CN103197177A - 一种基于贝叶斯网络的变压器故障诊断分析方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯网络的变压器故障诊断分析方法，具体步骤为：步骤一：确定变压器油色谱的属性变量Y＝{Y₁,.Y₂,Y₃…Y_n}y_i是Y_i的取值和故障类型变量D＝{D₁,D₂,D₃…D_m}d_m为D_m的取值：以变压器油色谱的特征气体作为变压器油色谱的属性变量，以变压器出现的故障类型作为故障类型变量；步骤二：根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数；步骤三：利用连接树算法确定变压器的故障类型。

Description

一种基于贝叶斯网络的变压器故障诊断分析方法

技术领域

本发明涉及一种故障诊断分析方法，尤其涉及一种基于贝叶斯网络的变压器故障诊断分析方法。

背景技术

随着社会的发展，电力日益成为国民经济的重要组成部分，现代工农业的快速发展对输变电提出了更高的要求。2009年国家电网公司提出构建以特高压为骨干网架、各级电网协调发展的智能电网以及智能电网发展战略框架的六个环节更突显了输变电的重要性。智能化变电站的安全可靠运行是实现整个智能电网稳定运行主要条件之一，而智能化电力变压器又是智能化变电站的重要组成部分，因此及时可靠地对智能化电力变压器潜在的故障进行诊断，对于保障智能电网运行具有十分重要的意义。

变压器故障不仅影响整个变电站的安全运行，还危及其它设备及人身安全，因此对变压器设备进行准确的故障诊断具有重要意义。基于贝叶斯网络理论，综合变压器设备的各种检测数据，提出了变压器设备故障诊断的贝叶斯网络模型，将贝叶斯网络方法引入变压器的故障诊断中，根据变压器故障诊断及维修的特点改进了贝叶斯网络的推断过程。

申请号为：201210034485.7，发明名称为基于多模块贝叶斯网的电子电路故障诊断方法的申请，虽然也是利用贝叶斯网络监测故障的，但是它是用于电子电路的故障诊断方法，所解决的目的不一样，而且它得到贝叶斯网络结构后，还需将故障原因源映射至各BN子网，加大了结构的复杂性；而本申请只需要确定贝叶斯结构网络即可。

申请号为：201210196906，发明名称为一种电力变压器系统状态分析和维修决策判断方法，该申请中需要计算同类变压器历史监测数据Y在正常状态的概率分布函数h0(y)和故障状态下的概率分布函数h1(y)，尤其随着变压器故障诊断技术的提高，变压器出现故障的几率也在大幅度下降，此方面故障信息的不足易导致最终变压器诊断结果准确率的降低。

申请号为：201210358681，发明名称为基于粗糙贝叶斯网络分类器的智能故障诊断方法，该申请大部分实在介绍粗糙集原理的应用，而对于贝叶斯网络的介绍只是在求概率是应用到，并未提到贝叶斯网络分类器对于变压器故障分类的优势，扩大了计算量。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于贝叶斯网络的变压器故障诊断分析方法，它具有结合溶解气体分析建立了变压器综合个故障诊断算法，该方法能够有效直观的进行变压器故障诊断的优点。

为了实现上述目的，本发明采用如下技术方案：

一种基于贝叶斯网络的变压器故障诊断分析方法，具体步骤为：

步骤一：确定变压器油色谱的属性变量Y＝{Y₁,.Y₂,Y₃…Y_n}y_i是Y_i的取值和故障类型变量D＝{D₁,D₂,D₃…D_m}d_m为D_m的取值：以变压器油色谱的特征气体作为变压器油色谱的属性变量，以变压器出现的故障类型作为故障类型变量；

步骤二：根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数；

步骤三：利用连接树算法确定变压器的故障类型。

所述步骤一中变压器油色谱的属性变量为C₂H₂,C₂H₄,CH₄,H₂,C₂H₆,CO₂,CO，所述步骤一中的变压器出现的故障类型为高温过热、中温过热、低温过热、火花放电、电弧放电、正常。

所述步骤二的具体步骤为：

（2-1）确定为建立网络模型有关的变量及其解释；

（2-2）建立一个表示条件独立断言的有向无环图，根据概率乘法公式有

$P\left(Y\right)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(Y_i/y_1,y_2,...,y_{i-1})---\left(1\right)$

用P_bm表示Y_i的父节点集，则

$P(Y_1,Y_2,...,Y_{n-1},Y_n)=\underset{i}{\mathrm{\Π}}P(Y_i/P_{\mathrm{bm}})---\left(2\right)$

其中，n表示变压器油色谱属性变量的个数，i＝1,2,…,n；

（2-3）为每一个属性变量Y_i的父节点集的各个状态指派局部概率分布P(Y_i/P_bm)。

所述步骤三的具体步骤为：

（3-1）收集变压器属性变量的发生情况，根据贝叶斯定理，I_i＝(y₁,y₂,…y_n)属于故障类别变量D_m的概率为

$P(D_j/y_1,y_2,...,y_n)=\frac{P(y_1,y_2,...,y_n/D_j)P\left(D_j\right)}{P(x_1,x_2,...,x_n)}=\mathrm{\βP}\left(D_j\right)P(y_1,y_2,...,y_n/D_j)---\left(3\right)$

式中：β是正则化因子，一般取1；P(D_j)是D_j的先验概率；P(D_j/y₁,y₂,…y_n)是D_j的后验概率；后验概率反映了样本数据对D_j的影响，将公式（3）表示为：

$P(D_j/y_1,y_2,...,y_n)=\mathrm{\βP}\left(D_j\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(y_i/y_1,y_2,...,y_{i-1},D_j)---\left(4\right);$

（3-2）选择没有进行的但已经发生的具有最高概率的属性变量，并分析其父节点的状态；

（3-3）选择没有进行的且具有最高概率的父节点，根据其概率信息计算其对于故障的绝对概率信息，若该节点还有父节点，则按照步骤（3-2）的方法执行直到无父节点为止；

（3-4）根据贝叶斯最大后验准则，公式（4）表示为：

$P(D_j/y_1,y_2,...,y_n)=\mathrm{\βP}\left(D_j\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(y_i/D_j)---\left(5\right)$

根据公式（5），确定I_i＝(y₁,y₂,…y_n)属于故障类别变量D_m的概率。

（3-5）根据概率信息确定故障原因，按故障原因概率大小输出结果，由最大概率解对变压器进行检修，排除故障。

本发明的有益效果：

（1）本发明所涉及的贝叶斯网络在确定贝叶斯网络分类器后运用概率的知识，求得的后验概率最大者即为所对应的故障分类。同时数据来源是基于在线监测的实时有效数据，有效地避开了历史信息不全面造成的影响。

（2）本申请建立了变压器贝叶斯故障诊断模型，该模型不仅继承了贝叶斯网络的优点，同时又具有适于分类的优势。本申请将贝叶斯网络分类器应用于变压器故障诊断中，结合溶解气体分析建立了变压器综合个故障诊断算法，该方法能够有效直观的进行变压器故障诊断。

（3）本发明在DGA分析方法的基础上，提出了一种新型变压器故障诊断分析方法，此方法依据最大后验概率准则基于变压器监测数据进行故障分类，有助于准确、快速地诊断变压器故障类型。

（4）该分析方法的数据来源于变压器在线监测系统实时监测的现场气体数据，不仅监测变压器出现故障时产生的氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳等信息，并根据某些气体的突变预测出变压器故障，该方法简单、预测准确。

附图说明

图1为本发明的流程图；

图2为贝叶斯结构示例图；

图3为基于贝叶斯网络的变压器故障诊断模型。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种基于贝叶斯网络的变压器故障诊断分析方法，具体步骤为：

步骤一：确定变压器油色谱的属性变量Y＝{Y₁,.Y₂,Y₃…Y_n}y_i是Y_i的取值和故障类型变量D＝{D₁,D₂,D₃…D_m}d_m为D_m的取值：以变压器油色谱的特征气体作为变压器油色谱的属性变量，以变压器出现的故障类型作为故障类型变量；

步骤二：根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数；

步骤三：利用连接树算法确定变压器的故障类型。

所述步骤一中变压器油色谱的属性变量为C₂H₂,C₂H₄,CH₄,H₂,C₂H₆,CO₂,CO，所述步骤一中的变压器出现的故障类型为高温过热、中温过热、低温过热、火花放电、电弧放电、正常；

所述步骤二的具体步骤为：

（2-1）确定为建立网络模型有关的变量及其解释；

（2-2）建立一个表示条件独立断言的有向无环图，根据概率乘法公式有

$P\left(Y\right)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(Y_i/y_1,y_2,...,y_{i-1})---\left(1\right)$

用P_bm表示Y_i的父节点集，则

$P(Y_1,Y_2,...,Y_{n-1},Y_n)=\underset{i}{\mathrm{\Π}}P(Y_i/P_{\mathrm{bm}})---\left(2\right)$

其中，n表示变压器油色谱属性变量的个数，i＝1,2,…,n；

（2-3）为每一个属性变量Y_i的父节点集的各个状态指派局部概率分布P(Y_i/P_bm)。

所述步骤三的具体步骤为：

（3-1）收集变压器属性变量的发生情况，根据贝叶斯定理，I_i＝(y₁,y₂,…y_n)属于故障类别变量D_m的概率为

$P(D_j/y_1,y_2,...,y_n)=\frac{P(y_1,y_2,...,y_n/D_j)P\left(D_j\right)}{P(x_1,x_2,...,x_n)}=\mathrm{\βP}\left(D_j\right)P(y_1,y_2,...,y_n/D_j)---\left(3\right)$

式中：β是正则化因子，一般取1；P(D_j)是D_j的先验概率；P(D_j/y₁,y₂,…y_n)是D_j的后验概率；后验概率反映了样本数据对D_j的影响，将公式（3）表示为：

$P(D_j/y_1,y_2,...,y_n)=\mathrm{\βP}\left(D_j\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(y_i/y_1,y_2,...,y_{i-1},D_j)---\left(4\right);$

（3-2）选择没有进行的但已经发生的具有最高概率的属性变量，并分析其父节点的状态；

（3-3）选择没有进行的且具有最高概率的父节点，根据其概率信息计算其对于故障的绝对概率信息，若该节点还有父节点，则按照步骤（3-2）的方法执行直到无父节点为止；

（3-4）根据贝叶斯最大后验准则，公式（4）表示为：

$P(D_j/y_1,y_2,...,y_n)=\mathrm{\βP}\left(D_j\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(y_i/D_j)---\left(5\right)$

根据公式（5），确定I_i＝(y₁,y₂,…y_n)属于故障类别变量D_m的概率。

（3-5）根据概率信息确定故障原因，按故障原因概率大小输出结果，由最大概率解对变压器进行检修，排除故障。

如图2所示为贝叶斯结构示例图，如图3为基于贝叶斯网络的变压器故障诊断模型。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (4)

1.一种基于贝叶斯网络的变压器故障诊断分析方法，其特征是，具体步骤为：

步骤一：确定变压器油色谱的属性变量Y＝{Y₁,.Y₂,Y₃…Y_n}y_i是Y_i的取值和故障类型变量D＝{D₁,D₂,D₃…D_m}d_m为D_m的取值：以变压器油色谱的特征气体作为变压器油色谱的属性变量，以变压器出现的故障类型作为故障类型变量；

步骤二：根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数；

步骤三：利用连接树算法确定变压器的故障类型。

2.如权利要求1所述一种基于贝叶斯网络的变压器故障诊断分析方法，其特征是，所述步骤一中变压器油色谱的属性变量为C₂H₂,C₂H₄,CH₄,H₂,C₂H₆,CO₂,CO，所述步骤一中的变压器出现的故障类型为高温过热、中温过热、低温过热、火花放电、电弧放电、正常。

3.如权利要求1所述一种基于贝叶斯网络的变压器故障诊断分析方法，其特征是，所述步骤二的具体步骤为：

（2-1）确定为建立网络模型有关的变量及其解释；

（2-2）建立一个表示条件独立断言的有向无环图，根据概率乘法公式有

$P\left(Y\right)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(Y_i/y_1,y_2,...,y_{i-1})---\left(1\right)$

用P_bm表示Y_i的父节点集，则

$P(Y_1,Y_2,...,Y_{n-1},Y_n)=\underset{i}{\mathrm{\Π}}P(Y_i/P_{\mathrm{bm}})---\left(2\right)$

其中，n表示变压器油色谱属性变量的个数，i＝1,2,…,n；

（2-3）为每一个属性变量Y_i的父节点集的各个状态指派局部概率分布P(Y_i/P_bm)。

4.如权利要求1所述一种基于贝叶斯网络的变压器故障诊断分析方法，其特征是，所述步骤三的具体步骤为：

（3-1）收集变压器属性变量的发生情况，根据贝叶斯定理，I_i＝(y₁,y₂,…y_n)属于故障类别变量D_m的概率为

$P(D_j/y_1,y_2,...,y_n)=\frac{P(y_1,y_2,...,y_n/D_j)P\left(D_j\right)}{P(x_1,x_2,...,x_n)}=\mathrm{\βP}\left(D_j\right)P(y_1,y_2,...,y_n/D_j)---\left(3\right)$

式中：β是正则化因子，一般取1；P(D_j)是D_j的先验概率；P(D_j/y₁,y₂,…y_n)是D_j的后验概率；后验概率反映了样本数据对D_j的影响，将公式（3）表示为：

$P(D_j/y_1,y_2,...,y_n)=\mathrm{\βP}\left(D_j\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(y_i/y_1,y_2,...,y_{i-1},D_j)---\left(4\right);$

（3-2）选择没有进行的但已经发生的具有最高概率的属性变量，并分析其父节点的状态；

（3-3）选择没有进行的且具有最高概率的父节点，根据其概率信息计算其对于故障的绝对概率信息，若该节点还有父节点，则按照步骤（3-2）的方法执行直到无父节点为止；

（3-4）根据贝叶斯最大后验准则，公式（4）表示为：

$P(D_j/y_1,y_2,...,y_n)=\mathrm{\βP}\left(D_j\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P(y_i/D_j)---\left(5\right)$

根据公式（5），确定I_i＝(y₁,y₂,…y_n)属于故障类别变量D_m的概率；

（3-5）根据概率信息确定故障原因，按故障原因概率大小输出结果，由最大概率解对变压器进行检修，排除故障。

Images