基于貝葉斯網絡的避雷器缺陷預警研究

關鍵詞：避雷器；貝葉斯網絡；狀態評估；缺陷預警

中圖分類號：TM862+.1；TP277.1 文獻標識碼：A 文章編號：1001-5922（2024）12-0170-03

隨著社會的不斷發展，作為提供電能的電力系統建設的越來越復雜，對電網運行的穩定性提出了更高的要求[1]。當電網運行過程中設備出現故障時，理想狀態是實現自動識別修復，保證供電質量，這一狀態的前提是需要對各個電力設備進行實時監測、狀態評估、缺陷預警[2-3]。避雷器作為變電站中過壓保護的重要設備，其可靠穩定運行是至關重要的[3]。因為避雷器缺陷在監測報警的同時，需要對潛在缺陷進行提前預警，這樣有助于減少避雷器突發故障，引起電網供電事故的發生[4]。為了更好的對避雷器缺陷進行預警，利用人工智能的方法，引入貝葉斯網絡，設計了基于貝葉斯網絡的避雷器缺陷預警架構，提出基于貝葉斯網絡的避雷器缺陷預警算法，完善了避雷器在線監測系統。

1避雷器缺陷預警系統設計

為了更好的對避雷器缺陷進行預警，在狀態監測的基礎上，利用人工智能的方法，引入貝葉斯網絡，設計了基于貝葉斯網絡的避雷器缺陷預警架構，避雷器缺陷預警系統架構如圖1所示。

避雷器缺陷預警系統架構主要分為5部分，分別是源數據、數據抽取、數據分析、可視化、用戶。首先需要對避雷器的在線監測數據、檢修數據等信息作為歷史數據集；然后通過數據整合，將數據存儲到系統中進行管理；應用ARMA的缺陷預警算法和貝葉斯網絡的缺陷識別算法構建避雷器缺陷預警模型，達到對避雷器缺陷的預警，并且系統能夠顯示監控狀態和預警信息，方便工作人員處理，提高效率。

2避雷器缺陷預警算法設計

避雷器缺陷預警算法設計分為2部分：第1部分是基于ARMA的缺陷預警算法，主要作用是對避雷器的特征數據做出預測，如果預測結果超出預期設定的閾值，做出缺陷提示；第2部分是將預警到的避雷器缺陷輸入到貝葉斯網絡內進行缺陷分析，最后提示異常信息。避雷器缺陷預警流程如圖2所示。

首先采集更新避雷器的特征數據，通過避雷器的歷史運行數據提取缺陷信息，構建貝葉斯網絡模型，根據歷史數據進行推理，得到預測結果，與預期設定的閾值進行比較，如超出閾值，提示異常信息。

2.1基于時間序列和ARMA的缺陷預警算法

避雷器在運行過程中，老化或潛伏的缺陷隨運行時間會慢慢體現出來，對于監測的特征量數據進行越線邏輯判斷，很難識別出缺陷，因此將時間序列與ARMA相結合，提出一種趨勢預測算法，預測避雷器后續一段時間的運行趨勢，將預測值與閾值比較，如超出范圍，則預警提示。預測流程如圖3所示。

3應用分析

應用分析選取某變電站避雷器運行狀態實時監測系統內數據，數據集共2150個樣本，取值從1到2150，定義樣本集為D，樣本類別為F，包括老化樣本數385，受潮樣本數421，污穢樣本數208，其他或正常樣本數1136，根據式（3）計算各樣本概率如圖4所示。

將樣本集D輸入到所提模型，通過缺陷預警，得到缺陷樣本4個，貝葉斯網絡對4個缺陷樣本的狀態分析如表1所示。

由表1結果可知，樣本1受潮的概率最大，可預判樣本1為受潮缺陷，樣本2為老化缺陷，樣本3為污穢缺陷，樣本4為受潮缺陷。預判的結果與實際結果一樣，準確率達到100%，能夠為避雷器缺陷進行很好的預警，驗證了避雷器缺陷預警算法的準確性、實用性。

4結語

針對避雷器缺陷導致電網運行故障頻發，為了更好的對避雷器缺陷進行預警，利用人工智能的方法，引入貝葉斯網絡，設計了基于貝葉斯網絡的避雷器缺陷預警架構，提出基于貝葉斯網絡的避雷器缺陷預警算法，完善了避雷器在線監測系統，對避雷器運行狀態評估的同時實現了缺陷預警。通過對樣本數據進行分析預警，預測結果表明，能夠對避雷器缺陷進行很好的預警，準確率達到100%，降低故障發生概率，提高工作人員維護效率，具有較好的實用價值。