一种基于逻辑回归的配电变压器运行状态风险预警方法与流程

本发明涉及电力设备风险预测技术领域，具体涉及一种基于逻辑回归的配电变压器运行状态风险预警方法。

背景技术：

随着经济快速发展，城市化进程加速，人民物质生活水平不断提高，生产生活用电需求不断扩大。配电网络是用户用电的关键环节，在电网中起着重要作用。伴随着配电网规模越来越大，用户对于供电的可靠性要求也越来越高，配电网设备作为配网供电服务的运营关键组成，其运行状况就显得特别重要。传统检修模式与供电可靠性、运维检修人员及技术资源之间的矛盾也日益突出。近年来配网设备检修策略逐步从故障检修、计划检修向运行状态检修过度，检修工作效率、效益有了一定提升。随着大数据挖掘及分析技术的兴起和成熟，通过建立合理的数据模型结合设备运行状态与设备内外部信息，为综合开展配网设备的风险预警与评估分析提供了可能。

技术实现要素：

本发明的目的在于提供一种基于逻辑回归的配电变压器运行状态风险预警方法，能够对配网设备的运行状态进行风险评估和预警。

为实现上述目的，本发明采用了以下技术方案：

一种基于逻辑回归的配电变压器运行状态风险预警方法，包括以下步骤：

(1)构建设备能力评价模型，计算设备内在状态指标:

i＝a*r1+b*r2+c*r3

其中，i表示设备内在状态的得分值，a表示设备状态量的权重，r1表示设备状态量,b表示运行年限的权重，r2表示运行年限，c表示海拔的权重，r3表示海拔因素；

(2)获取变压器运行状态，多层次定义运行状态量，该运行状态信息包括变压器的负载率l、变压器的三相不平衡t及外界天气w；

(3)综合设备能力和设备运行状态进行逻辑回归分析，得到分析模型：y＝f(i,l,t,w)；

(4)对分析模型进行验证和优化。

所述的基于逻辑回归的配电变压器运行状态风险预警方法，步骤(1)中，所述设备状态量r1通过以下公式计算得到：

其中，wi表示和配电变压器相关的i设备的最近评分，ai表示设备i对变压器的影响权重，n表示和配电变压器相关的设备的总数。

所述的基于逻辑回归的配电变压器运行状态风险预警方法，步骤(1)中，所述运行年限r2通过以下公式计算得到：

r2＝e^n-m

其中，n表示当前变压器的实际投运时间，m为设备额定最大运行时间，变压器的通用时间一般不小于30年，取m为30，e＝2.718281828459。

所述的基于逻辑回归的配电变压器运行状态风险预警方法，步骤(1)中，所述海拔因素r3，通过以下公式计算得到：

r3＝e^{(h-1000)/8150}

其中，h表示为变压器所在的海拔高度。

所述的基于逻辑回归的配电变压器运行状态风险预警方法，步骤(2)中，所述获取变压器运行状态，多层次定义运行状态量，包括以下步骤：

(21)获取变压器的负载率l，定义变压器一天的重过载的时间、重过载的极值、重过载的严重程度及重过载的状态；

(22)获取变压器的三相不平衡t，定义变压器的三相不平衡的时间、三相不平衡的极值、三相不平衡的严重程度及三相不平衡的状态；

(23)获取变压器的外界天气w，包括最高气温，最低气温、最大风力、天气情况。

由上述技术方案可知，本发明通过采用逻辑回归分类算法对历史配电变压器的内在状态指标和运行状态量的历史数据进行训练学习，得到配电变压器运行状态风险预警模型。该模型可以实时地把握配网设备运行的状态，保证设备的安全性、可靠性，又能够有利于及时发现设备潜在的风险隐患，提前进行相关检修工作。

附图说明

图1是本发明的流程图；

图2是本发明的构建设备能力评价模型流程图；

图3是本发明的逻辑回归分析流程图。

具体实施方式

下面结合附图对本发明做进一步说明：

一种基于逻辑回归的配电变压器运行状态风险预警方法，包括以下步骤：

s1：构建设备能力评价模型，计算设备内在状态指标:

i＝a*r1+b*r2+c*r3(1)

其中，i表示设备内在状态的得分值，a表示设备状态量的权重，r1表示设备状态量,b表示运行年限的权重，r2表示运行年限，c表示海拔的权重，r3表示海拔因素；

该步骤s1中的设备状态量r1通过以下公式计算得到：

其中，wi表示和配电变压器相关的i设备的最近评分，ai表示设备i对变压器的影响权重，n表示和配电变压器相关的设备的总数。

该步骤s1中的运行年限r2通过以下公式计算得到：

r2＝e^n-m(3)

其中，n表示当前变压器的实际投运时间，m为设备额定最大运行时间，变压器的通用时间一般不小于30年，取m为30，e＝2.718281828459。

该步骤s1中的海拔因素r3，通过以下公式计算得到：

r3＝e^{(h-1000)/8150}(4)

其中，h表示为变压器所在的海拔高度。

s2：获取变压器运行状态，多层次定义运行状态量，该运行状态信息包括变压器的负载率l、变压器的三相不平衡t及外界天气w；

s21：获取变压器的负载率l，定义变压器一天的变压器的一天重过载的时间l1，重过载的极值l2，重过载的严重程度l3，重过载发生状态l4。

该步骤s21中，变压器一天重过载的时间l1采用下面的公式计算:

其中，m表示重过载的发生次数，t为重过载持续时间；

该步骤s21中，变压器一天重过载的极值l2用下面的公式计算:

l2＝max(li)，1≤i≤m；

其中，li表示在i时刻的过载程度；

该步骤s21中，重过载的严重程度l3用下面的公式计算：

该步骤s21中，重过载发生状态l4通过以公式计算:

s22：获取变压器的三相不平衡t，定义变压器的三相不平衡的时间t1、三相不平衡的极值t2、三相不平衡的严重程度t3及三相不平衡状态t4；

该步骤s22中，三相不平衡的时间t1用下面的公式计算:

其中m′表示三相不平衡的发生次数，t′i为三相不平衡持续时间；

该步骤s22中，三相不平衡的极值t2通过下面的公式计算:

t2＝max(l′i)，1≤i≤m；

其中，l′i表示在i时刻的三相不平衡大小；

该步骤s22中，三相不平衡的严重程度t3的计算公式如下：

其中,ti表示在t′时刻的三相不平衡程度，△t为设备的三相不平衡的标准数值。

其中是否发生三相不平衡t4用下面的公式计算:

s23：获取变压器的外界天气w，包括最高气温，最低气温、最大风力、天气情况。

s3：综合设备能力和设备运行状态进行逻辑回归分析，得到分析模型：y＝f(i,l,t,w)；

逻辑回归计算相当于y＝f(x)，f表明自变量x与因变量y的关系。自变量x，即特征数据，包括设备内在状态i，负载率l(l1,l2,l3,l4)，三相不平衡t(t1,t2,t3,t4)，天气w。判断变压器是否发生故障相当于获取因变量y，即预测分类。即y＝f(i,l,t,w)。模型采用的下公式作为决策函数。设y＝1表示变压器出故障，对应一个变电器x(包括各个变量)出现故障的概率计算公式如下：

其中g(x)为sigmoid函数，这里θ是模型参数，也就是回归系数。θ^t是模型参数的转置；

我们需要对已有的数据进行机器学习，输入为故障的设备是否出故障和设备内在状态i，负载率l，三相不平衡t，天气w，学习出θ的值。首先采用极大似然估计算法得到θ的值，之后采用梯度下降法找到最合适的θ。得到一个设备故障率和设备内在状态i，负载率l，三相不平衡t，天气w参数之间的函数关系。

s4：对分析模型进行验证和优化。

将测试数据和训练数据采用相同的方式进行预处理，采用训练的模型验证模型的准确率。模型训练的参数能够进行增加和减少，进行优化，最终得到准确率最高的模型。通过该模型可以及时地把握配网设备运行的状态，保证设备的安全性、可靠性，又能够有利于及时发现设备潜在的功能隐患，提前进行相关检修工作。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。