變壓器故障監測及預測模型構建研究

仝兆景+時俊嶺+高彩霞+張艷杰+趙運星

摘 要：為保證礦用變壓器的安全穩定運行，針對目前的診斷方法多沒有考慮不良工況以及其它影響變壓器運行的復雜因素，根據貝葉斯網絡算法，通過對不良工況和礦用變壓器運行環境的分析，建立變壓器故障監測及預測貝葉斯網絡模型。以某礦井變壓器故障為例進行了仿真分析，實驗結果證明，該模型可以準確診斷變壓器故障，并預測潛在故障，對礦用變壓器的故障監測和預測具有一定參考意義。

關鍵詞：故障監測；貝葉斯網絡；不良工況；礦用變壓器；MPE問題

DOIDOI：10.11907/rjdk.171797

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2017）007-0116-03

0 引言

中國是一個煤炭生產和消費大國，煤礦電氣設備的安全監測與預測技術與實際需求差距較大，開發更加精確高效的煤礦電氣設備狀態監測及故障診斷預警系統，對煤礦產業的電力安全運行具有重大意義[1]。當前發達國家對礦用變壓器故障的診斷大多使用神經網絡、專家系統、灰色理論等診斷技術，由于礦用變壓器結構和工作過程的復雜性、工作環境的惡劣性、監測技術的局限性以及知識表達的不完善性，使得故障征兆和故障原因之間的相互關系呈現耦合性、隨機性和不確定性[2]。隨著計算機技術和傳感技術的飛速發展，已可以實現礦井井下配電網漏電、對稱短路、不對稱短路、斷相、過載和欠電壓等監測功能，但是對礦用變壓器仍然缺乏有效的故障診斷和預警，無法及時地診斷與預測故障。貝葉斯網絡是目前不確定知識表達和推理領域最有效的理論模型之一，可以充分發掘數據中的有效信息，有著堅實的理論基礎[3]。本文運用結合了先驗知識、概率論、圖論、人工智能、決策理論等不確定知識表達的貝葉斯網絡，開展礦用變壓器故障監測及預測模型構建與優化研究。

1 貝葉斯網絡及推理

貝葉斯網絡（Bayesian Networks，BNs）是一種有向無環圖。其中，隨機變量間的因果關系通過有向圖的形式表示，并通過條件概率（置信度）將其進行定量表示，包括隨機變量之間的聯合概率分布。BNs是一種信息表示框架[4] ，框架中將因果知識和概率知識相結合。網絡中的節點被假設為相互獨立的隨機變量，它們之間的獨立性通過有向連接弧來確定。

一個貝葉斯網絡即是一個二元組B=。其中，G是有向無環圖，其網絡節點分別與隨機變量X1，X2，...，Xn相對應，有向的連接弧表示變量之間的相互關系。作出以下條件獨立性假設：確定節點的父節點，除了其子孫節點外，每一個變量都是獨立的。Θ是描述網絡局部條件概率的參數集合{θxi|zi}，θxi|zi=p（xi|zi）表示節點Xi的每一個取值xi在其父節點集yi處于某個特定的配置zi下的條件概率。貝葉斯網絡B表達的U上的聯合概率分布可通過式（1）確定：

BNs推理最主要的兩種常見問題分別為最大后驗假設問題（MAP）和最大可能解釋問題（MPE）。從式（2）可以看出，MAP問題是在證據（E=e）已經獲取的情況下，對一些變量取后驗概率最大的狀態組合，這些變量被稱為假設變量（H）。如果變量的一個狀態組合稱為一個假設（h），MAP問題即是在全部可能的假設中，求取后驗概率最大的假設。目前，一般將觀察到的異常征兆作為變壓器故障診斷的證據，其它故障作為假設變量。通過BNs推理算法進行推理，將結果中后驗概率最大的故障作為最后的診斷結果，即：

求解MPE問題既是求故障發生的最大概率解釋，即指網絡中全部變量與證據節點相一致時的狀態組合。

BNs推理算法有精確推理算法和近似推理算法兩類，復雜系統中，它們都是NP難題。本文將變壓器故障推理作為MPE問題來處理，采用GeNie建立模型并調用算法進行推理。

2 Bayes網絡模型建立

依據《煤礦安全規程》、《煤礦變壓器運行管理制度》的相關規定，針對不同工況下變壓器各關鍵部分的電壓、電流、絕緣電阻和變壓器的振動、溫度、噪聲，建立BNs故障監測與預測模型，如圖1所示。礦用變壓器故障監測及預測貝葉斯網絡模型構建，以統計數據、專家經驗系統、現場數據采集、故障樣本等為基礎，結合變壓器的運行工況、故障表現征兆，運用貝葉斯網絡構建變壓器的故障監測及預測模型；通過變壓器工況分析、特征提取來不斷豐富專家知識和故障樣本數據[5-7]，這些知識和數據可作為貝葉斯網絡各節點的先驗概率、條件概率和聯合分布概率的取值，結合現場實驗實現監測、預測模型優化。

通過查詢大量文獻資料，對故障數據進行總結分析，找出了容易監測到的征兆類型與故障率常見且高發的故障類型，征兆集合與故障集合如表1所示[8-9]。

通過深入理論和技術優化研究，以專家經驗系統、現場數據采集、故障樣本等為基礎，對網絡模型實施算法優化。在結構學習的基礎上，實現故障監測及預測網絡的參數學習，并實現高效準確的推理[9-11]。

通過分析總結，給出了在實際中相對容易觀察獲得的3種可能導致變壓器故障的不良工況，并設定其置信度。根據變壓器的故障統計，制造原因在導致變壓器故障的因素中占有很大比率。考慮到實際情況中，無法完全列舉所有故障，并找出它們的先驗概率以及對變壓器的影響，所以將模型中無法列舉出的其它因素視為Leaky節點L，將L節點對變壓器故障的影響概率設定為0.5。在故障征兆與故障連接關系中，將其影響概率設定為0.01。

已知的3種不良工況有過載（c1）、出口短路（c2）、電壓沖擊（c3），通過分析分別將概率設定為0.01[12]。不良工況和L節點對變壓器故障的影響如表2所示。

根據以上不良工況對故障的影響和修改后的故障征兆與故障連接關系表[12]，在GeNie軟件中構建貝葉斯網絡模型，如圖2所示。

目前在大多數貝葉斯診斷方法中將變壓器故障診斷作為MAP問題，從而可以得到發生概率最大的故障模式，但這沒有充分利用貝葉斯網絡結構的優勢。在此，本文將其視為MPE問題。MPE顯示了整個網絡中所有節點的狀態，包含不良工況故障模式，使診斷結果更準確。

3 故障診斷與分析

3.1 一般故障診斷分析

根據實例[13]，某主變壓器色譜分析后三比值編碼呈過熱性故障，同時油中微水為14μl/l，測量鐵芯接地電流為0.2mA，故障原因和故障征兆不明確；停電后做電氣試驗，測得鐵芯絕緣電阻為1 000MΩ，其它實驗項目全部合格。

經過模型推理后，推理結果如圖3所示，結果顯示發生了鐵芯多點接地及局部短路故障。根據對各個故障節點后驗概率計算的結果，后驗概率最大的故障也為鐵芯多點接地及局部短路故障。經過對變壓器的吊罩檢查，發現變壓器本體內部鐵芯接地聯片因過長而跨接鐵芯，引起鐵芯多點接地。推理結果與實際故障一致。此外，從圖3可以看出，匝間絕緣損傷與匝間短路故障概率也比較高。分析后可知，此變壓器為老式變壓器，絕緣性能低，為以后診斷試驗提供了依據。同時與該故障節點相關的征兆節點中，繞組變比偏差發生概率相對較大。在進行測定后，可以將此結果作為證據，再一次對網絡的節點狀態重新進行評估，使結果更加逼近實際情況。

3.2 不良工況下的并行故障診斷分析

根據實際故障案例[13]，某礦用變壓器事故前發生過多次類似的近距離出口短路沖擊，三比值編碼分析后呈現高能電弧放電，其中氫氣和總烴含量明顯增加，且低壓繞組直流電阻嚴重不平衡。

經BNs模型推理后的結果如圖4所示，診斷結果為：繞組變形與匝間短路和分接開關及引線故障，同時絕緣老化，故障率偏高，此是因為該變壓器投入運行年限過長導致。經過電氣測量和吊罩檢修，變壓器故障與推理結果一致。若不考慮不良工況以及其它因素，則根據異常征兆推理得到的結果分接開關及引線故障，與實際情況不符。由此可以看出，在現有證據不足時，增加不良工況這一因素可以大大提高推理結果的準確度。同時從圖4中看出，鐵芯接地電流相對其它征兆節點偏高，可以對其進行檢測，將此結果作為證據，再一次對網絡的節點狀態重新進行評估，使結果更加準確。

4 結語

由于礦用變壓器故障概率的不確定性、運行環境的復雜性以及認知水平不高，本文對變壓器故障的分析還有所不足，為了更好地對變壓器作出分析預測，仍需要對其進行進一步深入研究。

（1） 通過對礦用變壓器的分析，建立了貝葉斯監測及預測模型，通過分析實際情況以及運行環境，對其CPT進行了適當修改。

（2） 通過實際故障驗證，基于貝葉斯網絡的變壓器故障監測和預測模型推理結果基本包含了變壓器的常見高發故障和未檢測的異常征兆，為下一步檢修提供依據。

（3） 貝葉斯網絡對于大數據挖掘具有非常大的優勢，可以通過對變壓器故障以及運行狀態的進一步研究，更新此診斷模型。收集的故障數據越多，模型越接近現實，診斷結果則會越精確。

參考文獻：

[1]武先利，楊勇，魏峰.煤礦井下安全監控系統技術改進探討[J].煤礦安全，2009，40（8）：109-111.

[2]萬志強.基于多特征參量融合的礦用隔爆型干式變壓器故障診斷系統的研究[D].太原：太原理工大學，2013.

[3]司應碩，楊文濤.貝葉斯網絡在數據挖掘中的應用[J].軟件導刊，2016，15（4）：169-170.

[4]楊海深.貝葉斯網絡中不確定性知識推理算法及其應用研究[D].廣州：華南理工大學，2010.

[5]李貴濤，侯沛勇，任方宇，等.基于貝葉斯網絡的變壓器故障診斷及重要度分析[J].世界科技研究與發展，2014，36（5）：488-493.

[6]程穩，華虎.礦井地面變壓器的異常運行和常見故障分析[J].煤礦安全，2006，37（12）：57-58.

[7]范合余. 礦用電力變壓器的故障分析與試驗[J]. 山東煤炭科技， 2012（3）：171.

[8]白翠粉，高文勝，金雷，等.基于3層貝葉斯網絡的變壓器綜合故障診斷[J].高電壓技術，2013，39（2）：330-335.

[9]熊衛紅， 謝志成， 李興東，等. 基于貝葉斯網絡的變壓器潛在故障概率評估[J].電氣應用， 2013（S2）： 706-710.

[10]李儉川，胡蔦慶，秦國軍，等.基于貝葉斯網絡的故障診斷策略優化方法[J].控制與決策，2003， 18（5）：568-572.

[11]XIE Q J， ZENG H X， LING R， et al. Transformer fault diagnosis based on bayesian network and rough set reduction theory[C].Tencon Spring Conference. IEEE， 2013：262-266.

[12]I B M TAHA， S S M GHONEIM ，A S A DUAYWAH.Refining DGA methods of IEC code and rogers four ratios for transformer fault diagnosis[C].2016 IEEE Power and Energy Society General Meeting （PESGM）， Boston， MA， 2016：1-5.

[13]鄧永輝.變壓器類設備典型故障案例匯編[M].北京：中國電力出版社，2012：15-43.endprint