基于貝葉斯網絡的變壓器故障推理模型

仝兆景 趙運星 時俊嶺

摘要：變壓器是電力網絡的重要設備。為保障變壓器安全運行，針對以往故障推理過程中征兆特征過于復雜和沒有加入不良工況問題，建立基于貝葉斯網絡的變壓器故障推理模型。該模型通過對變壓器的在線監測，在對以往變壓器的不良工況、故障類型、征兆特征進行數據分析的基礎上，對變壓器監測數據進行推理，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優化組合進行分析，使推理過程更加簡潔，提高了推理結果的準確性。以某種典型的油浸式變壓器故障為例進行推理仿真，仿真結果證明了該模型的可靠性和準確性。

關鍵詞：變壓器；貝葉斯網絡；不良工況；故障推理

DOIDOI：10.11907/rjdk.173065

中圖分類號：TP301

文獻標識碼：A 文章編號文章編號：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.

英文關鍵詞Key Words：transformer； bayesian networks； bad condition； fault reasoning

0 引言

變壓器是電力網絡的基礎設備，變壓器日常維護是保障電力安全的重要工作。早期變壓器故障檢測主要是通過人工對變壓器進行定期檢修和維護，經過多年發展，變壓器故障檢測方式實現了在線監測為基礎的智能診斷。人工智能算法如神經網絡、模糊控制等在變壓器故障推理方面得到了廣泛應用，其診斷結果的準確性各有優勢。貝葉斯網絡是當今參數和結構學習的重要手段，在人工智方面更具有優秀的表現，被應用在自動駕駛、藥物評估、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概率和貝葉斯網絡為基礎，建立一個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量，降低推理模型的復雜程度，提高了診斷結果的精確度。

1 貝葉斯網絡及算法

貝葉斯網絡（Bayesian Networks，BNs）也稱為信念網絡（Belief Networks）或因果網絡（Causal Networks），是一種能夠描述變量間相互關系并進行推理的圖形模型，使不確定關系能夠得到更好表達。本文以先驗概率為基礎，利用BNs的聚類實現對數據的分類。貝葉斯聚類實質就是通過量化數據間的距離判斷數據間的相似性，按照數據相似性實現數據分類。最大后驗假設問題（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（E=e）已知，則MAP就是一些變量的狀態組合。若這些變量組合的后驗概率最大，即為假設變量（H），選取這些變量的一個狀態組合作為假設（），那么MAP問題就在所有變量組合中求取最大的后驗概率。假設為（h），即

本文將變壓器的故障診斷當作MPE問題處理，將觀察到的已知異常作為證據，以故障類型作為觀察節點，以不良工況作為輔助節點，通過BNs推理算法尋找各故障類型的后驗概率，通過排序后驗概率得到最大概率故障類型作為預測結果，實現對變壓器故障的推理。

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點建立基于BNs的故障推理模型。先驗概率對模型十分重要，是模型預測準確率的保障。本文根據參考文獻[6]和文獻[7]提供的先驗概率，結合現有變壓器故障數據進行分析優化[5-7]。對變壓器多發故障和典型征兆類型進行分析，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概率為P（Sj/Fi），代表著當故障類型Fi發生時征兆特征量Sj異常的概率，可用因果強度Kij表示。征兆集集合為{S1，S2…S11}，整個集合中的數據為連續值，在離散化后按照因果關系分組簡化，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系強度表，處理后得到表達征兆特征信息的組合，通過比較各個組合信息的完整程度和可操作性，選取征兆集{S1，S2，S3，S5，S11}作為最簡因果關系強度表，如表2所示。

變壓器運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，本文對這3種常見不良工況進行分析，合理預估不良工況對變壓器故障的影響程度以提高模型對故障預測的準確性。不良工況會影響故障的產生，通過分析不良工況與故障類型的關系并用BNs表示[7]。考慮到實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Leaky節點L，本文將未考慮到的不良工況和故障類型作為Leaky節點。不良工況節點L對全部故障類型的影響預置為0.5，即P（Fi/L）=0.5，故障類型節點L能影響的征兆特征貢獻概率設定為0.01，即P（Sj/L）=0.01。通過對以上數據處理，得到完整的BNs所需要的參數如表3、表4所示[8-9]。根據不良工況對故障的影響和修改后故障征兆與故障連接關系表，建立模型如圖1所示。本模型能通過更新實時數據檢測到不同故障的發生概率，使推理結果更加清晰高效。

3 推理模型仿真驗證

某型號為S11-M的油浸式變壓器工作狀態在線監測顯示異常，對整個變電站產生嚴重影響，需要停電檢修。在進行DGA檢測和相關電氣試驗后，發現絕緣電阻、介損均無異常，根據DGA檢測結果分析得到三比值編碼為022，對照三比值編碼表可知故障類型為高溫過熱，再結合其它電氣試驗數據，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時間存在過載的不良工況[5-7]。把上述結果帶入推理模型中，在征兆特征層上把油色譜比值為過熱和直阻設為證據，分析結果如圖2所示。把不良工況過載加入后當作證據時的結果如圖3所示。拆解變壓器檢測后發現，實際情況與診斷結果吻合。從圖2與圖3的診斷結果對比可以發現，在加入不良工況后分接開關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確性提高，增強了推理結果的可靠性。

4 結語

本文通過對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，通過不良工況對故障產生影響的預估，實現概率推理及對故障的可能性排序。模型選取征兆特征的一個典型組合進行分析，使推理過程更加簡潔。該模型的準確性是基于對不良工況、故障模式與異常征兆之間的概率關系的學習深度。隨著變壓器故障模式研究的不斷深入以及故障統計數據的不斷積累，貝葉斯網絡的結構和參數也應及時更新，以進一步提高診斷結果的準確性。

參考文獻：

[1] 高曉光，陳海洋，符小衛.離散動態貝葉斯網絡推理及其應用[M].北京：國防工業出版社，2016.

[2] 張聰聰.基于GeNIe的某航運安全狀況檢測軟件設計與實現[D].武漢：武漢理工大學，2014.

[3] 仝兆景，時俊嶺，高彩霞，等.變壓器故障監測及預測模型構建研究[J].軟件導刊，2017，16（7）：116-118.

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

[5] 曾毅，嚴新榮，李志軍，等.基于光聲光譜原理的變壓器油中氣體在線監測系統研究[J].軟件導刊，2017，16（7）：100-102.

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

[7] 白翠粉，高文勝，金雷，等.基于3層貝葉斯網絡的變壓器綜合故障診斷[J].高電壓技術，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.

（責任編輯：杜能鋼）