专利名称：油浸式主变压器的缺陷率检测方法
技术领域：
本发明涉及电力系统检测技术的领域，特别是涉及一种油浸式主变压器的缺陷率检测方法。
背景技术：
随着社会经济与文化生活的不断发展和进步，城市对电力的依赖就像鱼与水的关系，没有了电力供应，整个城市的交通、生产、生活就会陷入瘫痪，其破坏程度、造成的恐慌与巨大损失难以估计。电力设备是电网运行、确保电力供应的基础，电网的可靠供电和高效运行都是建立在电力设备健康可靠运行的前提下，电力设备的缺陷检测作为提高设备可靠性和可用性的重要手段，是电网油浸式主变压器设备管理的重点领域。电力设备的缺陷率反应了电网油浸式主变压器设备的整体缺陷水平，对于电力设 备中的各类缺陷，需要尽早发现，及时消除，避免缺陷发展为故障，造成电网停电等大规模的损失。在掌握了不同电力设备的缺陷率情况后，运维人员就可以根据不同类设备间的缺陷率差异，有针对性的进行重点巡视和维护，避免设备缺陷发展为设备故障。另外，基于设备缺陷率信息，生产部门可以制定生产人员计划和备件需求。为此，为检测不同类型电力设备的缺陷率，使电力生产人员按照设备类型的缺陷率，综合考虑设备的重要程度，合理安排生产计划，迫切需要一种对于电网油浸式主变压器设备的缺陷率进行检测的有效方法。
发明内容
针对上述背景技术中存在的问题，本发明的目的在于提供一种能够准确地检测电网油浸式主变压器的缺陷率的油浸式主变压器的缺陷率检测方法，尤其对电网35kV及以上油浸式主变压器设备缺陷率的测量有显著的效果。一种油浸式主变压器的缺陷率检测方法，包括以下步骤提取作为样本的油浸式主变压器的设备属性；建立所述设备属性对设备缺陷率的评价函数，通过比较各个所述设备属性对于所述评价函数取值的相关性权重，从所述设备属性中提取关键属性；通过回归算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型；获取待测油浸式主变压器的关键属性并将其代入所述回归模型，获取所述待测油浸式主变压器的缺陷率。本发明的油浸式主变压器的缺陷率检测方法中，通过检测获取所述作为样本的油浸式主变压器的关键属性，建立所述关键属性与设备缺陷率的回归模型，可以通过所述回归模型与待测油浸式主变压器的关键属性，准确地预测所述待测油浸式主变压器的缺陷率。反应了电网油浸式主变压器设备的整体缺陷水平，及早发现电力设备中的各类缺陷，及时消除，避免缺陷发展为故障，造成电网停电等大规模的损失。运维人员可以根据不同类设备间的缺陷率差异，有针对性的进行重点巡视和维护，避免设备缺陷发展为设备故障；生产部门可以制定生产人员计划和备件需求，结合电网发展规划，预测未来设备的缺陷率变化趋势，指导电网生产活动更好的开展。另外，所述关键属性通过相关性的检测运算提取，因此是对所述设备缺陷率的影响最为密切的设备属性，能够降低所述设备缺陷率的回归模型的复杂度，增强可用性。
图I是本发明油浸式主变压器的缺陷率检测方法的流程示意图；图2是本发明油浸式主变压器的缺陷率检测方法一种优选实施方式的流程示意图；图3为标准支持向量机采用的ε不灵敏度函数的示意图。
具体实施方式
请参阅图1，图I是本发明油浸式主变压器的缺陷率检测方法的流程示意图。所述油浸式主变压器的缺陷率检测方法，包括以下步骤S101，提取作为样本的油浸式主变压器的设备属性；S102，建立所述设备属性对设备缺陷率的评价函数，通过比较各个所述设备属性对于所述评价函数取值的相关性权重，从所述设备属性中提取关键属性；S103，通过回归算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型；S104，获取待测油浸式主变压器的关键属性并将其代入所述回归模型，获取所述待测油浸式主变压器的缺陷率。通过检测获取所述作为样本的油浸式主变压器的关键属性，建立所述关键属性与设备缺陷率的回归模型，再通过所述回归模型与待测油浸式主变压器的关键属性，准确地预测所述待测油浸式主变压器的缺陷率。下面以电网35kV及以上油浸式主变压器设备的缺陷率检测为例，说明本发明的油浸式主变压器的缺陷率检测方法的流程，本领域技术人员应可了解本发明并不限于35kV及以上的油浸式主变压器设备，而对于其他的油浸式主变压器设备同样能够执行。首先，上述步骤SlOl为设备属性的检测阶段。对电网35kV及以上油浸式主变压器设备进行属性提取，获得电网35kV及以上油浸式主变压器的设备属性，用以描述各类型电网35kV及以上油浸式主变压器设备的运行情况。其中，步骤SlOl中提取的电网35kV及以上油浸式主变压器设备属性包括枚举型变量属性与连续型变量属性。所述枚举型变量属性包括运行单位、电压等级、污区等级、设备厂商和设备型式等。其中，所述污区类型为A类、B类、C类、D类、E类、N类等6个；所述运行单位包括总公司及下属的地市级分支机构；电压等级可选类型为220V、380V、6kV、10kV、35kV、110kV、220kV、330kV、500kV，1000KV等10个。而所述连续型变量属性则包括平均功率、最大功率等电网35kV及以上油浸式主变压器设备的负荷数据。因为电力设备的上述设备属性分别保存在电网各个应用系统中，如资产管理系统、生产管理系统、在线监测系统等。因此，在获取所述设备属性时，首先从电网各个应用系统中，获取储存的所述油浸式主变压器的设备属性；然后根据预先设定的转码规则，将获取自所述各个应用系统的设备属性转换为统一的格式。亦即，对电网35kV及以上油浸式主变压器设备数据进行采集，并集中统一存储。按照电网35kV及以上油浸式主变压器的设备属性，确定相应的设备属性在各个所述应用系统中的分布情况，对于多个所述应用系统中都包含的同一设备属性，通过对比确定或者由用户选定最佳的设备属性来源，并确定不同系统间设备属性的编码规则和对应关系。如建立资产管理系统、生产管理系统、在线监测系统等包含电网35kV及以上油浸式主变压器的设备属性的应用系统中设备属性的代码的对应关系，通过所述对应关系对从各个所述应用系统中获取的设备属性进行转码。 作为本发明油浸式主变压器的缺陷率检测方法的一种优选实施方式，在执行步骤S101，步骤S102之前，提取所述设备属性之后，接着执行一个对获取的所述设备属性进行数据预处理的步骤S1011，如图2所示。所述数据预处理包括对所述设备属性的缺失值进行填补，以及对设备缺陷率进行处理。其中，对所述设备属性的缺失值进行填补的步骤包括判断所述设备属性的类型；如果所述设备属性为枚举型属性，则以所述设备属性的所有样本值中出现次数最多的样本值填补所述设备属性的缺失值；如果所述设备属性为连续型属性，则以所述设备属性的平均取值填补所述设备属性的缺失值。由于各个所述应用系统中不可能对每一个设备，每条缺陷的每一个描述属性都有完整的记录，所以不可避免会出现部分设备的某些设备属性出现缺失值，为了提高对这些设备缺陷率的检测准确率，有必要对这些缺失值进行填补。如果该缺失值为枚举型变量属性，则用该设备属性的所有样例中除此缺失值的样例外该枚举型变量属性出现最多的值进行填补；如果该缺失值为连续型变量属性，则用该设备属性的均值，即所有样例中除此值缺失的样例外该连续属性的平均值进行填补。对设备缺陷率进行处理的步骤包括获取所述油浸式主变压器在其投运后每一年的缺陷率的平均值作为当年内所述油浸式主变压器的设备缺陷率的检测结果。以设备运行年限为分析维度，统计所有设备在其投运后每年的缺陷率变化，从而将近2-3年的数据重新组合，分布到整个设备生命周期(20年左右)的长时间跨度上，得出在设备运行年限对于设备缺陷率的影响。进一步将设备属性中来自不同地区的数据进行规整处理。如来自A市的数据包换3年的历史数据，而来自B市的数据只包换近半年的数据，在计算缺陷率等和时间有关的变量时候，按照不同的时间跨度进行调整和归一化。步骤S102为对获取的设备属性进行筛选的阶段。我们得到预处理后的电网35kV及以上油浸式主变压器设备属性数据，利用这些数据可以判断各个设备属性对设备缺陷率的影响。通过设备属性的选择，挖掘出各个设备属性对设备缺陷率的相关程度或重要程度，达到挑选关键属性，剔除不相关或冗余属性的目的，为回归模型建立阶段做准备。提取所述关键属性的步骤包括将所有的所述设备属性输入所述评价函数，得到所述评价函数的初始值；在输入所述评价函数的所有设备属性中依次剔除其中一个设备属性，并依次将其他所述设备属性输入所述评价函数，分别得到所述评价函数的检测值，并分别计算所述检测值相对于所述初始值的损失；根据各个被剔除的所述设备属性对应的所述评价函数的检测值相对于所述初始值的损失，提取所述关键属性。设备属性选择的一个重要因素就是要判断各个设备属性对输出变量的影响，为了对各设备属性与设备缺陷率的相关性程度进行评价，先利用全部设备属性建立一个分析模 型得到一个评价函数值，再逐个剔除其中的一个设备属性建立模型，得到不同的评价函数值，用这些评价函数值与原评价函数值之间的损失来判断某设备属性的相关性或重要程度。例如，对于A设备获取的设备属性包括a、b、C、d、e、f，对应得到的评价函数值为100，而以a、b、C、d、e对应得到的评价函数值为95，因此设备属性f对应的损失为5，其影响可以5表示，同样的方法得到a对应的损失为4，而所述关键属性的判断标准设定为损失大于等于5，则，f是关键属性，a不是关键属性。由于电网35kV及以上油浸式主变压器的设备属性数据的输入中多个设备属性如运行单位、电压等级等均为枚举型变量属性，因此，为了快速建立评价函数的模型，选用了两种能处理枚举型输入、准确率高、时间复杂度低的算法随机森林(random forest)和提升树(boost tree)ο随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。回归问题的随机森林采用CART的最小二乘回归树(least squares regression tree)。假定X和Y分别为输入和输出变量，给定训练数据D = {(X1, Y1), . . . (xN, yN)}考虑如何生成回归树。一个回归树对应着输入空间的一个划分以及在划分单元上的输出值。假设已将输入空间划分为M个单元R1, R2,. . . Rm,并且在每个单元上有一个固定的输出值Cm,贝U回归树模型可以表不为
M/{X} = TjCjiX � Rj当输入空间的划分确定时，可以用平方误差来表示回归树对于训练数据的预测误差，用平方误差最小的准则求解每个单元上的最优输出值。单元Rm上的Cm的最优值可以表示为
Λ cm = Oveiyi I Xi e Rm)采用启发式的方法对输入空间进行划分，依次将输入空间划分为两个区域。接着，对每个区域重复上述划分过程，直到满足停止条件为止，这样就生成了一个回归树。通过构建许多回归树，得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下预测，判断这个样本的输出变量应该如何取值，然后再将每一棵树的预测结果进行加权平均得到最终预测输出。随机森林中，单个决策树分裂的输入属性选取是随机的；整个森林的建立过程需要进行多次迭代建立，每次迭代中并不是使用所有样本，而是有放回随机抽样采集一个样本子集。这两个随机的性质使得随机森林有比较快的训练过程和能在内部对于误差产生无偏的估计。提升树的方法采用了机器学习中提升(boosting)的思想给每个样本一个权重，对样本集进行迭代学习，每轮迭代学习都会加重之前学习效果不好的样本的权重，减轻之前学习效果好的样本的权重，类似于我们常说的“查漏补缺、知错就改”的思想。提升树模型可以表示为决策树的加法模型
权利要求
1.一种油浸式主变压器的缺陷率检测方法，其特征在于，包括以下步骤 提取作为样本的油浸式主变压器的设备属性； 建立所述设备属性对设备缺陷率的评价函数，通过比较各个所述设备属性对于所述评价函数取值的相关性权重，从所述设备属性中提取关键属性； 通过回归算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型； 获取待测油浸式主变压器的关键属性并将其代入所述回归模型，获取所述待测油浸式主变压器的缺陷率。
2.如权利要求I所述的油浸式主变压器的缺陷率检测方法，其特征在于，所述设备属性包括枚举型属性和连续型属性； 所述枚举型变量属性包括运行单位、电压等级、污区等级、设备厂商和设备型式；所述连续型变量属性包括平均功率、最大功率。
3.如权利要求I所述的油浸式主变压器的缺陷率检测方法，其特征在于，提取作为样本的油浸式主变压器的设备属性的步骤包括 获取电网各个应用系统中储存的所述油浸式主变压器的设备属性； 根据预先设定的转码规则，将获取自所述各个应用系统的设备属性转换为统一的格式。
4.如权利要求2所述的油浸式主变压器的缺陷率检测方法，其特征在于，将获取自所述各个应用系统的设备属性转换为统一的格式后，还包括对所述设备属性的缺失值进行填补的步骤 判断所述设备属性的类型； 如果所述设备属性为枚举型属性，则以所述设备属性的所有样本值中出现次数最多的样本值填补所述设备属性的缺失值； 如果所述设备属性为连续型属性，则以所述设备属性的平均取值填补所述设备属性的缺失值。
5.如权利要求4所述的油浸式主变压器的缺陷率检测方法，其特征在于，获取所述油浸式主变压器在其投运后每一年的缺陷率的平均值作为当年内所述油浸式主变压器的设备缺陷率的检测结果。
6.如权利要求I所述的油浸式主变压器的缺陷率检测方法，其特征在于，通过比较各个所述设备属性对于所述评价函数取值的相关性权重，从所述设备属性中提取关键属性的步骤包括 将所有的所述设备属性输入所述评价函数，得到所述评价函数的初始值； 在输入所述评价函数的所有设备属性中依次剔除其中一个设备属性，并依次将其他所述设备属性输入所述评价函数，分别得到所述评价函数的检测值，并分别计算所述检测值相对于所述初始值的损失； 根据各个被剔除的所述设备属性对应的所述评价函数的检测值相对于所述初始值的损失，提取所述关键属性。
7.如权利要求I所述的油浸式主变压器的缺陷率检测方法，其特征在于，使用支持向量回归机算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率·的回归模型。
全文摘要
本发明提供一种油浸式主变压器的缺陷率检测方法，通过检测获取所述作为样本的油浸式主变压器的关键属性，建立所述关键属性与设备缺陷率的回归模型，可以通过所述回归模型与待测油浸式主变压器的关键属性，准确地预测所述待测油浸式主变压器的缺陷率。反应了电网油浸式主变压器设备的整体缺陷水平，及早发现电力设备中的各类缺陷，及时消除，避免缺陷发展为故障，造成电网停电等大规模的损失。运维人员可以根据不同类设备间的缺陷率差异，有针对性的进行重点巡视和维护，避免设备缺陷发展为设备故障；生产部门可以制定生产人员计划和备件需求，结合电网发展规划，预测未来设备的缺陷率变化趋势，指导电网生产活动更好的开展。
文档编号G01R31/00GK102928720SQ20121044288
公开日2013年2月13日 申请日期2012年11月7日 优先权日2012年11月7日
发明者杨晶晶, 萧展辉, 齐志刚, 金波, 赵永发, 刘炜, 杨晓东 申请人:广东电网公司
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
