基于貝葉斯網(wǎng)絡(luò)的變壓器故障推理模型

仝兆景 趙運(yùn)星 時(shí)俊嶺

摘要：變壓器是電力網(wǎng)絡(luò)的重要設(shè)備。為保障變壓器安全運(yùn)行，針對(duì)以往故障推理過程中征兆特征過于復(fù)雜和沒有加入不良工況問題，建立基于貝葉斯網(wǎng)絡(luò)的變壓器故障推理模型。該模型通過對(duì)變壓器的在線監(jiān)測(cè)，在對(duì)以往變壓器的不良工況、故障類型、征兆特征進(jìn)行數(shù)據(jù)分析的基礎(chǔ)上，對(duì)變壓器監(jiān)測(cè)數(shù)據(jù)進(jìn)行推理，得到變壓器故障類型的可能性排序。該模型選取征兆特征的一個(gè)優(yōu)化組合進(jìn)行分析，使推理過程更加簡(jiǎn)潔，提高了推理結(jié)果的準(zhǔn)確性。以某種典型的油浸式變壓器故障為例進(jìn)行推理仿真，仿真結(jié)果證明了該模型的可靠性和準(zhǔn)確性。

關(guān)鍵詞：變壓器；貝葉斯網(wǎng)絡(luò)；不良工況；故障推理

DOIDOI：10.11907/rjdk.173065

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：1672-7800（2018）008-0090-03

英文摘要Abstract：In order to ensure the safe operation of the transformer which is an important equipment in electric power network， a transformer fault reasoning model based on Bayesian Networks is built to solve the problems that the symptom characteristics are too complex and not adding the bad conditions in previous fault reasoning process. Based on the data analysis of the bad conditions， the model could rank the possibility of the transformer faults by reasoning the on-line monitoring data， types of faults and symptom characteristics of former transformers. The model selects an optimized combination of symptom characteristics for analysis which makes the reasoning process more concise and improves the accuracy of the reasoning results. Some typical oil-immersed transformer faults are selected for reasoning simulation which shows the reliability and accuracy of the model.

英文關(guān)鍵詞Key Words：transformer； bayesian networks； bad condition； fault reasoning

0 引言

變壓器是電力網(wǎng)絡(luò)的基礎(chǔ)設(shè)備，變壓器日常維護(hù)是保障電力安全的重要工作。早期變壓器故障檢測(cè)主要是通過人工對(duì)變壓器進(jìn)行定期檢修和維護(hù)，經(jīng)過多年發(fā)展，變壓器故障檢測(cè)方式實(shí)現(xiàn)了在線監(jiān)測(cè)為基礎(chǔ)的智能診斷。人工智能算法如神經(jīng)網(wǎng)絡(luò)、模糊控制等在變壓器故障推理方面得到了廣泛應(yīng)用，其診斷結(jié)果的準(zhǔn)確性各有優(yōu)勢(shì)。貝葉斯網(wǎng)絡(luò)是當(dāng)今參數(shù)和結(jié)構(gòu)學(xué)習(xí)的重要手段，在人工智方面更具有優(yōu)秀的表現(xiàn)，被應(yīng)用在自動(dòng)駕駛、藥物評(píng)估、信息處理等各方面并取得了重要成果[1-3]。本文以變壓器故障的先驗(yàn)概率和貝葉斯網(wǎng)絡(luò)為基礎(chǔ)，建立一個(gè)變壓器的故障推理模型，加入不良工況并縮減征兆特征的數(shù)量，降低推理模型的復(fù)雜程度，提高了診斷結(jié)果的精確度。

1 貝葉斯網(wǎng)絡(luò)及算法

貝葉斯網(wǎng)絡(luò)（Bayesian Networks，BNs）也稱為信念網(wǎng)絡(luò)（Belief Networks）或因果網(wǎng)絡(luò)（Causal Networks），是一種能夠描述變量間相互關(guān)系并進(jìn)行推理的圖形模型，使不確定關(guān)系能夠得到更好表達(dá)。本文以先驗(yàn)概率為基礎(chǔ)，利用BNs的聚類實(shí)現(xiàn)對(duì)數(shù)據(jù)的分類。貝葉斯聚類實(shí)質(zhì)就是通過量化數(shù)據(jù)間的距離判斷數(shù)據(jù)間的相似性，按照數(shù)據(jù)相似性實(shí)現(xiàn)數(shù)據(jù)分類。最大后驗(yàn)假設(shè)問題（Maximum A Posterior Hypothesis，MAP）和最大可能解釋問題（Most Probable Explanation，MPE）是BNs推理最主要的兩種常見問題[3-4]。如果證據(jù)（E=e）已知，則MAP就是一些變量的狀態(tài)組合。若這些變量組合的后驗(yàn)概率最大，即為假設(shè)變量（H），選取這些變量的一個(gè)狀態(tài)組合作為假設(shè)（），那么MAP問題就在所有變量組合中求取最大的后驗(yàn)概率。假設(shè)為（h），即

本文將變壓器的故障診斷當(dāng)作MPE問題處理，將觀察到的已知異常作為證據(jù)，以故障類型作為觀察節(jié)點(diǎn)，以不良工況作為輔助節(jié)點(diǎn)，通過BNs推理算法尋找各故障類型的后驗(yàn)概率，通過排序后驗(yàn)概率得到最大概率故障類型作為預(yù)測(cè)結(jié)果，實(shí)現(xiàn)對(duì)變壓器故障的推理。

2 故障推理模型

本文以變壓器的不良工況、故障類型和征兆特征為節(jié)點(diǎn)建立基于BNs的故障推理模型。先驗(yàn)概率對(duì)模型十分重要，是模型預(yù)測(cè)準(zhǔn)確率的保障。本文根據(jù)參考文獻(xiàn)[6]和文獻(xiàn)[7]提供的先驗(yàn)概率，結(jié)合現(xiàn)有變壓器故障數(shù)據(jù)進(jìn)行分析優(yōu)化[5-7]。對(duì)變壓器多發(fā)故障和典型征兆類型進(jìn)行分析，整理出變壓器故障類型集F和征兆特征集S，如表1所示。不同的故障類型與征兆特征的先驗(yàn)概率為P（Sj/Fi），代表著當(dāng)故障類型Fi發(fā)生時(shí)征兆特征量Sj異常的概率，可用因果強(qiáng)度Kij表示。征兆集集合為{S1，S2…S11}，整個(gè)集合中的數(shù)據(jù)為連續(xù)值，在離散化后按照因果關(guān)系分組簡(jiǎn)化，分別量化為0、1和2。P（Sj/Fi）離散化后得到一張表示故障類型與征兆特征的因果關(guān)系強(qiáng)度表，處理后得到表達(dá)征兆特征信息的組合，通過比較各個(gè)組合信息的完整程度和可操作性，選取征兆集{S1，S2，S3，S5，S11}作為最簡(jiǎn)因果關(guān)系強(qiáng)度表，如表2所示。

變壓器運(yùn)行過程中常遇到的不良工況有過載（C1）、出口短路（C2）和雷電沖擊（C3）3種，本文對(duì)這3種常見不良工況進(jìn)行分析，合理預(yù)估不良工況對(duì)變壓器故障的影響程度以提高模型對(duì)故障預(yù)測(cè)的準(zhǔn)確性。不良工況會(huì)影響故障的產(chǎn)生，通過分析不良工況與故障類型的關(guān)系并用BNs表示[7]?？紤]到實(shí)際情況無法完全列舉所有可能，故將模型中無法列舉的因素視為L(zhǎng)eaky節(jié)點(diǎn)L，本文將未考慮到的不良工況和故障類型作為L(zhǎng)eaky節(jié)點(diǎn)。不良工況節(jié)點(diǎn)L對(duì)全部故障類型的影響預(yù)置為0.5，即P（Fi/L）=0.5，故障類型節(jié)點(diǎn)L能影響的征兆特征貢獻(xiàn)概率設(shè)定為0.01，即P（Sj/L）=0.01。通過對(duì)以上數(shù)據(jù)處理，得到完整的BNs所需要的參數(shù)如表3、表4所示[8-9]。根據(jù)不良工況對(duì)故障的影響和修改后故障征兆與故障連接關(guān)系表，建立模型如圖1所示。本模型能通過更新實(shí)時(shí)數(shù)據(jù)檢測(cè)到不同故障的發(fā)生概率，使推理結(jié)果更加清晰高效。

3 推理模型仿真驗(yàn)證

某型號(hào)為S11-M的油浸式變壓器工作狀態(tài)在線監(jiān)測(cè)顯示異常，對(duì)整個(gè)變電站產(chǎn)生嚴(yán)重影響，需要停電檢修。在進(jìn)行DGA檢測(cè)和相關(guān)電氣試驗(yàn)后，發(fā)現(xiàn)絕緣電阻、介損均無異常，根據(jù)DGA檢測(cè)結(jié)果分析得到三比值編碼為022，對(duì)照三比值編碼表可知故障類型為高溫過熱，再結(jié)合其它電氣試驗(yàn)數(shù)據(jù)，可定義征兆特征量屬性集為{S1，S2，S3，S5，S11}={2，0，0，2，0}，查閱歷史資料顯示該變壓器長(zhǎng)時(shí)間存在過載的不良工況[5-7]。把上述結(jié)果帶入推理模型中，在征兆特征層上把油色譜比值為過熱和直阻設(shè)為證據(jù)，分析結(jié)果如圖2所示。把不良工況過載加入后當(dāng)作證據(jù)時(shí)的結(jié)果如圖3所示。拆解變壓器檢測(cè)后發(fā)現(xiàn)，實(shí)際情況與診斷結(jié)果吻合。從圖2與圖3的診斷結(jié)果對(duì)比可以發(fā)現(xiàn)，在加入不良工況后分接開關(guān)的故障概率明顯增高，并且匝層間短路的概率降到0.5以下，說明再加入不良工況后模型的推理準(zhǔn)確性提高，增強(qiáng)了推理結(jié)果的可靠性。

4 結(jié)語

本文通過對(duì)不良工況和故障征兆的分析得到了基于BNs的變壓器故障推理模型，通過不良工況對(duì)故障產(chǎn)生影響的預(yù)估，實(shí)現(xiàn)概率推理及對(duì)故障的可能性排序。模型選取征兆特征的一個(gè)典型組合進(jìn)行分析，使推理過程更加簡(jiǎn)潔。該模型的準(zhǔn)確性是基于對(duì)不良工況、故障模式與異常征兆之間的概率關(guān)系的學(xué)習(xí)深度。隨著變壓器故障模式研究的不斷深入以及故障統(tǒng)計(jì)數(shù)據(jù)的不斷積累，貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)也應(yīng)及時(shí)更新，以進(jìn)一步提高診斷結(jié)果的準(zhǔn)確性。

參考文獻(xiàn)：

[1] 高曉光，陳海洋，符小衛(wèi).離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理及其應(yīng)用[M].北京：國防工業(yè)出版社，2016.

[2] 張聰聰.基于GeNIe的某航運(yùn)安全狀況檢測(cè)軟件設(shè)計(jì)與實(shí)現(xiàn)[D].武漢：武漢理工大學(xué)，2014.

[3] 仝兆景，時(shí)俊嶺，高彩霞，等.變壓器故障監(jiān)測(cè)及預(yù)測(cè)模型構(gòu)建研究[J].軟件導(dǎo)刊，2017，16（7）：116-118.

[4] 李超.微分MPE問題的聯(lián)合樹算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2016，37（10）：2306-2311.

[5] 曾毅，嚴(yán)新榮，李志軍，等.基于光聲光譜原理的變壓器油中氣體在線監(jiān)測(cè)系統(tǒng)研究[J].軟件導(dǎo)刊，2017，16（7）：100-102.

[6] 呂啟深，曾輝雄，姚森敬，等.基于貝葉斯網(wǎng)絡(luò)和粗糙集約簡(jiǎn)的變壓器故障診斷[J].中國電力，2013，46（9）：75-79.

[7] 白翠粉，高文勝，金雷，等.基于3層貝葉斯網(wǎng)絡(luò)的變壓器綜合故障診斷[J].高電壓技術(shù)，2013，39（2）：330-335.

[8] XIE Q J， ZENG H X， LING R， et al. Transformer fault diagnosis based on bayesian network and rough set reduction theory[C].Tencon Spring Conference，IEEE，2013：262-266.

[9] TAHA I B M， GHONEIM S S M， DUAYWAH A S A. Refining DGA methods of IEC Code and Rogers four ratios for transformer fault diagnosis[C].2016 IEEE Power and Energy Society General Meeting （PESGM）， Boston， MA，2016：1-5.

（責(zé)任編輯：杜能鋼）