基于機理/數據混合驅動的變壓器故障診斷模型研究

許曉路 劉川燕 羅傳仙

摘 要：通過研究變壓器常見缺陷和故障，提出基于機理/數據混合驅動的變壓器設備故障診斷策略。該策略首先需要根據歷史記錄建立變壓器故障案例庫，然后對待檢測案例進行案例匹配，若庫中存在相似案例則快速得到診斷結論，若沒有相似案例則啟動故障推理模塊。故障推理模塊通過對變壓器故障模式進行劃分，基于不同故障模式，形成不同的推理規則，構建變壓器故障樹，以此進行故障推理。通過最后的案例分析，證明該策略能夠對變壓器設備故障進行準確、有效、快速的診斷和分析，且診斷結論可靠，實用性強。

關鍵詞：變壓器;故障分析;故障診斷;機理驅動;數據驅動

0 引言

變壓器作為電力調壓/傳輸的關鍵性核心部件，是電力運維重點監控對象。近年來，基于數據驅動的變壓器故障診斷模型研究成為熱點，如采用統計分析、BP神經網絡、支持向量機、貝葉斯網絡、聚類分析等對數據進行訓練得到預測模型來進行故障預測[1-2]。但此類算法需要大量數據進行模型訓練，而實際應用中卻難以滿足，導致模型準確率低、精細化程度不夠等問題。

基于機理分析驅動的變壓器故障診斷模型研究仍在不斷發展，此類方法試圖將變壓器化學試驗數據、電氣分析數據和巡檢數據等進行融合，并建立關系網絡，以此推算潛伏故障，如模糊學習、關聯規則挖掘、隱含馬爾科夫模型等[3-5]。但變壓器故障與相關特征數據間因果關系不明確，需要大量的專業經驗輔助支撐，導致最終故障模型可靠性低。

綜上，本文提出并設計了一種基于機理/數據混合驅動的變壓器故障診斷模型。該模型利用歷史運行數據、案例庫和故障樹，通過案例匹配和規則推理方法，構建機理/數據混合驅動的故障診斷模型，有效地避開了復雜數學建模過程，節約了成本，通過案例自增的方式進化案例庫，有效提高了模型的穩定性。

1 模型整體架構設計

變壓器故障診斷模型是使用變壓器臺賬數據、運行數據、故障數據、歷史案例等信息作為系統輸入，然后利用診斷模型對變壓器的運行狀態進行評估和潛伏性故障診斷，得出故障診斷結果及解決辦法，作為輸出反饋給用戶。其整體框架如圖1所示。

1.1 ? ?用戶層

用戶層包括輸入故障現象模塊、故障現象預處理模塊、故障處理模塊及結果反饋模塊。對故障現象進行描述和預處理后，將狀態信息輸入到故障診斷層，并提出故障查詢。得到診斷結果之后，需要檢修人員拿著結果找出故障原因，并解決故障。如果該規則已存在于案例庫，則調用歷史案例;若該規則與案例庫不同或者是一條新規則，則將該規則反饋給故障構建層進行案例庫更新。

1.2 ? ?故障診斷層

故障診斷層承接用戶層輸入，完成故障診斷并反饋結果給用戶層，是診斷系統的核心，包括故障診斷模型和故障類型及解決辦法輸出模塊。故障診斷模型核心是采用案例和規則串行推理的方式對故障進行診斷并輸出診斷結果。故障類型及解決辦法輸出模塊主要負責將故障診斷結果，包括故障原因、故障解決辦法等信息輸出給用戶。

1.3 ? ?案例庫構建層

案例庫構建層是系統底層知識庫，包括現象案例映射模塊和案例庫更新模塊。根據歷史故障診斷經驗，案例映射模塊進行案例收集，包括故障現象、原因、類型及經過實踐驗證的解決辦法之間的映射關系。在進行故障診斷時，可以為故障診斷層提供相似的案例。案例更新模塊，負責將新的案例收集入庫，及時更新和進化案例庫。

1.4 ? ?規則構建層

規則構建層也是系統底層規則庫，負責規則的生成及管理，其核心為基于規則生成模塊。本文應用故障樹分析方法構建變壓器規則模型。此模塊產生的規則作用并服務于故障診斷層的規則推理模塊。

2 機理/數據混合驅動方法

基于機理/數據混合驅動的故障診斷模型是故障診斷層的關鍵技術，其整體思路為利用案例匹配和規則推理相結合的方式，首先輸入故障現象，然后檢索案例庫，尋找相似案例。若有相似案例，則快速獲得診斷結果及相應檢修策略;若沒有合適的相似案例，則啟動規則推理，最終將推理產生結果作為診斷結果進行輸出。該模型流程圖如圖2所示。

第一步：故障數據輸入。由用戶輸入變壓器故障數據特征屬性的描述信息，并提出查詢需求。

第二步：數據預處理。在進行故障診斷前，因故障現象屬性描述不一致，需要對故障現象的描述信息進行預處理，獲取統一、規范的故障現象特征值。

第三步：案例庫匹配。檢索故障案例庫，利用匹配算法進行案例匹配。如有相似案例，則輸出相似度最大的案例;如沒有相似案例，則啟動基于FTA的規則推理算法進行推理。

第四步：基于FTA的規則推理。該模型的核心思想是根據以往專家經驗，將所有案例利用故障樹歸納生成規則，然后采用基于規則引擎的推理方法，將待診斷故障現象、數據與規則庫進行匹配，來推理得出診斷結論。

第五步：診斷結果輸出。此階段負責根據之前的方法（匹配到最相似案例，或者利用規則推理模型）生成故障診斷結果，然后將相關結果信息如故障診斷結果、可能故障原因及解決辦法進行輸出。

第六步：更新案例庫。根據系統診斷出的新的故障信息，對案例庫進行更新和維護。

第七步：診斷結果反饋。將最終的故障診斷結果信息反饋給系統用戶。

3 基于FTA的規則生成方法

FTA（Fault Tree Analysis）是由美國貝爾實驗室首次應用并發展起來的一種由上往下的演繹式失效分析法[6]。變壓器故障按部件劃分建立故障主樹，包括繞組故障、鐵芯故障、套管故障、有載分接開關故障、冷卻系統故障、非電量保護故障等，如圖3所示。

其中，繞組故障子樹包括繞組變形、短路故障、斷路故障和其他過熱故障，而短路故障是繞組故障中發生率最高、危險性最大的一類故障。本文以繞組故障子樹為例進行分析，如圖4所示。

4 案例分析

某110 kV變壓器自2010年投入運行以來，多次受到中壓和低壓側的外部短路沖擊，且因短路引起的沖擊十分嚴重。根據現場檢測器采集的數據進行相關分析，結果如表1、表2、表3所示。

如表1、表2、表3所示，變壓器油中出現了乙炔氣體并超標（表1），經過預防性試驗發現，變壓器中繞組電容量（表2）和低電壓阻抗（表3）出現較大變化。將上述信息輸入到變壓器故障診斷模塊后，故障診斷模塊推斷出該變壓器繞組可能存在變形，如圖5所示。

對變壓器進行解體檢查，證實了上述判斷，變壓器中的三相中壓和低壓繞組均發生明顯變形，尤以中壓C相最為嚴重，如圖6所示，驗證了本方法的有效性。

5 結語

本文在研究變壓器常見缺陷或故障模式、專家診斷經驗及國內外故障診斷算法的基礎上，提出并設計了基于機理/數據混合驅動的串聯式變壓器設備故障快速診斷模型和系統。由案例驗證可知，本模型可以很好地輔助變壓器故障的診斷，為設備檢修決策提供指導。

[參考文獻]

[1] 孔德錢，張新燕，童濤，等.基于差分進化算法與BP神經網絡的變壓器故障診斷[J].電測與儀表，2020，57（5）：57-61.

[2] 王東，朱永利.基于模糊C均值聚類和改進相關向量機的變壓器故障診斷[J].電測與儀表，2019，56（12）：14-19.

[3] 祁萌，王艷，何若雪.基于改進模糊神經網絡的變壓器故障診斷的研究[J].成都工業學院學報，2019，22（2）：43-45.

[4] 趙龍龍.基于關聯模型的電力變壓器健康評估云應用[J].電工電氣，2020（4）：39-43.

[5] 胡江，趙冬梅，張旭，等.基于最大熵隱馬爾科夫模型的電網故障診斷方法[J].電網技術，2019，43（9）：3368-3375.

[6] 展萬里，胡軍，谷青范，等.基于模型的故障樹自動生成方法[J/OL].計算機科學，2021：1-20.（2021-04-13）[2021-08-25].https：//t.cnki.net/kcms/detail？v=Dhx_ehRx4hfeytr4wxEVyNaYQLOBfaizkl2hh_jJOPX795x1HMYS4G2vxdZeSQIbtsqBfZEQqHTZemeUUEuWbFO8TUXRZdaj6PFju3mxroXOkObnKt1rmw==&uniplatform=NZKPT.

收稿日期：2021-09-01

作者簡介：許曉路（1988—），男，湖北沙洋人，碩士研究生，高級工程師，研究方向：輸變電設備遠程運維及評價診斷。

劉川燕（1976—），女，湖北武漢人，高級工程師，從事電力技術服務和咨詢工作。

羅傳仙（1976—），男，湖北荊門人，碩士研究生，高級工程師，研究方向：輸變電設備運維檢修。