一种基于大数据分析的变压器缺陷评估方法与流程

本发明属于变电站巡检
技术领域：
，具体涉及一种基于大数据分析的变压器缺陷评估方法。
背景技术：
：随着无人值守变电站的发展，变电站采用多种智能巡检方式，如：机器人巡检、无人机巡检、高清视频监控等多种巡检监控方式。但是各系统未基于周期评价结果进行趋势预判，无法诊断出变压器的质量异常情况，缺陷风险无法及时消除。变压器轮换方案往往依赖于固定周期，易造成资源浪费。历史巡检数据未充分挖掘，各系统海量数据价值未被有效利用。变压器的缺陷预测及质量分析评价依赖于人工分析，极大影响了处理效率。技术实现要素：为了解决上述问题，本发明提供了一种基于大数据分析的变压器缺陷评估方法，具体技术方案如下：一种基于大数据分析的变压器缺陷评估方法，包括以下步骤：s1：采集数据：采集海量准实时数据服务平台、地理信息系统、气象数据、集控子站系统、视频监控系统、资产管理系统、集控管理主站的数据；s2：数据预处理：对采集的数据进行去重处理、异常值处理、缺失值处理；s3：对数据集进行挖掘，建立缺陷特征向量；s4：构建基于xgboost算法的变电变压器缺陷趋势评估模型，根据所述缺陷特征对变压器运行健康度进行评价。优选地，所述步骤s2中对数据进行缺失值处理具体为：采用平均值代替缺失值数据并做平滑化处理。优选地，所述步骤s3中的缺陷特征包括绕组缺陷、铁芯缺陷、主绝缘缺陷、引线缺陷、分接缺陷和套管缺陷。优选地，所述步骤s4具体包括以下步骤：s41：正则化学习目标函数：对于给定的m个特征、n个样本的训练集，d＝{(xi，yi)}(i＝1，2，...，n，xi∈rm，yi∈r，|d|＝n)，树的集成模型为k个子函数相加获得的最终输出，如下式所示：式中，f＝{f(x)＝wq(x)，}(q：rm→t，w∈rt)；其中，代表预测值，k代表cart树的数量，q代表样本映射到相应的叶子节点的决策规则，t代表一棵树的叶子节点数量，f代表cart树，fk代表第k棵决策树，w代表叶子的权重，f所有cart树的集合；xgboost算法在训练模式是：保留前一次t-1轮的预测不变，加入新的函数ft到模型中，则：…最小化下列正则化目标函数：其中，l为损失函数，用于描述模型模拟数据的程度；ω为正则化项，用于描述模型复杂程度；γ为复杂参数，λ为固定系数，t为树的叶子节点数量；s42：采用梯度树提升算法：用表示第t次迭代的第i个实例，并将ft添加到下列目标函数中：使用二阶近似优化上述目标函数，则：其中，为一阶偏导数，为二阶偏导数，去除常数项，获得简化的目标函数为：其中ij＝{i|q(xi)＝j}，为叶子节点j的实例，对于一个固定的结构q(x)，可以计算叶子节点j的最优权重由此可以计算出对应的最优值：用贪婪算法，迭代添加枝干，：il、ir分别为分割点左边和右边的样本集，且i＝il∪ir，则损失函数减少量如下所示：上式用来评价分割的候选节点；s43：采用建立的目标函数评估变压器缺陷趋势：根据模型输出的变压器运行健康度的预测值，判断变压器状态，分值越高表示变压器越健康，分值按照健康度分为缺陷、健康两种。本发明的有益效果为：采用本发明可以充分挖掘变电站设备巡检数据价值，通过设备健康度评分，实现缺陷自动判别，可节省90％以上人工，效率提升10倍以上，将变电站巡维工作由“经验判断”变为“数据驱动”；由“计划检修”转向“状态检查”；由“事后被动处理”转向“事前主动预防”，实现运行设备精益化管理，为变电站巡检工作提供增值服务。附图说明图1为本发明中的流程图。具体实施方式为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：如图1所示，一种基于大数据分析的变压器缺陷评估方法，包括以下步骤：s1：采集数据：采集海量准实时数据服务平台、地理信息系统、气象数据、集控子站系统、视频监控系统、资产管理系统、集控管理主站的数据；采集数据时间跨度为1年。s2：数据预处理：各系统数据存在字段描述不统一、编码规则不对应、数据字段缺失等问题，通过制定数据质量、完整性等校验规则，行标准化处理；具体对采集的数据进行去重处理、异常值处理、缺失值处理，完成数据预处理工作；对数据进行缺失值处理具体为：采用平均值代替缺失值数据并做平滑化处理。s3：对数据集进行挖掘，建立缺陷特征向量；具体为：s31：分析变压器巡检报告的特征分布；s32：根据历史变压器缺陷类型，可将缺陷特征划分为绕组缺陷、铁芯缺陷、主绝缘缺陷、引线缺陷、分接缺陷和套管缺陷等6类；s33：模型特征提取，采用最大信息相关系数作为评价标准，不同特征的选取范围相对误差呈先增大后减小，综合考虑模型的精度与运算时间，本发明选取排名前50％的强关联因素。绕组缺陷包括：绕组低温过热、绕组匝间短路、绕组断线；铁芯缺陷包括：悬浮放点、铁芯多点节点、散热不均；主绝缘缺陷包括：绝缘击穿、围屏放电、油流带电；引线缺陷包括：对地闪络、引线断股、引线过热；分接缺陷包括：拨叉放点、触头烧损、断线；套管缺陷包括：套管闪络、套管过热、均匀球悬浮放电；s34：将特征量化成一组特征向量。s4：构建基于xgboost算法的变电变压器缺陷趋势评估模型，根据所述缺陷特征对变压器运行健康度进行评价。具体包括以下步骤：s41：正则化学习目标函数：对于给定的m个特征、n个样本的训练集，d＝{(xi，yi)}(i＝1，2，...，n，xi∈rm，yi∈r，|d|＝n)，本实施例数据集中有748个样本，6个特征x1、x2、x3、x4、x5、x6，则数据集如下表所示：表1数据集树的集成模型为k个子函数相加获得的最终输出，如下式所示：式中，f＝{f(x)＝wq(x)，}(q：rm→t，w∈rt)；其中，代表预测值，k代表cart树的数量，q代表样本映射到相应的叶子节点的决策规则，t代表一棵树的叶子节点数量，f代表cart树，fk代表第k棵决策树，w代表叶子的权重，f所有cart树的集合；xgboost算法在训练模式是：保留前一次t-1轮的预测不变，加入新的函数ft到模型中，则：…对于一个给定的样本，可以使用数中的决策规则将它分类到对应的叶子节点，并且将对应叶子节点的得分加起来作为最后的预测值，为了在模型中获得相应的函数簇，最小化下列正则化目标函数：其中，l为损失函数，用于描述模型模拟数据的程度；ω为正则化项，用于描述模型复杂程度；γ为复杂参数，λ为固定系数，t为树的叶子节点数量。s42：采用梯度树提升算法：用表示第t次迭代的第i个实例，并将ft添加到下列目标函数中：使用二阶近似优化上述目标函数，则：其中，为一阶偏导数，为二阶偏导数，则每个样本的一阶、二阶导数的值为：表2每个样本的一阶、二阶导数的值id1234567891011…748gi0.50.5-0.5-0.5-0.5-0.5-0.50.50.5-0.5-0.5…0.5hi0.250.250.250.250.250.250.250.250.250.250.250.250.25去除常数项，获得简化的目标函数为：其中ij＝{i|q(xi)＝j}，为叶子节点j的实例，对于一个固定的结构q(x)，可以计算叶子节点j的最优权重由此可以计算出对应的最优值：用贪婪算法，迭代添加枝干，：il、ir分别为分割点左边和右边的样本集，且i＝il∪ir，则损失函数减少量如下所示：上式用来评价分割的候选节点；本发明使用xgboost包来训练模型，结合auc评分，选定模型最优参数，xgboost调参结果表如下所示：表3模型的优化参数s43：采用建立的目标函数评估变压器缺陷趋势：根据模型输出的变压器运行健康度的预测值，判断变压器状态，分值越高表示变压器越健康，分值按照健康度分为缺陷、健康两种。设定变压器缺陷概率为p，则健康概率为(1-p)，缺陷与健康的概率比odds＝p/(1-p),从而定义评分卡的分割值为：score＝a-blog(odds)；假设odds＝θ0时，对应的score值为p0；odds＝2θ0时，score的变化值为δp，则：由上式可解得：a＝p0+blog(θ0)。综合xgboost模型计算的结果和评分卡结合评价变压器的健康分值，根据历史巡检经验，我们将变压器健康的类别概率达70％以上。即设定θ0＝0.7时，判定变压器为健康状态；分值为60(设定p0＝60)，当缺陷比上升一倍时，分值下降5分，即设定δp＝5，将θ0＝0.7、p0＝60、δp＝5代入score＝a-blog(odds)计算健康分值，748条样本健康分值如下表4所示：表4样本的健康值分值区间数量[0,20)8[20,30)55[30,40)78[40,23)75[50,24)89[60,25)51[70,26)136[80,27)133[100,28)123本实施案例以xgboost算法为基础，对设备缺陷预测并输出健康分值，实现对设备运行状态的综合评价。本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12