【技术】天洑数据建模实施案例集锦（5） - 变压器绕组温...

天洑软件

技术背景

随着工业系统对稳定性、精益性的要求越来越高，工业系统运行过程中采用的阈值报警、趋势报警等传统工业运维手段很难及时、准确的监测系统的异常状态。相比之下，基于机器学习的设备预警方法通过学习正常状态的参数变化规律，可以实现对异常状态更加灵敏的响应。

问题与挑战

1. 变压器作为变电站中最为核心的设备，其安全、可靠、经济运行将对整个电网产生至关重要的影响，一旦出现故障将带来大面积停电的严重后果；

2. 据历史的统计结果可知，变压器发生故障或者异常的主要原因是绝缘能力的下降，而绝缘能力下降大多由定子绕组温度异常导致的。

所以，对变压器绕组温度进行预警，可以及时监测绕组温度的异常，以减少变压器绝缘层因温度异常而发生的老化现象，保证变压器稳定的运行。

解决方案
      由于阈值报警等传统方法难以及时监测绕组温度的异常状态，本案例使用两种方法搭建绕组温度的预警模型：基于主成分分析（Principal Component Analysis）的异常数据降维重构的方法和基于高斯混合模型（Gaussian Mixture Model）的分层回归方法。

图1 绕组温度预警的解决方案

1. 对预警变量和特征变量进行样本完备性验证，保证训练样本的覆盖范围尽可能广，并剔除其中的异常数据；
2. 对训练样本进行相关性检测、时序特征分析和差分特征分析等特征工程，发掘深层次特征的同时剔除低相关度的特征；
3. 基于主成分分析的异常数据降维重构的方法对训练样本进行主成分分析，并使用主成分对测试样本进行降维并重构，以此检测异常样本；基于高斯混合模型的分层回归方法使用高斯混合回归在训练样本中选取“典型”数据并分类，再使用回归方法对每类数据分别建模；

       4. 在三类不同异常的数据集上进行的模型的验证，两种方法均可以精确、灵敏的识别异常数据，说明了本方案的有效性。



应用价值

绕组温度异常预警

相比于传统的异常报警方法，机器学习方法可以更加灵敏的感知到绕组温度出现异常的数据样本点，只需要设置传感器测量温度和预警模型估计温度的差值即可进行温度预警。

动态的温度预警带

由于基于机器学习的预警方法只需要设置与正常值的偏离程度（差值），所以它本质上建立了一个动态的温度预警带。相比于传统方法的静态预警带，基于机器学习的方法更加灵活可靠。      

相关案例

图2 某电厂温度预警系统

如对完整实施方案或相关软件感兴趣，可以联系我们或申请软件试用。