(12)發(fā)明專利專利權(quán)人華北電力大學(xué)(72)發(fā)明人相靜耿鵬云劉金朋安磊路妍李紅建齊霞王輝劉柏延王綿斌袁敬中張曉曼張妍劉宣張萌萌劉洋所有限公司11386彭錦淳潘月基于狀態(tài)評(píng)估與故障率修正的變壓器檢修本發(fā)明涉及一種基于狀態(tài)評(píng)估與故障率修特征量和健康評(píng)估區(qū)間構(gòu)建并訓(xùn)練多個(gè)神經(jīng)網(wǎng)的故障率曲線及基于個(gè)體差異和運(yùn)行狀態(tài)畫像基于特征量和健康評(píng)估區(qū)間構(gòu)建并訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)模型以獲取變壓器健康狀況的多個(gè)預(yù)測(cè)結(jié)果，將多個(gè)預(yù)測(cè)結(jié)果組合21.一種基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法，其特征在于，包括：采集變壓器故障數(shù)據(jù)并進(jìn)行預(yù)處理以獲取特征量，其中，所述特征量與油色譜數(shù)據(jù)、油試驗(yàn)數(shù)據(jù)和電氣試驗(yàn)數(shù)據(jù)相對(duì)應(yīng)；利用預(yù)處理后的歷史變壓器故障數(shù)據(jù)將變壓器故障數(shù)據(jù)類型劃分為初次劃分區(qū)間，然后基于所述初次劃分區(qū)間和設(shè)置參數(shù)將所述初次劃分區(qū)間二次劃分為健康評(píng)估區(qū)間；基于所述特征量和所述健康評(píng)估區(qū)間構(gòu)建并訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)模型以獲取變壓器健康狀況的多個(gè)預(yù)測(cè)結(jié)果，將所述多個(gè)預(yù)測(cè)結(jié)果組合起來(lái)以獲取最終預(yù)測(cè)區(qū)間類型；基于所述最終預(yù)測(cè)區(qū)間類型生成變壓器的故障率曲線，以及基于個(gè)體差異和運(yùn)行狀態(tài)畫像修正所述故障率曲線；基于修正后的故障率曲線以及最小成本與可靠性約束，構(gòu)建檢修策略決策模型以獲取最優(yōu)檢修時(shí)間，其中，利用預(yù)處理后的變壓器故障數(shù)據(jù)將變壓器故障數(shù)據(jù)類型劃分為初次劃分區(qū)間，然后基于所述初次劃分區(qū)間和設(shè)置參數(shù)將所述初次劃分區(qū)間二次劃分為健康評(píng)估區(qū)間進(jìn)一步包括：基于馬爾科夫鏈，利用預(yù)處理后的變壓器故障數(shù)據(jù)將變壓器劃分為初次劃分區(qū)間，所述初次劃分區(qū)間包括無(wú)故障區(qū)間[a?,b?]、輕微故障區(qū)間[a?,b?]和嚴(yán)重故障區(qū)間[a?,b?];將無(wú)故障與輕微故障之間的點(diǎn)設(shè)置為c?并將輕微故障與嚴(yán)重故障之間的點(diǎn)設(shè)置為c?,基于所述點(diǎn)c?和所述點(diǎn)c?設(shè)置無(wú)故障和輕微故障、輕微故障和嚴(yán)重故障的2個(gè)判斷模糊區(qū)域；通過以下公式計(jì)算所述模糊區(qū)域的長(zhǎng)度：基于所述模糊區(qū)域的長(zhǎng)度將所述模糊區(qū)域確定為[c?-L?,c?+L?],[c?-L?,c?+L?];基于所述模糊區(qū)域的長(zhǎng)度和所述模糊區(qū)域?qū)⒔】禒顟B(tài)區(qū)間二次劃分為健康評(píng)估區(qū)間，其中，所述健康評(píng)估區(qū)間包括無(wú)故障區(qū)間[a?,c?-L?]、有發(fā)生輕微故障可能區(qū)間[c?-L?,c?+L?]、發(fā)生輕微故障區(qū)間[c?+L?,c?-L?]、有發(fā)生嚴(yán)重故障可能區(qū)間[c?-L?,C?+L?]和發(fā)生嚴(yán)重故障可能區(qū)間[c?+L2?,b?];其中，基于所述最終預(yù)測(cè)區(qū)間類型生成變壓器的故障率曲線，以及基于個(gè)體差異和運(yùn)行狀態(tài)畫像修正所述故障率曲線進(jìn)一步包括：基于所述最終預(yù)測(cè)區(qū)間類型利用變壓器故障數(shù)據(jù)獲取各階段的形狀參數(shù)和尺度參數(shù)以基于所述形狀參數(shù)和尺度參數(shù)建立所述變壓器的故障率曲線；根據(jù)變壓器的實(shí)際運(yùn)行情況，對(duì)同一廠家生產(chǎn)的變壓器的故障率曲線進(jìn)行線性化修正以獲取考慮家族性缺陷后的修正故障率函數(shù)，然后基于考慮家族性缺陷后的修正故障率曲線獲取考慮個(gè)體缺陷后的修正故障率曲線；構(gòu)建運(yùn)行狀態(tài)畫像并基于所述運(yùn)行狀態(tài)畫像修正所述變壓器的故障率曲線以獲取考慮運(yùn)行畫像后的修正故障率曲線；其中，考慮家族性缺陷后的修正故障率曲線表示為：3變壓器中第i臺(tái)變壓器的運(yùn)行年限，n?為所統(tǒng)計(jì)的同類變壓器在運(yùn)行期間發(fā)生故障的總次2.根據(jù)權(quán)利要求1所述的基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法，其特征對(duì)所述變壓器故障數(shù)據(jù)進(jìn)行采集，所述變壓器故障數(shù)據(jù)包括在對(duì)數(shù)據(jù)異常情況進(jìn)行預(yù)處理，其中，所述預(yù)處理包括填補(bǔ)缺失3.根據(jù)權(quán)利要求2所述的基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法，其特征利用極差歸一化法和標(biāo)準(zhǔn)差歸一化法對(duì)所述原始指標(biāo)數(shù)據(jù)矩陣中的每個(gè)指標(biāo)數(shù)值進(jìn)4通過以下公式計(jì)算所述每個(gè)指標(biāo)值的比重：其中，p;表示第i個(gè)樣本的第j個(gè)指標(biāo)值的比重；通過以下熵值計(jì)算公式計(jì)算指標(biāo)熵值：基于各個(gè)指標(biāo)差異程度，利用以下公式計(jì)算各指標(biāo)冗余值：對(duì)所述各指標(biāo)冗余值從大至小進(jìn)行排序并選擇指標(biāo)冗余值最大的預(yù)定數(shù)量的指標(biāo)冗余值相對(duì)應(yīng)的評(píng)價(jià)指標(biāo)作為所述特征量。4.根據(jù)權(quán)利要求1所述的基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法，其特征在于，基于所述特征量和所述健康評(píng)估區(qū)間構(gòu)建并訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)模型以獲取變壓器健康狀況的多個(gè)預(yù)測(cè)結(jié)果，將所述多個(gè)預(yù)測(cè)結(jié)果組合起來(lái)以獲取最終預(yù)測(cè)區(qū)間類型進(jìn)一步包對(duì)所述特征量進(jìn)行歸一化處理：分別建立歸一化處理后的與所述油色譜數(shù)據(jù)、所述油試驗(yàn)數(shù)據(jù)和所述電氣試驗(yàn)數(shù)據(jù)相對(duì)應(yīng)的特征量的三個(gè)神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述三個(gè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，基于所述健康評(píng)估區(qū)間確定每個(gè)神經(jīng)網(wǎng)絡(luò)模型的輸出數(shù)量；利用訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)出變壓器的最終預(yù)測(cè)區(qū)間，其中，所述最終預(yù)測(cè)區(qū)間包括所述無(wú)故障區(qū)間、所述有發(fā)生輕微故障可能區(qū)間、所述發(fā)生輕微故障區(qū)間、所述有發(fā)生嚴(yán)重故障可能區(qū)間和所述發(fā)生嚴(yán)重故障可能區(qū)間。5.根據(jù)權(quán)利要求1所述的基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法，其特征在于，構(gòu)建運(yùn)行狀態(tài)畫像并基于所述運(yùn)行狀態(tài)畫像修正所述變壓器的故障率曲線以獲取以下修正后的故障率曲線進(jìn)一步包括：利用相關(guān)性分析和Laplace評(píng)分法進(jìn)行指標(biāo)客觀提取以選取與其他指標(biāo)關(guān)聯(lián)強(qiáng)度具有差異且Laplace評(píng)分最大的預(yù)定數(shù)量的指標(biāo)作為主特征指標(biāo)；基于所述主特征指標(biāo)生成指標(biāo)標(biāo)簽，所述指標(biāo)標(biāo)簽包括分別與區(qū)域?qū)傩?、自然屬性?基于所述指標(biāo)標(biāo)簽構(gòu)建運(yùn)行狀態(tài)畫像，所述運(yùn)行狀態(tài)畫像包括所述區(qū)域?qū)傩?、所述自通過熵權(quán)法計(jì)算各屬性維度下的指標(biāo)標(biāo)簽權(quán)值，并基于所述指標(biāo)標(biāo)簽權(quán)值對(duì)所述指標(biāo)基于所述調(diào)整系數(shù)、所述變壓器的故障率曲線、所述考慮家族性缺陷后的修正故障率6.根據(jù)權(quán)利要求1所述的基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法，其特征中，所述同時(shí)檢修約束是指同時(shí)檢修變壓器的約束以避免變壓器檢修所導(dǎo)致的重復(fù)停電；7.一種基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策系統(tǒng)，其特征在于，用于實(shí)施權(quán)健康評(píng)估區(qū)間獲取模塊，用于利用預(yù)處理后的歷史變壓器故障數(shù)據(jù)將變壓器故障數(shù)據(jù)區(qū)間預(yù)測(cè)模塊，用于基于所述特征量和所述健康評(píng)估區(qū)間構(gòu)建并訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)模故障曲線生成模塊，用于基于所述最終預(yù)測(cè)區(qū)間類最優(yōu)檢修時(shí)間確定模塊，用于基于修正后的故障率曲線以及最小成本與可靠性約束，6基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法和系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及數(shù)據(jù)預(yù)處理與識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法和系統(tǒng)。背景技術(shù)[0002]首先，隨著能源結(jié)構(gòu)的調(diào)整和安全需求的增加，電網(wǎng)企業(yè)的資產(chǎn)規(guī)模和投資需求急劇上升。為了適應(yīng)這一變化，企業(yè)需要制定更為精細(xì)的投資策略，并考慮如何在電價(jià)管制下更有效地傳導(dǎo)投資和運(yùn)營(yíng)成本。[0003]在這樣的背景下，電網(wǎng)企業(yè)作為資產(chǎn)密集型企業(yè)，如何制定有效的設(shè)備檢修策略成為了業(yè)內(nèi)的關(guān)注焦點(diǎn)。傳統(tǒng)的檢修模式，無(wú)論是基于定期檢修還是基于狀態(tài)評(píng)價(jià)，主要關(guān)注設(shè)備的整體狀況。但在資源有限的情況下，這種整體性考量往往無(wú)法滿足所有設(shè)備的運(yùn)維需求。[0004]實(shí)際上，即使設(shè)備處于相同的健康狀態(tài)，其在電網(wǎng)中的位置、所服務(wù)負(fù)荷的重要性和可靠性需求也會(huì)有所不同，這就意味著檢修資源需求和優(yōu)先級(jí)也是不同的。為了更高效地利用資源，需要綜合考慮設(shè)備的健康狀況、電網(wǎng)的拓?fù)浣Y(jié)構(gòu)以及設(shè)備故障可能導(dǎo)致的停電損失等因素。針對(duì)不同的設(shè)備制定出差異化的檢修方案。隨著能源和電力市場(chǎng)的快速發(fā)展，電網(wǎng)企業(yè)需要不斷創(chuàng)新和優(yōu)化其設(shè)備運(yùn)維策略，以適應(yīng)新的市場(chǎng)環(huán)境和運(yùn)營(yíng)需求。發(fā)明內(nèi)容[0005]鑒于上述的分析，本發(fā)明實(shí)施例旨在提供一種基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法和系統(tǒng)，用以解決如何提高檢修決策精準(zhǔn)度問題。[0006]一方面，本發(fā)明實(shí)施例提供了一種基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策量與油色譜數(shù)據(jù)、油試驗(yàn)數(shù)據(jù)和電氣試驗(yàn)數(shù)據(jù)相對(duì)應(yīng)；利用預(yù)處理后的歷史變壓器故障數(shù)據(jù)將變壓器故障數(shù)據(jù)類型劃分為初次劃分區(qū)間，然后基于所述初次劃分區(qū)間和設(shè)置參數(shù)將所述初次劃分區(qū)間二次劃分為健康評(píng)估區(qū)間；基于所述特征量和所述健康評(píng)估區(qū)間構(gòu)建并訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)模型以獲取變壓器健康狀況的多個(gè)預(yù)測(cè)結(jié)果，將所述多個(gè)預(yù)測(cè)結(jié)果組合起來(lái)以獲取最終預(yù)測(cè)區(qū)間類型；基于所述最終預(yù)測(cè)區(qū)間類型生成變壓器的故障率曲線，以及基于個(gè)體差異和運(yùn)行狀態(tài)畫像修正所述故障率曲線；基于修正后的故障率曲線以及最小成本與可靠性約束，構(gòu)建檢修策略決策模型以獲取最優(yōu)檢修時(shí)間。[0007]基于上述方法的進(jìn)一步改進(jìn)，采集變壓器故障數(shù)據(jù)并進(jìn)行預(yù)處理以獲取特征量包括：對(duì)所述變壓器故障數(shù)據(jù)進(jìn)行采集，所述變壓器故障數(shù)據(jù)包括在所述變壓器發(fā)生故障情況下的故障數(shù)據(jù)及其相應(yīng)的變壓器狀態(tài)數(shù)據(jù)、外部環(huán)境數(shù)據(jù)；對(duì)數(shù)據(jù)異常情況進(jìn)行預(yù)處理，其中，所述預(yù)處理包括填補(bǔ)缺失數(shù)據(jù)并去除異常值和重復(fù)值；通過熵權(quán)法從預(yù)處理后的變壓器故障數(shù)據(jù)中去除冗余的相關(guān)要素以獲取所述特征量。[0008]基于上述方法的進(jìn)一步改進(jìn)，通過熵權(quán)法從預(yù)處理后的變壓器故障數(shù)據(jù)中去除冗7余的相關(guān)要素以獲取所述特征量進(jìn)一步包括：利用所述變壓器故障數(shù)據(jù)中的m個(gè)待評(píng)價(jià)樣所述原始指標(biāo)數(shù)據(jù)矩陣中的每個(gè)指標(biāo)數(shù)值進(jìn)行歸一化處理；通過變壓器劃分為初次劃分區(qū)間，所述初次劃分區(qū)間包括無(wú)故障區(qū)間[a?,b?]、輕微故障區(qū)間[0023]基于所述模糊區(qū)域的長(zhǎng)度將所述模糊區(qū)域確定為[c?-[0024][c?-L?,c?+L?];基于所述模糊區(qū)域的長(zhǎng)度和所述模糊區(qū)域?qū)⑺鼋】禒顟B(tài)區(qū)間二故障可能區(qū)間[c?-L?,c?+L?]、發(fā)生輕微故障區(qū)間[c?+L?,c?-L?]、有發(fā)生嚴(yán)重故障可能區(qū)間8和最小值；分別建立歸一化處理后的與所述油色譜數(shù)據(jù)、所述測(cè)區(qū)間類型利用變壓器故障數(shù)據(jù)獲取各階段的形狀參數(shù)和尺度參數(shù)以基于所述形狀參數(shù)行狀態(tài)畫像并基于所述運(yùn)行狀態(tài)畫像修正所述變壓器的故障率曲線以獲取考慮運(yùn)行畫像家族性缺陷后的修正故障率函數(shù)，jc(t)為根據(jù)同類變壓器歷史數(shù)據(jù)擬合得到的故障率函9為同類變壓器中第i臺(tái)變壓器的運(yùn)行年限，n?為所統(tǒng)計(jì)的同類變壓器在運(yùn)行期間發(fā)生故障述變壓器的故障率曲線以獲取以下修正后的故障率曲線進(jìn)一步包括：利用相關(guān)性分析和Laplace評(píng)分法進(jìn)行指標(biāo)客觀提取以選取與其他指標(biāo)關(guān)聯(lián)強(qiáng)度具有差異且Laplace評(píng)分最正故障率曲線：所述電網(wǎng)安全約束是指通過潮流計(jì)算進(jìn)行安全檢驗(yàn)的約后的故障率曲線以及最小成本與可靠性約束，構(gòu)建檢修策略決策模型以獲取最優(yōu)檢修時(shí)[0039]與現(xiàn)有技術(shù)相比，本發(fā)明至少可實(shí)現(xiàn)如下有益效果之一：[0040]1、通過預(yù)處理可以減少錯(cuò)誤數(shù)據(jù)對(duì)分析結(jié)果的影響以提高數(shù)據(jù)可靠性，詳細(xì)的故障分類有助于更準(zhǔn)確地識(shí)別故障模式，為后續(xù)步驟提供準(zhǔn)確的信息以提高故障識(shí)別準(zhǔn)確性，時(shí)間序列分析可以提高對(duì)未來(lái)故障發(fā)生的預(yù)測(cè)準(zhǔn)確性。[0041]2、通過優(yōu)化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提供更準(zhǔn)確的健康狀態(tài)，多源信息融合可以提供更全面的設(shè)備狀態(tài)信息，有助于提高判斷的準(zhǔn)確性。增強(qiáng)模型自適應(yīng)性可以使其在面對(duì)新數(shù)據(jù)時(shí)保持較高的判斷準(zhǔn)確性。[0042]3、考慮更多影響因素可以提高故障率曲線的準(zhǔn)確性，動(dòng)態(tài)修正可以確保故障率曲線始終反映設(shè)備的最新狀態(tài)。不確定性分析有助于評(píng)估預(yù)測(cè)結(jié)果的風(fēng)險(xiǎn)和可靠性。[0043]4、成本-效益分析可以確保檢修策略在經(jīng)濟(jì)性和長(zhǎng)期效益上達(dá)到最優(yōu)，多目標(biāo)優(yōu)化可以幫助在多個(gè)目標(biāo)之間找到最佳平衡點(diǎn)。算法優(yōu)化可以提高檢修策略決策模型的求解效率和準(zhǔn)確性。[0044]本發(fā)明中，上述各技術(shù)方案之間還可以相互組合，以實(shí)現(xiàn)更多的優(yōu)選組合方案。本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分優(yōu)點(diǎn)可從說(shuō)明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過說(shuō)明書以及附圖中所特別指出的內(nèi)容中來(lái)實(shí)現(xiàn)和獲得。附圖說(shuō)明[0045]附圖僅用于示出具體實(shí)施例的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制，在整個(gè)附圖中，相同的參考符號(hào)表示相同的部件。[0046]圖1為根據(jù)本發(fā)明實(shí)施例的基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策方法的流程圖；[0047]圖2為根據(jù)本發(fā)明實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)圖；[0048]圖3為根據(jù)本發(fā)明實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型的工作流程圖；[0049]圖4為根據(jù)本發(fā)明實(shí)施例通過遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的流程圖；[0050]圖5為根據(jù)本發(fā)明實(shí)施例的基于狀態(tài)評(píng)估與故障率修正的變壓器檢修決策系統(tǒng)的框圖。具體實(shí)施方式[0051]下面結(jié)合附圖來(lái)具體描述本發(fā)明的優(yōu)選實(shí)施例，其中，附圖構(gòu)成與本發(fā)明的實(shí)施例一起用于闡釋本發(fā)明的原理，并非用于限定本發(fā)明的范圍。[0052]本發(fā)明的一個(gè)具體實(shí)施例，公開了一種基于狀態(tài)評(píng)估與故障率修正的變壓器檢修[0053]在步驟S101中，采集變壓器故障數(shù)據(jù)并進(jìn)行預(yù)處理以獲取特征量，其中，特征量與油色譜數(shù)據(jù)、油試驗(yàn)數(shù)據(jù)和電氣試驗(yàn)數(shù)據(jù)相對(duì)應(yīng)。[0054]采集變壓器故障數(shù)據(jù)并進(jìn)行預(yù)處理以獲取特征量包括：對(duì)變壓器故障數(shù)據(jù)進(jìn)行采集，變壓器故障數(shù)據(jù)(即原始數(shù)據(jù)集)包括在變壓器發(fā)生故障情況下的故障數(shù)據(jù)及其相應(yīng)的實(shí)時(shí)監(jiān)測(cè)，正常油溫范圍以及油溫異常升高可能預(yù)示的故障。負(fù)載情況：包括變壓器的負(fù)載率、三相負(fù)載平衡度等，反映變壓器的運(yùn)行狀態(tài)。油位：油位的高低直接關(guān)系到變壓器的散熱和絕緣性能。繞組溫度：通過繞組溫度傳感器監(jiān)測(cè)，溫度過高可能預(yù)示繞組故障。絕緣電器的散熱和性能有直接影響。濕度：高濕度可能導(dǎo)致變壓器絕緣性能下降。污染程度：如塵埃、鹽霧等污染物可能對(duì)變壓器的絕緣和散熱造成影響。風(fēng)速：影響變壓器的自然冷卻效器的使用壽命與其運(yùn)行狀態(tài)密切相關(guān)，使用年限過長(zhǎng)的設(shè)備可能更容易出現(xiàn)故障。運(yùn)行日[0056]對(duì)數(shù)據(jù)異常情況進(jìn)行預(yù)處理，其中，預(yù)處理包括填補(bǔ)缺失數(shù)據(jù)并去除異常值和重復(fù)值。一是結(jié)合相關(guān)實(shí)際要求構(gòu)建數(shù)據(jù)缺失值、異常值處理模型；二是通過集成、變換手段針對(duì)數(shù)據(jù)開展合理有效的處理；三是針對(duì)缺失值處理采用基于重復(fù)模擬的缺失值處理法，從一個(gè)包含缺失值的數(shù)據(jù)集中生成一組完整的數(shù)據(jù)集。每個(gè)數(shù)據(jù)集中的缺失數(shù)據(jù)用蒙特卡洛方法來(lái)填補(bǔ)。[0057]缺失值處理：利用變量均值向量和方差-協(xié)方差陣作為先驗(yàn)信息，構(gòu)建馬爾科夫鏈，保證其元素的分布可以收斂到一個(gè)平穩(wěn)分布，通過抽樣反復(fù)模擬該馬爾科夫鏈，得到平穩(wěn)的后驗(yàn)分布，產(chǎn)生缺失數(shù)據(jù)的估計(jì)。其步驟可以整理為。[0058]接收連續(xù)的數(shù)據(jù)向量集(即原始數(shù)據(jù)集)Y。=[Y?,Y?,..…,Y。],其中第i數(shù)據(jù)向量[0059]根據(jù)第i項(xiàng)數(shù)據(jù)設(shè)定高斯模型，其中高斯模型的參數(shù)空間為θ,根據(jù)所述空間θ的估計(jì)值θ?計(jì)算缺失數(shù)據(jù)發(fā)生的概率p(Y?s|Y?,05),并根據(jù)當(dāng)前的完整數(shù)據(jù)與缺失數(shù)據(jù)估計(jì)值計(jì)算所述參數(shù)空間0的發(fā)生概率p(θ|YM,Y+),以及對(duì)高斯模型的參數(shù)空間θ的估計(jì)值進(jìn)行更新。直到得到的馬爾科夫鏈(Y,0),(Y,0")收斂時(shí)，估計(jì)所述的缺失數(shù)據(jù)。[0060]最終缺失數(shù)據(jù)計(jì)算公式為：[0063]針對(duì)異常值與重復(fù)值均采取刪除的方法，最終得到處理后的數(shù)據(jù)域集。根據(jù)經(jīng)驗(yàn)對(duì)故障類型進(jìn)行劃分(參考以下表1)。按故障情況劃分區(qū)間無(wú)高溫過熱類、低能放電類、高能放電類故障，如：鐵芯故障、電[0066]通過熵權(quán)法從預(yù)處理后的變壓器故障數(shù)據(jù)中去除冗余的相關(guān)要素以獲取特征量(參考以下表2)。熵值法的主要目的是對(duì)指標(biāo)體系進(jìn)行賦權(quán)。熵越大說(shuō)明系統(tǒng)越混亂，攜帶客觀賦權(quán)方法，借鑒了信息熵思想，通過計(jì)算指標(biāo)的信息熵，根據(jù)指標(biāo)的相對(duì)變化程度對(duì)系統(tǒng)整體的影響來(lái)決定指標(biāo)的權(quán)重，即根據(jù)各個(gè)指標(biāo)標(biāo)志值的差異程度來(lái)進(jìn)行賦權(quán)，從而得出各個(gè)指標(biāo)相應(yīng)的權(quán)重，相對(duì)變化程度大的指標(biāo)具有較大的權(quán)重。特征量類別油色譜數(shù)據(jù)H?體積分?jǐn)?shù)/(μL·L-1)C?H?體積分?jǐn)?shù)/(μL·L-)CO絕對(duì)產(chǎn)氣速率/(mL·d1)油化試驗(yàn)數(shù)據(jù)油中糠醛含量/(mgL-1電氣試驗(yàn)數(shù)據(jù)吸收比[0069]通過熵權(quán)法從預(yù)處理后的變壓器故障數(shù)據(jù)中去除冗余的相關(guān)要素以獲取特征量進(jìn)一步包括以下步驟。[0070]原始數(shù)據(jù)收集與整流：利用變壓器故障數(shù)據(jù)中的m個(gè)待評(píng)價(jià)樣本，n項(xiàng)指標(biāo)，形成以下原始指標(biāo)數(shù)據(jù)矩陣：[0072]其中，xi;表示第i個(gè)樣本的第j個(gè)指標(biāo)值。對(duì)于某項(xiàng)指標(biāo)X,,樣本的離散程度越大，則該指標(biāo)在綜合評(píng)價(jià)中所起的作用就越大。如果該指標(biāo)的標(biāo)志值全部相等，則表示該指標(biāo)在綜合評(píng)價(jià)中不起作用。[0073]數(shù)據(jù)處理：利用極差歸一化法和標(biāo)準(zhǔn)差歸一化法對(duì)原始指標(biāo)數(shù)據(jù)矩陣中的每個(gè)指標(biāo)數(shù)值進(jìn)行歸一化處理。為消除因量綱不同對(duì)評(píng)價(jià)結(jié)果的影響，需要對(duì)各項(xiàng)指標(biāo)進(jìn)行歸一化或者標(biāo)準(zhǔn)化處理。目前歸一化極差標(biāo)準(zhǔn)化法與Z-score標(biāo)準(zhǔn)化法。[0074]極差標(biāo)準(zhǔn)化：選取樣本數(shù)據(jù)的最大、最小值，對(duì)原數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，最終將所有數(shù)據(jù)映射到區(qū)間[0,1]內(nèi)。[0077]Z-score標(biāo)準(zhǔn)化法：當(dāng)遇到某個(gè)指標(biāo)的最大值和最小值未知的情況，或有超出取值范圍的離群數(shù)值時(shí)，極差標(biāo)準(zhǔn)化法就不再適用了，可以采用另一種數(shù)據(jù)標(biāo)準(zhǔn)化最常用的方[0081]其中，p表示第i個(gè)樣本的第j個(gè)指標(biāo)值的比重，基于此可構(gòu)建數(shù)據(jù)的比值矩陣如下所示：[0083]計(jì)算指標(biāo)熵值：通過以下熵值計(jì)算公式計(jì)算指標(biāo)[0085]其中，e表示第j個(gè)指標(biāo)值的指標(biāo)熵值；[0086]定義指標(biāo)冗余值：基于各個(gè)指標(biāo)差異程度，利用以下公式計(jì)算各指標(biāo)冗余值：[0089]對(duì)各指標(biāo)冗余值從大至小進(jìn)行排序并選擇指標(biāo)冗余值最大的預(yù)定數(shù)量的指標(biāo)冗余值相對(duì)應(yīng)的評(píng)價(jià)指標(biāo)作為特征量。結(jié)合熵權(quán)法計(jì)算結(jié)果，選取計(jì)算結(jié)果最大的40%作為后續(xù)的典型特征要素。[0090]H?、總和C?H?體積分?jǐn)?shù)是監(jiān)測(cè)障發(fā)生的重要特征量，H2是局部放電類型故障的典型代表氣體，最能夠反映有無(wú)發(fā)生局部放電故障，總烴作為故障相關(guān)的烴類氣體的總和，能夠反映過熱故障和放電故障有無(wú)發(fā)生；C?H?在反映放電故障方面具有非常明顯的作用：CO是絕緣紙分解的產(chǎn)物之一，能夠反映變壓器的絕緣老化情況，尤其是過熱故障情況。油化試驗(yàn)數(shù)據(jù)中糠醛含量也是絕緣分解產(chǎn)物之一，能夠反映變壓器的絕緣老化情況；油中微水含量是監(jiān)測(cè)絕緣受潮情況的重要參量，對(duì)絕緣受潮故障的識(shí)別具有重要意義；油擊穿電壓和醛含量、CO產(chǎn)氣速率類似，都能在一定程度上反映絕緣老化狀況；油介質(zhì)損耗能夠反映油的絕緣狀況。電氣試驗(yàn)數(shù)據(jù)中吸收比能夠反映絕緣受潮、絕緣擊穿或嚴(yán)重過熱老化的程度：鐵芯絕緣電陽(yáng)在判斷鐵芯相關(guān)故障如鐵芯接地時(shí)具有重要意義；繞組直流電阻差能夠反映熱故障，而繞組絕緣介損也能夠反映繞組的絕緣情況。微故障之間的點(diǎn)設(shè)置為c?并將輕微故障與嚴(yán)重故障之間的點(diǎn)設(shè)置為c?,基于點(diǎn)c?和點(diǎn)c?設(shè)[0093]L?=min{b?-a?,b?-a?}·k[0094]基于模糊區(qū)域的長(zhǎng)度將模糊區(qū)域確定為[c?-L?,c?+L?],[c?-L?,C?+L?];[0095]基于模糊區(qū)域的長(zhǎng)度和模糊區(qū)域?qū)⒔】禒顟B(tài)區(qū)間二次劃分為健康評(píng)估區(qū)間，其中，健康評(píng)估區(qū)間包括無(wú)故障區(qū)間[a?,c?-L?]、有發(fā)生輕微故障可能區(qū)間[c?-L?,c?+L?]、發(fā)生輕微故障區(qū)間[c?+L?,c?-L?]、有發(fā)生嚴(yán)重故障可能區(qū)間[c?-L?,Cc?+L?]和發(fā)生嚴(yán)重故障可[0097]設(shè)X表示隨機(jī)變量X在離散時(shí)間t時(shí)刻的取值。若該變量隨時(shí)間變化的轉(zhuǎn)移概率僅僅依賴于它的當(dāng)前取值，即[0098]P(Xt+1=s;|X?=s?,X?=s?,...,X=st)=P(Xt+1=s;|X=st);[0099]代表著狀態(tài)轉(zhuǎn)移概率只依賴于前一個(gè)狀態(tài)，則稱這個(gè)變量為馬爾科夫變量，其中So,S?,...,S,s;∈Ω為隨機(jī)變量X可能的狀態(tài)。這個(gè)性質(zhì)稱為馬爾科夫性質(zhì)，具有馬爾科夫性質(zhì)的隨機(jī)過程稱為馬爾科夫過程。馬爾科夫鏈指的是在一段時(shí)間內(nèi)隨機(jī)變量X的取值序列(X?,X?,...,X)。馬爾科夫鏈?zhǔn)峭ㄟ^對(duì)應(yīng)的轉(zhuǎn)移概率定義的，轉(zhuǎn)移概率指的是隨機(jī)變量從一個(gè)時(shí)刻到下一個(gè)時(shí)刻，從狀態(tài)s轉(zhuǎn)移到另一個(gè)狀態(tài)s;的概率，即：[0101]π表示隨機(jī)變量X在時(shí)刻t的取值為s的概率，則隨機(jī)變量X在時(shí)刻t+1的取值為s的概率為：有周期性又不可約則稱為各態(tài)遍歷的，各態(tài)遍歷的馬爾科夫過程無(wú)論初始值π如何取值，隨著轉(zhuǎn)移次數(shù)的增多，隨機(jī)變量的取值分布最終都會(huì)收斂到唯一的平穩(wěn)分布π建立變壓[0110]π(x?,y?)π(y?Ix?[0111]π(x,y2π(y?Ix?[0112]可知在x=x?這條直線上，用條件概率分布π(y|x)作為馬爾科夫鏈的狀[0118]將各劃分區(qū)間的數(shù)據(jù)按照特征量類別進(jìn)行吉布斯采樣，獲取各特征量的分布概人們又經(jīng)常稱之為鐘形曲線。[a2?,b?]、[a?,b?],無(wú)故障和輕微故障、輕微故障和嚴(yán)重故障的點(diǎn)為c?,C?。則設(shè)定無(wú)故障和輕微故障、輕微故障和嚴(yán)重故障的2個(gè)判斷模糊區(qū)為新的劃分區(qū)間，用于警示從無(wú)故障到輕微故障和輕微故障到嚴(yán)重故障。對(duì)應(yīng)的模糊區(qū)域的長(zhǎng)度L?,L?分別為：[0121]L?=min{b?-a?,b?-[0122]對(duì)應(yīng)的模糊區(qū)間為：[0124]對(duì)于其他參量也可以通過本方法在初次劃分的3個(gè)區(qū)間內(nèi)進(jìn)行抽樣確定概率分布的正態(tài)分布函數(shù)，然后通過設(shè)定參數(shù)實(shí)現(xiàn)區(qū)間二次劃分，將最終的區(qū)間劃分為5個(gè)。這種劃分區(qū)間方式可以實(shí)現(xiàn)故障預(yù)警功能，且區(qū)間劃分的邊界可根據(jù)實(shí)際數(shù)據(jù)集和需求進(jìn)行自適應(yīng)調(diào)整，處理后的區(qū)間參考以下表3。表3劃分區(qū)間編號(hào)區(qū)間值12發(fā)生輕微故障34發(fā)生嚴(yán)重故障可能5該步驟的改進(jìn)包括(1)數(shù)據(jù)清洗與預(yù)處理：引入更先進(jìn)的數(shù)據(jù)清洗技術(shù)，去除異常值、缺失值和重復(fù)值，提高數(shù)據(jù)質(zhì)量。(2)故障分類細(xì)化：對(duì)故障類型便更準(zhǔn)確地識(shí)別故障模式。(3)時(shí)間序列分析：利用時(shí)間序列分析技術(shù)，捕捉故障發(fā)生的趨勢(shì)和周期性。[0128]技術(shù)效果：(1)提高數(shù)據(jù)可靠性：數(shù)據(jù)清洗和預(yù)處理可以減少錯(cuò)誤數(shù)據(jù)對(duì)分析結(jié)果的影響。(2)故障識(shí)別準(zhǔn)確性：詳細(xì)的故障分類有助于更準(zhǔn)確地識(shí)別故障模式，為后續(xù)步驟提供準(zhǔn)確的信息。(3)預(yù)測(cè)準(zhǔn)確性：時(shí)間序列分析可以提高對(duì)未來(lái)故障發(fā)生的預(yù)測(cè)準(zhǔn)確性。[0129]在步驟S103中，基于特征量和健康評(píng)估區(qū)間構(gòu)建并訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)模型以獲取變壓器健康狀況的多個(gè)預(yù)測(cè)結(jié)果，將多個(gè)預(yù)測(cè)結(jié)果組合起來(lái)以獲取最終預(yù)測(cè)區(qū)間類型?；谔卣髁亢徒】翟u(píng)估區(qū)間構(gòu)建并訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)模型以獲取變壓器健康狀況的多個(gè)預(yù)測(cè)結(jié)果，將多個(gè)預(yù)測(cè)結(jié)果組合起來(lái)以獲取最終預(yù)測(cè)區(qū)間類型進(jìn)一步包括：[0130](1)針對(duì)故障相關(guān)要素進(jìn)行歸一化：對(duì)特征量進(jìn)行歸一化處理：和最小值。[0133](2)構(gòu)建多個(gè)神經(jīng)網(wǎng)絡(luò)模型：分別建立歸一化處理后的與油色譜數(shù)據(jù)、油試驗(yàn)數(shù)據(jù)和電氣試驗(yàn)數(shù)據(jù)相對(duì)應(yīng)的特征量的三個(gè)神經(jīng)網(wǎng)絡(luò)模型，對(duì)三個(gè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，基于健康評(píng)估區(qū)間確定每個(gè)神經(jīng)網(wǎng)絡(luò)模型的輸出數(shù)量；[0134]采用前饋神經(jīng)網(wǎng)絡(luò)方法，將多個(gè)深層神經(jīng)網(wǎng)絡(luò)作為子模型結(jié)合起來(lái)，最終輸出結(jié)3所示。為net;,輸出記為0,輸出層第k個(gè)節(jié)點(diǎn)的輸出為yk,則中間層第j個(gè)節(jié)點(diǎn)的輸入為：[0147]現(xiàn)在令輸出層的學(xué)習(xí)誤差：O=ef'(net);CN118536963B說(shuō)明書13/22頁(yè)[0153]因?yàn)槭乔箅[含層權(quán)值的變化。這時(shí)應(yīng)考慮上一層對(duì)它的作用，故有：[0161]令隱含層的學(xué)習(xí)誤差：[0163]然后通過遺傳算法對(duì)模型進(jìn)行優(yōu)化(參考圖4)。[0164]利用訓(xùn)練完成的多個(gè)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)出變壓器的最終預(yù)測(cè)區(qū)間，其中，最終預(yù)測(cè)區(qū)間包括無(wú)故障區(qū)間、有發(fā)生輕微故障可能區(qū)間、發(fā)生輕微故障區(qū)間、有發(fā)生嚴(yán)重故障可能區(qū)間和發(fā)生嚴(yán)重故障可能區(qū)間。[0165]建立組合模型：將模型1到模型3的所有預(yù)測(cè)結(jié)果結(jié)合起來(lái)，得到最終預(yù)測(cè)的狀態(tài)類型。其規(guī)則如下：在模型1到模型3的預(yù)測(cè)結(jié)果中，出現(xiàn)次數(shù)最多的劃分區(qū)間是最終預(yù)測(cè)區(qū)差異和運(yùn)行狀態(tài)畫像修正故障率曲線。基于最終預(yù)測(cè)區(qū)間類型生成變壓器的故障率曲線，設(shè)備的統(tǒng)計(jì)數(shù)據(jù)，對(duì)基礎(chǔ)故障率曲線進(jìn)行修正，從而反家族性缺陷后的修正故障率函數(shù)，jc(t)為根據(jù)同類變壓器歷史數(shù)據(jù)擬合得到的故障率函為同類變壓器中第i臺(tái)變壓器的運(yùn)行年限，n?為所統(tǒng)計(jì)的同類變壓器在運(yùn)行期間發(fā)生故障修正變壓器的故障率曲線以獲取以下修正后的故障率曲線進(jìn)一取與其他指標(biāo)關(guān)聯(lián)強(qiáng)度具有差異且Laplace評(píng)分最大的預(yù)定數(shù)量的指標(biāo)作為主特征指表示第r個(gè)特征的第i個(gè)樣本(i=1,2,…,m)。對(duì)每個(gè)特征分別構(gòu)建m×m的鄰接矩陣Z,Z中各[0196]其中，f=[fr,f??,…,f]。提供了便利。多維屬性模型標(biāo)簽(指標(biāo))區(qū)域?qū)傩怨╇娏繀^(qū)域面積地區(qū)生產(chǎn)總值自然屬性降雨量平均海拔運(yùn)行屬性重載率綜合線損率綜合電壓合格率供電可靠率設(shè)備運(yùn)行時(shí)間[0204]通過熵權(quán)法計(jì)算各屬性維度下的指標(biāo)標(biāo)簽權(quán)值，并基于指標(biāo)標(biāo)簽權(quán)值對(duì)指標(biāo)標(biāo)簽進(jìn)行加權(quán)處理和排序以獲得相應(yīng)的標(biāo)簽等級(jí)。[0205]綜上，通過建模分析，運(yùn)行狀態(tài)畫像最終同時(shí)擁有區(qū)域?qū)傩浴⒆匀粚傩?、運(yùn)行屬性三個(gè)維度的模型標(biāo)簽屬性，在模型標(biāo)簽的基礎(chǔ)上，引入熵權(quán)法，求取各屬性維度下模型標(biāo)簽權(quán)值，熵權(quán)法權(quán)值計(jì)算步驟如下：[0206]熵權(quán)法的計(jì)算步驟大致分為以下三步：1)判斷輸入的矩陣中是否存在負(fù)數(shù)，如果有則要重新標(biāo)準(zhǔn)化到非負(fù)區(qū)間。2)計(jì)算第j項(xiàng)指標(biāo)下第i個(gè)樣本所占的比重，并將其看作相對(duì)熵計(jì)算中用到的概率。3)計(jì)算每個(gè)指標(biāo)的信息熵，并計(jì)算信息效用值，并歸一化得到每個(gè)指標(biāo)的熵權(quán)。按照加權(quán)得分后的百分位排序得出相應(yīng)的標(biāo)簽等級(jí)(參考以下表5)。模型標(biāo)簽屬性級(jí)別分類區(qū)域?qū)傩苑诸惛咝枨?得分前低需求(得分后自然屬性分類高風(fēng)險(xiǎn)(得分前低風(fēng)險(xiǎn)(得分后運(yùn)行屬性分類高承載(得分前低承載(得分后[0211]Pearson簡(jiǎn)單相關(guān)調(diào)整系數(shù)g;基于調(diào)整系數(shù)、變壓器的故障率曲線、考慮家族性缺陷后的修正故障率曲線和策略決策模型以獲取最優(yōu)檢修時(shí)間?；谛拚蟮墓收下是€以及最小成本與可靠性約束，構(gòu)建檢修策略決策模型以得到最終的檢修時(shí)間計(jì)劃(基于修正后的故障率曲線以及對(duì)修資源約束是指檢修的變壓器總數(shù)不能超過檢修人員的檢修能力；以及電網(wǎng)安全約束是指修時(shí)的風(fēng)險(xiǎn)，配電變壓器檢修時(shí)，存在檢修風(fēng)險(xiǎn)0和故障風(fēng)險(xiǎn)0,減小故障風(fēng)險(xiǎn)必然會(huì)造成[0235]3)檢修資源約束。檢修資源約束是指檢修人員的數(shù)量，檢修技術(shù)能力等的約束。同時(shí)檢修的設(shè)備不能超越檢修人員的檢修能力。91,否則取0.M為每時(shí)段檢修設(shè)備個(gè)數(shù)上限。[0238]4)電網(wǎng)安全約束。設(shè)備檢修退出運(yùn)行，會(huì)導(dǎo)致潮流發(fā)生變化，可能會(huì)使得某些線路過載，節(jié)點(diǎn)電壓越限。因此必須通過潮流計(jì)算進(jìn)行安全檢驗(yàn)。別為節(jié)點(diǎn)q電壓和節(jié)點(diǎn)q電壓的上、下限值。[0242](4)求解：海洋捕食者算法是新型元啟發(fā)式優(yōu)化算法，通過模擬在海洋中適者生存的自然法則，各類海洋生物不斷轉(zhuǎn)換自身捕食者和獵物的身份，針對(duì)不同情形轉(zhuǎn)換覓食策[0243]海洋捕食者算法認(rèn)為，海洋捕食者的覓食策略在飛行和布朗游走之間變化，根據(jù)不同的場(chǎng)景在兩種策略之間進(jìn)行選擇，從而得出最優(yōu)捕食策略。[0244]首先對(duì)捕食者和獵物的位置初始化，以適應(yīng)度最優(yōu)的捕食者構(gòu)造精英矩陣，以均勻分布的獵物構(gòu)造獵物矩陣，分別如下式所示。[0245]根據(jù)不同的速度比，將MPA的優(yōu)化過程分為三個(gè)階段。[0246]階段1:勘測(cè)階段：這一階段也被稱為高速比階段，在這一階段，獵物的速度比捕食者快得多，捕食者采取靜止不動(dòng)的策略，獵物則進(jìn)行布朗運(yùn)動(dòng)。該階段往往發(fā)生在算法優(yōu)化迭代的初期，是對(duì)全局位置信息進(jìn)行一個(gè)勘測(cè)。該階段數(shù)學(xué)模型表述如下：P=P+P×R?S[0248]其中S為移動(dòng)步長(zhǎng)；R,為基于布朗游走正態(tài)分布的隨機(jī)向量；?為逐項(xiàng)乘法運(yùn)[0249]階段2:這一階段又稱為中速比階段，在這一階段，捕食者與獵物之間的速度相當(dāng)，捕食者和獵物都在尋找自己的獵物。該階段一般發(fā)生在算法迭代的中期，種群被分為兩個(gè)階段的數(shù)學(xué)模型表達(dá)式如下：[0252]階段3:開發(fā)階段：這一階段又稱為低俗比階段，在這一階段捕食者的速度大于獵物的速度，主要發(fā)生在算法迭代后期，捕食者采取Levy飛行策略，更加關(guān)注局部區(qū)域的開發(fā)工作。該階段的數(shù)學(xué)模型表達(dá)式如下：[0254]除此之外，算法還考慮了魚群聚集裝置和渦流效果等外界環(huán)境因素，改變捕食者的覓食策略以跳出局部極值，避免收斂早熟問題。其數(shù)學(xué)模型表達(dá)式如下：[0256]其中FADs為影響概率，一般取0.2;U為二進(jìn)制向量；r為[0,1]內(nèi)隨機(jī)數(shù)；r?、r?分別為獵物矩陣的隨機(jī)索引。最終根據(jù)求解得到最優(yōu)的檢修計(jì)劃。[0257]該步驟的改進(jìn)內(nèi)容包括：(1)成本-效益分析：除了考慮檢修成本外，還可以考慮檢修帶來(lái)的長(zhǎng)期效益，如減少故障停機(jī)時(shí)間、提高設(shè)備可靠性等。(2)多(如成本、可靠性、安全性等)納入優(yōu)化模型，尋優(yōu)化算法(如遺傳算法、模擬退火算法等)以提