基于GBDT算法的變電器重過載精準預測研究

摘? 要：為了實現變電器穩定安全的運行，解決設備預警的時效性差、精準度低、故障后搶修成本高等問題，文章基于配電設備歷史運行數據和機器學習等相關知識，采用梯度提升樹（GBDT）算法，對設備重過載情況進行預測。研究結果表明，建立設備運行狀態智能感知模型和設備重過載預測模型，能夠精準預測設備重過載現象，優化設備檢修維護策略，降低設備檢修維護成本，可實現保障電網經濟運行的目的。

關鍵詞：變電器；重過載；GBDT算法

中圖分類號：TP39；TM715? ? 文獻標識碼：A? 文章編號：2096-4706（2023）07-0144-03

Abstract： In order to realize the stable and safe operation of the transformer and solve the problems of poor timeliness， low accuracy and high cost of emergency repair after failure of the equipment early warning， this paper uses the gradient lifting tree （GBDT） algorithm to predict the equipment overload based on the historical operation data of the distribution equipment and machine learning and other relevant knowledge. The research results show that the establishment of intelligent perception model of equipment operation status and equipment heavy overload prediction model can accurately predict the phenomenon of equipment heavy overload， optimize equipment maintenance strategies， reduce equipment maintenance costs， and can achieve the purpose of ensuring the economic operation of the power grid.

Keywords： transformer; heavy overload; GBDT algorithm

0? 引? 言

隨著科學技術的進步和人們生活水平的提高，我國的電力系統得到了極大的發展，在促進經濟發展和便利人民生活方面起到了至關重要的作用，但不容忽視的是，電力系統在實際運行過程中存在各種各樣的問題，其中，作為電網的核心組成部分，電力變電器在電網運行中發揮著無可替代的作用，其故障檢修和維護事關整個電力系統運行的安全穩定與高效。但是由于受到運行原理和自身構造的限制，電力變電器的重過載事故時有發生，對電力系統的安全運行造成嚴重威脅，需要進行有效的設備運行檢修和日常維護，及時發現并處理設備故障，保證輸電工作的正常運行。因此，根據變電器日常運行狀態大數據，有效分析與深度挖掘變電器運行狀態及重過載事故特征數據，提煉變電器日常運行狀態特征及狀態指標，以此構建變電器重過載精準預測模型，對保障電力系統的正常運行愈發重要。

本文以變電器設備的精準故障預測研究為基礎，基于現有配電設備歷史中的設備運行狀態數據積累和機器學習方法等大數據方面相關基礎理論知識，一方面深刻分析當前各類供電系統設備故障所存在的潛在問題成因，另一方面應用機器學習技術建立供電設備的重負荷過載故障預測分析模型，從而全面掌握電網設備日常運行檢修狀態，優化用電設備運行檢修的維護服務策略，提升主配電網用戶的穩定供電可靠率，降低電力設備檢修與維護成本，保障電網經濟運行。

1? 梯度提升決策樹（GBDT）算法

梯度提升決策樹（Gradient Boosting Decision Tree， GBDT）是一種決策樹的迭代算法。GBDT模型的應用范圍特別廣，是一個強有力的模型，可以同時應用于重歸、二分類和多歸類問題。它應用的是多方位遍布優化算法，作為弱學習者，第一次決策樹練習是給樹配方差。因而，第一輪的強學習者等同于前輪的強學習者和新的弱學習者。根據這些方法反復升級，可以不斷降低全部模型的偏差。

在GBDT的迭代中，假設我們前一輪迭代得到的強學習器為fm-1（X ），損失函數為L（ y，fm-1（X ）），本輪迭代的目標是找到一個弱學習器hm（X ），使損失L（ y，fm（X ））=L（ y，fm-1（X ）+hm（X ））最小。GBDT分類的損失函數一般為：

L（ y1，fm（Xi））=-（ yilog pi+（1-yi）log（1-pi））

其中：pi=1/（1+ ）表示預測概率值，xi表示第i個樣本特征，yi表示xi的觀測類別概率值。

GBDT算法具有以下優點：

1）相較于其他模型算法，GBDT算法具有在預測階段集上計算速度快，樹群之間的可并行化和計算簡單性。

2）由于采用決策樹模型作為最優弱的分類器而使得GBDT模型同樣也保持著較高可重復解釋的性能和較高的魯棒性。

3）數據不需要歸一化，特征的作用只是用來分裂結點，葉結點的值與特征值的大小無關，是否歸一化并不影響葉結點值的大小，也不影響梯度下降的進程。

2? 變電器重過載預測模型構建

2.1? 建模思路

針對變電器日常運行的狀態指標，基于AI技術分析變電器的基本數據（如出廠年限、投運年限等）、運行數據（如近一年運行數據、近幾月運行數據等）、設備運行智能感知數據等，尋找影響因素，對是否為重過載設備進行預測和分析，進而進行設備維護。建模思路如圖1所示。

2.2? 數據說明

本文提取變電器設備基本數據、運行數據，包括配變編號、運行年限、額定容量、是否為節假日、上個月重過載數據、上兩個月重過載數據、上三個月重過載數據、氣象數據、去年同期運行數據等特征，共32個自變量，是否為重過載設備設為因變量，每一個樣本為每一臺設備的相關信息，共146 590個樣本。設備重過載變量說明如表1所示。

2.3? 數據處理

首先對數據進行過濾，設立條件為將數據中數值為0的數據過濾掉。根據所設的條件完成行數據的過濾，滿足條件的記錄將被保留，不滿足條件的記錄將被過濾刪除。其次再對缺失值進行處理，這里我們將數值型屬性的缺失值用平均值填充，字符型屬性的缺失值用最多次數項填充：

1）對數據的重復值、缺失值和空格值進行處理，同時進行字段抽取、字段拆分和記錄抽取。由于數據集中包含許多會對預測結果產生誤差的值，因此在加工處理數據之前有必要對原始數據進行初步的清洗，刪除對研究無影響的數據內容。例如，對數據集中包含的缺失值進行加工處理，找到缺失值所在的行將其刪除得到最后所需的數據集。

2）一階特征組合。通過對現有特征數據的一階運算，得到新的一階特征數據。如利用數據日期和月份，計算出運行設備的正常運行天數，表達式為：

負載率（20_50）次數+負載率（50_80）次數

3）二階特征組合。在現有特征數據的基礎上進行二階特征組合，產生新特征。如在原始特征“重過載點數”的基礎上進行二階特征組合，得到“上個月重過載次數”“上兩個月重過載次數”“上三個月重過載次數”。

4）數據拆分是將原始樣本集按照2個（訓練集和測試集）或者3個（訓練集、測試集和驗證集）的方式，拆分為2或3的子集個數。拆分后各個子集的比例總和小于等于100%。數據拆分經常作為回歸或者分類算法節點的前置節點。重過載精準預測模型是將原始樣本拆分為2個數據集（訓練集和測試集），用60%的數據作為訓練集，進行建模，尋找影響因素和是否為重過載設備之間的關系模型；用40%的數據作為測試集，驗證該模型的準確率。

2.4? 模型建立

重過載精準預測模型是將設備基本信息（如投運年限、出廠年限等）、運行信息（如近一年運行數據、近幾月運行數據等）、設備運行智能感知數據等作為影響因素，通過數據處理，用60%的數據作為訓練集，用40%的數據作為測試集。通過梯度提升決策樹分類算法對訓練集進行建模，尋找影響因素和是否為重過載設備之間的數學模型，然后通過測試集來驗證該數學模型的準確率。如果誤差能夠控制在一定的范圍內，則認為該模型很好地反映了影響因素和是否為重過載設備之間的關系，可以用來進行預測和分析。本文采取的分析軟件為Tempodata機器學習平臺。

GBDT模型中重要參數信息配置如下：

迭代步長：設置每次迭代的步長，浮點型，取值范圍（0，1），取值為0.1。

決策樹個數：設置決策樹個數，整型，取值范圍[1，∞]，取值為20。

最大深度：樹的最大深度，整型，取值范圍[1，30]，取值為5。

最大份數：數值型屬性分割份數設置，整型，取值范圍[2，10 000]，取值為32。

收斂容差：設置終止樹生長的誤差界，浮點型，取值范圍[0，1），取值為0.01。

2.5? 模型評估

模型評估一方面能夠對模型的表現進行評估，另一方面能夠根據指定的評價指標進行模型比較，推薦出最佳模型。

經過特征指標重要度計算，得出判斷變電器是否重過載最重要的因素是上個月重載點數和溫度相關特征，其次是時間相關的變量。

檢測模型的準確度，以60%的數據作為訓練集，以40%的數據作為測試集。訓練集和測試集結果如表2、表3所示。

從整體正確率來看，訓練集平均正確率為95.89%，測試集平均正確率為95.58%。為了盡可能監測設備檢修工作，更希望預測設備是故障設備，因此分類準確率更為重要。通過對測試集上的混淆矩陣結果的分析，可以得到預測為0的準確率為96.06%，預測為1的準確率為90.71%，分類效果較好，預測精度較高。

模型的ROC曲線如圖2所示。

由ROC曲線可知，ROC曲線下面積AUC為0.959 2，接近于1，說明模型的診斷效能很好。

3? 變電器重過載預測模型應用效果

針對傳統設備檢修面臨的工作量大和檢修不及時等問題，基于歷史設備運行數據，建立設備狀態和重過載預測模型進行精準檢修管控，制定有針對性的檢修策略，并提供高概率重過載的設備清單，切實降低檢修人員的工作量，提高用電服務效率。歷經2個月的業務驗證，對200多臺設備進行精準維護，避免了3次大范圍停電，減少大約300多個檢修人天，驗證期間整體效果保持相對穩定。實際業務驗證效果同模型評價結果基本一致，符合模型的預期目標。

4? 結? 論

本文對設備歷史運行相關數據進行挖掘建模及應用，達到對設備進行精準管控的目的。通過對所建立模型的部署和應用，實現模型的工程化應用。基于設備重過載精準預測是將設備基本信息、運行信息作為影響因素，構建設備重過載精準預測模型，基于該模型，可以預測高概率發生重過載故障的潛在設備，為檢修人員提供精準設備清單，提升檢修維護效率，降低檢修成本，保障電網運行效率。

綜上所述，變電器的安全、穩定運行為我國的經濟建設提供了充足的動力，在配電變電器的運行和故障維護方面要給予高度的重視，因此，變電器運行故障處理中維護技術的應用也愈來愈重要，特別是要加強對變壓器重過載的實時監督與檢測。為保障電力系統的正常運行，供電企業要全方位地掌握設備的運行狀態，優化設備檢修維護策略，提升配電網的供電可靠率，降低設備檢修維護成本，保障電網經濟運行，提高人民生活質量，為我國的經濟建設保駕護航。

參考文獻：

[1] 倪益民，楊宇，樊陳，等.智能變電站二次設備集成方案討論 [J].電力系統自動化，2014，38（3）：194-199.

[2] 蔣益強.二次系統基礎上的狀態檢修技術在智能變電站中的實踐分析 [J].中國新技術新產品，2014（8）：2-3.

[3] 李方震.淺析電力系統變電運行中常見的故障類型及解決措施 [J].中國戰略新興產業，2017（12）：176+178.

[4] 高吉普，徐長寶，戴宇，等.智能變電站 IEEE1588 以太網交換機故障案例復現測試及分析 [J].電力系統保護與控制，2014，42（14）：146-150.

[5] 曹琪娜，張詩建.配電變壓器輕重過載治理方法探討 [J].大眾用電，2018，32（4）：25-26.

[6] 賀建章，王海波，季知祥，等.基于隨機森林理論的配電變壓器重過載預測 [J].電網技術，2017，41（8）：2593-2597.

作者簡介：李淑玲（1976.10—），女，漢族，河南鄭州人，副教授，碩士，主要研究方向：計算機應用、數據挖掘與分析、應用統計。