基于大數據關聯挖掘的變壓器故障推演系統設計

高 偉，呂艷霞，闞東微，郝艷軍

（1.國網鶴崗供電公司，黑龍江鶴崗 154100；2.北京中電南瑞科技有限公司，北京 100160）

變壓器是電網中的重要樞紐設備，也是電網一次負荷可靠協調運行所需的重要設備[1]。在電力系統中，變壓器故障可能會引起嚴重的電力事故。長期以來，電力公司對變壓器仍然采取“定期檢修為主，狀態檢修為輔”的維修策略。隨著電網覆蓋面的逐漸擴大及社會用電需求的提高，變壓器在線維修是設備維修方式發展的必然趨勢[2]。加強電壓器運行管理和技術管理，減少變壓器故障的發生是現階段電力公司的核心管理方向之一，也是對變壓器現場運行管理和人員技能培訓的目標[3]。

變壓器傳輸功率大、結構復雜，隱患缺陷可導致變壓器在不同位置失效，不同運行環境對變壓器工作狀態的影響也不盡相同。另外，在變壓器發生故障時，不僅故障癥狀狀態發生了變化，同時還出現了多種故障類型缺陷，使得故障癥狀與故障類型呈現出復雜的交叉映射關系[4-5]。

隨著變壓器故障診斷與狀態評估技術的發展，其在電力系統中得到了廣泛的應用。大規模云傳輸技術的發展為變壓器監控大數據的有效分析和變壓器生存狀態的維護提供了一種有效的技術手段，可為變壓器運行維護提供更為智能、可靠的輔助決策支持。近幾年來，隨著電網智能化和自動化程度的提高，電力數據積累逐步呈現井噴式增長，在變壓器現場設備操作方面積累了多年的經驗，包括不同的操作環境和電壓水平[6-8]。歷史故障信息和典型故障案例的豐富為基于大數據挖掘的變壓器故障推理提供了依據。文中在對變壓器典型故障進行大數據分析、分類和管理的基礎上，利用關聯規則進行挖掘，獲取變壓器故障特征，并結合虛擬現實技術的優點，建立有效、可靠的變壓器故障征兆和故障類型可視化系統，利用該系統提取變壓器故障特征，實現對變壓器故障的可視化診斷。

1 系統架構設計

在分析大規模數據的基礎上，以典型的分類和管理條件（故障征兆和故障癥狀）為基礎，用關聯規則方法分析了變壓器故障類型和故障癥狀之間的關系，梳理了智能聯級的故障征兆，建立了高效智能的電力變壓器故障診斷模型和故障數據檢索管理系統，并結合虛擬現實技術的優點實現輔助決策信息呈現的可視化?；诖髷祿P聯挖掘技術的變壓器故障推理系統架構如圖1 所示。

圖1 變壓器故障推理系統架構圖

為實現變壓器故障的可視化診斷，一方面引入虛擬現實技術，通過推理使診斷結果直觀地呈現在用戶面前，為現場操作人員和培訓人員提供直觀、清楚的故障類型和故障癥狀[9-10]；另一方面，通過智能算法導出映射權值，對隱藏在故障類型中的故障癥狀進行定量顯示，為操作人員的操作、維護和維修方法提供支持，實現了對變壓器故障的跟蹤，提高了對故障定位的分析效率。

2 系統硬件設計

基于大數據關聯挖掘的變壓器故障推演系統的硬件平臺由防火墻、特殊交換機、信息數據庫組成。

變壓器故障推演系統附屬于電力公司的安全區內，通過高級的防火墻和網絡設備連接形成一個互聯網絡，完成基于大數據關聯挖掘的變壓器故障推演過程，得出相應結論[11-12]。文中系統硬件平臺通過工程生產系統的信息數據庫錄入不同變壓器的基本參數與數據信息，系統將數據信息存儲在該系統的服務器中，在對變壓器進行故障推演時，提供變壓器的相關信息。推理人員通過瀏覽器/服務器模式進行變壓器故障推演結果和相關數據的查詢，具體的基于大數據關聯挖掘的變壓器故障推演系統硬件平臺結構如圖2 所示。

圖2 變壓器故障推演系統硬件平臺結構

基于大數據關聯挖掘的變壓器故障推演硬件平臺由UPS 電源、i.MX6 處理器、特殊的處理器接口、集成顯卡、內部存儲器、推演服務器構成[13-15]。

文中變壓器故障推演系統選擇的電源是UPS 電源。UPS 電源是一種在線式電源，在線式電源如果出現漏電情況，會立即向系統中心反饋信息，避免出現電源突然關閉造成信息丟失的事故。UPS 電源的額定功率為60 kVA，輸入電壓的范圍為210～475 V，輸出電壓的范圍為AC 380/220 V，輸入頻率的范圍為40～70 Hz。UPS電源耐用并且支持大功率的電壓輸入輸出，為變壓器故障推演系統的運行提供了基礎[16]。

硬件系統的推演服務器使用兩個8 核的CPU，主頻頻率在2.13 GHz 以上，其具有256 G 超大內存空間，額外有4 個300 GB 的SAS 硬盤，推演服務器的超大內存有利于變壓器故障推演系統加速運行。i.MX6 處理器是最適合文中研究的變壓器推演系統的處理器，因為i.MX6 處理器是目前飛思卡爾半導體在處理器領域最新的產品，具有極高的性能和強大的功能。i.MX6 處理器采用納米技術，運行頻率高達1 GHz，其內核采用ARM v7 的指令架構，在運行的過程中可以承載0～4 MB 的高速緩存控制器，防止變壓器故障推演系統產生卡頓的情況。ARM v7的指令可以自動壓縮變壓器內部信息的大小，并且高性能浮點單位比傳統的內核性能提高一倍。

文中選用MIPI 接口連接變壓器推演系統，一方面MIPI 接口具有LCD 控制器，在中場連接的時候會顯示綠色，如果接口發生松動，MIPI 接口立即轉為紅色燈，方便故障檢修人員的故障認定。另一方面MIPI 接口具有高速傳輸數據的功能，傳輸速率高達5 Gbps，提高了基于數據關聯挖掘的變壓器故障推演系統的運行速度。

3 系統軟件設計

基于大數據關聯挖掘的變壓器故障推演系統的軟件是維持系統正常運行的核心，文中變壓器故障推演軟件系統的設計中心是實現變壓器故障征兆與故障切入點的映射連通的構建，簡化變壓器故障推演的邏輯思維。

變壓器的故障征兆與故障切入點之間存在著交叉映射的拓撲關系，是變壓器故障正常推演的關鍵。文中研究的基于大數據關聯挖掘的變壓器故障推演系統的軟件區域，設計了特有的故障點引擎功能，實現變壓器故障征兆與故障切入點的連接。經過多次實驗數據的研究，變壓器故障征兆與故障點類型存在線性關系，具體公式如下所示：

其中，Fa和Fb分別表示變壓器故障征兆程度和待處理的故障數目。由于T值代表變壓器故障征兆與故障點類型間的線性關系，因此，哪一類故障的T值越高，越能夠說明變壓器存在該類故障的可能性更大。

為了簡化傳統故障推演系統的推演過程，文中在系統的軟件區域設計了故障重現功能，將變壓器存在的故障點進行有邏輯的排序，完成推演過程。此時借助的公式如下所示：

其中，ΔX(j,t+1)是變壓器故障點的故障系數；X(j,t+1)是變壓器預測的故障類型指標；X(j,t-1)是計算機檢測的變壓器運行的空載損耗。

將所有計算機監測到的變壓器故障點的故障點指標系數計算出來，將計算結果由小到大進行排序，對其是否發生故障及故障類型做進一步地推演識別。

綜上所述，在基于大數據關聯挖掘的變壓器故障推演系統的軟件功能設計的基礎上，具體系統運行流程如圖3 所示。

圖3 變壓器故障推演系統運行流程圖

4 實驗分析與研究

為了精準地評估基于數據關聯挖掘的變壓器故障推演系統的故障推演能力，設置對比實驗，將文中設計的基于大數據挖掘的變壓器故障推演系統與傳統的基于多源信息融合的變壓器故障推演系統進行對比，從推演相對誤差和推演時間兩個方面檢驗不同系統的應用效果。

為了保證該次對比實驗的公平性和科學性，文中將4 個工作人員分為兩組，同時對實驗相關數據進行記錄，最終進行數據的核對，如果出現極小的誤差取其平均值，如果出現較大的誤差，根據實驗數據情況舍去數據或者重新進行實驗。

具體的實驗操作過程如下：

1）準備4 臺相同型號、相同參數的變壓器，其中兩臺用于實驗，兩臺用于實驗替補，防止實驗過程中由于實驗器材的原因終止實驗；

2）進行實驗預處理，在實驗進行前工作人員準備兩臺計算機，分別連接實驗的兩臺變壓器，進行變壓器的故障檢測，將故障結果記錄下來，為了保證實驗的公平性，兩臺實驗變壓器具有相同故障；

3）預處理結束后，將兩個變壓器故障推演系統安裝到計算機內部，同一時間開始對兩臺變壓器進行故障推演操作，4 個工作人員記錄兩個系統的操作時間。兩個系統分別故障推演后，計算機對兩個故障推演系統的推演過程進行分析，得出試驗效果數據；

4）為了對比兩種故障推演系統的相對誤差，文中用Re表示，具體如式（3）所示。

其中，Xj為預測值，Xi為實際值。

實驗結束后，工作人員關閉電源，整理實驗器材，由此結束整體實驗操作。通過整理實驗數據，得到實驗數據結果示意圖，如圖4、5 所示。

圖4 傳統變壓器故障推演系統的推演誤差

由于變壓器故障的推演誤差越小，故障推演系統的性能就越好，觀察圖4 和圖5 可知，文中所研究的變壓器故障推演系統具有較小的相對誤差。

圖5 文中變壓器故障推演系統的推演誤差

計算機在對兩個變壓器故障推演系統的推演過程進行分析時，得出兩個系統對存在相同待診斷故障數時的系統推演時間，其對應結果如圖6 所示。

圖6 推演邏輯效果示意圖

根據圖6 可知，變壓器存在待解決的故障數越多時，兩個變壓器故障推演系統的運行時間就越長。由圖6 可以觀察到，兩個系統面對相同故障時，故障推演的時間卻不相同，這是因為文中研究的基于數據關聯挖掘的變壓故障推演系統對各種型號的變壓器內部熟悉，可以很快地找到故障推演切入點。當變壓器存在的故障數目較多時，文中研究的基于數據關聯挖掘的變壓器故障推演系統的運行推演時間比傳統的變壓器故障推演系統運行的時間短。

綜上所述，設計的基于大數據關聯挖掘的變壓器故障推演系統不僅能夠降低推演誤差，還能夠有效縮短診斷時間，證明該系統具有較好的應用效果。

5 結束語

文中通過研究變壓器故障推演系統軟件部分和硬件部分，設計出一個基于大數據關聯挖掘的變壓器故障推演系統。經過實驗驗證，得到文中研究的基于大數據關聯挖掘的變壓器故障推演系統比傳統的推演系統邏輯清楚，推理時間短并且故障推演結果準確的結論。

大數據關聯挖掘技術在一定程度上量化了變壓器的諸多故障評估指標，簡化了變壓器故障推演過程。文中研究的變壓器故障推演系統雖然解決了變壓器故障推演的問題，但是在今后的研究中，應對變壓器故障和變壓器老化作出深入的研究。