郑一鸣，孙 翔

（国网浙江省电力公司电力科学研究院，杭州 310014）

基于多源监测数据挖掘的电力设备状态诊断

郑一鸣，孙 翔

（国网浙江省电力公司电力科学研究院，杭州 310014）

随着设备状态检修及信息化建设的发展，输变电设备的状态评估和诊断成为电力系统安全稳定运行的关键技术。传统设备状态诊断多是基于离线检测参量或单一监测参量进行的，在此基础上提出一种基于多源监测数据的综合分析方法，提供了利用多源监测结果分析设备状态和缺陷的思路。利用该方法对一台带缺陷特高压高抗的多源监测数据进行时序及相关性分析，根据分析结果对设备的缺陷溯源。应用结果表明，该方法可应用于电力设备的缺陷诊断，并有效提高了诊断的准确性。

电力设备；在线监测；数据挖掘；数据清洗；时序分析；相关性分析；状态诊断

0 引言

随着我国经济的高速发展及其体量的不断增大，作为国民经济支柱的电力能源产业也在不断地创新与发展。特高压电网的大力建设使得越来越多高电压等级的输变电设备投入运行，电力系统的安全可靠运行面临着新的考验。变压器、高压电抗器（简称高抗）、断路器等大型设备作为电力系统中的重要设备，它们的安全运行影响着电网的稳定，因此这些电力设备的运行状态受到了广泛关注[1-2]。

由于电力设备朝着大容量和高电压等级的方向发展，单体设备停运造成的损失越来越大，因此除了常规的计划检修之外，实时关注电力设备运行状态的在线监测技术也应运而生。在线监测中广泛运用了电子技术、光纤技术、计算机计算、传感器技术和信息处理技术等新兴技术，与计划检修和离线检测相比，在线监测能够实时掌握设备监测参量的变化，及时发现异常，实现对设备状态的诊断[3-4]。

目前，设备状态诊断大多是针对单一监测参量进行的。然而，由于故障机理的复杂性、运行环境的多变性等导致基于单一监测参量的诊断结果存在一定的片面性和局限性，不利于对故障发展过程进行全面分析，更无法给出进一步的预测和建议[5]。在工程实际中，设备内部的缺陷通常会引起多个监测参量的异常变化，因此对多源监测参量进行综合分析，提升输变电设备状态诊断的准确性是设备状态评估诊断技术发展的新趋势[6]。

随着互联网技术的高速发展，大数据成为时代的新名词，也成为从当今社会高速膨胀的信息中提取有效信息的重要手段。作为支柱产业，电力行业也站在了时代的前沿。2013年，中国电机工程学会发表了《中国电力大数据发展白皮书》，为引入大数据挖掘手段揭开新篇章。电力设备在线监测数据的集成和共享，为将大数据挖掘技术引入设备状态诊断领域创造了条件，为基于多源监测参量的综合分析提供了基础。

本文针对电力设备状态诊断问题，结合数据挖掘技术，提出了一种基于多源监测数据的综合分析方法，并应用于在一台特高压高抗的缺陷诊断中。实践证明，本文提出的方法在工程上可行，具有重要的现实意义。

1 电力设备在线监测技术现状

我国开展电力设备在线监测已有十几年历史，目前在电力设备中广泛应用的在线监测手段主要有DGA（油中溶解气体）、PD（局部放电）、铁心电流等的监测，以及SF6气体压力、绕组变形、机械状态、介质损耗等的监测。其中，DGA是国内外学术界和工业界都公认的指示油浸式电力设备潜伏性故障的有效技术手段，尤其适用于发展过程比较漫长的过热性故障；PD是电气设备绝缘劣化的初始表现，PD监测是电气设备最为重要和有效的绝缘评估手段，在电气设备绝缘状态的诊断和评估中有着大量应用。

2 在线监测数据的清洗、挖掘和分析

为了综合利用多种在线监测平台的实测参量，提出了一种基于多源监测数据挖掘的电力设备状态诊断方法，具体流程如图1所示。

图1 基于多源监测数据挖掘的电力设备状态诊断流程

首先，从各在线监测平台获取监测数据。随后，根据现行的标准与规程，或检验监测数据的离群特性，检查监测数据中是否有超出规定值（正常值），对存在异常数值的监测参量进行进一步处理。最后根据分析的结果进行设备诊断，结合其他监测参量、离线检测手段和操作信息对设备缺陷进行溯源。

由于电力设备的状态信息存在多源性、信息异构性、数据冗余性等特点，其数据往往含噪且存在缺失，因此原始监测参量的数据不能直接用于诊断，而应先进行数据清洗[7-8]。数据清洗是电力设备状态评估数据预处理的一个关键步骤，有助于提高数据质量、数据利用率和处理效率。数据清洗通过填充缺失值、消噪来提高数据质量[9]。

由于不同监测参量的采样频率、物理含义、呈现形式都存在差异，在综合分析之前需要进行一致性处理，处理方法根据数据的特征具体选择。

综合分析的方法可以选择时序分析和相关分析，相关分析包括相关函数和相关系数。相关函数采用公式（1）计算：

式中：N为序列长度，相关函数Rxy（m）计算结果为一个序列，表征序列x和y在位移为m时的相关特性。

基于此，排除数据长度影响的无偏相关函数采用公式（2）计算：

相关系数是描述2个相关关系密切程度的参量，采用公式（3）计算，其结果表征序列x和y的相关程度。

在对多参量进行数据挖掘分析时，当研究某2个参量的相关程度时，需要将其他参量视作常数，即暂时不考虑其他参量的影响，仅单独研究2个要素之间相互关系的密切程度。此时需要引入偏相关系数，在分析参量x1和x2之间的净相关时，当控制了参量x3的线性作用后，x1和x2之间的一阶偏相关系数r12，3定义为：

式中：r12为序列1和序列2的相关系数，其他参量含义类推。

综合运用相关函数和相关系数，可以分析2个序列在时序上的相关性。

3 一起特高压高抗缺陷诊断实例

3.1 获取在线监测数据

以某台特高压高抗在某年8月17日至10月29日的监测数据为例，对其缺陷进行分析诊断。首先从电网生产管理系统的变电设备状态监测模块中获取该高抗的在线监测油色谱数据[10]（见图2），并从该台高抗的铁心、夹件高频局部放电在线监测系统中获取局部放电量数据。

该高抗由A柱和X柱构成，局部放电的测试位置为A柱和X柱的夹件（如图3所示），获取在线监测的局部放电数据示于图4。

图2 在线监测油色谱数据

图3 局部放电测试位置

图4 在线监测局部放电量数据

3.2 数据异常判断和数据清洗

油色谱数据包括H2，CO，CO2，CH4，C2H4，C2H2，C2H6和总烃含量。从图2中可以看出，各种油中溶解气体的含量随时间有不同程度的变化。通过对跟踪油样进行三比值分析，认为缺陷属于放电性质，且该高抗C2H2含量已严重超标，而H2和总烃并未超过注意值[11-12]。因此在进行数据判断与清洗时以C2H2数据为分析对象，在此过程中C2H2含量的变化如图5所示。可以看出，该高抗在8月C2H2含量均维持在2～3 μL/L，9月初C2H2含量出现突然上涨，从2.19 μL/L增长至9月28日的7.53 μL/L。

图5 在线监测油色谱（C2H2含量）及清洗后数据

由于测量误差和气体扩散过程的存在，C2H2的在线监测结果存在比较明显的振荡现象。由于测量误差服从正态分布，油循环导致的数据波动在较长采样时间段内，也呈现正态分布特性。因此，可采用自适应小波消噪方法对原始数据进行清洗处理[13]，得到消噪后的C2H2含量曲线，同样绘于图5。消噪后C2H2数据有效消除了振荡现象，且很好地保留了原始数据的变化趋势，清洗效果显著。

从图4局部放电在线监测数据可以看出，高抗A柱在这段时间内存在若干次比较明显的放电现象，主要集中在9月和10月下旬，与C2H2含量的增长特性一致；X柱在该时间段内没有明显放电，因此分析时主要针对A柱进行。

监测数据仍存在一些毛刺和噪声，采用Kmeans聚类方法选择阈值[14]，对在线监测局部放电数据进行清洗，清洗结果如图6（b）所示。可以看到，小幅值的放电信号噪声已被滤除。

图6 在线监测局部放电量数据

3.3 一致性处理

为了将清洗后的C2H2和局部放电数据进行对比分析，需要对参量进行一致性处理。油中C2H2含量是一个累积量，其增长率可以更为明确地反映油质的变化和缺陷的程度。因此，进行C2H2数据一致性处理时选取监测结果增长率，即对数据进行一阶差分，可以得到图7（a）的结果，局部放电数据见图7（b）。

从图7中可以发现，C2H2含量增长率（一阶差分）与局部放电量的变化具有相似规律，色谱中的C2H2增长明显与局部放电信号有关。

3.4 时序分析

进一步将C2H2增长率较大和出现明显局部放电的时间节点及相应的特征量列于表1中。

图7 C2H2含量一阶差分与局部放电数据比对

表1 C2H2含量及局部放电异常值对比

从表1可以发现，较大的油色谱增长率与明显的局部放电在时间上吻合度非常高。4组数据中，油色谱数据出现明显突变量的时间均晚于出现明显局部放电时间1～2天。

3.5 相关特性分析

C2H2含量数据和局部放电数据采集时间并不对应，无法直接用于相关特性分析，因此需进一步对数据进行时间轴的一致性处理，取2组数据的每日最大值，得到图8所示的数据形式。

根据式（2）计算图8中C2H2含量数据和局部放电数据的无偏互相关函数，得到结果如图9所示。可以看出，互相关函数在时间差为1天和2天时取最大，与时序分析吻合，该时延反映了C2H2在油中的扩散过程。

进一步根据式（3）计算2组数据的移位相关系数，结果如表2所示。可以看出，在移位天数为1天和2天时，相关系数达到最大，分别为0.713和0.766。可以认为C2H2含量的一阶差分与局部放电数据具有强相关性，且在时序上相差1～2天，C2H2的增长应由局部放电导致。

局部放电产生的原因通常是设备内部局部场强的增大，反映在设备的外部就有可能是短时的电压异常。查阅该时段内的操作信息和电压检测信息，发现该站在8月31日、9月21日和10月24日分别有线路操作和电压波动，与表1中的时间节点有非常好的对应，这很可能是引起电场强度异常的主要原因，并进而引发局部放电，最终导致油中溶解气体含量升高。

图8 C2H2含量一阶差分与局部放电数据每日最大值比对

图9 C2H2含量一阶差分与局部放电的互相关函数

表2 C2H2含量一阶差分与局部放电的移位相关系数

4 结论

针对电力设备的状态诊断问题，提出了一种基于多源监测数据的综合分析方法，并应用在特高压高抗的缺陷诊断中，得到以下结论：

（1）提出的基于多源监测数据的综合分析方法在特高压高抗的状态分析和缺陷诊断中得到了成功应用，监测数据的多源性有助于提高诊断结果的准确性。

（2）对监测参量所采用的数据清洗方法能有效滤除原始数据中的噪声信号，保留有效信号。

（3）对参量的一致性处理可以实现表征不同物理特性的监测参量的同质化，有利于不同监测参量之间的定性对比。对时间的一致性处理可以实现不同参量的时间轴一致化，有助于后续的相关分析和定量对比。

（4）采用时序分析和相关分析可以探究不同参量之间的相关特性。实践证明，油色谱差分数据与局部放电数据具有明显的相关性，在时序上局部放电的数据异常要先于油色谱异常1～2天。

综上所述，本文提出的基于数据挖掘技术的多源监测数据综合分析方法可应用于特高压电力设备的缺陷诊断，具有重要的工程实践意义。

[1]孙才新.输变电设备状态在线监测与诊断技术现状和前景[J].中国电力，2005，38（2）∶1-7.

[2]刘黎，何文林，刘岩，等.输变电设备状态在线监测与故障诊断系统分析软件设计[J].计算机系统应用，2011，20（8）∶27-32.

[3]郭碧红，杨晓洪.我国电力设备在线监测技术的开发应用状况分析[J].电网技术，2004，23（8）∶65-68.

[4]王德文，阎春雨.变电站在线监测系统的一体化建模与模型维护[J].电力系统自动化，2013，37（23）∶78-82.

[5]宁辽逸，吴文传，张伯明.运行风险评估中的变压器时变停运模型（一）基于运行工况的变压器内部潜伏性故障的故障率估计方法[J].电力系统自动化，2010，34（15）∶9-13.

[6]郭创新，高振兴，刘毅，等.采用分层多源信息融合的电网故障诊断方法[J].高电压技术，2010（12）∶2976-2983.

[7]严英杰，盛戈皞，陈玉峰，等.基于时间序列分析的输变电设备状态大数据清洗方法[J].电力系统自动化，2015，39（7）∶138-144.

[8]魏武雄．时间序列分析：单变量和多变量方法[M]．北京：中国人民大学出版社，2009.

[9]孙翔，何文林，邱炜，等.基于显著性差异的油浸倒置式电流互感器氢气阈值分析[J].浙江电力，2014，33（6）∶20-25.

[10]陈燕娜.生产管理系统在供电企业的应用探究[J].现代制造，2014，（27）∶163-164.

[11]DL/T 722-2014变压器油中溶解气体分析和判断导则[S].北京：中国电力出版社，2014.

[12]GB/Z 24846-2009 1 000 kV交流电气设备预防性试验规程[S].北京：中国电力出版社，2009.

[13]刘文艺，汤宝平，蒋永华.一种自适应小波消噪方法[J].振动、测试与诊断，2011，31（1）∶74-77.

[14]XIONG H，WU J，CHEN J.Kmeans clustering versus validation measures a data distribution perspective[C]//In KDD.2006∶318-331.

（本文编辑：方明霞）

State Diagnosis of Power Devices Based on Multi-source Monitoring Data Mining

ZHENG Yiming，SUN Xiang
（State Grid Zhejiang Electric Power Research Institute，Hangzhou 310014，China）

With the development of condition-based power device maintenance and information construction, state assessment and diagnosis of power devices in transmission and transformation systems have increasingly become the key technology to ensure operation safety and stability of the power system.The traditional state diagnosis of power devices is mostly based on offline monitoring parameters or single monitoring parameter.In this paper，a comprehensive analysis method is presented based on the mining of multi-source monitoring data and a new thought of device state and defect analysis using multi-source monitoring result is provided.This method is applied to analyze the time sequence and correlation of the multi-source monitoring data of a defective UHV reactor.According to the analysis results，the device defects are investigated.The application practice shows that the method can be applied to defect diagnosis of power devices and can effectively improve diagnostic accuracy.

power device；on-line monitoring；data mining；data cleaning；time sequence analysis；correlation analysis；state diagnosis

项目来源：浙江省电力公司科技项目（5211DS150026）

TM510.7

：B

：1007-1881（2016）05-0001-06

2016-02-01

郑一鸣（1987），男，博士，工程师，主要从事输变电设备状态评价和状态检修工作。