主变个体缺陷概率预测方法
【专利摘要】本发明提供一种主变个体缺陷概率预测方法，包括以下步骤：获取模型输入变量；计算各模型输入变量的WOE值和IV值；根据所述WOE值和IV值对各模型输入变量进行交互式分组；根据交互式分组后的数据以及预先建立的预测模型得到主变个体缺陷概率。本发明的一种主变个体缺陷概率预测方法，通过对主变个体缺陷概率的预测，能对主变在未来一段确定的时期内出现缺陷的概率有相对确切的把握，从而提高了缺陷发现和预防工作的科学性和可靠性，提高工作的针对性和准确性，在保障设备安全的情况下降低设备巡视的频率，提高了电网生产和运行的效率。
【专利说明】主变个体缺陷概率预测方法
【技术领域】
[0001]本发明涉及电力系统领域，特别是涉及一种主变个体缺陷概率预测方法。
【背景技术】
[0002]随着社会经济与文化生活的不断发展和进步，城市对电力的依赖越来越重，没有了电力供应，整个城市的交通、生产、生活就会陷入瘫痪，其破坏程度、造成的恐慌与巨大损失难以估计。电力设备是电网运行、确保电力供应的基础，电网的可靠供电和高效运行都是建立在电力设备健康可靠运行的前提下，电力设备的缺陷检测作为提高设备可靠性和可用性的重要手段，是电网油浸式主变压器设备管理的重点领域。
[0003]对于电力设备中的各类缺陷，需要尽早发现、及时消除，避免缺陷发展为故障，造成电网停电等大规模的损失。在掌握了不同电力设备的缺陷率情况后，运维人员就可以根据不同类设备间的缺陷率情况差异，有针对性的进行重点巡视和维护，避免设备缺陷发展为设备故障。另外，基于设备缺陷率信息，生产部门可以制定生产人员计划和备件需求。
[0004]传统的主变压器的缺陷率检测方法都是针对主变总体缺陷率的检测，其具体步骤包括如下:将某一批设备作为样本，提取作为样本的油浸式主变压器的设备属性；建立所述设备属性对设备缺陷率的评价函数，通过比较各个所述设备属性对于所述评价函数取值的相关性权重，从所述设备属性中提取关键属性；通过回归算法，对所述关键属性与设备缺陷率的检测结果组成的数据集进行训练，生成所述关键属性与设备缺陷率的回归模型；获取待测油浸式主变压器的关键属性并将其代入所述回归模型，获取所述待测油浸式主变压器的缺陷率。
[0005]然而，上述传统方法是基于对主变总体缺陷率进行检测，得到的结果是特定的某一批设备里发生缺陷的设备数量占比，也就是说根据现有这批设备的属性参数，最终得到未来这批设备里可能发生缺陷的设备数量占总数量的比例。采用这种方法有一个很大的缺点在于，得到未来这批设备里可能发生缺陷的设备数量占总数量的比例(例如这批设备里有80%的主变明年可能发生缺陷)，并不能帮助现场工作人员确认到底这批设备里需要检修的是具体哪一台，即无法得知每一台主变压器在未来一段确定的时期内出现缺陷的概率，无法有效指导设备巡视工作的开展。
【发明内容】
[0006]基于此，本发明提供一种主变个体缺陷概率预测方法，能够得到每一台主变压器在未来一段确定的时期内出现缺陷的概率。
[0007]为实现上述目的，本发明采用如下方案:
[0008]一种主变个体缺陷概率预测方法，包括以下步骤:
[0009]获取模型输入变量；
[0010]计算各模型输入变量的WOE值和IV值；
[0011 ] 根据所述WOE值和IV值对各模型输入变量进行交互式分组；[0012]根据交互式分组后的数据以及预先建立的预测模型得到主变个体缺陷概率。
[0013]由以上方案可以看出，本发明的一种主变个体缺陷概率预测方法，通过计算各模型输入变量的WOE值和IV值并进行交互式分组，然后在交互式分组的基础上采用预先建立的预测模型得到主变个体缺陷概率。在掌握了不同设备主变的缺陷概率情况后，运维人员就可以根据不同类设备间的缺陷率情况差异，有针对性的进行重点巡视和维护，避免设备缺陷发展为设备故障；另外，基于设备缺陷概率信息，生产部门可以制定生产人员和备件需求计划。本发明通过对主变个体缺陷概率的预测，能对主变在未来一段确定的时期内出现缺陷的概率有相对确切的把握，从而提高了缺陷发现和预防工作的科学性和可靠性，提高工作的针对性和准确性，在保障设备安全的情况下降低设备巡视的频率，提高了电网生产和运行的效率。
【专利附图】
【附图说明】
[0014]图1为本发明实施例中一种主变个体缺陷概率预测方法的流程示意图；
[0015]图2为本发明实施例中缺陷概率预测评分卡示意图；
[0016]图3为本发明一实施例中对模型进行评估所得结果示意图；
[0017]图4为本发明另一实施例中对模型进行评估所得结果示意图。
【具体实施方式】
[0018]下面结合附图以及具体的实施例，对本发明的技术方案作进一步的描述。
[0019]参见图1所示，一种主变个体缺陷概率预测方法，包括以下步骤:
[0020]步骤S101，获取模型输入变量，然后进入步骤S102。本发明实施例中，需要首先梳理设备的状态量模型，可以依据目前开展的设备状态评价导则，重新讨论、主要是通过对不同的电力设备，以其功能特点、技术特点和运行环境特点为考量，梳理对设备缺陷率有帮助的状态量，规范设备的状态指标。可以根据行业专家的技术和经验积累以及行业内的通用做法，对模型输入变量进行筛选后可获得18个输入变量。具体的，所获取的模型输入变量可以包括:设备型号、所在站污染等级、设备厂商、设备电压等级、设备投运时间、设备近6个月的缺陷次数、设备近12个月的缺陷次数、设备近24个月的缺陷次数、设备近48个月的缺陷次数、绕组藕合方式、相数、绕组外绝缘介质、冷却装置种类、油循环方式、绕组数、调压方式、线圈导线材质、铁心材质等。
[0021]步骤S102，计算各模型输入变量的WOE (Weight of Evidence)值和IV (Information Value)值，然后进入步骤 S103。
[0022]WOE (Weight of Evidence)表不衡量属性区分能力，IV (Information Value)表示衡量变量预测能力。由于分类变量类别较多，因此需要对各变量计算各自的WOE值和IV值。作为一个较好的实施例，所述计算各模型输入变量的WOE值和IV值的过程具体可以包括如下:
[0023]步骤S1021，对变量的每个值单独计算WOE ;具体的，可以根据发生缺陷的主变数量、未发生缺陷的主变数量分别计算各模型输入变量的WOE值；
[0024]步骤S1022，将所述WOE值相近的进行合并；
[0025]步骤S1023，根据合并结果以及所述WOE值计算各模型输入变量的IV值。[0026]具体计算公式如下:
[0027]WOE=In(Pctl)-1n(PctO)
[0028]PCT=Pctl-PctO
[0029]IV= Σ (W0EXPCT)
[0030]式中，Pctl表示发生缺陷的主变数量，PctO表示未发生缺陷的主变数量。
[0031]步骤S103，根据所述WOE值和IV值对各模型输入变量进行交互式分组，然后进入步骤S104。
[0032]对于单个变量，每个组的WOE值相同，WOE值越大，事件概率越低。IV值越大说明
变量对事件的影响越大。在其中一个实施例中，分组结果如下表:
[0033]
【权利要求】
1.一种主变个体缺陷概率预测方法，其特征在于，包括以下步骤: 获取模型输入变量； 计算各模型输入变量的WOE值和IV值； 根据所述WOE值和IV值对各模型输入变量进行交互式分组； 根据交互式分组后的数据以及预先建立的预测模型得到主变个体缺陷概率。
2.根据权利要求1所述的主变个体缺陷概率预测方法，其特征在于，所获取的模型输入变量包括:设备型号、所在站污染等级、设备厂商、设备电压等级、设备投运时间、设备近6个月的缺陷次数、设备近12个月的缺陷次数、设备近24个月的缺陷次数、设备近48个月的缺陷次数、绕组藕合方式、相数、绕组外绝缘介质、冷却装置种类、油循环方式、绕组数、调压方式、线圈导线材质、铁心材质。
3.根据权利要求1所述的主变个体缺陷概率预测方法，其特征在于，获取模型输入变量之后、计算各模型输入变量的WOE值和IV值之前，还包括步骤:对设备型号和设备进行重编码。
4.根据权利要求1-3任意一项所述的主变个体缺陷概率预测方法，其特征在于，所述计算各模型输入变量的WOE值和IV值的过程包括: 根据发生缺陷的主变数量、未发生缺陷的主变数量分别计算各模型输入变量的WOE值； 将所述WOE值相近的进行合并； 根据合并结果以及所述WOE值计算各模型输入变量的IV值。
5.根据权利要求4所述的主变个体缺陷概率预测方法，其特征在于，所述预测模型为二值型Logistic回归模型。
6.根据权利要求4所述的主变个体缺陷概率预测方法，其特征在于，在得到主变个体缺陷概率之后，还包括步骤: 采用最大似然估计法对所述主变个体缺陷概率进行估计。
7.根据权利要求4所述的主变个体缺陷概率预测方法，其特征在于，在得到主变个体缺陷概率之后，还包括步骤: 采用Kolmogorov-Smirnov检验法对所述主变个体缺陷概率进行评估。
【文档编号】G06F19/00GK103440410SQ201310356832
【公开日】2013年12月11日 申请日期:2013年8月15日 优先权日:2013年8月15日
【发明者】杨晶晶, 萧展辉, 齐志刚, 蔡徽, 陈军, 李端姣, 陈剑光, 杨晓东 申请人:广东电网公司