基于貝葉斯網絡的電力變壓器局部放電故障檢測

白國政

(陜西工業職業技術學院，陜西 咸陽 712000)

0 引言

隨著當今社會基礎設施的逐漸完善，電網系統逐漸覆蓋各行各業，電力系統的規模也隨之擴大，與之而來的是復雜的用電環境導致的電力系統負荷過高，從而導致各種電力故障問題頻發。而電力變壓器是維護電力系統安全與穩定的重要設備，為了進一步應對多樣化的電力故障問題需要對變壓器故障檢測能力進行優化。使其能夠根據當前的電力運行狀態對未來一段時間內的運行狀況進行預測，及時發現電力系統內存在的安全隱患。并進行診斷與糾正。從而減少故障問題發生造成的不可逆性損失，延長電力系統的使用壽命，保障電力網絡運行環境的安全與穩定。

文獻[1]利用激光誘導熒光光譜技術與極限學習機算法對電力變壓器內部油樣進行快速識別，對不同類型的油樣使用激光儀發射熒光，識別獲取油樣熒光光譜，通過學習機ELM算法對光譜進行除噪預處理，分析油樣模型中的元素貢獻率，降維后得到變壓器油分析結果，進行變壓器故障檢測。該方法雖然快速可靠，但主要是基于變壓器常態運行狀況下進行故障檢測與診斷，無法實現對未來一定時間內變壓器故障異常狀況的檢測和預防。文獻[2]通過利用掃描電鏡技術對電力變壓器局部放電運行狀態進行掃，通過高精度圖像監測技術實現對變壓器內部更加細節具體的掃描與信息提取，工作人員根據電鏡掃描獲取到的圖像信息，尋找識別變壓器存在故障的區域。該方法主要利用了圖像識別技術，更加清晰具體，但同樣無法滿足對潛藏的安全隱患進行檢測判斷，只能識別確定當下的故障問題，局限性較大。

針對傳統方法的不足，本文研究了一種基于貝葉斯網絡的電力變壓器局部放電故障檢測，通過貝葉斯網絡對故障狀態發展趨勢進行關聯性分析，實現對變壓器局部放電故障的精準檢測。

1 貝葉斯網絡模型

1.1 電力變壓器局部放電故障評分

電力變壓器的主要功能是保護電網系統的電力運行安全與穩定，對存在異常的電流和電壓進行調控，使電力參數保持在一個穩定合理的閾值內，從而減少電力系統故障隱患的存在，降低安全風險，延長電力設備的使用壽命[3]。因此在構建貝葉斯網絡模型過程中，對電力變壓器局部放電故障的發生概率及范圍進行合理性評估是關鍵環節。

在電力系統中，電力變壓器運行電流監測的數據波動越大，系統存在故障隱患的風險越大[4]。以傳感器監測到的電網運行數據信息為評估數據集，將電力變壓器存在的運行狀態按照異常程度劃分為“正常”、“異常”，“危險”三種表現狀態。通過計算異常故障發生概率對變壓器不同區域運行狀態的劃分，設定需要計算的目標區域為節點X，則正常狀態下該節點的運行狀態表示為X′，故障發生概率的計算公式如下：

(1)

其中：P表示節點X方式故障異常的概率，y1，y2，…，yi為根節點X的概率分支節點，從根節點出發計算先驗概率，以此類推直到計算出所有不同狀態下節點的運行狀態數值，根據整合概率公式計算出異常數值存在的概率P′：

(2)

式中，NT為上述狀態概率計算公式所計算出的正常狀態概率數量，NF則為計算所得的異常狀態概率數量。基于運行狀態概率分析結果，針對存在異常的節點進行反推，逐層分析異常狀態的發生原因及故障根節點位置，應對各部分進行標注，按照狀態概率結果劃分狀態水平，按順序輸入到貝葉斯模型數據庫儲存備份[5]。

1.2 故障樹

貝葉斯網絡模型的基本結構為樹狀圖形，以上述計算所得的節點數據與概率信息為貝葉斯網絡故障樹的數據樣本，將系統可能性故障與變壓器局部放電節點之間關聯起來，逐層分解故障原因，分析獲取各階段可能性故障事件，最終歸結到變壓器局部放電異常根節點為止[6]。其結構參考示意圖如圖1所示。

圖1 貝葉斯網絡故障樹結構示意圖

故障樹模型按照特定的邏輯規則構建，從根節點出發進行概率分解，樹向分枝之間存在線路保護，同時最終分節點與根節點之間的直接關系分支存在母線保護[7]。

目前廣泛應用是多貝葉斯網絡，是基于傳統貝葉斯的擴展學科，同樣以樹形結構為關系描述基礎，但關聯數據之間屬性關系的描述不僅僅為樹狀貝葉斯關系，在主貝葉斯關系脈絡上分支出多個子集貝葉斯描述關系，通過關系依賴強度和分類器性能構建不同距離大小的關系樹。

對于電力變壓器局部放電故障可選用復雜的多貝葉斯網絡進行描述，根據上文變壓器局部放電故障評估參數，調整不同分支貝葉斯的邊界閾值，與樸素貝葉斯故障數結合，構建完整的，能夠明顯表述復雜依賴關系的故障樹。

1.3 故障樹向貝葉斯網絡的轉化

貝葉斯網絡的應用原理主要是對概率性事件之間的因果關系進行描述，其推演事件可存在不止一種對應風險狀態[8]。貝葉斯的網絡結構包括節點和有向弧線兩部分，通過分類變量來表示節點，當網絡內部的節點為數值型變量，貝葉斯網路會將變量自動分化，轉變成分類變量。利用節點之間的弧線判斷變量是否存在依賴關系，如果存在弧線連接，則證明有依賴關系，否則代表這些節點為獨立節點。

根據概率論構建擁有原始節點、概率條件、分裂方向等主要元素的概率隨機性關系推演網絡。以故障樹為變壓器局部放電異常分析的基礎結構，根據貝葉斯網絡轉化邏輯，將故障樹數據對應轉化為貝葉斯網絡中各節點數據，根據分支推演規則對數據邏輯關系進行判定[9]。

(3)

當貝葉斯網絡邏輯規則計算數據滿足上述條件時，則說明該數據存在對應狀況，在此基礎上對網絡節點的異常狀態先驗概率進行計算，關聯節點之間的算例關系如圖2所示。

圖2 貝葉斯網絡概率算例關系

設定樣本數據總數為n，異常樣本數據的數量為r，按照樣本之間的投運時間差，擬合計算出節點異常問題發生的頻度Q為：

(4)

其中：ti為目標節點時間，tj為樣本節點投運時間。由于樸素貝葉斯的各項自變量為獨立變量，所以當其中一項變量出現變化的時候，其他變量不會受到影響，因此可以針對這一特點，根據貝葉斯網絡關系計算出節點之間延續的異常頻度，進一步提取電網系統中存在的異常節點，提取關鍵點回溯確定電力變壓器局部放電存在故障的位置和頻率，提高貝葉斯網絡模型對變壓器故障信息檢測的準確度[10]。

2 局部放電故障檢測

2.1 故障信息關聯知識抽取

電力變壓器局部放電特征指標與故障之間存在多維關聯關系，需要根據變壓器設備實際硬件參數對放電故障概率進行關聯分析，整合電力網絡運行資源數據，進行貝葉斯信息量化，提取電力變壓器特征指標進行模糊關聯函數評價。

由于并不是在所有情況下貝葉斯網絡中的節點都是相互獨立的，因此局部放電故障信息檢測所建立的網絡除了樸素貝葉斯網絡之外，同時也有TAN貝葉斯網絡，本文利用TAN貝葉斯網絡對故障信息關聯知識進行抽取。首先選取數據源，根據內部數據集確定自變量，包括電力變壓器的故障時間、故障電壓、故障電流等信息，而因變量則為故障功率表。分析歷史數據，根據分析結果建立貝葉斯網絡模型，從而判斷電力變壓器是否出現故障，從而確定是否進行故障的抽取工作。在導入電力變壓器的相關數據源后，要對所有的數據進行實例化分析，判斷數據的變量角色，根據數據狀態進行數據清洗，如果發現有的數據值為空值，則需要刪除，利用得到的參數建立貝葉斯網絡，劃分數據訓練集和測試集，根據模型內部電力變壓器數據的運行結果檢測電力變壓器的故障情況，如果變壓器出現故障，則要進行知識抽取，否則這一區域不需要進行抽取。

檢測提取變壓器局部放電故障數據，抽取變壓器放電運行與異常問題之間的關聯知識信息，根據貝葉斯定理設定變壓器定量特征指標與故障信息特征指標[11]。并采用貝葉斯概率特征衡量指標評價公式，對異常狀況的嚴重程度進行評價：

(5)

其中：O為變壓器定量特征指標數據集，Z為發生異常的故障信息特征指標數據集，P(O)和P(Z)分別為二者的先驗概率，P(Z|O)為反推的條件概率。

根據異常程度對電力變壓器特征數據進行提取，設置貝葉斯網絡底層原始特征指標數據值為根部節點樣本數據，結合邏輯規則中的轉化速率規則，在規定閾值內對初始特征指標數據進行模糊關聯歸一化函數處理：

(6)

(7)

在規定閾值范圍內對電力系統運行變化速率特征指標及評分值進行歸一化運算，同時還要考慮變化速率的運行周期以及電力變壓器的產氣速率[12]。一般情況下變壓器的C2H2產氣速率不會超過3%每周，則以周為單位運行周期，特征評估指標的產氣變化速率的最大值為0.03，進一步對變壓器放電狀態評估特征指標進行限制，提高故障信息關鍵特征與關聯知識抽取的精準度[13]。

2.2 故障狀態檢測

通過模糊描述方法對變壓器局部放電故障問題進行檢測，根據變壓器內部故障發生概率及嚴重程度，判定故障狀態由未發生轉向確定發生的過程中模糊描述的演化過程。

首先，構造故障發生目標函數，根據概率規則形成不同特征指標的映射，在規定閾值范圍內引入評分值對單位節點故障的模糊狀態進行邊界描述，特征指標評分值與故障發生概率的關系成反比，因此可以直接界定故障狀態模糊描述的邊界范圍[14]。基于貝葉斯網絡模型的故障模糊描述測度的目標函數如下：

(8)

其中：e為故障特征檢測的目標函數樣本節點，se為故障特征檢測目標樣本在異常特征總樣本中的重要性比值，α為模糊描述中特征檢測有效性系數。

根據貝葉斯網絡故障數的連續關系，迭代運算上述函數公式，計算出每個單位周期內各節點故障特征指標模糊描述概率測度。根據概率測度和貝葉斯網絡相關性可進一步識別故障狀態類型。

2.3 貝葉斯網絡故障狀態推理

診斷電力變壓器局部放電故障狀態，首先需要精確貝葉斯診斷網絡判斷精確性能。在監測電力變壓器運行與放電故障過程中，可通過調整各局部邊界參數，生成不同閾值Tan貝葉斯網絡，從不同方向表述變壓器局部放電特征，突出關鍵故障特征點，擴大故障監測差異極值。

由于變壓器放電故障診斷中會存在屬性相似度較高而誤判的情況。因此，需要在基本的貝葉斯網絡基礎上，針對每一個局域貝葉斯網絡設定關聯邊界數據集，限制不同區域結構的電力線路數據，整合到對應的貝葉斯故障診斷器中，并引入之前的診斷經驗設置對照組，能夠有效降低故障診斷誤差率。

基于貝葉斯網絡故障狀態模糊測度描述評估，對電力變壓器不同狀況下的整體評估進行模糊推理，根據模糊描述中模糊測度的不同程度級別劃分故障風險等級，提取不同等級的故障模糊測度數值，帶入對應網絡分支推演規則，分析推理模糊測度數值與模糊目標函數動態變化之間的關系，二者之間的相關關系如圖3所示。

圖3 模糊測度與模糊函數動態變化關系圖

其中，嚴重程度比較輕的一級故障呈拋物線模糊函數形式，對設備的危害較小；二級故障對設備運行的影響程度存在負線性相關關系，到達一定程度后會產生故障，呈高斯模糊函數形式；三級故障基本可以確定其存在必然會導致故障發生，且影響較大，呈三角模糊函數形式[15]。

根據上述電力變壓器局部放電風險等級分析，能夠對該區域電力故障與風險模糊程度有一個比較準確的判斷。同時局部故障診斷也需要考慮電力系統整體數據資源，統計各區域不同類型放電故障發生概率與關鍵特征，分別設置為故障診斷的先驗概率與條件概率，基于貝葉斯網絡衡量故障特征的重要性與分布區域，基于變壓器運行參數量化故障運行概率關系，再次進行模糊測讀分析，獲取局部放電故障與電力變壓器運行系統全景故障狀態的評估關系，基于變壓器整體貝葉斯網絡評價局部放電故障的風險等級。

3 實驗研究

為了驗證本文研究的基于貝葉斯網絡的電力變壓器局部放電故障檢測方法的有效性，本文選取規格為500 kV的電力變壓器為實驗目標，與傳統的a方法和b方法進行對比，對變壓器局部放電異常檢測的有效性和準確率進行實驗與分析。

3.1 實驗過程與數據分析

根據變壓器主要故障類型設定異常特征評估指標，主要包括變壓器體積電阻率、繞組直流電阻差、單位產氣量、水油比、電壓擊穿率、絕緣吸收比、絕緣介損、繞組絕緣指數為參數指標，數據集表示為B={B1，B2，…，B8}。首先，采集提取正常運行狀態下變壓器各項指標參數作為實驗樣本，設定實驗周期單位為72小時，監測計算各項特征指標數據參數，得到變壓器故障特征指標與根節點原始樣本數據之間的概率關系如圖4所示。

3.2 實驗結果與分析

選用貝葉斯網絡對變壓器局部放電故障進行檢測診斷，基于關聯關系對不同狀態下的故障指標進行綜合運算，監測不同方法對電力變壓器局部放電故障特征指標數據的提取量結果如圖5所示。

圖5 故障特征指標數據的提取量

從圖5可以看出，使用基于貝葉斯網絡的電力變壓器局部放電故障檢測方法對故障特征指標進行提取時，特征提取量全部超過故障診斷所需狀態數據量，最大提取量為8 000 B，而所欲提取量為6 000 B；使用基于LIF的故障診斷方法，只有20%的特征數據集提取總量超過所需標準閾值，絕大部分都沒有超過提取標準，最大提取量只有6 800 B；使用掃描電鏡的檢測技術調整提取性能較差，所有提取量均未達到檢測標準，最大提取量為6 000 B，最小只有3 100 B。

根據提取電力變壓器局部放電調整數據，進行放電故障診斷檢測，計算出故障問題概率與位置檢測的準確率。得到故障監測的準確率結果對比如圖6所示。

圖6 故障檢測準確率結果對比圖

根據圖6結果可見，本文研究的基于貝葉斯網絡的電力變壓器局部放電故障檢測方法準確率更高，針對不同狀態下的故障監測準確率均達到了85%以上。基于LIF技術的變壓器故障診斷方法的檢測準確率比較穩定，在80%上下波動；而掃描電鏡檢測技術的準確率變化幅度較大，正常情況下檢測準確率為70%，但隨著變壓器運行狀況復雜性增加，準確率也隨之下降，在緊急情況下準確率只有50%左右。

由此可見，本文研究的方法不僅擁有良好的變壓器運行局部放電特征提取性能，可提取大量檢測所需特征參數；而且故障診斷準確率很高，針對比較復雜的故障狀況依然能夠保持較高的準確率，具有較好的可行性與準確性，能夠提高變壓器局部放電異常故障檢測的有效性。

4 結束語

本文研究了一種基于貝葉斯網絡的電力變壓器局部放電故障檢測，得出以下結論：

1)通過傳感器獲取電力變壓器不同狀態下運行過程中的參數數據，對局部放電故障發生的概率和范圍進行合理性評估，提取評估概率數據綜合為樣本數據集，為貝葉斯網絡模型構建提供數據基礎。

2)以變壓器放電故障特征數據為樣本構建貝葉斯網絡故障樹，根據邏輯規則將故障樹轉化為貝葉斯關系網絡，按照網絡推演邏輯規則計算故障節點之間的算例關系，有利于提高故障信息檢測準確度。

3)根據貝葉斯原理抽取變壓器故障特征指標與異常概率特征信息之間的關聯關系，通過模糊描述方法構建故障特征關聯函數，推理得到故障特征參數模糊速度與相關模糊函數動態變化之間的關系。從而實現對變壓器故障發生的概率與位置信息進行推理和預判。

通過實驗研究可以證明，通過貝葉斯網絡對電力變壓器局部放電故障狀態進行檢測告警具有較高的準確度，能夠有效提高故障檢測的有效性，但在實驗過程中發現該方法還存在以下不足：

1)該方法對電力系統運行中不同狀態下的大量數據進行提取與關聯運算，其工作量較大，操作難度較高，需要配備較高設置的計算機才能滿足海量數據運算與分析。因此，在后續研究中需要優化數據提取與篩選機制，進一步提高數據分析效率，降低操作成本增強該方法技術的適用性。