基于知識和數(shù)據(jù)的牽引變壓器狀態(tài)評估系統(tǒng)

婁杲, 李少鵬, 田行軍, 陳怡菲, 宋偉

(1.中國電建集團(tuán)河南省電力勘測設(shè)計(jì)院有限公司, 鄭州 450007; 2.石家莊鐵道大學(xué)電氣與電子工程學(xué)院, 石家莊 050043)

牽引變壓器作為電氣化鐵路供電系統(tǒng)的核心設(shè)備之一,發(fā)生故障將嚴(yán)重影響軌道交通運(yùn)輸效率和列車運(yùn)行安全。隨著計(jì)劃檢修向著狀態(tài)檢修模式的發(fā)展,實(shí)現(xiàn)對其不正常運(yùn)行狀態(tài)的監(jiān)測與評估,可提高牽引供電系統(tǒng)運(yùn)行的安全性和可靠性。因而對變壓器的健康狀況和運(yùn)行狀態(tài)的研究十分迫切。

傳統(tǒng)供變電設(shè)備狀態(tài)評估以知識驅(qū)動為主,存在著狀態(tài)感知不全面、各參量關(guān)聯(lián)性存在差異、完整評估數(shù)據(jù)收集困難和在閾值劃分方面缺乏客觀性等問題[1]。而基于數(shù)據(jù)分析的供變電設(shè)備狀態(tài)評估方法便于深入挖掘設(shè)備故障和正常運(yùn)行間的映射關(guān)系及演變規(guī)律,可有效避免人為因素的干擾,保證評估結(jié)果的客觀性[2]。但數(shù)據(jù)驅(qū)動生成的經(jīng)驗(yàn)?zāi)Ｐ投嗍芟抻谠u估數(shù)據(jù)缺失、樣本集不均衡和評語劃分困難等問題,難以適應(yīng)樣本數(shù)據(jù)發(fā)生較大變化的情況[3-4]。因此在構(gòu)建數(shù)據(jù)驅(qū)動的經(jīng)驗(yàn)?zāi)Ｐ蜁r(shí),也需要建立基于數(shù)學(xué)、物理等模型的知識驅(qū)動方法指導(dǎo),如引入基于設(shè)備劣化機(jī)理約束的閾值條件,避免反常現(xiàn)象的產(chǎn)生,以增強(qiáng)經(jīng)驗(yàn)?zāi)Ｐ偷暮侠硇院涂煽啃訹5-6]。

基于機(jī)理的變壓器狀態(tài)評估多采用模糊綜合評價(jià)、關(guān)聯(lián)規(guī)則[7]和證據(jù)理論融合[8]等方法。其中,權(quán)重主要由主觀層次分析法(analytic hierarchy process, AHP)和客觀熵權(quán)法組合獲取[9]。隸屬度的確定主要包括指派隸屬函數(shù)、云模型[10]和云物元理論[11]等方法。以機(jī)理建模為主的評估方式易因權(quán)重、隸屬度和評價(jià)模型選取的不同,而造成定性評語存在差異。

目前,基于大數(shù)據(jù)分析和人工智能技術(shù)開展供變電設(shè)備狀態(tài)評估模式方興未艾[12]。謝樺等[13]采用C4.5決策樹開展變壓器狀態(tài)評估,利用合成少數(shù)過采樣技術(shù)(synthetic minority over-sampling technique,SMOTE)補(bǔ)充非正常運(yùn)行狀態(tài)樣本數(shù)量,以過采樣方式解決樣本不平衡問題。張寒等[14]采用自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)APNN對變壓器開展健康評估,主要分為模型訓(xùn)練和評估預(yù)測兩個階段,以500 kV油浸式變壓器進(jìn)行驗(yàn)證,結(jié)果說明訓(xùn)練模型更加接近真實(shí)情況,預(yù)測準(zhǔn)確度更高。此外,在國內(nèi)外多個研究領(lǐng)域,知識與數(shù)據(jù)聯(lián)合驅(qū)動建模方式得到廣泛研究與應(yīng)用[15-17]。

綜上所述,現(xiàn)將在數(shù)據(jù)收集、數(shù)據(jù)處理、模型構(gòu)建和系統(tǒng)設(shè)計(jì)等方面開展研究。結(jié)合朔黃重載線和石太客專/普速線各站歷史數(shù)據(jù)信息,提出基于機(jī)理和數(shù)據(jù)雙驅(qū)動的牽引變壓器狀態(tài)評估模型,并設(shè)計(jì)一套適用于高速/重載鐵路主變壓器狀態(tài)評估的服役健康管理系統(tǒng)。通過分級評估提高設(shè)備評估合理性,以期為數(shù)字化電力設(shè)備健康管理提供指導(dǎo)。

1 系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)關(guān)鍵技術(shù)

以NET為平臺,采用C/S(客戶端/服務(wù)器)架構(gòu)模式開發(fā)牽引變壓器狀態(tài)評估系統(tǒng)。利用C#和MATLAB的混合編程技術(shù),實(shí)現(xiàn)了牽引變壓器的狀態(tài)評估的計(jì)算功能[18]。該系統(tǒng)可作為子模塊嵌入牽引供電設(shè)備預(yù)防性試驗(yàn)管理系統(tǒng)中,為變壓器評估提供數(shù)據(jù)支撐,具有較好的可擴(kuò)展性和可移植性。此外,在C#窗體應(yīng)用程序中封裝一個用于捕捉窗口句柄的類,利用Windows操作系統(tǒng)的窗口函數(shù)捕捉Figure窗體句柄,可實(shí)現(xiàn)將獨(dú)立的Figure窗口嵌入C#窗體中。將狀態(tài)評估算法和圖像“融合”進(jìn)C#窗體應(yīng)用程序中,使得變壓器狀態(tài)評估軟件更加靈活和簡便[19]。

最后,通過MySQL數(shù)據(jù)庫和Web云服務(wù)器技術(shù)建立牽引變壓器數(shù)據(jù)中心,將試驗(yàn)和評估數(shù)據(jù)以特征參數(shù)和標(biāo)簽的形式云端存儲,實(shí)現(xiàn)數(shù)據(jù)共享[20-21]。上述技術(shù)結(jié)合,提高了軟件的開發(fā)效率和功能的完整性。

1.2 C#與MATLAB混編的工程應(yīng)用

知識評估模型利用．NET程序集。MATLAB Complier可以將M函數(shù)文件編譯生成擴(kuò)展名為*．dll的.NET程序集,用戶可以在C#項(xiàng)目中添加對該程序集的引用。此外還需引用位于MATLAB安裝路徑下的MWArry.dll文件實(shí)現(xiàn)數(shù)據(jù)交互,其中MWArray類作為中間類型,使得C#中數(shù)據(jù)類型與MATLAB中數(shù)據(jù)類型皆可轉(zhuǎn)換至MWArray。因而,可將含有權(quán)重、云模型和模糊評價(jià)等算法的MATLAB函數(shù)編譯為適用于C#項(xiàng)目的．NET組件。

數(shù)據(jù)評估模型利用MATLAB引擎技術(shù)。該引擎提供了一組接口函數(shù),可讓用戶通過接口實(shí)現(xiàn)對MATLAB程序的控制。這種方式將MATLAB作為計(jì)算引擎服務(wù)器,而外部應(yīng)用程序作為客戶端,用戶向客戶端發(fā)出數(shù)據(jù)請求,客戶端通過引擎向服務(wù)器端發(fā)出數(shù)據(jù)參數(shù)和相關(guān)指令,服務(wù)器端經(jīng)過計(jì)算后將計(jì)算結(jié)果經(jīng)引擎返回給客戶端。MATLAB計(jì)算引擎應(yīng)用提供的計(jì)算功能最為全面,包含了MATLAB的全部函數(shù),還可以執(zhí)行相關(guān)命令。這些功能有利于信號分解、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)和模式識別等方面的應(yīng)用研究。

1.3 系統(tǒng)功能

以牽引變壓器為研究對象,設(shè)計(jì)牽引變壓器的服役健康管理系統(tǒng);從試驗(yàn)管理和狀態(tài)評估兩個方面對變壓器開展在線評估與狀態(tài)檢修。其中服役健康管理系統(tǒng)操作流程如圖1所示。

圖1 系統(tǒng)評估流程圖Fig.1 System evaluation flow chart

基于大數(shù)據(jù)分析的經(jīng)驗(yàn)建模方式在電力設(shè)備狀態(tài)評估領(lǐng)域更傾向于輔助作用。實(shí)際上,當(dāng)前變壓器和其他高壓電器設(shè)備狀態(tài)評估仍然以知識驅(qū)動為主,以數(shù)據(jù)驅(qū)動建模的方法仍然鮮有應(yīng)用。因此應(yīng)按照用戶權(quán)限選用不同評估模型,最后管理員完善模型、數(shù)據(jù)歸檔并制定合理的檢修策略。圖2給出了多級審核機(jī)制下的試驗(yàn)管理與狀態(tài)評估的流程。

圖2 聯(lián)合評估流程Fig.2 Joint evaluation process

2 知識驅(qū)動模型的建立

2.1 狀態(tài)評估步驟

首先從預(yù)防性試驗(yàn)管理系統(tǒng)和歷史臺賬記錄獲取待評數(shù)據(jù),統(tǒng)計(jì)所需微水含量、吸收比、油中氣體等數(shù)據(jù)作為變壓器服役健康評定的基礎(chǔ)數(shù)據(jù)。

接著在絕緣缺陷檢測中可通過測量繞組介損和絕緣電阻反映電氣設(shè)備絕緣性能優(yōu)劣;繞組吸收比在表征絕緣油劣化和絕緣受潮方面有較高的靈敏度;用微安表讀取泄漏電流更容易發(fā)現(xiàn)變壓器絕緣的異常情況,因而泄漏電流也作為預(yù)防性試驗(yàn)基本指標(biāo)。摻雜了水分的變壓器油會加速老化影響其絕緣性能,油中微水的多少決定了變壓器的使用壽命和運(yùn)行狀態(tài)。油介損能靈敏地反映絕緣油在高溫和電場干擾下的老化程度;擊穿電壓體現(xiàn)了變壓器內(nèi)部耐受電壓的能力;由于因絕緣紙等材料受到電場的影響產(chǎn)生糖醛溶于油中造成絕緣機(jī)械強(qiáng)度下降,故糖醛含量也作為預(yù)防性試驗(yàn)基本指標(biāo)。油中氣體分析技術(shù)廣泛應(yīng)用于變壓器故障診斷和狀態(tài)評估中,變壓器油和固體絕緣物質(zhì)分解出來的氣體溶于油中會降低油的絕緣性能,監(jiān)測油中氣體含量和產(chǎn)氣速率可有效反映變壓器運(yùn)行狀態(tài)。

最后對所選的運(yùn)行試驗(yàn)數(shù)據(jù)進(jìn)行后期處理,將不同溫度下的試驗(yàn)數(shù)據(jù)歸算到統(tǒng)一溫度標(biāo)準(zhǔn)后,再用知識與數(shù)據(jù)評估模型對其劣化狀況進(jìn)行評價(jià),逐步擴(kuò)充數(shù)據(jù)評估模型樣本數(shù)據(jù),進(jìn)而完善狀態(tài)識別準(zhǔn)確率。

2.2 因素集和評語集的確定

評價(jià)因素的確定對得到合適的評估結(jié)果非常重要,應(yīng)遵循樣本特征并合理反映變壓器各種潛在故障;要求特征因素能夠量化進(jìn)行后續(xù)計(jì)算;且各評估因素應(yīng)盡量相互獨(dú)立,建立的物理模型需合理,誤評估率應(yīng)最低。表1給出了變壓器各層狀態(tài)參數(shù)模型,其中所有實(shí)測值均已按規(guī)程換算到20 ℃。

表1 變壓器評價(jià)因素集Table 1 Transformer evaluation factor set

數(shù)據(jù)評估評語初步將數(shù)量較多,出現(xiàn)頻率較高的正常狀態(tài)劃分為優(yōu)良等級。將即將大修或投運(yùn)一定時(shí)間未檢修的數(shù)據(jù)設(shè)為注意狀態(tài)。將少數(shù)故障和不正常運(yùn)行狀態(tài)所對應(yīng)的數(shù)據(jù)劃分為嚴(yán)重和異常等級。表2給出了變壓器不同評估模式的評語集。

表2 變壓器評價(jià)評語集Table 2 Transformer evaluation comment set

2.3 云模型確定隸屬度

云模型是在隨機(jī)數(shù)學(xué)和模糊數(shù)學(xué)的基礎(chǔ)上,用于描述信息隨機(jī)性和模糊性間關(guān)聯(lián)程度的一種方法。根據(jù)不同云滴在數(shù)據(jù)正態(tài)云出現(xiàn)的不同概率計(jì)算關(guān)聯(lián)度,從而提高關(guān)聯(lián)度計(jì)算的精確性。輸入n個指標(biāo)的試驗(yàn)數(shù)據(jù)xi并依次計(jì)算期望Ex、熵En和超熵He。在正向云發(fā)生器中輸入歷史經(jīng)驗(yàn)總結(jié)所求的Ex、En和He并不斷生成云滴。由于變壓器各數(shù)據(jù)量綱不同,需對各指標(biāo)進(jìn)行歸一化處理后,轉(zhuǎn)化為評價(jià)標(biāo)準(zhǔn)正太云,即

Ex=(cmax+cmin)/2

(1)

En=(cmax-cmin)/6

(2)

式中:cmin、cmax分別為指標(biāo)等級的上下邊界;He為常數(shù),可根據(jù)具體指標(biāo)的模糊性自行調(diào)整。依據(jù)式(1)和式(2)得到評價(jià)等級云模型的參數(shù)[22]。牽引變壓器的隸屬度以鐘形隸屬度函數(shù)為基礎(chǔ),引入了云模型的數(shù)字特征。其中云滴數(shù)量的多少決定了生成云圖定性描述特征的準(zhǔn)確度,在計(jì)算1 000 次并求均值后得到隸屬度,其公式為

(3)

式(3)中:Enn為En的期望。通過C#計(jì)算隸屬度,MATLAB生成評價(jià)等級云圖,捕捉Figure窗口令其嵌入C#窗體,圖3給出了氫氣含量的云隸屬界面。

圖3 評價(jià)等級云界面Fig.3 Evaluation level cloud interface

2.4 組合權(quán)重的獲取

結(jié)合現(xiàn)場人員主觀經(jīng)驗(yàn)和變壓器客觀運(yùn)行條件,采用AHP和熵權(quán)法組合獲取權(quán)重,即

W=λU+(1-λ)V

(4)

式(4)中:U為主觀權(quán)重;V為客觀權(quán)重;λ為組合權(quán)重系數(shù),滿足λ∈[0, 1]。組合權(quán)重可用于兩種權(quán)重的互相補(bǔ)償,消除因一種權(quán)重占比過大導(dǎo)致計(jì)算結(jié)果嚴(yán)重偏離實(shí)際情況的現(xiàn)象。一般選擇處于中間情況的方案即λ=0.5比較合適,即充分考慮主觀意見與客觀數(shù)據(jù)波動二者的影響。綜合權(quán)重計(jì)算公式為

W=0.5U+0.5V

(5)

2.5 模糊綜合評估

首先對牽引變壓器等級體系中的第三層開始模糊評判,將較低層的評價(jià)結(jié)果作為上一層的隸屬度繼續(xù)進(jìn)行評價(jià),直到得出設(shè)備的整體狀態(tài)結(jié)果為止。權(quán)重已由2.4節(jié)給出,模糊綜合評價(jià)一般模型為

(6)

3 數(shù)據(jù)驅(qū)動模型的建立

3.1 評價(jià)樣本集的生成

通過數(shù)據(jù)生成經(jīng)驗(yàn)?zāi)Ｐ偷臓恳儔浩鳡顟B(tài)評估,需要一定數(shù)量的樣本。由于高壓電器設(shè)備運(yùn)行可靠性高,通常多處于正常狀態(tài)下運(yùn)行,而運(yùn)行在非正常狀態(tài)(注意、異常和嚴(yán)重狀態(tài))下的樣本數(shù)則較少。即正常狀態(tài)樣本數(shù)遠(yuǎn)多于非正常狀態(tài)數(shù),由于樣本不均衡分布造成的少數(shù)類樣本誤分類易忽略非正常樣本的特征,使得分類性能下降,帶來嚴(yán)重的問題和風(fēng)險(xiǎn)。而SMOTE算法可以通過合成新的樣本并增加少數(shù)類樣本的數(shù)量來平衡樣本集,利用SMOTE算法以過采樣方式對樣本數(shù)據(jù)做均衡化處理[23-24]。步驟如下。

步驟1從少數(shù)類樣本A的K最近鄰少數(shù)類中隨機(jī)選取一個B,A和B的樣本特征的差向量為(B-A)。

步驟2從區(qū)間(0,1)中隨機(jī)選取一個實(shí)數(shù)i作為權(quán)值。將權(quán)值i與差向量相乘得到i(B-A)。

步驟3把步驟2的結(jié)果與樣本A的特征向量相加得到合成樣本A+i(B-A)。

樣本集來自朔黃重載鐵路和石太高速鐵路沿線,各站牽引變壓器的歷史故障記錄和試驗(yàn)管理數(shù)據(jù)。其中數(shù)據(jù)以Blob格式保存至MySQL數(shù)據(jù)庫中,通過ADO.NET以文件流形式讀取生成.txt文件,進(jìn)行樣本數(shù)據(jù)的查詢、上傳和修改。最后采用知識圖譜和模糊評判的方式,合理劃分樣本標(biāo)簽。表3給出了評估樣本的狀態(tài)構(gòu)成分布。

表3 數(shù)據(jù)樣本集構(gòu)成分布Table 3 Distribution of data sample set composition

3.2 數(shù)據(jù)降維和分類

3.2.1 主成分分析法

主成分分析法(principal component analysis, PCA)利用了數(shù)據(jù)的信息濃縮原理,可以將高維數(shù)據(jù)映射到低維并保留原始數(shù)據(jù)的大部分特征。并且將多個指標(biāo)按照設(shè)定的累計(jì)方差解釋率進(jìn)行降維,得到較少的仍能夠反映原始數(shù)據(jù)的指標(biāo)。通過求取樣本數(shù)據(jù)平均值進(jìn)行均值化得到矩陣Y,計(jì)算Y的協(xié)方差矩陣Z的特征值和特征向量。選擇合適的主成分?jǐn)?shù)量使累計(jì)貢獻(xiàn)率達(dá)到90%以上,將各主成分組合成新的矩陣W,即得到最終降維后的矩陣。

3.2.2 支持向量機(jī)

支持向量機(jī)(support vector machines, SVM)是機(jī)器學(xué)習(xí)中分類的代表性算法,在處理線性可分和不可分?jǐn)?shù)據(jù)中性能良好,廣泛應(yīng)用于小樣本分類。為解決非線性問題,SVM通過引入核函數(shù),在高維空間創(chuàng)建決策曲面,由于映射到高維空間仍存在不可分情況,故引入懲罰因子C調(diào)整學(xué)習(xí)復(fù)雜程度。如果C取值過大,易出現(xiàn)過擬合現(xiàn)象,SVM模型會趨于復(fù)雜,反之易出現(xiàn)欠擬合現(xiàn)象[25-26]。SVM的分類器的目標(biāo)函數(shù)為

(7)

式(7)中:C為懲罰因子;ξi為松弛因子;w為超平面法向量;xi為試驗(yàn)數(shù)據(jù)樣本;yi為樣本標(biāo)簽;b為超平面的偏移量;σ為高斯核參數(shù)。選擇高斯徑向基核函數(shù)通過低維空間的內(nèi)積運(yùn)算,實(shí)現(xiàn)高維空間同樣的效果。表達(dá)式為

K(x,xi)=exp[-|x-xi|2/(2σ2)]

(8)

3.3 鯨魚算法及其優(yōu)化SVM原理

3.3.1 鯨魚優(yōu)化算法(WOA)

WOA作為元啟發(fā)算法的一種,其核心思路是模擬座頭鯨包圍、攻擊、搜索獵物等行為,進(jìn)行參數(shù)尋優(yōu)獲得獵物最終坐標(biāo)(最優(yōu)解)。WOA的基本原理如下。

(1)包圍捕食階段。當(dāng)獵物被座頭鯨發(fā)現(xiàn)時(shí),座頭鯨圍困獵物的數(shù)學(xué)模型為

D=|CX*(t)-X(t)|

(9)

X(t+1)=X*(t)-AD

(10)

A=2ar-a

(11)

C=2r

(12)

式中:t為當(dāng)前迭代次數(shù);X*為當(dāng)前獲得的獵物位置向;X為鯨魚位置向量;A和C為系數(shù)向量;a為收斂因子,隨迭代次數(shù)增加從2線性減小到0;r為0～1的隨機(jī)向量。

(2)氣泡網(wǎng)攻擊階段。利用收縮包圍機(jī)制和螺旋更新位置兩種方式對座頭鯨的氣泡網(wǎng)攻擊行為進(jìn)行建模。通過產(chǎn)生一個0～1的隨機(jī)概率p來決定采用哪種捕食方式,當(dāng)|A|<1且p<0.5時(shí),選擇收縮包圍機(jī)制;當(dāng)|A|<1且p≥0.5時(shí),選擇螺旋運(yùn)動更新位置。

(3)隨機(jī)搜索捕食階段。當(dāng)|A|>1時(shí),鯨魚以一種自然搜索的方式去搜尋更適合的獵物,其中Xrand表示當(dāng)前鯨群個體的隨機(jī)位置。

D=|CXrand-X|

(13)

X(t+1)=Xrand-AD

(14)

3.3.2 WOA優(yōu)化SVM原理

WOA算法具有結(jié)構(gòu)簡單、調(diào)節(jié)參數(shù)少、全局收斂性強(qiáng)和收斂速度快等優(yōu)點(diǎn),用于對SVM的懲罰因子C和核參數(shù)g的快速尋優(yōu),能夠提高狀態(tài)識別的正確率[27-28]。設(shè)置鯨魚數(shù)量為30,最大迭代次數(shù)T為100,以交叉驗(yàn)證意義下支持向量機(jī)的平均分類準(zhǔn)確率作為適應(yīng)度函數(shù),確定鯨群中每個個體的適應(yīng)度值,并將最小值作為當(dāng)前個體最優(yōu)位置。然后根據(jù)隨機(jī)產(chǎn)生的p決定鯨魚個體進(jìn)行螺旋或包圍運(yùn)動,最后循環(huán)100次搜索空間內(nèi)的最佳適應(yīng)度所對應(yīng)的C和g,至WOA算法滿足終止條件。圖4給出了算法的流程圖。

圖4 WOA-SVM算法流程圖Fig.4 WOA-SVM algorithm flowchart

3.4 基于SMOTE-PCA-WOA-SVM的變壓器狀態(tài)評估

首先通過SMOTE算法對非正常運(yùn)行狀態(tài)樣本進(jìn)行過采樣,生成評估數(shù)據(jù)集。接著利用PCA對其降維處理。依據(jù)主成分累計(jì)貢獻(xiàn)率到達(dá)90%以上選擇特征數(shù)量,選擇前5個主成分作為最佳評估特征,然后建立WOA-SVM數(shù)據(jù)評估模型。最后取前70%數(shù)據(jù)用于訓(xùn)練,后30%組數(shù)據(jù)送入訓(xùn)練好的模型進(jìn)行狀態(tài)評估。表4給出了不同訓(xùn)練模型在經(jīng)過采樣處理前后的測試集分類評估準(zhǔn)確度,可以看出本文數(shù)據(jù)評估利用SMOTE過采樣均衡化樣本集后進(jìn)行PCA特征降維,并選用WOA優(yōu)化SVM分類評估,其測試集的識別準(zhǔn)確率較其他模型更高。

表4 數(shù)據(jù)評估方法比較Table 4 Comparison of data evaluation methods

由于NET組件技術(shù)不能實(shí)現(xiàn)對MATLAB支持向量機(jī)等第三方工具箱的調(diào)用,因此采用MATLAB引擎技術(shù)。通過MATLAB編寫SMOTE過采樣和PCA降維,及WOA優(yōu)化SVM代碼,利用PutFullMatrix向MATLAB引擎發(fā)送數(shù)據(jù),Execute執(zhí)行MATLAB命令,實(shí)現(xiàn)相關(guān).m文件的運(yùn)行與評估。圖5和圖6給出了均衡化前后訓(xùn)練集和測試集的對比界面。

圖5 均衡化前數(shù)據(jù)評估界面Fig.5 Data evaluation interface before equalization

圖6 均衡化后數(shù)據(jù)評估界面Fig.6 Data evaluation interface after equalization

4 知識與數(shù)據(jù)聯(lián)合評估應(yīng)用

4.1 算例分析

以石家莊供電段石太客專某站型號為D-QYJ—31500/220的主變壓器為研究對象,進(jìn)行現(xiàn)場驗(yàn)證。在圖7給出的數(shù)據(jù)驅(qū)動狀態(tài)評估界面中輸入表1的試驗(yàn)數(shù)據(jù),初步將變壓器1狀態(tài)判定為異常狀態(tài)。需審核人員以知識驅(qū)動驗(yàn)證評估,以便安排維修人員合理檢修,查明原因。如果數(shù)據(jù)評估結(jié)果不合理,可根據(jù)知識評估結(jié)果和現(xiàn)場結(jié)論更改樣本集,做到靈活調(diào)整。

圖7 PCA-WSO-SVM評估界面Fig.7 PCA-WSO-SVM evaluation interface

在圖8給出的知識驅(qū)動變壓器狀態(tài)評估界面中,按照之前構(gòu)建的評語集并結(jié)合最大隸屬度原則得出該型變壓器處于異常工作狀態(tài)。

圖8 AHP-熵權(quán)-云模型評估界面Fig.8 AHP entropy weight cloud model evaluation interface

表5給出了樣本集的混淆矩陣分布,其中知識和數(shù)據(jù)評語均為注意,按混淆矩陣和表二劃分的相對劣化度,分別計(jì)算數(shù)據(jù)得分S1、知識得分S2和聯(lián)合評估得分S3。

表5 數(shù)據(jù)評估方法比較Table 5 Comparison of data evaluation methods

=0.704;

S2=0.071×0.9+0.564×0.65+0.340×0.35+

0.025×0.1=0.552;

S3=(S1+S2)/2=(0.704+0.552)/2=0.628。

經(jīng)現(xiàn)場續(xù)分析可知,變壓器距上次試驗(yàn)結(jié)論正常后又運(yùn)行一段時(shí)間而未檢修,出現(xiàn)一定程度劣化。

試驗(yàn)數(shù)據(jù)部分偏離正常值,一些數(shù)值接近警戒值。因而將變壓器整體狀態(tài)判定為注意,后期需加強(qiáng)監(jiān)視即可。

4.2 對比驗(yàn)證

以朔黃鐵路車站編號為DZ9-QY-31500/110GY的主變壓器歷史檢修記錄為例。由于牽引變壓器通常多以輕載或無載方式運(yùn)行,而作為強(qiáng)沖擊負(fù)荷的重載電力機(jī)車瞬時(shí)接入使得其繞組經(jīng)常過負(fù)荷運(yùn)行,易造成絕緣的非正常老化故障。變壓器2實(shí)際情況為石家莊2018年6月戶外溫度達(dá)到42 ℃,打破了同期歷史記錄,溫度較高的同時(shí)還加大了電煤供應(yīng)頻次以保障地方用電的需求,過負(fù)荷運(yùn)行一段時(shí)間后,經(jīng)計(jì)劃檢修出現(xiàn)鐵芯多點(diǎn)接地故障。表6給出了變壓器油色譜分析結(jié)果,經(jīng)分析,氫氣和總烴含量均超過注意值,且三比值計(jì)算后編號代碼為021。則初步判定該變壓器出現(xiàn)中溫過熱故障,因此綜合判定為嚴(yán)重狀態(tài),需盡快安排檢修。

表6 油色譜分析結(jié)果Table 6 Oil chromatography analysis results

案例3為變壓器故障后經(jīng)過維修,運(yùn)行一段時(shí)間,按計(jì)劃對其開展預(yù)防性試驗(yàn),其中數(shù)據(jù)評估和知識評估結(jié)論均為優(yōu)良,運(yùn)行狀態(tài)正常。表7給出了3種變壓器經(jīng)不同模型評估的結(jié)果和結(jié)論,可知通過知識和數(shù)據(jù)的按權(quán)限分級評估,不僅能從兩個維度挖掘設(shè)備狀態(tài)信息,還能較大程度發(fā)揮各模型優(yōu)勢。所得評語符合現(xiàn)場驗(yàn)證結(jié)果,有著廣泛的應(yīng)用前景、準(zhǔn)確的評估結(jié)論和一定的工程參考價(jià)值。

表7 聯(lián)合評估結(jié)果Table 7 Joint evaluation results

4.3 混合評估模型展望

在多源異構(gòu)的狀態(tài)評估數(shù)據(jù)中,隨著人工智能技術(shù)在電力設(shè)備故障診斷、狀態(tài)評估和狀態(tài)預(yù)測方面的應(yīng)用與探索;重載鐵路和高速鐵路擴(kuò)能改造的實(shí)施;以及本系統(tǒng)應(yīng)用于其他鐵路線路。牽引變壓器數(shù)量、試驗(yàn)數(shù)據(jù)以及狀態(tài)評估次數(shù)會不斷增多,后期可形成知識與數(shù)據(jù)聯(lián)合評估模式。即按照初始構(gòu)建的數(shù)據(jù)集和逐步完善的故障案例庫,采用因果思想和經(jīng)驗(yàn)?zāi)Ｐ徒Y(jié)合感知設(shè)備運(yùn)行狀態(tài)。利用知識輔助數(shù)據(jù)驅(qū)動,讓數(shù)據(jù)驅(qū)動模型內(nèi)部體現(xiàn)出一些領(lǐng)域知識和專家經(jīng)驗(yàn),為其提供一些具有機(jī)理知識的特征,進(jìn)而提升模型的適應(yīng)性和可靠性。

5 結(jié)論

在輸變電設(shè)備狀態(tài)評估中,知識和數(shù)據(jù)聯(lián)合評價(jià)模式目前處于起步階段。因此設(shè)計(jì)了一套牽引變壓器狀態(tài)評價(jià)系統(tǒng),按照使用人員權(quán)限的不同,提出了分級評估思想并應(yīng)用于牽引供電領(lǐng)域。得到以下結(jié)論。

(1)采用啟發(fā)式智能優(yōu)化算法、傳統(tǒng)機(jī)器學(xué)習(xí)方法、知識圖譜與推理等方式,將機(jī)理和經(jīng)驗(yàn)分析的變壓器狀態(tài)評估方法,融合形成新的聯(lián)合驅(qū)動模式。該模式作為構(gòu)建智能牽引變電站數(shù)字孿生的核心技術(shù)之一,將會提高供電關(guān)鍵設(shè)備服役健康管理水平。

(2)針對牽引變壓器經(jīng)驗(yàn)評估樣本集分布不平衡現(xiàn)象,提出了SMOTE均衡化數(shù)據(jù)、PCA降維處理的WOA-SVM變壓器狀態(tài)評估方法。并結(jié)合知識評估和維修結(jié)論確定相關(guān)評語,使得數(shù)據(jù)評估樣本標(biāo)簽更加合理,評語更加可靠。

(3)評價(jià)數(shù)據(jù)集經(jīng)過均衡和降維處理后,可有效提升數(shù)據(jù)評估的準(zhǔn)確性。相較于未均衡處理,測試集和訓(xùn)練集準(zhǔn)確度分別提升5%和4.64%。與其他群智優(yōu)化算法相比,均衡降維后的WOA-SVM比GWO-SVM測試集準(zhǔn)確度提升2.51%,均衡后的WOA-SVM比PSO-SVM測試集準(zhǔn)確度提升7.5%。