CN103245861A - 一种基于贝叶斯网络的变压器故障诊断方法 - Google Patents

Abstract

一种基于贝叶斯网络的变压器故障诊断方法，本发明采用三比值法对变压器油中溶解气体分析，气体的数据在真实运行环境中获得，利用TAN算法完成贝叶斯网络结构和参数的学习，建立故障诊断模型并利用专家系统对其进行修正，用于对变压器的实时运行状态进行诊断。本发明的有益效果为，解决了在不确定和缺少已知信息情况下变压器故障诊断问题，同时引入了基于贝叶斯网络的重要度分析方法，对故障机理的分析起到一定的辅助作用。该发明能快速准确的对变压器故障进行诊断，为变压器维修决策的制定提供支持，有效的提高维修效率、降低电力系统运营成本。

Description

一种基于贝叶斯网络的变压器故障诊断方法

技术领域

本发明属于装备维护保障领域，具体来说是利用一种基于装备贝叶斯网络模型和检测信息为装备实时运行状态进行诊断的方法。

背景技术

变压器是电力系统中重要的运行设备，其运行状态直接关系到电力系统的安全和可靠性。变压器内部结构复杂，运行环境特殊，工作状态下要承受复杂的热、电、机械和潮湿等造成的环境应力，这些应力相互作用的主要结果就是变压器绝缘的劣化和老化。在油浸式变压器中，绝缘劣化和老化是引起设备早期失效的主要原因。在现有的常规变压器故障诊断方法中，油中溶解气体分析法（DGA）可以有效的应用于分析变压器油老化和裂化过程。目前，问题的关键在于如何利用检测的气体准确识别气体所对应的变压器状态，国内外的研究人员都在这方面做了大量研究工作。

目前，国际上较常用的油中溶解气体分析方法有罗杰斯法、IEC法、日本的电协研法。这些方法通过不断的改进，对故障的判断准确率越来越高。我国学者对电协研法的编码组合做进一步改良，命名为改良三比值法，目前被DL/T722-2000推荐为设备内部故障诊断的主要方法。以这些基本诊断规则为基础，研究人员将人工智能算法引入到变压器的故障诊断中。目前，应用较多的人工智能算法有基于BP算法的人工神经网络理论、模糊数学理论、专家系统理论等，还有基于数据挖掘、信息融合、贝叶斯网络等方法的其他诊断算法。

公开号为CN102680817的中国专利公开了名为“一种基于模糊Petri网变压器故障诊断方法”的故障诊断方法。该方法为克服传统变压器故障诊断中利用的三比值法和改良三比值法存在的漏判、误判和某些故障无法判断的缺陷，提出了基于模糊Petri网变压器故障诊断方法，通过利用处理过的变迁的输入库所值域输入弧上的值的加权求和作为故障的可能性，有效的解决了这一问题。具体应用步骤为：（1）采用模糊Petri网构建变压器故障诊断模型；（2）采用气相色谱法分离得到变压器油中的气体浓度值；（3）采用绝对产气速率公式得到变压器油中的气体增长速率；（4）综合变压器油中气体浓度值与产气速率得到模型的初始标识；（5）采用变压器故障诊断模型对变压器故障进行推理分析，得到诊断结果。该方法能有效解决现有判断方法存在的漏判、误判等问题，但是没有考虑各种因素之间的联系，不适用于工作环境复杂、导致故障因素不确定的变压器故障的诊断中。

发明内容

为了解决上述问题，达到上述目的，本发明采用下述技术方案：

一种基于贝叶斯网络的变压器故障诊断方法，本发明利用改良三比值法(电力系统内广泛采用这种方法作为判断油浸式设备隐患的判据之一，与三比值法相比提高了判断准确率)对变压器油中溶解气体分析，气体的数据在真实运行环境中获得，能反映与失效模式相关的各种复杂因素，利用TAN算法完成贝叶斯网络结构和参数的学习，建立故障诊断模型并利用专家系统对其进行修正，用于对变压器的实时运行状态进行诊断；首先，针对电网常见故障的事实确定要识别的故障模式，以及可能与故障模式相关的影响因素；其次，收集故障模式和影响因素的数据集，并对数据集进行标准化处理；最后，综合数据挖掘和专家系统建立变压器故障诊断模型，将变压器故障诊断数据影响因素的值输入建立的贝叶斯模型中，利用推理得到的变压器状态与实际状态进行对比产生的混淆矩阵派分析模型的静态指标（可靠性和精度），利用ROC曲线和Lift曲线分析其动态指标，对影响变压器状态的各因素进行重要度分析，并且利用云南电网公司提供的变压器实时运行数据，来检验模型预测的实用性。

具体步骤如下：

1、确定需要预测的目标故障模式和故障的影响因素，在变压器故障数据库中搜索对应的故障记录，形成关于该故障模式的故障数据集；

2、整理故障数据集，剔除无效数据，对于非结构化的、叙述各异的故障数据，将其转化成符合规定的结构化标准描述方式；

3、对于故障数据集中故障记录存在缺值的情况，通过赋予平均值、众数值或期望优化值等方法进行数据修补，形成完整的故障数据集；

4、完成故障模式的编码和连续数据的离散化处理：对于认识深入的影响因素，利用改良三比值法的判断标准对数据离散化处理；对于认识模糊的影响因素，利用决策树、等距离法、等频率法和Kmeans完成数据的离散化处理；

5、树增强贝叶斯（TAN）算法在朴素贝叶斯算法的基础上，松弛了各独立变量之间条件独立的假设，允许属性变量所对应的节点之间有连接弧连接，能很好的表达因素对故障模式的影响和各影响因素之间的关系，所以采用TAN算法完成模型的结构学习和参数学习；

6、分析建立的变压器故障诊断模型，通过咨询故障领域专家，若存在与专家知识明显相悖的关联关系，通过添加或改变有向边方向来增加或改变相互关联关系对模型进行修正，此过程中保证模型中不形成有向圈，之后对模型重新进行参数学习；

7、利用混淆矩阵、ROC曲线、Lift曲线等方法，对模型的可靠性、精度等静态特性和动态特性进行分析，若模型性质不好，可以通过修改影响因素的离散区间和改变结构学习算法来调整；

8、计算各因素的先验概率分布，依次修改各影响因素的取值状态，记录变压器各故障模式的概率取值，按照多态重要度计算公式计算出各影响因素相对于各故障模式的重要度；

9、以故障检测现象实时信息为驱动，利用故障诊断模型的推理能力和条件概率，对变压器故障模式进行诊断。

本发明的有益效果为，以变压器实际运行数据和检测现象为基础，面向电力系统的可靠性，提出了一种可以进行故障诊断和对故障机理进行分析的综合诊断方法。该方法解决了在不确定和缺少已知信息情况下变压器故障诊断问题，同时引入了基于贝叶斯网络的重要度分析方法，对故障机理的分析起到一定的辅助作用。该发明能快速准确的对变压器故障进行诊断，为变压器维修决策的制定提供支持，有效的提高维修效率、降低电力系统运营成本。

附图说明

图1是基于故障数据的贝叶斯网络模型建立流程图。

图2是基于TAN的贝叶斯网络模型。

图3是变压器故障诊断贝叶斯模型混淆矩阵。

图4是变压器故障诊断贝叶斯模型可靠性。

图5是变压器故障诊断贝叶斯模型精度。

图6是变压器故障诊断模型状态1的ROC曲线。

图7是变压器故障诊断模型状态1的Lift曲线。

图8是变压器故障状态为1时的诊断结果。

图9是变压器故障状态为0时的诊断结果。

具体实施方式

一种基于贝叶斯网络的变压器故障诊断方法，本发明利用改良三比值法(电力系统内广泛采用这种方法作为判断油浸式设备隐患的判据之一，与三比值法相比提高了判断准确率)对变压器油中溶解气体分析，气体的数据在真实运行环境中获得，能反映与失效模式相关的各种复杂因素，利用TAN算法完成贝叶斯网络结构和参数的学习，建立故障诊断模型并利用专家系统对其进行修正，用于对变压器的实时运行状态进行诊断；首先，针对电网常见故障的事实确定要识别的故障模式，以及可能与故障模式相关的影响因素；其次，收集故障模式和影响因素的数据集，并对数据集进行标准化处理；最后，综合数据挖掘和专家系统建立变压器故障诊断模型，将变压器故障诊断数据影响因素的值输入建立的贝叶斯模型中，利用推理得到的变压器状态与实际状态进行对比产生的混淆矩阵派分析模型的静态指标（可靠性和精度），利用ROC曲线和Lift曲线分析其动态指标，对影响变压器状态的各因素进行重要度分析，并且利用云南电网公司提供的变压器实时运行数据，来检验模型预测的实用性。

实施例

本发明以云南电网积累的变压器实时运行数据为基础，结合附图对发明及发明的有效性做进一步的说明。参照附图1所示的基于故障数据的贝叶斯网络模型建立过程，对建立变压器故障诊断贝叶斯模型的步骤详细说明。

步骤1明确变压器油中溶解气体所能诊断的变压器故障，针对云南电网公司常见故障的事实，确定故障集为中温过热（300～700）℃、低温过热（低于150℃）、低温过热（150～300）℃、低能放电兼过热，附表1所示为变压器故障数据。将采用气相色谱法分离得到的氢气、甲烷、乙炔、乙烯、乙烷、总烃、一氧化碳、二氧化碳等气体浓度值，采用相对气体增长速率计算的氢气增长速率、总烃增长速率、一氧化碳增长速率，以及按照三比值法计算的C2H2／C2H4、CH4／H2、C2H4／C2H6的值等作为故障的属性变量。

表1变压器故障模式数据

步骤2对收集的故障数据集进行标准化描述，对缺少的数据按照数据的实际情况采取不同的补充方法，如总烃为甲烷、乙炔、乙烯、乙烷之和，甲烷、乙炔、乙烯、乙烷的缺失值用0代替；氢气、一氧化碳、二氧化碳等利用期望优化值方法进行补充。对于比值、氢气、烃利用相关标准规定的阈值进行离散化处理；对于一氧化碳、二氧化碳等气体采用决策树算法对连续数据进行离散化处理，以变压器故障模式为决策目标，通过计算影响因素对决策目标的信息增益，将属性变量离散化。

步骤3采用TAN算法完成贝叶斯网络结构和参数的学习，建立的模型如附图2所示。

贝叶斯网络结构学习采用基于评分搜索的方法。该方法首先定义某个评分函数用于评判具体网络结构，衡量该网络中蕴含的独立及依赖关系和数据样本匹配的程度。采用贝叶斯信息准则（BIC）作为评分函数，如式（1）所示。BIC评分是在大样本前提下对边缘似然函数的一种近似，具有明确直观的意义，且使用方便。另外，BIC评分函数是可分解的，式（1）可以进一步改写为式（2），即整个贝叶斯网络的BIC评分由各个节点的评分相加而得。

$V_X^{\mathrm{BIC}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{q_i}{\mathrm{\Σ}}}\underset{k=1}{\overset{r_i}{\mathrm{\Σ}}}{m}_{\mathrm{ijk}}\log \frac{m_{\mathrm{ijk}}}{m_{\mathrm{ij}}}-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{q_i(r_i-1)}{2}\log m---\left(1\right)$

$V_X^{\mathrm{BIC}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\underset{j=1}{\overset{q_i}{\mathrm{\Σ}}}\underset{k=1}{\overset{r_i}{\mathrm{\Σ}}}{m}_{\mathrm{ijk}}\log \frac{m_{\mathrm{ijk}}}{m_{\mathrm{ij}}}-\frac{q_i(r_i-1)}{2}\log m)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_{X_i}^{\mathrm{BIC}}---\left(2\right)$

其中，n表示BN中节点数量；q_i表示第i个节点的父节点的可行取值组合；r_i表示第i个节点的取值类别数量；m_ijk表示所有记录中，第i个节点为第k种取值且其父节点集合为第j种取值组合的记录数；m_ij表示所有记录中，第i个节点的父节点集合为第j种取值组合的记录数；m表示整个数据集记录数。

贝叶斯网络参数学习以最大似然估计法作为准则。该方法的参数是通过计算给定父节点集的值时，计算各节点不同取值的概率，并作为该节点的条件概率参数，其基本原理就是试图寻找一个使似然函数达到最大的参数。对于一个由n个变量X={X₁,X₂,...,X_n}组成的贝叶斯网络，需要计算的网络参数集合如式（3）所示。

$\mathrm{\Θ}=\{{\mathrm{\θ}}_{\mathrm{ijk}}=P(X_i=k|\mathrm{\π}\left(X_i\right)=j),1\≤i\≤n,1\≤j\≤q_i,1\≤k\≤r_i\}---\left(3\right)$

根据最大似然估计方法原理，基于现有故障数据集和已构建的贝叶斯网络结构，可以给出贝叶斯网络中每个参数θ_ijk的最大似然估计，如下式（4）所示。

${\mathrm{\θ}}_{\mathrm{ijk}}^{*}=\left\{\begin{array}{c}\frac{m_{\mathrm{ijk}}}{\underset{k=1}{\overset{r_i}{\mathrm{\Σ}}}{m}_{\mathrm{ijk}}},\underset{k=1}{\overset{r_i}{\mathrm{\Σ}}}{m}_{\mathrm{ijk}}>0\\ \frac{1}{r_i},\mathrm{else}\end{array}\right.---\left(4\right)$

其中，各符号的含义同式（2）。

步骤4模型建立之后，通过有关专家分析，模型中没有原则性错误，所以本模型不用修改。

步骤5将变压器故障诊断数据影响因素的值输入建立的贝叶斯模型中，将推理得到的变压器状态与实际状态进行对比，得到模型的混淆矩阵，如附图3所示。由混淆矩阵派生出模型的可靠性和精度如附图4、附图5所示。模型总的精度为99.56%。从这些模型的静态指标来看，该模型对变压器的故障进行高精度的诊断。

但是仅从静态指标不能对模型进行全面的判断，需用模型的ROC曲线和Lift曲线对模型的动态特性进行分析。以变压器状态1，即变压器中温过热（300～700）℃为例对其进行说明，ROC曲线如附图6所示，Lift曲线如附图7所示。ROC曲线远离斜率为45度的直线，说明在误判率较低的情况下，各属性变量对目标变量有较高的灵敏度，即属性变量对目标变量的判断价值较好。Lift曲线表明在利用该诊断模型与不利用该诊断模型相比，对故障的诊断能力平均提升了3.3倍。

从以上指标来看，该模型能达到变压器故障诊断的目的。

步骤6根据建立的变压器状态识别贝叶斯模型，对影响变压器状态的各因素进行重要度分析，寻找影响变压器状态的主要因素。以变压器状态值为1为例，对影响变压器状态的因素进行排序。具体步骤为：首先，计算各因素的先验概率分布；然后，依次修改各属性变量的取值状态，记录变压器状态值为1的概率；最后，按照式（4）和式（5）所示的多态重要度计算公式，将数值代入即可求得各因素对变压器状态值为1的重要度。计算结果如附表2所示。

二态： $I_{C_i}^{M_j}=|P(M_j=1|C_i=1)-P(M_j=1|C_i=0)|\×P(C_i=1)---\left(4\right)$

多态： $I_{C_i}^{M_j}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\left(I_{C_i^k}^{M_j}\right)---\left(5\right)$

其中，m表示故障原因节点C_i的故障状态取值数。

表2变压器状态为1时属性变量的重要度分析

在15个影响变压器中温过热故障的因素中，重要度排在前五位的为：总烃>C2H4>CO2/CO>CH4/H2>CO>CH4。从重要度表现的知识来看，变压器出现中温过热故障时，总烃、CH4、C2H4的含量较高，并且随着温度的升高，还可能伴随有固体绝缘材料的分解，导致CO的含量升高。从CH4/H2的值较高来看，中温过热时，氢气的含量较低。

步骤7利用云南电网公司提供的变压器实时运行数据，来检验模型预测的实用性。

附表3为某变电站变压器预防性检测中，变压器油中甲烷、乙烷、乙烯、乙炔、总烃、氢气、一氧化碳和二氧化碳的气体的含量。从特征气体法可以看出，设备104551可能存在过热性故障，设备104553为状态正常。接下来利用三比值法对数据进行处理。根据烃类气体的含量，计算出C2H2/C2H4、CH4/H2、C2H4/C2H6的值；根据CO和CO2计算出CO2/CO的值；根据不同检测时间的两组数据，计算出总烃、氢气和CO浓度的月相对增长率，如附表4所示。

表3某变电站断路器预防性检测实时数据

表4经处理的数据

将数据输入变压器状态预测贝叶斯模型，即按照附表3和附表4的值修改属性变量的状态。变压器状态为1时的诊断结果，如附图8所示；变压器状态为0时的诊断结果，如附图9所示。

当变压器实际存在中温过热（300～700）℃型故障时，所建立的贝叶斯模型以100%的概率诊断其为该故障。分接开关接触不良，引线夹件螺丝松动或接头焊接不良，涡流引起铜过热，铁心漏磁，局部短路，层间绝缘不良，铁心多点接等原因都可以引起中文过热故障。在确定了故障类型之后，有方向的对变压器的其它参数进行检测，降低了预防性检测的盲目性，节约了检测成本。当变压器状态为正常时，贝叶斯模型也能给出准确的诊断。

综上所述，运用建立的变压器状态预测模型对变压器状态能进行一定精度的预测，为制定维修策略提供参考。

Claims (1)

1.一种基于贝叶斯网络的变压器故障诊断方法，其特征在于，采用三比值法对变压器油中溶解气体分析，气体的数据在真实运行环境中获得，利用TAN算法完成贝叶斯网络结构和参数的学习，建立故障诊断模型并利用专家系统对其进行修正，用于对变压器的实时运行状态进行诊断；首先，针对电网常见故障的事实确定要识别的故障模式，以及可能与故障模式相关的影响因素；其次，收集故障模式和影响因素的数据集，并对数据集进行标准化处理；最后，综合数据挖掘和专家系统建立变压器故障诊断模型，将变压器故障诊断数据影响因素的值输入建立的贝叶斯模型中，利用推理得到的变压器状态与实际状态进行对比产生的混淆矩阵派分析模型的静态指标：可靠性、精度，利用ROC曲线和Lift曲线分析其动态指标，对影响变压器状态的各因素进行重要度分析，并且利用变压器的实时运行数据，来检验模型预测的实用性。

Images