[發明專利]一種變壓器老化狀態評估的證據融合與集對分析方法

在審

• 申請號: 201810692600.7
• 申請日: 2018-06-29
• 公開（公告）號: CN109086483A
• 公開（公告）日: 2018-12-25
• 發明（設計）人: 吳杰康
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 楊曉松

本發明涉及一種變壓器老化狀態評估的證據融合與集對分析方法，包括以下步驟：S1：構建變壓器特征類數據集；S2：構建變壓器試驗類數據集；S3：構建變壓器試驗類與特征類數據集之間的關聯度函數；S4：構建mass函數；S5：構建BPA輸出函數；S6：變壓器老化狀態評估。本發明通過對具有隨機不確定性的變壓器老化狀態特征數據和實驗數據進行對集處理，構建具有相同空間結構的關聯度函數和BPA輸出函數，從而可以評估變壓器老化狀態，反映出變壓器老化狀態特征值具有的不確定性，為變壓器老化狀態評估提供理論指導，為配電網運維提供必要的技術支撐。

技術領域

本發明涉及電力系統及其自動化的技術領域，尤其涉及到一種變壓器老化狀態評估的證據融合與集對分析方法。

背景技術

傳統配網主設備的事后維修和定期計劃檢修往往需要投入大量的人為、物力，而且維修的性價比不高。隨著設備自動化程度的提高，與時間相關的設備的故障模式只占設備所有故障模式的6％，因此基于時間的定期維修策略只對6％的設備故障模式有效。以定期維修為主結合經驗決定延長或縮短檢修周期的維修方式，取得了一定的效果。

隨著電力設備數量與日俱增，設備間關聯關系日趨復雜，社會對供電可靠性要求越來越高，安排停電檢修日益困難；配電網設備量多面廣、運行狀態復雜多變，難以及時檢測和評估配網主設備狀態，以往檢修策略更多地重視試驗數據而很少重視運行數據，無法適應日趨精益化的狀態檢修管理要求。

變壓器數量多，會存在不同程度的老化、劣化、缺陷并具有家族性和隱蔽性，難以得到及時檢測和評估。因運行年限、環境、檢修等有很大差異并受多因素影響，增加了變壓器運行健康狀態評價的難度和復雜性，無法滿足精準化和智能化評價的更高要求。

變壓器安全可靠運行首先要有嚴格質量保障，還要有足夠的維護和檢修保證。雖然定期預防性檢修能夠在一定程度上預防老化、劣化或缺陷問題所導致的故障事故事件的發生，但是很難發現潛在性、隱蔽性極強的缺陷等。故障檢修是一種被動的檢修模式，具有極大的壓力和不確定性，也容易導致過修或失修的問題。狀態檢修具有針對性和合理性，能夠有效克服定期檢修造成的過修和失修的問題，能夠防范配電設備老化、劣化或缺陷問題的擴大化和嚴重化，是今后設備檢修發展的趨勢。

傳統上，大多通過油中溶解氣體等單一因素數據計算和分析方法來評估變壓器老化狀態，能夠較準確、可靠地發現逐步發展的變壓器潛在缺陷；利用小波網絡法、神經網絡方法、模糊聚類法、灰色聚類、支持向量機、粗糙集方法、證據推理法、貝葉斯網絡分類器等數學方法對單一因素數據進行處理、計算和分析，也能夠較準確、可靠地評估變壓器老化、劣化和缺陷狀態。雖然神經網絡法利用預先自訓練和自學習的方式對高危數據進行處理和計算，受系統或參數的狀態值嚴重影響，一旦狀態發生變化就需要進行重新訓練和學習，其適應性偏弱并影響分析結果；故障樹法按照一定的規則對故障的細化分解，以剖析故障類型及其原因，需要非常細化的故障信息完整性和正確性，對潛在性故障難以發現；支持向量機法采用一定的規則對數據進行分層處理，在數據量多時容易出現誤分、錯分等問題；粗糙集和模糊理論方法在處理隨機性和模糊性數據方面有獨到的優勢，但是粗糙集只能處理離散數據，模糊理論方法沒有自學習和自適應能力；貝葉斯網絡分類方法能夠較好地處理不完備數據，但需要提供足夠完備的系統或參數的關鍵屬性數據，否則其計算和評估正確率會較低；證據推理理論能夠較好、較準確地處理冗余信息或數據，但在信息或數據之間存在相互矛盾時應用于證據的事件判別有很大的局限性。

利用經驗、單一參量或少量數據容易造成評價精確度低，進而導致過修或失修等問題。在出廠、監測、試驗、測試、巡檢、運行、計量、自動化等多源數據的融合基礎上，根據設備類型、運行工況和應用環境進行分類評估，建立基于數據驅動的變壓器老化狀態模型，以關鍵指標的冗余分析和相關性分析進行狀態評價，為變壓器的可靠運行提供技術支撐，為變壓器的故障發生提供風險預警。