基于机器学习的电力变压器健康指数评估,使用新颖参数化进行预测性维护:巴基斯坦国家电网维护成本优化的数据驱动研究

《Energies》:Machine Learning-Based Health Index Evaluation of Power Transformers Using Novel Parameterization for Predictive Maintenance: Data-Driven Research on Pakistan’s National Grid Regarding Maintenance Cost Optimization

【字体: 大 中 小 】 时间:2026年08月05日 来源:Energies 3.9

编辑推荐:

  电力变压器是电力系统基础设施的重要组成部分,在高效可靠地将大量电能输送到配电网络方面发挥着关键作用。对这些资产的谨慎使用能够优化电力网络中的输电电压,这是减少电能损耗、提高电网可靠性以及确保互联电力网络中终端用户不间断供电的关键步骤。电力变压器的运行可靠性是确

  
电力变压器是电力系统基础设施的重要组成部分,在高效可靠地将大量电能输送到配电网络方面发挥着关键作用。对这些资产的谨慎使用能够优化电力网络中的输电电压,这是减少电能损耗、提高电网可靠性以及确保互联电力网络中终端用户不间断供电的关键步骤。电力变压器的运行可靠性是确保连续供电的关键方面。健康指数(HI)是确定其实际状况的关键诊断工具。历史上,HI评估基于评分和加权。然而,近期,使用人工智能(AI)和机器学习(ML)预测高压电力变压器健康状况的态度发生了显著转变。尽管取得了进展,但现有基于ML的电力变压器HI预测模型大多依赖于包含不适当参数的不完整数据集。此外,在实现更高预测准确性方面,对传统ML模型的依赖是一个重大限制。本文提出了一种确定电力变压器整体健康状况的先进方法。共选择了二十个最合适且高度相关的输入参数来有效评估变压器状况。这些参数的数据集根据国际工业标准(即IEC、IEEE和ASTM)从巴基斯坦国家电网公司(NGC)运营的木尔坦和拉合尔地区的220 kV和500 kV变电站进行的实时测试中收集。该综合数据集被输入到五个最先进的ML模型中。类别提升回归(CatBoost Regressor)模型表现出卓越性能,实现了最高准确性(R2分数)97.2%和最低平均绝对误差(MAE)1.73。随后,将表现最佳的模型作为实际案例研究,应用于预测拉希姆亚尔汗500 kV变电站和木尔坦500 kV变电站电力变压器的健康指数。为展示所提出框架的经济重要性,通过迭代参数跳过插补策略进行了经济分析,以优化电网维护成本。结果验证了省略四项诊断测试(即介质损耗因数、电容、绝缘电阻和变压器变比)可将经济负担降低46.99%,每个变压器单元节省259,000 PKR的成本。在国家电网中实施该数据驱动框架可显著降低维护成本,并促进从传统预防性维护向先进预测性维护的运营转变。
**论文解读:基于机器学习的电力变压器健康指数评估与预测性维护成本优化研究**

**研究背景与问题**
电力变压器是电力系统的核心资产,负责高效的电压变换与电能传输,其运行可靠性直接关系到电网的稳定与供电连续性。然而,变压器在运行中承受热老化、介电应力、机械形变及化学降解等多重应力,导致绝缘系统(矿物油与纤维素纸)逐渐劣化。传统上,健康指数(HI)评估依赖基于规则的分级加权方法,利用国际标准(如IEEE、IEC、ASTM)设定参数阈值。但该方法存在明显缺陷:权重与边界难以反映参数间的复杂交互,不同标准间的阈值差异引入主观性,且数据缺失现象普遍(因测试成本、调度与物流限制)。近年来,人工智能(AI)与机器学习(ML)被用于预测变压器健康状态,但现有研究多基于不完整数据集或依赖传统ML模型(如随机森林、支持向量机、决策树),预测精度有限。因此,亟需一种数据驱动、高精度且经济可行的HI预测框架,以支持从时间预防性维护向状态预测性维护的转变,并优化电网维护成本。

**研究内容与结论**
研究人员提出了一种基于ML的先进方法,用于评估电力变压器整体健康状况,并实现预测性维护。通过从巴基斯坦国家电网公司(NGC)运营的木尔坦和拉合尔地区的220 kV与500 kV变电站,依据IEC、IEEE、ASTM国际标准进行实时测试,收集了涵盖二十个诊断参数的372条数据记录,包括溶解气体分析(DGA)、糠醛分析、水分含量、酸度、击穿电压(BDV)、介质损耗因数(DDF)、颜色、界面张力(IFT)、变压器变比(TTR)、局部放电(PD)、绕组电阻(WR)、绝缘电阻(IR)、电容及介质损耗因数(DF)。数据集被输入五个最先进的ML回归模型:自然梯度提升(NGBoost)回归器、类别提升(CatBoost)回归器、轻量梯度提升机(LightGBM)回归器、直方图梯度提升(HistGradientBoost)回归器与极端梯度提升(XGBoost)回归器。CatBoost Regressor表现最优,R2分数达0.972,平均绝对误差(MAE)为1.73。随后,将该模型应用于拉希姆亚尔汗500 kV变电站(10个单元)与木尔坦500 kV变电站(14个单元)的HI预测案例研究。经济分析采用迭代参数跳过插补策略,利用CatBoost Regressor预测被省略的参数,验证了省略DF、电容、IR与TTR四项测试(成本最高)可节省46.99%的诊断费用(每单元259,000 PKR),而HI仅偏差1.34%。该研究发表于《Energies》。

**关键技术与方法**
研究采用的主要技术包括:①基于国际标准(IEC、IEEE、ASTM)的实时测试数据采集,样本来自巴基斯坦国家电网公司(NGC)木尔坦与拉合尔地区的220 kV与500 kV变电站;②五个先进梯度提升回归模型(NGBoost、CatBoost、LightGBM、HistGradientBoost、XGBoost)的构建与比较,使用R2分数与MAE评估;③CatBoost Regressor的对称决策树与有序提升机制,自动处理类别特征并防止过拟合;④迭代参数跳过插补策略,用于经济分析,通过模型预测缺失测试值以优化维护成本。

**研究结果**
**5.1 R2分数**:通过比较五个ML模型的决定系数,CatBoost Regressor预测精度最高(R2=0.972),归因于其对称树结构、类别特征优化处理与正则化技术,有效捕捉了输入参数与HI的非线性关系。NGBoost、XGBoost、HistGradientBoost的R2分别为0.969、0.968、0.96,LightGBM最低为0.958。

**5.2 MAE**:CatBoost Regressor的预测误差最低(MAE=1.73),得益于其对称树生长与有序提升机制,最小化经验损失并抑制预测偏移。XGBoost、NGBoost、HistGradientBoost的MAE分别为1.82、1.88、2.3,LightGBM最高为2.32。

**5.3 回归图**:CatBoost Regressor的回归散点图显示预测HI与真实HI沿理想线紧密聚集,表明模型精确映射了变压器退化参数与实际健康状态,可早期识别绝缘劣化。

**5.4 相关性矩阵热图**:皮尔逊相关系数热图显示,水分含量(-0.84)、糠醛分析(-0.83)、酸度(-0.73)与HI呈强负相关,对应水分侵入、绝缘老化与油氧化;界面张力(0.79)与击穿电压(0.77)呈强正相关,表明高值对应优化运行状态。该统计映射验证了特征选择过程的物理合理性。

**案例研究**
**6.1 拉希姆亚尔汗500 kV变电站**:使用CatBoost Regressor预测10个变压器单元的HI,结果范围为87%至98%,均归类为健康,无需纠正性维护。高HI归因于该站2018年投运(仅8年)及年度预防性维护协议。

**6.2 木尔坦500 kV变电站**:预测14个单元的HI,范围为73%至98%,呈现较大差异。老旧单元(1986年投运,如T1、T2)HI为73%-75%,处于中等状态;较新单元(2022年投运,如T3-T5)HI达96%;备用相位HI为98%。该差异源于资产寿命周期与维护一致性。

**经济分析**
通过迭代参数跳过插补策略,以CatBoost Regressor预测被省略的测试值。分析表明,可安全省略四项成本最高的测试(DF、电容、IR、TTR),HI仅偏差1.34%,节省46.99%诊断成本(每单元259,000 PKR)。进一步省略会导致HI偏差超4%,威胁运行可靠性。该阈值验证了框架的实用性。

**结论讨论**
本研究提出并验证了基于ML的数据驱动方法,用于预测电力变压器HI以实现预测性维护,并通过新颖参数化解决国家电网维护成本优化挑战。CatBoost Regressor表现最优(R2=0.972,MAE=1.73)。案例研究验证了其在实际变电站中的有效性,预测HI范围为73%-98%。经济分析表明,省略四项测试可节省46.99%成本,同时保持HI偏差仅1.34%。该框架为从传统预防性维护向成本优化预测性维护的过渡提供了可扩展、高保真的路径,可显著降低巴基斯坦国家电网的维护费用并保障资产可靠性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号