葉任時(shí)，馬書民

（長江設(shè)計(jì)集團(tuán)有限公司，湖北 武漢 430061）

0 引言

變壓器內(nèi)部的絕緣油是由許多不同分子量的碳?xì)浠衔锝M成，一旦變壓器內(nèi)部發(fā)生潛伏性故障，放電或過熱現(xiàn)象會導(dǎo)致絕緣油中C—H 鍵和C—C 鍵斷裂，由此產(chǎn)生的氫原子或自由基通過復(fù)雜的化學(xué)反應(yīng)迅速重新化合，進(jìn)而快速形成氫氣和低分子烴類氣體。特別是，隨著故障進(jìn)程的不斷發(fā)展，絕緣油中的溶解氣體組成也隨之慢慢發(fā)生變化。因此，分析油中溶解氣體的組分和含量是監(jiān)視充油電氣設(shè)備安全運(yùn)行最有效的措施之一。

在此基礎(chǔ)上，若能通過大量數(shù)據(jù)分析歸納絕緣油內(nèi)部氣體含量的變化規(guī)律，并在一定程度上對其發(fā)展趨勢進(jìn)行預(yù)測，則能在變壓器內(nèi)部故障嚴(yán)重之前，甚至在故障發(fā)生之前提前安排相關(guān)檢修，避免可能出現(xiàn)的事故。值得注意的是，電弧放電、局部放電等故障由于具有瞬發(fā)性和高能性，不是簡單的隨機(jī)過程，而是混沌過程，只能通過當(dāng)前油色譜數(shù)據(jù)進(jìn)行檢測判斷，不在預(yù)測評估的范疇之內(nèi)［1］。

目前，國內(nèi)外已有部分學(xué)者針對絕緣油內(nèi)部的氣體量預(yù)測開展了相關(guān)研究［2-4］，現(xiàn)有研究工作表明，油中氣體溶解濃度變化趨勢具有一定的規(guī)律性或可預(yù)測性，但總體而言現(xiàn)有預(yù)測方法的精度還有進(jìn)一步提高的空間［5-6］，而且變壓器在不同工況下的油色譜發(fā)展規(guī)律不盡相同，僅采用單一算法難以保證不同工況下的預(yù)測精度，同時(shí)當(dāng)歷史油色譜數(shù)據(jù)出現(xiàn)較大幅度的波動時(shí)，單一預(yù)測算法會得到誤差較大的離散點(diǎn)，方法的魯棒性有待提高［7］。此外，對于相同的數(shù)據(jù)樣本，單一算法的預(yù)測結(jié)果可能是正誤差（預(yù)測結(jié)果大于實(shí)測值），也可能是負(fù)誤差（預(yù)測結(jié)果小于實(shí)測值）［8］。因此，針對這樣的特征，有學(xué)者提出將多種單一預(yù)測方法進(jìn)行組合［9-11］，在某種準(zhǔn)則下構(gòu)建最優(yōu)化模型，以期實(shí)現(xiàn)中和預(yù)測誤差、減小誤差波動范圍、提高預(yù)測精度的目標(biāo)。但是，這些組合方法均是針對某一特定應(yīng)用場景、以固定的幾種單一預(yù)測方法進(jìn)行組合，方法的普適性有待提高。組合預(yù)測方法的關(guān)鍵在于組合權(quán)重的確定，目前有學(xué)者通過計(jì)算預(yù)測誤差的協(xié)方差矩陣構(gòu)建最優(yōu)化組合預(yù)測模型，求解得到最優(yōu)的自適應(yīng)變權(quán)重系數(shù)［11］，為本文油氣組合預(yù)測方案中權(quán)重系數(shù)的確定提供了有益的啟迪。但上述方法采用均方誤差作為概率分布預(yù)測模型的損失函數(shù)，在梯度參量下降時(shí)存在學(xué)習(xí)速率降低的問題。

此外，現(xiàn)有的研究成果絕大部分側(cè)重于預(yù)測方法理論的研究，缺乏實(shí)際工程場景的應(yīng)用。在目前的實(shí)際運(yùn)維中，工作人員僅能通過關(guān)注狀態(tài)量數(shù)值是否超標(biāo)來對設(shè)備的異常狀態(tài)進(jìn)行判斷及處理，無法基于預(yù)測結(jié)果進(jìn)行設(shè)備狀態(tài)變化的預(yù)警。

針對上述不足并結(jié)合現(xiàn)場實(shí)際情況，本文提出了一種基于信息熵組合的油中溶解氣體含量預(yù)測方法。首先基于前期收集到的變壓器運(yùn)行數(shù)據(jù)樣本對常用的預(yù)測算法進(jìn)行比較，選取相對表現(xiàn)最優(yōu)的兩種算法建立本文的預(yù)測模型，其次利用多信息融合技術(shù)，運(yùn)用信息熵組合預(yù)測算法，將選取的神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)算法進(jìn)行有機(jī)組合，綜合考慮多項(xiàng)造成預(yù)測誤差因素的影響，并運(yùn)用熵權(quán)法分配各因素的權(quán)重。最后，通過與常用的最優(yōu)權(quán)重組合預(yù)測算法以及原有算法的對比，驗(yàn)證本文所提算法的優(yōu)越性與可靠性。

1 預(yù)測算法簡述

1.1 預(yù)測算法適應(yīng)性評價(jià)

目前預(yù)測算法種類繁多，但不同的預(yù)測方法對不同場景具有不同的適應(yīng)性。為尋找到最適合預(yù)測油中氣體含量變化規(guī)律的方法，本文選取平均誤差以及最大誤差作為預(yù)測方法的篩選指標(biāo)，其數(shù)值上越小，則預(yù)測精度越高，對油中氣體預(yù)測的適應(yīng)性也越強(qiáng)。其中，平均誤差的定義如式（1）所示：

式（1）中，δˉi表示第i種預(yù)測算法的平均誤差，n表示數(shù)據(jù) 樣 本 的 總 量，y?ij表 示 實(shí) 際 測 量 值，yˉij表 示 算 法 預(yù)測值。

在此基礎(chǔ)上，選擇了支持向量機(jī)、RBF 神經(jīng)網(wǎng)絡(luò)、灰色理論、回歸分析、遺傳算法、蟻群算法、模糊數(shù)學(xué)法以及貝葉斯網(wǎng)絡(luò)這8 種常見的預(yù)測算法作為待選算法，并利用收集到的1 000多組油浸絕緣電氣主設(shè)備正常工況下的運(yùn)行數(shù)據(jù)進(jìn)行預(yù)測訓(xùn)練，得到的訓(xùn)練誤差如表1所示。

表1 常見預(yù)測算法的誤差比較Table 1 Error comparison of common prediction algorithms

從表1 可以看出，支持向量機(jī)和RBF 神經(jīng)網(wǎng)絡(luò)算法在進(jìn)行油色譜預(yù)測時(shí)，相比于其他預(yù)測方法，預(yù)測平均誤差與最大誤差都能有較優(yōu)異的表現(xiàn)。因此，本文選用支持向量機(jī)與RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測。

但值得注意的是，并不是所有場景都要選取支持向量機(jī)和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測方法兩種算法，也并沒有規(guī)定只能選取兩種方法進(jìn)行組合。事實(shí)上，如果有多種預(yù)測方法同時(shí)表現(xiàn)得較為優(yōu)異，此時(shí)可以選取多種預(yù)測方法進(jìn)行組合，本文只是提供一個(gè)組合預(yù)測思路，具體選取方法根據(jù)實(shí)際場景決定。

1.2 徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測算法

RBF 神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò)類型，網(wǎng)絡(luò)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，是一種三層的前向網(wǎng)絡(luò)，具體如圖1 所示［12-13］。第一層為輸入層，由信號源結(jié)點(diǎn)組成；第二層為隱含層，隱含層節(jié)點(diǎn)數(shù)由所描述問題的需要而定，隱含層中神經(jīng)元的變換函數(shù)即徑向基函數(shù)是對中心點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)，該函數(shù)是局部響應(yīng)函數(shù)，而以前的前向網(wǎng)絡(luò)變換函數(shù)都是全局響應(yīng)的函數(shù)；第三層為輸出層，它對輸入模式做出響應(yīng)。

圖1 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Diagram of radial basis function neural network structure

在RBF 網(wǎng)絡(luò)中，輸入層僅僅起到傳輸信號的作用，與神經(jīng)網(wǎng)絡(luò)相比，輸入層和隱含層之間可以看作連接權(quán)值為1的連接。輸出層和隱含層所完成的任務(wù)是不同的，因而它們的學(xué)習(xí)策略也不相同。輸出層是對線性權(quán)進(jìn)行調(diào)整，采用的是線性優(yōu)化策略。因而學(xué)習(xí)速度較快。而隱含層是對激活函數(shù)（格林函數(shù)或高斯函數(shù)，一般取高斯函數(shù)）的參數(shù)進(jìn)行調(diào)整，采用的是非線性優(yōu)化策略，因而學(xué)習(xí)速度較慢。

RBF 神經(jīng)網(wǎng)絡(luò)算法用于點(diǎn)預(yù)測時(shí)自身需要確定3個(gè)參數(shù)：基函數(shù)的中心、方差及隱含層到輸出層的權(quán)重，這幾個(gè)參數(shù)會影響RBF 神經(jīng)網(wǎng)絡(luò)的泛化性能。RBF的輸出可表述為：

式（2）中，N為隱層單元總數(shù)，t= 1，2，…，m，m為訓(xùn)練樣本總數(shù)。

1.3 支持向量機(jī)預(yù)測算法

SVM 利用回歸算法解決預(yù)測問題，其中回歸算法分為線性回歸和非線性回歸［14］。其中線性回歸給定訓(xùn) 練 樣 本 集{(x1，y1)，(x2，y2)，…，(xt，yt)}，其 中xi∈Rn，yi∈R，則回歸線性方程可以用式（3）表示：

最佳線性回歸函數(shù)可以轉(zhuǎn)化為求解式（4）中函數(shù)的最小值得到，如式（4）所示：

式（4）中，C表示懲罰因子，ξ、ξ?表示松弛變量的上下限，且滿足約束條件如式（5）和式（6）所示：

式（5）、式（6）中，ξ≥0，ξ*≥0，i= 1，…，k。在此基礎(chǔ)上，為求解該最優(yōu)問題，本文引入Lagrange函數(shù)，如式（7）所示。

影響SVM預(yù)測精度的主要有三方面因素：正則化參數(shù)、不敏感參數(shù)以及核參數(shù)。其中正則化參數(shù)影響了模型的泛化特性，不敏感參數(shù)影響了支持向量的數(shù)量，而核參數(shù)則反映了訓(xùn)練樣本數(shù)據(jù)的分布或范圍特性。適當(dāng)?shù)膮?shù)選擇可以更精確地對數(shù)據(jù)進(jìn)行預(yù)測。

2 基于信息熵的組合預(yù)測算法

算法的選擇只是預(yù)測的第一步，為了得到準(zhǔn)確的預(yù)測結(jié)果，還需要對算法本身進(jìn)行相應(yīng)的優(yōu)化調(diào)整與改進(jìn)。不同的函數(shù)模型均有其自身對應(yīng)的參數(shù)需要根據(jù)數(shù)據(jù)樣本進(jìn)行擬合，而這些參數(shù)需要隨著數(shù)據(jù)樣本的變化作出自適應(yīng)改變，從而更好地對數(shù)據(jù)進(jìn)行預(yù)測。特別是在訓(xùn)練數(shù)據(jù)樣本不完善的情況下，預(yù)測誤差將顯著增大。因此，需要將不同算法進(jìn)行有機(jī)組合，揚(yáng)長避短，充分發(fā)揮算法的優(yōu)勢，盡可能地減小預(yù)測誤差。

考慮到影響充油設(shè)備油中溶解氣體濃度的因素很多，但暫時(shí)無法獲取完整的相關(guān)因素的統(tǒng)計(jì)數(shù)據(jù)，所以僅能劃分不同的時(shí)間區(qū)間（日、周、月），通過分析待預(yù)測氣體的歷史數(shù)據(jù)來預(yù)測其未來發(fā)展趨勢。事實(shí)上，僅用單一預(yù)測模型進(jìn)行預(yù)測時(shí)，因其考慮角度的局限性、信息選擇的片面性以及信息利用程度的差異性，導(dǎo)致其預(yù)測精度不高且穩(wěn)定性差。而組合預(yù)測法能很好地綜合各種單一預(yù)測算法的優(yōu)勢，更大限度地發(fā)揮不同方法的優(yōu)點(diǎn)，做出正確的預(yù)測［16］。

經(jīng)調(diào)研可知，目前主要使用的組合預(yù)測算法是最優(yōu)權(quán)重組合預(yù)測，具體步驟是：對于各種單項(xiàng)預(yù)測模塊，先計(jì)算各自的最優(yōu)權(quán)重，形成組合預(yù)測模型，然后加權(quán)綜合求出最終的預(yù)測結(jié)果。目前對于最優(yōu)的標(biāo)準(zhǔn)，多是按照測量誤差平方和最小為原則，采用拉格朗日乘子，進(jìn)行最優(yōu)權(quán)重的計(jì)算。然而，最優(yōu)權(quán)重組合預(yù)測算法也存在著問題，在計(jì)算中往往只能考慮單一因素的影響，因而精度還是受限［17-18］。為了解決這個(gè)問題，本文引入了基于信息熵的組合預(yù)測算法，該算法可以綜合考慮多項(xiàng)因素的影響，并運(yùn)用熵權(quán)法智能分配各因素的權(quán)重，使預(yù)測精度進(jìn)一步提高［19］。

熵權(quán)法可以綜合各預(yù)測模型的重要性和指標(biāo)提供的信息量這兩方面更客觀地確定各模型的最終權(quán)重。某個(gè)預(yù)測模型的信息熵越小，表示該模型的變異程度越大，所提供的信息量越多，即在整個(gè)預(yù)測過程中起到的作用越大，其權(quán)重也越大［20］。本文采用的組合預(yù)測模型使用多種評價(jià)指標(biāo)來評判各單一預(yù)測方法的預(yù)測精度，評價(jià)指標(biāo)j(j= 1，2，…，q)的重要性熵值如式（9）所示：

式（9）-式（13）中，Nij為各評價(jià)指標(biāo)參數(shù)值相對于各評價(jià)指標(biāo)的接近程度，x表示訓(xùn)練樣。

由于信息熵e（dj）可用來衡量評價(jià)指標(biāo)j信息的有用程度，信息熵越小則評價(jià)指標(biāo)j的有效程度越高，因此用hj來評價(jià)指標(biāo)j的信息效用程度hj=1-e（dj）。

利用熵權(quán)法計(jì)算各評價(jià)指標(biāo)的客觀權(quán)重，實(shí)質(zhì)上是利用該評價(jià)指標(biāo)信息的效用價(jià)值系數(shù)來計(jì)算的，效用價(jià)值系數(shù)越高，對評價(jià)的重要性就越大，于是得到評價(jià)指標(biāo)的客觀權(quán)重值θj如式（14）所示。

最后，利用上個(gè)步驟求出的信息熵，可求出預(yù)測方法i的熵權(quán)值，即對應(yīng)的權(quán)重值［21］：

由《Q/GDW169-2008油浸式變壓器（電抗器）狀態(tài)評價(jià)導(dǎo)則》［22］可知，充油設(shè)備內(nèi)部的絕緣材料在放電或過熱情況下，會產(chǎn)生各種特征氣體。其中對充油設(shè)備故障診斷分析有價(jià)值的特征氣體主要有氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）和乙炔（C2H2）。這里以H2為例，對其含量進(jìn)行預(yù)測分析。為了比較預(yù)測值與實(shí)測值，采用預(yù)測的相對誤差和平均相對誤差來評價(jià)算法的預(yù)測結(jié)果，定義如下：

式（16）、式（17）中y為實(shí)際監(jiān)測值，y?為模型預(yù)測值，n為樣本個(gè)數(shù)。

綜上，所提基于信息熵的組合預(yù)測算法的具體思路如圖2所示。

圖2 基于信息熵的組合預(yù)測算法思路流程圖Fig.2 Flow chart of combined prediction algorithm based on information entropy

3 仿真驗(yàn)證

3.1 組合預(yù)測方法的優(yōu)越性驗(yàn)證

為驗(yàn)證所提算法的優(yōu)越性，本文以北京某220 kV發(fā)電廠主變在線監(jiān)測數(shù)據(jù)為樣本，分別采用RBF、SVM、最優(yōu)權(quán)重算法以及組合算法進(jìn)行預(yù)測。需要說明的是，不同的預(yù)測場景存在不同的最優(yōu)預(yù)測算法，然而本文的重點(diǎn)在于比較組合算法相較于單一算法以及傳統(tǒng)最優(yōu)權(quán)重算法的優(yōu)越性，單一預(yù)測算法的最適性或者最優(yōu)權(quán)重算法的優(yōu)化并非本文研究的重點(diǎn)。

在此基礎(chǔ)上，本文所采用的在線監(jiān)測數(shù)據(jù)以天為監(jiān)測間隔，使用2017/11/2 至2018/5/10 的數(shù)據(jù)作為預(yù)測模型的訓(xùn)練樣本，且數(shù)據(jù)樣本中不包含突變型數(shù)據(jù)，最終預(yù)測未來31 d（2018/5/11 至2018/6/10）H2含量的變化，實(shí)際值與預(yù)測結(jié)果如表2 所示。其中，x表示實(shí)際值，RBF、SVM、最優(yōu)權(quán)重算法以及組合算法的預(yù)測結(jié)果分別以x1、x2、x3、x4表示，各預(yù)測算法與實(shí)際值的相對誤差分別以y1、y2、y3及y4表示。

表2 RBF神經(jīng)網(wǎng)絡(luò)和SVM預(yù)測模型的預(yù)測值與實(shí)際值對比Table 2 Comparison between predicted value and actual value of RBF neural network and SVM prediction model

進(jìn)一步地，各單一預(yù)測方法、組合預(yù)測及真實(shí)值的數(shù)值曲線如圖3 所示，基于信息熵的預(yù)測算法與最優(yōu)權(quán)重組合預(yù)測算法的對比結(jié)果如圖4所示。

圖3 基于信息熵的組合預(yù)測與單一預(yù)測方法對比結(jié)果Fig.3 Comparison of combined forecasting and single forecasting methods based on information entropy

圖4 基于信息熵的組合預(yù)測與最優(yōu)權(quán)重方法對比結(jié)果Fig.4 Comparison of combination forecasting and optimal weight method based on information entropy

結(jié)合表2、圖3、圖4 可知，本項(xiàng)目使用的基于信息熵組合預(yù)測算法的平均相對誤差不僅遠(yuǎn)小于RBF 神經(jīng)網(wǎng)絡(luò)和SVM兩種單一預(yù)測模型的平均相對誤差，還小于基于最優(yōu)權(quán)重組合預(yù)測算法的平均相對誤差，因此所提基于信息熵組合預(yù)測算法相較于單一算法具有顯著的優(yōu)越性。

3.2 預(yù)測結(jié)果的實(shí)際應(yīng)用

本文所提出的故障甄別流程是基于預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)的對比，實(shí)現(xiàn)對真實(shí)故障和運(yùn)行環(huán)境變化所帶來的數(shù)據(jù)突變的甄別，其具體步驟如下所述：

將第N天的實(shí)測值與基于0～N-1天的實(shí)測數(shù)據(jù)做出的第N天的預(yù)測數(shù)據(jù)進(jìn)行比對，如果兩者偏差較大（這里設(shè)置一個(gè)門檻值，為之前預(yù)測統(tǒng)計(jì)平均誤差的兩倍，正常的預(yù)測不會達(dá)到這個(gè)誤差值。如果出現(xiàn)這個(gè)偏差，證明油浸絕緣電氣主設(shè)備運(yùn)行出現(xiàn)了變化），存在兩種可能，一種是運(yùn)行工況變化，如變壓器突然重載造成預(yù)測數(shù)據(jù)與實(shí)測值的暫時(shí)性背離。這個(gè)重載工況消失以后，后續(xù)的實(shí)測數(shù)據(jù)應(yīng)該將會向基于預(yù)測做出的軌線回歸。第二種就是實(shí)際發(fā)生了故障，后續(xù)的實(shí)測數(shù)據(jù)將會與基于預(yù)測的軌線存在持續(xù)性的背離。

基于上述分析，進(jìn)行第N+1天預(yù)測時(shí)，應(yīng)以第N天的預(yù)測值而不是第N天的實(shí)測值填入預(yù)測序列，而預(yù)測序列第1～N-1 天的值均為實(shí)測值，預(yù)測得到第N+1天的預(yù)測值。

如果第N+1 天的預(yù)測值與其實(shí)測值依然吻合，則初步斷定第N天的實(shí)測值與預(yù)測值偏離是擾動引起，則對第N+2 天的預(yù)測依然是第N天用預(yù)測值，其他天均用實(shí)測值來進(jìn)行預(yù)測，如果第N+2 天的預(yù)測值與實(shí)測值吻合，那么基本可以斷定系統(tǒng)未發(fā)生故障，且形成的預(yù)測序列是可信序列。

如果第N+1 天的預(yù)測值與其實(shí)測值背離，則初步斷定第N天的實(shí)測值與預(yù)測值偏離是故障引起，這時(shí)應(yīng)該調(diào)用故障診斷模塊進(jìn)行診斷，判斷出具體故障類型。

如果故障比較嚴(yán)重，變壓器停運(yùn)檢修，預(yù)測結(jié)束。如果故障不太嚴(yán)重，變壓器帶病運(yùn)行，在誤差允許的條件下，將預(yù)測數(shù)據(jù)窗內(nèi)全部填入實(shí)測值進(jìn)行預(yù)測。也可以將之前的預(yù)測序列清空，之后的每一天將實(shí)測值填入預(yù)測序列的數(shù)據(jù)窗（一般會用到7 d的數(shù)據(jù)，每天采集1 個(gè)點(diǎn)），直到數(shù)據(jù)窗填滿，具備預(yù)測的條件后再啟動新的預(yù)測。此時(shí)可以對帶病運(yùn)行的變壓器是否會發(fā)生新的故障或經(jīng)歷擾動進(jìn)行新一輪的判斷。

基于上述思路，本文將所提基于信息熵組合預(yù)測算法應(yīng)用于實(shí)際場景中，得到以下算例。

3.2.1 算例一

某220 kV 變壓器在2014 年7 月20 日出現(xiàn)輕瓦斯保護(hù)動作，根據(jù)三比值法判斷為中溫過熱故障。實(shí)際上該設(shè)備在2014年6月25日就出現(xiàn)了總烴含量超標(biāo)，根據(jù)三比值法判斷為低溫過熱故障，但由于產(chǎn)氣速率較慢（3.8%），該故障會如何發(fā)展未知，因此運(yùn)維人員并未采取應(yīng)對措施。本文收集了該變壓器前溯1年的油色譜數(shù)據(jù)，分別采用RBF、SVM以及由本文所提組合預(yù)測方法（兩種算法組合）對2014 年7 月1 日-2014 年7 月30 日的油中溶解氣體含量進(jìn)行預(yù)測，針對每一種方法獲取得到的油中氣體含量數(shù)據(jù)系列，采用三比值法判斷變壓器是否發(fā)生故障以及故障類型，三種方法均成功判斷出設(shè)備將發(fā)生中溫過熱故障的趨勢。其中RBF 算法為正誤差（即預(yù)測狀態(tài)異常早于實(shí)際時(shí)間），SVM算法為負(fù)誤差（即預(yù)測狀態(tài)異常晚于實(shí)際時(shí)間），預(yù)測結(jié)果如圖5所示（以H2為例）。

圖5 預(yù)測對比結(jié)果(場景1)Fig.5 Comparison results of prediction (Scenario 1)

由圖5中的對比結(jié)果可以看出，RBF算法、SVM算法以及組合方法預(yù)測設(shè)備故障狀態(tài)躍變?yōu)橹袦剡^熱的時(shí)間分別在2014年7月12日、2014年7月26日及2014年7月19日。

RBF算法預(yù)測結(jié)果相比實(shí)際情況提前了8 d，雖然可以更早地發(fā)出報(bào)警信號，但如果采用RBF算法的預(yù)測結(jié)果，則運(yùn)維人員將在2014 年7 月9 日開始調(diào)集檢修資源，而實(shí)際上2014 年7 月12 日設(shè)備狀態(tài)尚未躍變，繼續(xù)等待至2014 年7 月15 日仍未提示異常，則將會解除檢修計(jì)劃，而到了2014年7月20日設(shè)備狀態(tài)躍變發(fā)生時(shí)又需要緊急調(diào)集檢修資源，這樣就造成了檢修資源的往復(fù)浪費(fèi)，增加了檢修成本。

SVM 算法的預(yù)測結(jié)果比實(shí)際情況滯后了6 d。如果采用SVM算法的預(yù)測結(jié)果進(jìn)行檢修準(zhǔn)備，即在2014年7 月19 日才開始調(diào)集檢修資源，僅僅比故障實(shí)際發(fā)生時(shí)間提前了1 d，因此，該預(yù)測算法未達(dá)到規(guī)避應(yīng)急檢修的目的。

相比上述3 種方法，本文所確定的組合方法的預(yù)測結(jié)果與實(shí)際情況最相近（提前1 d），因此采用組合方法結(jié)果能夠?yàn)檫\(yùn)維部門提供最為準(zhǔn)確有效的檢修提示，彌補(bǔ)了其余單一方法的不足，避免了檢修資源的浪費(fèi)，這也充分說明了高精度預(yù)測的必要性。

3.2.2 算例二

再采用另外一組實(shí)例來說明預(yù)測結(jié)果均為負(fù)誤差的場景。某220 kV 變壓器在2013 年4 月17 日出現(xiàn)輕瓦斯保護(hù)動作，根據(jù)三比值法判斷為中溫過熱故障。實(shí)際上該設(shè)備在2013年3月8日就出現(xiàn)了總烴含量超標(biāo)，根據(jù)三比值法判斷為低溫過熱故障，但由于產(chǎn)氣速率較慢（2.5%），該故障會如何發(fā)展未知，因此運(yùn)維人員并未采取應(yīng)對措施。本文收集了該變壓器前溯1年的油色譜數(shù)據(jù)，分別采用RBF、SVM以及由本文所提組合預(yù)測方法（兩種算法組合）對2013 年4 月1 日-2013年4月30日進(jìn)行預(yù)測，結(jié)果如圖6所示（以H2為例）。

圖6 預(yù)測對比結(jié)果(場景2)Fig.6 Comparison results of prediction (Scenario 2)

由圖6中的對比結(jié)果可以看出，RBF算法、SVM算法以及組合方法預(yù)測設(shè)備故障狀態(tài)躍變?yōu)橹袦剡^熱的時(shí)間分別在2013年4月24日、2013年4月18日及2013年4月19日。

RBF算法預(yù)測結(jié)果相比實(shí)際情況滯后了7 d，如果采信該結(jié)果進(jìn)行檢修準(zhǔn)備，則中溫過熱故障已經(jīng)發(fā)生時(shí)，檢修準(zhǔn)備工作才剛剛開始，沒有達(dá)到提前準(zhǔn)備、避免應(yīng)急檢修的目的；SVM算法的預(yù)測結(jié)果相比實(shí)際情況滯后了1 d，采信該結(jié)果進(jìn)行檢修準(zhǔn)備的時(shí)間裕度為6 d；信息熵組合預(yù)測算法的預(yù)測結(jié)果相比實(shí)際情況滯后了2 d，采信該結(jié)果進(jìn)行檢修準(zhǔn)備的時(shí)間裕度為5 d。

由此可見，當(dāng)所有預(yù)測算法的誤差均為負(fù)誤差時(shí)，即預(yù)測結(jié)果均滯后于設(shè)備狀態(tài)異常的實(shí)際時(shí)間，則各類預(yù)測方法的檢修準(zhǔn)備時(shí)間裕度均受到一定影響，甚至出現(xiàn)了剛進(jìn)行檢修準(zhǔn)備時(shí)故障就已經(jīng)發(fā)生的情況。但是，在此情況下，組合預(yù)測算法仍能保證預(yù)測結(jié)果與實(shí)際結(jié)果的偏離程度在可承受范圍之內(nèi)（提前5 d 安排），能夠?yàn)榘才艡z修提供一定的時(shí)間裕度。

類似地，在所有預(yù)測方法誤差均為正誤差時(shí)，某些單一方法的檢修準(zhǔn)備提前量可能過大，在目標(biāo)日期到達(dá)后，接下來的ΔT2天內(nèi)，仍未能將實(shí)際的異常情況或故障工況囊括在內(nèi)，則檢修待命狀態(tài)解除。但是，幾天后設(shè)備出現(xiàn)異常工況報(bào)警，則需重新調(diào)集檢修資源，又陷入了應(yīng)急檢修的困局。上述場景直接對應(yīng)的是場景1 中RBF 方法的預(yù)測結(jié)果。對于上述風(fēng)險(xiǎn)，某一類單一預(yù)測方法的出現(xiàn)概率是最大的，而由于組合方法是基于各類單一預(yù)測方法的優(yōu)化組合，其啟動應(yīng)急檢修的風(fēng)險(xiǎn)介于各類單一方法之間。

綜上，當(dāng)各類單一預(yù)測方法的誤差沒有呈現(xiàn)單向性（即誤差有正有負(fù)）時(shí)，組合方法總體上優(yōu)于所有參與組合的各個(gè)單一方法。當(dāng)各類單一預(yù)測方法的誤差呈現(xiàn)單向性（即誤差均為正或均為負(fù)）時(shí)，在某個(gè)特定的場景下預(yù)測結(jié)果不一定最優(yōu)，但是從統(tǒng)計(jì)意義上來說，組合方法可以保證在全局范圍內(nèi)結(jié)果最優(yōu)。

當(dāng)選擇的觀測和預(yù)測指標(biāo)恰當(dāng)時(shí)，組合預(yù)測方法及其結(jié)果的應(yīng)用方法同樣適用于其他電網(wǎng)設(shè)備。此外還需指出的是，目前運(yùn)維人員對預(yù)測結(jié)果的信任程度可能不高，如果完全依據(jù)預(yù)測結(jié)果，在狀態(tài)被判定為劣化時(shí)提前進(jìn)行檢修，則將造成預(yù)測結(jié)果無法后驗(yàn)證的后果，即無法確定此次提前檢修是否正確、是否過檢修。因此，在試運(yùn)行期間，應(yīng)該充分累積數(shù)據(jù)，結(jié)合定期檢修或其他形式狀態(tài)檢修的結(jié)論，驗(yàn)證組合預(yù)測方法判別結(jié)果的準(zhǔn)確性，最終，以保證既不喪失預(yù)測功能，又能保證有足夠的時(shí)間裕度提前安排檢修為目標(biāo)，合理整定ΔT、ΔT1及ΔT2的值。

4 結(jié)語

針對單一預(yù)測方法在不同場景應(yīng)用下的局限性，本文提出了一種具備普適性的變壓器油中溶解氣體含量組合預(yù)測方法，并基于該預(yù)測方法形成了一套完整的故障甄別流程，最終通過仿真驗(yàn)證形成以下結(jié)論：

1）相比于傳統(tǒng)的單一型預(yù)測方法，本文所提出的組合預(yù)測優(yōu)選方法可以綜合考慮多項(xiàng)因素的影響，并運(yùn)用熵權(quán)法智能分配各因素的權(quán)重，在預(yù)測結(jié)果上具有更高的精度；此外，本文所提出的預(yù)測方法能根據(jù)不同場景選定最合適的預(yù)測方法組合，避免了單一預(yù)測方法的局限性，保證了預(yù)測結(jié)果的可靠性。

2）基于所提出的組合預(yù)測方案，本文進(jìn)一步形成了一套基于時(shí)間窗的故障甄別流程。相比于傳統(tǒng)故障甄別方法呈現(xiàn)的誤差單向性，所提故障甄別流程在全局范圍內(nèi)具有最優(yōu)的預(yù)測結(jié)果，對現(xiàn)場運(yùn)行具有指導(dǎo)作用。

3）本文所提出的方法不僅適用于變壓器油中溶解氣體的預(yù)測，同樣也可以適用于電力系統(tǒng)其他方面的預(yù)測工作。在后續(xù)的研究中，宜拓展組合預(yù)測方法的應(yīng)用范圍，形成一套完整、普適的工業(yè)化應(yīng)用方案。