基于关联性分析的GIS设备隐患特征挖掘研究

顾燕奇 俞德民 王朋 殷小勇 闫晓曼

（中国华电集团公司江苏望亭发电分公司）

0 引言

随着发电厂电气设备的绝缘老化，电气设备故障隐患增加[1]。目前，针对GIS的状态获取的检测技术主要包括红外检测、紫外检测等光学检测技术，SF6分解物检测的化学检测方法，以及特高频信号检测、超声波信号检测的局部放电检测技术。由于GIS设备全金属封闭的特点，其内部状态不易被掌握和获取，导致在线监测手段不足，使得GIS设备无法提前得到实时有效的隐患信息[2-3]。

目前，智能预警技术在许多领域被用于设备隐患分析，并且为运行人员提前发现设备安全隐患提供重要帮助[4-5]。由于缺少挖掘GIS设备在线监测特征的手段，导致智能预警技术应用在GIS设备中面临很大的挑战[6]。本文基于相关性理论方法，多维度分析GIS设备的特征信息，能够有效挖掘出相关隐患因素，使得所建立的GIS智能预警模型更具客观性。

目前，常见的数据挖掘方法有皮尔逊相关性系数、斯皮尔曼相关性系数、Kendall系数等方法[7-9]，本文从多角度挖掘GIS特征之间的关联特性，分析局部放电、微水密度等特征之间的潜在信息，有助于GIS在线监测装置的应用分析，提高设备的可管理性。

1 GIS在线监测数据采集

1.1 局部放电数据采集

本文GIS局部放电在线监测数据采集自某电厂220kV升压站中的断路器，该局部放电采用特高频检测技术，实时监测与断路器相邻气室的放电信号。局部放电传感器典型的特征包括最大放电量、平均放电量、放电相位、放电类型、放电次数。下图为该传感器实际安装位置。表1为位置1局部放电传感器相应特征的在线监测数据。表2为位置2局部放电传感器相应特征的在线监测数据。

表1 位置1局部放电在线监测数据

表2 位置2局部放电在线监测数据

图 局部放电传感器安装实图

1.2 SF6在线数据采集

GIS设备气室中的微水含量，对于设备状态的监测也起到十分重要的作用。本文同时还采集该断路器所在气室的SF6微水等特征数据。表3为该气室微水密度传感器所监测的在线数据。

表3 该气室微水密度在线监测数据

2 基于关联性分析的GIS隐患特征挖掘方法

2.1 皮尔逊相关性分析原理

对两个变量之间的皮尔逊系数定义方法为两个变量之间的协方差和标准差的商：

式中，cov（X,Y）为两个样本向量的协方差；X，Y为两个样本向量；σX，σY为样本向量X，Y的标准差；μX，μY为样本向量X，Y的均值。

2.2 斯皮尔曼相关性分析原理

斯皮尔曼相关性系数，通常也叫斯皮尔曼秩相关系数[10]。首先对两个变量X，Y的数据进行排序，然后记下排序以后的位置X′，Y′，得到秩次的差值di，n为变量中样本的个数。代入如下公式进行斯皮尔曼相关性系数求解：

2.3 肯德尔秩相关性分析原理

肯德尔秩相关系数ρR是指n个统计对象有两个属性的系数[11]。将所有统计对象按属性1取值排列，不失一般性，设此时属性2取值的排序是乱序的。设P为两个属性值排列大小关系一致的统计对象对数。肯德尔秩相关系数ρR的计算公式如下：

2.4 GIS隐患特征相关性分析方法

由于GIS局部放电与SF6微水密度的数据特征中存在着非正态分布数据，且温度、压力、微水等特征变化浮动非常微小，常规的数据分析方法难以挖掘出其中的潜在关联因素，故而本文考虑测点位置的特殊性，基于相关性理论建立不同维度下数据特征的关联性模型。将位置1处局部放电特征单独进行三种相关性系数计算，得到单个位置处不同特征间的关联系数。将位置1与位置2处局部放电特征进行联合分析，得到不同位置的各个特征间的关联系数。同时，将SF6微水密度的特征与两处位置任意一处的局部放电特征进行关联性分析，得到同一气室内局部放电信号特征与SF6微水密度信号特征之间的关联系数。

3 仿真算例分析

3.1 算例测试

为了验证本文的基于关联性分析的GIS隐患特征挖掘方法的正确性与可行性，选择中国某发电厂的GIS局部放电等数据进行算例分析。

首先，将位置1处局部放电特征单独进行三种相关性系数计算，得到单个位置处不同特征间的三种关联系数如表4～表6所示。

然后，将位置1与位置2处局部放电特征进行联合分析，得到不同位置处不同特征间的三种关联系数如表7～表9所示。

最后，将SF6微水密度的特征与两处位置任意一处的局部放电特征进行关联性分析，得到同一气室内局部放电信号特征与SF6微水密度信号特征之间的三种关联系数如表10～表12所示。

3.2 算例结果分析

通过对该发电厂220kV升压站的断路器设备相关数据进行方法验证，分析表4～表12的计算结果。

从表4～表6，表7～表9，表10～表12对比可以看出，放电次数、放电幅值、放电相位、微水密度特征的皮尔逊相关性系数分析中，更具有明显的差异性，实际表明局部放电的特征信息与SF6微水密度特征之间存在着某些关联关系，当微水密度的含量发生变化时，会对局部放电的信号产生一定的影响。

表4 位置1处局部放电特征间Pearson系数

表5 位置1处局部放电特征间Spearman系数

表6 位置1处局部放电特征间Kendall系数

表7 位置1与位置2局部放电特征间Pearson系数

表9 位置1与位置2局部放电特征间Kendall系数

表10 位置1处局放与SF6特征间Pearson系数

表12 位置1处局放与SF6特征间Kendall系数

表8 位置1与位置2局部放电特征间Spearman系数

表11 位置1处局放与SF6特征间Spearman系数

4 结束语

本文基于关联性分析理论来分析挖掘火电厂GIS设备数据特征之中潜在的关联性，将GIS设备监测量中的最大的关联性特征信息挖掘出来，采用皮尔逊相关性系数、斯皮尔曼相关性系数、Kendall系数对GIS的监测数据进行多维度关联分析。提出GIS设备隐患特征挖掘方法，通过对中国某火电厂的GIS数据进行计算比较，得出以下结论：

1）采用关联性分析理论来挖掘分析GIS设备监测数据，能很好地对不同维度的特征信息进行分析，从不同的角度去挖掘设备隐患特征的潜在关联特性，从而增强隐患特征识别分析的能力。

2）采用数据挖掘的方法对GIS设备的监测数据从不同的维度进行挖掘，能够看出针对同一气室内不同监测手段之间，放电幅值与气室温度特征关联程度比较紧密，气室微水与放电次数特征关联程度比较紧密，气室压力与放电幅值特征关联程度相对较弱，该方法对于GIS设备的异常分析具有重要的指导性意义。