基于相關分析法的變壓器信息聚合技術研究

潘曉明，張永生

(國網蘇州供電公司，江蘇 蘇州 215004)

?

基于相關分析法的變壓器信息聚合技術研究

潘曉明，張永生

(國網蘇州供電公司，江蘇 蘇州 215004)

針對變壓器監測數據指數級增長，卻缺乏有效數據挖掘手段的現狀，提出了變壓器信息聚合架構。通過基于相關分析法的信息聚合技術，建立了變壓器信息聚合與評估模型，并以變壓器油中氫氣與微水相關性分析為例，驗證了方法的有效性。

信息聚合；在線監測；相關系數

隨著電網向智能化方向發展，設備在線監測技術得到廣泛應用，可以獲得種類更多、內容更詳細的海量數據，構成了電力大數據[1]。但是，目前還缺乏有效的數據挖掘手段，將數據轉換為有用信息。信息聚合技術就是通過對電力大數據的分析和挖掘[2]，快速有效地提煉出電網運行所需的有用信息，并把各個信息孤島匯集到全景信息模型，構成決策輔助信息系統，為電力系統安全穩定運行提供技術支持，使電力系統運行更高效、更智能化。

目前常用的信息聚合方法有：模糊綜合評判、層次分析法、證據理論等，這些信息聚合方法各有優劣。相關分析法可以挖掘數據間的潛在關聯性，從而打破各信息孤島，綜合評判系統運行狀態。因此，將相關分析法應用于信息聚合技術具有重要意義。

1 變壓器信息聚合架構

變壓器信息聚合是將各類信息源的信息按照某種規則在多個層面重新組合，多角度綜合分析，從中提取有用信息，通過決策輔助信息系統對有用信息進行處理，以評估監測目標的運行狀態并提出應對策略。其基本結構體系如圖1所示。

圖1 變壓器信息聚合基本結構體系

根據變壓器數據信息流向，變壓器信息聚合流程包含以下3個層次：

(1)數據層聚合

這一層是最基本、最簡單的聚合。一般方法是將被監測對象的所有數據源，采樣某種聚合方法進行計算，并從中提取特征量。例如，通過電壓和電流信息，就可以直接計算出負載信息。由于在數據層聚合過程中，數據并未經過復雜的篩選和變換，計算過程也比較明確，所以數據層的聚合結果最接近實際，且信息量最大。但是，受限于模型和計算方法，在數據層中能綜合分析的數據種類必須是同類型數據，或是具有相似物理概念或現象的，因此，數據層很難發現潛在的、未知的規律。對于不同類型、不同結構數據的信息聚合需要在特征層或決策層完成。

(2)特征層聚合

一般方法是先提取原始數據源的特征向量，再結合數據層中提取的初級聚合的特征量，進行關聯分析和特征融合，得到可用于狀態判斷或模式識別的若干較大的特征向量。例如，變壓器鐵芯接地電流信息與變壓器振動信息聚合能夠得到變壓器鐵芯的健康狀態信息。特征層的信息聚合可以實現多維度、多類型數據間的聚合，能夠挖掘某些潛在規律，但由于計算方式的單一性，會一定程度上影響聚合結果的準確性[3]。

(3)決策層聚合

一般方法是將特征層提取的信息，結合歷史信息、專家系統、運行經驗等，按照決策目標，進行深入的聚合，生成決策向量，做出設備運行狀態的評判并提出應對策略。

2 變壓器信息聚合與評估模型

變壓器運行狀態評估所需要的數據具有多源、異構的特征，不但包括對變壓器本體的在線監測數據，還包括變壓器所處的環境氣象信息、歷史運行數據等[4]，這些多源數據分散在不同系統之中，未被有效整合。變壓器信息可建立在由時間維度t、信息維度X1和應用維度X2形成的三維相關空間中，各信息相關性如圖2所示。

圖2 變壓器多維信息時空相關性示意圖

根據變壓器信息關聯性，將變壓器在線監測信息、運行信息及環境信息等多源數據建立變壓器信息聚合與評估模型，如圖3所示。變壓器信息聚合與評估模型將絕緣油中溶解氣體、套管絕緣介損、局放、鐵芯接地電流、環境溫濕度、風冷系統、主變運行數據、故障錄波數據等進行關聯。當某一個狀態量異常時，同時調用其它關聯信息進行綜合分析，為變壓器狀態評估提供多信息源診斷支持，提升診斷可信度，最終將變壓器運行狀態評估為正常運行、異常運行、預警、告警4個狀態，并通過數據分析及歷史數據比對得出解決方案。

3 相關分析法

相關分析法是通過計算相關系數來判斷數據間關系的密切程度[5]。相關系數最常用的計算方法為積差法，即兩個變量的協方差與兩變量標準差的乘積之比，其計算公式為

(1)

圖3 變壓器信息聚合與評估模型

相關系數的取值范圍是：-1≤r≤+1，正值表示正相關，負值表示負相關。相關系數與相關程度的關系如表1所示。

表1 相關系數與相關程度關系

4 基于相關分析法的變壓器信息聚合實例

變壓器絕緣油中H2含量是變壓器受潮、過熱故障、局部放電等事件表征量，選取H2含量進行研究具有一定的代表性。本文選取110 kV變壓器某次受潮及過熱故障前后，油中微水與H2的數據做相關性分析。

(1)變壓器受潮前后一個月內，油中H2O與H2含量變化如圖4所示。為了更清晰的顯示它們之間的變化規律，把H2O與H2含量以雙坐標軸表示，如圖5所示。從圖5中可以看出，在480個采樣點(20天左右)附近，H2O與H2含量都有較大幅度的增長，隨后，H2含量超過了規程規定的告警值150 μL/L。

圖4 受潮前后油中H2O與H2含量的變化

圖5 受潮前后油中H2O與H2含量的變化

(2)對以上原始數據每8個數據分為一組，進行H2O與H2相關性分析，得到H2O與H2之間的相關性變化情況，如圖6所示。從圖6中可以看出，從第58個數據點，H2O與H2之間的相關系數從0.1躍升到0.9左右，相關性從弱相關變為高度相關。結合實際情況分析，變壓器受潮后，絕緣水平大幅下降，局部放電連續發生，生成大量的H2，從而使H2O與H2之間的相關系數增大。可見，H2含量劇增，同時H2O與H2之間相關系數由弱變強，則可能是變壓器受潮造成的。

圖6 H2O與H2之間的相關性變化情況

(3)該變壓器經過除濕密封后，重新投運7個月左右時，發生一次過熱故障。變壓器過熱前后油中H2O與H2含量的變化情況如圖7所示。

圖7 過熱故障前后油中H2O與H2含量的變化

從圖7可以看出，經過除濕處理后，H2O與H2都較之前有了明顯的下降。在490個采樣點(15天左右)，H2含量開始有了明顯的增加，而H2O出現了少量的減少。

對H2O與H2含量做相關性分析，H2O與H2相關性變化情況如圖8所示。

圖8 H2O與H2之間的相關性變化情況

由圖8可以看出，在發生過熱故障之前，H2O與H2含量的相關系數穩定在0.3左右，屬于微弱相關到弱相關的范圍內。但當發生過熱故障后，相關系數幾乎為0，屬于不相關或微弱相關范圍。從變壓器過熱故障實際情況分析，在發生過熱故障后，絕緣材料，尤其是固體絕緣材料中的纖維素，會受熱劣化，釋放一定量的小分子烴類和H2，而此時水含量基本不會變化。因此，H2含量增加，同時H2O與H2之間相關系數不變或變小，則可能是變壓器過熱造成的。

通過以上兩個案例可知，單純研究變壓器油中H2含量，雖然能發現問題，但無法準確判斷具體原因。通過相關分析法，將油中H2O與H2含量信息進行聚合，不僅可以發現問題，而且能夠確定問題的原因，為消除異常或故障提供可靠技術支持。

5 結語

本文針對變壓器運行特點，建立了變壓器信息聚合架構及評估模型，通過實例證明了基于相關分析法的變壓器信息聚合評估模型的可行性和有效性。將相關分析法應用到變壓器其他參數，即可實現變壓器的在線監測與預警并提出可信的診斷結果。將該信息聚合技術進一步應用到其他電力設備，可實現全部變電設備的運行狀態評估及故障診斷，使電力系統運行更加智能化。

[1] 劉振亞.智能電網技術[M].北京: 中國電力出版社，2010.

[2] 李 娜，陳 晰，吳 帆，等. 面向智能電網的物聯網信息聚合技術[J]．信息通信技術，2010,4(2):21-28.

LI Na, Chen Xi, Wu Fan, et al. Study of information aggregation technology on the internet of things for smart grid[J]. Information and Communications Technologies,2010,4(2):21-28.

[3] 張金江，郭創新，曹一家，等. 變電站設備狀態監測系統及其IEC模型協調[J]. 電力系統自動化，2009，33(20)： 67-72.

ZHANG Jin-jiang, GUO Chuang-xin, CAO Yi-ji, et al. Substation equipment condition monitoring system and IEC model coordination[J]. Automation of Electric Power Systems,2009,33(20):67-72.

[4] 廖瑞金，黃飛龍，楊麗君，等. 多信息量融合的電力變壓器狀態評估模型[J]. 高電壓技術，2010，36(6)：1455-1460.

LIAO Rui-jin, HUANG Fei-long, YANG Li-jun, et al. Condition assessment of power transformer using information fusion[J]. High Voltage Engineering,2010,36(6):1455-1460.

[5] HARDOON D R, SZEDMAK S·TAYLOR S J . Canonical correlation analysis I An overview with application to learning methods[J] . Neuralomputation , 2004 , 16(12) : 2639-2664.

(本文編輯：嚴 加)

Transformer Information Aggregation Technology Based on Correlation Analysis

PAN Xiao-ming, ZHANG Yong-sheng

(Suzhou Power Supply Company, Suzhou 215004, China)

Considering the exponential growth of monitoring data of the transformer, but the lack of efficient data mining methods, this paper presents the transformer information aggregation architecture, establishes the information aggregation and assessment model based on correlation analysis. The method is proved effective through the correlation analysis of the hydrogen and water dissolved in transformer oil.

information aggregation; online monitoring; correlation coefficient

10.11973/dlyny201605003

潘曉明(1977)，男，高級工程師，從事變電檢修管理工作。

TM74

B

2095-1256(2016)05-0544-04

2016-08-13