變壓器油中氣體監測數據隨機誤差的自適應檢驗方法

鄔蓉蓉張 煒樊宇璐鄧雨榮張玉波

（1.廣西電網有限責任公司電力科學研究院，南寧 530023；2.廣西電網有限責任公司崇左供電局，廣西 崇左 532200）

變壓器油中氣體監測數據隨機誤差的自適應檢驗方法

鄔蓉蓉1張 煒1樊宇璐2鄧雨榮1張玉波1

（1.廣西電網有限責任公司電力科學研究院，南寧 530023；2.廣西電網有限責任公司崇左供電局，廣西 崇左 532200）

提出并應用了基于格拉布斯準則檢驗變壓器油氣監測數據隨機誤差的自適應處理方法，扭轉了缺少自動甄別正態分布下監測數據隨機誤差手段的被動局面，降低了誤告警的概率。首先，對監測數據序列進行分類、排序等預處理，并計算其樣本均值、樣本標準差；其次，計算序列中最小、最大數據的樣本偏離值；再次，基于格拉布斯準則迭代檢驗各類監測組分的氣體，直至排除所有隨機誤差異常值。實際應用效果表明，該方法改進了監測系統的糾錯能力，提升了監測預警的效果。

變壓器；油中溶解氣體；格拉布斯準則；正態分布；檢驗；隨機誤差

變壓器油中溶解氣體監測技術已在電力行業廣泛應用，并實現了在省級監測主站系統平臺的集中監視[1-2]。然而，在對監測數據的利用和分析方面還存在局限[3-5]。一方面受限于電子元件老化、外部環境干擾、載氣欠壓等現場影響因素，導致監測數據產生誤差，甚至導致誤告警；另一方面，監測主站系統平臺在歸集大量數據后，缺乏對數據的分析處理手段；因而依然需要依靠人工經驗而分析數據和預測故障，亦未能實現對數據有效及時的自動糾錯。

針對現場影響因素，現階段已采取了提升裝置抗干擾性能、改進色譜峰識別方法等控制措施，并取得一定的效果[5]。然而且受限于缺少充分分析監測數據重復性的依據，未能甄別此類錯誤數據可疑值，導致當前的監測主站系統平臺無法有效實現誤差數據的自動糾錯，進而產生誤告警或漏告警。究其主要原因，在于測量精度等原因產生系統誤差、隨機誤差的錯誤數據，并影響監測數據的重復性。

因此，本文在分析監測數據序列間內在聯系的基礎上，提出、應用基于格拉布斯準則的自適應篩查處理油中溶解氣體監測數據方法，以檢驗、剔除監測數據中的測量誤差，避免因隨機誤差而導致誤告警、漏告警，提升監測系統預警結果的準確性。

1 測量精度分析

由于監測結果易受現場環境、變壓器及監測裝置狀態變化等“小概率事件”的影響，其監測數據序列遵循連續隨機變量概率分布，屬正態分布（Gaussian distribution）的特征[7-9]。因此，要提高油中溶解氣體監測水平，避免誤告警和漏告警，其關鍵在于提高測量精度。按DL/Z 249中的技術指標要求，測量精度包括重復性和誤差[10]，結合油中溶解氣體監測數據的特點具體闡述如下：

1）重復性：即是指判斷測量數據的分布是否在平均值處，或者每個測量數據是否接近。變壓器在正常運行狀態下的監測數據大幅變化概率低，故影響重復性的因素通常是測值增量。

2）測量誤差：包括系統誤差、隨機誤差，是指測量值參考真實值的一致性。分析測量誤差的途徑主要是比對分析已知材料。在實際應用中通常是指比對監測裝置與實驗室色譜儀對同一油樣的測量結果，其誤差應符合DL/T 722中不同實驗室間相差不應大于平均值的30%的要求；但實驗室的檢測頻次（每季度一次）遠低于在線監測的頻次（每日一次），比對的時效性難以滿足要求。并且誤差亦受制于監測裝置的最低檢出限。比對分析系統誤差、隨機誤差的產生原因、特點及影響結果見表1。

表1 系統誤差的隨機誤差比對分析

視上述重復性、測量誤差兩類測量精度指標的不同效果，在組合后則可能存在四類情況，如圖 1所示。

圖1 四類不同的測量精度

鑒于上述分析，隨機誤差有礙于正確判斷變壓器設備狀態影響，而且難以有效篩查、消除誤差；故需要通過研究應用篩查、排除因干擾所產生隨機誤差的方法，并可驗證監測數據重復性，以在一定程度上避免監測誤告警。統計學中的格拉布斯準則正是以正態分布為前提的校驗規則，符合油中溶解氣體監測數據產生規律的應用條件，可用于建立檢驗流程。

2 監測數據可疑值檢驗方法

2.1 格拉布斯準則

格拉布斯準則是在未知總體標準偏差σ(x)的情況下，對正態樣本或接近正態樣本異常隨機變量進行判別的一種自適應處理方法，已經實驗證明是效果較好的判據[11-13]。具體方法如下：

設n個樣本值按大小順序排列x1≤x2≤…≤xn，對其中的最大或最小數據，用格拉布斯準則檢驗，若殘差滿足下式：

則判斷此值為異常數據，應予以剔除。

2.2 檢驗方法

油中溶解氣體監測數據通常包含 H2、CH4、C2H6、C2H4、C2H2、CO、CO2等氣體濃度值，因此需基于格拉布斯準則分別檢驗每一類監測數據的可疑值。首先，計算監測數據的樣本均值、樣本標準差；其次，分別計算x1和xn的偏離值 ν1、νn；再次，若 ν1＞ νn則以x1進行可疑值檢驗；反之則以xn進行檢驗。此外，由于可能出現不止1個可疑值，故還需進行迭代檢驗。

表2 油中溶解氣體監測顯著性水平α 經驗值表

2.3 自適應檢驗流程

具體方法步驟如圖2所示，具體步驟說明如下。

圖2 基于格拉布斯準則的檢驗步驟

1）數據采集：通過在線監測主站系統平臺采集分布在各地變壓器的監測數據。

2）數據預處理：在主站系統平臺內對監測數據進行分析，并提取某一類監測數據待進行格拉布斯迭代檢驗。即假設監測數據為n個，從小到大排序為：x1≤x2≤…≤xn。

其中樣本均值的計算公式如下：

而樣本標準差的計算公式為

式（2）、式（3）中n為監測數據個數，Xi為監測數據值。

4）計算x1和xn的偏離值ν1、νn。

其中最小值的樣本偏離值的計算公式如下：

而最大值的樣本偏離值的計算公式為：

若ν1＞νn則以x1進行可疑值檢驗，反之則以xn進行檢驗。

5）基于格拉布斯準則的迭代檢驗。采用式（1），并結合α 經驗值表進行檢驗，若滿足則判定該值為可疑值，并予以刪除。然后再重新計算樣本均值和樣本標準差，再重復以上過程。

若不滿足式（1），則判定該值可用，本類監測數據檢驗結束。

6）分類檢驗。對其他監測測量采用與步驟（3）、（4）相同的方法進行自適應的檢驗處理，以保證在對隨機誤差進行篩選、剔除處理之后，各類不同特征數據量具有一致性。則完成監測數據檢驗；并可進入下一個周期，重復以上過程。

3 算例分析

3.1 算例場景

2016年2月4日，主站系統平臺監測發現220kV誼祥站 1號主變的氫氣測值達到既定的告警值（150μL/L），但是根據人工經驗分析監測數據時，則會發現除氫氣突然越升至告警值以上外，乙烯、甲烷、乙炔等烴類組分氣體均為零；這顯然與當變壓器的過熱類或放電類故障時會同時產生氫烴組分氣體的表像不符[14-15]，故此數據應為隨機誤差。然而，傳統的監測程序并不具備此類人工智能篩查分析的能力，仍然會誤告警設備異常，干擾正常的設備預警與運維。

表3 系統告警時的監測數據

當在主站系統平臺中配置基于格拉布斯的監測程序后將檢驗出現顯著變化的一氧化碳（CO）和氫氣（H2），并對隨機誤差進行糾錯。

1號主變近一個月的一氧化碳（CO）和氫氣（H2）監測歷史數據見表3，監測數據曲線如圖3所示。

表4 CO和H2的監測歷史數據

圖3 監測數據歷史曲線

3.2 演算過程

針對2016年1月4日到2016年2月4日的監測數據樣本，分別對CO和H2進行可疑值檢驗分析，具體過程如下：

1）檢驗分析CO的監測數據

（2）計算樣本最大最小值的偏離值：ν1=45.05；νn=25.83。因為ν1＞νn，所以選擇樣本最小值（60.5）進行可疑值檢驗。

（3）取a=0.05，查a經驗值表，得g( n,a)=2.773。計算g( n,a)=41.76，小于 ν1（45.05），則判斷樣本最小值（60.5）為異常值，即2月4日的CO監測值為異常值，應予以剔除。

2）檢驗分析H2的監測數據

（2）計算樣本最大最小值的偏離值：ν1=9.6；νn=78.77。因為ν1＜νn，所以選擇樣本最大值（141.34）進行可疑值檢驗。

（3）取a=0.05，查a經驗值表，得g( n,a)=2.773。計算g( n,a)小于 νn（78.77），則判斷樣本最大值（141.34）為異常值，即2月4日的H2監測值為異常值，應予以剔除。

至此，結束對220kV誼祥站1號主變油氣監測數據的自動檢驗分析過程，初判2月4日監測數據數據隨機誤差；并提示設備運維人員檢查分析。經事后檢查，確認監測裝置存在加溫故障，驗證此方法可有效自動篩查出異常變化的數據，并利于及時復核異常變化的原因。

4 結論

本文在分析監測數據的顯著性差異特征的基礎上，提出并應用了基于格拉布斯準則而迭代檢驗、甄別監測數據的方法，達到自適應篩查因異常干擾等產生的隨機誤差的目的，并且降低了監測誤告警和漏告警的概率。同時，由于在主站系統平臺具備自動分析和處理錯誤數據的能力，也將進一步提升系統處理大規模監測數據的能力，并降低人工分析排查監測誤告警的工作量。

[1]劉娟,鞠登峰,王勇,等.變電站設備智能狀交覽測系統的設計及應用[J].電力建設,2012,33(6):6-10.

[2]王峰,閻春雨,畢建剛,等.變電設備狀態監測系統的設計方案[J].電力建設,2011,32(11):31-35.

[3]肖燕彩,朱衡君,張霄元,等.基于溶解氣體分析的電力變壓器在線監測與診斷技術[J].電力自動化設備,2006,26(6):93-96.

[4]張煒,梁俊斌,鄧雨榮,等.變壓器絕緣油中產氣趨勢突變的檢測方法研究[J].絕緣材料,2015,48(10):72-76.

[5]李洪超,王偉剛,董雪梅.基于M-LS-SVR的變壓器油中溶解氣體濃度預測[J].電氣技術,2016,17(1):76-80.

[6]趙婉芳,王慧芳,邱劍,等.基于油色譜監測數據的變壓器動態可靠性分析[J].電力系統自動化,2014,38(22):38-42,49.

[7]曹建,范競敏,安晨光,等.灰色關聯度分析在變壓器油色譜峰辨識中的應用[J].電網技術,2010,34(7):206-210.

[8]尹金良,朱永利,俞國勤,等.基于高斯過程分類器的變壓器故障診斷[J].電工技術學報,2013,28(1):158-164.

[9]張艷珠,李媛,李小娟.簡化型 PCNN的混合噪聲圖像濾波算法研究[J].控制工程,2013,20(5):829-832.

[10]DL/Z 249.變壓器油中溶解氣體在線監測裝置選用導則[S].國家能源局,2012.

[11]陳銳,周書民.改進的格拉布斯準則在氡濃度計數中的應用[J].核電子學與探測技術,2009,29(1):113-115.

[12]唐慧強,劉鉦江,李全月.硫氮分析系統異常值自動甄別與糾錯方法研究[J].傳感器與微系統,2013,32(9):42-45,49.

[13]李夢奇,白曉軍,匡同春,等.工程技術領域等精度數據異常值判定系統[J].計量技術,2006(3):57-59.

[14]楊超.一起在線監測發現 500kV變壓器缺陷的分析及處理[J].電氣技術,2014,15(9):74-77.

[15]徐康健.變壓器油色譜分析中用三比值法判斷故障時應注意的問題[J].變壓器,2010,47(1):75-76.

Adaptive Test Method for Random Error of Dissolved Gas Monitoring Data in Transformer Oil

Wu Rongrong1Zhang Wei1Fan Yulu2Deng Yurong1Zhang Yubo1
(1.Electric Power Science Research Institute of Guangxi Power Grid Co.,Ltd,Nanning 530023;2.Chongzuo Power Supply Bureau of Guangxi Power Grid Co.,Ltd,Chongzuo,Guangxi 532200)

Study on the adaptive test method for random error of dissolved gas monitoring data in transformer oil,to change the passive situation of the lack of automatic diagnosis of random error means，reduces the probability of false alarm and missing alarm.First,the data classification,sorting,and calculate the average value of the data,the standard deviation.Secondly,the deviation value of the minimum data and the maximum data in the data sequence is solved.Finally,the iterative test monitoring data based on Grubbs criterion,until the exclusion of all outliers.The actual application results show that this method improves the error correction capability of the system,but also enhance the effectiveness of monitoring and early warning.

transformer;dissolved gases;Grubbs criterion;Gaussian distribution;test;random error

鄔蓉蓉（1984-），女，碩士，工程師，主要從事電力設備狀態監測與故障診斷研究工作。

南方電網公司科技項目（GX2014-2-0025，K-GX2014-020）