CN103389430A - 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯判别理论的油浸式变压器故障诊断方法，所述方法包括如下步骤：a）将油浸式变压器在运行中可能产生的故障规格进行分类；b）将分类得到的故障类型进行编码，将每一类故障用唯一的编码标识；c）采集特征气体数据；d）对采集到的特征气体数据根据色谱分析导则进行筛选；e）提取判别特征量，进行判别分析；f）基于贝叶斯判别理论进行故障判别。根据本发明的诊断方法，同现有的气体图形法、简化Duval法、HAE法、罗杰斯法、IEC三比值法、电协研法、改良电协研法、气体比值图示法等常用方法相并列，区别特征在于涉及更多的特征量参数，因此能够有效提高油浸变压器早期故障监测及诊断的准确率。

Description

一种基于贝叶斯判别理论的油浸式变压器故障检测方法

技术领域

本发明涉及油浸式变压器故障检测领域，尤其涉及一种基于贝叶斯判别理论的油浸式变压器故障诊断的方法。

背景技术

变压器作为电力系统的枢纽设备，担负着电网间电压变化、电能转化的功能，是电力系统中最重要的设备之一，因此其运行的可靠性将直接影响电力系统的安全。随着计算机技术、智能技术和传感器技术的不断发展，各种智能故障诊断技术开始应用于变压器运行时的故障诊断中，能够准确、可靠地发现变压器的潜在故障，有效地防止由变压器引起的电力事故。

油浸式电力变压器是变压器的一种常用类型，其用油来绝缘和散热。其中，油与油中的固体有机绝缘材料在变压器运行时，会因为电、热、氧气及局部电弧等多种因素的作用逐渐老化，裂解为气体。当电力变压器内部存在潜伏性的局部过热或局部放电时，会加快气体产生的速度。因此，可以通过分析油中的溶解气体，对电力变压器进行在线监测。油中溶解气体分析的方法不受各种电磁干扰的影响，可靠性高，技术成熟，应用在发现变压器内部的潜在故障及其严重程度方面十分有效，且定性、定量分析都已积累了相当多的经验，被认为是监测及诊断油浸电力变压器早期故障、预防灾难性事故发生的最佳方法之一。

目前，为了对油浸式变压器进行故障诊断，已有的各种油色谱气体数据分析方法包括：应用气体图形法，简化Duval法，HAE法，罗杰斯法，IEC三比值法，电协研法，改良电协研法，气体比值图示法等。然而，现有方法进行故障类型判断时，涉及到的特征量参数较少，没有完全体现出数据的全部信息量，从而给出的诊断结果有时便不尽人意。

为解决上述问题，需要一种改进的判别故障诊断方法，对油浸式变压器的故障性质进行预测与诊断。

发明内容

本发明公开了一种基于贝叶斯判别理论的油浸式变压器故障诊断方法，所述方法包括如下步骤：a）将油浸式变压器在运行中可能产生的故障规格进行分类；b）将分类得到的故障类型进行编码，将每一类故障用唯一的编码标识；c）采集特征气体数据；d）对采集到的特征气体数据根据色谱分析导则进行筛选；e）提取判别特征量，进行判别分析；f）基于贝叶斯判别理论进行故障判别。

优选地，所述步骤a）中的故障类型包括：低温过热、中温过热、高温过热、局部放电或受潮、火花放电、电弧放电、过热兼放电。

优选地，所述步骤b）中的故障类型包括事实故障和检测故障。

优选地，所述步骤c）中的采集是通过在线监测装置实时采集故障变压器的油中溶解气体的数据，或者通过文献检索得到的。

优选地，所述步骤c）中的特征气体包括H₂、C₂H₂、CH₄、C₂H₄、C₂H₆、CO、CO₂。

优选地，所述步骤e）中的特征量各自具有显著性且相互无显著相关性。

优选地，所述步骤e）中的特征量包括11个气体百分比计算值和15个比值参数值，所述11个气体百分比计算值分别为：H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂这些气体指标占气体总含量的百分比，以及CH₄、C₂H₂、C₂H₄、C₂H₆这些气体指标占总烃含量的百分比；15个比值参数值，分别为H₂/CH₄、H₂/C₂H₂、H₂/C₂H₄、H₂/C₂H₆、CH₄/C₂H₂、CH₄/C₂H₄、CH₄/C₂H₆、C₂H₂/C₂H₄、C₂H₂/C₂H₆、C₂H₄/C₂H₆、C₂H₆/总烃、H₂/总烃、CH₄/总烃、C₂H₂/总烃、C₂H₄/总烃。

优选地，所述步骤f）中的判别包括如下子步骤：f1)根据n个已知故障类型的特征量样本值X与故障类型Y进行线性拟合，建立判别函数的估计式Y=a+bX；f2)将实际待测的特征变量的值代入各个判别函数Y=a+bX，求出各Y的值；f3)在各个判别函数值中选取最大的Y值，则判定样本X属于该类型故障Y。

根据本发明的诊断方法，同现有的气体图形法、简化Duval法、HAE法、罗杰斯法、IEC三比值法、电协研法、改良电协研法、气体比值图示法等常用方法相并列，区别特征在于涉及更多的特征量参数，因此能够有效提高油浸变压器早期故障监测及诊断的准确率。

应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1示出了根据本发明实施例的故障诊断流程图。

具体实施方式

下面结合附图以及实施例对本发明进行详细描述。

变压器故障诊断的方法

通过定期分析运行的变压器中，溶解于油中的气体的组分和含量，能够及早发现变压器的潜伏性故障。图1示出了根据本发明的进行变压器故障诊断方法的流程图。其具体步骤如下：

步骤101：油浸式变压器在运行中可能产生的故障规格进行分类，即类型化。将油浸式变压器在运行中产生的故障规格优选分类为7种类型，分别是：低温过热故障（即温度t＜300℃），中温过热故障（即300℃≤t＜700℃），高温过热故障（即温度t≥700℃），局部放电或受潮故障，火花放电故障，电弧放电故障和过热兼放电。

步骤102：将分类得到的故障类型进行编码。油浸式变压器在运行中可能产生的故障可以分为事实故障和检测故障，不论事实故障还是检测故障，都可以归为步骤101中划分的7种故障类型，每种故障类型用相应的唯一编码进行表示。比如，1表示低温过热，2表示中温过热，3表示高温过热，4表示局部放电或受潮，5表示火花放电，6表示电弧放电，7表示过热兼放电。

步骤103：采集特征气体数据。通过在线监测装置，实时采集故障变压器的油中溶解气体的数据，或者通过文献检索获取故障变压器的油中溶解气体的数据。经过对故障变压器进行吊罩检查并分析其油中溶解的气体，得出需要采集数据的气体类型，确定进行变压器故障诊断的特征气体。所述特征气体例如包括：H₂、C₂H₂、CH₄、C₂H₄、C₂H₆、CO、CO₂。

步骤104：对采集到的特征气体数据根据色谱分析导则进行筛选。表1为色谱分析导则，其列出了变压器在正常运行时，油中各主要气体含量所达到的阈值。表1中，总烃∑CH为气体CH₄、C₂H₂、C₂H₄、C₂H₆的总和。其中，乙炔C₂H₂既作为单独的指标存在，又作为总烃标准的一部分存在。将步骤103中采集的特征气体数据，如H₂、∑CH、CO₂等，与表1中所列的几项主要指标气体含量的阈值进行比较，筛选出超过阈值的数据（即，达到故障注意值的数据）并保留，删除在阈值范围内的数据（即，变压器正常运行的数据）。

变压器、电抗器和套管油中的溶解气体含量的注意值    μL/L

表1色谱分析导则

步骤105：提取判别特征量，进行判别分析。不同类别的故障诊断方法所用的特征量不同，对于本发明的故障诊断方法，通过对步骤104中筛选出的故障特征气体数据综合分析，并进行反复试验，最后确定出各自具有显著性且相互无显著相关性的特征量进行判别分析。根据本发明的一个实施例，可以选取如下两类特征量，分别是11个气体百分比计算值，与15个比值参数值。

11个气体百分比计算值分别为：H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂这些气体指标占气体总含量的百分比，以及CH₄、C₂H₂、C₂H₄、C₂H₆这些气体指标占总烃含量的百分比。

15个比值参数值为：H₂/CH₄、H₂/C₂H₂、H₂/C₂H₄、H₂/C₂H₆、CH₄/C₂H₂、CH₄/C₂H₄、CH₄/C₂H₆、C₂H₂/C₂H₄、C₂H₂/C₂H₆、C₂H₄/C₂H₆、C₂H₆/总烃、H₂/总烃、CH₄/总烃、C₂H₂/总烃、C₂H₄/总烃。

步骤106：变压器故障判别。具体地，基于贝叶斯判别理论，对步骤105中提取的判别特征量进行分析，得出判别诊断的结果，并与事实结果进行对比。基于贝叶斯判别理论的具体判别方法，将在下文进行详细说明。

对于新的特征气体数据，可以重复执行步骤103～步骤106，不断采集新的特征气体数据，计算判别特征量，并基于贝叶斯判别方法进行分析，诊断出变压器的故障，从而达到实时监测变压器运行状态，及时发现变压器潜在故障的目的。

基于贝叶斯的故障判别方法

贝叶斯判别理论大致原理如下。在诊断评价之前，需要将特征量数据进行分类。统计学中可以应用判别分析方法进行数据分类。判别分析是指先根据已知类别的事物的性质（自变量），建立函数式（自变量的线性组合，即判别函数），然后对未知类别的新事物进行判断，以将之归入已知的类别中。

判别分析中有如下的假定：1）预测变量服从正态分布；2）预测变量之间没有显著的相关；3）预测变量的平均值和方差不相关；4）预测变量应是连续变量，因变量（类别或组别）是间断变量；5）两个预测变量之间的相关性在不同类中是一样的。

在判别分析的各个阶段，应把握如下原则：1）事前组别/类别的分类标准（作为判别分析的因变量）要尽可能准确和可靠；2）所分析的自变量应是因变量的重要影响因素，应该挑选既有重要特性又有区别能力的变量，达到以最少变量而达到高辨别能力的目标；3）初始分析的数目不能太少。

贝叶斯统计思想是假定对所研究的对象已有一定的认识，常用先验概率分布来描述这种认识，然后抽取一个样本，用样本来修正已有的认识，即先验概率分布，从而得到灵敏度分布，通过灵敏度分布来进行各种统计推断。将贝叶斯统计思想用于判别分析中，即为贝叶斯判别法。

根据本发明应用于贝叶斯理论对提取的气体特征量进行分析，得出判别故障类型诊断的结果。具体地，用A表示特征气体数据的总体，x表示各判别特征量。假设对筛选出的特征气体数据组A1、A2、…At、…Ag，分别提取m个特征变量x1，x2，…，xm，然后对A1，A2，…，Ag分别做n1，n2，…，ng次试验，得出如下观测数据矩阵，可记为X=(x_kij)。其中，k表示特征数据组数，i表示实验次数，j表示特征变量数。

x₁₁₁，x₁₁₂，…，x_11m—第A1组总体第1次试验的样本数据

x₁₂₁，x₁₂₂，…，x_12m

…………………

x_1n11，x_1n12，…，x_1n1m—第A1组总体第n1次试验的样本数据

…………………

…………………

x_g11，x_g12，…，x_g1m—第Ag总体第1次试验的样本数据

X_g21，x_g22，…，x_g2m

…………………

x_gng1，x_gng2，…，x_gngm—第Ag总体第ng次试验的样本数据

先由贝叶斯准则计算待判气体样品X来自t个总体的条件概率（也称后验概率）为：

$P\left(k\right|X)=\frac{q_k{f}_k\left(X\right)}{\underset{i=1}{\overset{g}{\mathrm{\Σ}}}{q}_i{f}_i\left(X\right)}(k=\mathrm{1,2},\·\·\·,g)---\left(1\right)$

式中，q_i表示归入第i总体的先验概率，i=k时为q_k。

$P\left(t\right|X)=\max P\left(k\right|X)=\max \frac{q_k{f}_k\left(X\right)}{\underset{i=1}{\overset{g}{\mathrm{\Σ}}}{q}_i{f}_i\left(X\right)}(k=\mathrm{1,2},\·\·\·,g)---\left(2\right)$

对于诸总体，显然分母（全概率）都是相同的，因此只要比较式中分子的大小，即可判断条件概率的大小，进而对待判的气体样品作出归类。

q_tf_t(X)=max{q₁f₁(X),…,q_gf_g(X)}，则X属于第t个总体。

设max{q₁f₁(X),…,q_gf_g(X)}=q₁f₁(X)，则待判样品X就归入第L类总体A_L。因此，式q_tf_t(X)=max{q₁f₁(X),…,q_gf_g(X)}称为判别函数，按照条件概率最大进行归类的准则，即贝叶斯判别准则。

根据上述的贝叶斯判别理论，贝叶斯判别方法在根据本发明的故障诊断中的实现过程为如下子步骤：

步骤1.根据n个已知故障类型的特征量样本值X与故障类型Y进行线性拟合，建立判别函数的估计式。此模型类似线性模型，且自变量为特征量样本值X，因变量为故障类型的概率意义Y。拟合得到的Y=a+bX，得到系数a和b；

步骤2.将实际待测的特征变量x1,x2,...,xp的值代入各个判别函数Y=a+bX，求出各Y的值；

步骤3.在各个判别函数值中选取最大的Y值，则判定样本X属于该类型故障Y。

实验及结果分析

采集500组特征气体数据，这些数据为经过对变压器进行吊罩检查，已知故障类型的气体含量数据。依据特征气体数据计算出判别特征量后，根据本发明的贝叶斯判别方法，对这些数据进行分析，得出应用本发明方法的测试结果，如表2所示。表2中，横轴代表事实故障类型，纵轴代表检测故障类型，两表格中对角线所示的数字为准判个数与准判率。

表2分析判别结果

由表2可知，将检测结果与事实结果进行比对后，得出根据本方法的诊断精度为：判准个数/被判数据总数=78.6%。可见诊断精度较高，故障判别效果较为满意，因此证明本发明的判别方法效果良好，且简单易行。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是显而易见的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。

Claims (8)

1.一种基于贝叶斯判别理论的油浸式变压器故障诊断方法，所述方法包括如下步骤：

a）将油浸式变压器在运行中可能产生的故障规格进行分类；

b）将分类得到的故障类型进行编码，将每一类故障用唯一的编码标识；

c）采集特征气体数据；

d）对采集到的特征气体数据根据色谱分析导则进行筛选；

e）提取判别特征量，进行判别分析；

f）基于贝叶斯判别理论进行故障判别。

2.根据权利要求1所述的方法，其中步骤a）中的故障类型包括：低温过热、中温过热、高温过热、局部放电或受潮、火花放电、电弧放电、过热兼放电。

3.根据权利要求1所述的方法，其中所述步骤b）中的故障类型包括事实故障和检测故障。

4.根据权利要求1所述的方法，其中所述步骤c）中的采集是通过在线监测装置实时采集故障变压器的油中溶解气体的数据，或者通过文献检索得到的。

5.根据权利要求1所述的方法，其中所述步骤c）中的特征气体包括H₂、C₂H₂、CH₄、C₂H₄、C₂H₆、CO、CO₂。

6.根据权利要求1所述的方法，其中所述步骤e）中的特征量各自具有显著性且相互无显著相关性。

7.根据权利要求1所述的方法，其中所述步骤e）中的特征量包括11个气体百分比计算值和15个比值参数值，所述11个气体百分比计算值分别为：H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂这些气体指标占气体总含量的百分比，以及CH₄、C₂H₂、C₂H₄、C₂H₆这些气体指标占总烃含量的百分比；15个比值参数值，分别为H₂/CH₄、H₂/C₂H₂、H₂/C₂H₄、H₂/C₂H₆、CH₄/C₂H₂、CH₄/C₂H₄、CH₄/C₂H₆、C₂H₂/C₂H₄、C₂H₂/C₂H₆、C₂H₄/C₂H₆、C₂H₆/总烃、H₂/总烃、CH₄/总烃、C₂H₂/总烃、C₂H₄/总烃。

8.根据权利要求1所述的方法，其中所述步骤f）中的判别包括如下子步骤：

f1)根据n个已知故障类型的特征量样本值X与故障类型Y进行线性拟合，建立判别函数的估计式Y=a+bX；

f2)将实际待测的特征变量的值代入各个判别函数Y=a+bX，求出各Y的值；

f3)在各个判别函数值中选取最大的Y值，则判定样本X属于该类型故障Y。

Images