数据缺失条件下基于健康状态映射补偿的电力变压器剩余使用寿命预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Health state mapping compensation based remaining useful life prediction for power transformers under missing data

　　

•提出了一种适用于监测数据缺失条件下变压器的剩余使用寿命（RUL）预测新框架。•通过多视角跨单元交互，开发了一种不完整的健康状态映射补偿策略。•引入了一种区间预测机制，以在缺失数据引起的不确定性下提高预后可靠性。

引言

大型油浸式变压器是电力系统中不可或缺的核心设备，承担着电压变换和能量分配的关键功能，其运行状态直接影响供电可靠性和电网稳定性[1]、[2]。油中溶解气体分析（DGA）是一种广泛使用且有效的变压器运行状态和健康状况评估技术[3]。根据绝缘材料退化的物理化学原理，绝缘油中溶解的气体是由固体绝缘和油在热、电、机械综合应力下分解产生的。各气体组分的浓度受故障类型和严重程度等因素影响，导致它们之间存在较强的相互依赖性[4]。通过分析特征气体的浓度和比例，DGA能够提供反映变压器内部老化和故障演化的非侵入式诊断信息，从而为预测与健康管理（PHM）提供可靠的数据来源。

RUL预测是PHM的核心任务，能够实现变压器从被动维护向预测性维护的转变。与需要故障机理和退化过程详细知识的物理模型方法不同，数据驱动方法直接从历史监测数据特征（MDF）中学习预后模式。

深度学习领域的最新进展显著增强了用于RUL预测的健康状态映射建模能力。这些进展包括用于追踪域偏移并在线迁移健康描述符的迁移学习[5]，用于从异构数据中学习统一健康映射的多传感器融合和集成框架[6]，用于联合捕获时空动态和跨通道依赖关系的时空架构，适用于航空发动机等复杂资产[7]，以及通过通道嵌入和特征到健康交叉注意力显式捕获异构特征到健康依赖关系的Exofeature-aware Transformer模型[8]。此外，传感器感知CapsNet通过建模传感器级融合结构并将预测结果和不确定性归因于相关传感器通道，进一步提升了多感官RUL预测能力[9]。此外，特征增强深度模型进一步精细化了故障特征与健康状态之间的非线性关系，提高了退化表征和预测精度[10]。总体而言，这些进展表明，稳健且可解释的RUL预测依赖于准确建模MDF与健康状态之间的映射，同时保留不确定性相关信息。

然而，上述方法的有效性通常依赖于MDF的可用性和完整性。直接从不完整数据中学习MDF与健康状态之间的映射可能会扭曲退化行为的表征。为缓解这一挑战，近期研究已趋于两个广泛的方法论方向：统计数据推断与补全方法，以及基于机器学习的拟合与重构方法[11]。统计方法通过利用观测数据集中的相关性，在一定概率或平稳性假设下填补缺失值。代表性例子包括利用气体-故障关系和基于k近邻引导的缺失率相关插值[12]、用于数据补全的随机森林回归[13]，以及用于统计插值的鲁棒期望-最大化算法[14]。虽然这些方法计算效率高且易于实现，但它们强烈依赖于现有数据分布，使重构样本偏向于常见模式，限制了其识别演化的退化动态或罕见故障特征的能力[15]。

相比之下，机器学习方法可以自动学习MDF内部复杂的非线性依赖关系，从而能够基于可用观测推断和估计缺失数据的模式和关系。例如，用于DGA填补的迭代去噪自编码器[16]、用于结构监测重构的反向传播和广义回归神经网络[17]，以及用于信号丢失下健康监测[18]或锂离子电池RUL预测[19]的生成对抗填补网络。对于序列退化建模，CNN-LSTM混合模型已应用于重构时间依赖特征[20]，并提出了多任务LSTM框架来联合执行填补和RUL预测，从而共享退化感知表征[21]。

尽管深度生成学习方法通常能实现优越的填补精度，但仅优化填补精度并不能保证在数据缺失条件下有效的数据到健康状态映射；不受约束的生成能力可能产生物理上不合理或"幻觉式"的重构，引入冗余或有偏信息，从而削弱可解释性，并可能误导下游RUL估计。

因此，在MDF与底层健康状态之间建立有效且物理一致的映射是可靠RUL预测的基础。然而，有效的预后不一定总是需要完整的MDF集合。即使在部分数据随机缺失的情况下，剩余观测仍然保留部分反映底层退化过程方面的映射。对于DGA数据，数据不完整的情况经常发生[12]，当某些气体缺失时，剩余气体组分仍然保留部分支持底层健康状态映射的信息。这是因为变压器中故障诱导的气体生成受明确定义的物理化学机制控制。绝缘油和纸的热降解和电降解以相对固定的化学计量比例产生特征气体物种，导致不同气体组分之间存在内在相关性。这种物理化学耦合使得即使在MDF缺失的情况下也能保留部分健康状态信息，从而能够在不重构缺失MDF的情况下恢复底层的数据到健康状态映射。通过补偿不完整的映射而非直接重构缺失数据本身，仍可实现可靠的RUL预测，同时保持健康状态表征的物理一致性。此外，这种方法避免了仅依赖数据分布来描述退化行为。

尽管映射补偿前景广阔，但具体实施策略仍未得到充分探索。一个实际途径是学习跨单元的映射表征，从而可以从其他单元观察到的同源模式推断给定单元的缺失映射。这一方法得到以下事实的支持：不同类型变压器绝缘老化遵循相似的物理化学规律，这会在MDF到健康状态映射空间中产生一致的变换，为跨单元映射补偿提供了物理基础。

然而，跨单元信息传递并非普遍适用。变压器设计、油品配方、运行模式和环境条件的差异可能导致映射空间中的分布偏移。在此类偏移下不受控的信息传递可能导致有偏的补偿和降低的预后可靠性。因此，确保共享表征的一致性至关重要。

本研究旨在开发一种在随机缺失引起的MDF不完整条件下的新RUL预测方法，从而解决现有重构驱动方法的局限性。缺失数据问题被概念化为MDF与底层健康状态之间映射的不完整性，并通过跨单元交互而非直接传感器值重构来补偿该不完整映射。关键挑战在于从其他样本构建可迁移的映射表征，以及设计一种可靠的跨单元传递机制来补充映射的缺失部分。此外，补偿后的映射应保留预后相关性，确保恢复的表征能有效贡献于下游RUL估计和维护决策。

图神经网络（GNN）为映射补偿提供了一种自然工具，它将单元表示为节点，并根据机理和操作相似性定义边，从而形式化邻域的概念并通过信息传播加以利用[22]。受此启发，本研究提出了一种多视角邻域交互式健康状态映射补偿框架（HSMC），用于MDF不完整条件下的变压器RUL预测。本研究的主要贡献总结如下。

1. 本研究引入了从传统MDF填补缺陷向健康状态映射补偿的转变。HSMC通过跨单元交互补偿MDF与健康状态之间的不完整映射。这种替代策略通过采用面向RUL的映射补偿策略和不确定性感知区间预测方案，避免了MDF重构固有的偏差和不确定性累积，从而实现了在随机缺失MDF下的可靠RUL预测。

2. 提出了一种邻域补偿策略以解决不完整的健康状态表征问题。从三个互补视角构建多视角状态邻接结构，以揭示样本间的退化驱动关系。随后，分层图注意力机制执行视角特定的补偿和自适应融合，实现不完整映射的一致且物理可解释的恢复。

3. 开发了一种包含区间置信度的复合损失函数，以捕获和表达由不完整的健康状态映射引起的不确定性。该损失将预测精度与区间可靠性相结合，引导模型生成可信的RUL区间，从而增强其在处理缺失MDF时的鲁棒性和可靠性。

本文其余部分组织如下。第2节综述相关工作并介绍映射补偿的理论初步知识。第3节详细介绍提出的HSMC框架。第4节报告基于真实变压器运行数据的实验结果并提供全面讨论。第5节总结本文并概述未来研究潜在方向。

章节片段

基于GNN的PHM信息传播

GNN在建模PHM中的复杂依赖关系方面已展现出巨大潜力[23]。近期工作已将GNN和图注意力网络（GAT）应用于各种PHM任务，如轴承诊断、燃气涡轮发动机RUL预测和旋转机械监测。通过将传感器通道或时间片段表示为节点并定义边来建模相关性或物理关系，这些方法有效捕获了空间和时间依赖关系，并在RUL预测中展现了强大能力。

基于健康状态映射补偿的RUL预测框架

本研究提出了一种基于健康状态映射补偿的电力变压器RUL预测方法，旨在解决MDF不完整带来的RUL预测建模挑战。所提方法不直接填补或生成缺失的MDF，而是通过跨单元信息交互来补偿不完整的映射。整体框架如图1所示。具体而言，该框架通过实现映射补偿和RUL预测。

案例研究

为全面评估所提出的RUL预测框架，本文使用油浸式电力变压器的真实DGA数据进行验证实验。数据集来自[40]。该数据集包含470个在不同区域和运行条件下运行的电力变压器的健康状况快照，每台变压器的健康状况由14个监测参数表征，包括H2、O2及其他关键指标。该数据集未...

结论

本文提出的方法有效解决了变压器状态评估中在DGA监测数据缺失条件下的RUL预测挑战。开发了一种新型HSMC框架，在不依赖直接传感器值填补的情况下增强退化状态表征。三种互补视角的整合有助于保留退化过程的物理可解释性，并提高了健康状态表征和RUL估计的精度。

CRediT作者贡献声明

Yajing Li：初稿撰写、方法论、调查研究、概念构思。Jian Feng：审阅与编辑、方法论、概念构思。Senxiang Lu：调查研究。Yu Yao：方法论。

利益冲突声明

作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

Yajing Li | Jian Feng | Senxiang Lu | Yu Yao