基于有限数据的变压器剩余使用寿命预测创新方法

《Array》：Innovative Methods Predicting the Remaining Useful Life of Transformer Using Limited Data

　　

电力在当今生活中至关重要，预计到2024年电力消费将增长高达80%，这使得变压器不可或缺。在发展中国家，发电厂中的电力变压器通常未得到定期监测，导致剩余使用寿命（RUL）下降更快。数据限制并非决定机器学习准确性的借口，而是要提高准确性。本文介绍了一种利用反向传播神经网络（BPNN）方法预测变压器剩余使用寿命（RUL）的创新方法。反向传播神经网络（BPNN）能够提升性能并实现高精度。本研究展示了BPNN预测变压器剩余使用寿命（RUL）的能力，同时将其预测结果与多元线性回归（MLR）和随机森林（RF）方法进行了比较。改进的决策支持有助于及时维护规划、部件更换、基础设施投资和定期预防性维护策略。反向传播神经网络（BPNN）方法对剩余使用寿命（RUL）的预测结果为：2023年24.9800年，2024年23.9800年，2025年22.9800年，预测准确率100%；MLR方法为2023年24.9837年，2024年23.9849年，2025年22.9855年，准确率99.98%；RF方法为2023年22.9942年，2024年23.9944年，2025年22.9047年，准确率99.99%。对BPNN方法的第三次比较显示其在误差方面具有优势：R²=1.00，MAD=0.00，MSE=0.00，MAPE=0.38%，MAE=0.00，RMSE=0.00。因此，反向传播神经网络（BPNN）方法是在战略电气系统背景下生成精确长期预测的一种高效且可靠的方法。

**论文解读：基于有限数据的变压器剩余使用寿命预测创新方法**

**研究背景与问题**
电力作为现代社会的核心能源，其需求持续增长，预计到2024年将增加80%。变压器作为电力系统中的关键设备，其剩余使用寿命（RUL）的准确预测对于保障供电可靠性、优化维护策略和降低运营成本至关重要。然而，在发展中国家（如印度尼西亚），变压器状态监测基础设施不足，数据记录仍以手动方式进行且不具周期性，导致可用数据有限。现有预测方法（如神经小波、深度长短期记忆网络（LSTM）、威布尔分布等）尽管取得了一定效果，但普遍存在对数据量要求大、训练时间长、超参数调优复杂或对非线性关系建模能力不足等问题。因此，研究人员开展了本研究，旨在提出一种在有限数据条件下仍能高精度预测变压器RUL的创新方法，并发表在《Array》期刊上。

**研究内容与结论**
研究人员利用反向传播神经网络（BPNN）方法，结合负载曲线分析，对变压器RUL进行预测，并与多元线性回归（MLR）和随机森林（RF）方法进行对比。研究基于印度尼西亚PT PLN (Persero) UPT Malang变电站的变压器运行数据（包括电流（A）、顶层油温升（K）、视在功率（MVA）、环境温度（°C）和负载系数（K））以及变压器油绝缘数据（击穿电压（BDV）、含水量、酸度、界面张力（IFT）、颜色和外观）。结果表明，BPNN方法在预测准确率（100%）、R²值（1.00）以及误差指标（MSE、MAE、RMSE等均趋近于零）上均优于MLR和RF方法，且通过5折交叉验证证实了模型的稳定性和泛化能力。该研究的重要意义在于，BPNN能够有效学习复杂非线性关系，即使在数据有限和噪声存在的情况下也能产生可靠预测，为条件维护策略提供了科学依据，从而延长变压器运行寿命并提升电力系统可靠性。

**关键技术与方法**
1. **反向传播神经网络（BPNN）**：采用三层架构（输入层、隐藏层、输出层），使用ReLU激活函数和批量归一化，通过前向传播和反向传播迭代调整权重以最小化误差。
2. **多元线性回归（MLR）**：建立线性回归方程，量化输入变量（电流、顶层油温升等）对RUL的线性影响。
3. **随机森林（RF）**：基于决策树集成的bagging算法，通过多棵回归树投票或平均提高预测精度并抵抗过拟合。
4. **数据预处理**：采用最小-最大归一化（Min-Max Scaling）将输入和输出数据缩放到[-1, 1]区间，并处理缺失值和异常值。
5. **模型评估**：使用R²、MAD、MSE、MAPE、MAE、RMSE和预测准确率等指标，并通过5折交叉验证评估泛化能力。
（样本数据来源：PT PLN (Persero) UPT Malang变电站及气象、气候与地球物理局（BMKG））

**研究结果**
**5.1 变压器负载计算**
通过负载曲线分析2021-2023年峰值负载（分别为36.50 MVA、37.19 MVA、44.05 MVA，占容量61%-73%），发现负载低于80%容量，操作稳定，但仍需定期监测以延缓RUL下降。

**5.2 负载与油况对RUL的影响分析**
对变压器油绝缘数据（BDV、含水量、酸度、IFT、颜色和外观）的评估显示，大部分指标处于“良好”状态（依据IEC 60422-2013和CIGRE 761标准），表明油绝缘性能尚可，但温度升高会加速绝缘老化，减少RUL。

**5.3 基于BPNN方法的RUL预测**
BPNN模型预测2023-2025年RUL分别为24.9800、23.9800、22.9800年，准确率100%。训练和测试阶段R²均接近1（如2023年训练R²=1.000，测试R²=0.99996491），误差指标极低（MSE、MAE趋近0），5折交叉验证平均准确率>99.99987%，无过拟合迹象。

**5.4 基于MLR方法的RUL预测**
MLR模型预测RUL逐年下降（2023年24.9837年，2024年23.9849年，2025年22.9855年），准确率>99.98%。R²从2023年0.5094提升至2024-2025年0.9193，误差较小，无过拟合，但线性假设限制了其对非线性关系的捕捉能力。

**5.5 基于RF方法的RUL预测**
RF模型预测2023-2025年RUL分别为24.9942、23.9944、22.9047年，准确率>99.99%。R²从2023年0.5730提升至2024-2025年0.9599，误差极低，集成机制有效抵抗过拟合。

**5.6 三种方法比较**
BPNN在准确性、误差最小化、非线性建模能力上显著优于MLR和RF，但计算复杂度高、需精细调参；MLR解释性强但精度中等；RF稳定性好且抗过拟合。

**5.7 结合缓解策略的RUL预测比较**
鉴于变压器RUL已超过IEC 60076标准规定的20.55年正常寿命，研究人员提出预防性维护策略（如冷却系统检查、绝缘油测试等），可安全延长运行寿命，避免突发故障。

**结论**
BPNN方法在预测变压器RUL方面表现出卓越性能，准确率100%，R²值接近1，误差指标（MSE、MAE、RMSE）几乎为零，优于MLR和RF方法。该模型能够有效学习复杂非线性关系，适应有限数据条件，为变压器条件维护和电力资产优化管理提供了可靠工具。