基于相关分析法的变压器信息聚合技术研究

潘晓明，张永生

(国网苏州供电公司，江苏 苏州 215004)



基于相关分析法的变压器信息聚合技术研究

潘晓明，张永生

(国网苏州供电公司，江苏 苏州 215004)

针对变压器监测数据指数级增长，却缺乏有效数据挖掘手段的现状，提出了变压器信息聚合架构。通过基于相关分析法的信息聚合技术，建立了变压器信息聚合与评估模型，并以变压器油中氢气与微水相关性分析为例，验证了方法的有效性。

信息聚合；在线监测；相关系数

随着电网向智能化方向发展，设备在线监测技术得到广泛应用，可以获得种类更多、内容更详细的海量数据，构成了电力大数据[1]。但是，目前还缺乏有效的数据挖掘手段，将数据转换为有用信息。信息聚合技术就是通过对电力大数据的分析和挖掘[2]，快速有效地提炼出电网运行所需的有用信息，并把各个信息孤岛汇集到全景信息模型，构成决策辅助信息系统，为电力系统安全稳定运行提供技术支持，使电力系统运行更高效、更智能化。

目前常用的信息聚合方法有：模糊综合评判、层次分析法、证据理论等，这些信息聚合方法各有优劣。相关分析法可以挖掘数据间的潜在关联性，从而打破各信息孤岛，综合评判系统运行状态。因此，将相关分析法应用于信息聚合技术具有重要意义。

1 变压器信息聚合架构

变压器信息聚合是将各类信息源的信息按照某种规则在多个层面重新组合，多角度综合分析，从中提取有用信息，通过决策辅助信息系统对有用信息进行处理，以评估监测目标的运行状态并提出应对策略。其基本结构体系如图1所示。

图1 变压器信息聚合基本结构体系

根据变压器数据信息流向，变压器信息聚合流程包含以下3个层次：

(1)数据层聚合

这一层是最基本、最简单的聚合。一般方法是将被监测对象的所有数据源，采样某种聚合方法进行计算，并从中提取特征量。例如，通过电压和电流信息，就可以直接计算出负载信息。由于在数据层聚合过程中，数据并未经过复杂的筛选和变换，计算过程也比较明确，所以数据层的聚合结果最接近实际，且信息量最大。但是，受限于模型和计算方法，在数据层中能综合分析的数据种类必须是同类型数据，或是具有相似物理概念或现象的，因此，数据层很难发现潜在的、未知的规律。对于不同类型、不同结构数据的信息聚合需要在特征层或决策层完成。

(2)特征层聚合

一般方法是先提取原始数据源的特征向量，再结合数据层中提取的初级聚合的特征量，进行关联分析和特征融合，得到可用于状态判断或模式识别的若干较大的特征向量。例如，变压器铁芯接地电流信息与变压器振动信息聚合能够得到变压器铁芯的健康状态信息。特征层的信息聚合可以实现多维度、多类型数据间的聚合，能够挖掘某些潜在规律，但由于计算方式的单一性，会一定程度上影响聚合结果的准确性[3]。

(3)决策层聚合

一般方法是将特征层提取的信息，结合历史信息、专家系统、运行经验等，按照决策目标，进行深入的聚合，生成决策向量，做出设备运行状态的评判并提出应对策略。

2 变压器信息聚合与评估模型

变压器运行状态评估所需要的数据具有多源、异构的特征，不但包括对变压器本体的在线监测数据，还包括变压器所处的环境气象信息、历史运行数据等[4]，这些多源数据分散在不同系统之中，未被有效整合。变压器信息可建立在由时间维度t、信息维度X1和应用维度X2形成的三维相关空间中，各信息相关性如图2所示。

图2 变压器多维信息时空相关性示意图

根据变压器信息关联性，将变压器在线监测信息、运行信息及环境信息等多源数据建立变压器信息聚合与评估模型，如图3所示。变压器信息聚合与评估模型将绝缘油中溶解气体、套管绝缘介损、局放、铁芯接地电流、环境温湿度、风冷系统、主变运行数据、故障录波数据等进行关联。当某一个状态量异常时，同时调用其它关联信息进行综合分析，为变压器状态评估提供多信息源诊断支持，提升诊断可信度，最终将变压器运行状态评估为正常运行、异常运行、预警、告警4个状态，并通过数据分析及历史数据比对得出解决方案。

3 相关分析法

相关分析法是通过计算相关系数来判断数据间关系的密切程度[5]。相关系数最常用的计算方法为积差法，即两个变量的协方差与两变量标准差的乘积之比，其计算公式为

(1)

图3 变压器信息聚合与评估模型

相关系数的取值范围是：-1≤r≤+1，正值表示正相关，负值表示负相关。相关系数与相关程度的关系如表1所示。

表1 相关系数与相关程度关系

4 基于相关分析法的变压器信息聚合实例

变压器绝缘油中H2含量是变压器受潮、过热故障、局部放电等事件表征量，选取H2含量进行研究具有一定的代表性。本文选取110 kV变压器某次受潮及过热故障前后，油中微水与H2的数据做相关性分析。

(1)变压器受潮前后一个月内，油中H2O与H2含量变化如图4所示。为了更清晰的显示它们之间的变化规律，把H2O与H2含量以双坐标轴表示，如图5所示。从图5中可以看出，在480个采样点(20天左右)附近，H2O与H2含量都有较大幅度的增长，随后，H2含量超过了规程规定的告警值150 μL/L。

图4 受潮前后油中H2O与H2含量的变化

图5 受潮前后油中H2O与H2含量的变化

(2)对以上原始数据每8个数据分为一组，进行H2O与H2相关性分析，得到H2O与H2之间的相关性变化情况，如图6所示。从图6中可以看出，从第58个数据点，H2O与H2之间的相关系数从0.1跃升到0.9左右，相关性从弱相关变为高度相关。结合实际情况分析，变压器受潮后，绝缘水平大幅下降，局部放电连续发生，生成大量的H2，从而使H2O与H2之间的相关系数增大。可见，H2含量剧增，同时H2O与H2之间相关系数由弱变强，则可能是变压器受潮造成的。

图6 H2O与H2之间的相关性变化情况

(3)该变压器经过除湿密封后，重新投运7个月左右时，发生一次过热故障。变压器过热前后油中H2O与H2含量的变化情况如图7所示。

图7 过热故障前后油中H2O与H2含量的变化

从图7可以看出，经过除湿处理后，H2O与H2都较之前有了明显的下降。在490个采样点(15天左右)，H2含量开始有了明显的增加，而H2O出现了少量的减少。

对H2O与H2含量做相关性分析，H2O与H2相关性变化情况如图8所示。

图8 H2O与H2之间的相关性变化情况

由图8可以看出，在发生过热故障之前，H2O与H2含量的相关系数稳定在0.3左右，属于微弱相关到弱相关的范围内。但当发生过热故障后，相关系数几乎为0，属于不相关或微弱相关范围。从变压器过热故障实际情况分析，在发生过热故障后，绝缘材料，尤其是固体绝缘材料中的纤维素，会受热劣化，释放一定量的小分子烃类和H2，而此时水含量基本不会变化。因此，H2含量增加，同时H2O与H2之间相关系数不变或变小，则可能是变压器过热造成的。

通过以上两个案例可知，单纯研究变压器油中H2含量，虽然能发现问题，但无法准确判断具体原因。通过相关分析法，将油中H2O与H2含量信息进行聚合，不仅可以发现问题，而且能够确定问题的原因，为消除异常或故障提供可靠技术支持。

5 结语

本文针对变压器运行特点，建立了变压器信息聚合架构及评估模型，通过实例证明了基于相关分析法的变压器信息聚合评估模型的可行性和有效性。将相关分析法应用到变压器其他参数，即可实现变压器的在线监测与预警并提出可信的诊断结果。将该信息聚合技术进一步应用到其他电力设备，可实现全部变电设备的运行状态评估及故障诊断，使电力系统运行更加智能化。

[1] 刘振亚.智能电网技术[M].北京: 中国电力出版社，2010.

[2] 李 娜，陈 晰，吴 帆，等. 面向智能电网的物联网信息聚合技术[J]．信息通信技术，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] 张金江，郭创新，曹一家，等. 变电站设备状态监测系统及其IEC模型协调[J]. 电力系统自动化，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，黄飞龙，杨丽君，等. 多信息量融合的电力变压器状态评估模型[J]. 高电压技术，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.

(本文编辑：严 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

潘晓明(1977)，男，高级工程师，从事变电检修管理工作。

TM74

B

2095-1256(2016)05-0544-04

2016-08-13