Применение методов машинного обучения для идентификации технического состояния маслонаполненных измерительных трансформаторов

136

диагностика и мониторинг

Применение методов 
машинного обучения для 
идентификации технического 
состояния маслонаполненных 
измерительных трансформаторов

УДК 621.314.22.08:004.855

Хальясмаа

А

.

И

., 

к.т.н., доцент кафедры 

«Электрические 

станции» ФГБОУ ВО 

«Новосибирский 

государственный 

технический 

университет» 

Ключевые

слова

:

трансформатор тока, 

оценка технического 

состояния, обработка 

данных, машинное 

обуче ние, распознава-

ние образов

Статья

посвящена

проблеме

оценки

фактического

состояния

маслонаполнен

-

ных

измерительных

трансформаторов

тока

как

одного

из

видов

вспомогатель

-

ного

высоковольтного

оборудования

распределительных

устройств

станций

и

подстанций

, 

для

которых

характерно

отсутствие

систем

мониторинга

и

, 

как

следствие

, 

высокая

неопределенность

при

идентификации

технического

состо

-

яния

. 

Автором

статьи

реализована

пошаговая

процедура

обработки

исходных

данных

, 

включающая

в

себя

подбор

и

преобразование

отдельных

признаков

и

классов

состояний

, 

восстановление

пропусков

в

исходных

данных

, 

анализ

коллинеарности

признаков

и

направленная

на

повышение

точности

иденти

-

фикации

состояния

оборудования

. 

Задача

распознавания

классов

состояний

трансформаторов

тока

решена

с

использованием

алгоритмов

случайного

леса

и

градиентного

бустинга

над

деревьями

решений

. 

Апробация

разработанной

системы

выполнена

на

основе

базы

данных

парка

оборудования

региональной

сетевой

компании

, 

что

позволило

получить

решение

эксплуатационной

за

-

дачи

 — 

формирование

ранжированных

списков

оборудования

для

включения

в

программу

ремонтов

и

обслуживания

.

СОВРЕМЕННЫЕ

ПОДХОДЫ

К

АНАЛИЗУ

ТЕХНИЧЕСКОГО

СОСТОЯНИЯ

ВЫСОКОВОЛЬТНОГО

ОБОРУДОВАНИЯ

Современные  системы  мониторинга  и  диагностики  состояния  высоко-

вольтного электроэнергетического оборудования позволяют анализиро-

вать состояние их различных видов и элементов при помощи различных 

методов неразрушающего контроля, среди которых можно выделить ос-

новные следующие:

1)  анализ состояния маслонаполненных силовых и измерительных транс-

форматоров чаще всего реализуется с помощью физико-химического 

анализа  трансформаторного  масла  и  хроматографического  анализа 

газов, растворенных в масле, с помощью инфракрасной термографии 

[1] или методов анализа частичных разрядов в изоляции [2];

2)  анализ  состояния  кабельных  линий  реализуется  с  использованием 

распределенных  датчиков  температуры  (анализ  износа  изоляции 

и загрузки кабелей) [3], контроля токов в экранах и оболочках кабелей 

[4] и мониторинга частичных разрядов в изоляции с помощью специ-

альных сенсоров [5];

3)  для анализа состояния воздушных линий электропередачи применя-

ется контроль загрязненности изоляции [6, 7] и контроль обледенения 

проводов линий [8–10];

4)  методы диагностики вращающихся электрических машин направле-

ны на выявление вибраций статора [11, 12], анализа напряженности 

магнитного поля в воздушном зазоре и выявление частичных разря-

дов и замыканий в обмотках [12–14] и др. 

Сегодня  для  реализации  вышеописанных  систем  производители 

электротехнического  оборудования  и  энергокомпании  разрабатыва-

ют специализированное программное обеспечение (ПО), различное по 

структуре, принципам реализации, математическим подходам, назначе-

нию и т.д. [15–16]. 

137

Некоторое  ПО,  предлагаемое  крупными  коммер-

ческими компаниями [15–16], использует постоянный 

контроль  значений  параметров  режима  работы  вы-

соковольтного  оборудования  не  только  для  анализа 

его работы, но и для прогнозирования его жизненного 

цикла. Например, ABB реализует этот подход с помо-

щью анализа рисков в соответствии с теорией надеж-

ности  энергосистем,  оперируя  вероятностными  рас-

пределениями отказов элементов систем.

Некоторые исследователи (как, например, в рабо-

те [17]) предлагают взамен устанавливаемого ПО для 

анализа состояния оборудования использовать бра-

узерный продукт, доступ к которому может осущест-

вляться  удаленно  со  всех  доступных  устройств,  как 

на обычный интернет-сайт: данные из системы мони-

торинга  загружаются  пользователем  на  сервер  и  на 

основании ретроспективных данных об эксплуатации 

элемента системы определяется индекс исправности 

оборудования.

В любом случае, как бы ни была выполнена про-

граммная реализация (в виде привычных программ-

ных пакетов или браузерных продуктов), работа сис-

тем  мониторинга  и  диагностики  высоковольтного 

электроэнергетического  оборудования  электриче-

ских станций и подстанций во многом зависит от ма-

тематических методов обработки и анализа данных.

Большинство  современных  систем  по-прежнему 

используют  классические  математические  подходы 

на основе продукционных правил, методов статисти-

ческого  анализа  и  т.д.,  но  не  всегда  такие  подходы 

являются эффективными. Онлайн-мониторинг состо-

яния высоковольтного оборудования сегодня по праву 

можно отнести к так называемым системам с Big Data, 

так  как  число  анализируемых  параметров  и  их  объ-

емы  уже  сложно  интерпретировать  классическими 

методами не только с точки зрения самих алгоритмов, 

но и с точки зрения вычислительных мощностей, кото-

рые требуются при классических подходах. 

Все вышесказанное заставило разработчиков со-

временных систем мониторинга и диагностики состо-

яния оборудования искать новые методы и подходы 

к  анализу  состояния  электроэнергетического  обору-

дования, в результате чего и возникло целое направ-

ление применения методов машинного обучения для 

решения задач анализа технического состояния обо-

рудования.

АНАЛИЗ

ТЕХНИЧЕСКОГО

СОСТОЯНИЯ

ТРАНСФОРМАТОРОВ

ТОКА

Необходимость

анализа

технического

состояния

оборудования

.

 Одним из ключевых требований к со-

временным  энергосистемам  является  наблюдае-

мость,  которая  отражает  свойство  объекта  электро-

энергетики,  показывающее  насколько  получаемый 

от  него  объем  телеметрической  информации  соот-

ветствует  требованиям  процессов  управления  энер-

госистемой. Для обеспечения наблюдаемости широ-

кое  применение  нашли  системы  оценки  состояния, 

то есть расчеты установившегося режима на основе 

ограниченной  телеметрической  информации,  посту-

пающей с объектов электроэнергетики. 

Основным оборудованием, обеспечивающим на-

блюдаемость на объекте электроэнергетики, являют-

ся измерительные трансформаторы — трансформа-

торы тока (ТТ) и напряжения (ТН). Данные устройства 

также используются для целей коммерческого учета 

электроэнергии, релейной защиты и противоаварий-

ной автоматики. 

Особая важность измерительных трансформато-

ров связана с применением информации от данных 

устройств в системах противоаварийной и режимной 

автоматики, в частности, для автоматики предотвра-

щения перегрузки оборудования (АОПО), где превы-

шение значения допустимого тока по защищаемому 

элементу является пусковым органом для примене-

ния  управляющих  воздействий  на  отключение  ге-

нерации  или  нагрузки.  Поэтому  техническая  неис-

правность  измерительных  трансформаторов  может 

привести  к  потере  противоаварийного  управления 

или перерегулированию.

Таким  образом,  техническое  состояние  изме-

рительных  трансформаторов  напрямую  влияет  на 

устойчивость и надежность энергосистемы в целом. 

Кроме того, их технические повреждения могут при-

водить к каскадным авариям, в результате которых 

возможны многочасовые ограничения потребления, 

а также сложные восстановительные работы.

Для  энергокомпаний  и  собственников  электри-

ческих  станций  и  подстанций  единство  процесса 

производства  и  передачи  электрической  энергии 

(технологическая  связь)  вызывает  необходимость 

в  обеспечении  надежности  и  регулировании  техно-

логических  факторов  в  равной  степени  для  каждой 

единицы  оборудования  на  энергообъекте,  поэтому 

состояние измерительных трансформаторов (как ча-

сти этой системы) также анализируется в рамках про-

грамм технического обслуживания и ремонтов (ТОиР) 

оборудования.  В  свою  очередь,  именно  программа 

ТОиР является основной для корпоративной системы 

управления  производственными  активами  и  форми-

рования инвестиционных программ энергокомпаний.

Все  вышесказанное  делает  задачу  анализа  тех-

нического состояния трансформаторов тока и напря-

жения для сетевых компаний не менее важной, чем 

любого  другого  высоковольтного  оборудования  на 

энергообъекте.

Применение

методов

машинного

обучения

.

  Ав-

тором  статьи  были  проведены  многочисленные  ис-

следования,  доказывающие  эффективность  приме-

нения  методов  машинного  обучения  для  решения 

представленных  задач  для  крупных  единиц  обору-

дования,  таких  как,  например,  силовой  трансфор-

матор  и  силовой  выключатель.  Особенности  ана-

лиза  состояния  такого  оборудования  заключаются 

в  избыточности  данных  в  связи  с  встроенными  на 

таких  единицах  оборудования  большого  числа  сис-

тем  мониторинга,  ориентированных  на  сбор  пара-

метров функционирования оборудования различной 

физической природы. Наличие систем мониторинга 

в  сравнении  с  данными  результатов  технического 

диагностирования  (в  рамках  плановых  ремонтов) 

обеспечивает не только достаточный объем данных 

для их анализа, но и значительно повышает их точ-

ность и полноту, а также минимизирует влияние че-

ловеческого фактора, а именно снижает количество 

выбросов и пропусков в данных.

№

 6 (63) 2020

138

Проблема анализа технического состояния изме-

рительных трансформаторов в отличие от анализа со-

стояния  крупных  единиц  оборудования  усложняется 

отсутствием систем мониторинга на объектах данного 

типа и в этих условиях является многокритериальной 

задачей в условиях неопределенности, а значит и до-

биться требуемой точности в идентификации состоя-

ния такого оборудования кратно сложнее.

Основная  цель  данного  исследования  заклю-

чалась  в  поиске  эффективного  решения  задачи 

идентификации  технического  состояния  маслона-

полненных  измерительных  трансформаторов  (ТТ) 

в условиях неопределенности и малого объема ис-

ходных данных. 

РАСЧЕТНЫЙ

ПРИМЕР

Для  подтверждения  гипотезы  об  эффективности 

применения методов машинного обучения для ана-

лиза технического состояния измерительных транс-

форматоров с целью решения многокритериальной 

задачи в условиях неопределенности первоначаль-

но была разработана математическая модель адап-

тивной системы анализа технического состояния ТТ 

и  реализована  на  Pythone  в  командной  оболочке 

Jupiter Notebook, а также апробирована на реальных 

данных крупного энергоузла Свердловской области.

Извлечение

признаков

.

  Исходные  данные  для 

анализа технического состояния масляных ТТ в дан-

ном  случае  —  это  результаты  технического  диа-

гностирования  оборудования  крупного  энергоузла 

Свердловской области на основе различных методов 

неразрушающего  контроля,  реализованных  в  соот-

ветствии  с  установленной  нормативной  документа-

цией и выполненные как в соответствии с плановым 

обслуживанием оборудования, так и в случаях вне-

плановых работ, необходимых по фактическому со-

стоянию оборудования.

Сбор  данных  для  анализа  ТТ  осуществлялся 

вручную на основе протоколов диагностики и осмот-

ров оборудования, а также анализа паспортных дан-

ных  оборудования.  По  результатам  сбора  данных 

была сформирована исходная база данных, включа-

ющая в себя перечень параметров, представленных 

в таблице 1.

ДИАГНОСТИКА 

И  МОНИТОРИНГ

Табл. 1. Извлечение признаков для анализа состояния трансформатора тока

Параметр

Описание

target

Состояние оборудования (экспертная оценка) сгруппировано в два класса (0 — неудов-

летворительное, неисправное; 1 — удовлетворительное, хорошее)

year

Год выпуска. Пересчитывается возраст оборудования [

age

] = 2019 – [

year

]

I

conn

Номинальный ток присоединения, в котором установлен ТТ, А

H

2

,

 CH

4

,

 C

2

H

4

,

 C

2

H

6

,

 C

2

H

2

,

 CO

2

,

CO

,

 vH

2

,

 vCH

4

,

 vC

2

H

4

,

 vC

2

H

6

Данные хроматографического анализа растворенных в масле газов: концентрации газов 

и скорости их изменения

moist

Влагосодержание

U

breakdown

Напряжение пробоя

acidNr

Кислотное число

purity

Класс промышленной чистоты

T

flame

Температура вспышки в закрытом тигле

tg

Oil

90

Тангенс угла диэлектрических потерь трансформаторного масла при 90°С

R

main

20

Сопротивление основной изоляции, приведенное к 20°С

R

secondary

20

Сопротивление изоляции вторичных обмоток, приведенное к 20°С, минимальное

tg

Rmain

20

Тангенс угла диэлектрических потерь основной изоляции, приведенный к 20°С

rubber_age

Степень старения резиновых уплотнений (0 — норма, 1 — трещины, 2 — разрушены, 

капельная течь масла)

porcelain

Наличие сколов фарфоровой покрышки (0 — нет сколов, 1 — незначительные сколы, 

2 — недопустимые сколы)

no_leveling

Отсутствие уравнительного проводника между крышкой и оголовником (0 — наличие, 

1 — отсутствие)

air_

fi

 lter_malfunction

Неисправность воздухоосушительного фильтра (0 — норма, 1 — дефект)

low_oil

Низкий уровень масла по маслоуказателю (0 — норма, 1 — дефект) 

outer_heating

Нагрев внешних КС, степень дефекта (0 — норма, 1 — начальная, 2 — развившийся, 

3 — аварийный)

I

_thermal

Величина тока нагрузки при тепловизионном обследовании, А

T

max_outercont_thermal

Максимальная измеренная температура нагрева внешнего контактного соединения, °С

T

min_outercont_thermal

Минимальная измеренная температура внешнего контактного соединения других фаз, °С

T

air_thermal

Температура воздуха при тепловизионном обследовании, °С

139

Преобразование

признаков

.

  Монотонное  преоб-

разование признаков критично для одних алгоритмов 

и не оказывает влияния на другие, поэтому в данном 

случае было необходимо проанализировать распре-

деления значений признаков.

1. 

Изменение

распределения

.

  Первоначально 

анализировались  распределения  значений  призна-

ков с помощью box-and-whiskers diagram — графика, 

использующегося  в  описательной  статистике,  ком-

пактно изображающего одномерное распределение 

вероятностей.  Данный  формат  позволяет  отобра-

зить 25 (первый квартиль), 50 (медиана), 75 (третий 

квартиль), 98 и 2 (границы статистически значимой 

выборки) процентили на одном графике. Границами 

ящика служат первый и третий квартили (25-й и 75-й 

процентили соответственно), линия в середине ящи-

ка — медиана (50-й процентиль). Концы усов — края 

статистически значимой выборки.

По  полученным  графикам  можно  оценить  коэф-

фициент асимметрии распределения. Значительная 

доля алгоритмов машинного обучения делает пред-

положение  о  нормальном  распределении  данных; 

при  наличии  асимметрии  распределения  величины 

рекомендуется  изменить  логарифмическим  преоб-

разованием,  поскольку  на  данных  с  искривленным 

распределением  возможно  ухудшение  предсказа-

тельных способностей алгоритма. На рисунке 1 при-

ведены  примеры  графиков  распределения  величин 

признаков  со  сплошными  величинами  в  исходных 

данных.

Из  рисунка  1  видно,  например,  что 

CO

2

, 

moist

, 

tg

Rmain

20

  имеют  положительную  асимметрию;  сильно 

положительно  асимметричны  распределения

 tg

Oil

90

, 

acidNr

, 

R

secondary

20

, 

C

2

H

4

, 

CH

4

, 

C

2

H

6

 (также 

H

2

,

 CO

,

 C

2

H

2

; 

не  указаны); 

U

breakdown

  слабо  отрицательно  симме-

трична. Признаки 

moist

, 

tg

Rmain

20

, 

tg

Oil

90

, 

I

conn

, 

R

secondary

20

, 

все  признаки  хроматографии  имеют  значительное 

число выбросов за границами статистически значи-

мой выборки. 

Для приведения к нулю асимметрии распределе-

ний и включения выбросов в границы статистически 

значимой  выборки  было  выполнено  логарифмиче-

ское  преобразование  по  формуле 

log

10(

x 

+  0,0001) 

для  признаков  хроматографии, 

moist

, 

acidNr

, 

tg

Oil

90

, 

R

main20

, 

R

secondary

20

, 

tg

Rmain20

. Результаты преобразования 

представлены на рисунке 2. Для признаков хромато-

графии  удалось  только  сократить  число  выбросов; 

в то время как у признаков 

moist

, 

acidNr

, 

tg

Oil

90

, 

R

main20

, 

R

secondary

20

, 

tg

Rmain20

 значительно сократилось число вы-

бросов и их распределения обрели менее асиммет-

ричный вид.

2. 

Анализ

взаимодействия

признаков

.

 Исходные 

данные  имеют  значительное  число  пропусков  и  не 

сбалансированы  по  классам.  Распределение  коли-

чества  записей  классов  состояний  оборудования, 

взятых  из  диагностических  заключений  лаборато-

рий, приведено в таблице 2.

При  малом  объеме  выборки,  описывающей  от-

дельный класс, обученный алгоритм не будет обла-

дать  достаточной  обобщающей  способностью.  Для 

расширения  выборки  и  упрощения  задачи  класси-

фикации было решено объединить классы попарно: 

«непригодное» и «неудовлетворительное» в класс 0 

(64  записи;  4,63%  от  всей  выборки),  «хорошее» 

Табл. 2. Распределение по классам

Состояние

Соотношение

Число

записей

Непригодное

2,80%

37

Неудовлетворительное

2,05%

27

Удовлетворительное

67,80%

895

Хорошее

27,30%

360

Рис

. 1. 

Графики

распределения

признаков

: 

а

) 

CO

2

;

б

)

moist

; 

в

) 

T

flame

; 

г

) 

I

conn

;

д

) 

acidNr

; 

е

) 

R

secondary20

0

1000

2000

3000

0,00

0,05

0,10

0,15

0,20

0,0

0,1

0,2

0,3

0,4

0

20

40

60

15000

10000

5000

0

135

140

145

150

155

г)

а)

д)

б)

е)

в)

№

 6 (63) 2020

140

Рис

. 2. 

Графики

распределения

признаков

после

логарифмического

преобразования

: 

а

) 

H

2

;

б

)

CH

4

; 

в

) 

C

2

h

4

; 

г

) 

C

2

H

6

;

д

) 

CO

; 

е

) 

CO

2

-4

-4

-4

-3

-3

-3

-2

-2

-2

-1

-1

-1

0

-4,0

-4,0

-3,5

-3,5

-3,0

-3,0

-2,5

-2,5

-1,5

-2,5

-2,0

-2,0

-1,0

-1,5

-2,0

г)

а)

д)

б)

е)

в)

ДИАГНОСТИКА 

И  МОНИТОРИНГ

и  «удовлетворительное»  в  класс  1  (1255  записей; 

95,37% от всей выборки).

С  точки  зрения  диагностики  состояния  оборудо-

вания (физики процесса и природы данных) объеди-

нение этих классов достаточно обосновано, так как 

в ходе анализа классовой принадлежности было вы-

явлено, что классы «непригодное» и «неудовлетво-

рительное»,  и  «удовлетворительное»  и  «хорошее» 

являются пересекающимися соответственно, а раз-

личия граничных значений параметров в первом слу-

чае наблюдается только у 8% параметров от общего 

числа, а во втором — у 13% параметров.

Для  дальнейшего  сокращения  неравномерности 

распределения  в  ходе  фильтрации  данных  под  со-

кращение в приоритете будет попадать класс 1 как 

наиболее представленный (полный) и удаление ча-

сти  строк  для  класса  1  не  ведет  к  потере  большой 

доли информации.

3. 

Заполнение

пропусков

.

 Для анализа пропусков 

в  данных  и  возможности  восстановления  данных 

была  проанализирована  зависимость  числа  пропу-

сков  от  признака.  Результаты  представлена  на  ри-

сунке 3.

Из  рисунка  3  видно,  что  наиболее  заполненны-

ми  являются  признаки 

rubber_age

, 

porcelain

, 

air_

fi

 lter_

malfunction

, 

low_oil

, 

outer_heating

, 

no_leveling

,  причем 

пропуски наблюдаются только у класса 1. 

Пропуски  были  заполнены  наиболее  частыми 

значениями,  определенными  с  помощью  функции 

библиотеки pandas df.mode(). При этом для призна-

target

rubber_age

air_

fi

 lter_malfunction

porcelain

low_oil

no_leveling

U

breakdown

R

main

20

I

conn

R

secondary

20

year

tg

Rmain

20

outer_heating

moist

T

air_thermal

acidNr

CO

2

CO

CH

4

C

2

H

4

T

flame

C

2

H

6

C

2

H

2

T

max_outercont_thermal

T

min_outercont_thermal

I

_thermal

tg

Oil

90

purity

vH

2

vC

2

H

2

vC

2

H

6

vCH

4

vC

2

H

4

1200

1000

800

600

400

200

0

Рис

. 3. 

Распределение

пропусков

в

наборе

исходных

данных

target

air_

fi

 lter_malfunction

no_leveling

porcelain

rubber_age

low_oil

U

breakdown

I

conn

R

main

20

R

secondary

20

tg

Rmain

20

acidNr

year

moist

T

flame

outer_heating

tg

Oil

90

CO

2

C

2

H

4

CH

4

H

2

CO

C

2

H

6

C

2

H

2

500

400

300

200

100

0

Рис

. 4. 

Распределение

пропусков

в

наборе

исходных

дан

-

ных

после

преобразования

141

0

Возраст, лет

Вероятность, %

-0,4

-0,3

-0,2

-0,1

0

0,1

0,2

0,3

40

20

60

ка «Нагрев внешних КС» (

outer_heating

) было принято 

решение  не  восстанавливать  пропуски,  так  как  от-

сутствие перегрева может быть характерно и для ис-

правного, и для неисправного ТТ. 

Для признаков 

U

breakdown

 и 

I

conn

 пропуски за редкими 

исключениями также принадлежат классу 1. Анализ 

этих параметров показывает, что:

– значения для данных признаков заполнены более 

чем на 50% и корреляции Спирмена с состоянием 

ТТ  для  обоих  признаков  составляют  0,2  и  –0,3, 

это подтверждает то, что данные признаки некор-

ректно удалять целиком;

– пропуски в данных для этих параметров преиму-

щественно характерны для исправных ТТ;

– восстановить  значения  не  представляется  воз-

можным, так как для 

U

breakdown

 нет связанных пара-

метров для восстановления, а для 

I

conn

 характерна 

значительная  неопределенность;  даже  если 

сопоставлять названия трансформатора с номи-

нальными  токами,  на  которые  он  рассчитан,  то 

удалить  строки  можно  только  для  класса  1,  что 

не  повлияет  на  обобщающие  свойства  исполь-

зуемого  алгоритма,  так  как  класс  достаточно 

полный; для класса 0 аналогичные действия (как 

для класса 1) приведут к сокращению, в том чис-

ле, примерно четверти строк, которые к тому же 

содержат  данные  о  хроматографии  или  диагно-

стическом контроле сопротивлений; поэтому для 

класса 1 строки с пропусками в колонках 

U

breakdown

, 

I

conn

 были удалены, для класса 0 — сохранены.

Признак 

outer_heating

 и признаки-результаты теп ло-

визионного контроля связаны: для строк, где данные 

с тепловизора заполнены, было замечено, что 

outer_

heating 

= 2 и 

outer_heating 

= 1 обозначены при превыше-

нии максимальной температуры трансформатора над 

температурой воздуха на 7°С и 4°С соответственно. 

Наличие значительного числа пропусков в признаках 

по  тепловизионному  контролю,  возможно,  связано 

с тем, что данные по ТТ анализировались с 1996 года, 

а обязательным тепловизионный контроль в РФ стал 

гораздо  позднее.  Поскольку 

outer_heating

  включает 

в  себя  данные  тепловизионного  контроля  и  имеет 

меньше пропусков, то признаки тепловизионного об-

следования были сокращены целиком.

Признаки  хроматографического  анализа,  опи-

сывающие  скорость  изменения  содержаний  газов 

в  масле  не  заполнены  практически  полностью,  по-

этому были полностью сокращены.

Класс промышленной чистоты масла показывает 

число примесей в масле, в том числе тех, которые 

способны  создавать  проводимость.  Была  выдвину-

та  гипотеза,  что  чистота  масла  является  причиной 

снижения напряжения пробоя масла, и это коррели-

рующие величины. Рассчитать корреляцию для них 

не удалось, так как данных по классу чистоты недо-

статочно. Из-за малочисленности данных и потенци-

ального  дублирования  напряжения  пробоя  признак 

класса чистоты был также полностью сокращен.

Признак 

year

  (год)  был  преобразован  в  признак 

возраста оборудования 

age

 по формуле:

age

 = 2019 – 

year

.

После всех преобразований (рисунок 4) итоговое 

распределение данных по классам составило 8,85% 

(класс 0; 59 строк) к 91,15% (класс 1; 601 строка). На 

рисунке  5  представлены  примеры  распределения 

признака 

age

 в зависимости от состояния ТТ.

На основе полученных распределений можно ска-

зать,  что  для  неисправных  трансформаторов  более 

вероятен возраст, превышающий 40 лет, c напряже-

нием пробоя менее 40 В, приведенным к 20°С, c со-

противлением  основных  обмоток  менее  1000  МОм, 

приведенном  к  20°С,  с  сопротивлением  вторичных 

обмоток менее 100 МОм и более высоким содержани-

ем 

C

2

H

4

, 

CO

, 

CO

2

, а также более высоким значением 

тангенса  угла  диэлектрических  потерь  трансформа-

торного масла.

4. 

Анализ

коллинеарности

признаков

.

  Анализ 

коллинеарности  (корреляции)  признаков  между  со-

бой также позволяет исключить избыточные призна-

ки. В данной работе опытным путем было определе-

но, что анализ коллинеарности для решения данной 

задачи эффективнее реализовывать на основе ана-

лиза коэффициента корреляция Спирмена, на осно-

ве которых составляется матрица корреляций. Коэф-

фициент корреляции Спирмена рассчитывается как 
 

6 

∫

d

2

p

 = 1 – — , 

(1)

n 

(

n

2

 – 1)

где 

d

 — разница в рангах для пары (

X

, 

Y

) двух рядов 

чисел; 

n

 — длина рядов 

X

 и 

Y

. На рисунке 6 приве-

дены значения корреляции Спирмена для признаков 

air_

fi

 lter_malfunction

outer_heating

I

conn

low_oil

C

2

H

2

age

tg

Rmain

20

rubber_age

porcelain

moist

C

2

H

4

CO

2

H

2

CH

4

C

2

H

6

CO

no_leveling

acidNr

T

flame

tg

Oil

90

U

breakdown

R

secondary

20

R

main

20

60 –

50 –

40 –

30 –

20 –

10 –

0 –

Рис

. 5. 

Распределение

признаков

от

состояния

ТТ

 (

си

-

ний

 — 0, 

оранжевый

 — 1)

Рис

. 6. 

Коэффициенты

корреляции

Спирмена

для

при

-

знаков

по

отношению

к

образу

состояния

–

–

–

–

№

 6 (63) 2020

142

по отношению к оценке со-

стояния ТТ.

Значения  корреляций 

интерпретируются так, что 

положительные  значения 

коэффициента 

означа-

ют  более  высокое  значе-

ние  целевой  переменной 

(больше  1,  чем  0)  при  ро-

сте  значений  признака, 

и  наоборот  для  отрица-

тельных значений. По ана-

лизу можно судить, что вы-

сокие значения признаков, 

таких  как  сопротивлений 

обмоток,  напряжения  про-

боя  масла,  тангенса  угла 

диэлектрических  потерь 

сопротивления масла, ско-

рее свойственны росту це-

левой переменной и более 

характерны для класса 1.

Для  признаков,  таких 

как  данные  хроматогра-

фии  и  признаков-катего-

рий,  отражающих  отсут-

ствие 

неисправностей 

значением  0,  корреляция 

отрицательна;  иначе  гово-

ря, при отрицательной корреляции малые значения 

количественных признаков или большее число нулей 

в признаках-категориях в большей степени указыва-

ют на исправность трансформатора (целевая пере-

менная чаще будет равна 1). Амплитуда корреляции 

показывает, насколько ярко выражена тенденция. 

Также были рассчитаны коэффициенты корреля-

ции Спирмена для признаков по отношению к образу 

состояния.

На  рисунке  7  представлена  матрица  взаимной 

корреляции  Спирмена  для  всех  признаков.  Отсут-

ствие  значений  корреляции  вызвано  отсутствием 

или  малым  перекрестным  заполнением  признаков. 

На рисунке можно увидеть взаимозависимости изме-

нений признаков по отношению друг к другу. К при-

меру, по высокому значению корреляции признаков 

хроматографии и 

outer_heating

 можно предположить, 

что повышение концентраций газов в масле совпа-

дает с наличием сколов на фарфоровой крышке.

АНАЛИЗ

АЛГОРИТМОВ

МАШИННОГО

ОБУЧЕНИЯ

В  работе  был  выполнен  сравнительный  анализ 

двух  наиболее  подходящих  алгоритмов  машинного 

обуче ния для представленной задачи: градиентного 

бустинга  на  основе  решающих  деревьев  (XGBoost) 

и случайного леса (Random Forest).

XGBoost.  Бустинг  является  мощной  техникой 

комбинирования  базовых  классификаторов  для 

создания системы более точной, чем каждый из ба-

зовых классификаторов по отдельности [3]. В ходе 

бустинга создается аддитивная композиция, в кото-

рой каждый последующий классификатор обучает-

ся минимизировать текущую ошибку модели. Клас-

сификаторы  итеративно  добавляются  до  тех  пор, 

пока возможно улучшение результата. В ходе бус-

тинга  можно  получить  дающую  хорошую  предска-

зательную  способность  композицию  несмотря  на 

то, что каждый из базовых «слабых» классификато-

ров может быть лишь немногим более точным, чем 

случайный  выбор  [4].  При  контролируемом  обуче-

нии для набора данных 

D

 = { (

x

i

, 

y

i

): 

x

i

∈

Rn

, 

y

i

∈

R

}, 

композиция  на  основе  решающих  деревьев  ис-

пользует 

K

 аддитивных функций для предсказания

ответа:

y

̂

i

= 

F

(

x

i

) = 



K

j 

= 

i

f

i

(

x

i

), 

(2)

где 

f

(

x

) = 

w

q

(

x

). В данном случае 

q

: 

R

m

 → 

T

 описыва-

ет  структуру  каждого  образуемого  дерева,  которое 

определяет  элемент  данных  в  соответствующий 

лист дерева c весовым коэффициентом 

w

∈

T

.

Random Forest.

  Случайный  лес  (англ.  random 

forest)  —  алгоритм  машинного  обучения,  исполь-

зующий ансамбль решающих деревьев. Сочетает 

метод случайных подпространств и бэггинга. Бэг-

гинг (bagging от bootstrap aggregation) базируется на 

бутстрэпе  (bootstrap).  Бутстрэп  —  статистический 

метод формирования 

m

 новых выборок размером 

n

 из 

n

 объектов исходной выборки. Производится 

n

 раз выбор предмета в одну из 

m

 выборок с воз-

вратом  предмета  в  исходное  множество,  то  есть 

каждый  предмет  может  быть  получен  из  сходной 

выборки с вероятностью 1/

n

 и возможно его повто-

рение  в  разных  сформированных  выборках.  При 

бэггинге  выборки  формируются  описанным  под-

ходом, на каждой выборке обучается свой класси-

фикатор 

a

i

(

x

), итоговый классификатор усред няет 

ответы всех алгоритмов:

ДИАГНОСТИКА 

И  МОНИТОРИНГ

0,8

0,4

0

-0,4

-0,8

target

I

conn

H

2

CH

4

C

2

H

4

C

2

H

6

C

2

H

2

CO

2

CO

moist

U

breakdown

acidNr

T

flame

tg

Oil

90

R

main

20

R

secondary

20

tg

Rmain

20

rubber_age

porcelain

no_leveling

air_

fi

 lter_malfunction

low_oil

outer_heating

age

target

I

conn

H

2

CH

4

C

2

H

4

C

2

H

6

C

2

H

2

CO

2

CO

moist

U

breakdown

acidNr

T

flame

tg

Oil

90

R

main

20

R

secondary

20

tg

Rmain

20

rubber_age

porcelain

no_leveling

air_

fi

 lter_malfunction

low_oil

outer_heating

age

Рис

. 7. 

Матрица

корреляции

Спирмена

для

всех

признаков

и

образа

состояния

143

1

a

(

x

) = — 



m

i 

= 1

a

i

(

x

). 

(3)

m

Каждое  дерево  в  алгоритме  случайного  леса 

обучается  на  одной  из  выборок,  полученных  бут-

стрэпом. 

Выборка  для  Random  Forest  была  изменена  за-

полнением пропусков данных. Признаки с менее чем 

50% заполненных записей были исключены (данные 

хроматографии, tgOil90); для признаков со сплошны-

ми величинами (

I

conn

, 

moist

, 

U

breakdown

, 

acidNr

, 

T

flame

,  

R

main

20, 

R

secondary

20, 

tg

Rmain

20

) в пропуски были помещены сред-

ние  значения  по  соответствующему  признаку  с  по-

мощью преобразователя Imputer(strategy = "mean"); 

для  признаков-категорий  и  дискретных  численных 

признаков  (

rubber_age

, 

porcelain

, 

no_leveling

, 

air_

fi

 lter_

malfunction

, 

low_oil

, 

outer_heating

, 

age

)  в  пропуски 

были  установлены  наиболее  часто  встречающиеся 

значения  величины  с  помощью  преобразователя 

Imputer(strategy = "most_frequent").

Настройка

модели

.

  С  целью  повышения  точно-

сти  алгоритма  была  выполнена  настройка  параме-

тров  с  помощью  функции  GridSearch,  проводящей 

перебор  комбинаций  значений  параметров  модели 

в  поиске,  дающих  наибольшие  метрики  качества 

модели, такие как точность (

presicion

) и чувствитель-

ность (

recall

): 

precision

 = 

TP

/(

TP

 + 

FP

),   

recall 

= 

TP

/(

TP

 + 

FN

),  (4)

где 

TP

 — истинно положительный; 

FP

 — ложно по-

ложительный; 

FN

 — ложно отрицательный.

Результирующие  метрики  точности  и  полно-

ты  определены  как  среднее  между  данными  ме-

триками  для  каждого  из  классов  (precision_macro

и recall_macro); это сделано для учета несбаланси-

рованности классов.

Анализ

результатов

.

  Важность  признаков  для 

каждого из алгоритмов определяется как улучшение 

в точности, полученное от использования признака 

в  ветвях  дерева  при  делении.  С  помощью  функ-

ции .feature_importance можно получить статистику 

улучшения точности классификации от применения 

признаков; сумма важности всех признаков приве-

дена к единице. Результаты для XGBoost и Random 

Forest представлены на рисунках 8 и 9.

Из рисунков 8 и 9 видно, что алгоритмы, в целом, 

выбирают  практически  похожий  набор  параметров 

(отличие всего по нескольким параметрам), но при 

этом распределение важности между параметрами 

значительно отличается и, например, часть призна-

ков, которые для работы алгоритма XGBoost прак-

тически  не  важны,  для  алгоритма  Random  Forest 

имеют  существенный  вес.  То  есть  можно  сделать 

вывод,  что  данные  алгоритмы  формируют  практи-

чески идентичный состав параметров, но именно от 

веса (важности) каждого параметра и зависит точ-

ность распознавания состояния ТТ.

В  таблице  3  представлены  характеристики  вы-

борок  и  признаков,  используемых  в  данном  иссле-

довании.

Из таблицы 4 видно, что оценки качества класси-

фикации алгоритмов (

precision

 и 

recall

) различаются на 

18,4% и 19,7% для XGBoost и Random Forest соответ-

ственно. В этом случае очевидно, что XGBoost имеет 

значительно большую точность при определении со-

стояния силового оборудования, чем классификатор 

Random Forest. Для каждого из алгоритмов оценива-

ется средняя точность по классам и, как также видно 

из таблицы 4, разница — значительная.

С  точки  зрения  электроэнергетики  метрику 

Precision можно охарактеризовать как пропуск нера-

0,000

0,00

0,025

0,02

0,050

0,04

0,125

0,10

0,150

0,12

0,175 0,200

0,14

0,075

0,06

0,100

0,08

C

2

H

6

outer_heating

low_oil

air_

fi

 lter_malfunction

no_leveling

porcelain

tg

Rmain

20

CO

2

C

2

H

2

CO

H

2

rubber_age

T

flame

acidNr

tg

Oil

90

R

secondary

20

C

2

H

4

U

breakdown

R

main

20

age

moist

CH

4

I

conn

porcelain

acidNr

low_oil

T

flame

moist

rubber_age

R

main

20

outer_heating

no_leveling

air_

fi

 lter_malfunction

tg

Rmain

20

R

secondary

20

age

U

breakdown

I

conn

Рис

. 8. 

Важность

признаков

для

модели

на

основе

XGBoost

Рис

. 9. 

Важность

признаков

для

модели

на

основе

Random Forest 

№

 6 (63) 2020

144

ботоспособного состояния, что 

может иметь гораздо более тя-

желые последствия (если такое 

оборудование  будет  ошибочно 

оставлено в работе без допол-

нительных  действий  со  сторо-

ны  персонала  или  недостаточ-

ности  принятых  воздействий 

на оборудование), чем ложная 

классификация  неработоспо-

собного состояния. 

Метрика  Recall  демонстри-

рует,  какую  долю  объектов  по-

ложительного  класса  из  всех 

объектов положительного клас-

са идентифицировал алгоритм, 

то  есть  способность  алгоритма 

обнаруживать  данный  класс 

вообще  (по  сути,  это  чувстви-

тельность алгоритма к данному 

классу),  что  очень  важно  в  за-

дачах  с  несбалансированными 

классами, как в представленной 

задаче. 

В  результате,  чем  выше 

и 

precision

,  и 

recall

,  тем  надеж-

нее  работает  представленный 

алгоритм  и  тем  точнее  он  для 

каждого  из  классов  идентифи-

цирует  реальное  состояние 

и корректно исключает ложное, 

поэтому для решения представ-

ленной задачи при выборе мет-

рик  необходимо  использовать 

две основные метрики одновре-

менно — и 

precision

, и 

recall

.

ВНЕДРЕНИЕ

РАЗРАБОТАННОЙ

МОДЕЛИ

На  основе  представленной  модели  было  разрабо-

тано программное обеспечение для анализа техни-

ческого  состояния  трансформаторов  тока,  которое 

было внедрено для тестовой работы в энергокомпа-

нии Свердловской области. 

ПО  предполагает  анализ  технического  состо-

яния  как  одиночного  трансформатора  тока,  так 

и  группы  трансформаторов  тока  —  для  ранжиро-

ванного  анализа  состояния  ТТ.  Групповой  анализ 

ТТ необходим для компаний, у которых на балансе 

имеются одна и более подстанций для возможно-

сти формирования на основе такой оценки состоя-

ния графиков технического обслуживания и ремон-

тов оборудования.

Так как ПО носило тестовый характер, в нем было 

решено оставить возможность обучения системы — 

для возможности анализа различных наборов исход-

ных  выборок  по  данным  реального  энергообъекта 

и  учета  индивидуальных  характеристик  и  условий 

работы  конкретных  анализируемых  на  объекте  ТТ. 

Кроме того, было принято решение оставить в окне 

вывода результаты анализа алгоритмов и XGBoost, 

и Random Forest с целью анализа поведения обоих 

алгоритмов и возможности повышения точности ра-

боты самой модели.

Табл. 3. Характеристики выборок для анализа состояния ТТ

Характеристика

Значение

Исходный объем выборки 

1319

Объем обучающей выборки после устранения пропусков в данных 

и удаления незначимых признаков

660

Изначальное количество признаков

33

Количество признаков после устранения незначимых для алгорит-

ма XGBoost

23

Количество признаков для алгоритма Random Forest

15

Количество выборок для кросс-валидации 

10

Объем каждой элементарной выборки для кросс-валидации

66

Табл. 4. Параметры настройки и результаты работы алгоритмов

XGBoost

RandomForest

Параметр

Значение

Параметр

Значение

alpha

0,05

n_estimators

20

lambda

0,05

max_depth

3

gamma

1

min_samples_split

0,01

eta

0,01

min_samples_leaf

0,01

max_depth

4

max_features

1

base_score

0,7

n_estimators

20

learning_rate

1

max_delta_step

1

Точность

0,926

Точность

0,909

Точность средняя по классам

0,823

Точность средняя по классам

0,635

precision_macro

0,871

precision_macro

0,687

кecall_macro

0,837

кecall_macro

0,640

Рис

. 10. 

Окно

результатов

ана

-

лиза

группы

ТТ

Рис

. 11. 

Анализ

метрик

работы

алгоритмов

На  рисунках  10–11  представлены  интерфейсы 

окон  результатов  анализа  для  группы  трансформа-

торов ТТ.

ДИАГНОСТИКА 

И  МОНИТОРИНГ

145

В таблице 5 представлены данные формиро-

вания очередности ремонтов по группе ТТ в зави-

симости от анализа их состояния по результатам 

работы разработанной модели на базе XGBoost.

ВЫВОДЫ

Основное отличие данной статьи от существую-

щих  работ  по  данной  тематике  заключается  не 

только  в  объекте  исследования  —  измеритель-

ных трансформаторах тока, а в создании нового 

подхода к формированию и обработке исходных 

данных (обучающей и тестовой выборок) на осно-

ве технологий извлечения признаков, преобразо-

вания признаков, заполнения пропусков в данных 

и анализа коллинеарности признаков для повы-

шения точности классификации состояния обору-

дования (с математической точки зрения) и кор-

ректности интерпретации результатов машинного 

обучения (с технической точки зрения). 

В данной статье автором продемонстрирован 

пример формирования выборки на основе реаль-

ных  данных  диагностики  состояния  ТТ,  которая  при 

реальной  эксплуатации  характеризуется  значитель-

ным количеством пропусков в данных, наличием вы-

бросов и высокой неравномерностью распределения 

классов. 

В рамках представленного исследования удалось 

выработать  пошаговый  алгоритм  предварительной 

обработки данных для решения задачи классифика-

ции технического состояния оборудования и за счет 

этого  повысить  точность  результата  работы  самих 

алгоритмов  машинного  обучения,  а  также  проана-

лизировать  и  выявить  неявные  зависимости  и  за-

Табл. 5. Формирование очередности ремонтов по группе ТТ

№ прио-

ритета

ремонта ТТ

№ ТТ

в базе пред-

приятия

Непри-

годное

Неудов-

летвори-

тельное

Хорошее

1

12

90,9%

8,6%

0,5%

2

17

90,5%

8,7%

0,8%

3

21

90,3%

8,7%

1,0%

4

26

90,1%

8,8%

1,1%

5

11

88,7%

9,5%

1,8%

6

53

88,6%

9,5%

1,9%

7

66

86,4%

11,5%

2,1%

8

15

85,2%

12,6%

2,2%

9

13

84,1%

13,3%

2,6%

10

2

84,0%

13,4%

2,6%

11

8

83,7%

13,5%

2,8%

12

99

83,5%

13,7%

2,8%

кономерности  в  данных,  что  и  продемонстрировано 

в представленной работе. Несмотря на активное раз-

витие  и  применение  методов  машинного  обучения 

для решения задачи анализа технического состояния 

оборудования,  основной  проблемой  их  корректно-

го и эффективного применения до сих пор остается 

именно проблема качественной обработки исходных 

данных, для решения которой универсального подхо-

да пока так и не разработано.

Работа,  по  результатам  которой  выполнена  ста-

тья, реализована за счет гранта Российского научного 

фонда (проект № 18-79-00201).  

ЛИТЕРАТУРА/REFERENCES

1.  Li  W.W.,  Li  J.Y., Yin  G.L.  et  al.  Fre-

quency  dependence  of  breakdown 

performance  of  XLPE  with  diff erent 

artifi cial defects. IEEE Trans. Dielectr. 

Electr. Insul, 2012, 19, (4), pp. 1351-

1359.

2.  Fofana I., Hadjadj Y. Electrical-based

diagnostic  techniques  for  assessing 

insulation condition in aged transfor-

mers. Energies, 2016, 9, (9), pp. 679-

705.

3.  Shen  X.Q.,  Yang  Y.,  Cong  B.  et  al. 

Temperature measurement of power 

cable based on distributed optical fi -

ber  sensor.  J.  Phys.,  Conf.  Series., 

2016, 679. pp. 1-2.

4.  Zhou  C.K.,  Yang  Y.,  Li  M.Z.  et  al. 

An  integrated  cable  condition  diag-

nosis  and  fault  localization  system 

via sheath current monitoring. CMD, 

2016, pp. 1-8.

5.  Wu M., Cao H., Cao J. et al. An over-

view  of  state-of-the-art  partial  dis-

charge  analysis  techniques  for  con-

dition  monitoring.  IEEE  Electr.  Insul. 

Mag., 2015, 31, (6), pp. 22-35.

6.  Su  Z.,  Li  Q.  Historical  review  and 

summary on measures against pollu-

tion fl ashover occurred in power grids 

in China. Power Syst. Technol., 2010, 

34, (12), pp. 125-130. (in Chinese)

7.  Zhao C., Zhou Z., Gao S. et al. Pol-

lution  fl ashover  pre-warning  system 

based on prediction of fl ashover volt-

age. High Volt. Eng., 2014, 40, (11), 

pp. 3365-3373.

8.  Huang X., Wei X., Li M. et al. On-line 

transmission-line  icing  monitoring 

technology  based  on  three  groups 

of  force  sensors  and  angle  sen-

sors.  High  Volt.  Eng.,  2014,  40,  (2), 

pp. 374-380.

9.  Goncalves  R.S.,  Carvalho  J.C.M. 

et  al.  A  mobile  robot  to  be  applied 

in  high-voltage  power  lines.  J.  Braz. 

Soc. Mech. Sic. Eng., 2015, 37, (1), 

pp. 349-359.

10. Goncalves  R.S.,  Mendes  C.  et  al. 

Review  and  latest  trends  in  mobile 

robots  used  on  power  transmission 

lines. Int. J. Adv. Robot. Syst., 2013, 

10, pp. 1-14.

11. Vidyasagar B., Ram S.S.T. Condition 

monitoring  analysis  of  synchronous 

generator based on an adaptive tech-

nique. 2017 International Conference 

on  Inventive  Systems  and  Control 

(ICISC), Coimbatore, 2017, pp. 1-12.

12. Asiri  Y.A.,  Vouk  A.O.,  Renforth  L., 

Clark  D.,  Copper  J.  Neural  network 

based  classifi cation  of  partial  dis-

charge in HV motors. 2011 Electrical 

Insulation  Conference  (EIC),  2011, 

pp. 333-339.

13. Yuan  R.  Fault  diagnosis  for  engine 

by  support  vector  machine  and  im-

proved  particle  swarm  optimization 

algorithm. J. Inf. Comput. Sci., 2014, 

11, (13), pp. 4827-4835.

14. Rigatos  G.G.,  Zervos  N.,  Serpanos 

D.,  Siadimas  V.,  Siano  P., Abbasza-

deh M. Condition monitoring of wind-

power units using the Derivative-free 

nonlinear  Kalman  Filter.  2018  IEEE 

16th International Conference on In-

dustrial  Informatics  (INDIN),  2018, 

pp. 472-477.

15. Ali B.J., Chebel-Morello B., Saidi L., 

Malinowski  S.,  Fnaiech  F.  Accurate 

bearing  remaining  useful  life  predic-

tion based on Weibull distribution and 

artifi cial  neural  network.  Mechanical 

Systems  and  Signal  Processing,  Ei-

sevier, 2015, 56-57, pp 150-172.

16. Bellini A., Filippetti F., Tassoni C. et al. 

Advances  in  Diagnostic  Techniques 

for Induction Machines. IEEE Trans. 

Ind. Electr., 2008, 55, (12), pp. 4109-

4126.

17. Naumov S.A. et al. Experience in Use 

of Remote Access and Predictive An-

alytics for Power Equipment’s Condi-

tion. Thermal Engineering, 2018, 65, 

pp. 189-199.

№

 6 (63) 2020