CN118536963B 基于状态评估与故障率修正的变压器检修决策方法和系统（国网冀北电力有限公司经济技术研究院）

(12)发明专利专利权人华北电力大学(72)发明人相静耿鹏云刘金朋安磊路妍李红建齐霞王辉刘柏延王绵斌袁敬中张晓曼张妍刘宣张萌萌刘洋所有限公司11386彭锦淳潘月基于状态评估与故障率修正的变压器检修本发明涉及一种基于状态评估与故障率修特征量和健康评估区间构建并训练多个神经网的故障率曲线及基于个体差异和运行状态画像基于特征量和健康评估区间构建并训练多个神经网络模型以获取变压器健康状况的多个预测结果，将多个预测结果组合21.一种基于状态评估与故障率修正的变压器检修决策方法，其特征在于，包括：采集变压器故障数据并进行预处理以获取特征量，其中，所述特征量与油色谱数据、油试验数据和电气试验数据相对应；利用预处理后的历史变压器故障数据将变压器故障数据类型划分为初次划分区间，然后基于所述初次划分区间和设置参数将所述初次划分区间二次划分为健康评估区间；基于所述特征量和所述健康评估区间构建并训练多个神经网络模型以获取变压器健康状况的多个预测结果，将所述多个预测结果组合起来以获取最终预测区间类型；基于所述最终预测区间类型生成变压器的故障率曲线，以及基于个体差异和运行状态画像修正所述故障率曲线；基于修正后的故障率曲线以及最小成本与可靠性约束，构建检修策略决策模型以获取最优检修时间，其中，利用预处理后的变压器故障数据将变压器故障数据类型划分为初次划分区间，然后基于所述初次划分区间和设置参数将所述初次划分区间二次划分为健康评估区间进一步包括：基于马尔科夫链，利用预处理后的变压器故障数据将变压器划分为初次划分区间，所述初次划分区间包括无故障区间[a₁,b₁]、轻微故障区间[a₂,b₂]和严重故障区间[a₃,b₃];将无故障与轻微故障之间的点设置为c₁并将轻微故障与严重故障之间的点设置为c₂,基于所述点c₁和所述点c₂设置无故障和轻微故障、轻微故障和严重故障的2个判断模糊区域；通过以下公式计算所述模糊区域的长度：基于所述模糊区域的长度将所述模糊区域确定为[c₁-L₁,c₁+L₁],[c₂-L₂,c₂+L₂];基于所述模糊区域的长度和所述模糊区域将健康状态区间二次划分为健康评估区间，其中，所述健康评估区间包括无故障区间[a₁,c₁-L₁]、有发生轻微故障可能区间[c₁-L₁,c₁+L₁]、发生轻微故障区间[c₁+L₁,c₂-L₂]、有发生严重故障可能区间[c₂-L₂,C₂+L₂]和发生严重故障可能区间[c₂+L2₂,b₃];其中，基于所述最终预测区间类型生成变压器的故障率曲线，以及基于个体差异和运行状态画像修正所述故障率曲线进一步包括：基于所述最终预测区间类型利用变压器故障数据获取各阶段的形状参数和尺度参数以基于所述形状参数和尺度参数建立所述变压器的故障率曲线；根据变压器的实际运行情况，对同一厂家生产的变压器的故障率曲线进行线性化修正以获取考虑家族性缺陷后的修正故障率函数，然后基于考虑家族性缺陷后的修正故障率曲线获取考虑个体缺陷后的修正故障率曲线；构建运行状态画像并基于所述运行状态画像修正所述变压器的故障率曲线以获取考虑运行画像后的修正故障率曲线；其中，考虑家族性缺陷后的修正故障率曲线表示为：3变压器中第i台变压器的运行年限，n₁为所统计的同类变压器在运行期间发生故障的总次2.根据权利要求1所述的基于状态评估与故障率修正的变压器检修决策方法，其特征对所述变压器故障数据进行采集，所述变压器故障数据包括在对数据异常情况进行预处理，其中，所述预处理包括填补缺失3.根据权利要求2所述的基于状态评估与故障率修正的变压器检修决策方法，其特征利用极差归一化法和标准差归一化法对所述原始指标数据矩阵中的每个指标数值进4通过以下公式计算所述每个指标值的比重：其中，p;表示第i个样本的第j个指标值的比重；通过以下熵值计算公式计算指标熵值：基于各个指标差异程度，利用以下公式计算各指标冗余值：对所述各指标冗余值从大至小进行排序并选择指标冗余值最大的预定数量的指标冗余值相对应的评价指标作为所述特征量。4.根据权利要求1所述的基于状态评估与故障率修正的变压器检修决策方法，其特征在于，基于所述特征量和所述健康评估区间构建并训练多个神经网络模型以获取变压器健康状况的多个预测结果，将所述多个预测结果组合起来以获取最终预测区间类型进一步包对所述特征量进行归一化处理：分别建立归一化处理后的与所述油色谱数据、所述油试验数据和所述电气试验数据相对应的特征量的三个神经网络模型，对所述三个神经网络模型进行训练，其中，基于所述健康评估区间确定每个神经网络模型的输出数量；利用训练完成的神经网络模型预测出变压器的最终预测区间，其中，所述最终预测区间包括所述无故障区间、所述有发生轻微故障可能区间、所述发生轻微故障区间、所述有发生严重故障可能区间和所述发生严重故障可能区间。5.根据权利要求1所述的基于状态评估与故障率修正的变压器检修决策方法，其特征在于，构建运行状态画像并基于所述运行状态画像修正所述变压器的故障率曲线以获取以下修正后的故障率曲线进一步包括：利用相关性分析和Laplace评分法进行指标客观提取以选取与其他指标关联强度具有差异且Laplace评分最大的预定数量的指标作为主特征指标；基于所述主特征指标生成指标标签，所述指标标签包括分别与区域属性、自然属性和5基于所述指标标签构建运行状态画像，所述运行状态画像包括所述区域属性、所述自通过熵权法计算各属性维度下的指标标签权值，并基于所述指标标签权值对所述指标基于所述调整系数、所述变压器的故障率曲线、所述考虑家族性缺陷后的修正故障率6.根据权利要求1所述的基于状态评估与故障率修正的变压器检修决策方法，其特征中，所述同时检修约束是指同时检修变压器的约束以避免变压器检修所导致的重复停电；7.一种基于状态评估与故障率修正的变压器检修决策系统，其特征在于，用于实施权健康评估区间获取模块，用于利用预处理后的历史变压器故障数据将变压器故障数据区间预测模块，用于基于所述特征量和所述健康评估区间构建并训练多个神经网络模故障曲线生成模块，用于基于所述最终预测区间类最优检修时间确定模块，用于基于修正后的故障率曲线以及最小成本与可靠性约束，6基于状态评估与故障率修正的变压器检修决策方法和系统技术领域[0001]本发明涉及数据预处理与识别技术领域，尤其涉及一种基于状态评估与故障率修正的变压器检修决策方法和系统。背景技术[0002]首先，随着能源结构的调整和安全需求的增加，电网企业的资产规模和投资需求急剧上升。为了适应这一变化，企业需要制定更为精细的投资策略，并考虑如何在电价管制下更有效地传导投资和运营成本。[0003]在这样的背景下，电网企业作为资产密集型企业，如何制定有效的设备检修策略成为了业内的关注焦点。传统的检修模式，无论是基于定期检修还是基于状态评价，主要关注设备的整体状况。但在资源有限的情况下，这种整体性考量往往无法满足所有设备的运维需求。[0004]实际上，即使设备处于相同的健康状态，其在电网中的位置、所服务负荷的重要性和可靠性需求也会有所不同，这就意味着检修资源需求和优先级也是不同的。为了更高效地利用资源，需要综合考虑设备的健康状况、电网的拓扑结构以及设备故障可能导致的停电损失等因素。针对不同的设备制定出差异化的检修方案。随着能源和电力市场的快速发展，电网企业需要不断创新和优化其设备运维策略，以适应新的市场环境和运营需求。发明内容[0005]鉴于上述的分析，本发明实施例旨在提供一种基于状态评估与故障率修正的变压器检修决策方法和系统，用以解决如何提高检修决策精准度问题。[0006]一方面，本发明实施例提供了一种基于状态评估与故障率修正的变压器检修决策量与油色谱数据、油试验数据和电气试验数据相对应；利用预处理后的历史变压器故障数据将变压器故障数据类型划分为初次划分区间，然后基于所述初次划分区间和设置参数将所述初次划分区间二次划分为健康评估区间；基于所述特征量和所述健康评估区间构建并训练多个神经网络模型以获取变压器健康状况的多个预测结果，将所述多个预测结果组合起来以获取最终预测区间类型；基于所述最终预测区间类型生成变压器的故障率曲线，以及基于个体差异和运行状态画像修正所述故障率曲线；基于修正后的故障率曲线以及最小成本与可靠性约束，构建检修策略决策模型以获取最优检修时间。[0007]基于上述方法的进一步改进，采集变压器故障数据并进行预处理以获取特征量包括：对所述变压器故障数据进行采集，所述变压器故障数据包括在所述变压器发生故障情况下的故障数据及其相应的变压器状态数据、外部环境数据；对数据异常情况进行预处理，其中，所述预处理包括填补缺失数据并去除异常值和重复值；通过熵权法从预处理后的变压器故障数据中去除冗余的相关要素以获取所述特征量。[0008]基于上述方法的进一步改进，通过熵权法从预处理后的变压器故障数据中去除冗7余的相关要素以获取所述特征量进一步包括：利用所述变压器故障数据中的m个待评价样所述原始指标数据矩阵中的每个指标数值进行归一化处理；通过变压器划分为初次划分区间，所述初次划分区间包括无故障区间[a₁,b₁]、轻微故障区间[0023]基于所述模糊区域的长度将所述模糊区域确定为[c₁-[0024][c₂-L₂,c₂+L₂];基于所述模糊区域的长度和所述模糊区域将所述健康状态区间二故障可能区间[c₁-L₁,c₁+L₁]、发生轻微故障区间[c₁+L₁,c₂-L₂]、有发生严重故障可能区间8和最小值；分别建立归一化处理后的与所述油色谱数据、所述测区间类型利用变压器故障数据获取各阶段的形状参数和尺度参数以基于所述形状参数行状态画像并基于所述运行状态画像修正所述变压器的故障率曲线以获取考虑运行画像家族性缺陷后的修正故障率函数，jc(t)为根据同类变压器历史数据拟合得到的故障率函9为同类变压器中第i台变压器的运行年限，n₁为所统计的同类变压器在运行期间发生故障述变压器的故障率曲线以获取以下修正后的故障率曲线进一步包括：利用相关性分析和Laplace评分法进行指标客观提取以选取与其他指标关联强度具有差异且Laplace评分最正故障率曲线：所述电网安全约束是指通过潮流计算进行安全检验的约后的故障率曲线以及最小成本与可靠性约束，构建检修策略决策模型以获取最优检修时[0039]与现有技术相比，本发明至少可实现如下有益效果之一：[0040]1、通过预处理可以减少错误数据对分析结果的影响以提高数据可靠性，详细的故障分类有助于更准确地识别故障模式，为后续步骤提供准确的信息以提高故障识别准确性，时间序列分析可以提高对未来故障发生的预测准确性。[0041]2、通过优化的神经网络结构提供更准确的健康状态，多源信息融合可以提供更全面的设备状态信息，有助于提高判断的准确性。增强模型自适应性可以使其在面对新数据时保持较高的判断准确性。[0042]3、考虑更多影响因素可以提高故障率曲线的准确性，动态修正可以确保故障率曲线始终反映设备的最新状态。不确定性分析有助于评估预测结果的风险和可靠性。[0043]4、成本-效益分析可以确保检修策略在经济性和长期效益上达到最优，多目标优化可以帮助在多个目标之间找到最佳平衡点。算法优化可以提高检修策略决策模型的求解效率和准确性。[0044]本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。附图说明[0045]附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。[0046]图1为根据本发明实施例的基于状态评估与故障率修正的变压器检修决策方法的流程图；[0047]图2为根据本发明实施例的神经网络模型的拓扑结构图；[0048]图3为根据本发明实施例的神经网络模型的工作流程图；[0049]图4为根据本发明实施例通过遗传算法优化神经网络模型的流程图；[0050]图5为根据本发明实施例的基于状态评估与故障率修正的变压器检修决策系统的框图。具体实施方式[0051]下面结合附图来具体描述本发明的优选实施例，其中，附图构成与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。[0052]本发明的一个具体实施例，公开了一种基于状态评估与故障率修正的变压器检修[0053]在步骤S101中，采集变压器故障数据并进行预处理以获取特征量，其中，特征量与油色谱数据、油试验数据和电气试验数据相对应。[0054]采集变压器故障数据并进行预处理以获取特征量包括：对变压器故障数据进行采集，变压器故障数据(即原始数据集)包括在变压器发生故障情况下的故障数据及其相应的实时监测，正常油温范围以及油温异常升高可能预示的故障。负载情况：包括变压器的负载率、三相负载平衡度等，反映变压器的运行状态。油位：油位的高低直接关系到变压器的散热和绝缘性能。绕组温度：通过绕组温度传感器监测，温度过高可能预示绕组故障。绝缘电器的散热和性能有直接影响。湿度：高湿度可能导致变压器绝缘性能下降。污染程度：如尘埃、盐雾等污染物可能对变压器的绝缘和散热造成影响。风速：影响变压器的自然冷却效器的使用寿命与其运行状态密切相关，使用年限过长的设备可能更容易出现故障。运行日[0056]对数据异常情况进行预处理，其中，预处理包括填补缺失数据并去除异常值和重复值。一是结合相关实际要求构建数据缺失值、异常值处理模型；二是通过集成、变换手段针对数据开展合理有效的处理；三是针对缺失值处理采用基于重复模拟的缺失值处理法，从一个包含缺失值的数据集中生成一组完整的数据集。每个数据集中的缺失数据用蒙特卡洛方法来填补。[0057]缺失值处理：利用变量均值向量和方差-协方差阵作为先验信息，构建马尔科夫链，保证其元素的分布可以收敛到一个平稳分布，通过抽样反复模拟该马尔科夫链，得到平稳的后验分布，产生缺失数据的估计。其步骤可以整理为。[0058]接收连续的数据向量集(即原始数据集)Y。=[Y₁,Y₂,..…,Y。],其中第i数据向量[0059]根据第i项数据设定高斯模型，其中高斯模型的参数空间为θ,根据所述空间θ的估计值θ⁸计算缺失数据发生的概率p(Y₄s|Y₂,05),并根据当前的完整数据与缺失数据估计值计算所述参数空间0的发生概率p(θ|YM,Y+),以及对高斯模型的参数空间θ的估计值进行更新。直到得到的马尔科夫链(Y,0),(Y,0")收敛时，估计所述的缺失数据。[0060]最终缺失数据计算公式为：[0063]针对异常值与重复值均采取删除的方法，最终得到处理后的数据域集。根据经验对故障类型进行划分(参考以下表1)。按故障情况划分区间无高温过热类、低能放电类、高能放电类故障，如：铁芯故障、电[0066]通过熵权法从预处理后的变压器故障数据中去除冗余的相关要素以获取特征量(参考以下表2)。熵值法的主要目的是对指标体系进行赋权。熵越大说明系统越混乱，携带客观赋权方法，借鉴了信息熵思想，通过计算指标的信息熵，根据指标的相对变化程度对系统整体的影响来决定指标的权重，即根据各个指标标志值的差异程度来进行赋权，从而得出各个指标相应的权重，相对变化程度大的指标具有较大的权重。特征量类别油色谱数据H₂体积分数/(μL·L-¹)C₂H₂体积分数/(μL·L-)CO绝对产气速率/(mL·d¹)油化试验数据油中糠醛含量/(mgL-1电气试验数据吸收比[0069]通过熵权法从预处理后的变压器故障数据中去除冗余的相关要素以获取特征量进一步包括以下步骤。[0070]原始数据收集与整流：利用变压器故障数据中的m个待评价样本，n项指标，形成以下原始指标数据矩阵：[0072]其中，xi;表示第i个样本的第j个指标值。对于某项指标X,,样本的离散程度越大，则该指标在综合评价中所起的作用就越大。如果该指标的标志值全部相等，则表示该指标在综合评价中不起作用。[0073]数据处理：利用极差归一化法和标准差归一化法对原始指标数据矩阵中的每个指标数值进行归一化处理。为消除因量纲不同对评价结果的影响，需要对各项指标进行归一化或者标准化处理。目前归一化极差标准化法与Z-score标准化法。[0074]极差标准化：选取样本数据的最大、最小值，对原数据进行标准化处理，最终将所有数据映射到区间[0,1]内。[0077]Z-score标准化法：当遇到某个指标的最大值和最小值未知的情况，或有超出取值范围的离群数值时，极差标准化法就不再适用了，可以采用另一种数据标准化最常用的方[0081]其中，p表示第i个样本的第j个指标值的比重，基于此可构建数据的比值矩阵如下所示：[0083]计算指标熵值：通过以下熵值计算公式计算指标[0085]其中，e表示第j个指标值的指标熵值；[0086]定义指标冗余值：基于各个指标差异程度，利用以下公式计算各指标冗余值：[0089]对各指标冗余值从大至小进行排序并选择指标冗余值最大的预定数量的指标冗余值相对应的评价指标作为特征量。结合熵权法计算结果，选取计算结果最大的40%作为后续的典型特征要素。[0090]H₂、总和C₂H₂体积分数是监测障发生的重要特征量，H2是局部放电类型故障的典型代表气体，最能够反映有无发生局部放电故障，总烃作为故障相关的烃类气体的总和，能够反映过热故障和放电故障有无发生；C₂H₂在反映放电故障方面具有非常明显的作用：CO是绝缘纸分解的产物之一，能够反映变压器的绝缘老化情况，尤其是过热故障情况。油化试验数据中糠醛含量也是绝缘分解产物之一，能够反映变压器的绝缘老化情况；油中微水含量是监测绝缘受潮情况的重要参量，对绝缘受潮故障的识别具有重要意义；油击穿电压和醛含量、CO产气速率类似，都能在一定程度上反映绝缘老化状况；油介质损耗能够反映油的绝缘状况。电气试验数据中吸收比能够反映绝缘受潮、绝缘击穿或严重过热老化的程度：铁芯绝缘电阳在判断铁芯相关故障如铁芯接地时具有重要意义；绕组直流电阻差能够反映热故障，而绕组绝缘介损也能够反映绕组的绝缘情况。微故障之间的点设置为c₁并将轻微故障与严重故障之间的点设置为c₂,基于点c₁和点c₂设[0093]L₁=min{b₁-a₁,b₂-a₂}·k[0094]基于模糊区域的长度将模糊区域确定为[c₁-L₁,c₁+L₁],[c₂-L₂,C₂+L₂];[0095]基于模糊区域的长度和模糊区域将健康状态区间二次划分为健康评估区间，其中，健康评估区间包括无故障区间[a₁,c₁-L₁]、有发生轻微故障可能区间[c₁-L₁,c₁+L₁]、发生轻微故障区间[c₁+L₁,c₂-L₂]、有发生严重故障可能区间[c₂-L₂,Cc₂+L₂]和发生严重故障可[0097]设X表示随机变量X在离散时间t时刻的取值。若该变量随时间变化的转移概率仅仅依赖于它的当前取值，即[0098]P(Xt+1=s;|X₀=s₀,X₁=s₁,...,X=st)=P(Xt+1=s;|X=st);[0099]代表着状态转移概率只依赖于前一个状态，则称这个变量为马尔科夫变量，其中So,S₁,...,S,s;∈Ω为随机变量X可能的状态。这个性质称为马尔科夫性质，具有马尔科夫性质的随机过程称为马尔科夫过程。马尔科夫链指的是在一段时间内随机变量X的取值序列(X₀,X₁,...,X)。马尔科夫链是通过对应的转移概率定义的，转移概率指的是随机变量从一个时刻到下一个时刻，从状态s转移到另一个状态s;的概率，即：[0101]π表示随机变量X在时刻t的取值为s的概率，则随机变量X在时刻t+1的取值为s的概率为：有周期性又不可约则称为各态遍历的，各态遍历的马尔科夫过程无论初始值π如何取值，随着转移次数的增多，随机变量的取值分布最终都会收敛到唯一的平稳分布π建立变压[0110]π(x₁,y₁)π(y₂Ix₁[0111]π(x,y2π(y₁Ix₁[0112]可知在x=x₁这条直线上，用条件概率分布π(y|x)作为马尔科夫链的状[0118]将各划分区间的数据按照特征量类别进行吉布斯采样，获取各特征量的分布概人们又经常称之为钟形曲线。[a2₂,b₂]、[a₃,b₃],无故障和轻微故障、轻微故障和严重故障的点为c₁,C₂。则设定无故障和轻微故障、轻微故障和严重故障的2个判断模糊区为新的划分区间，用于警示从无故障到轻微故障和轻微故障到严重故障。对应的模糊区域的长度L₁,L₂分别为：[0121]L₁=min{b₁-a₁,b₂-[0122]对应的模糊区间为：[0124]对于其他参量也可以通过本方法在初次划分的3个区间内进行抽样确定概率分布的正态分布函数，然后通过设定参数实现区间二次划分，将最终的区间划分为5个。这种划分区间方式可以实现故障预警功能，且区间划分的边界可根据实际数据集和需求进行自适应调整，处理后的区间参考以下表3。表3划分区间编号区间值12发生轻微故障34发生严重故障可能5该步骤的改进包括(1)数据清洗与预处理：引入更先进的数据清洗技术，去除异常值、缺失值和重复值，提高数据质量。(2)故障分类细化：对故障类型便更准确地识别故障模式。(3)时间序列分析：利用时间序列分析技术，捕捉故障发生的趋势和周期性。[0128]技术效果：(1)提高数据可靠性：数据清洗和预处理可以减少错误数据对分析结果的影响。(2)故障识别准确性：详细的故障分类有助于更准确地识别故障模式，为后续步骤提供准确的信息。(3)预测准确性：时间序列分析可以提高对未来故障发生的预测准确性。[0129]在步骤S103中，基于特征量和健康评估区间构建并训练多个神经网络模型以获取变压器健康状况的多个预测结果，将多个预测结果组合起来以获取最终预测区间类型。基于特征量和健康评估区间构建并训练多个神经网络模型以获取变压器健康状况的多个预测结果，将多个预测结果组合起来以获取最终预测区间类型进一步包括：[0130](1)针对故障相关要素进行归一化：对特征量进行归一化处理：和最小值。[0133](2)构建多个神经网络模型：分别建立归一化处理后的与油色谱数据、油试验数据和电气试验数据相对应的特征量的三个神经网络模型，对三个神经网络模型进行训练，其中，基于健康评估区间确定每个神经网络模型的输出数量；[0134]采用前馈神经网络方法，将多个深层神经网络作为子模型结合起来，最终输出结3所示。为net;,输出记为0,输出层第k个节点的输出为yk,则中间层第j个节点的输入为：[0147]现在令输出层的学习误差：O=ef'(net);CN118536963B说明书13/22页[0153]因为是求隐含层权值的变化。这时应考虑上一层对它的作用，故有：[0161]令隐含层的学习误差：[0163]然后通过遗传算法对模型进行优化(参考图4)。[0164]利用训练完成的多个神经网络模型预测出变压器的最终预测区间，其中，最终预测区间包括无故障区间、有发生轻微故障可能区间、发生轻微故障区间、有发生严重故障可能区间和发生严重故障可能区间。[0165]建立组合模型：将模型1到模型3的所有预测结果结合起来，得到最终预测的状态类型。其规则如下：在模型1到模型3的预测结果中，出现次数最多的划分区间是最终预测区差异和运行状态画像修正故障率曲线。基于最终预测区间类型生成变压器的故障率曲线，设备的统计数据，对基础故障率曲线进行修正，从而反家族性缺陷后的修正故障率函数，jc(t)为根据同类变压器历史数据拟合得到的故障率函为同类变压器中第i台变压器的运行年限，n₁为所统计的同类变压器在运行期间发生故障修正变压器的故障率曲线以获取以下修正后的故障率曲线进一取与其他指标关联强度具有差异且Laplace评分最大的预定数量的指标作为主特征指表示第r个特征的第i个样本(i=1,2,…,m)。对每个特征分别构建m×m的邻接矩阵Z,Z中各[0196]其中，f=[fr,f₋₂,…,f]。提供了便利。多维属性模型标签(指标)区域属性供电量区域面积地区生产总值自然属性降雨量平均海拔运行属性重载率综合线损率综合电压合格率供电可靠率设备运行时间[0204]通过熵权法计算各属性维度下的指标标签权值，并基于指标标签权值对指标标签进行加权处理和排序以获得相应的标签等级。[0205]综上，通过建模分析，运行状态画像最终同时拥有区域属性、自然属性、运行属性三个维度的模型标签属性，在模型标签的基础上，引入熵权法，求取各属性维度下模型标签权值，熵权法权值计算步骤如下：[0206]熵权法的计算步骤大致分为以下三步：1)判断输入的矩阵中是否存在负数，如果有则要重新标准化到非负区间。2)计算第j项指标下第i个样本所占的比重，并将其看作相对熵计算中用到的概率。3)计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权。按照加权得分后的百分位排序得出相应的标签等级(参考以下表5)。模型标签属性级别分类区域属性分类高需求(得分前低需求(得分后自然属性分类高风险(得分前低风险(得分后运行属性分类高承载(得分前低承载(得分后[0211]Pearson简单相关调整系数g;基于调整系数、变压器的故障率曲线、考虑家族性缺陷后的修正故障率曲线和策略决策模型以获取最优检修时间。基于修正后的故障率曲线以及最小成本与可靠性约束，构建检修策略决策模型以得到最终的检修时间计划(基于修正后的故障率曲线以及对修资源约束是指检修的变压器总数不能超过检修人员的检修能力；以及电网安全约束是指修时的风险，配电变压器检修时，存在检修风险0和故障风险0,减小故障风险必然会造成[0235]3)检修资源约束。检修资源约束是指检修人员的数量，检修技术能力等的约束。同时检修的设备不能超越检修人员的检修能力。91,否则取0.M为每时段检修设备个数上限。[0238]4)电网安全约束。设备检修退出运行，会导致潮流发生变化，可能会使得某些线路过载，节点电压越限。因此必须通过潮流计算进行安全检验。别为节点q电压和节点q电压的上、下限值。[0242](4)求解：海洋捕食者算法是新型元启发式优化算法，通过模拟在海洋中适者生存的自然法则，各类海洋生物不断转换自身捕食者和猎物的身份，针对不同情形转换觅食策[0243]海洋捕食者算法认为，海洋捕食者的觅食策略在飞行和布朗游走之间变化，根据不同的场景在两种策略之间进行选择，从而得出最优捕食策略。[0244]首先对捕食者和猎物的位置初始化，以适应度最优的捕食者构造精英矩阵，以均匀分布的猎物构造猎物矩阵，分别如下式所示。[0245]根据不同的速度比，将MPA的优化过程分为三个阶段。[0246]阶段1:勘测阶段：这一阶段也被称为高速比阶段，在这一阶段，猎物的速度比捕食者快得多，捕食者采取静止不动的策略，猎物则进行布朗运动。该阶段往往发生在算法优化迭代的初期，是对全局位置信息进行一个勘测。该阶段数学模型表述如下：P=P+P×R⊗S[0248]其中S为移动步长；R,为基于布朗游走正态分布的随机向量；⊗为逐项乘法运[0249]阶段2:这一阶段又称为中速比阶段，在这一阶段，捕食者与猎物之间的速度相当，捕食者和猎物都在寻找自己的猎物。该阶段一般发生在算法迭代的中期，种群被分为两个阶段的数学模型表达式如下：[0252]阶段3:开发阶段：这一阶段又称为低俗比阶段，在这一阶段捕食者的速度大于猎物的速度，主要发生在算法迭代后期，捕食者采取Levy飞行策略，更加关注局部区域的开发工作。该阶段的数学模型表达式如下：[0254]除此之外，算法还考虑了鱼群聚集装置和涡流效果等外界环境因素，改变捕食者的觅食策略以跳出局部极值，避免收敛早熟问题。其数学模型表达式如下：[0256]其中FADs为影响概率，一般取0.2;U为二进制向量；r为[0,1]内随机数；r₁、r₂分别为猎物矩阵的随机索引。最终根据求解得到最优的检修计划。[0257]该步骤的改进内容包括：(1)成本-效益分析：除了考虑检修成本外，还可以考虑检修带来的长期效益，如减少故障停机时间、提高设备可靠性等。(2)多(如成本、可靠性、安全性等)纳入优化模型，寻优化算法(如遗传算法、模拟退火算法等)以提