本发明涉及电力系统及其自动化的技术领域，尤其涉及到一种变压器老化状态评估的概率模糊集方法。
背景技术
传统配网主设备的事后维修和定期计划检修往往需要投入大量的人为、物力，而且维修的性价比不高。随着设备自动化程度的提高，与时间相关的设备的故障模式只占设备所有故障模式的6％，因此基于时间的定期维修策略只对6％的设备故障模式有效。以定期维修为主结合经验决定延长或缩短检修周期的维修方式，取得了一定的效果。
随着电力设备数量与日俱增，设备间关联关系日趋复杂，社会对供电可靠性要求越来越高，安排停电检修日益困难；配电网设备量多面广、运行状态复杂多变，难以及时检测和评估配网主设备状态，以往检修策略更多地重视试验数据而很少重视运行数据，无法适应日趋精益化的状态检修管理要求。
变压器数量多，会存在不同程度的老化、老化、缺陷并具有家族性和隐蔽性，难以得到及时检测和评估。因运行年限、环境、检修等有很大差异并受多因素影响，增加了变压器运行老化状态评价的难度和复杂性，无法满足精准化和智能化评价的更高要求。
变压器安全可靠运行首先要有严格质量保障，还要有足够的维护和检修保证。虽然定期预防性检修能够在一定程度上预防老化、老化或缺陷问题所导致的故障事故事件的发生，但是很难发现潜在性、隐蔽性极强的缺陷等。故障检修是一种被动的检修模式，具有极大的压力和不确定性，也容易导致过修或失修的问题。状态检修具有针对性和合理性，能够有效克服定期检修造成的过修和失修的问题，能够防范配电设备老化、老化或缺陷问题的扩大化和严重化，是今后设备检修发展的趋势。
传统上，大多通过油中溶解气体等单一因素数据计算和分析方法来评估变压器老化状态，能够较准确、可靠地发现逐步发展的变压器潜在缺陷；利用小波网络法、神经网络方法、模糊聚类法、灰色聚类、支持向量机、粗糙集方法、证据推理法、贝叶斯网络分类器等数学方法对单一因素数据进行处理、计算和分析，也能够较准确、可靠地评估变压器老化、老化和缺陷状态。虽然神经网络法利用预先自训练和自学习的方式对高危数据进行处理和计算，受系统或参数的状态值严重影响，一旦状态发生变化就需要进行重新训练和学习，其适应性偏弱并影响分析结果；故障树法按照一定的规则对故障的细化分解，以剖析故障类型及其原因，需要非常细化的故障信息完整性和正确性，对潜在性故障难以发现；支持向量机法采用一定的规则对数据进行分层处理，在数据量多时容易出现误分、错分等问题；粗糙集和模糊理论方法在处理随机性和模糊性数据方面有独到的优势，但是粗糙集只能处理离散数据，模糊理论方法没有自学习和自适应能力；贝叶斯网络分类方法能够较好地处理不完备数据，但需要提供足够完备的系统或参数的关键属性数据，否则其计算和评估正确率会较低；证据推理理论能够较好、较准确地处理冗余信息或数据，但在信息或数据之间存在相互矛盾时应用于证据的事件判别有很大的局限性。
利用经验、单一参量或少量数据容易造成评价精确度低，进而导致过修或失修等问题。在出厂、监测、试验、测试、巡检、运行、计量、自动化等多源数据的融合基础上，根据设备类型、运行工况和应用环境进行分类评估，建立基于数据驱动的变压器老化状态模型，以关键指标的冗余分析和相关性分析进行状态评价，为变压器的可靠运行提供技术支撑，为变压器的故障发生提供风险预警。
导致变压器故障的因素有绝缘受潮、铁心故障、电流回路过热、绕组故障、局部放电、油流放电、电弧放电、绝缘老化和老化，影响变压器老化状态有绝缘油介质损耗、油中含水量、油击穿电压、绝缘电阻吸收比、极化指数、体积电阻率、h2含量、铁心绝缘电阻等参量。变压器差异化运维需要整体评估，而状态评估涉及台账信息、巡检信息、带电检测及在线监测数据、离线试验数据等，数据量大，影响机理不同，常规评估方法侧重于某些层面或指标研究，已无法满足多维度、大数据的要求。采用大数据技术，可以全面反映主设备状态变化并确定其特征和关键参量。利用出厂试验数据、缺陷和事故记录、定期和非定期的试验数据等静态数据，利用设备在线检测的数据及实时运行信息等动态数据，包括电压、电流、功率等实时运行信息，短路故障、雷击跳间、家族性缺陷等故障信息，红外测温、密封、污秽等巡检信息，直流电阻、绝缘电阻、油色谱、介损等停电检测信息等状态数据，建立变压器、断路器、避雷器、电容器等配网主设备的数据库，采用大数据技术研究主设备状态特征评估方法，阐明主设备状态与水解、热解的关联关系，采用模糊c-均值聚类分析方法提取主设备状态特征。
油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油总酸值、油中糠醛量、油色泽等与绝缘油相关参量，纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽等与绝缘纸相关的参量，h2含量、c2h2含量、c2h6含量、c2h4含量、ch4含量、co相对产气速率、co2相对产气速率、总烃等与气体相关的参量，铁心绝缘电阻、铁心接地电流等与铁心相关的参量数据，绕组直流电阻、绝缘电阻吸收比、绕组直流电阻及其不平衡率、绕组短路阻抗初值差、绕组绝缘介质损耗、绕组电容量初值差等与绕组相关的参量，高压侧a相电容值、高压侧b相电容值、高压侧c相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值等与电容值相关的参量，典型负荷时热点温度、高负荷时热点温度、油温等与温度相关的参量，局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数等与局部放电相关的参量，在不同环境、气象条件下都有不同的数值，具有随机和模糊不确定性，可以说变压器老化是一个随机和模糊不确定性的事故或事件，这些因素也是随机和模糊不确定性的参量。这些影响因素通常都具有随机不确定性或模糊不确定性，或者是具有随机和模糊不确定性，往往以随机和模糊不确定性事件或参量而存在。可见，传统变压器老化状态评估的现有技术都没有全面考虑影响因素的不确定性和随机性，计算方法适用性、实用性和应用性也难以得到满足。
技术实现要素：
本发明的目的在于克服现有技术的不足，采用一种变压器老化状态评估的概率模糊集方法。针对如何处理变压器老化状态评估所涉及种类多、数量大、相互关系复杂的大数据问题，在建立大数据库基础上采用数据聚类原理对大数据进行处理和分析；针对变压器老化状态评估所涉及的随机和模糊不确定性的参量，采用概率模糊集的理论进行处理和分析。
变压器老化状态评估的基本原理是，利用出厂、监测、试验、测试、巡检、运行、计量、自动化等多源数据，建立与绝缘油、绝缘纸、铁心、绕组相关参量的大数据库，建立与油中气体、电容值、温度、局部放电相关参量的大数据库，建立温度、风力、湿度和降水等气象的大数据库，建立变压器电流、电压、功率、负载率等运行数据库；采用概率模糊集理论，对具有随机不确定性或模糊不确定性的并导致变压器老化状态的参量进行概率模糊建模；利用公开文献中与变压器老化状态评估方法相关结果的海量数据，构建变压器老化状态特征类概率模糊集；利用变压器老化状态试验的海量数据，构建变压器老化状态试验类概率模糊集；构建变压器试验类与特征类数据概率模糊集之间的距离测度函数，计算随机不确定性或模糊不确定性参量与变压器老化状态之间的综合属性值，进而确定变压器老化状态。
本发明的技术方案是这样实现的：
一种变压器老化状态评估的概率模糊集方法，包括以下步骤：
s1：构建变压器绝缘油特征类的数据集与计算其概率数值；
s2：构建变压器绝缘纸特征类的数据集与计算其概率数值；
s3：构建变压器气体特征类的数据集与计算其概率数值；
s4：构建变压器温度特征类的数据集与计算其概率数值；
s5：构建变压器电容特征类的数据集与计算其概率数值；
s6：构建变压器局部放电特征类的数据集与计算其概率数值；
s7：构建变压器油、纸、气体、温度、电容、局部放电试验类的数据集与计算对应的概率数值；
s8：构建试验类与特征类概率模糊集之间的距离测度函数；
s9：进行变压器老化状态评估。
进一步地，所述步骤s1中构建反映变压器老化状态变化的变压器绝缘油特征类数据集xao为：
式中xao1、xao2、...、
其概率数值计算步骤如下：
s1.1：构建油特征类的概率模糊集隶属度函数并计算其隶属度；针对油特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xaok的概率模糊集隶属度函数：
式中，μsok、ξsok分别为具有第k数据集xaok的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定油特征类的概率模糊集隶属度函数的隶属度；
s1.2：构建油特征类的概率分布函数并计算其方差；对于油特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νsok、σsok分别为第k数据集xaok具有正态分布特性的均值和方差；
根据概率分布函数，计算油特征类数据集具有正态分布特性的均值和方差。
进一步地，所述步骤s2构建反映变压器老化状态变化的变压器绝缘纸特征类数据集xsp为：
式中，xsp1、xsp2、xsp3、...、
其概率数值计算步骤如下：
s2.1：构建纸特征类的概率模糊集隶属度函数并计算其隶属度；针对纸特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xaok的概率模糊集隶属度函数：
式中，μspk、ξspk分别为具有第k数据集xapk的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定纸特征类的概率模糊集隶属度函数的隶属度；
s2.2：构建纸特征类的概率分布函数并计算其方差；对于纸特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νspk、σspk分别为第k数据集xapk具有正态分布特性的均值和方差；
根据概率分布函数，计算纸特征类数据集具有正态分布特性的均值和方差。
进一步地，所述步骤s3构建反映变压器老化状态变化的变压器气体特征类数据集xsg为：
式中，xsg1、xsg2、...、
其概率数值计算步骤如下：
s3.1：构建气体特征类的概率模糊集隶属度函数并计算其隶属度；针对气体特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xagk的概率模糊集隶属度函数：
式中，μsgk、ξsgk分别为具有第k数据集xagk的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定气体特征类的概率模糊集隶属度函数的隶属度；
s3.2：构建气体特征类的概率分布函数并计算其方差；对于气体特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νsgk、σsgk分别为第k数据集xagk具有正态分布特性的均值和方差；
根据概率分布函数，计算气体特征类数据集具有正态分布特性的均值和方差。
进一步地，所述步骤s4构建反映变压器老化状态变化的变压器温度特征类数据集xst为：
式中，xst1、xst2、...、
其概率数值计算步骤如下：
s4.1：构建温度特征类的概率模糊集隶属度函数并计算其隶属度；针对温度特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xatk的概率模糊集隶属度函数：
式中，μstk、ξstk分别为具有第k数据集xatk的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定温度特征类的概率模糊集隶属度函数的隶属度；
s4.2：构建温度特征类的概率分布函数并计算其方差；对于温度特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νstk、σstk分别为第k数据集xatk具有正态分布特性的均值和方差；
根据概率分布函数，计算温度特征类数据集具有正态分布特性的均值和方差。
进一步地，所述步骤s5构建反映变压器老化状态变化的变压器电容特征类数据集xsc为：
式中xsc1、xsc2、...、
其概率数值计算步骤如下：
s5.1：构建电容特征类的概率模糊集隶属度函数并计算其隶属度；针对电容特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xack的概率模糊集隶属度函数：
式中，μsck、ξsck分别为具有第k数据集xack的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定电容特征类的概率模糊集隶属度函数的隶属度；
s5.2：构建电容特征类的概率分布函数并计算其方差；对于电容特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νsck、σsck分别为第k数据集xack具有正态分布特性的均值和方差；
根据概率分布函数，计算电容特征类数据集具有正态分布特性的均值和方差。
进一步地，所述步骤s6构建反映变压器老化状态变化的变压器局部放电特征类数据集xsd为：
式中xsd1、xsd2、...、
其概率数值计算步骤如下：
s6.1：构建局部放电特征类的概率模糊集隶属度函数并计算其隶属度；针对局部放电特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xadk的概率模糊集隶属度函数：
式中，μsdk、ξsdk分别为具有第k数据集xadk的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定局部放电特征类的概率模糊集隶属度函数的隶属度；
s6.2：构建局部放电特征类的概率分布函数并计算其方差；对于局部放电特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νsdk、σsdk分别为第k数据集xadk具有正态分布特性的均值和方差；
根据概率分布函数，计算局部放电特征类数据集具有正态分布特性的均值和方差。
进一步地，所述步骤s7具体为构建变压器油、纸、气体、温度、电容、局部放电试验类的数据集：
构建概率模糊集隶属度函数：μtok、μtpk、μtgk、μttk、μtck、μtdk；以及构建概率分布函数：ftok、ftpk、ftgk、fttk、ftck、ftdk。
进一步地，所述步骤s8利用油、纸、气体、温度、电容、局部放电特征类及试验类的概率模糊集，构建油、纸、气体、温度、电容、局部放电试验类与特征类概率模糊集之间的距离测度函数：
进一步地，所述步骤s9采用概率分析方法，计算与油、纸、气体、温度、电容、局部放电相关的总距离测度值：
当dts小于设定值εo时，判定变压器状态已经处于老化状态。
与现有技术相比，本方案针对如何处理变压器老化状态评估所涉及种类多、数量大、相互关系复杂的大数据问题，在建立大数据库基础上采用数据聚类原理对大数据进行处理和分析；针对变压器老化状态评估所涉及的随机和模糊不确定性的参量，采用概率模糊集的理论进行处理和分析；本方案可以评估变压器老化状态，反映出变压器老化状态特征值具有的不确定性，为变压器老化状态评估提供理论指导，为配电网运维提供必要的技术支撑。
附图说明
图1是本发明所提出的一种变压器老化状态评估的概率模糊集方法的流程框图。
具体实施方式
下面参照附图并结合实例对本发明的具体实施方式做进一步详细描述。
如图1所示，一种变压器老化状态评估的概率模糊集方法，包括以下步骤：
s1：构建变压器绝缘油特征类的数据集与计算其概率数值：
当变压器老化状态变化时，油介质损耗、油中含水量、油中含气量、油击穿电压、油体积电阻率、油电导率、油中酸值、油破坏电压、油中糠醛量、油色泽等元素数值也发生变化。构建反映变压器老化状态变化的变压器绝缘油特征类数据集xao为：
式中，xao1、xao2、...、
其概率数值计算步骤如下：
s1.1：构建油特征类的概率模糊集隶属度函数并计算其隶属度；针对油特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xaok的概率模糊集隶属度函数：
式中，μsok、ξsok分别为具有第k数据集xaok的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定油特征类的概率模糊集隶属度函数的隶属度；
s1.2：构建油特征类的概率分布函数并计算其方差；对于油特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νsok、σsok分别为第k数据集xaok具有正态分布特性的均值和方差；
根据概率分布函数，计算油特征类数据集具有正态分布特性的均值和方差。
s2：构建变压器绝缘纸特征类的数据集与计算其概率数值：
当变压器老化状态变化时，纸介质损耗、纸中含水量、纸击穿电压、纸电导率、纸中酸值、纸聚合度、纸总酸值、纸中糠醛量、纸色泽等元素数值也发生变化。构建反映变压器老化状态变化的变压器绝缘纸特征类数据集xsp为：
式中，xsp1、xsp2、xsp3、...、
其概率数值计算步骤如下：
s2.1：构建纸特征类的概率模糊集隶属度函数并计算其隶属度；针对纸特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xaok的概率模糊集隶属度函数：
式中，μspk、ξspk分别为具有第k数据集xapk的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定纸特征类的概率模糊集隶属度函数的隶属度；
s2.2：构建纸特征类的概率分布函数并计算其方差；对于纸特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νspk、σspk分别为第k数据集xapk具有正态分布特性的均值和方差；
根据概率分布函数，计算纸特征类数据集具有正态分布特性的均值和方差。
s3：构建变压器气体特征类的数据集与计算其概率数值：
当变压器老化状态变化时，h2含量、c2h2含量、c2h6含量、c2h4含量、ch4含量、co相对产气速率、co2相对产气速率、总烃等气体元素数值也发生变化。构建反映变压器老化状态变化的变压器气体特征类数据集xsg为：
式中，xsg1、xsg2、...、
其概率数值计算步骤如下：
s3.1：构建气体特征类的概率模糊集隶属度函数并计算其隶属度；针对气体特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xagk的概率模糊集隶属度函数：
式中，μsgk、ξsgk分别为具有第k数据集xagk的概率模糊集隶属度函数的中心、宽度。
根据概率模糊集隶属度函数，计算确定气体特征类的概率模糊集隶属度函数的隶属度；
s3.2：构建气体特征类的概率分布函数并计算其方差；对于气体特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νsgk、σsgk分别为第k数据集xagk具有正态分布特性的均值和方差；
根据概率分布函数，计算气体特征类数据集具有正态分布特性的均值和方差。
s4：构建变压器温度特征类的数据集与计算其概率数值：
当变压器老化状态变化时，典型负荷时热点温度、高负荷时热点温度、油温等温度元素数值也发生变化。构建反映变压器老化状态变化的变压器温度特征类数据集xst为：
式中，xst1、xst2、...、
其概率数值计算步骤如下：
s4.1：构建温度特征类的概率模糊集隶属度函数并计算其隶属度；针对温度特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xatk的概率模糊集隶属度函数：
式中，μstk、ξstk分别为具有第k数据集xatk的概率模糊集隶属度函数的中心、宽度；
根据概率模糊集隶属度函数，计算确定温度特征类的概率模糊集隶属度函数的隶属度；
s4.2：构建温度特征类的概率分布函数并计算其方差；对于温度特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νstk、σstk分别为第k数据集xatk具有正态分布特性的均值和方差；
根据概率分布函数，计算温度特征类数据集具有正态分布特性的均值和方差。
s5：构建变压器电容特征类的数据集与计算其概率数值：
当变压器老化状态变化时，高压侧a相电容值、高压侧b相电容值、高压侧c相电容值、低压侧a相电容值、低压侧b相电容值、低压侧c相电容值等气体元素数值也发生变化。构建反映变压器老化状态变化的变压器电容特征类数据集xsc为：
式中，xsc1、xsc2、...、
其概率数值计算步骤如下：
s5.1：构建电容特征类的概率模糊集隶属度函数并计算其隶属度；针对电容特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xack的概率模糊集隶属度函数：
式中，μsck、ξsck分别为具有第k数据集xack的概率模糊集隶属度函数的中心、宽度。
根据概率模糊集隶属度函数，计算确定电容特征类的概率模糊集隶属度函数的隶属度；
s5.2：构建电容特征类的概率分布函数并计算其方差；对于电容特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νsck、σsck分别为第k数据集xack具有正态分布特性的均值和方差。
根据概率分布函数，计算电容特征类数据集具有正态分布特性的均值和方差。
s6：构建变压器局部放电特征类的数据集与计算其概率数值：
当变压器老化状态变化时，局部放电量、偏斜度、陡峭度、互相关系数、相位不对称数等气体元素数值也发生变化。构建反映变压器老化状态变化的变压器局部放电特征类数据集xsd为：
式中xsd1、xsd2、...、
其概率数值计算步骤如下：
s6.1：构建局部放电特征类的概率模糊集隶属度函数并计算其隶属度；针对局部放电特征类数据集的模糊不确定特性，采用模糊理论构建第k数据集xadk的概率模糊集隶属度函数：
式中，μsdk、ξsdk分别为具有第k数据集xadk的概率模糊集隶属度函数的中心、宽度。
根据概率模糊集隶属度函数，计算确定局部放电特征类的概率模糊集隶属度函数的隶属度；
s6.2：构建局部放电特征类的概率分布函数并计算其方差；对于局部放电特征类的数据集的随机变化的宽度，假设其服从正态分布：
式中，νsdk、σsdk分别为第k数据集xadk具有正态分布特性的均值和方差；
根据概率分布函数，计算局部放电特征类数据集具有正态分布特性的均值和方差。
s7：构建变压器油、纸、气体、温度、电容、局部放电试验类的数据集与计算对应的概率数值：
通过试验方法，对变压器进行油、纸、气体、温度、电容、局部放电等试验，获取反映变压器油、纸、气体、温度、电容、局部放电等试验类数据。采用与特征类数据集构建及数据分析类似的方法，构建变压器油、纸、气体、温度、电容、局部放电试验类的数据集并进行概率数值计算。
采用与特征类数据集构建类似的方法，构建变压器油、纸、气体、温度、电容、局部放电试验类的数据集：
采用与特征类数据集构建类似的方法，构建概率模糊集隶属度函数：μtok、μtpk、μtgk、μttk、μtck、μtdk。采用与特征类数据集构建类似的方法，构建概率分布函数：ftok、ftpk、ftgk、fttk、ftck、ftdk。
s8：构建试验类与特征类概率模糊集之间的距离测度函数：
利用油、纸、气体、温度、电容、局部放电特征类及试验类的概率模糊集，构建油、纸、气体、温度、电容、局部放电试验类与特征类概率模糊集之间的距离测度函数：
s9：进行变压器老化状态评估：
计算与油、纸、气体、温度、电容、局部放电相关的总距离测度值：
当dts小于设定值εo时，判定变压器状态已经处于老化状态。
本实施例针对如何处理变压器老化状态评估所涉及种类多、数量大、相互关系复杂的大数据问题，在建立大数据库基础上采用数据聚类原理对大数据进行处理和分析；针对变压器老化状态评估所涉及的随机和模糊不确定性的参量，采用概率模糊集的理论进行处理和分析；本实施例可以评估变压器老化状态，反映出变压器老化状态特征值具有的不确定性，为变压器老化状态评估提供理论指导，为配电网运维提供必要的技术支撑。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。