本发明涉及统计分析领域，具体涉及一种基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法。
背景技术：
：变压器设备发生故障时往往会释放较高的电和热，导致变压器油分解，产生不同的油中溶解气体，包括氢气、甲烷、乙烷、乙烯等。油中溶解气体分析法通过计算、比较变压器在运行过程中产生气体的浓度和组成成分，分析设备存在的潜在风险，对变压器设备的健康状态给予初步的判断。油中溶解气体分析法是一种非常重要的变压器故障诊断方法，该方法对判断变压器慢性局部缺陷十分有效，具有方便在线监测、无需拆解检测的优点，国内颁布的电力设备预试规程(1997年)中将油中溶解气体分析置于首要地位。油中溶解气体是变压器故障的重要判断指标。根据大量的实践经验，相关研究人员已总结出了一些针对不同故障类型体的规律和判断方法，如IEC60599(三比值)方法、Rogers(四比值)方法和Doernenburg(五比值)方法等。这些方法属于早期的经典方法，能够对变压器设备的故障情况进行初步的判断，但在从实际应用中存在比值结果无法对应、容易对正常设备造成误判的问题。我国目前推行的《变压器油中溶解气体分析和判断导则(国家电力行业标准DL/T722-2014)》在上述比值方法的基础上设置了注意值，减少了设备正常情况下的误判现象，并对比值编码和故障类型进行了细化，排除了比值结果与故障类型无法对应的情况，极大的完善了比值方法的实用原则。但是，该方法仍属于比值方法，此类方法在故障描述方面存在一定的局限，具体表现在两个方面，第一，变压器设备故障的实际情况十分复杂，仅用简单的比值的形式对其进行描述存在一定的欠缺，比值运算无法体现出气体指标之间的复杂特征。第二，比值方法的本质是一种阈值方法，而这些阈值大多来自研究人员的实践经验，缺乏一定的严谨性，阈值附近的故障判别往往比较模糊，比值方法在判别的准确度方面还有进一步的提升空间。基于比值方法存在的问题，相关研究人员从不同的视角对变压器故障的识别问题进行了许多探索。Sheng-weiFei等利用支持向量机和遗传算法对上述比值方法进行了优化，提升了对变压器设备故障类型的判别精度；Chin-PaoHung等利用CMAC神经网络对变压器的故障识别进行了探索，在判别精度方面同样取得了较好的提升效果；Shintemirov等利用遗传规划对气体指标的计算方式进行了大幅度改进，得到了较比值方法更为准确的计算方法；Chia-HungLin等利用灰色聚类方法对三比值法的阈值边界进行了优化，弥补了人工经验存在的缺陷。上述前沿研究从不同的角度对比值方法进行了优化，提高了设备故障的判别精度，为变压器故障识别方面的相关研究作出了重要贡献。现有技术对早期的经典比值方法进行了改进，得到了显著的提升效果。但总体来看，上述方法仍存在一定的局限性。第一，现有技术仅对设备当前时间节点的运行状态进行了故障识别，没有考虑设备的历史运行情况。事实上，设备了历史运行数据包含了大量的信息，包括油中溶解气体含量的总体水平，气体浓度的增长趋势信息等，仅对当前状态进行评估显然忽略了上述信息。第二，现有技术仅考虑设备的正常和故障两种状态，而当设备已经出现故障状态时，相关维护人员只能对其进行事后的维修工作，成本较高。变压器故障识别方法应提取设备在发生故障前的特征信息，识别出设备的亚健康状态，“早发现，早预防”，降低维护成本。第三，现有技术无法对设备未来的运行状态进行的预测。如上文所述，现有技术是一种不考虑时间因素的静态方法，而现实中，对变压器设备未来运行情况的估计、剩余寿命的预测同样是设备维护的重要内容，利用变压器油中溶解气体数据对设备未来运行情况进行预测的方法具有广泛的应用前景。技术实现要素：鉴于上述，本发明提出了一种基于变压器油中溶解气体数据的变压器设备亚健康状态识别及平均剩余寿命估计方法，该方法考虑了时间因素和设备的历史信息，通过隐马尔科夫模型提取变压器油中溶解气体的动态特征，并结合历史运行信息对设备的健康状态进行实时评估，对处于亚健康状态的设备进行平均剩余寿命估计。一种基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法，包括如下步骤：(1)利用故障变压器设备从正常状态至故障状态过程中的油中溶解气体浓度数据以及正常变压器设备的油中溶解气体浓度数据对隐马尔科夫模型进行训练，得到针对每种故障类型的变压器故障模型Mm与变压器正常模型M，其中，m代表变压器的故障类型；(2)利用变压器故障模型Mm与变压器正常模型M，找到与经过预处理后的待测变压器的油中溶解气体浓度数据相匹配的模型M′，并根据模型M′估计待测设备当前时刻的健康状态；(3)对处于亚健康状态下的变压器设备，根据与其匹配的模型M′预测未来时刻油中溶解气体浓度数据的期望值与未来时刻的健康状态，进而估计得到变压器设备的平均剩余寿命。所述步骤(1)的具体步骤为：(1-1)收集故障变压器设备及此些故障变压器设备从正常状态至故障状态过程中的油中溶解气体浓度数据，并将收集的数据按其所属变压器设备的故障类型分类，构建针对不同故障类型的设备案例库Cm；(1-2)收集正常变压器设备及此些正常变压器设备的油中溶解气体浓度数据，利用收集数据构建针对正常变压器的设备案例库C；(1-3)对设备案例库Cm与C中的溶解气体浓度数据进行预处理，得到处理后的设备案例库C′m与C′，使得所有设备案例库中的溶解气体浓度数据拥有相同的时间间隔；(1-4)将设备案例库C′m与C′作为隐马尔科夫模型输入数据，以最大似然函数L收敛为目标，对隐马尔科夫模型进行训练，得到针对每种故障类型的变压器故障模型Mm与变压器正常模型M。所述变压器设备的油中溶解气体包括氢气、甲烷、乙烷、乙烯、乙炔和总烃，其中，总烃是指甲烷、乙烷、乙烯、乙炔四种烃类气体含量总和；所述气体浓度数据为气体的体积浓度，单位为μL/L；所述故障变压器从正常状态至故障状态的过程是指设备从运行良好的状态开始，逐渐向故障状态发展，直到设备出现持续的故障状态为止的过程，相应的气体浓度数据是一个时间序列，时间跨度设为定值；所述正常变压器设备油中溶解气体浓度数据指从投运开始至今未出现任何异常的变压器设备，其在正常运行情况下产生的油中溶解气体数据，该数据同样为时间序列，时间跨度与故障设备气体数据的时间跨度相同。所述变压器设备的故障类型为《变压器油中溶解气体分析和判断导则(国家电力行业标准DL/T722-2014)》中气体比值法运用的故障类型，包括：低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电以及电弧放电兼过热，共8种故障类型。所述的待测设备油中溶解气体数据的预处理方法为线性插值法。线性插值方法是指一种补全缺失数据的方法，具体是一种利用两个时间点上对应数据的连线来代替两个时间点之间缺失数据的插值方法，设某台变压器油中溶解气体数据在t1时刻为a，t2时刻为b，t1与t2之间存在某一缺失数据点，对应时间点为t3，根据线性插值法，t3时刻的数据可以由a+(a-b)*(t3-t1)/(t1-t2)补全。本发明中线性插值处理的具体过程为：以1天为单位，对所有设备案例库中每台变压器的溶解气体浓度数据进行线性插值处理，补全数据中的缺失值，得到时间间隔为1天的气体浓度数据插值序列。再按照事先设定的时间间隔(如1周)对气体浓度数据插值序列进行等间隔取样，使得所有设备案例库中的变压器的溶解气体浓度数据的时间间隔相同。所述隐马尔科夫模型(HiddenMarkovModel,HMM)是一种随机过程模型，通常用于描述多个潜在状态之间的动态演化过程。在变压器故障动态预警问题的情景中，隐马尔科夫模型将变压器的运行状态分为隐性和显性两个部分，隐性部分对应变压器的真实健康状态(正常、亚健康、故障)，无法直接观测；显性部分对应变压器油中溶解气体数据的分布情况，可以直接观测。同时，该模型通过计算隐性状态之间的转移概率，对变压器的气体的动态演化过程进行描述。本发明中对已有的隐马尔科夫模型进行了改进，具体本发明所述隐马尔科夫模型为：当设备案例库C′m作为训练样本时，在隐马尔科夫模型中，构建三种分别对应变压器设备正常、亚健康以及故障异常三种健康状态i的隐性节点，在训练的过程中，以最大似然函数L收敛为目标，利用设备案例库C′m中的数据迭代确定隐马尔科夫模型的最优参数λ*＝(π*,A*,B*)；当设备案例库C′作为训练样本时，在隐马尔科夫模型中，构建对应变压器设备正常状态的隐性节点，在训练的过程中，以最大似然函数L收敛为目标，利用设备案例库C′中的数据迭代确定隐马尔科夫模型的最优参数λ*＝(π*,A*,B*)；其中，π*表示初始时间点变压器处于不同健康状态下概率，记为为状态转移矩阵，表示变压器设备在t时刻健康状态qt为i时，且t+1时刻健康状态q(t+1)为j的转移概率P(q(t+1)＝j|qt＝i)的具体数值；溶解气体数据在设备各种运行状态下的概率分布B*＝{bi(Ot|μi,∑i)}，μi表示溶解气体数据分布的均值，∑i表示溶解气体数据分布的协方差矩阵，Ot为t时刻的溶解气体数据，bi(Ot|μi,∑i)表示溶解气体数据分布的概率密度函数，i＝1,2…k，j＝1,2…k，k为变压器设备的健康状态的数目。对于设备案例库C′m，隐马尔科夫模型对训练所得的参数集按μi的均值进行排序，μi最大的参数集对应设备的故障状态，μi最小的参数集对应设备的健康状态，介于二者之间的参数集对应设备的亚健康状态。对于设备案例库C′，隐马尔科夫模型将所有油中溶解气体数据视为一类，对应设备的正常状态。经过训练确定的模型的最优参数λ*＝(π*,A*,B*)实际上对应的是训练样本的动态特征，对模型训练的过程实际上是设备案例库提取的过程。步骤(1-4)中，所述的最大似然函数L具体为：其中，Ont为第n台变压器设备t时刻的溶解气体数据，N表示变压器设备的总个数，t表示时刻，时间长度为T，π′i,a′ij,μi′,∑′i为算法迭代后的更新参数，γnt(i)表示变压器设备在t时刻处于健康状态i的概率，由初始参数计算得出，ξnt(i,j)为设备从第i种健康状态变化至第j种健康状态的转移概率，由γnt(i)计算得出。所述步骤(2)的具体步骤为：(2-1)将待检测数据方法O′输入到变压器故障模型Mm与变压器正常模型M，并计算模型Mm与模型M中前向变量αt(i)，然后将前向变量αt(i)代入到似然函数f中，计算得似然函数值序列f1,f2,…,fd,fd+1，MAX(f1,f2,…,fd,fd+1)所对应的模型为待检测数据O′匹配的模型M′，其中，d为变压器设备故障类型的总个数，所述的似然函数f为：其中，前向变量αt(i)为：式中，πi,aji,bi(Ot)为隐马尔科夫模型的参数，πi表示初始时间点变压器处于第i种健康状态下概率，aji表示设备从第j种健康状态变化至第i种健康状态的转移概率，bi(Ot)表示设备在第i种健康状态时气体数据为Ot的概率；(2-2)根据待测变压器设备的待检测数据O′和模型M′采用Viterbi算法计算待测变压器设备当前时刻的健康状态qt：设δt(i)＝maxP(q1,q2…qt＝i|O’,λ)，计算t＝1时刻δ1(i)的值，δ1(i)＝πibi(O1)，并按照如下公式进行递归计算，得到t时刻设备的健康状态qt；根据值的大小确定qt所对应的健康状态。所述步骤(3)是根据待测设备油中溶解气体数据O′＝O1′,O2′…OT′以及隐马尔科夫模型的参数λ*＝(π*,A*,B*)，计算设备在下一时刻气体数据的期望值E(O′t+1)。不断迭代此过程，并利用Viterbi算法计算待测设备在未来时刻的健康状态，则从当前时刻开始直到设备在未来时刻第一次出现故障状态为止的时间长度即为设备的平均剩余寿命。具体步骤为：变压器设备当前时刻处于亚健康状态，设备平均剩余寿命记为V，待测变压器的油中溶解气体浓度数据O′＝O1′,O2′…OT′的时间间隔为l，匹配模型M′的最优参数λ*＝(π*,A*,B*)；(3-1)利用参数λ*＝(π*,A*,B*)、数据O′计算当前时刻的前向变量为αT，则下一时刻变压器油中溶解气体数据的期望值E(O′T+1)为：E(O′T+1)＝[μ1,OT′,μ3]×A*×αT(3-2)将待测变压器的油中溶解气体数据下一期期望值E(O′T+1)作为该变压器设备在T+1的观测值，则O′＝O1′,O2′…O′T,E(O′T+1)，将O′代入到Viterbi算法中，计算下一时刻变压器设备的健康状态；(3-3)判断所得的健康状态是否为非故障状态，若是，令V＝V+l，并执行步骤(3-1)～步骤(3-3)，若否，结束迭代，此时的V为变压器设备的平均剩余寿命。与现有的方法相比，该方法弥补了静态方法在缺失信息方面的缺点，以亚健康状态识别的方式给予设备维护人员一定的警示，能够对亚健康设备的剩余寿命进行估计，创新性较强，在设备的维护和保养方面具有广泛的应用前景。附图说明图1是本发明变压器亚健康状态识别及平均剩余寿命估计方法的流程图；图2是测试设备1的变压器油中溶解气体数据随时间的变化情况，单位为μL/L；图3是测试设备2的变压器油中溶解气体数据随时间的变化情况，单位为μL/L；图4是测试设备1的健康状态判别结果，单位为μL/L；图5是测试设备2的健康状态判别结果，单位为μL/L。具体实施方式为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。如图1所示，本发明基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法，具体包括如下步骤：S01，收集故障变压器设备及此些故障变压器设备从正常状态至故障状态过程中的油中溶解气体浓度数据，并将收集的数据按其所属变压器设备的故障类型分类，构建针对不同故障类型的设备案例库Cm。S02，收集正常变压器设备及此些正常变压器设备的油中溶解气体浓度数据，利用收集数据构建针对正常变压器的设备案例库C。S01与S02中，S01与S02中，变压器油中溶解气体包括氢气、甲烷、乙烷、乙烯、乙炔和总烃，其中，总烃是指甲烷、乙烷、乙烯、乙炔四种烃类气体含量总和；气体浓度数据为气体的体积浓度，单位为μL/L；故障变压器从正常状态至故障状态的过程是指设备从运行良好的状态开始，逐渐向故障状态发展，直到设备出现持续的故障状态为止的过程，相应的气体浓度数据是一个时间序列，时间跨度设为定值；正常变压器设备油中溶解气体浓度数据指从投运开始至今未出现任何异常的变压器设备，其在正常运行情况下产生的油中溶解气体数据，该数据同样为时间序列，时间跨度与故障设备气体数据的时间跨度相同。变压器设备故障类型为《变压器油中溶解气体分析和判断导则(国家电力行业标准DL/T722-2014)》中气体比值法运用的故障类型，包括低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电和电弧放电兼过热。S03，对设备案例库Cm与C中的溶解气体浓度数据进行线性插值处理，得到处理后的设备案例库C′m与C′，使得所有设备案例库中的溶解气体浓度数据拥有相同的时间间隔；S03中，线性插值处理的具体过程为：以1天为单位，对所有设备案例库中每台变压器的溶解气体浓度数据进行线性插值处理，补全数据中的缺失值，得到时间间隔为1天的气体浓度数据插值序列。再按照事先设定的时间间隔对气体浓度数据插值序列进行等间隔取样，使得所有设备案例库中的变压器的溶解气体浓度数据的时间间隔相同。S04，将设备案例库C′m与C′作为隐马尔科夫模型输入数据，以最大似然函数L收敛为目标，对隐马尔科夫模型进行训练，得到契合每种故障类型的变压器故障模型Mm与变压器正常模型M。隐马尔科夫模型是一种随机过程模型。隐马尔科夫模型的参数包括设备健康状态的初始概率π、不同状态之间的转移概率A以及不同状态下气体数据的概率分布情况B，假设气体数据服从正态分布，则B＝{bi(Ont|μi,∑i)},i＝1,2…k。式中，Ot代表样本数据t时刻的具体数值，μi为正态分布的均值，∑i为正态分布的协方差矩阵。隐马尔科夫模型将实际问题分为估计问题、解码问题、学习问题三种类型，并给出了解决问题的不同算法，具体内容如下：设某种类型的训练样本中共有N台变压器，每台变压器的油中溶解气体数据拥有T个时刻，则第n台变压器油中溶解气体数据的时间序列记为On＝On1,On2,…,Ont,…,OnT,n＝1,2…N，每时刻的观测数据对应氢气、甲烷、乙烷、乙烯、乙炔和总烃六种气体指标的具体数值。a.估计问题：已知模型参数λ＝(π,A,B)，其中π＝{πi}，A＝{aij}，B＝{bi(Ont|μi,∑i)},i＝1,2…k。计算t时刻设备健康状态为i时，设备1～t时刻的油中溶解气体数据为On1,On2…Ont的概率pi(On1,On2…Ont|λ)以及t～T时刻的数据为On(t+1),On(t+2)…OnT的概率pi(On(t),On(t+1)…OnT|λ)。设αnt(i)＝pi(On1,On2…Ont|λ)，βnt(i)＝pi(On(t+1),On(t+2)…OnT|λ)。则上述问题的两种概率由以下算法计算得出。forward算法：计算t＝1时刻的pi(On1|λ)值，αn1(i)＝πibi(On1)，并按照公式进行递归计算，得到αnt(i)。backward算法：计算t＝T时刻的pi(OnT|λ)值，βnT(i)＝1，并按照公式进行递归计算，得到βnt(i)。b.解码问题：已知模型参数λ＝(π,A,B)以及设备的油中溶解气体数据On＝On1,On2…OnT，计算设备1～T时刻的健康状态序列Qn＝qn1…qnT。Viterbi算法：设δt(i)＝maxP(qn1,qn2…qnt＝i|On,λ)，计算t＝1时刻δ1(i)的值，δ1(i)＝πibi(On1)，并按照如下公式进行递归计算，得到t时刻设备的健康状态qntc.学习问题：已知多台设备的油中溶解气体数据On＝On1,On2…OnT，n＝1,2…N。计算隐马尔科夫模型中的参数λ＝(π,A,B)。Baum-Welch算法：首先，随机赋予参数λ一个初始值，λ＝(π0,A0,B0)，并计算第n设备在t时刻健康状态为i时，t+1时刻健康状态为j的概率ξnt(i,j)以及第t时刻处于状态i的概率γnt(i)。式中，为参数λ＝(π0,A0,B0)时forward算法与backward算法的计算结果。其次，对模型的参数进行更新，得到参数的更新值λ′＝(π′,A′,B′)。具体计算方式如下。最后，利用上述结果最大似然函数值L，并将参数中的更新值λ′＝(π′,A′,B′)替换参数的初始值λ＝(π0,A0,B0)，不断重复此过程，直到似然函数值L收敛，此时的参数值即为模型的估计结果，即为λ*＝(π*,A*,B*)。S05，将待检测数据方法O′输入到变压器故障模型Mm与变压器正常模型M，并计算模型Mm与模型M中前向变量αt(i)，然后将前向变量αt(i)代入到似然函数f中，计算得似然函数值序列f1,f2,…,fd,fd+1，MAX(f1,f2,…,fd,fd+1)所对应的模型为待检测数据O′匹配的模型M′，其中，d为变压器设备故障类型的总个数，所述的似然函数f为：其中，前向变量αt(i)为：S06，根据待测变压器设备的待检测数据O′和模型M′采用Viterbi算法计算待测变压器设备当前时刻的健康状态qt：变压器设备当前时刻处于亚健康状态，设备平均剩余寿命记为V，待测变压器的油中溶解气体浓度数据O′＝O1′,O2′…OT′的时间间隔为l，匹配模型M′的最优参数λ*＝(π*,A*,B*)；S07，利用参数λ*＝(π*,A*,B*)、数据O′计算当前时刻的前向变量为αT，则下一时刻变压器油中溶解气体数据的期望值E(O′T+1)为：E(O′T+1)＝[μ1,OT′,μ3]×A*×αTS08，将待测变压器的油中溶解气体数据下一期期望值E(O′T+1)作为该变压器设备在T+1的观测值，则O′＝O1′,O2′…O′T,E(O′T+1)，将O′代入到Viterbi算法中，计算下一时刻变压器设备的健康状态；S09，判断所得的健康状态是否为非故障状态，若是，令V＝V+l，并执行S07～S09，若否，结束迭代，此时的V为变压器设备的平均剩余寿命。实施例1本实施例收集了8台故障变压器设备(故障类型为高温过热)与32台正常变压器设备的变压器油中溶解气体数据，气体类型包括氢气、甲烷、乙烷、乙烯、乙炔和总烃，时间跨度为1600天，组成了针对故障类型为高温过热的故障设备的训练样本和正常设备的训练样本。同时，按照本发明中提出的数据预处理方法，利用线性插值法以1天为单位对所有训练样本中每台变压器气体浓度数据进行线性插值处理，补全数据中的缺失值，得到时间间隔为1天的气体浓度数据插值序列。再以20天为时间间隔等间隔取样，使得所有训练样本中的变压器气体浓度数据时间间隔均为20天。再次，采用以上得到的训练样本，并利用Baum-Welch算法对隐马尔科夫模型进行训练，即对隐马尔科夫模型的最优参数λ*＝(π*,A*,B*)进行估计，相应参数估计结果如下所示：(1)利用故障样本训练隐马尔科夫模型得到的最优参数为：(2)利用正常样本训练隐马尔科夫模型得到的最优参数为：确定两组最优参数后，即获得了变压器故障模型和变压器正常模型。经过训练确定的模型的最优参数λ*＝(π*,A*,B*)实际上对应的是训练样本的动态特征，对模型训练的过程实际上是设备案例库提取的过程。然后，选取了两台高温过热故障变压器作为测试设备，并利用上述模型计算得到的最优参数λ*＝(π*,A*,B*)对其进行健康状态识别，两台用于测试的变压器油中溶解气体数据的变化情况分别如图2、3所示。变压器设备健康状态判别分为两个步骤，首先，利用不同训练样本及其带有的动态特征λ*＝(π*,A*,B*)与待测数据，按照forward算法计算αnt(i)以及似然度的过程。似然度L的值越大，说明待测数据与相应的动态特征越匹配，通过计算每种训练样本的似然函数值L，可以筛选出与待测设备最为匹配的动态特征。两台变压器的油中溶解气体数据在不同样本之间的似然函数值如表1所示。从表1中可以看出，这两台变压器的油中溶解气体变化情况与故障案例的动态特征更为相似，特征匹配结果准确。表1测试变压器似然函数值计算结果故障样本正常样本测试设备1-1282.7-2910.3测试设备2-4435.9-28905.0其次，利用本发明所述的Viterbi算法对设备的健康状态进行估计，两台变压器设备的健康状态识别结果分别如图4、5所示。从图4、5中可以看出，上述模型识别出的测试设备故障状态的时间点与测试设备发生故障的真实时间点基本重合，模型的判别精度较高。同时，从亚健康状态的识别结果来看，该模型识别出的亚健康状态均对应设备油中溶解气体发生故障前的快速增长阶段，亚健康状态的识别结果可以帮助变压器的维护人员提早发现设备的异常情况，起到一定的警示作用。对于亚健康设备的平均剩余寿命估计，本实施例同样利用上述两台测试设备对其计算过程进行说明。为了进一步验证方法的准确性，测试设备均采用故障发生之前的油中溶解气体数据，利用本发明提供的亚健康设备平均剩余寿命估计方法，待测设备处于亚健康状态时相应的平均剩余寿命计算结果如表2、3所示。从计算结果中可以看出，当变压器刚刚从正常状态转移到亚健康状态时，模型估计的设备平均剩余寿命非常长，因为此时变压器的油中溶解气体浓度与正常状态十分接近，模型判断待测设备近似于正常状态。随着时间的发展，亚健康设备的平均剩余寿命迅速降低，预测精度也愈发准确。同时，从图中可以看出，亚健康设备的平均剩余寿命与设备的实际产气速度具有一定的对应关系。当设备特征气体的增长速度减慢时，亚健康设备的平均剩余寿命的降低速度也逐渐减慢，而当设备特征气体的增长速度增快时，亚健康设备的平均剩余寿命的降低速度也相应加快。因此，本发明提供的方法能够反映出气体增长速率与变压器亚健康程度之间的关系，准确的预测设备的平均剩余寿命，对设备的运行状况起到警示作用，有效的降低设备维护成本。表2测试设备1平均剩余寿命预测结果表3测试设备2平均剩余寿命预测结果以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。当前第1页1 2 3