变电设备温度态势感知及辅助决策系统方案研究

doi:10.12096/j.2096-4528.pgt.23118

变电设备温度态势感知及辅助决策系统方案研究

陈昱¹, 丁鸿¹, 崔勇²^,³, 朱里¹, 陈士俊⁴, 凌秋阳¹, 徐勇生⁴, 郑建³

1.国网浙江省电力有限公司湖州供电公司，浙江省湖州市 313000

2.安徽科技学院管理学院，安徽省蚌埠市 233030

3.三峡大学电气与新能源学院，湖北省宜昌市 443002

4.浙江泰仑电力集团有限责任公司，浙江省湖州市 313000

Research on Temperature Situation Awareness and Auxiliary Decision-Making System Scheme of Substation Equipment

CHEN Yu¹, DING Hong¹, CUI Yong²^,³, ZHU Li¹, CHEN Shijun⁴, LING Qiuyang¹, XU Yongsheng⁴, ZHENG Jian³

1.Huzhou Power Supply Company, State Grid Zhejiang Electric Power Co. , Ltd. , Huzhou 313000, Zhejiang Province, China

2.College of Management, Anhui Science and Technology University, Bengbu 233030, Anhui Province, China

3.College of Electrical Engineering & New Energy, China Three Gorges University, Yichang 443002, Hubei Province, China

4.Zhejiang Talent Electric Group Co. , Ltd. , Huzhou 313000, Zhejiang Province, China

收稿日期: 2023-11-20 修回日期: 2024-02-25

基金资助:

安徽省高校协同创新项目.  GXXT-2023-065
浙江泰仑电力集团有限责任公司科技项目.  TLGZ2212001-012
安徽科技学院人才引进项目.  GLYJ202202

Received: 2023-11-20 Revised: 2024-02-25

作者简介 About authors

陈昱(1974)，男，高级工程师，主要从事变电运维现场管理工作，chenyu190438@163.com；

崔勇(1978)，男，博士，副教授，主要研究方向为新能源电力系统优化、能源管理，本文通信作者，cuiyong826@126.com。

摘要

目的为了提升变电设备运维管理的智能化水平，及时发现并预防因设备过热导致的故障风险，保障电网安全稳定运行，提出了变电设备温度态势感知及辅助决策方案。方法从感知层、理解层、预测层和辅助决策层4个方面展开研究。在感知层，利用K近邻(K-nearest neighbor，KNN)分类算法分析多类温度数据的关联性。在理解层，通过BP神经网络构建历史数据传递模型，以处理历史数据缺失问题。在预测层，为应对非线性数据和噪声，设计了自回归积分滑动平均(autoregressive integrated moving average，ARIMA)模型与支持向量机(support vector machine，SVM)组合的温度预测模型。在辅助决策层，应用灰色关联度分析设备温度变化与故障风险之间的关系。结果基于所提方案的算例验证结果表明，该方案实现了对设备未来温度变化趋势的有效感知，并为设备缺陷判断提供了依据。结论所提方案通过多维度、深层次的温度数据分析，揭示了设备温度与故障风险之间潜在的关联关系，实现了对变电设备运行趋势的预判，为变电设备运行方式优化以及制定设备检修计划提供参考。

关键词： 电力系统 ; 变电站 ; 温度态势感知 ; 辅助决策 ; 自回归积分滑动平均(ARIMA)模型 ; BP神经网络 ; 支持向量机(SVM)

Abstract

Objectives To enhance the intelligent management of substation equipment maintenance, timely identify and mitigate the risks of failures caused by device overheating, and ensure the safe and stable operation of the power grid, the temperature situation awareness and auxiliary decision-making scheme of substation equipment were proposed. Methods The research was carried out from four aspects: the perception layer, the understanding layer, the prediction layer, and the auxiliary decision-making layer.　In the perception layer, the K-nearest neighbor (KNN) classification algorithm was used to analyze the correlation of multi-class temperature data. In the understanding layer, a BP neural network was employed to construct a historical data transmission model to address missing historical data issues. In the prediction layer, a temperature prediction model combining autoregressive integrated moving average (ARIMA) and support vector machine (SVM) was designed to handle nonlinear data and noise. In the auxiliary decision-making layer, the grey relational analysis was applied to analyze the relationship between equipment temperature changes and fault risks. Results The verification results of numerical examples based on the proposed scheme show that the scheme realizes the effective perception of the future temperature variation trends of the equipment and provides a basis for the identification of equipment defects. Conclusions Through multi-dimensional and deep-level temperature data analysis, the proposed scheme reveals the potential correlation between equipment temperature and fault risk, realizes the prediction of the operational trend of substation equipment, and provides a reference for the optimization of operational mode and the formulation of equipment maintenance plan.

Keywords： power system ; substation ; temperature state awareness ; auxiliary decision-making ; autoregressive integrated moving average (ARIMA) model ; BP neural network ; support vector machine (SVM)

PDF (2012KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

陈昱, 丁鸿, 崔勇, 朱里, 陈士俊, 凌秋阳, 徐勇生, 郑建. 变电设备温度态势感知及辅助决策系统方案研究. 发电技术[J], 2024, 45(4): 744-752 DOI:10.12096/j.2096-4528.pgt.23118

CHEN Yu, DING Hong, CUI Yong, ZHU Li, CHEN Shijun, LING Qiuyang, XU Yongsheng, ZHENG Jian. Research on Temperature Situation Awareness and Auxiliary Decision-Making System Scheme of Substation Equipment. Power Generation Technology[J], 2024, 45(4): 744-752 DOI:10.12096/j.2096-4528.pgt.23118

0 引言

变电站是电力系统的重要环节，保证变电设备安全稳定运行、提高变电设备智能化管理水平是当前的迫切需求^[1]。通过对变电设备未来运行状态进行精确判断，可为制定合理运行方式提供参考，并有效支撑电力系统安全可靠运行。目前，国内外现有相关研究主要集中在以下3个方面。

一是负荷或温度预测。这方面研究主要是变电站电气设备的发热故障和设备温度之间的联系，为精准化设备运行管理提供参考。通过对温度数据集进行数据挖掘，并基于历史温度数据变化规律，采用相关预测方法，预测设备未来温度变化规律，实现温度故障预警^[2-4]。常用的预测方法主要有时间序列、混沌模糊理论和深度学习等方法。时间序列法常用于电力负荷的短期预测，不适合长期预测^[5]。混沌模糊理论法主要将混沌理论与神经网络相融合，基于变电站设备温度数据的混沌特性，重构混沌序列的相空间，并运用径向基函数神经网络进行逐步或多步预测，可有效预测未来温度变化趋势^[6]。神经网络是最常用的深度学习算法之一，神经网络可以通过对大量数据进行学习和训练，得到变电设备温度与时间、环境等因素之间的复杂非线性关系，从而进行温度预测^[7-8]。

二是电力设备故障预警方法。通过研究预测目标的相关影响因素，采用智能预测模型，基于数据挖掘和大数据分析技术，对故障预测和诊断数据进行挖掘分析，实现对未来设备运行风险预测^[9-11]。故障预警主要依赖故障诊断结果，若故障诊断方法选择不当，可能会导致预警系统的误报或漏报，进而对设备安全和稳定性造成负面影响。目前，故障诊断方法包括表面温度判断法、同类比较判断法和相对温差判断法。文献[12]采用表面温度判断法与相对温差法判断电气设备故障，通过检测设备产生的热量变化，快速有效地定位和识别电气设备疑似过热故障。文献[13]利用同类比较判断法对比多个绝缘子温度状态的差异，实现对劣化绝缘子的精准检测。

三是设备运行方式辅助决策。这方面研究主要基于变电站设备运行信息实时监测数据，对采集数据进行深入挖掘分析，进一步对设备进行健康状态评估、寿命预测以及维护时间预测，以制定精确维护计划。该技术的应用可降低设备维护成本，延长设备寿命，实现电力供应持续性^[14]。

通过以上3个方面的分析并对比相关研究发现，目前研究主要存在以下问题：1）在原始温度数据处理过程中，未充分考虑不同数据类型以及数据异常值或噪声在不同数据之间关联传导的影响；同时，由于历史数据缺失，使得预测结果准确度和可信度下降。2）在故障诊断方法选择方面，利用表面温度判断法不能有效识别设备内部的温度变化情况，且诊断结果容易受阳光直射或涂层材料的影响；同类比较判断法可比较同类设备的对应部位温度值，但参考设备易受环境温度的影响，导致诊断结果出现误判或漏判；相对温差判断法能诊断不同设备或区域之间的温度差异，但诊断结果受环境温度的影响较大，若环境温度不稳定，判断结果会出现误差。3）由于基础数据来源于不同类型的变电设备或信息网络，且涵盖不同时间段，因此在处理数据的多样性、异构性以及实施有序整合方面，仍需进一步深入研究。

基于现有研究存在的问题，以及电力设备运行状态精准感知及其辅助决策需要，本文提出变电设备温度感知及辅助决策系统总体方案。采用K近邻(K-nearest neighbors，KNN)分类算法对数据进行分类分析，剔除异常值，并应用BP神经网络构建历史设备数据传递模型，进行数据清洗；将自回归积分滑动平均(autoregressive integrated moving average，ARIMA)与支持向量机(support vector machine，SVM)相结合，以提高温度预测的准确性；同时基于灰色关联度方法，有效识别影响设备运行状态的主要因素，为设备缺陷判断的辅助决策提供参考；最后，通过算例验证所提方案的有效性。

1 系统总体方案

变电设备温度感知及辅助决策系统总体方案框架主要包括感知层、理解层、预测层以及辅助决策层4个层次，如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 系统方案总体设计图

Fig. 1 Overall design diagram of the system scheme

2 变电设备温度监测数据库设计

变电设备信息监测数据主要分为以下2类：1）电压致热型设备，如电压互感器、绝缘子、耦合电容器、电缆头等；2）电流致热型及温度敏感型设备，如隔离开关、断路器的动静触点，或变压器油温等。

温度监测数据以时间序列形式表示，如 $Y_{t} = \{t_{i}, T_{i}\}$ ，其中 $t_{i}$ 为设备 $i$ 时间戳，表示温度采集所对应的具体时间； $T_{i}$ 表示设备 $i$ 在 $t_{i}$ 时刻测得的设备温度值。变电设备温度监测数据库的设计主要通过对测温机器人所采集的基本信息进行大数据分析与挖掘，以共享采集的信息资源，并构建平台温度监测数据库，具体实施方法如下。

2.1 温度数据筛选方法

为提升数据库数据精准性，针对历史数据以及实时温度数据，首先采用KNN算法进行数据分类，利用欧式距离方法可将数据划分为不同的类别^[15]。数据特征空间中2个点 $T_{x_{D}}$ 、 $T_{y_{D}}$ 之间距离表示为

D (T_{x_{D}}, T_{y_{D}}) = \sqrt[]{\sum_{D = 1}^{n} (T_{x_{D}} - T_{y_{D}})^{2}}

(1)

式中： $T_{x_{D}}$ 为待入库温度数据； $T_{y_{D}}$ 为已入库温度数据。

将待入库数据 $x_{D}$ 分配到具有最多近邻类别中。在将数据存入数据库之前，必须执行异常值识别与剔除操作。根据已知数据点的分布情况，每组类别数据都需要确定不同的阈值，为剔除那些偏离类别中心较远的异常值提供依据。

2.2 设备历史数据完善及环境关联数据分析模型

建立设备运行历史数据(包括负荷、湿度、光线强度和风速)变化与历史温度数据之间的关联传递模型，弥补原有变电设备关键点历史温度数据不足和缺失。这主要通过BP神经网络法实现，BP神经网络是由输入层、隐含层、输出层组成多层前馈网络^[16-17]，从输入层到隐藏层以及从隐藏层到输出层的计算公式分别如下：

S_{l} = \sum_{i = 1}^{n} W_{1 i} X_{i} + b_{1}

(2)

S_{m} = \sum_{i = 1}^{n} W_{2 i} S_{l} + b_{2}

(3)

式中： $X_{i}$ 为神经网络的输入数据； $W_{1 i}, W_{2 i}$ 为连接权重；n为历史数据样本数； $b_{1}$ 和 $b_{2}$ 为阈值； $S_{l}$ 为隐藏层输出结果； $S_{m}$ 为输出层输出结果。

为了提升模型预测的准确性，并考虑数据库的数据规模，按照3∶1的比例将数据划分为训练集和测试集。其中，训练集数据作为输入，测试集中的历史数据作为期望输出，对训练集数据输入模型进行训练，将其结果与期望输出进行对比，计算模型的预测误差，以验证模型的预测准确性，并为模型参数的调整提供依据。在模型训练过程中，正向传播是指原始数据首先从输入层传递至隐藏层，然后经由隐藏层传递至输出层，最终将结果输出至外部。输出层所输出温度数据要与期望数据进行对比，若存在较大的预测误差，则需要进行反向传播，反向传播的目的是通过将误差值沿着网络逆向传递至各层，以进一步训练网络，减小误差。整个过程循环进行，直至误差降至允许误差以下，或者达到设定训练次数为止。BP神经网络的传递模型训练完成之后，可利用该模型对数据库中出现残缺的关键点温度数据进行修复，并将修复数据存储到数据库中。

3 基于ARIMA-SVM组合的温度预测算法

利用ARIMA模型可挖掘不同数据随时间变化的关联关系，实际生产过程中，数据通常受到噪声或其他干扰的影响，导致模型计算量增加。为了解决ARIMA方法在处理非线性和噪声数据方面的不足^[18-19]，将ARIMA与SVM相结合，采用ARIMA模型分析温度随时间变化的趋势和周期性，利用SVM有效处理噪声和非线性问题，相关算法设计如下。

3.1 ARIMA模型

ARIMA模型由自回归、差分、滑动平均3部分组成，其中，AR代表自回归部分，I代表差分运算部分，MA代表滑动平均部分。该模型记作 $A R I M A (p, d, q)$ ，其中 $p, d, q$ 分别表示自回归阶数、差分阶数、滑动平均阶数^[20-21]。首先将温度时间序列 $Y_{t}$ 进行 $d$ 阶差分处理，变为平稳时间序列，表示为

Y_{t}^{(d)} = {(1 - L)}^{d} Y_{t}

(4)

式中： $Y_{t}^{(d)}$ 是 $d$ 阶差分处理后的时间序列； $L$ 是滞后算子。

自回归部分表示当前时间点温度 $Y_{t}^{A R}$ 与历史时间点温度 $Y_{t - j} (j = 1,2, \dots, p)$ 之间的线性关系，其数学模型可以表示为

Y_{t}^{A R} = \sum_{j = 1}^{p} φ_{j} Y_{t - j} + e_{t}

(5)

式中： $φ_{j}$ 为自回归系数； $e_{t}$ 为当前时间点白噪声误差项。

滑动平均部分表示当前时间点温度 $Y_{t}^{M A}$ 与历史时间点白噪声误差项 $e_{t - k} (k = 1,2, \dots, q)$ 的线性组合，其数学模型可以表示为

Y_{t}^{M A} = \sum_{k = 1}^{q} θ_{k} e_{t - k} + e_{t}

(6)

式中 $θ_{k}$ 是滑动平均系数。

将式(5)、(6)相加，可推导出自回归移动平均模型 $A R M A (p, q)$ ，其表达式为

Y_{t} = λ + \sum_{j = 1}^{p} φ_{j} Y_{t - j} + \sum_{k = 1}^{q} θ_{k} e_{t - k} + e_{t}

(7)

式中 $λ$ 为常数。

$A R I M A (p, d, q)$ 模型与 $A R M A (p, q)$ 相比，多出差分部分，但 $A R I M A (p, d, q)$ 模型并非简单地将自回归、差分和滑动平均3部分直接相加。首先， $A R I M A (p, d, q)$ 模型对温度时间序列进行d阶差分处理，将原始的时序数据集转变成稳定的差分序列，从而减少序列中的趋势性或周期性成分，使模型更易于收敛。其次，调整 $A R I M A (p, d, q)$ 模型的阶数(包括自回归阶数 $p$ 和滑动平均阶数 $q$ )，通过观察自相关函数(autocorrelation function，ACF)和偏自相关函数(partial autocorrelation function，PACF)，找到最适合数据的模型阶数，确保模型能够充分捕捉数据的动态特征和周期性变化，从而提高模型的预测准确性。

3.2 SVM模型

首先，采用SVM模型的核函数将数据映射到高维特征空间，在特征空间中进行内积运算，以分析数据中的非线性关系。假设训练集为 $(x_{1}, y_{1}), (x_{2}, y_{2}), \dots, (x_{i}, y_{i})$ ， $x_{i}, y_{i} \in R$ ，其中 $x_{i}$ 为输入值， $y_{i}$ 为输出值，SVM的回归函数可表示为

f (x) = ω^{T} φ (x) + b

(8)

式中： $ω$ 为权重； $φ (x)$ 为映射函数； $b$ 为偏置项。

然后，采用最大间隔法得到优化问题：

\{\begin{matrix} m i n \frac{1}{2} {‖ω‖}^{2} + C \sum_{i = 1}^{n} ξ_{i}^{2} \\ s . t . y_{i} [ω^{T} φ (x) + b] \geq 1 - ξ_{i} \\ ξ_{i} \geq 0 \end{matrix}

(9)

式中： $C$ 是惩罚系数； $ξ_{i}$ 为非负的松弛因子。

最后，可得SVM回归估计函数，表示为

f (x) = \sum_{i = 1}^{m} a_{i} K (x, x_{i}) + b

(10)

式中： $m$ 为训练样本数量； $a_{i}$ 为训练过程中得到的权重系数； $x, x_{i}$ 为训练样本的输入特征； $K (x, x_{i})$ 为核函数。

为分析温度数据中复杂的非线性关系，采用径向基函数(radial basic function，RBF)核进行建模预测，表达式为

K (x, x_{i}) = e x p (- γ {‖x - x_{i}‖}^{2})

(11)

式中 $γ$ 为核函数参数。

3.3 ARIMA-SVM组合预测模型

将ARIMA和SVM相结合，构建温度预测模型，流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 组合预测模型流程图

Fig. 2 Flow chart of the combination forecasting model

假设温度时间序列 $Y_{t}$ 由线性自相关部分 $L_{t}$ 与非线性残差 $N_{t}$ 两部分组合而成，即 $Y_{t} = L_{t} + N_{t}$ ，ARIMA-SVM组合预测具体步骤如下：

1）利用ARIMA模型对线性部分建模，对温度时间序列进行差分操作，将时间序列转化为平稳时间序列；对平稳时间序列进行自相关函数和偏自相关函数的分析，以确定ARIMA模型的自回归和滑动平均阶数。

2）利用ARIMA模型拟合时间序列数据，生成线性自相关成分的预测结果 ${L_{t}}^{'}$ ，并利用线性预测结果来获取ARIMA模型的残差序列 ${N_{t}}^{'}$ ，其反映了序列中的非线性关系，表达式为

{N_{t}}^{'} = Y_{t} - {L_{t}}^{'}

(12)

3）对上一步得到的 ${N_{t}}^{'}$ 序列进行重构，得到SVM样本集， ${N_{t}}^{'}$ 包含数据的非线性关系与噪声，采用SVM模型处理非线性和噪声，对残差进行预测，得到预测结果 $N_{t} "$ 。

4）将线性预测得到的 ${L_{t}}^{'}$ 与非线性预测得到的 $N_{t} "$ 组合，得到预测结果 ${Y_{t}}^{'} = {L_{t}}^{'} + N_{t} "$ 。

5）利用测试集数据对预测模型进行校验，采用均方根误差、平均绝对误差评估模型的预测性能。若预测结果不理想，则尝试调整模型参数，包括ARIMA模型阶数、SVM核函数的参数等，重新训练预测模型，以改善模型性能。

4 基于灰色关联度的温度预警辅助决策

利用灰色关联度方法，可分析不同数据间相似程度，其值越大，表明数据的关联程度越高^[22]。首先，利用设备相对温差和温升构建设备温度数据集；然后，利用历史数据中的故障数据构建历史温度故障集(包含设备故障状态时的温度数据)；最后，计算温度数据集和故障集间灰色关联度，通过关联度的大小对设备运行状态进行分级。

4.1 变电设备温度预警分析

相对温差用于计算2个温度测点之间的温差与温升之间的比例关系，在计算相对温差时，需要确保2个温度测点的环境和设备基本情况相似，包括设备型号、安装地点、负荷信息以及表面绝缘材料等，相对温差的计算方法如下：

δ = \frac{T_{1} - T_{2}}{T_{1} - T_{0}} \times 100 % = \frac{Δ T_{1} - Δ T_{2}}{Δ T} \times 100 %

(13)

式中： $T_{1}$ 、 $T_{2}$ 分别为2个测量点的温度； $T_{0}$ 为环境温度； $Δ T_{1}$ 、 $Δ T_{2}$ 分别为2个测量点的设备温升； $Δ T$ 为变电设备相对环境温度的温升。

设备温升 $Δ T$ 的计算方式为 $a$ 时刻所测得设备温度 $T_{a}$ 减去该时刻的环境温度 $T_{a 0}$ ，且要求24 h内周围空气平均温度不允许超过35 ℃，可表示为

Δ T = T_{a} - T_{a 0}

(14)

4.2 基于灰色关联度的辅助决策方法

通过上述方法可以计算出设备的相对温差 $δ$ 和温升 $Δ T$ ，根据相对温差和温升构建设备的温度数据集 $Z_{h} = \{δ_{i}^{h}, Δ T_{l}^{h} | 1 \leq i \leq n, 1 \leq l \leq m\}$ ，其中 $δ_{i}^{h}$ 、 $Δ T_{l}^{h}$ 分别表示设备采集温度数据时的相对温差和对应的温升。同理，通过历史温度数据构建不同设备的历史温度故障集 $Z_{C} = \{δ_{i}^{c}, Δ T_{l}^{c} | 1 \leq i \leq n, 1 \leq l \leq m\}$ ，其中 $δ_{i}^{c}$ 、 $Δ T_{l}^{c}$ 分别表示设备故障时的相对温差和对应的温升。

对温度数据集和故障集进行归一化处理，之后利用灰色关联度方法计算温度数据集和故障集之间的关联度，计算方法如下：

R = \frac{{|δ_{i}^{c} - δ_{i}^{h}|}_{m i n} + ρ {|δ_{i}^{c} - δ_{i}^{h}|}_{m a x}}{|δ_{i}^{c} - δ_{i}^{h}| + ρ {|δ_{i}^{c} - δ_{i}^{h}|}_{m a x}}

(15)

式中 $ρ$ 为分辨系数。

通过R值可以反映数据间的关联程度，R值越大，数据间的关联程度越高，说明设备的相对温差和温升越接近于发生故障时的运行状态。因此，可以根据灰色关联度的大小对设备的运行状态进行判断，并提供辅助决策依据，同时可依据DL/T 664—2016《带电设备红外诊断应用规范》及电网公司设备缺陷管理办法采取进一步措施。

5 算例

采用百度公开数据集^[23]作为算例数据，即某220 kV变电站连续2个月每天24个采样点的主变压器油温数据。数据集包含了环境温度、负荷电流、油温1 464行3列数据样本数，属于时间序列数据。基于本文所提方法进行220 kV变压器上层油温态势感知，并对变压器箱体运行状态进行分析判断。

1）温度态势感知

按照本文所提方法使用phython编程并构建系统平台，对变压器油温实施预测，图3为未来3天(72 h)的油温数据。可以看出，变压器油温预测值与真实值变化趋势相同。通过计算，油温预测值与真实值的均方根误差为1.48 ℃，平均绝对误差为1.20 ℃，二者误差较小。变压器油温远低于85 ℃，根据DL/T 572—2021《电力变压器运行规程》可知，油温属于正常范围。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 油温预测图

Fig. 3 Oil temperature prediction chart

2）变压器箱体异常分析及缺陷判断

通过分析变压器油温与环境温度、电流的灰色关联度数据，识别影响油温的主要因素。图4为灰色关联度图，其中ID为变压器油温数据的序列号。由图4可知，变压器油温与环境温度的灰色关联度均值为0.870 1，变压器油温与电流的灰色关联度均值为0.631 4，由此可见，环境温度是影响变压器油温的主要因素。同时，分析变压器箱体相对温差，结果如图5所示，可以看出，在39、40、41、63、64、65、68 h，变压器箱体相对温差超过35%。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 灰色关联度图

Fig. 4 Grey correlation degree chart

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 变压器箱体相对温差图

Fig. 5 Relative temperature difference chart of transformer box

通过分析变压器箱体温度变化态势规律，能快速直观地判断变压器健康运行状态，依据DL/T 664—2016《带电设备红外诊断应用规范》及电网公司设备缺陷管理办法，可判断变压器箱体异常属于三类缺陷，即一般缺陷。基于该结果，应该加强巡视次数，同时可在设备停电检修时对设备实施进一步识别判断并处理。

6 结论

设计了变电设备温度态势感知及辅助决策系统框架，从感知层、理解层、预测层和辅助决策层4个方面论述了方案实施方法，并通过算例验证了方案的有效性，主要得到以下结论：

1）在对入库数据进行清洗时，可以利用KNN近邻和BP神经网络的方法来剔除异常值并补充缺失值，从而提升温度数据库的完整性，为温度预测提供准确的输入数据。

2）基于ARIMA与SVM结合的设备温度态势预测模型，可为未来温度变化趋势的精确分析以及智能辅助决策提供支撑，有效地预判变电设备的运行趋势，为制定设备的安全运行策略提供依据。

3）利用灰色关联度的方法可厘清设备温度数据集与历史故障集间的关联性关系，为设备运行辅助决策提供理论基础，并为设备运行管理提供参考依据。

4）在构建设备温度数据库过程中，由于变电设备存在多种复杂工况，需进一步研究复杂工况与温度数据之间的关联性，并改进异常值检测算法或数据处理方法，以实现对变电设备运行状态的高效准确感知。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

吴灏，许晓，彭紫楠，等．

基于电网云数据管理的电气设备大数据移动实验室及其应用研究

[J]．发电技术，2023，44(3)：417-424． doi:10.12096/j.2096-4528.pgt.22125