明濤， 張龍軍， 王巧莉

(國網(wǎng)新疆電力公司，新疆 烏魯木齊 830017)

0 引 言

在信息化建設(shè)和大數(shù)據(jù)利用快速發(fā)展的當(dāng)下，依托合理的評估模型對大型油浸式變壓器的健康態(tài)勢做出科學(xué)評判，以此給予變電運檢以有效的輔助決策，這是可行的，也是必須的[1]。

因此，本文確立以下研究方案：第一步，以點密度判據(jù)為準(zhǔn)則，對經(jīng)由在線(或離線)監(jiān)測裝置獲取到的DGA數(shù)據(jù)進(jìn)行預(yù)處理，目的是濾除由噪聲導(dǎo)致的不良數(shù)據(jù)點并基于合理性原則作補(bǔ)全；第二步，根據(jù)大數(shù)據(jù)聚類要義，將經(jīng)由上一步操作后的數(shù)據(jù)序列與表征歷史故障的相關(guān)數(shù)據(jù)簇做相對鄰近度測算，以此為據(jù)來辨識設(shè)備在當(dāng)下時段所處狀態(tài)類型(健康/潛伏故障/故障)，以及故障類型(健康態(tài)除外)；第三步，經(jīng)由時間序列分析對潛伏故障向顯在故障轉(zhuǎn)化所需的時間進(jìn)行預(yù)測，同時對健康態(tài)設(shè)備做健康分值計算。

1 數(shù)據(jù)預(yù)處理

以Tc作為計算周期的設(shè)定，以Ts表征數(shù)據(jù)采樣周期，則數(shù)據(jù)預(yù)處理的窗口幅值n可由式(1)表示。

(1)

一個窗口內(nèi)異常點數(shù)據(jù)(特指由采樣噪聲所致)的甄別：一般情況下，正常數(shù)據(jù)點數(shù)量總會顯著大于異常數(shù)據(jù)點數(shù)量[2-3]，即具有較高密度的數(shù)據(jù)區(qū)域比起分散、零星的數(shù)據(jù)點來說，總是大概率趨于正常。因此，可經(jīng)由“數(shù)據(jù)點密度計算”來辨識某數(shù)據(jù)點的離群程度，進(jìn)而達(dá)成異常點檢測之目的。數(shù)據(jù)點密度：數(shù)據(jù)點與周圍點的鄰近度[4-5]。鄰近度定義如式(2)所示。

(2)

式中：N(x,k)為以數(shù)據(jù)點x為核心，包含與其最為接近的k個鄰點的集合；y為鄰點之一；d(x,y)為x和y之間距離。從反映直觀性考量，宜選擇歐式距離作為數(shù)據(jù)點之間距離的計算方法[6]。這樣，對于第l個數(shù)據(jù)預(yù)處理窗口Nl，可用式(3)表示其內(nèi)部兩數(shù)據(jù)點xl、yl之間的距離d(xl,yl)。

(3)

式中：m為序列的維度數(shù)；xli、yli分別為不同序列元素xl、yl在維度i上的坐標(biāo)。為使不同維度下的計算得到融合，需要一個歸一系數(shù)λ[7]。λ計算步驟：第一步，定義Dli，其表征歸屬于窗口Nl的全部非噪聲點在維度i上的總距離，如式(4)所示；第二步，對時間上逆向相鄰的數(shù)據(jù)預(yù)處理窗口中非噪聲點在維度i上的總距離、所有維度距離之和進(jìn)行計算，求取前一項對后一項的比值，并以此比值作為窗口l中維度i上的歸一系數(shù)λli，如式(5)所示。

(4)

(5)

以下為數(shù)據(jù)預(yù)處理大略：①對于數(shù)據(jù)點x，按式(2)～式(4)求取l(x,k)；②對l(x,k)與閾值lth作比較，若前者小于后者，則認(rèn)為數(shù)據(jù)被噪聲所影響，否者視為正常數(shù)據(jù)；③將窗口內(nèi)各數(shù)據(jù)點全部辨識完畢后，以合理值對噪聲數(shù)據(jù)點的原值進(jìn)行更換(若時間上緊鄰噪聲點的前一個數(shù)據(jù)點與后一個數(shù)據(jù)點都是正常數(shù)據(jù)點，則用這兩個點之和的均值作為替換值；否則，以時序上最接近噪聲點的正常數(shù)據(jù)點數(shù)據(jù)予以替換)。

2 設(shè)備狀態(tài)辨識

變壓器內(nèi)部故障往往伴隨多個維度氣體體積濃度的變化[8]。為了達(dá)成有效的故障辨識，可將歷次設(shè)備故障情形下采集到的DGA樣本按故障類型匯集成簇，如圖1所示(圖中數(shù)據(jù)簇下標(biāo)與故障類型下標(biāo)是對應(yīng)關(guān)系)。

圖1 將各維度氣體數(shù)據(jù)按故障類型匯集成簇

基于DBSCAN聚類算法，先對序列元素x逐次計算與其處于最為近鄰關(guān)系的k個元素點的距離，然后再對這些距離做平均值倒數(shù)計算，并以此作為x與簇Cj鄰近度的表征，如式(6)所示。

(6)

式中：lj(x,k)為Cj中以x為核心的包含k個最近鄰點的集合；y為鄰點之一；d(x,y)為x、y間的歐氏距離，如式(7)所示。

(7)

式中：m、xi、yi、λi等的含義參照式(3)。

按式(6)，將Cj內(nèi)全部元素逐一代入計算，得到系列鄰近度值，取它們的平均值，以此產(chǎn)生Cj的基準(zhǔn)鄰近度ljref。顯然，對于一個待測數(shù)據(jù)點x，要考察它與某個故障類型的接近程度，只需計算它對于Cj的鄰近程度即可。為了使結(jié)論更具客觀性，可在式(6)基礎(chǔ)上求取相對鄰近度lcj(x,k)，如式(8)所示。這樣，lcj(x,k)越大，表明越可能發(fā)生類型為Fj的故障(“Fj”含義見圖1)。

(8)

3 設(shè)備狀態(tài)變化趨勢分析

變壓器的故障形成是漸進(jìn)式的，其油氣變化在時序上有一定規(guī)律性[9-10]。因此，對于已有潛伏故障的設(shè)備，可通過對油氣數(shù)據(jù)的時間序列分析來估測設(shè)備狀態(tài)的變遷趨勢以及惡化速率。

3.1 選定待分析的數(shù)據(jù)時間序列

當(dāng)數(shù)據(jù)點x對某簇Cj的相對鄰近度在[0.6,0.8]時，選截檢采時標(biāo)位于x之前的系列數(shù)據(jù)點形成待分析數(shù)據(jù)時間序列X，具體步序如圖2所示。

圖2 待分析數(shù)據(jù)序列的選定

3.2 選定故障對比序列

假定Cj中某數(shù)據(jù)點y與待分析數(shù)列中數(shù)據(jù)點x鄰近，則截取點y之前一段時間的時間序列Y作為對比序列。相關(guān)步驟序列類似圖2，但初末數(shù)據(jù)點時標(biāo)的確定有所不同。

(1) 確立ty1(序列中第一個數(shù)據(jù)點的時標(biāo))：記y的檢采時點為tyb，則y可以用y(tyb)表示；以tymax作為搜尋Y時的最大時間跨度；在t∈[tyb-tymax,tyb]區(qū)間，計算y(t)與Cj的相對鄰近度lcj[y(t),k]；自tyb開始在Cj中沿時間逆向?qū)ふ业谝粋€符合約束條件lcj[y(t),k]=lcj[x(tx1),k]±εy1的數(shù)據(jù)點，將其時點標(biāo)設(shè)為ty1。

(2) 確立tyN(序列中最后一個數(shù)據(jù)點的時標(biāo))：在t∈(ty1,tyb)區(qū)間，尋找第一個符合約束條件lcj[y(t),k]=lcj[x(txN),k]±εy2的數(shù)據(jù)點(沿時間的正方向)，將其時點標(biāo)設(shè)為tyN。

3.3 時間序列分析

在實時檢測序列和故障參考序列選定后，就要考察它們之間的相似性。二者距離越小，表征它們的演變趨勢越接近，這樣就可獲悉被檢測設(shè)備的狀態(tài)轉(zhuǎn)化方向以及轉(zhuǎn)化速率。

考慮到油氣數(shù)據(jù)錯位的可能性，本文擇定“動態(tài)時間彎曲距離”來估算兩時間序列的相似性(在該方式下，即使不同步點進(jìn)行對應(yīng)計算也是可以的)。設(shè)兩時間序列為X={x(tx1),x(tx2),…,x(txN)}、Y={y(ty1),y(ty2),…,y(tyN)}，則它們間的經(jīng)歸一化處理的動態(tài)時間彎曲距離D(X,Y)的計算方法如式(9)～式(13)所示。

D(X,Y)=Ddtw/N

(9)

(10)

(11)

R(X)={x(tx2,x(tx3),…,x(txN))}

(12)

R(Y)={y(ty2),y(ty3),…,y(tyN)}

(13)

式中:N為序列長度。

4 變壓器狀態(tài)綜合評估

對前文各分項研究進(jìn)行整合，就可以形成變壓器狀態(tài)綜合評估的完整方法體系。

4.1 整體流程構(gòu)建

按照不同的狀態(tài)評估結(jié)果，形成如圖3所示處置流程。

圖3 變壓器狀態(tài)綜合評估的整體流程

4.2 設(shè)備健康分值的計算

當(dāng)檢測序列與歷史故障序列的相對鄰近度小于0.6，可認(rèn)為變壓器無明顯故障跡象，此時需要進(jìn)行設(shè)備健康分值的評定?！队徒阶儔浩?電抗器)狀態(tài)評價導(dǎo)則》對圖1所示的六類變壓器故障以劣化程度為基準(zhǔn)進(jìn)行了重要程度的區(qū)劃，參照它就可得到與故障類型相對應(yīng)的狀態(tài)量扣分權(quán)重，如表1所示。

表1 進(jìn)行變壓器狀態(tài)健康分值評定時的扣分權(quán)重

在表1基礎(chǔ)上，可以將數(shù)據(jù)點x與某一故障類型Fj的鄰近度lcj(x,k)轉(zhuǎn)化為該類故障考察下的設(shè)備健康得分，如式(14)所示。

Fj(t)=100×{1-max[1,lcj(x,k)]}

(14)

對所有故障類別考察下的健康分值做加權(quán)處理，就形成了最終的健康評分。

(15)

4.3 故障由潛在變?yōu)轱@在的時間預(yù)計

當(dāng)相對鄰近度在[0.6,0.8]，說明存在故障苗頭。雖不必立即停電處理，但應(yīng)關(guān)注其劣變速率，以便早做合理安排。

首先根據(jù)3.1小節(jié)確立待測序列X;然后根據(jù)3.2小節(jié)對各簇中Cj和x處于最為近鄰關(guān)系的k個故障數(shù)據(jù)點yi(i=1,2,…,k)作時間序列抉擇，標(biāo)記為Yi(i=1,2,…，k);再按3.3小節(jié)，逐次計算X和各Yi之間的歸一距離Di(i=1,2,…，k)。設(shè)距離閾值為TD，對于滿足Di

Δtbi=tybi-tyNi

(16)

按式(16)對各簇計算完畢，將所有符合條件的異常劣變時間進(jìn)行時間尺度的轉(zhuǎn)化(要求與X一致)，然后取其均值，就得到變壓器有當(dāng)前狀態(tài)演變?yōu)楣收蠣顟B(tài)所需的時間跨度Δtb，如式(17)所示。

(17)

式中：C為所有按式(16)計算得到的Δtbi集合;NC為C的成員數(shù);dtyi、dtx分別為Yi和X的采樣時隔。

5 案例實證

北部某電網(wǎng)自2003年開始就對110 kV及以上電壓等級的變壓器開展完整的油氣數(shù)據(jù)記錄，現(xiàn)選取2010年—2018年的相關(guān)信息進(jìn)行實證檢驗。表2所示為該時間區(qū)段內(nèi)被采集到的典型的歷史故障數(shù)據(jù)。

表2 用于檢測數(shù)據(jù)聚類參照的歷史故障數(shù)據(jù)

1) 關(guān)于潛伏故障辨識層面有效性的檢驗

某110 kV 主變在2013年10月15日發(fā)生“低溫過熱”故障(其油氣信息未進(jìn)入表2所示歷史故障參照集合)?，F(xiàn)提取該主變在2013-04-05到2013-10-15時間段內(nèi)的18次采樣數(shù)據(jù)，并對這些數(shù)據(jù)與簇C1～C6的最大相對鄰近度lmax進(jìn)行計算，然后進(jìn)行變壓器運行態(tài)勢變化的展示，如圖4所示。

圖4 基于最大相對鄰近度的變壓器狀態(tài)變化展示

顯然，由圖4可知：①在4月23日—7月23日時間段，lmax約處于[0.42,0.62]范圍，設(shè)備狀態(tài)可標(biāo)識為健康；②在7月23日是—9月8日時間段，lmax變化至[0.62,0.78]范圍，說明設(shè)備已出現(xiàn)潛在性故障；③在9月15日以后，lmax始終大于0.8，且快速攀升，說明故障即將爆發(fā)；④以上過程中，lmax≡lc1，說明異常類型是下標(biāo)為1的低溫過熱。

由于設(shè)備最終因故障而停役是10月15日，而警示時間差不多在3個月前，說明本文所建模型有效。

2) 關(guān)于設(shè)備標(biāo)識為正常態(tài)下的健康得分計算

根據(jù)圖4，對9月15目前的幾個采樣時點進(jìn)行健康分值計算(該日之前可認(rèn)為變壓器處于正常態(tài))，結(jié)果如表3所示。

表3 變壓器被評定為正常態(tài)時的健康分值變遷

由表1可知：①總體分值始終不高(滿分100分)，說明變壓器狀態(tài)雖歸屬正常，但優(yōu)勢不夠明顯；②lc1一路飆升，lc2～lc6相對穩(wěn)定，說明影響變壓器健康分值的因素主要是低溫過熱；③隨著時間接近7月23日(該日以后設(shè)備進(jìn)入故障潛伏期)，設(shè)備健康分值呈現(xiàn)下降趨勢，與圖4的定性判斷相一致。

3) 關(guān)于故障爆發(fā)的時間預(yù)計

7月23日的lmax超過0.60，說明案例變壓器自此進(jìn)入故障潛伏期。依據(jù)3.1小節(jié)方法，通過搜索時間、搜索誤差等的合理設(shè)定，確定5月25日—7月23日中的數(shù)據(jù)測點組成序列X；同樣，依據(jù)3.2小節(jié)內(nèi)容，可從C1簇內(nèi)擇定并選截8組序列，記作Y1～Y8。計算X對于Y1～Y8的歸一距離D1～D8，如表4所示。

表4 待測序列對于參考序列的歸一距離

文獻(xiàn)[10]認(rèn)為距離閾值不宜超過0.1，在此條件下，僅Y2、Y6、Y7與X的距離小于閾值，分別計算它們對應(yīng)的故障爆發(fā)時間跨度預(yù)計值：57 d、45 d、48 d，取平均為50 d。而事實上，案例變壓器從7月23日進(jìn)入潛伏故障階段到9月15日進(jìn)入故障隨時爆發(fā)階段的時間跨度為54 d左右。也就是說，預(yù)測誤差僅為7.4%，因此具有較好的參考意義。

6 結(jié)束語

本文提出了基于DGA技術(shù)路線的變壓器狀態(tài)綜合評價新方法，該方法依托大數(shù)據(jù)聚類和時間序列分析，充分考量了油氣數(shù)據(jù)采集過程中的噪聲處理問題。通過考察實測數(shù)據(jù)與歷史故障分類簇數(shù)據(jù)的鄰近程度，達(dá)成潛在/顯在故障類別的準(zhǔn)確判斷。基于相對鄰近度概念，產(chǎn)生用于故障趨勢分析的兩類時間序列，通過兩個序列間距離的計算達(dá)成故障發(fā)展時間的預(yù)測。此外，還構(gòu)建了變壓器設(shè)備健康分值計算方法，有助于直觀展現(xiàn)變壓器健康態(tài)勢。案例實證表明：本文研究可科學(xué)辨識變壓器的故障風(fēng)險，可給出準(zhǔn)確的預(yù)警時間，能為變電運檢提供良好的輔助決策。