CN109060021A

CN109060021A - 一种基于贝叶斯理论的电抗器健康状态评估方法

Info

Publication number: CN109060021A
Application number: CN201810877378.8A
Authority: CN
Inventors: 马宏忠; 潘信诚; 田涛; 朱超; 杭峰
Original assignee: Hohai University HHU
Current assignee: Hohai University HHU
Priority date: 2018-08-03
Filing date: 2018-08-03
Publication date: 2018-12-21

Abstract

本发明公开一种基于贝叶斯理论的电抗器健康状态评估方法，包括如下步骤：步骤1，对电抗器进行油化试验、油中溶解气体分析试验、振动噪声测量试验，得到各类实验数据真实值；步骤2，建立基于朴素贝叶斯网络的电抗器故障诊断模型；步骤3，选取升半梯模型对真实值进行归一化处理；步骤4，确定评价指标与状态等级；步骤5，确定不同评价指标关于不同状态等级的隶属度函数；步骤6，建立无偏灰色预测模型对电抗器未来状态进行评估；步骤7，建立基于贝叶斯网络的电抗器综合健康状态诊断模型。此种评估方法可为电抗器由定期预防性维修向状态维修的过渡提供技术支持。

Description

一种基于贝叶斯理论的电抗器健康状态评估方法

技术领域

本发明属于电抗器健康诊断技术领域，特别涉及一种基于贝叶斯判别理论的电抗器健康诊断方法。

背景技术

电抗器作为电力系统主要的感性元件，因其具有结构简单、运行维护成本低、线性度良好等优点，广泛应用于限流、滤波、无功补偿和改善线路电压分布等方面。并联电抗器是高电压、远距离交流输电网络中不可缺少的重要设备，它可以改善沿线工频电压分布，增强系统稳定性及送电能力；降低工频暂态过电压，并进而限制操作过电压的幅值；改善轻载线路中的无功分布，降低有功损耗，提高送电效率等，因此，其运行状态关系到整个电力系统的安全稳定运行。

电抗器的健康诊断是电抗器状态检修的基础，目前针对电抗器的诊断都是以油中溶解气体分析(DGA)为主的方法。该方法虽然实现简单，但准确性不高，具有片面性。

基于以上分析，本案发明人充分考虑电抗器研发技术的难题和运行期间出现的主要问题，并综合电抗器的历史、当前和未来状态，建立了基于贝叶斯网络的电抗器健康诊断模型，为电抗器由定期预防性维修向状态维修的过渡提供技术支持。

发明内容

本发明的目的，在于提供一种基于贝叶斯理论的电抗器健康状态评估方法，其可为电抗器由定期预防性维修向状态维修的过渡提供技术支持。

为了达成上述目的，本发明的解决方案是：

一种基于贝叶斯理论的电抗器健康状态评估方法，包括如下步骤：

步骤1，对电抗器进行油化试验、油中溶解气体分析试验、振动噪声测量试验，得到各类实验数据真实值；

步骤2，建立基于朴素贝叶斯网络的电抗器故障诊断模型；

步骤3，选取升半梯模型对真实值进行归一化处理；

步骤4，确定评价指标与状态等级；

步骤5，确定不同评价指标关于不同状态等级的隶属度函数；

步骤6，建立无偏灰色预测模型对电抗器未来状态进行评估；

步骤7，建立基于贝叶斯网络的电抗器综合健康状态诊断模型。

采用上述方案后，基于经典统计学的学习具有现论成熟、计算简单的优点，但它只利用了实例数据集合所提供的信息，无法加入专家的知识，所以对实例数据集合的依赖性大；而本发明采用基于贝叶斯统计学综合了实例数据和家知识这两类信息，因此对实例数据集合的依赖性较低，其学习结果更精确。

附图说明

图1是本发明的流程图；

图2是基于朴素贝叶斯网络的电抗器故障诊断模型；

图3是电抗器健康状态分层评估模型；

图4是基于贝叶斯网络的电抗器综合健康状态诊断模型。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

如图1所示，本发明提供一种基于贝叶斯理论的电抗器健康状态评估方法，包括以下步骤：

步骤2，建立了图2所示的基于朴素贝叶斯网络的电抗器故障诊断模型；

步骤3，选取升半梯模型对真实数据进行归一化处理；

步骤4，确定评价指标与状态等级；

步骤5，确定不同评价指标关于不同状态等级的隶属度函数；

步骤6，建立无偏灰色预测模型对电抗器未来状态进行评估；

步骤7，以步骤2建立的基于朴素贝叶斯网络的电抗器故障诊断模型和步骤6建立的无偏灰色预测模型为基础建立基于贝叶斯网络的电抗器综合健康状态诊断模型，如图4所示。

所述步骤2中，根据步骤1中测得的特征数据，由传统的三比值法，可以判定故障类型，以此为基础立朴素贝叶斯分类器故障诊断模型，确定贝叶斯网络的输入和网络的输出，具体分成A、B两个步骤实施。

A、选择贝叶斯分类器

选取朴素贝叶斯分类器进行数据分类。朴素贝叶斯分类器当训练数据库D的所有实例都完整时，通过对实例出现频率的统计，求出给定类变量C条件下各个属性变量X_i的条件概率。它属于两层的贝叶斯网络，仅含一个父节点(代表类变量C，其余为子节点(代表属性变量X_i，子节点变量之间相互独立。

贝叶斯分类器进行分类的关键是如何计算p(x_i|x₁,x₂,…x_i-1,c_j)，贝叶斯分类器的区别就在于它们以不同的方式求取p(x_i|x₁,x₂,…x_i-1,c_j)的值.

通过训练集D获得p(c_j),p(x₁|c_j),…p(x_n|c_j)的值，对给的属性变量x₁,…x_n，使得p(c_j|x₁,x₂,…x_n)最大的c_j值便是x₁,…x_n的类变量。

B、贝叶斯网络以贝叶斯定理为理论基础，非常巧妙地将事件的先验概率与后验概率联系起来，利用先验信息和样本数据来确定事件的后验概率。把油中溶解特征气体和几组重要特征气体比值作为贝叶斯分类器的属性变量，根据三比值法的编码规则，确定了属性变量的阈值和离散程度标准，如表1所示。表2是给出了电抗器的故障类型，将故障类型作为贝叶斯网络的输出，将属性变量(油中溶解气体)作为贝叶斯网络的输入，建立了基于朴素贝叶斯网络的电抗器故障诊断模型。

表1属性变量及其离散程度

表2故障类型

故障编号	故障类型
		C<sub>0</sub>	正常
C<sub>1</sub>	过热
		C<sub>2</sub>	严重过热
C<sub>3</sub>	电弧放电
		C<sub>4</sub>	低能放电
C<sub>5</sub>	电弧放电兼过热
		C<sub>6</sub>	绝缘老化

所述步骤3中，采用升半梯模型计算公式，对步骤1得到的状态量真实值进行归一化处理。

状态量包括油介质损耗真实值、微水含量真实值、振动整幅真实值、噪声声级真实值、氢气含量真实值、氢气产生速度真实值、乙炔含量真实值、乙炔产生速度真实值、总烃含量真实值和总烃产生速度；

升半梯模型计算公式是：

其中，a,b为阈值，x为评分参数。

电抗器绝缘问题的评分参数包含绝缘电阻，吸收比，绝缘油介损值，油中糠醛含量，油中水含量，泄漏电流等等。局部过热问题评分参数包含H₂含量，H₂产气速率，C₂H₂产气速率，总烃的产气速率等等。振动和噪声问题的评分参数包含振动幅值，A计权声压级，阻抗测量变化量，振幅变化量，A计权声压级变化量等等。

所述步骤4中，将并联电抗器的评价指标和电抗器运行健康状态分别划分为五种状态等级，分别为差，注意，中，良好，优；

选取电抗器电气试验、绝缘油试验、绝缘油色谱分析试验作为绝缘问题的诊断项目；绝缘油色谱试验作为局部过热的诊断项目；振动测量和噪声测量作为振动和噪声的诊断项目，具体的评价指标与状态等级如表3所示。

表3

评分	0～20	20～40	40～60	60～80	80～100
						状态描述	差	注意	中	良好	优
维修策略	立即维修	尽快维修	优先维修	计划维修	延期维修

得分靠近状态设定的边界点时，难以描述其所反映的具体状态。采用模糊分布法来确定隶属度函数，选取较简便的三角形和半梯形分部函数作为隶属度函数，在确定了评分参数和模型后，就可建立电抗器健康状态分层评估模型。

图3可以很直观地反映这种层次关系。图中每一层的得分都是由该层的子层得分来综合得出的，计算的原则是：若子层各项得分均>0.7，则取各项得分的算术平均值为父层的得分；反之父层得分为子层各项得分的最小值。由此可以看出绝缘问题、局部过热问题、振动和噪声问题的评分最终都是由其层次关系中最底层的试验项得分来确定的，而最底层各项试验评分模型的选取和阈值设定已在而详细叙述，只要利用这些得分逐计算，最终就得到电抗器的健康状态。

所述步骤6应综合考虑电抗器历史、当前和未来状态，进行电抗器状态评估。采用无偏灰色模型，通过电抗器的预防性实验数据的处理和灰色模型的建立，发现、掌握屯抗器实验参数的发展规律，对电抗器的未来健康状态做出科学的定量预测。

建立无偏GM(1,1)模型

设有时间数据序列

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)) (x⁽⁰⁾(k)≥0,k＝1,2,…n)

(1)对X⁽⁰⁾作一次累加，得到新的生成数据序列X⁽¹⁾

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

(2)根据新生成的数据序列的变化规律对X(1)建立白化方程：

上式被称为灰色动态模型GM(1,1)。式中a,u是由最小二乘法确定的灰色参数，u被称为控制项。

[a,u]^T＝(B^TB)^-1B^TY

(3)确定数据矩阵B和Y,其中

(4)求参数a与u

(5)建立原始数据序列模型

所述步骤7分别对历史、当前未来试验数据按照分层评估模型来评分，得到电抗器的历史健康状态、当前健康状态和未来的健康状态。最后，通过贝叶斯网络综合历史、当前和预测状态得到电抗器的综合状态。

基于经典统计学的学习具有现论成熟、计算简单的优点，但它只利用了实例数据集合所提供的信息，无法加入专家的知识，所以对实例数据集合的依赖性大。而采用基于贝叶斯统计学综合了实例数据和家知识这两类信息，因此对实例数据集合的依赖性较低，其学习结果更精确。

令其中为随机变量X_i的父节点的取值组合中第j个取值组合。令q_i为X_i的可取数目。

根据概率归一性，由条件期望估计法可知贝叶斯网络条件概率的学习表公式为：

式中，N_ijk指节点父节点(即历史状态、当前状态、未来状态个节点)取第j种组合(将状态划分5为态，则共有125种组合)，且X_i为第k种状态时(相应的k＝1时综合状态为A，……，k＝5时综合状态为E)的样本数；r为节点X_i的状态数，本发明电抗器的状态是5态划分，所以r＝5。利用该学习表公式求出条件概率表中每一项的值，公式中a_k代表专家知识，在实际计算中由领域专家给定，特殊情况下也可采用贝叶斯假设，即假设变量取各个值的概率都相等，有a_k＝1，

通过样本训练得到电抗器的综合状态条件概率表后，对给定的电抗器采用分层模型对其历史和当前状态进行评估，在用无偏灰色模型评估其未来状态，最后根据综合状态条件概率表可得出电抗器的最终五种状态的条件概率，其中条件概率最大的状态就是电抗器综合健康状态。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims

1.一种基于贝叶斯理论的电抗器健康状态评估方法，其特征在于包括如下步骤：

步骤2，建立基于朴素贝叶斯网络的电抗器故障诊断模型；

步骤3，选取升半梯模型对真实值进行归一化处理；

步骤4，确定评价指标与状态等级；

步骤5，确定不同评价指标关于不同状态等级的隶属度函数；

步骤6，建立无偏灰色预测模型对电抗器未来状态进行评估；

2.如权利要求1所述的一种基于贝叶斯理论的电抗器健康状态评估方法，其特征在于：所述步骤3中，升半梯模型计算公式是：

其中，a,b为阈值，x为评分参数。

3.如权利要求1所述的一种基于贝叶斯理论的电抗器健康状态评估方法，其特征在于：所述步骤4中，将并联电抗器的评价指标和电抗器运行健康状态分别划分为五种状态等级，分别为差，注意，中，良好，优。

4.如权利要求1所述的一种基于贝叶斯理论的电抗器健康状态评估方法，其特征在于：所述步骤5中，采用模糊分布法确定隶属度函数，选取三角形和半梯形分部函数作为隶属度函数。

5.如权利要求1所述的一种基于贝叶斯理论的电抗器健康状态评估方法，其特征在于：所述步骤6中，建立无偏GM(1,1)模型，

设有时间数据序列

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)) x⁽⁰⁾(k)≥0,k＝1,2,…n

(1)对X⁽⁰⁾作一次累加，得到新的生成数据序列X⁽¹⁾

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

(2)根据新生成的数据序列的变化规律对X(1)建立白化方程：

式中a,u是由最小二乘法确定的灰色参数，u被称为控制项；

[a,u]^T＝(B^TB)^-1B^TY

(3)确定数据矩阵B和Y,其中

(4)求参数a与u

(5)建立原始数据序列模型