基于貝葉斯網絡的變壓器故障診斷研究

仝兆景，秦紫霓，趙運星，蘆 彤，鄭 權

(1.河南理工大學 電氣工程與自動化學院，河南 焦作 454000;2.上海寶冶集團有限公司 鄭州分公司，河南 鄭州 450000)

變壓器是保障電力網絡安全穩定運行的基礎設備，復雜的運行環境和獨特的負荷曲線使其頻繁發生故障。在故障狀態中運行會導致變壓器性能退化，對電力網絡運行產生嚴重的安全隱患。對變壓器進行故障診斷研究，及時發現變壓器存在的潛伏性故障并糾正變壓器的不良運行狀態，對延長變壓器的運行壽命具有重要意義[1-2]。為了保障變壓器在線監測數據的可靠性且不對變壓器造成損傷，本文采用油中氣體濃度分析(Dissolved Gas Analysis，DGA)技術對變壓器的運行狀態進行監測。DGA技術是變壓器在線監測中應用最廣泛也是最為可靠的一種方法，具有操作簡單、技術可靠和經濟適用等優點[3-4]。傳統的DGA技術例如三比值法、四比值法、羅杰斯比值法等[5]通過采集油中氣體濃度并利用其比值編碼對變壓器的故障情況進行分析。變壓器的比值法雖然具有操作簡單、結果明確等優點，但仍然存在編碼不全、比值過于絕對、對熱性故障診斷準確率不高以及不能提前發現隱含性故障等問題。隨著人工智能算法的興起，將人工智能算法與傳統故障診斷方法結合成為當今研究的熱點。貝葉斯網絡是一種能夠在數據缺失情況下實現因果關系推理的智能算法，并能夠實現不確定關系的精準表達[6-7]。本文將改良的無編碼比值法與貝葉斯結構學習相結合，通過改進貝葉斯網絡的搜索策略以及評分函數與變壓器的故障類型結合，建立基于貝葉斯搜索評分算法的變壓器故障模型診斷，提高了變壓器故障的診斷效率。以PCI-1711U數據采集卡為故障監測系統的硬件核心，利用多種油氣傳感器對變壓器的油中氣體濃度進行采集，最后以LabVIEW為上位機[8-9]，建立基于貝葉斯網絡的變壓器在線故障診斷系統。通過測試集的仿真測試證明，該系統能夠準確地監測變壓器的運行狀態，提前發現隱含故障，為變壓器的穩定運行策略提供支持[10-11]，對電網的智能化、規模化發展具有重要意義。

1 優化的貝葉斯網絡搜索評分算法

貝葉斯網絡(Bayesian Networks，BNs)是一種有向無環圖(Directed Acyclic Graph，DAG)，它提供了一種高效表達因果關系的框架結構，使不確定關系的表達更為清晰[12-13]。貝葉斯網絡的結構學習算法是從樣本數據庫中學習訓練出DAG，構建出與樣本集相符合的DAG結構。基于搜索評分的結構學習方法是利用評分函數和搜索算法對搜索出的網絡結構進行評分進而選取最優結果，其數學函數表達式為

(1)

其中，f表示結構評分函數；ζ表示結構空間；D表示訓練集；G|=C表示結構G滿足約束條件C。在搜索評分過程中，約束條件C是要求搜索到的結構滿足DAG結構，最優結構G*可以表示為

(2)

K2算法就是一種典型的搜索評分算法[14]，通過貪婪搜索(Greedy Search，GS)遍歷所用DAG并通過CH評分(Cooper-Herskovits)來衡量DAG結構的優劣。該方法先通過GS進行不斷地加邊、減邊、轉邊操作來尋找DAG，后利用評分函數對搜索到的DAG進行評分，直到尋找出評分最高的DAG為止。CH評分是BD(Bayesian Dirichlet)評分的一種特殊形式，BD評分函數的表達式為

(3)

(4)

貝葉斯結構學習的貪婪搜索算法通過發現節點之間的獨立性和相關性對貝葉斯網絡進行搜索，找到與理想模型相近的結構[15-16]。但隨著貝葉斯結構學習節點逐漸增多以及貝葉斯搜索空間復雜度的增高，搜索算法的工作量呈指數增長，貪婪搜索的結果也容易陷入局部最優的情況，使搜索結果與實際情況發生偏離，出現嚴重不符合貝葉斯結構實際情況的貝葉斯網絡，造成結構學習失敗。

本文采用一種基于分解評分合成(Decompositon-Scoring-Compositon，DSC)的方法優化貝葉斯貪婪搜索的搜索策略。DSC 首先通過條件獨立性構建無向獨立圖，根據DGA等價、無向分離、等價分離原則；然后利用條件獨立性把無向圖分解成兩個子結構并逐漸對兩個子結構進行遞歸分解，直至無法進一步分解為止，把無向圖分成多個相互獨立的子結構，對子結構的每一次圖解中，其父節點都在一個子圖中以保證分離出的子結構等價；最后利用貝葉斯搜索評分算法對子結構進行結構學習，根據有向圖的結合原則把所有子圖結合起來。有向圖的結合方式是A、B、Z為有向圖G中相互不交集的節點，則有向圖GK=(K，EK)可以由兩個子圖

GA∪Z=(A∪Z，EA∪Z)和GB∪Z=(B∪Z，EA∪Z)通過以下方式組成新的有向圖：

(1)節點K=A∪Z∪B；

(2)有向邊滿足：EK=EA∪Z∪EB∪Z(〗(u，v):u，vZ，u，vEA∪Z∪EB∪Z};

(3)EA∪Z和EB∪Z中的V結構不被破壞且不產生新的V結構。

2 基于貝葉斯網絡的變壓器故障診斷模型

本文以改良的無編碼比值法和變壓器故障類型作為貝葉斯網絡節點，利用改進的貝葉斯搜索評分算法對變壓器的故障樣本集進行結構學習建立變壓器故障診斷模型；利用變壓器故障測試集對變壓器故障診斷模型進行測試，以驗證模型的準確率。本文采用改良的無編碼比值法的比值屬性作為變壓器網絡的氣體特征節點，如表1所示。改良的無編碼比值法采用5種基礎氣體即氫氣(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)的比值屬性為基礎即A4～A12，同時考慮到無編碼比值法對純氫超標故障不夠敏感，添加 H2、C2H2和總烴C1+C2作為參考量來提高診斷效率。對變壓器故障類型的分類具有多種方式，一般采用基于故障部位、故障性質和故障發生過程的分類方式[17]。本文采用基于故障性質的變壓器故障分類方式，綜合分析變壓器熱性和電性的故障性質，同時把變壓器的正常狀態也當作一種故障形式對變壓器的故障類型進行劃分，故障類型如表2所示。

表1 改良的無編碼比值屬性

表2 變壓器的故障類型

為了保證故障診斷模型對多種故障類型診斷的準確性，應當選取一組足夠多且能較完整包涵變壓器各種故障的樣本集作為貝葉斯網絡結構學習的訓練集，并選取測試集對模型進行測試。本文采用從文獻資料中查詢的620條變壓器故障樣本，其中464條作為訓練集，156條作為測試集。由表2可知一些氣體屬性的量級存在差別。因此，在對訓練集進行結構學習之前需要對訓練集進行標準化處理，使數據趨于標準化。本文采取最大值法，即取每種氣體與該組氣體含量的最大值之比為標準化參數，即

(5)

其中，Ai表示任意一種基礎氣體；max表示單一氣體成分的最大值，標準化后每組氣體的最大值為1。綜上所述，本文建立的BNs是以變壓器的狀態類型S為父節點，以表1氣體特征變量為子節點建立變壓器的狀態分析模型，利用DSC算法建立變壓器的故障診斷模型，具體步驟如下：

步驟1構建變壓器故障診斷的無向獨立圖。利用G2檢驗判斷變壓器故障診斷節點Xi和Xj和節點集Z之間的獨立性，根據獨立性測試構建節點之間的Markov邊界，Markov邊界構成的無向圖即為故障診斷模型的無向獨立圖G；

步驟3子圖的搜索評分。利用貪婪搜索和BDeu評分對GZi進行結構學習，構建有向子圖GZi；

步驟4有向子圖的合成。對具有同樣深度d的有向子圖GZi進行組合，期間不能產生新的V結構，最終得到一個新的DAG結構G。

根據上述步驟最終建立的變壓器故障診斷模型，如圖1所示。

圖1 變壓器的故障診斷模型

為了證明模型故障診斷的準確性，對樣本集進行隨機劃分，并利用訓練集對故障診斷模型進行訓練。隨著訓練樣本的增多，故障診斷的準確率逐漸提高。利用測試集對故障診斷模型進行測試，為了證明模型的優越性，使用基于K2算法的變壓器故障診斷模型和三比值法來與DSC模型進行比較測試，如表3所示。對3種方法的測試結果顯示，三比值法準確性最低，僅有77%左右，尤其對熱性故障的診斷效果存在較大偏差；基于貝葉斯網絡的故障診斷模型的診斷效果與三比值法相比，其準確率有明顯的增強；K2算法的準確率達到89.7%；DSC的診斷準確性最高，達到了94.2%。測試結果證明，本文建立的基于優化搜索評分的算法能夠滿足故障診斷系統要求。

表3 幾種診斷方法的比較

3 基于貝葉斯網絡的變壓器故障診斷系統

基于貝葉斯網絡的變壓器在線故障診斷系統設計主要包括硬件系統和軟件設計兩部分，其根據系統整體需求設計基本功能。硬件系統包括油氣采集模塊、顯示模塊和報警模塊；軟件系統主要包括數據處理模塊、故障推理模塊和歷史查詢模塊。

3.1 系統設計

利用PCI-1711U高速數據采集卡完成信號的輸入與輸出，以 VC++調用SMILE對該模型進行編程并生成dll文件，最后利用LabVIEW調用dll文件搭建監測平臺。

平臺采用模塊化編程實現系統功能設計，包括油氣監測模塊、改良三比值分析模塊、BN推理模塊、歷史記錄模塊，各個功能模塊下又包括許多子模塊。油氣監測模塊主要對變壓器的油色譜、油溫與微水含量等故障征兆信息進行采集，并將采集到的數據以波形、柱狀圖、數值的形式顯示出來；改良三比值分析模塊通過對油氣監測數據的分析來計算特征氣體的增長速率，根據油中溶解的特征氣體含量得到三比值編碼，做出故障預判；BN推理模塊通過調用dll文件，完成數據處理和變壓器故障的推理。根據遠程檢測系統傳回的運行狀態數據，經過各模塊的綜合分析推理出變壓器的運行狀態，得出綜合分析的結果。

3.2 實例分析

在Window7操作平臺下對變壓器的故障監測與診斷系統進行測試。

某變壓器發生故障，故障類型為低能放電，利用該變壓器對系統實用性進行測試，變壓器故障監測與診斷系統的油氣監測結果，如圖2所示。從圖中可以看出H2和C2H4警示燈變為深色，其氣體含量明顯超出閾值，油溫、油中微水含量、總烴和其他氣體含量正常，曲線存在波動是由于氣敏傳感器在信號采集、傳輸、處理過程中存在一定程度誤差而造成的。

圖2 油氣監測實際測試界面

根據變壓器的油色譜監測信息推理變壓器的故障狀態。改良三比值法的推理結果如圖3所示；BN模型的推理結果，如圖4所示。由圖3可以看出變壓器的特征氣體增長速率超出預警值，通過油中溶解氣體含量計算出氣體的比值編碼，該變壓器的三比值編碼為111，診斷結果為電弧放電，與實際情況不符。利用基于BN的變壓器故障監測與診斷模型對油色譜監測數據進行推理，首先將監測的氣體含量信息轉化為表1所示的無編碼比值表；然后調用DLL實現DSC模型的實時更新，得到變壓器故障類型的可能性概率表，如圖4所示。診斷結果顯示該變壓器低能放電概率為0.967，同時存在放電兼過熱的可能性，并列出可能性原因和處理建議，診斷結果與實際情況相符。

圖3 改良三比值法分析實際測試界面

圖4 BN推理實際測試界面

經過系統運行測試，證明該系統能夠有效實現對變壓器運行狀態的監測，并能對潛在性故障進行診斷，綜合故障信息給出故障的可能性原因和處理建議，且該系統界面簡潔、功能豐富，有利于進一步的檢測維護。

4 結束語

本文針對中小型油浸式變壓器的故障監測與診斷進行了新的探索：(1)以變壓器的故障類型和改良的無編碼比值變量為網絡節點構建了一種基于貝葉斯網絡的變壓器故障診斷模型；(2)針對 K2 算法中存在的局部最優解的缺陷和對較多節點的結構學習中存在偏差的問題，采用一種優化 K2 算法的 CH 評分函數，提出一種基于分解評分合成的結構學習算法優化了 K2 算法的結構學習策略，調整了學習參數，提高了對多節點貝葉斯網絡結構學習的精準度；(3)利用 LabVIEW 設計相關上位機程序，完成了貝葉斯網絡優化算法的故障診斷模塊嵌入。仿真及實踐結果證明，該模型能夠準確的診斷變壓器故障，對確保電力系統的安全穩定運行具有重要的工程意義。隨著現代電力產業規模的不斷擴大，城市化和新農村電氣化進程不斷加速，變壓器運行狀態的遠程監控與現場作業相結合已成為必然的發展趨勢。對結構學習算法的優化和對變壓器內部具體故障點的研究將是未來的研究重點。