基于SPSS統計工具的紅外測溫結果線性回歸分析引言目前國內外變電設備測溫多采用紅外診斷技術，該技術對電氣設備的早期故障缺陷及絕緣性能做出可靠的預測，使傳統電氣設備的預防性試驗維修提高到預知狀態檢修，這也是現代電力企業發展的方向。使用便攜紅外測溫儀測量變電設備溫度，并依據相應規范標準對異常測溫結果進行缺陷定級管理。利用線性回歸原理建立數學模型能為缺陷定性定級提供參考意見，并對過熱缺陷的發展進行預測。回歸分析數據運算較繁瑣，隨著計算機技術的發展，越來越多的軟件提供了強大的數據分析功能，具有運算精度高，分析全面等優點。SPSS（StatisticalProgramforSocialSciences）能提供強大的回歸分析功能，應用于紅外測溫結果分析研究可取得良好效果。標簽：線性回歸；發熱；預測1回歸分析的可行性在現實生活中，某個現象的發生或某種結果的得出往往與其他某個或某些因素有關，而這種關系又難以從機理上給出準確的定量描述，只是從數據上可以看出有“有關的趨勢”。線性回歸分析可以用來研究這種因變量與自變量的相關關系，它假設因變量與自變量之間為線性關系，用一定的線性回歸模型來擬合因變量和自變量的數據，并通過確定模型參數來得到回歸方程，然后可以通過回歸方程分析變量之間的相關關系，并判斷認定的因變量與自變量之間是否具有密切的影響關系。而在實際運行中，對變電設備發熱缺陷進行跟蹤觀察往往可以發現溫度的變化趨勢與某些因素的變化存在所說的“有關的趨勢”，如流過的電流大小，環境溫度等，我們可以假設這些因素對過熱缺陷的變化趨勢是有影響的，因此我們可以借助這些參數來對溫度進行相關的數學分析，并通過結果來判斷我們的假設是否成立。2樣本選取與模型建立2.1回歸模型樣本選取2.2回歸模型建立由表2可知，計算做出了兩個模型，我們要對它們進行比較。變電設備的發熱是受多種因素影響的，各種因素對其變化影響作用力也不同。以本例來說，從R復相關系數看出，模型2的相關性較模型1要好，兩者區別在于模型1在計算時剔除了環境溫度這個自變量，但是盡管如此，兩者差距不大，仍保持了較高的數值。表3中Beta值是標準偏回歸誤差，表示這個自變量對因變量的影響，數值越大代表影響越大。表4則說明了軟件分析認為環境溫度對發熱溫度的影響不大，于是在模型1中將該自變量剔除了。以上結果說明幾點：1、流過電流、環境溫度的變化確實對設備發熱溫度變化有影響；2、環境溫度的變化對設備發熱溫度變化影響不大；3、除了這兩個因素之外，可能還有其他因素對設備發熱變化起作用。本文采用相關性較好的模型2作為最優的模型，線性回歸模型為：為y=-21.976+66.176x1+0.752x2，，式中y是發熱溫度，x1是流過電流，x2是環境溫度。2.3回歸模型的檢驗2.3.1擬合優度檢驗在未經過數據處理修正的情況下，模型2的相關系數為0.904，表明因變量中，能用自變量的變動結束的百分比。說發熱溫度與流過電流、環境溫度存在高度的相關性。2.3.2F檢驗、T檢驗及多重共線性檢驗由圖2結果曲線看，模型2的計算數值和實際測量值的曲線趨勢走向也較為接近，但是部分點存在一定誤差。由于建模前對于樣本中的奇異點為進行修正處理，而且在模型擬合的過程中求得各個因數也會存在一定的誤差，因此計算出的部分結果會和實際測量值之間存在誤差，但是模型2計算值和測量值整體的趨勢線還是很吻合的，如果需要提高精度，可以根據之前求得的隨機誤差根據要求對模型進行一定修正。異常發熱的情況較為復雜，如果通過數學手段對異常發熱情況進行預測，計算出的預測值還是需要結合誤差情況給予一定修正。3結論線性回歸建模結果證明了本文的假設，發熱溫度和電流、環境溫度是有線性關系的，也求得了模型。但是特別要注意的是，除了溫度、電流測量的誤差之外，另外可能存在其他變量影響發熱溫度的變化，這些都會給模型預測的結果帶來誤差，甚至計算結果會與實測值產生較大偏差。需要指出的是，影響預測準度的眾多因素并不妨礙本文所研究模型本身的有效性。實際上，在發現設備發熱缺陷到缺陷處理為止，設備可能無法直接停運甚至帶病運行一段時間，此時設備發熱情況可能存在一個較為穩定的狀態，直到平衡被打破，情況突然惡化。本文提出建立數學模型的方法，就是希望借由一定的測溫結果作為樣本，通過計算建模反映帶病設備的發熱趨勢，通過極限情況求值計算該情況下設備可能達到的最高發熱溫度，以作參考，這才是預測模型的實際意義。如本文所舉例子，考慮根據之前的各因數的隨機誤差，對數學模型進行修正，以求取極限值，修正后模型為ymax=-18.356+71.5X1+0.903X2，所得結果曲線如圖3所示。取電流1.05kA，環境溫度40攝氏度，利用修正后模型求得此時發熱值為92.8。該預測值的意義在于提供一