一种基于多维数据评价的变压器运行状态综合预测方法

本发明涉及电气设备状态评估技术领域，尤其涉及一种基于多维数据评价的变压器运行状态综合预测方法。

背景技术：

随着我国特高压工程的大规模建设与推广，在提高电网容量的同时，也对供电可靠提出更高的要求。作为电力系统关键的枢纽设备，大型变压器的运行状态与电网的运行可靠性与稳定性直接相关。由于变压器连接着不同电压等级的电网，如果其发生故障就会导致电压波动、设备损毁和大面积停电等重大电力事故，导致严重的经济损失和社会影响。因此，准确检测和提取变压器的特征信息，开展状态评估和进行有效的状态预测，有利于提高变压器的运行维护和检修水平，预防和降低变压器故障的发生风险，是电力系统实现状态检修的前提。

变压器运行状态评估是通过分析变压器的工作情况，评价出相应的运行健康状态等级；变压器运行状态预测是根据变压器运行历史数据，预测未来一段时间内的变压器运行状态变化趋势，为运行和检修人员提供快速、准确的信息。变压器状态预测是变压器状态检修的关键。但是，因为影响变压器状态的因素很多，运行状态劣化过程十分复杂，因此，变压器状态预测是一项复杂而重要的课题。随着国家电网公司开展大检修体系的建设，迫切需求能够对现场变压器运行状态进行综合预测的技术和手段。研究变压器运行状态综合预测方法，对于降低变压器故障的发生风险，保证其运行安全具有至关重要的理论研究价值和工程应用意义。

目前国内外变压器运行状态的领域中，针对变压器运行状态综合预测方法的研究尚未开展，也缺少有效的综合预测模型。因此，对于当前没有出现故障或故障趋势不明显的变压器，现有的研究结果无法预测运行变压器绕组未来的变形状态。如果能够通过某种预测手段，有效地预测变压器绕组特征指标发展变化趋势，就能够提前掌握绕组的运行情况。对于运行变压器而言，缺乏基于周期连续的历史数据开展综合预测模型建立的研究。上述因素使变压器绕组变形状态预测方法的研究和在线应用受到严重的限制。

技术实现要素：

针对现有技术的不足，本发明提供一种基于多维数据评价的变压器运行状态综合预测方法。

一种基于多维数据评价的变压器运行状态综合预测方法，包括以下步骤：

步骤1：获取不同运行年限变压器对应的多维历史数据构建训练集与预测模型；

所述变压器多维历史数据包括出线端温度信号、绕组振动信号、短路电抗信号、接地电流信号、铁芯磁场强度信号、油温信号、油位信号、微水含量信号、局部放电信号、油色谱信号、介质损耗信号、绝缘电阻信号、箱体金属含量信号、分接开关振动信号、风扇振动信号；令数据集xi＝{t运行年限}，yi＝{t运行年限对应的变压器多维历史数据}，其中t＝1,2,...,n，建立训练样本集；取训练样本集前面n个数据作为训练样本，其余作为测试样本；对训练样本和测试样本进行相空间重构，将运行年限序列转化为矩阵形式，用于最小二乘支持向量机ls.svm学习；

所述最小二乘支持向量机ls.svm学习的样本为：

式中，m为模型的嵌入维数，n为训练样本数。

建立训练样本和预测模型的映射关系：

其中，为运行年限多维历史数据的提前一步预测值。

设训练样本d＝{(xk,yk)|k＝1,2,...,n}，其中xk∈rⁿ,yk∈r分别为输入和输出数据，xk指测试数据对应的变压器运行年限，yk指测试得到的变压器多维数据，且yk＝f(xk)，其中f(x)为非线性映射函数，其表达形式为：

式中，ω为特征空间的权向量，b为偏置,预测模型最小二乘拟合函数，n为样本数量；

则最小二乘支持向量机回归估计为求解如下优化问题：

式中，ek∈rⁿ为误差变量，γ为调整参数。ω为特征空间的权向量，j(ω,e)为最小二乘估计函数，b为偏置。

引入拉格朗日函数αk∈r为拉格朗日乘子，根据最优化理论，得到如下线性方程组：

式中，y＝[y1,...,yn]^t，1v＝[1,...,1]^t，α＝[α1,...,αn]^t，k，l＝1,...,n，k(xk,xl)为满足梅西条件的核函数，i为拉格朗日函数矩阵参量；

使用最小二乘法求出a和b，则最小二乘支持向量机回归估计表示为预测模型的公式：

步骤2：对模型进行rbf核函数训练及mse参数寻优；

所述rbf核函数训练，是对惩罚因子c和rbf核函数参数γ进行交叉验证方法寻优，其中rbf核为：

k(xi,xj)＝exp(-||xi-xj||²/2σ²)

σ为模型优化的宽度参数；

设预测精度最优化问题就转换为下面最小化问题，

上式最小值就取决于参数(c，γ)的选择，选择最佳的参数使svm回归性能最好。

使用确定的参数和训练样本训练最小二乘支持向量机得到预测模型；采用极差标准化对数据进行标准化处理，标准化后的数值在[0，1]范围内：

式中，x(i)为变压器多维数据样本某一列中待归一的值，maxx(i)和minx(i)分别为该列样本的极大和极小值，y(i)为第i时刻的实际值，maxy(i)和miny(i)分别为实际的极大和极小值，x’(i)和y’(i)分别为归一化后的值；

步骤3：对训练样本按照下式的回归函数yt进行训练，并进行预测结果误差判定：

ɑk为拉格朗日乘子，k为满足梅西条件的核函数，b为偏置；

由于则有第一步预测：

将要预测时刻对应的参数，具体包括出线端温度信号、绕组振动信号、短路电抗信号、接地电流信号、铁芯磁场强度信号、油温信号、油位信号、微水含量信号、局部放电信号、油色谱信号、介质损耗信号、绝缘电阻信号、箱体金属含量信号、分接开关振动信号、风扇振动信号)输入到训练好的最小二乘支持向量机模型进行预测，得到预测结果；为了检验模型的有效性，使用预测误差来评价预测结果，预测误差ε的计算公式为：

式中，xi为某个运行年限序列对应变压器多维数据的实际值；为预测数据的计算值；预测误差大，表明预测方法精度较低，继续进行上述预测过程，直至预测精度满足预先设定阈值；

如果预测误差大于给定误差范围，则返回步骤2，直至预测结果小于模型给定的误差范围；将预测得到的结果作为最小二乘支持向量机预测模型新的输入，可以预测得到目标运行年限的对应值，从而实现多步预测；采用训练好的预测模型分别开展下一目标运行年限序列的多维数据预测，得到变压器多维数据的预测结果，即最终得到第n+l步预测值：

式中，

步骤4：计算预测得到多维数据的欧式距离以及数据信息熵权重；

针对预测得到的多维数据，逐一计算多维数据量化值。由于评价指标具有不同的量纲和数量级，不能直接进行比较，需要对其进行标准化处理，指标层中的各个指标都是中间型指标，其量化方法如式所示：

式中，p为指标归一化后的值，x为指标实测值，a1和a2表示该指标的最小值和最大值；

计算多维数据预测结果的量化值，与变压器出厂时标准多维数据量化值的欧氏距离，计算公式为：

式中kt为多维数据预测结果的量化值，ki为多维数据量化后的出厂标准值，d即为多维数据欧氏距离。

根据计算的多维数据欧氏距离作为多维数据状态值，评价出多维数据状态，计算各多维数据的信息熵，即：

hj＝-plnp

式中，i＝1,2,…,n；j＝1,2,…,m。

计算各多维数据的熵权w，即：

步骤5：根据多维数据的预测结果，进行变压器部件状态预测、以及变压器整体运行状态预测；

在部件状态预测层中，进行变压器部件状态预测，根据多维数据预测层中预测得到的出线端温度信号、绕组振动信号、短路电抗信号、接地电流信号、铁芯磁场强度信号、油温信号、油位信号、微水含量信号、局部放电信号、油色谱信号、介质损耗信号、绝缘电阻信号、箱体金属含量信号、分接开关振动信号、风扇振动信号，进行量化计算后，采用如下公式预测变压器部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)。

式中，d^j为变压器部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)的状态值。为多维数据的欧氏距离的集合，即为出线端温度信号、绕组振动信号、短路电抗信号、接地电流信号、铁芯磁场强度信号、油温信号、油位信号、微水含量信号、局部放电信号、油色谱信号、介质损耗信号、绝缘电阻信号、箱体金属含量信号、分接开关振动信号、风扇振动信号。wi为多维数据的欧氏距离对应的熵值权重。

在设备状态预测层中，进行变压器整体运行状态预测。根据部件预测层中预测得到的变压器部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)的预测结果，预测变压器整体运行状态。

式中，d^m为变压器整体运行状态的状态值。为变压器部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)的状态值的集合。wj为部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)的状态值对应的熵值权重。

采用上述技术方案所产生的有益效果在于：

本发明提出了一种基于多维数据评价的变压器运行状态综合预测方法，可以实现对变压器运行状态的全景感知与提前预警，突破以往状态监测中判据单一的局限，提高电力变压器运行稳定性和运行寿命，推动电力设备状态预测领域科学技术的突破与进步，提升我国电力行业的状态检修效率和运维水平。

附图说明

图1为本发明变压器运行状态综合预测方法流程图；

图2为本发明变压器运行状态综合预测模型图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种基于多维数据评价的变压器运行状态综合预测方法，如图1所示，包括以下步骤：

步骤1：获取不同运行年限变压器对应的多维历史数据构建训练集与预测模型；

所述变压器多维历史数据包括出线端温度信号、绕组振动信号、短路电抗信号、接地电流信号、铁芯磁场强度信号、油温信号、油位信号、微水含量信号、局部放电信号、油色谱信号、介质损耗信号、绝缘电阻信号、箱体金属含量信号、分接开关振动信号、风扇振动信号；令数据集xi＝{t运行年限}，yi＝{t运行年限对应的变压器多维历史数据}，其中t＝1,2,...,n，建立训练样本集；取训练样本集前面n个数据作为训练样本，其余作为测试样本；对训练样本和测试样本进行相空间重构，将运行年限序列转化为矩阵形式，用于最小二乘支持向量机ls.svm学习；

支持向量机(supportvectormachine，svm)是cortes和vapnik于1995年首先提出的一种用于模式识别的方法，也是数据挖掘中的一种新方法、新技术。随着国内外大批专家学者对svm进行深入的研究,其应用领域不断延伸,在密度估计、回归预测等方面显现的重要性越来越明显。支持向量机预测模型对预测的未来样本有较好的泛化能力，其泛化能力要优于传统神经网络模型和模糊算法模型。标准的支持向量机算法是将一个实际问题转化为一个带不等式约束的二次凸规划问题，而最小二乘支持向量机是将实际问题转化为求解一组线性方程组的问题，简化了计算，提高了收敛速度。由于变压器的多维历史数据有限，支持向量机算法可以更为有效的预测未来数据变化趋势。因此采用该理论作为变压器整体运行状态的预测方法，最小二乘支持向量机ls.svm学习的样本为：

式中，m为模型的嵌入维数，n为训练样本数。

建立训练样本和预测模型的映射关系：

其中，为运行年限多维历史数据的提前一步预测值。

设训练样本d＝{(xk,yk)|k＝1,2,...,n}，其中xk∈rⁿ,yk∈r分别为输入和输出数据，xk指测试数据对应的变压器运行年限，yk指测试得到的变压器多维数据，且yk＝f(xk)，其中f(x)为非线性映射函数，其表达形式为：

式中，ω为特征空间的权向量，b为偏置,预测模型最小二乘拟合函数，n为样本数量；

则最小二乘支持向量机回归估计为求解如下优化问题：

式中，ek∈rⁿ为误差变量，γ为调整参数。ω为特征空间的权向量，j(ω,e)为最小二乘估计函数，b为偏置。

引入拉格朗日函数αk∈r为拉格朗日乘子，根据最优化理论，得到如下线性方程组：

式中，y＝[y1,...,yn]^t，1v＝[1,...,1]^t，α＝[α1,...,αn]^t，k，l＝1,...,n，k(xk,xl)为满足梅西条件的核函数，i为拉格朗日函数矩阵参量；

使用最小二乘法求出a和b，则最小二乘支持向量机回归估计表示为预测模型的公式：

步骤2：对模型进行rbf核函数训练及mse参数寻优；

所述rbf核函数训练，是对惩罚因子c和rbf核函数参数γ进行交叉验证方法寻优，其中rbf核为：

k(xi,xj)＝exp(-||xi-xj||²/2σ²)

σ为模型优化的宽度参数；

设预测精度最优化问题就转换为下面最小化问题，

上式最小值就取决于参数(c，γ)的选择，选择最佳的参数使svm回归性能最好。

使用确定的参数和训练样本训练最小二乘支持向量机得到预测模型；采用极差标准化对数据进行标准化处理，标准化后的数值在[0，1]范围内：

式中，x(i)为变压器多维数据样本某一列中待归一的值，maxx(i)和minx(i)分别为该列样本的极大和极小值，y(i)为第i时刻的实际值，maxy(i)和miny(i)分别为实际的极大和极小值，x’(i)和y’(i)分别为归一化后的值；

步骤3：对训练样本按照下式的回归函数yt进行训练，并进行预测结果误差判定：

ɑk为拉格朗日乘子，k为满足梅西条件的核函数，b为偏置；

由于则有第一步预测：

将要预测时刻对应的参数，具体包括出线端温度信号、绕组振动信号、短路电抗信号、接地电流信号、铁芯磁场强度信号、油温信号、油位信号、微水含量信号、局部放电信号、油色谱信号、介质损耗信号、绝缘电阻信号、箱体金属含量信号、分接开关振动信号、风扇振动信号)输入到训练好的最小二乘支持向量机模型进行预测，得到预测结果；为了检验模型的有效性，使用预测误差来评价预测结果，预测误差ε的计算公式为：

式中，xi为某个运行年限序列对应变压器多维数据的实际值；为预测数据的计算值；预测误差大，表明预测方法精度较低，继续进行上述预测过程，直至预测精度满足预先设定阈值；

如果预测误差大于给定误差范围，则返回步骤2，直至预测结果小于模型给定的误差范围；将预测得到的结果作为最小二乘支持向量机预测模型新的输入，可以预测得到目标运行年限的对应值，从而实现多步预测；采用训练好的预测模型分别开展下一目标运行年限序列的多维数据预测，得到变压器多维数据的预测结果，即最终得到第n+l步预测值：

式中，

步骤4：计算预测得到多维数据的欧式距离以及数据信息熵权重；

针对预测得到的多维数据，逐一计算多维数据量化值。由于评价指标具有不同的量纲和数量级，不能直接进行比较，需要对其进行标准化处理，指标层中的各个指标都是中间型指标，其量化方法如式所示：

式中，p为指标归一化后的值，x为指标实测值，a1和a2表示该指标的最小值和最大值，其值的确定来源于现有行业公开文件《电力设备预防性试验规程》和《变压器运行规程》。

计算多维数据预测结果的量化值，与变压器出厂时标准多维数据量化值的欧氏距离，计算公式为：

式中kt为多维数据预测结果的量化值，ki为多维数据量化后的出厂标准值，d即为多维数据欧氏距离。

根据计算的多维数据欧氏距离作为多维数据状态值，评价出多维数据状态，计算各多维数据的信息熵，即：

hj＝-plnp

式中，i＝1,2,…,n；j＝1,2,…,m。

计算各多维数据的熵权w，即：

步骤5：根据多维数据的预测结果，进行变压器部件状态预测、以及变压器整体运行状态预测，如图2所示；

在部件状态预测层中，进行变压器部件状态预测，根据多维数据预测层中预测得到的出线端温度信号、绕组振动信号、短路电抗信号、接地电流信号、铁芯磁场强度信号、油温信号、油位信号、微水含量信号、局部放电信号、油色谱信号、介质损耗信号、绝缘电阻信号、箱体金属含量信号、分接开关振动信号、风扇振动信号，进行量化计算后，采用如下公式预测变压器部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)。

式中，d^j为变压器部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)的状态值。为多维数据的欧氏距离的集合，即为出线端温度信号、绕组振动信号、短路电抗信号、接地电流信号、铁芯磁场强度信号、油温信号、油位信号、微水含量信号、局部放电信号、油色谱信号、介质损耗信号、绝缘电阻信号、箱体金属含量信号、分接开关振动信号、风扇振动信号。wi为多维数据的欧氏距离对应的熵值权重。

在设备状态预测层中，进行变压器整体运行状态预测。根据部件预测层中预测得到的变压器部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)的预测结果，预测变压器整体运行状态。

式中，d^m为变压器整体运行状态的状态值。为变压器部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)的状态值的集合。wj为部件状态(绕组状态、铁芯状态、变压器油状态、绝缘部件状态、套管状态、附件状态)的状态值对应的熵值权重。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。