基于大数据关联挖掘的变压器故障推演系统设计

高 伟，吕艳霞，阚东微，郝艳军

（1.国网鹤岗供电公司，黑龙江鹤岗 154100；2.北京中电南瑞科技有限公司，北京 100160）

变压器是电网中的重要枢纽设备，也是电网一次负荷可靠协调运行所需的重要设备[1]。在电力系统中，变压器故障可能会引起严重的电力事故。长期以来，电力公司对变压器仍然采取“定期检修为主，状态检修为辅”的维修策略。随着电网覆盖面的逐渐扩大及社会用电需求的提高，变压器在线维修是设备维修方式发展的必然趋势[2]。加强电压器运行管理和技术管理，减少变压器故障的发生是现阶段电力公司的核心管理方向之一，也是对变压器现场运行管理和人员技能培训的目标[3]。

变压器传输功率大、结构复杂，隐患缺陷可导致变压器在不同位置失效，不同运行环境对变压器工作状态的影响也不尽相同。另外，在变压器发生故障时，不仅故障症状状态发生了变化，同时还出现了多种故障类型缺陷，使得故障症状与故障类型呈现出复杂的交叉映射关系[4-5]。

随着变压器故障诊断与状态评估技术的发展，其在电力系统中得到了广泛的应用。大规模云传输技术的发展为变压器监控大数据的有效分析和变压器生存状态的维护提供了一种有效的技术手段，可为变压器运行维护提供更为智能、可靠的辅助决策支持。近几年来，随着电网智能化和自动化程度的提高，电力数据积累逐步呈现井喷式增长，在变压器现场设备操作方面积累了多年的经验，包括不同的操作环境和电压水平[6-8]。历史故障信息和典型故障案例的丰富为基于大数据挖掘的变压器故障推理提供了依据。文中在对变压器典型故障进行大数据分析、分类和管理的基础上，利用关联规则进行挖掘，获取变压器故障特征，并结合虚拟现实技术的优点，建立有效、可靠的变压器故障征兆和故障类型可视化系统，利用该系统提取变压器故障特征，实现对变压器故障的可视化诊断。

1 系统架构设计

在分析大规模数据的基础上，以典型的分类和管理条件（故障征兆和故障症状）为基础，用关联规则方法分析了变压器故障类型和故障症状之间的关系，梳理了智能联级的故障征兆，建立了高效智能的电力变压器故障诊断模型和故障数据检索管理系统，并结合虚拟现实技术的优点实现辅助决策信息呈现的可视化。基于大数据关联挖掘技术的变压器故障推理系统架构如图1 所示。

图1 变压器故障推理系统架构图

为实现变压器故障的可视化诊断，一方面引入虚拟现实技术，通过推理使诊断结果直观地呈现在用户面前，为现场操作人员和培训人员提供直观、清楚的故障类型和故障症状[9-10]；另一方面，通过智能算法导出映射权值，对隐藏在故障类型中的故障症状进行定量显示，为操作人员的操作、维护和维修方法提供支持，实现了对变压器故障的跟踪，提高了对故障定位的分析效率。

2 系统硬件设计

基于大数据关联挖掘的变压器故障推演系统的硬件平台由防火墙、特殊交换机、信息数据库组成。

变压器故障推演系统附属于电力公司的安全区内，通过高级的防火墙和网络设备连接形成一个互联网络，完成基于大数据关联挖掘的变压器故障推演过程，得出相应结论[11-12]。文中系统硬件平台通过工程生产系统的信息数据库录入不同变压器的基本参数与数据信息，系统将数据信息存储在该系统的服务器中，在对变压器进行故障推演时，提供变压器的相关信息。推理人员通过浏览器/服务器模式进行变压器故障推演结果和相关数据的查询，具体的基于大数据关联挖掘的变压器故障推演系统硬件平台结构如图2 所示。

图2 变压器故障推演系统硬件平台结构

基于大数据关联挖掘的变压器故障推演硬件平台由UPS 电源、i.MX6 处理器、特殊的处理器接口、集成显卡、内部存储器、推演服务器构成[13-15]。

文中变压器故障推演系统选择的电源是UPS 电源。UPS 电源是一种在线式电源，在线式电源如果出现漏电情况，会立即向系统中心反馈信息，避免出现电源突然关闭造成信息丢失的事故。UPS 电源的额定功率为60 kVA，输入电压的范围为210～475 V，输出电压的范围为AC 380/220 V，输入频率的范围为40～70 Hz。UPS电源耐用并且支持大功率的电压输入输出，为变压器故障推演系统的运行提供了基础[16]。

硬件系统的推演服务器使用两个8 核的CPU，主频频率在2.13 GHz 以上，其具有256 G 超大内存空间，额外有4 个300 GB 的SAS 硬盘，推演服务器的超大内存有利于变压器故障推演系统加速运行。i.MX6 处理器是最适合文中研究的变压器推演系统的处理器，因为i.MX6 处理器是目前飞思卡尔半导体在处理器领域最新的产品，具有极高的性能和强大的功能。i.MX6 处理器采用纳米技术，运行频率高达1 GHz，其内核采用ARM v7 的指令架构，在运行的过程中可以承载0～4 MB 的高速缓存控制器，防止变压器故障推演系统产生卡顿的情况。ARM v7的指令可以自动压缩变压器内部信息的大小，并且高性能浮点单位比传统的内核性能提高一倍。

文中选用MIPI 接口连接变压器推演系统，一方面MIPI 接口具有LCD 控制器，在中场连接的时候会显示绿色，如果接口发生松动，MIPI 接口立即转为红色灯，方便故障检修人员的故障认定。另一方面MIPI 接口具有高速传输数据的功能，传输速率高达5 Gbps，提高了基于数据关联挖掘的变压器故障推演系统的运行速度。

3 系统软件设计

基于大数据关联挖掘的变压器故障推演系统的软件是维持系统正常运行的核心，文中变压器故障推演软件系统的设计中心是实现变压器故障征兆与故障切入点的映射连通的构建，简化变压器故障推演的逻辑思维。

变压器的故障征兆与故障切入点之间存在着交叉映射的拓扑关系，是变压器故障正常推演的关键。文中研究的基于大数据关联挖掘的变压器故障推演系统的软件区域，设计了特有的故障点引擎功能，实现变压器故障征兆与故障切入点的连接。经过多次实验数据的研究，变压器故障征兆与故障点类型存在线性关系，具体公式如下所示：

其中，Fa和Fb分别表示变压器故障征兆程度和待处理的故障数目。由于T值代表变压器故障征兆与故障点类型间的线性关系，因此，哪一类故障的T值越高，越能够说明变压器存在该类故障的可能性更大。

为了简化传统故障推演系统的推演过程，文中在系统的软件区域设计了故障重现功能，将变压器存在的故障点进行有逻辑的排序，完成推演过程。此时借助的公式如下所示：

其中，ΔX(j,t+1)是变压器故障点的故障系数；X(j,t+1)是变压器预测的故障类型指标；X(j,t-1)是计算机检测的变压器运行的空载损耗。

将所有计算机监测到的变压器故障点的故障点指标系数计算出来，将计算结果由小到大进行排序，对其是否发生故障及故障类型做进一步地推演识别。

综上所述，在基于大数据关联挖掘的变压器故障推演系统的软件功能设计的基础上，具体系统运行流程如图3 所示。

图3 变压器故障推演系统运行流程图

4 实验分析与研究

为了精准地评估基于数据关联挖掘的变压器故障推演系统的故障推演能力，设置对比实验，将文中设计的基于大数据挖掘的变压器故障推演系统与传统的基于多源信息融合的变压器故障推演系统进行对比，从推演相对误差和推演时间两个方面检验不同系统的应用效果。

为了保证该次对比实验的公平性和科学性，文中将4 个工作人员分为两组，同时对实验相关数据进行记录，最终进行数据的核对，如果出现极小的误差取其平均值，如果出现较大的误差，根据实验数据情况舍去数据或者重新进行实验。

具体的实验操作过程如下：

1）准备4 台相同型号、相同参数的变压器，其中两台用于实验，两台用于实验替补，防止实验过程中由于实验器材的原因终止实验；

2）进行实验预处理，在实验进行前工作人员准备两台计算机，分别连接实验的两台变压器，进行变压器的故障检测，将故障结果记录下来，为了保证实验的公平性，两台实验变压器具有相同故障；

3）预处理结束后，将两个变压器故障推演系统安装到计算机内部，同一时间开始对两台变压器进行故障推演操作，4 个工作人员记录两个系统的操作时间。两个系统分别故障推演后，计算机对两个故障推演系统的推演过程进行分析，得出试验效果数据；

4）为了对比两种故障推演系统的相对误差，文中用Re表示，具体如式（3）所示。

其中，Xj为预测值，Xi为实际值。

实验结束后，工作人员关闭电源，整理实验器材，由此结束整体实验操作。通过整理实验数据，得到实验数据结果示意图，如图4、5 所示。

图4 传统变压器故障推演系统的推演误差

由于变压器故障的推演误差越小，故障推演系统的性能就越好，观察图4 和图5 可知，文中所研究的变压器故障推演系统具有较小的相对误差。

图5 文中变压器故障推演系统的推演误差

计算机在对两个变压器故障推演系统的推演过程进行分析时，得出两个系统对存在相同待诊断故障数时的系统推演时间，其对应结果如图6 所示。

图6 推演逻辑效果示意图

根据图6 可知，变压器存在待解决的故障数越多时，两个变压器故障推演系统的运行时间就越长。由图6 可以观察到，两个系统面对相同故障时，故障推演的时间却不相同，这是因为文中研究的基于数据关联挖掘的变压故障推演系统对各种型号的变压器内部熟悉，可以很快地找到故障推演切入点。当变压器存在的故障数目较多时，文中研究的基于数据关联挖掘的变压器故障推演系统的运行推演时间比传统的变压器故障推演系统运行的时间短。

综上所述，设计的基于大数据关联挖掘的变压器故障推演系统不仅能够降低推演误差，还能够有效缩短诊断时间，证明该系统具有较好的应用效果。

5 结束语

文中通过研究变压器故障推演系统软件部分和硬件部分，设计出一个基于大数据关联挖掘的变压器故障推演系统。经过实验验证，得到文中研究的基于大数据关联挖掘的变压器故障推演系统比传统的推演系统逻辑清楚，推理时间短并且故障推演结果准确的结论。

大数据关联挖掘技术在一定程度上量化了变压器的诸多故障评估指标，简化了变压器故障推演过程。文中研究的变压器故障推演系统虽然解决了变压器故障推演的问题，但是在今后的研究中，应对变压器故障和变压器老化作出深入的研究。