基于无监督假设检验的变压器油温异常诊断方法研究

张远来 尹积金 张国印 晏斐

引言

油浸式变压器[1]是电力系统中广泛使用的核心设备，采购成本高，技术复杂，运维难度大，而油温是影响油浸式变压器[2]寿命的主要因素之一。长期较高的油温将会引起变压器的设备异常甚至故障，并大大减少设备的使用年限。变压器油温过高的主要原因包括变压器承载的负荷过高、出现短路、相关绝缘部件损坏以及冷却部件故障等问题。目前针对变压器油温异常的诊断方法主要包括：（1）采用温度计对变压器的顶层油温进行测量，基于变压器热传导的过程构建热路模型[3]，并且据此进行异常油温判定；（2）采用外部红外成像技术对变压器整体进行测量[4]，建立多维度油温异常计算模型；（3）采用专用的油色谱分析仪仪器，测量和计算油中各类气体成分的含量,进而根据油色谱[5]的变化进行油温异常判断分析。

上述采用温度计、红外成像技术、油色谱分析仪的变压器油温异常诊断方法具有重要的研究借鉴价值，但是存在着实施成本高，推广普适性差，异常诊断实时性不够等不足，如何更加准确、低廉、实时地进行变压器油温异常诊断仍然是一个难题。机器学习是大数据时代下日趋成熟的数据挖掘技术，其在工业领域得到了较为广泛的应用。本文在机器学习中无监督学习[6-7]算法的基础上，提出了一种基于无监督机器学习模型的油浸式变压器油温异常状态诊断方法，实验表明其具有优于传统方法的效果。

一、相关油温异常分析方法研究

目前，针对油浸式变压器油温的数据处理、异常识别和预测预警，主流方法包括基于简单热传递物理模型计算技术、基于变压器油气体成分指标分析技术和基于顶层油温变化分析技术三大类技术路线，其主要特点如下。

基于简单热传递物理模型的油温数据计算。李世光建立了变压器油温传导的修正热路模型，计算变压器的顶层油温及其绕组热点温度，由于使用简单热传递物理模型代替复杂模型，所需参数较少，模型更精确，所以计算精度和计算速度相对导则GB/T1094.7-2008提供的计算公式，都有明显提升[4]。魏本刚基于变压器绕组的主要发热原因以及变压器油的粘滞程度，构造了多维的修正参数模型，相对IEEE/ANSIC57.115标准的温升指数模型，能够更为准确地对变压器顶层油温的热点温度进行计算[3]。陈伟根通过Kalman滤波构造顶层油温状态方程，并构建测量方程，提出了一种变压器热路模型的油温动态微分方程，建立了顶层油温实时最优估计模型，实时地预测变压器顶层油温[8]。结合油浸式变压器顶层油温现场实测数据对比分析Kalman滤波模型及IEEE导则推荐模型预测结果，表明Kalman滤波模型具备更高的精度。

热路模型计算技术对参数的完备性要求较高，同时针对不同运行工况下的变压器热路模型相差也较大，预测的精度与参数的准确性息息相关。

基于变压器油色谱异常探测的油温预警方法。杜双育、周多军等人根据变压器油色谱气体指标进行了分析，并基于DL/T722-2000的三比值与四比值法则，进行变压器异常的诊断，基于油色谱主要成分算法或者通过MCD稳健统计多元分析去除相关干扰异常值后，能够有效提高变压器异常诊断的准确率[5,9]。

基于油色谱异常探测技术，监测周期较长（一般3小时以上），监测指标多，流程复杂，不同类型的变压器指标参数判断规则都有所不同，设备的价格也比较昂贵。

基于顶层油温异常探测的油温预警方法。王永强根据日顶层油温最大值，综合考虑了变压器相关检修等工况造成的影响，提出了一种基于峰值半物理的短期顶层油温预测模型[10]。其次，取变压器顶层油温的预测数据与实际数据进行对比，以发现变压器是否存在异常，进而判断可能存在的相关异常隐患信息。陈锦铭提出了一种基于变压器顶层油温变化的异常状态模型，采用等频离散化、箱形图分析变压器油温变化的异常状态及概率分布，以发现变压器是否存在异常，进而判断可能存在的相关异常隐患信息[4]。上述文献所采用的技术方法没有充分运用数据价值，其适用性较差，针对不同厂商型号、不同电压等级的变压器可能存在诊断不稳定的问题；又或者模型过于简单，评判原则单一，精度不高。

如表1所示，基于无监督假设检验大数据挖掘技术的油温预警方法的预测的泛化能力强，相对其他的方法具有较低的操作复杂性，在大数据的支持下，具有很强的可推广性，预测准确性也能达到很好的效果。上述对比显示大数据挖掘技术比传统技术更具备发展潜力。

表1 变压器油温异常分析技术对比表

二、基于K-means聚类及假设检验方法的油温异常标注算法

图1 油温异常探测算法流程图

本文提出的油温异常探测算法流程如图2所示。其算法思想是首先利用无监督聚类算法对工况数据进行聚类，发现隐藏在样本中的不同的工况分类。然后，通过统计学方法分析每种工况聚类下不同油温的一个分布情况，最后基于给定的阈值对每个聚类中小概论样本油温标注为异常。而标注异常后的历史数据作为系列数据集合，基于决策森林机器学习算法[11-13]得到变压器油温异常的判断规则。其中主要工况指标如下表2油温异常工况属性特征表所示。

图2 基于假设检验的油温异常阈值求解流程图

表2 油温异常工况属性特征表

表3 过滤粒度与查准查全率表

算法1名称：油温异常标注算法

算法输入：标注异常样本数据，聚类k值，异常阈值γ。

算法输出：油温异常决策规则知识集。

步骤1：对历史数据值进行噪点数据、缺失数据辨别，并进行删除和补齐。按照10℃间隔对每个变压器的油温记录进行离散化处理，例如10℃-20℃作为取值t1，20℃-30℃作为取值t2，以此类推。

最后，将实时变压器工况输入决策分类器，基于变压器油温异常诊断模型，结合变压器实时工况信息进行实时诊断计算，符合正常规则的情况输出为正常油温，符合异常规则的输出为异常油温。

算法输出：最优过滤阈值。

步骤1：实施算法1中步骤4，5，和6。

步骤2：将油温异常测试数据集输入决策分类器，根据油温异常分类决策规则与变压器工况进行实时匹配。

步骤3：将测试数据集中符合正常规则的情况输出为正常油温，符合异常规则的输出为异常油温。

步骤4：统计本分类器对测试数据集预测的查准率，查全率。

步骤5：如果步骤4获得的查准率，查全率不能达到预期目标则并且返还步骤1。

步骤6：如果步骤4获得的查准率，查全率达到预期目标则输出当前最优值。

三、实验与分析

实验采用上海A站4号主变2014年12月-2017年1月数据来验证基于无监督机器学习模型的油浸式变压器油温异常状态诊断方法的有效性，数据集的详细描述如表2所示。实验平台的操作系统为Ubuntu16.04LTS，机器配置为英特尔酷睿i3-2350M处理器（2.3GHz），3.8G运行内存，Python3.5开发环境进行实验。

本项目实验通过基于无监督机器学习模型的油浸式变压器油温异常状态诊断算法1对上述数据进行变压器油温异常辨识。并以异常识别的准确度为评价指标与基于变压器油色谱气体指标变化的油温异常诊断方法作对比分析。

实际生产中，一般会综合考虑准确率与查全率两类指标，综合评价指标通过对准确率和查全率设定不同的权重得到。本实验中，通过对准确率和查全率的均衡加权求和来综合评价算法。

本文实验以上述2015年标注后的油温数据作为训练数据集来训练决策森林模型，训练结果获得的决策规则被应用于判断2016年的主变设备的油温异常情况。通过算法2对评价指标准确率，查全率和准确率+查全率的结果反馈，选择最优过滤阈值 的粒度参数。实验结果表详见下表。

下图3和4为应用上述实验获得的决策规则对2016年3月和2016年7月的油温异常的标注的实验效果图。

图3 2016年3月标注图

图3和图4为变压器运行工况变化率及油温诊断的主要情况，两幅图的上部图所示是变压器设备油温等工况变化情况，其中变压器所处外部环境温度标记为红色线，变压器A相的电流副值标记为蓝色线，变压器A相的绕组温度标记为绿色线。两幅图的下部图所示是变压器异常诊断情况，其中变压器所处外部环境温度标记为红色线，变压器A相的电流副值标记为蓝色线，变压器A相的绕组温度标记为绿色线，蓝色折线图为变压器油温的整体变化趋势情况，红色圆点为算法诊断出的异常信息。

图4 2016年7月标注图

由上图异常油温标注图可以看出主变设备的异常油温得到比较好的标注。将本项目实际结果与运行过程中人为记录的异常缺陷报告进行比对，变压器油温异常标注的准确率为90%，异常标注查全率为89%。采用变压器油色谱气体指标变化的油温异常诊断方法变压器油温异常标注的准确率为86%。因此本算法的识别准确率优于基于变压器油色谱气体指标变化的油温异常诊断方法。

结语

变压器顶层油温是检测变压器运行状态的一项重要指标。本文在研究经典油温异常检测技术现状的基础上，对油温异常检测数据进行了数学建模并且提出了一种基于无监督机器学习模型的油浸式变压器油温异常状态诊断方法。该方法的核心思想是通过无监督学习方法对各个工况油温统计学意义上异常进行标识,而对于油温异常的标识阈值则参用了假设检验的方法实现了最优化。实验结果表明，通过上述方法对于某站变压器的异常油温标识实测达到了优于传统方法的效果。总体来说，基于无监督假设检验的新型变压器油温异常诊断方法充分挖掘了运用数据价值，具有较高的社会、经济效益，具有较好的推广前景。从适用性上来说更为通用，只需要基于不同变压器数据进行训练修正；从成本上来说更加低廉，不需要使用价格高昂的硬件诊断设备；从精准度来说更加精准，基于实测效果证明该模型实现了最优化模型，诊断准确度也得到提升。