requestId:6865ba5d9cd4c3.63809203.
編者按
電容式電壓互感器（capacitor voltage tra包養管道nsformer，CVT）廣泛應用于110 kV及以上電壓等級變電站，是監測電力系統運行電壓的主要設備。今朝高壓CVT已安裝完美的在線監測系統，可實時獲取CVT的電容量、介損、部分放電、溫度、二次輸出電壓等多參量信息。這些多參量信息數據廣泛應用于CVT運行過程中滲漏油、異常聲響、電容元件擊穿、電磁單元缺點等毛病的在線診斷。
《中國電力》2025年第5期刊發了張惠山撰寫的《基于有用數據辨識及多維信息融會的高壓CVT毛病診斷方式》一文。文章通過采用有用數據及異常數據的相關性特征進行辨識。應用因子剖析方式對CVT的診斷指標進行數據層信息融會，提取各毛病類型對應的公共因子方差貢獻值，作為反應毛病類型差異的特征值。應用含混理論進行特征層信息融會，將公共因子方差貢獻值作為隸屬函數的輸進參數，用以對CVT毛病進行精準判斷，為運維人員供給決策支撐。
摘要
當前高壓電容式電壓互感器（capacitor voltage transformer，CVT）缺乏有用的在線監測數據，辨識缺乏。應用在線監測多數據源存在線性相關的數據特徵，提出了基于剖析數據相關系數進行有用數據辨識的方式。針對今朝高壓CVT毛病診斷廣泛存在信息單一、精度不高、部分放電在線監測裝置毛病信號檢測受干擾原因影響較年夜、準確性差等問題，提出了基于多維信息融會的毛病診斷方式。起首，應用因子剖析對CVT的診斷指標進行數據層信息融會，提取各毛病類型對應的公共因子方差貢獻值，作為反應毛病類型差異的特征值；然后，應用含混理論進行特征層信息融會，將公共因子方差貢獻值作為隸屬函數的輸進參數，識別CVT的毛病類型，準確診斷高壓CVT毛病。案例驗證了所提方式的有用性，為CVT毛病診斷供給了包養網理論參考和實踐經驗。
01
基于數據相關特徵的CVT狀態監測有用數據辨識
CVT狀態在線監測的有用數據與異常數據的顯著特征是包養故事分歧的狀態監測參量之間所呈現的數據相關特征。圖1為某變電站線路間隔500 kV CVT分壓電容毛病時的電壓監測對比數據。圖2為某變電站線路間隔500 kV C包養VT二次回路異常時的電壓監測對比數據。
圖1 分壓電容器毛病時測量電壓對比
Fig. 1 Comparison of measured voltages when voltage divider capacitor faults
圖2 二次回路異常時測量電壓對比
Fig. 2 Comparison of measured voltages when secondary circuit faults
由圖1可知，異常電壓曲線（CV包養情婦T1）與正常電壓曲線均表現出類似的變化規律，呈現出必定的線性相關特征。由圖2可知，二次回路異常時的異常電壓曲線（CVT1）與正常曲線無類似的包養意思變化規律，上的表格：「先填表。」隨即拿出一條乾淨的毛巾，不具有相關性，其數據可判斷為無效數據。同理，在局放的在線監測數據中，當CVT存在放電毛病時，其分布于分歧頻段的信號強度均呈現雷同的變化趨勢，具有相關性。假如其分歧頻段的數據未呈現類似相關性特征，則可認為該樣本數據為無效數據。
假設聚集X包括m個CVT監測對象，每個對象xi（i=1, ···, m）由n個監測數據構成。可計算X中的各對象對應參量之間的相關包養軟體系數，進而獲得相關系數矩陣ρm×m，其元素為
式中：Cov(·)為協方差函數；D(·)為方差函數。
當某個CVT的監測數據為無效數據時，與其他CVT數據將呈現弱相關性。是以，通包養網過計算X中的某個對象xi與其他對象xj的相關系數均值的最小值，并與閾值比較，即可進行數據有用性辨識，即
式中：k為閾值。當相關系數小于0.4時，表白其數據關聯性較弱，年夜于0.6時，表白其具有明顯的相關性包養。由此，建議閾值k=0.5。也可依據監測對象數量及特點來確定閾值的鉅細。
圖1、2中2組數據的相關系數矩陣如表1和表2所示。依據表1、2計算各CVT相關系數均值最小值，表1為0.7401，表2為0.4101。由此，可確定圖2所示的CVT電壓監測數據為無效數據，進而推斷其二次電壓測量元件能夠存在異常。
表1 圖1所示各CVT相關系數
Table 1 The correlation coefficient of each CVT shown in figure 1
表2 圖2所示各CVT相關系數
Table 2 The correlation coefficient of each CVT shown in figure 2
02
多維信息融會毛病診斷方式
2.1 診斷指標選擇
CVT狀態監測信息單一，要對CVT的毛病類型進行準確診斷，需求選取與毛病類型關聯性年夜、易于定量描寫的診斷指標。根據Q/GDW 1168—2013《輸變電設備狀態檢修試驗規程》和Q/CSG10010—2004《輸變電設備狀態評價標準》，結合現場運維經驗，選取7個在線監測的狀態信息作為診斷指標，如表3所示。
表3 CVT毛病診斷指標
Table 3 CVT fault diagnosis indicators
表3所列指標量綱紛歧致，為了便利后續計算，須進行歸一化處理。b1~b4指標為相對變化量，采用Min-Max法進行歸一化處理；b5~b7為絕對值，采用與標準值差值相除進行歸一化處理。
2.2 多維信息融會
根據信息融會層次的分歧，CVT信息融會技術分為數據層融會、特征層融會和決策層融會。數據層融會準確性最高，但對數據資源請求刻薄；特征層融會屬于中間層次融會，是對原始信包養網息中提取的特征信息進行融會；決策層融會相對便捷，但易丟掉數據信息。為了進步CVT毛病診斷的精度，結合一句話簡介：先婚後愛，溫暖又殘酷的小甜文工程應用的實際需求，本文采用數據層和特征層兩級融會的方式。
2.2.1 基于因子剖析的數據層融會
因子剖析方式通過研討變量間的關聯特征，應用統計學方式找到變量內部具有關聯屬性的公共因子，公共因子為能代表基礎相關屬性的變量。根據變量因子間的關聯水平進行分組，用公共因子的線性關系來描寫研討所需的特征量。該方式很適合在線監測的數據特征包養網車馬費，應用至CVT毛病診斷當中，相當于在數據層進行了融會。
將CVT狀態分為以下6種狀態（以下稱標準狀態）。A：正常態，B：高壓電容器毛病，C：分壓電容器毛病，D：中間變壓器毛病，E：補償電抗器毛病、F：阻尼器毛病，每種狀態類型由b1~b7 7個診斷指標進行診斷。
n個CVT樣本對象在統一時刻獲得的診斷指標數據為n×7階樣本矩陣，即
式中：xi（i=1, ···, n）為CVT i的診斷指標向量；bij（i=1, ···, n， j=1, ···, 7）為CVT i的指標j數值。
通過坐標變換的方式，將b1~b7 7個診斷指標進行線性組合，轉換成7個彼此解耦的獨立向量F=[f1f2⋯f7]，完成數據層融會的同時保存了CVT的所有的狀態監測信息，即
式中：pij（i=1,⋯,7，j=1,⋯,n）為解耦后的比例系數。
定義
為第k（k=A, B, C, D, E, F）類狀態的第i個獨立向量公共因子方差貢獻值，其值為
反應了第k類狀態下fi的主要水平。
2包養.2.2 基于含混理論的特征層融會
含混理論可以實現毛病特征向毛病類型的映射，有用識別特征不確定性問題。隸屬度函數可否正確反應元素隸屬于毛病含混集的特征，是含混理論實現分類後果的基礎。
對已知6種狀態樣本的CVT 7個診斷指女大生包養俱樂部標監測數據b1~b7進行數據集融會包養合約。6種狀態的CVT樣本數據將構成6×7階公共因子矩陣S為
式中：Si（i=A, ···, F）為第i種狀態類型樣本對應歸一化數據經過因子剖析后的公共因子方差貢獻值向量。S反應了狀態的信息特征。
對于待分類對象，將其監測的參量信息分別參加各已知標準狀態的樣本聚集中，依照式（3）~（5）計算獲得該類狀的CP（人物配對）則主導了粉絲包養的討論。態的公共因子方差貢獻值
的聚集
。將已知各標準狀態樣本聚集所構成的公共因子矩陣S轉置為矩陣ST，計算各標準狀態下涵蓋7維量化指標的公共因子方差貢獻值的均值和方差，分別記為μ和φ，樹立待分類變量的多維高斯含混集隸屬函數為
式中：Y為向量y關于標準狀態含混集的高斯隸屬度函數，定義
為第i（i=A, ···, F）種狀態類型的含混集。對于待分類對象，應用式（7）計算其對應于各含混集的隸屬度，并依照最年夜隸屬度原則判斷其所屬含混集，從而實現設備的毛病診斷。多維高斯型隸屬函數可以應用多維診斷指標供給的狀態信息，實現數據特征層信息融會的同時，增強含混集隸屬函數的分類才能，進步含混理論對CVT分歧毛病類型的診斷精度。
設備狀態含混集的隸屬度服從高斯分布。本文采用多維高斯型隸屬函數。多維高斯型隸屬函數可以實現多維特征量的整合，增強含混集隸屬函數的分類才能，進步含混理論在設備毛病診斷領域的工程適用性。多元高斯分布式為
式中：μS =[μ1,μ1,⋯,μn]，為公共因子方差貢獻值的均值向量；
為向量y的包養網協方差矩陣行列式。
2.3 多維信息融會診斷戰略
基于因子剖析和含混理論，提出多維信息在實驗室待了幾天，被拖到這個環境，葉也趁著休息的融會的CVT毛病診斷戰略，具體流程如圖3所示。
圖3 多維信息融會診斷戰略流程
Fig. 3她希望伴侶能陪伴在身邊、照顧家庭，但陳居白處於 Flowchart of multi-dimensional information fusion diagnosis
TC:
發佈留言