主變個體缺陷概率預測方法
【專利摘要】本發(fā)明提供一種主變個體缺陷概率預測方法，包括以下步驟：獲取模型輸入變量；計算各模型輸入變量的WOE值和IV值；根據(jù)所述WOE值和IV值對各模型輸入變量進行交互式分組；根據(jù)交互式分組后的數(shù)據(jù)以及預先建立的預測模型得到主變個體缺陷概率。本發(fā)明的一種主變個體缺陷概率預測方法，通過對主變個體缺陷概率的預測，能對主變在未來一段確定的時期內(nèi)出現(xiàn)缺陷的概率有相對確切的把握，從而提高了缺陷發(fā)現(xiàn)和預防工作的科學性和可靠性，提高工作的針對性和準確性，在保障設(shè)備安全的情況下降低設(shè)備巡視的頻率，提高了電網(wǎng)生產(chǎn)和運行的效率。
【專利說明】主變個體缺陷概率預測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及電力系統(tǒng)領(lǐng)域，特別是涉及一種主變個體缺陷概率預測方法。
【背景技術(shù)】
[0002]隨著社會經(jīng)濟與文化生活的不斷發(fā)展和進步，城市對電力的依賴越來越重，沒有了電力供應，整個城市的交通、生產(chǎn)、生活就會陷入癱瘓，其破壞程度、造成的恐慌與巨大損失難以估計。電力設(shè)備是電網(wǎng)運行、確保電力供應的基礎(chǔ)，電網(wǎng)的可靠供電和高效運行都是建立在電力設(shè)備健康可靠運行的前提下，電力設(shè)備的缺陷檢測作為提高設(shè)備可靠性和可用性的重要手段，是電網(wǎng)油浸式主變壓器設(shè)備管理的重點領(lǐng)域。
[0003]對于電力設(shè)備中的各類缺陷，需要盡早發(fā)現(xiàn)、及時消除，避免缺陷發(fā)展為故障，造成電網(wǎng)停電等大規(guī)模的損失。在掌握了不同電力設(shè)備的缺陷率情況后，運維人員就可以根據(jù)不同類設(shè)備間的缺陷率情況差異，有針對性的進行重點巡視和維護，避免設(shè)備缺陷發(fā)展為設(shè)備故障。另外，基于設(shè)備缺陷率信息，生產(chǎn)部門可以制定生產(chǎn)人員計劃和備件需求。
[0004]傳統(tǒng)的主變壓器的缺陷率檢測方法都是針對主變總體缺陷率的檢測，其具體步驟包括如下:將某一批設(shè)備作為樣本，提取作為樣本的油浸式主變壓器的設(shè)備屬性；建立所述設(shè)備屬性對設(shè)備缺陷率的評價函數(shù)，通過比較各個所述設(shè)備屬性對于所述評價函數(shù)取值的相關(guān)性權(quán)重，從所述設(shè)備屬性中提取關(guān)鍵屬性；通過回歸算法，對所述關(guān)鍵屬性與設(shè)備缺陷率的檢測結(jié)果組成的數(shù)據(jù)集進行訓練，生成所述關(guān)鍵屬性與設(shè)備缺陷率的回歸模型；獲取待測油浸式主變壓器的關(guān)鍵屬性并將其代入所述回歸模型，獲取所述待測油浸式主變壓器的缺陷率。
[0005]然而，上述傳統(tǒng)方法是基于對主變總體缺陷率進行檢測，得到的結(jié)果是特定的某一批設(shè)備里發(fā)生缺陷的設(shè)備數(shù)量占比，也就是說根據(jù)現(xiàn)有這批設(shè)備的屬性參數(shù)，最終得到未來這批設(shè)備里可能發(fā)生缺陷的設(shè)備數(shù)量占總數(shù)量的比例。采用這種方法有一個很大的缺點在于，得到未來這批設(shè)備里可能發(fā)生缺陷的設(shè)備數(shù)量占總數(shù)量的比例(例如這批設(shè)備里有80%的主變明年可能發(fā)生缺陷)，并不能幫助現(xiàn)場工作人員確認到底這批設(shè)備里需要檢修的是具體哪一臺，即無法得知每一臺主變壓器在未來一段確定的時期內(nèi)出現(xiàn)缺陷的概率，無法有效指導設(shè)備巡視工作的開展。

【發(fā)明內(nèi)容】

[0006]基于此，本發(fā)明提供一種主變個體缺陷概率預測方法，能夠得到每一臺主變壓器在未來一段確定的時期內(nèi)出現(xiàn)缺陷的概率。
[0007]為實現(xiàn)上述目的，本發(fā)明采用如下方案:
[0008]一種主變個體缺陷概率預測方法，包括以下步驟:
[0009]獲取模型輸入變量；
[0010]計算各模型輸入變量的WOE值和IV值；
[0011 ] 根據(jù)所述WOE值和IV值對各模型輸入變量進行交互式分組；[0012]根據(jù)交互式分組后的數(shù)據(jù)以及預先建立的預測模型得到主變個體缺陷概率。
[0013]由以上方案可以看出，本發(fā)明的一種主變個體缺陷概率預測方法，通過計算各模型輸入變量的WOE值和IV值并進行交互式分組，然后在交互式分組的基礎(chǔ)上采用預先建立的預測模型得到主變個體缺陷概率。在掌握了不同設(shè)備主變的缺陷概率情況后，運維人員就可以根據(jù)不同類設(shè)備間的缺陷率情況差異，有針對性的進行重點巡視和維護，避免設(shè)備缺陷發(fā)展為設(shè)備故障；另外，基于設(shè)備缺陷概率信息，生產(chǎn)部門可以制定生產(chǎn)人員和備件需求計劃。本發(fā)明通過對主變個體缺陷概率的預測，能對主變在未來一段確定的時期內(nèi)出現(xiàn)缺陷的概率有相對確切的把握，從而提高了缺陷發(fā)現(xiàn)和預防工作的科學性和可靠性，提高工作的針對性和準確性，在保障設(shè)備安全的情況下降低設(shè)備巡視的頻率，提高了電網(wǎng)生產(chǎn)和運行的效率。
【專利附圖】

【附圖說明】
[0014]圖1為本發(fā)明實施例中一種主變個體缺陷概率預測方法的流程示意圖；
[0015]圖2為本發(fā)明實施例中缺陷概率預測評分卡示意圖；
[0016]圖3為本發(fā)明一實施例中對模型進行評估所得結(jié)果示意圖；
[0017]圖4為本發(fā)明另一實施例中對模型進行評估所得結(jié)果示意圖。
【具體實施方式】
[0018]下面結(jié)合附圖以及具體的實施例，對本發(fā)明的技術(shù)方案作進一步的描述。
[0019]參見圖1所示，一種主變個體缺陷概率預測方法，包括以下步驟:
[0020]步驟S101，獲取模型輸入變量，然后進入步驟S102。本發(fā)明實施例中，需要首先梳理設(shè)備的狀態(tài)量模型，可以依據(jù)目前開展的設(shè)備狀態(tài)評價導則，重新討論、主要是通過對不同的電力設(shè)備，以其功能特點、技術(shù)特點和運行環(huán)境特點為考量，梳理對設(shè)備缺陷率有幫助的狀態(tài)量，規(guī)范設(shè)備的狀態(tài)指標?？梢愿鶕?jù)行業(yè)專家的技術(shù)和經(jīng)驗積累以及行業(yè)內(nèi)的通用做法，對模型輸入變量進行篩選后可獲得18個輸入變量。具體的，所獲取的模型輸入變量可以包括:設(shè)備型號、所在站污染等級、設(shè)備廠商、設(shè)備電壓等級、設(shè)備投運時間、設(shè)備近6個月的缺陷次數(shù)、設(shè)備近12個月的缺陷次數(shù)、設(shè)備近24個月的缺陷次數(shù)、設(shè)備近48個月的缺陷次數(shù)、繞組藕合方式、相數(shù)、繞組外絕緣介質(zhì)、冷卻裝置種類、油循環(huán)方式、繞組數(shù)、調(diào)壓方式、線圈導線材質(zhì)、鐵心材質(zhì)等。
[0021]步驟S102，計算各模型輸入變量的WOE (Weight of Evidence)值和IV (Information Value)值，然后進入步驟 S103。
[0022]WOE (Weight of Evidence)表不衡量屬性區(qū)分能力，IV (Information Value)表示衡量變量預測能力。由于分類變量類別較多，因此需要對各變量計算各自的WOE值和IV值。作為一個較好的實施例，所述計算各模型輸入變量的WOE值和IV值的過程具體可以包括如下:
[0023]步驟S1021，對變量的每個值單獨計算WOE ;具體的，可以根據(jù)發(fā)生缺陷的主變數(shù)量、未發(fā)生缺陷的主變數(shù)量分別計算各模型輸入變量的WOE值；
[0024]步驟S1022，將所述WOE值相近的進行合并；
[0025]步驟S1023，根據(jù)合并結(jié)果以及所述WOE值計算各模型輸入變量的IV值。[0026]具體計算公式如下:
[0027]WOE=In(Pctl)-1n(PctO)
[0028]PCT=Pctl-PctO
[0029]IV= Σ (W0EXPCT)
[0030]式中，Pctl表示發(fā)生缺陷的主變數(shù)量，PctO表示未發(fā)生缺陷的主變數(shù)量。
[0031]步驟S103，根據(jù)所述WOE值和IV值對各模型輸入變量進行交互式分組，然后進入步驟S104。
[0032]對于單個變量，每個組的WOE值相同，WOE值越大，事件概率越低。IV值越大說明
變量對事件的影響越大。在其中一個實施例中，分組結(jié)果如下表:
[0033]
【權(quán)利要求】
1.一種主變個體缺陷概率預測方法，其特征在于，包括以下步驟: 獲取模型輸入變量； 計算各模型輸入變量的WOE值和IV值； 根據(jù)所述WOE值和IV值對各模型輸入變量進行交互式分組； 根據(jù)交互式分組后的數(shù)據(jù)以及預先建立的預測模型得到主變個體缺陷概率。
2.根據(jù)權(quán)利要求1所述的主變個體缺陷概率預測方法，其特征在于，所獲取的模型輸入變量包括:設(shè)備型號、所在站污染等級、設(shè)備廠商、設(shè)備電壓等級、設(shè)備投運時間、設(shè)備近6個月的缺陷次數(shù)、設(shè)備近12個月的缺陷次數(shù)、設(shè)備近24個月的缺陷次數(shù)、設(shè)備近48個月的缺陷次數(shù)、繞組藕合方式、相數(shù)、繞組外絕緣介質(zhì)、冷卻裝置種類、油循環(huán)方式、繞組數(shù)、調(diào)壓方式、線圈導線材質(zhì)、鐵心材質(zhì)。
3.根據(jù)權(quán)利要求1所述的主變個體缺陷概率預測方法，其特征在于，獲取模型輸入變量之后、計算各模型輸入變量的WOE值和IV值之前，還包括步驟:對設(shè)備型號和設(shè)備進行重編碼。
4.根據(jù)權(quán)利要求1-3任意一項所述的主變個體缺陷概率預測方法，其特征在于，所述計算各模型輸入變量的WOE值和IV值的過程包括: 根據(jù)發(fā)生缺陷的主變數(shù)量、未發(fā)生缺陷的主變數(shù)量分別計算各模型輸入變量的WOE值； 將所述WOE值相近的進行合并； 根據(jù)合并結(jié)果以及所述WOE值計算各模型輸入變量的IV值。
5.根據(jù)權(quán)利要求4所述的主變個體缺陷概率預測方法，其特征在于，所述預測模型為二值型Logistic回歸模型。
6.根據(jù)權(quán)利要求4所述的主變個體缺陷概率預測方法，其特征在于，在得到主變個體缺陷概率之后，還包括步驟: 采用最大似然估計法對所述主變個體缺陷概率進行估計。
7.根據(jù)權(quán)利要求4所述的主變個體缺陷概率預測方法，其特征在于，在得到主變個體缺陷概率之后，還包括步驟: 采用Kolmogorov-Smirnov檢驗法對所述主變個體缺陷概率進行評估。
【文檔編號】G06F19/00GK103440410SQ201310356832
【公開日】2013年12月11日 申請日期:2013年8月15日 優(yōu)先權(quán)日:2013年8月15日
【發(fā)明者】楊晶晶, 蕭展輝, 齊志剛, 蔡徽, 陳軍, 李端姣, 陳劍光, 楊曉東 申請人:廣東電網(wǎng)公司