺失數(shù)據(jù)修補(bǔ)等方面展開,基于已有的海量數(shù)據(jù)研究有效的缺失數(shù)據(jù)修補(bǔ)方法,進(jìn)一步提升建模數(shù)據(jù)的質(zhì)量,進(jìn)而提高故障率建模的精度。