电力变压器状态评估方法的应用及展望.pdf

智慧电力Smart Power2023第51卷第10期Vol.51No.10Power Grid Analysis&Study电网分析与研究0引言电力变压器（以下简称变压器）是电网的关键枢纽设备，在电力传输过程中有着不可替代的地位。状态评估是运用数据分析方法对变压器采集到的运行、试验等基础数据进行综合评价，判断其真实运行状态。由于变压器是一个复杂的多部件集成设备，需要同时考虑多方面影响因素才能保证状态评估工作的顺利开展和结果的科学与准确，因此，系统性分析变压器状态评估工作的开展显得尤为重要。前沿技术与电网的深度结合可提高电网电力与信息的双向交互、更新监测传感设备、保证状态数据的完备、完成智能化电网向数字电网的转变1。数据规模的不断扩大，为数据挖掘、人工智能等先进技术与变压器评估相结合提供了可靠的数据基础。由于传统数据分析模型在变压器状态评估的准确度、知识更新等方面呈现不足趋势，因此当前变压器状电力变压器状态评估方法的应用及展望邓雯瀚1，苗宇2，许逵3，熊炜1，袁旭峰1（1.贵州大学 电气工程学院，贵州 贵阳550025；2.贵州电网有限责任公司电力科学研究院，贵州 贵阳550025；3.贵州电网有限责任公司，贵州 贵阳550025）摘要：准确评估电力变压器运行状态并及时发现电力变压器潜在故障，对于电力系统稳定运行具有十分重要的意义。随着人工智能、数据挖掘等前沿技术与电网的深度结合，对现有电力变压器状态评估中关键技术和问题进行归纳和讨论，着重探讨了现阶段变压器状态评估指标体系建立、数据处理方法和状态评估方法应用，有助于后续设备管理智能化、数字化等科研工作的开展。最后，从数据体量与质量、数据增强、小样本非均衡样本处理方法、多维数据应用、多源信息融合几方面展望了未来值得继续深入研究的内容和方向。关键词：电力变压器；状态评估；数据预处理；特征量提取；评估方法中图分类号：TM411文献标志码：A文章编号：2096-4145（2023）10-0093-10Application and Prospect of Condition Assessment Method of PowerTransformerDENG Wenhan1，MIAO Yu2，XU Kui3，XIONG Wei1，YUAN Xufeng1（1.School of Electrical Engineering，Guizhou University，Guiyang 550025，China；2.Electric Power Research Institute of Guizhou Power Grid Co.，Ltd.，Guiyang 550025，China；3.Guizhou Power Supply Co.，Ltd.，Guiyang 550025，China）Abstract:The accurate assessment of power transformer operating status and the timely detection of the potential transformer faults areof great importance to the stable operation of power systems.Based on the in-depth combination of power grids and advanced techniqueslike artificial intelligence and data mining，the key technologies and problems in the existing condition assessment of the transformer aresummarized and discussed，focusing on exploring the establishment of index system for the transformer condition assessment，a dataprocessing method and the application of the condition assessment method at the current stage，which will help to carry out thesubsequent scientific research on the intelligentization and digitization of equipment management.Finally，from the aspect of datavolume and quality，data enhancement，the unbalanced sample processing methods of small sample，multidimensional data applicationand multi-source information fusion，the future content and directions deserving further research are pointed out.Key words:power transformers；condition assessment；data preprocessing；feature extraction；assessment method基金项目：国家自然科学基金资助项目（52067004）Project Supported by the National Natural Science Foundation of China（52067004）093Smart Power智慧电力2023第51卷第10期Vol.51No.10电网分析与研究Power Grid Analysis&Study态评估技术的发展趋势调整为：（1）构建以数据为核心的评估方法，最大化利用数据价值，减少传统预防性维护因时间间隔而无法监测到异常状态所带来的影响；（2）深度挖掘变压器当前状态与数据之间的联系，由经验驱动评估向数据驱动评估转换，以减少变压器“过修”、“欠修”状态而造成的人力与物力的资源浪费，进而延长设备运行寿命。综上所述，本文针对现有变压器状态评估中的关键技术和问题进行归纳和讨论。首先，通过分析变压器所受应力，归纳总结了变压器状态评估体系；其次，梳理和讨论了变压器状态评估数据来源及处理方法，总结分析了异常数据监测、数据清洗、数据补全、数据转换和关键特征量提取方面的研究成果，对比分析了不同数据分析方法在变压器状态评估领域的应用情况；最后，总结了变压器当前状态评估领域所面临的挑战，展望了未来值得继续深入研究的内容和方向。1变压器状态评估体系1.1变压器应力分析变压器是一个包含电路、磁路、绝缘、机械结构的复杂系统，在运行过程中会受到自身应力与外部应力的影响，导致变压器产生异常或故障2，影响变压器正常运行的主要应力如图 1 所示。图1影响变压器正常运行的主要应力Fig.1Main stress affecting normal operation of powertransformer由图 1 可知，在环境、网络、人为、热、电、机械等多个应力的影响下，变压器会出现运行异常状态并导致变压器故障。对应力进行分析发现，各影响因素具有强关联、影响因素异构、故障发生随机等特点，不能简单分析单个应力对设备的影响或不考虑外部应力而评价变压器所处状态。因此，需要对变压器建立合理的状态评估体系以评估变压器状态，同时也为状态检修策略的制定提供辅助决策。1.2状态评估体系变压器状态评估体系的建立以关键状态量为主，通过减少无关冗余特征影响，达到降低评估维度、杜绝维数灾难发生的效果。依据关键特征状态量来确定精简但不失精度的多层次综合评价体系是当前研究的重点。目前，状态评估体系可按部件3、故障类型、试验项目等进行划分。以部件划分为例，建立变压器状态评估体系如图 2 所示。图2变压器状态评估体系Fig.2Condition assessment system for transformer由图 2 可知，变压器由本体、套管、分接开关、冷却系统、非电量保护系统 5 个部位构成，针对各部位的状态评估均可独立进行，并可通过综合加权得到设备评价状态，其中本体和套管是重点分析对象。变压器状态评估体系是变压器当前运行状态与各状态量数值变化的间接反映，其建立受到专家主观因素与运行经验制约。针对抽取变压器与各状态量之间的直接联系，建立科学、准确的评估体系的研究还需要进一步开展工作。1.3状态划分现有研究成果表明变压器运行状态的划分有094智慧电力Smart Power2023第51卷第10期Vol.51No.10Power Grid Analysis&Study电网分析与研究等级划分与分数量化划分 2 种形式。等级划分通过正常、一般、注意、严重 4 个等级来表示变压器真实运行状态。分数量化划分通过现场各类测试数据、实验室数据、物理观察等测试结果综合计算具体数值，再通过数值的高低对变压器当前等级进行确定4，其表达形式为健康指数（Health Index，HI）。HI 指数是利用英国 EA 公司电力变压器健康预测公式所计算出来的结果，可将各测试结果具体、综合量化为数值，以数值 010 表示（分数越高，变压器所处状态越严重）。分析 HI 运行结果时，可从 HI指数为 46（即注意阶段）时开始加强监视，对 HI 指数为 6 及以上的运行结果采取相关处理措施。HI指数结果分析如表 1 所示。表1HI指数结果分析Table 1Result analysis of HI index区间划分健康亚健康注意异常严重HI得分02244668810结果分析参数正常，可靠性高正常运行，无明显异常运行状态出现异常趋势设备老化，开展检修维护严重老化，无法正常运行1.4状态评估流程变压器状态评估技术主要包括数据采集层、数据处理层、数据分析层、结果可视化层，其状态评估技术路线步骤如图 3 所示。图3变压器状态评估技术路线步骤Fig.3Diagram showing technical route for transformercondition evaluation由图 3 可知，数据采集层借助内、外部多种传感设备传输当前变压器自身属性数据、动态监测数据、准动态数据、外部数据来反映变压器的真实运行状态，需要清楚采集数据的采集间隔，以保证评估数据的合理性，该层是状态评估过程中的底层构建。数据处理层根据所收集数据的特点进行数据处理，对预处理后的数据进行特征提取操作，找出与变压器相关的状态量，该层是数据分析层的前提。数据分析层是状态评估过程中的核心层，在建立变压器状态评估体系的基础上，采用数据挖掘方法对变压器状态进行评估，目前所知的数据分析方法具有局限性，亟需研发新的数据分析方法以得到更合理、科学、准确的评估结果。结果可视化层是对状态评估结果的具体体现，可通过文字、数字、颜色等多种方式呈现评估结果。2变压器状态评估数据来源及处理变压器状态数据具有数量海量、数据类型广、异构性强、特征各异、关联度复杂等特点。数据来源种类包括与接入系统相关的电流值、气体分解物、空气含水量、实时环境温度与湿度、脉冲形状、局部放电幅值、油的介电损耗、糠醛值、外观整体是否受损、油位和油质记录值、极化指标、直流不平衡系数等，但以上状态数据均无法直接用于状态评估工作中，需要采用数据分析及数据处理方法来分析状态数据之间间接关联性的强弱来决定是否采用该数据。2.1变压器状态评估数据处理2.1.1异常数据监测变压器异常数据监测主要为在线监测模式，通过对比实时的正常数据与异常数据，可对变压器当前状态做出简单判断，同时也为后续状态评估的准确性提供依据。以变压器油色谱为例，传统基于阈值的方法很难区分变压器噪声数据与正常数据，为了找出正常数据、有效异常数据和抛弃无效异常数据，采取基于统计学、聚类、模型学习等方法对变压器油色谱气体进行异常数据监测。其中，统计学方法由于真实样本与实验样本分布不一致，导致在状态评估领域的使用率不高；聚类方法有 K 均值聚类算法（K-means Clustering Algorithm，K-means）、空间结构聚类算法、核平滑化方法（Kernel SmoothingMethods，KSM）、融合聚类算法、模糊 C 均值聚类算法（Fuzzy-C Means Algorithm，FCMA）等，当输入模型的维度过高或者硬件设备的计算能力不够会造成输出结果的时间过长或准确度不高等问题；模型学习方法有最小协方差行列式（Minimum CovarianceDeterminant，MCD）、隔离森林算法（Isolation Forest095Smart Power智慧电力2023第51卷第10期Vol.51No.10电网分析与研究Power Grid Analysis&StudyAlgorithm，IFA）等，该方法可自动学习数据中的隐藏信息并得出正常值与异常值，缺点在于需要较大规模的数据量作为支撑方可完成计算。2.1.2数据清洗由于传感装置短时失效、现场环境干扰、通信传输异常等监测系统不确定因素的存在，使得采集的原始数据无法避免地会存在部分噪声点和缺失值，需要采取缺失值填充、噪声平滑等处理措施，以剔除错误数据和修复缺失数据，保证状态数据的一致、有效与完整。目前有多种方法被应用于数据清洗中，文献5提出采用基于时间序列分析的双循环迭代检验法对变压器监测数据进行数据清洗，结果表明该方法具有一定的有效性。文献6将时间序列符号化后，应用具有噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applicationswith Noise，DBSCAN）监测序列数据，采用小波神经网络对监测到的异常数据进行自动清洗。文献7运用深度学习中的堆叠降噪自动编码器（StackedDenoising Auto Encoder，SDAE）方法来修复噪声点和缺失值，过滤干扰数据。2.1.3数据补全变压器在线监测数据中存在大量空白数据，数据缺失会破坏时间序列的连续性、改变数据特征与变化趋势，导致后续评估模型无法对变压器进行准确评价。为解决上述问题，需要采取数据补全方法对空白数据进行补全。传统的数据补全方法也称为传统插补法，包括均值填充法、人工填补法、回归填充法等，其共同的缺点是对变压器时间序列的波动性考虑不足且数据精度较低。为提高数据补全精度，文献8提出基于马尔科夫模型的变压器油中溶解气体数据补全方法，从数据挖掘的角度考虑油色谱数据缺失问题，对带有空值的油色谱数据采用正向与反向两方面挖掘数据的转移过程，并将此方法与均值插值法进行比较，结果表明该研究成果在数据特征不变的情况下具有较高参考价值和指导意义。2.1.4数据转换为实现数据归一化，需要将变压器状态评估体系中不同量纲的状态评估数据映射到同一尺度来进行数据转换，以避免大数据“吞掉”小数据造成分布偏差进而影响模型判断。常用的数据转换方法有归一化和标准化。运用最大最小值归一化（又称离差标准化）将状态评估数据进行无量纲处理，使状态评估数据结果映射到0，1区间，或对状态评估数据进行数据标准化处理，将原始状态评估数据转换成均值为 0、标准差为 1 的数据分布。2.2关键特征量提取变压器在收集数值类数据的同时还会收集图像、视频等非结构数据，使得数据的类型与体量大幅增加，数据的维度向高维发展。因此，对样本数据进行深度挖掘，找到评估对象与关键状态参量的隐含关系，实现特征降维是当下研究的重点。常用的关键特征量提取方法包括自变量降维、特征选择等9。1）自变量降维。通过数学变换，将原始的处于高维空间的数据转换到低维空间的子区间内，以减少特征属性个数。目前的主要做法有主成分分析法（Principal Components Analysis，PCA）及核主成分分析法，此类方法的缺点是会造成原始数据所携带的部分信息缺失，导致评估和故障诊断结果不准确。2）特征选择。通过在原始特征量中选择关键特征，在不改变原始数据集特征分布情况下使得到的特征子集尽可能小，识别目标的精度尽可能高10-12。目前的主要作法有随机森林法、关联准则法、粗糙集法、深度置信网络法，其中深度置信网络（Deep BeliefNetwork，DBN）可对特征气体进行训练后再对样本进行特征自动提取，其优点是通过逐层训练为整个网络赋予较好的初始权重，网络经过微调就可达到最优解，缺点是 DBN 网络状态量选择的可解释性较弱。3变压器状态评估方法3.1基于经验与导则的状态评估方法基于经验与导则的状态评估方法是根据在线数据、巡检结果和各类试验结果以扣分制对评估对象进行打分，通过分数高低来确定设备当前状态。该方法的优点是直观、简单、易操作，在变压器状态评估中有一定的应用，其缺点是：（1）采用扣分的打分制度容易造成多个相关状态量的结果冲突，导致对变压器当前状态误判；（2）多个状态量评估同时进行，工作量大且效率较低；（3）仅考虑设备自身部件状态，未采用外部数据对变压器状态进行综合分析。3.2基于熵权分析的状态评估方法3.2.1权重分析基于导则的评估方法认为特征量在各个评估体系中重要程度相等，为避免统一权重后无法突出状态量重要性的问题，研究人员提出采用不同特征量与不同权重相结合的评估方法。基于权重分析的状态评估方法分为主观权重与客观权重 2 类，以096智慧电力Smart Power2023第51卷第10期Vol.51No.10Power Grid Analysis&Study电网分析与研究层次分析法等主观权重分析为主，熵权法等客观权重为辅。使用单一权重分析会将评估过程中的某一状态量权重过度放大与缩小，导致评估准确性受到影响。因此需对单一权重进行改进，运用主客观综合赋权13、综合变权重14等方法对变压器进行准确的综合评价，为后续变压器绝缘的维护提供科学依据。研究表明引入权重能显示各指标量与评估目标的关联性，文献15引入合作博弈方法重新优化权重，通过博弈论更新优化组合权重，考虑了差异化评价后的评价结果也更加合理与精确。3.2.2健康指数随着电力设备的故障预测与健康管理方法的引入，HI 指数的应用频率逐渐增加，其将变压器状态评估结果具体量化为数值并转换为语言表达形式，使决策者更容易理解当前设备状态，由于复合HI 考虑状态量全面且有针对性，被认为是评估变压器整体情况最有效、最合理的方法。目前基于 HI的状态评估研究已取得一定成果，文献16构建了计及老化状态的三级综合 HI 评估模型，对变压器整体运行状态进行全面、真实评估，并将该模型应用于 330 kV 变压器，为变压器运行提供了大量有价值的指导信息。文献17提出基于马氏距离的变压器动态评估方法，该方法可及时预警变压器健康状态，解决评估边界界定模糊、参数和权重等数据的选择主观性较强等问题，实验表明该方法能准确识别当前变压器运行状态，为后续数字运维、健康管理提供可靠的决策依据。3.3基于不确定性推理的状态评估方法3.3.1贝叶斯网络贝叶斯网络是不确定知识的表示和推理领域中的有效模型，可通过给定合适样本数据建立网络拓扑来确定最终概率分布。由于其能发现大量变量之间的关系，是数据预测与分类的有力模型，因此将贝叶斯网络与变压器评估有机结合，并通过实例验证了该方法的正确与可行性18。文献19对反映变压器状态的多种数据类型进行分析，从油中溶解气体数值、油化学试验、电气试验方面选取合适特征量构建变压器状态评估体系，利用贝叶斯模型将各类时间下监测数据的贝叶斯网络进行综合分析并得到最终状态评估结果，仿真分析表明该方法可实现多指标维度、不同时间维度、时间冗余等不同情况下的综合状态评估。基于贝叶斯网络的评估方法理论较强且容易理解，但因其构成的前提是假设属性之间相互独立，与实际生产相桲，因此在变压器评估领域中少有应用。3.3.2模糊理论模糊理论以模糊逻辑来强调等级划分，把结果归一化为隶属度后再对结果进行分析，可增加状态评估数据弹性。文献20指出设备的故障受多种不确定因素影响，在研究中引入模糊数学理论，采用模糊综合评价对变压器运行状态进行定量和定性评估，实验表明该方法能取得较好的评估结果且可用于实际生产中。文献21运用层次分析法对各项实际指标建立评估体系，并引入变权思想对常权重进行细致优化，形成变权重进行变压器的模糊综合评价，使得评价方法更符合变压器的运行实际，用模糊综合评价代替导则评价，研究表明模糊理论可减少等级划分的边界影响并使结果更加合理。模糊理论评估流程如图 4 所示。图4模糊理论评估流程Fig.4Evaluation process of fuzzy theory变压器处于何种异常或者故障状态是由多种因素关联导致，且隶属函数也是专家人为选定的。模糊理论评估体系因其具有较强主观因素导致无法从客观角度对状态评估数据进行分析，也限制了其应用和推广。3.3.3云理论云理论在保留信息随机性与模糊性的同时，可简单、直观完成定性与定量关系之间的转换，在处理不确定问题上有自身的优势。云模型充分运用正态分布和正态隶属函数，可使用比模糊理论更为宽松的约束条件，拥有比隶属函数更强的适用性与描述不确定性问题的能力，因此可引入云模型对变压器进行状态评估。传统评估方法的状态等级划分过于绝对且未考虑等级边界处的随机性和模糊性，文献22通过将云理论与物元理论进行结合形成云物元模型，运用正态云代替物元中的参数来解097Smart Power智慧电力2023第51卷第10期Vol.51No.10电网分析与研究Power Grid Analysis&Study决多指标不相容、边界硬化等问题，实例分析表明基于云物元模型的变压器综合状态评估方法具有更高的准确性与适用性。3.3.4证据理论证据理论是不确定性推理方法中的一种，在确定变压器评估过程中的随机、模糊等不确定因素后，利用合成规则融合模糊评判的不确定结论得到评价结果，证据理论23（Dempster-Shafer，D-S）评估图如图 5 所示。图5D-S评估图Fig.5Evaluation process of D-S由图 5 可知，首先，利用项目层中的电气试验、油色谱数据、油绝缘试验所得 3 类数据组合形成输入样本，通过对样本进行无量纲运算后，利用数据内在关系推导出各个评价指标量的信息熵权，利用变异系数优化修正信息熵权得到组合权重；其次，运用输入样本计算出各指标量对应的隶属度，将组合权重和隶属度共同输入综合模糊评价矩阵中得到变压器综合状态评估数据；最后，利用 D-S 证据理论对数据进行组合得出变压器所处状态，实现整体全面评估。D-S 证据理论的缺点是证据组合相对复杂、推理过程的可解释性较差、对建模与定义要求较高、需要大量的专家知识与经验，因此采用 D-S 证据理论需要综合考虑上述多方面因素可能会造成的问题。3.3.5集对分析集对分析（Set Pair Analysis，SPA）理论是一种处理不确定性问题的新数学理论和系统分析方法。目前，针对集对分析在变压器状态评估方面的应用已经取得一定研究成果24，集对分析评估图如图 6 所示。由图 6 可知，首先，根据故障类型与故障特征之间的联系建立故障类型集合，通过对比计算关联准则的关联度与置信度得出故障类型和故障特征之间的常权重，引入变权思想优化常权重；然后，构建联系度表达式，通过差异度系数求出模糊同异反评价矩阵，确定变压器整体运行状态和各故障类型的联系数值；最后，根据等级区间划分来确定变压器整体运行状态。图6集对分析评估图Fig.6Evaluation process of set pair analysis3.4基于机器学习的状态评估方法随着人工智能在电力系统的推广和应用，机器学习在变压器状态评估中的应用日益增加，评估所采用的方法主要有决策树、支持向量机、灰色聚类和神经网络等 4 种。3.4.1决策树决策树是传统机器学习中常用的分类与回归方法，可实现知识的自我更新与优化，从侧面提高变压器状态评估的工作效率。将变压器状态评估看作等级分类问题，构建决策树评估步骤如图 7 所示。其中，分别代表不同样本，之间的实线代表样本之间的距离。图7决策树评估步骤Fig.7Evaluation procedure of decision tree由图 7 可知，变压器原始样本数据较少，需要通过合成少数类过采样技术（Synthetic MinorityOversampling Technique，SMOTE）合成少数类样本来扩充原始样本以形成新的数据集，将新样本集重新送入 C4.5 决策树模型中进行训练，模型可自动学习出适合的权重再送给分类器对训练与测试样本进行分类，所得分类结果就是最终的评估结果。3.4.2支持向量机支持向量机（Support Vector Machines，SVM）通098智慧电力Smart Power2023第51卷第10期Vol.51No.10Power Grid Analysis&Study电网分析与研究过搭建分类超平面度量不同类样本之间的距离来完成分类任务，智能算法的不断更新可帮助 SVM 更快的收敛与知识更新，目前研究多引入启发式智能算法对 SVM 参数进行寻优，以改善 SVM 对变压器状态评估的分类性能。文献25通过将改进粒子群（Improved Particle Swarm Optimization，IPSO）模型与SVM 相结合，利用参数寻优方法更新模型帮助 SVM更快收敛到全局最优值，改善 SVM 分类性能的同时也提高了变压器状态评估的准确性。3.4.3灰色聚类灰色聚类评估是利用灰色聚类评估模型对集合对象进行聚类的过程。按聚类对象划分，灰色聚类评估模型可分为灰色关联聚类和基于可能度函数的灰色聚类。灰色聚类是解决数据量少、不确定性信息问题多的实用方法，可分为灰色关联聚类与灰色白化权函数聚类 2 类。实际应用中通过引入正态云模型，将灰色白化权函数聚类模型改进成灰云模型，以弥补传统白化权函数无法兼顾随机性信息的缺点，并有效反映出评估等级信息的模糊性、灰性等。基于灰云模型的变压器状态评估流程不仅能确定变压器所处状态，还能找出导致该状态的具体原因。3.4.4神经网络人 工 神 经 网 络（Artificial Neural Networks，ANN）在电力系统中有着广泛应用，文献26提出一种基于自适应概率神经网络（Adaptive ProbabilisticNeural Networks，APNN）的变压器健康状态评估方法，首先将指标分为静态与动态 2 类，再分别采取不同的处理方式输入网络对变压器健康状况进行预测，最后通过与 BP 神经网络进行对比和实例验证说明该方法有较高实用价值。文献27采用自适应模糊神经网络（Adaptive Neuro Fuzzy InferenceSystem，ANFIS）对变压器进行状态评估，并与模糊神经网络（Fuzzy Inference System，FIS）进行对比发现 ANFIS 方法在简单输入的情况下也能保持较高的评估准确率，同时可对变压器进行持续监测和管理。3.5基于深度学习的状态评估方法深度学习是多层网络模型堆积的学习方法，通过模拟人脑认知学习过程，逐层抽象、迭代、更新模型，是一种新兴的人工智能技术。文献28使用组合深度神经网络（Combined Deep Neural Network，CDNN）模型对变压器溶解气体进行分析，通过多种学习模型进行对比验证了该方法的可行性，并强调了数据规范的重要性。文献29应用深度学习神经网络（Deep Learning Neural Network，DLNN）模型监测变压器的健康状况，得到深度学习评估示意图如图 8 所示。图8深度学习评估示意图Fig.8Schematic diagram of deep learning assessment由图 8 可知，首先，将原始样本进行归一化处理，形成归一化（无量纲）样本数据，运用回声状态网络（Echo State Network，ESN）生成新样本数据；然后，将归一化样本与新样本共同作为输入数据送入DLNN 中。采用改进深度残差收缩网络（ImprovedDeep Residual Shrinkage Network，IDRSN）和一维卷积神经网络（One-dimensional Convolutional NeuralNetwork，1DCNN）提取输入样本特征，IDRSN 提取显著特征，1DCNN 提取非显著特征；最后，通过合并层综合所提取到的 2 类特征输入归一化指数函数中进行概率输出得到最终变压器健康状态。3.6评估方法对比分析基于经验与导则的评估方法过于简单且准确率不高，因此不参与评估方法的参数对比。综合其余数据分析方法在变压器状态评估领域的应用情况，得到各类方法中重要参数优缺点对比如表 2 所示。研究人员可参考表 2 中各参数优缺点选择合适的分析方法。表2各类方法中重要参数优缺点对比Table 2Comparison of advantages and disadvantagesamong important parameters for each method参数样本依赖程度权重依赖程度样本规模复杂度实施成本准确率可解释性熵权分析低高少低高中等高不确定性推理低高少中等高中等高机器学习高低多低低高中等深度学习高低多高高好低099Smart Power智慧电力2023第51卷第10期Vol.51No.10电网分析与研究Power Grid Analysis&Study4挑战与展望4.1数据体量与质量从电网中获取数据后发现状态数据有如下 2 个问题：（1）数据体量问题。每 100 台状态监测装置每d 可产生 4.3 GB 数据，每 a 可产生 1.5 TB 数据，这个数据量还有不断扩大的趋势19；（2）数据质量问题。由于传感装置会受到环境、人为等因素的影响，使所采数据在采集、传输、存储各环节都有可能受到不同大小应力的影响，导致所采集数据出现负值、误差较大、大片缺失、重复或不变、非真实数值等情况。数据在传输过程中出现丢失问题是不可避免的，为最大限度降低这类问题，在数据的传输与存储过程中，须寻求新方法优化信息流方面的数据缺失问题。可通过减少数据的异常值和空白值、统一化和标准化管理不同系统的数据、提高交互机制等方法，最终打破管理系统之间的数据壁垒问题。4.2数据增强机器学习与深度学习往往需要大量的无噪声样本才能训练出泛化能力足够强的模型，然而实际生产中存在样本数量不足或者质量不高的情况，使模型无法达到拟合，因此需要对少量无噪声样本做数据增强来提高样本质量及模型的鲁棒性。数据增强可扩充数据集并减少模型过拟合的可能性，实现模型的快速学习与鲁棒学习30。目前，已有学者提出将深度学习应用在数据的扩充以合成新样本平衡数据集，该提议具有较强的前瞻性及可实现性，可深入研究并进行推广应用31。4.3小样本、非均衡样本处理方法通过各类传感装置采集到的变压器数据虽然在体量上呈现海量，但能精准体现变压器异常情况和故障的数据十分稀少。由于正常样本不断增加，故障数据与案例较为稀缺，长期累积后会形成数据极端不均衡现象，易形成小样本、非均衡样本的异常故障数据集，对需要大样本支撑的算法形成了限制，且模型的泛化能力不高，无法在实际工作中运用，因此，须在变压器状态评估领域中从方法上进行改进与创新，将最新的小样本、非均衡样本学习方法应用到变压器异常和故障数据集上，以提高变压器状态评估准确率与在线可靠性。4.4多维数据应用当前的评估方法以电气、试验、运行数据为主，未能充分考虑外部环境数据、各类天气影响、网络运行波动、巡视记录等多维数据类型。数据存储平台包括数值，文本（巡视记录）、图像（红外成像、外观检查等）、视频（操作记录、检修过程）等方式。在多维数据应用方面以图像为例，可通过将其运用在像素数据上以建立复杂模型来提取变压器的外观图与红外图特征，再有机集合多维数据对变压器进行综合、完备的评估，使评估结果更具有说服力32。目前单一的结构形数据样本仍起主导模型性能作用，在未来可以将多维数据加入到评估体系以扩充输入样本维度让模型发挥最大效用。4.5多源信息融合现有状态评估方法虽从单一状态参量转变为多状态参量或有限状态参量评估，但仍未综合考虑设备多方面因素影响。多源信息融合可从决策、数据、特征 3 个层面进行融合，目前变压器多源信息融合的研究主要集中在数据层方面，其信息融合评估图 9 所示。图9信息融合评估图Fig.9Diagram showing information fusion basedassessment由图 9 可知，将静态状态量与变化状态量输入径向基函数（Radial Basis Function，RBF）网络进行训练得到第一层评价结果，运用 D-S 证据理论对融合后的证据体进行判断，融合两层信息结果得到最终变压器综合评估状态33。多源信息融合是对设备进行综合评估的方法，经过融合后的方法能取得较客观的结果34-35，缺点是计算成本和复杂度较高，解释性与可理解性较低。期望未来通过各种新兴技术、设备与模型的迭代更新，让多源信息融合的实现过程更为简单，使多源信息融合的方法在变压器状态评估领域得到更好的推广及应用。5结语本文通过对数字电网背景下电力变压器状态100智慧电力Smart Power2023第51卷第10期Vol.51No.10Power Grid Analysis&Study电网分析与研究评估领域的应用研究，归纳与总结了变压器相关数据分析方法与状态评估方法，为后续研究者提供有效思路的同时，强调丰富的样本收集可为变压器状态评估提供有益的参考。参考文献1李鹏，习伟，蔡田田，等.数字电网的理念，架构与关键技术J.中国电机工程学报，2022，42（14）:5002-5017.LI Peng，XI Wei，CAI Tiantian，et al.Concept，architecture andkey technologies of digital power gridsJ.Proceedings of theCSEE，2022，42（14）:5002-5016.2WANG J，ZHANG X，ZHANG F，et al.Review on evolution ofintelligent algorithms for transformer condition assessmentJ.Frontiers in Energy Research，2022（10）:904109.3张鹏，齐波，李文璞，等.考虑部位和性能的电力变压器差异化评价方法J.中国电机工程学报，2019，39（20）:6138-6147.ZHANG Peng，QI Bo，LI Wenpu，et al.A differentiatedevaluation method of transformers considering the part and itsperformancesJ.Proceedings of the CSEE，2019，39（20）:6138-6147.4ZEINODDINI-MEYMAND H，KAMEL S，KHAN B.An efficientapproach with application of linear and nonlinear models forevaluation of power transformer health indexJ.IEEE Access，2021（9）:150172-150186.5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.YAN Yingjie，SHENG Gehao，CHEN Yufeng，et al.Cleaningmethod for big data of power transmission and transformationequipment state based on tim