基于貝葉斯網(wǎng)絡(luò)的變壓器故障診斷研究

仝兆景，秦紫霓，趙運(yùn)星，蘆 彤，鄭 權(quán)

(1.河南理工大學(xué) 電氣工程與自動化學(xué)院，河南 焦作 454000;2.上海寶冶集團(tuán)有限公司 鄭州分公司，河南 鄭州 450000)

變壓器是保障電力網(wǎng)絡(luò)安全穩(wěn)定運(yùn)行的基礎(chǔ)設(shè)備，復(fù)雜的運(yùn)行環(huán)境和獨(dú)特的負(fù)荷曲線使其頻繁發(fā)生故障。在故障狀態(tài)中運(yùn)行會導(dǎo)致變壓器性能退化，對電力網(wǎng)絡(luò)運(yùn)行產(chǎn)生嚴(yán)重的安全隱患。對變壓器進(jìn)行故障診斷研究，及時發(fā)現(xiàn)變壓器存在的潛伏性故障并糾正變壓器的不良運(yùn)行狀態(tài)，對延長變壓器的運(yùn)行壽命具有重要意義[1-2]。為了保障變壓器在線監(jiān)測數(shù)據(jù)的可靠性且不對變壓器造成損傷，本文采用油中氣體濃度分析(Dissolved Gas Analysis，DGA)技術(shù)對變壓器的運(yùn)行狀態(tài)進(jìn)行監(jiān)測。DGA技術(shù)是變壓器在線監(jiān)測中應(yīng)用最廣泛也是最為可靠的一種方法，具有操作簡單、技術(shù)可靠和經(jīng)濟(jì)適用等優(yōu)點(diǎn)[3-4]。傳統(tǒng)的DGA技術(shù)例如三比值法、四比值法、羅杰斯比值法等[5]通過采集油中氣體濃度并利用其比值編碼對變壓器的故障情況進(jìn)行分析。變壓器的比值法雖然具有操作簡單、結(jié)果明確等優(yōu)點(diǎn)，但仍然存在編碼不全、比值過于絕對、對熱性故障診斷準(zhǔn)確率不高以及不能提前發(fā)現(xiàn)隱含性故障等問題。隨著人工智能算法的興起，將人工智能算法與傳統(tǒng)故障診斷方法結(jié)合成為當(dāng)今研究的熱點(diǎn)。貝葉斯網(wǎng)絡(luò)是一種能夠在數(shù)據(jù)缺失情況下實(shí)現(xiàn)因果關(guān)系推理的智能算法，并能夠?qū)崿F(xiàn)不確定關(guān)系的精準(zhǔn)表達(dá)[6-7]。本文將改良的無編碼比值法與貝葉斯結(jié)構(gòu)學(xué)習(xí)相結(jié)合，通過改進(jìn)貝葉斯網(wǎng)絡(luò)的搜索策略以及評分函數(shù)與變壓器的故障類型結(jié)合，建立基于貝葉斯搜索評分算法的變壓器故障模型診斷，提高了變壓器故障的診斷效率。以PCI-1711U數(shù)據(jù)采集卡為故障監(jiān)測系統(tǒng)的硬件核心，利用多種油氣傳感器對變壓器的油中氣體濃度進(jìn)行采集，最后以LabVIEW為上位機(jī)[8-9]，建立基于貝葉斯網(wǎng)絡(luò)的變壓器在線故障診斷系統(tǒng)。通過測試集的仿真測試證明，該系統(tǒng)能夠準(zhǔn)確地監(jiān)測變壓器的運(yùn)行狀態(tài)，提前發(fā)現(xiàn)隱含故障，為變壓器的穩(wěn)定運(yùn)行策略提供支持[10-11]，對電網(wǎng)的智能化、規(guī)?；l(fā)展具有重要意義。

1 優(yōu)化的貝葉斯網(wǎng)絡(luò)搜索評分算法

貝葉斯網(wǎng)絡(luò)(Bayesian Networks，BNs)是一種有向無環(huán)圖(Directed Acyclic Graph，DAG)，它提供了一種高效表達(dá)因果關(guān)系的框架結(jié)構(gòu)，使不確定關(guān)系的表達(dá)更為清晰[12-13]。貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)算法是從樣本數(shù)據(jù)庫中學(xué)習(xí)訓(xùn)練出DAG，構(gòu)建出與樣本集相符合的DAG結(jié)構(gòu)。基于搜索評分的結(jié)構(gòu)學(xué)習(xí)方法是利用評分函數(shù)和搜索算法對搜索出的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行評分進(jìn)而選取最優(yōu)結(jié)果，其數(shù)學(xué)函數(shù)表達(dá)式為

(1)

其中，f表示結(jié)構(gòu)評分函數(shù)；ζ表示結(jié)構(gòu)空間；D表示訓(xùn)練集；G|=C表示結(jié)構(gòu)G滿足約束條件C。在搜索評分過程中，約束條件C是要求搜索到的結(jié)構(gòu)滿足DAG結(jié)構(gòu)，最優(yōu)結(jié)構(gòu)G*可以表示為

(2)

K2算法就是一種典型的搜索評分算法[14]，通過貪婪搜索(Greedy Search，GS)遍歷所用DAG并通過CH評分(Cooper-Herskovits)來衡量DAG結(jié)構(gòu)的優(yōu)劣。該方法先通過GS進(jìn)行不斷地加邊、減邊、轉(zhuǎn)邊操作來尋找DAG，后利用評分函數(shù)對搜索到的DAG進(jìn)行評分，直到尋找出評分最高的DAG為止。CH評分是BD(Bayesian Dirichlet)評分的一種特殊形式，BD評分函數(shù)的表達(dá)式為

(3)

(4)

貝葉斯結(jié)構(gòu)學(xué)習(xí)的貪婪搜索算法通過發(fā)現(xiàn)節(jié)點(diǎn)之間的獨(dú)立性和相關(guān)性對貝葉斯網(wǎng)絡(luò)進(jìn)行搜索，找到與理想模型相近的結(jié)構(gòu)[15-16]。但隨著貝葉斯結(jié)構(gòu)學(xué)習(xí)節(jié)點(diǎn)逐漸增多以及貝葉斯搜索空間復(fù)雜度的增高，搜索算法的工作量呈指數(shù)增長，貪婪搜索的結(jié)果也容易陷入局部最優(yōu)的情況，使搜索結(jié)果與實(shí)際情況發(fā)生偏離，出現(xiàn)嚴(yán)重不符合貝葉斯結(jié)構(gòu)實(shí)際情況的貝葉斯網(wǎng)絡(luò)，造成結(jié)構(gòu)學(xué)習(xí)失敗。

本文采用一種基于分解評分合成(Decompositon-Scoring-Compositon，DSC)的方法優(yōu)化貝葉斯貪婪搜索的搜索策略。DSC 首先通過條件獨(dú)立性構(gòu)建無向獨(dú)立圖，根據(jù)DGA等價、無向分離、等價分離原則；然后利用條件獨(dú)立性把無向圖分解成兩個子結(jié)構(gòu)并逐漸對兩個子結(jié)構(gòu)進(jìn)行遞歸分解，直至無法進(jìn)一步分解為止，把無向圖分成多個相互獨(dú)立的子結(jié)構(gòu)，對子結(jié)構(gòu)的每一次圖解中，其父節(jié)點(diǎn)都在一個子圖中以保證分離出的子結(jié)構(gòu)等價；最后利用貝葉斯搜索評分算法對子結(jié)構(gòu)進(jìn)行結(jié)構(gòu)學(xué)習(xí)，根據(jù)有向圖的結(jié)合原則把所有子圖結(jié)合起來。有向圖的結(jié)合方式是A、B、Z為有向圖G中相互不交集的節(jié)點(diǎn)，則有向圖GK=(K，EK)可以由兩個子圖

GA∪Z=(A∪Z，EA∪Z)和GB∪Z=(B∪Z，EA∪Z)通過以下方式組成新的有向圖：

(1)節(jié)點(diǎn)K=A∪Z∪B；

(2)有向邊滿足：EK=EA∪Z∪EB∪Z(〗(u，v):u，vZ，u，vEA∪Z∪EB∪Z};

(3)EA∪Z和EB∪Z中的V結(jié)構(gòu)不被破壞且不產(chǎn)生新的V結(jié)構(gòu)。

2 基于貝葉斯網(wǎng)絡(luò)的變壓器故障診斷模型

本文以改良的無編碼比值法和變壓器故障類型作為貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)，利用改進(jìn)的貝葉斯搜索評分算法對變壓器的故障樣本集進(jìn)行結(jié)構(gòu)學(xué)習(xí)建立變壓器故障診斷模型；利用變壓器故障測試集對變壓器故障診斷模型進(jìn)行測試，以驗(yàn)證模型的準(zhǔn)確率。本文采用改良的無編碼比值法的比值屬性作為變壓器網(wǎng)絡(luò)的氣體特征節(jié)點(diǎn)，如表1所示。改良的無編碼比值法采用5種基礎(chǔ)氣體即氫氣(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)的比值屬性為基礎(chǔ)即A4～A12，同時考慮到無編碼比值法對純氫超標(biāo)故障不夠敏感，添加 H2、C2H2和總烴C1+C2作為參考量來提高診斷效率。對變壓器故障類型的分類具有多種方式，一般采用基于故障部位、故障性質(zhì)和故障發(fā)生過程的分類方式[17]。本文采用基于故障性質(zhì)的變壓器故障分類方式，綜合分析變壓器熱性和電性的故障性質(zhì)，同時把變壓器的正常狀態(tài)也當(dāng)作一種故障形式對變壓器的故障類型進(jìn)行劃分，故障類型如表2所示。

表1 改良的無編碼比值屬性

表2 變壓器的故障類型

為了保證故障診斷模型對多種故障類型診斷的準(zhǔn)確性，應(yīng)當(dāng)選取一組足夠多且能較完整包涵變壓器各種故障的樣本集作為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的訓(xùn)練集，并選取測試集對模型進(jìn)行測試。本文采用從文獻(xiàn)資料中查詢的620條變壓器故障樣本，其中464條作為訓(xùn)練集，156條作為測試集。由表2可知一些氣體屬性的量級存在差別。因此，在對訓(xùn)練集進(jìn)行結(jié)構(gòu)學(xué)習(xí)之前需要對訓(xùn)練集進(jìn)行標(biāo)準(zhǔn)化處理，使數(shù)據(jù)趨于標(biāo)準(zhǔn)化。本文采取最大值法，即取每種氣體與該組氣體含量的最大值之比為標(biāo)準(zhǔn)化參數(shù)，即

(5)

其中，Ai表示任意一種基礎(chǔ)氣體；max表示單一氣體成分的最大值，標(biāo)準(zhǔn)化后每組氣體的最大值為1。綜上所述，本文建立的BNs是以變壓器的狀態(tài)類型S為父節(jié)點(diǎn)，以表1氣體特征變量為子節(jié)點(diǎn)建立變壓器的狀態(tài)分析模型，利用DSC算法建立變壓器的故障診斷模型，具體步驟如下：

步驟1構(gòu)建變壓器故障診斷的無向獨(dú)立圖。利用G2檢驗(yàn)判斷變壓器故障診斷節(jié)點(diǎn)Xi和Xj和節(jié)點(diǎn)集Z之間的獨(dú)立性，根據(jù)獨(dú)立性測試構(gòu)建節(jié)點(diǎn)之間的Markov邊界，Markov邊界構(gòu)成的無向圖即為故障診斷模型的無向獨(dú)立圖G；

步驟3子圖的搜索評分。利用貪婪搜索和BDeu評分對GZi進(jìn)行結(jié)構(gòu)學(xué)習(xí)，構(gòu)建有向子圖GZi；

步驟4有向子圖的合成。對具有同樣深度d的有向子圖GZi進(jìn)行組合，期間不能產(chǎn)生新的V結(jié)構(gòu)，最終得到一個新的DAG結(jié)構(gòu)G。

根據(jù)上述步驟最終建立的變壓器故障診斷模型，如圖1所示。

圖1 變壓器的故障診斷模型

為了證明模型故障診斷的準(zhǔn)確性，對樣本集進(jìn)行隨機(jī)劃分，并利用訓(xùn)練集對故障診斷模型進(jìn)行訓(xùn)練。隨著訓(xùn)練樣本的增多，故障診斷的準(zhǔn)確率逐漸提高。利用測試集對故障診斷模型進(jìn)行測試，為了證明模型的優(yōu)越性，使用基于K2算法的變壓器故障診斷模型和三比值法來與DSC模型進(jìn)行比較測試，如表3所示。對3種方法的測試結(jié)果顯示，三比值法準(zhǔn)確性最低，僅有77%左右，尤其對熱性故障的診斷效果存在較大偏差；基于貝葉斯網(wǎng)絡(luò)的故障診斷模型的診斷效果與三比值法相比，其準(zhǔn)確率有明顯的增強(qiáng)；K2算法的準(zhǔn)確率達(dá)到89.7%；DSC的診斷準(zhǔn)確性最高，達(dá)到了94.2%。測試結(jié)果證明，本文建立的基于優(yōu)化搜索評分的算法能夠滿足故障診斷系統(tǒng)要求。

表3 幾種診斷方法的比較

3 基于貝葉斯網(wǎng)絡(luò)的變壓器故障診斷系統(tǒng)

基于貝葉斯網(wǎng)絡(luò)的變壓器在線故障診斷系統(tǒng)設(shè)計主要包括硬件系統(tǒng)和軟件設(shè)計兩部分，其根據(jù)系統(tǒng)整體需求設(shè)計基本功能。硬件系統(tǒng)包括油氣采集模塊、顯示模塊和報警模塊；軟件系統(tǒng)主要包括數(shù)據(jù)處理模塊、故障推理模塊和歷史查詢模塊。

3.1 系統(tǒng)設(shè)計

利用PCI-1711U高速數(shù)據(jù)采集卡完成信號的輸入與輸出，以 VC++調(diào)用SMILE對該模型進(jìn)行編程并生成dll文件，最后利用LabVIEW調(diào)用dll文件搭建監(jiān)測平臺。

平臺采用模塊化編程實(shí)現(xiàn)系統(tǒng)功能設(shè)計，包括油氣監(jiān)測模塊、改良三比值分析模塊、BN推理模塊、歷史記錄模塊，各個功能模塊下又包括許多子模塊。油氣監(jiān)測模塊主要對變壓器的油色譜、油溫與微水含量等故障征兆信息進(jìn)行采集，并將采集到的數(shù)據(jù)以波形、柱狀圖、數(shù)值的形式顯示出來；改良三比值分析模塊通過對油氣監(jiān)測數(shù)據(jù)的分析來計算特征氣體的增長速率，根據(jù)油中溶解的特征氣體含量得到三比值編碼，做出故障預(yù)判；BN推理模塊通過調(diào)用dll文件，完成數(shù)據(jù)處理和變壓器故障的推理。根據(jù)遠(yuǎn)程檢測系統(tǒng)傳回的運(yùn)行狀態(tài)數(shù)據(jù)，經(jīng)過各模塊的綜合分析推理出變壓器的運(yùn)行狀態(tài)，得出綜合分析的結(jié)果。

3.2 實(shí)例分析

在Window7操作平臺下對變壓器的故障監(jiān)測與診斷系統(tǒng)進(jìn)行測試。

某變壓器發(fā)生故障，故障類型為低能放電，利用該變壓器對系統(tǒng)實(shí)用性進(jìn)行測試，變壓器故障監(jiān)測與診斷系統(tǒng)的油氣監(jiān)測結(jié)果，如圖2所示。從圖中可以看出H2和C2H4警示燈變?yōu)樯钌錃怏w含量明顯超出閾值，油溫、油中微水含量、總烴和其他氣體含量正常，曲線存在波動是由于氣敏傳感器在信號采集、傳輸、處理過程中存在一定程度誤差而造成的。

圖2 油氣監(jiān)測實(shí)際測試界面

根據(jù)變壓器的油色譜監(jiān)測信息推理變壓器的故障狀態(tài)。改良三比值法的推理結(jié)果如圖3所示；BN模型的推理結(jié)果，如圖4所示。由圖3可以看出變壓器的特征氣體增長速率超出預(yù)警值，通過油中溶解氣體含量計算出氣體的比值編碼，該變壓器的三比值編碼為111，診斷結(jié)果為電弧放電，與實(shí)際情況不符。利用基于BN的變壓器故障監(jiān)測與診斷模型對油色譜監(jiān)測數(shù)據(jù)進(jìn)行推理，首先將監(jiān)測的氣體含量信息轉(zhuǎn)化為表1所示的無編碼比值表；然后調(diào)用DLL實(shí)現(xiàn)DSC模型的實(shí)時更新，得到變壓器故障類型的可能性概率表，如圖4所示。診斷結(jié)果顯示該變壓器低能放電概率為0.967，同時存在放電兼過熱的可能性，并列出可能性原因和處理建議，診斷結(jié)果與實(shí)際情況相符。

圖3 改良三比值法分析實(shí)際測試界面

圖4 BN推理實(shí)際測試界面

經(jīng)過系統(tǒng)運(yùn)行測試，證明該系統(tǒng)能夠有效實(shí)現(xiàn)對變壓器運(yùn)行狀態(tài)的監(jiān)測，并能對潛在性故障進(jìn)行診斷，綜合故障信息給出故障的可能性原因和處理建議，且該系統(tǒng)界面簡潔、功能豐富，有利于進(jìn)一步的檢測維護(hù)。

4 結(jié)束語

本文針對中小型油浸式變壓器的故障監(jiān)測與診斷進(jìn)行了新的探索：(1)以變壓器的故障類型和改良的無編碼比值變量為網(wǎng)絡(luò)節(jié)點(diǎn)構(gòu)建了一種基于貝葉斯網(wǎng)絡(luò)的變壓器故障診斷模型；(2)針對 K2 算法中存在的局部最優(yōu)解的缺陷和對較多節(jié)點(diǎn)的結(jié)構(gòu)學(xué)習(xí)中存在偏差的問題，采用一種優(yōu)化 K2 算法的 CH 評分函數(shù)，提出一種基于分解評分合成的結(jié)構(gòu)學(xué)習(xí)算法優(yōu)化了 K2 算法的結(jié)構(gòu)學(xué)習(xí)策略，調(diào)整了學(xué)習(xí)參數(shù)，提高了對多節(jié)點(diǎn)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的精準(zhǔn)度；(3)利用 LabVIEW 設(shè)計相關(guān)上位機(jī)程序，完成了貝葉斯網(wǎng)絡(luò)優(yōu)化算法的故障診斷模塊嵌入。仿真及實(shí)踐結(jié)果證明，該模型能夠準(zhǔn)確的診斷變壓器故障，對確保電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要的工程意義。隨著現(xiàn)代電力產(chǎn)業(yè)規(guī)模的不斷擴(kuò)大，城市化和新農(nóng)村電氣化進(jìn)程不斷加速，變壓器運(yùn)行狀態(tài)的遠(yuǎn)程監(jiān)控與現(xiàn)場作業(yè)相結(jié)合已成為必然的發(fā)展趨勢。對結(jié)構(gòu)學(xué)習(xí)算法的優(yōu)化和對變壓器內(nèi)部具體故障點(diǎn)的研究將是未來的研究重點(diǎn)。