基于缺陷概率预测的主变巡视策略优化

吴广财　周睿　严宇平

摘 要： 设备巡视是预控设备运行风险，夯实电网安全运行基础的重要手段。通过以某省级电网公司35 kV及以上油浸式主变的历史数据为基础，构建了基于Logistc回归方法的主变个体缺陷概率预测模型，并提出了基于主变个体缺陷概率预测的设备巡视重点制定方法，通过实证数据验证了基于主变个体缺陷概率预测开展设备巡视的有效性。

关键词： 主变压器； 缺陷概率预测； Logistic模型； 设备巡视

中图分类号： TN710?34 文献标识码： A 文章编号： 1004?373X（2015）05?0106?04

Main transformer inspection strategy optimization

based on prediction of defect probability

WU Guang?cai1， ZHOU Rui2， YAN Yu?ping2

（1. Information Center， Guangdong Power Grid Co.， Ltd.， Guangzhou 510180， China； 2. Guangdong Power Grid Co.， Ltd.， Guangzhou 510600， China）

Abstract： Device inspection is a significant means to control the risk and maintain the safe running of power grid. A defect probability prediction model based on logistic regression method is established on the basis of historical data of 35 kV and above oil?immersed transformers in a provincial power grid company. A method to generate the inspection strategy based on the model predicting the defect probability of individual transformer is proposed. The availability of the device inspection based on defect probability prediction for individual transformer is proved with real evidence data and empirical analysis.

Keywords： main transformer； defect probability prediction； logistic model； device inspection

0 引 言

设备巡视是预控设备运行风险，提高设备健康水平，保障电网安全稳定运行的重要途径，其重点是及时发现和消除设备隐患，确保电网设备安全稳定运行。目前，电网企业主要的设备巡视方式大体有两种：日常巡视与特别巡视。为优化巡视效果，研究人员尝试从多个角度进行巡视策略优化研究，如广州供电局王邦志等、广西电网黄浩等的巡视工具优化研究[1?2]，广东电网电力科学研究院喇元等提出了基于风险、设备状态的电力设备巡视策略优化 [3?4]。华南理工大学谢金泉等提出了基于设备缺陷的巡视策略[5]，具有一定的借鉴意义，但仅以设备缺陷数量判定缺陷状态过于简单。

为提高巡视的效率，一种有效的方法是开展设备的缺陷预测，对此许多学者进行了较为深入的研究。如张增敏等利用数据挖掘的关联规则、分类、回归、决策树等进行设备缺陷的预测[6?7]，陈义刚等利用支持向量机构建了设备缺陷的预测模型[8]。但这些模型都是基于大量个体的宏观信息对特定类型的设备开展的缺陷预测，可应用于特定类型设备的缺陷预测，并不完全适用于设备个体，对于设备个体的巡视工作重点制定缺乏指导意义。因此，本文尝试提出一种基于Logistic回归分析主变个体缺陷概率预测方法，并在此基础上提出了主变巡视策略的优化方法。

1 基于Logistic回归分析的主变缺陷概率预测

模型构建

Logistic模型由Malthus方程发展而来，常用来预测离散因变量与一组解释变量之间的关系，其通过logit变换转化为线性形式，可实现参数的估计[9]。由于Logistic模型对变量类型、数据的正态性等不作要求，并具有系数可解释的优点，其在医学、社会学等领域都得到了广泛应用。本文以某省级电网公司35 kV及以上油浸式主变缺陷数据为例，利用Logistic模型实现主变个体缺陷概率的预测。

1.1 模型输入变量选择

主变是否发生缺陷与主变的设备型式（比如调压方式）、历史缺陷情况、生产厂家等多种因素都有关，通过对信息化系统中主变现有数据的梳理，结合电网行业专家的经验，本研究梳理了影响主变缺陷概率的16个状态量，如表1所示。

1.2 输入变量值分组

为提高预测精度，本研究对输入变量取值进行分组，并采用WOE（Weight of Evidence）值用于衡量输入变量取特定值时对目标变量的影响程度，IV（Information Value）值表征自变量所包含的信息量大小，用于衡量变量的预测能力[10]。

用Pct1表示指定输入条件下发生缺陷的主变数量占训练数据中发生缺陷的所有主变数量的百分比，Pct0表示指定条件下未发生缺陷的主变数量占训练数据中未发生缺陷的主变数量的百分比，计算输入变量每个值的WOE：

[WOE=ln（Pct1）-ln（Pct0）] （1）

将WOE值相近的项进行合并分组，并根据分组结果以及对应WOE值计算各模型输入变量的IV值：

[PCT=Pct1-Pct0] （2）

[IV=WOE×PCT] （3）

对于每个变量，其分组内WOE值越大，缺陷概率越高。IV值越大，变量对缺陷概率的影响越大。以该省级电网公司2008—2011年主变缺陷记录作为训练数据，计算各变量的WOE值及IV值，从而便于找到对设备缺陷概率有显著影响的变量，如表2所示。

从表2中可以看出：“近24个月缺陷数量”变量内各种数值的WOE值相差很大，IV值显著高于“污区等级”变量，这说明“近24个月缺陷数量”这一因素对缺陷发生的概率的影响程度要大于“污区等级”因素。注意这里“影响程度”是从数据分析挖掘的角度来说的，也即模型的最终输出结果对该变量的敏感度较高。从物理意义上来说，“近24个月缺陷数量”并不是缺陷是否发生的影响因素。

1.3 预测模型构建

假设在输入变量[X1，][X2，][…，][Xn]作用下，缺陷发生的概率为[p，]则缺陷不发生的概率为[1-p，]取[θp]为：

[θp=logit（p）=lnp1-p] （4）

式中：logit（p）是输入变量X=1的差异比的自然对数。[θp]以logit（0.5）=0为中心对称，且在p=0和p=1附近变化幅度较大，当p从0变化到1时，[θ]p从-∞变化到+∞。则：

[θp=lnp1-p=β0+β1X1+β2X2+…+βnXn] （5）

则缺陷发生概率[p]的计算公式为：

[p=e1-（β0+β1X1+β2X2+…+βnXn）] （6）

令[α=β0+β1X1+β2X2+…+βnXn，]则[p=1e-α。]其中[|α|]与主变缺陷概率[p]单调性一致。与WOE的关系为：

[α=β0+β1WOE1+β2WOE2+…+βnWOEn] （7）

式中：[WOE1，][WOE2，][…，][WOEn]表示各变量WOE值。

以该电网公司2008—2011年的数据作为训练数据，2012年的数据作为验证数据，2013年的数据作为测试数据，利用SAS中Wald 统计量对模型偏回归系数的显著水平进行检验，剔除对因变量解释能力较差的因素，如“设备近12个月的缺陷数量”等，参数估计结果如表3所示。

从训练结果可以看出，设备运行环境的污区等级、电压等级、设备近2年发生缺陷的次数及近6个月发生缺陷的次数、设备厂商以及设备投运时间是影响主变缺陷概率预测结果的重要变量。

2 基于缺陷概率预测的巡视策略优化

利用设备缺陷概率预测模型，可辅助设备管理人员安排有针对性的重点设备巡视和维护。在Logistic模型中，并不存在理论上的最优预测概率，即预测概率可为[0，1]区间上的任何值。但当预测概率不同时，模型预测结果的第一类错误概率（误判率，及设备实际上没有发生缺陷，但判为有缺陷）和第二类错误概率（漏判率，即设备实际上发生了缺陷，但判为无缺陷）也不同，第一类错误概率的减少意味着第二类错误概率的增加。由于电网在运行过程，从确保安全可靠的角度出发，需要尽可能全面地发现缺陷，因此，在实际应用中更倾向于降低第二类错误概率。在实际应用中，可结合模型的误判率和漏判率，确定重点巡视设备。

以该省级电网公司主变为例，将其所有主变按缺陷概率由高至低进行排序，结果如图1所示。

由图1可知，以排名在50%的设备的缺陷概率[p]作为预测概率，当概率大于[p]时认为该设备发生缺陷，此时漏判率小于8%，较为理想，可作为主变巡视重点的判定依据。根据图1，结合电网风险等级，可确定主变的巡视重要性类别矩阵如表3所示。其中I类为最需关注的设备，IV类为最不需要关注的设备。

结合该省级电网公司的巡视周期，将Ⅰ类设备巡视周期定为1天1次，Ⅱ类设备巡视周期定为2天1次，Ⅲ类设备巡视周期定为1周1次，Ⅳ类设备巡视周期定为1月1次。

该策略在该省级电网公司下一级试点地市局应用后，实施新策略前（2014年6月份）与实施新策略后（2013年6月份）变电设备的巡视工作量如表4所示。

2013—2014年间，该地市局新增变电站1座，新增主变占总设备数量的0.7%，由于设备较新，非缺陷主要来源。对比上述数据，实施新策略后，运维消耗的工作量大幅下降（如日常巡视工作量仅占实施策略前的21%），但发现的缺陷数量反而增多。这说明采用上述策略后，有效降低了巡视运维的工作量，并有利于巡视人员集中精力于最有可能发生问题的设备上，提高巡视效率。

对比该地市局2013年6—7月、2014年4—5月和2014年6—7月事故事件数据数据可见：在实施新运维策略前后，以及去年同期，同样时间区间内，事故事件数量没有明显变化，且均由于自然环境（雷击、台风等）或者外力而导致，没有发生因设备运维不当而导致的事故事件。从总体上看，采取新的策略没有导致事故事件数量和频率的变化，对电网安全基本没有影响，进一步证明了该方法的有效性。

3 结 语

本文以某省级电网公司主变缺陷数据为例，基于Logistic模型，构建了主变缺陷概率预测模型。在此基础上，结合模型的错误率和误判率分析提出了基于缺陷概率预测的巡视策略优化，根据设备缺陷概率差异情况，有针对性地进行重点巡视和维护，提高工作效率，并通过实证研究，证明了该方法的有效性，说明该方法有利于加强对重要设备、健康状况不良设备的运行维护，提高了工作效率。

参考文献

[1] 王邦志，徐正清.一种灵活的设备巡视仿真机制在变电培训仿真系统中的应用[J].广东电力，2003，16（5）：46?48.

[2] 黄浩.标准化变电站巡视系统的研发与应用[J].南方电网技术，2011，5（2）：89?91.

[3] 喇元，王红斌，陈忠东.基于状态评价及风险评估的输变电设备状态检修策略的研究[J].广东电力，2010（10）：36?40.

[4] 林秋蓉，王相南，林远能，等.变电设备差异化巡视策略的实施[J].电力安全技术，2014（6）：16?18.

[5] 谢金泉，李晓华，何毅，等.变电设备状态巡视策略研究[J].广东电力，2012（9）：5?9.

[6] 张增敏.数据挖掘技术在变电站设备及缺陷管理系统中的应用[D].西安：西安理工大学，2006.

[7] 陈拥军.电力系统设备缺陷预测[D].杭州：浙江大学，2003.

[8] 陈义刚，徐厚东.基于支持向量机的变电设备缺陷发生率的预测及应用[J].四川电力技术，2013（6）：75?77.

[9] 薛毅，陈立萍.统计建模与R软件[M].北京：清华大学出版社，2007.

[10] HOPE B， CLARKSON J. A Strategy for using weight?of?evidence methods in ecological risk assessments [J]. Human and Ecological Risk Assessment， 2014， 20（2）： 290?315.