【技术】天洑数据建模实施案例集锦（5） - 变压器绕组温度预警

随着工业系统对稳定性、精益性的要求越来越高，工业系统运行过程中采用的阈值报警、趋势报警等传统工业运维手段很难及时、准确的监测系统的异常状态。相比之下，基于机器学习的设备预警方法通过学习正常状态的参数变化规律，可以实现对异常状态更加灵敏的响应。

1. 变压器作为变电站中最为核心的设备，其安全、可靠、经济运行将对整个电网产生至关重要的影响，一旦出现故障将带来大面积停电的严重后果；

2. 据历史的统计结果可知，变压器发生故障或者异常的主要原因是绝缘能力的下降，而绝缘能力下降大多由定子绕组温度异常导致的。

图1 绕组温度预警的解决方案

4. 在三类不同异常的数据集上进行的模型的验证，两种方法均可以精确、灵敏的识别异常数据，说明了本方案的有效性。

绕组温度异常预警

相比于传统的异常报警方法，机器学习方法可以更加灵敏的感知到绕组温度出现异常的数据样本点，只需要设置传感器测量温度和预警模型估计温度的差值即可进行温度预警。

动态的温度预警带

由于基于机器学习的预警方法只需要设置与正常值的偏离程度（差值），所以它本质上建立了一个动态的温度预警带。相比于传统方法的静态预警带，基于机器学习的方法更加灵活可靠。