基于小樣本及貝葉斯推理的避雷器缺陷分類技術

李亞錦， 劉英男， 于大洋

(山東大學電氣工程學院， 山東 濟南 250061)

1 引言

避雷器是變電站中重要的過電壓保護設備，其正常運行對變電站的安全穩定運行具有重要意義。但避雷器在內部受潮、閥片老化等因素的影響下，其電阻片劣化，阻性電流增長，在運行電壓或過電壓情況下易發生故障或發熱，嚴重時甚至爆炸，影響電網運行安全。

為保證避雷器安全運行，變電站避雷器在線監測技術已得到廣泛應用[1]，獲取了多源異構的狀態監測數據。避雷器作為站內重要設備，可靠性高，缺陷發生概率低，缺陷的樣本數據少。且設備更換時間周期短，很多避雷器設備在壽命周期內沒有出現過故障情況，使得缺陷數據樣本更少。而停電試驗發現的缺陷數據，多保存在各試驗班組中，數據分散，信息“隔離”。上述問題導致包含多維特征的避雷器缺陷分類有效樣本較少，影響基于大量標記樣本數據的人工智能技術在避雷器狀態評價中應用的效果。

針對避雷器劣化、老化狀態的監測與評估，結合試驗和實際運行經驗，現有研究已提出泄漏電流、阻性電流、阻性電流三次諧波、五次諧波等多個避雷器評價指標[2]，并制定了相應的檢修試驗規程[3]和趨勢分析方法[4]實現避雷器的狀態評價。但外部溫濕度[5]以及工頻電磁場干擾[6]會導致阻性電流的量取誤差偏大，影響分析結果。針對上述問題，有研究提出了在線參數修正方法[7]、阻性電流諧波補償法[8]，但建立的溫度、濕度、全電流三維曲面模型具有一定的復雜性，諧波補償法也只能針對基波電壓下的阻性電流進行提取?？紤]避雷器所處運行環境以及其他隨機不確定因素，現有研究提出了基于粒子群[9]、遺傳算法[10]和改進證據理論[11]的避雷器狀態智能診斷方法，文獻[9]和文獻[10]是基于避雷器等效模型中常數參量和電容變化的擬合實現避雷器狀態的監測，但等效模型中常數參量和電容的離散性，使得粒子群和遺傳算法的搜索空間增大，降低了分析結果的精度和收斂速度。文獻[11]利用監測、試驗數據中選取的多個指標量，在指標組合權重計算的基礎上，基于云理論和改進證據理論對運行風險進行綜合量化評估。現有研究也將人工智能手段應用于設備故障診斷[12]，但其應用一般基于樣本的多樣性，明確設備故障類型以及特征量，需收集一定量的數據才能實現準確評估。

在小樣本數據下，貝葉斯推理可有效結合小樣本多種來源的先驗信息得到后驗概率，為缺陷分類提供了思路。因此在避雷器缺陷發生機理以及多種狀態檢測手段分析的基礎上，利用貝葉斯原理，提出一種基于多階段信息的避雷器缺陷分類方法，實現避雷器缺陷的在線診斷和預警，為避雷器運維決策提供依據。

2 缺陷分類總體框架

本文考慮避雷器缺陷的小樣本數據，綜合避雷器在監測數據、停電試驗數據、巡維數據、帶電檢測數據下，結合評價導則[13]以及相關性分析方法[14,15]提取關鍵特征量，劃分缺陷類別，利用貝葉斯推理[16]建立缺陷概率知識發現模型。模型中的先驗知識利用兩層知識架構[17]獲取，降低了現有方法對數據樣本的依賴程度，能有效應用于小樣本數據避雷器缺陷的分類中。

結合避雷器實際運行維護情況，避雷器監測、檢測、試驗、運維缺陷等信息無法同時獲取，因此本文設計基于多階段信息的預警模型如圖1所示。第一階段在不完全信息下做推理，在貝葉斯分類模型指引下進行現場檢測，獲取第二階段信息，補充診斷證據，在先驗概率的基礎上，利用新的檢測數據，計算后驗概率，更新診斷結果。

圖1 多階段信息缺陷診斷模型

3 避雷器缺陷分類與特征量提取

變電站中多采用金屬氧化物避雷器，氧化鋅電阻片小電流區主要呈現電介質特性。在避雷器運行過程中長期承受雷擊過電壓和操作過電壓，由于使用年限過長、所處環境濕熱，極易發生閥片老化、內部受潮、表面裂化、污穢發熱及放電等不同類型故障或缺陷。

避雷器一般由于密封不良導致外部水分進入，造成避雷器閥片受潮劣化；由于溫度等因素作用，避雷器瓷瓶在不均勻應力作用下產生裂紋；由于所處運行環境引起表面積污，電壓過大時易引起表面閃絡；上述缺陷反映在避雷器監測泄漏電流上，阻性電流增大，導致避雷器發熱，在熱作用下避雷器設備絕緣性能進一步下降，泄漏電流不斷增大，最終導致避雷器故障。

結合評價導則[12]，并根據歷史故障數據樣本和缺陷原因，避雷器故障可劃分為受潮、老化、表面裂化、表面污穢以及其他類型。根據避雷器缺陷檢測手段的不同，避雷器信息模型包括監測、檢測、試驗、運維等數據來源，從而建立多源多維數據模型，見表1。

表1 信息模型結構

泄漏電流包括阻性和容性兩部分電流，基于避雷器缺陷試驗分析結果[18]，避雷器發生缺陷時直接表現為泄漏電流阻性分量的增大。因此選取避雷器泄漏電流全電流、阻性電流占比、趨勢變化量、三相泄漏電流差異量作為監測電流特征量。

檢測數據即為紅外和局放檢測手段下獲取的避雷器紅外熱點溫度和局放信號。從工程應用角度出發，降低計算的復雜性，本文以紅外是否發熱、是否存在局放離散特征作為狀態量。

根據當前避雷器離線試驗規程，以直流1 mA參考電壓(kV)、75%U1mA下電流(μA)、絕緣電阻作為特征量。

梳理運維記錄，關鍵的特征量包括有缺陷類型/原因、缺陷時監測特征量以及檢測特征量。設備臺賬信息特征量為生產廠家、設備型號以及投運年限。天氣數據主要包括環境溫濕度、季節特征量。

4 基于貝葉斯推理的避雷器缺陷預警模型

貝葉斯分類提供一種在先驗概率基礎上，依據每次檢測獲得的新證據，計算后驗概率，做出新判斷的方法，是一種通過人工智能學習專家經驗，做出避雷器缺陷判別的技術手段。

4.1 樸素貝葉斯基本原理

樸素貝葉斯分類的算法定義為：設樣本集D={d1,d2,…,dm}，對應樣本數據的特征屬性集為X={x1,x2,…,xd}，其中m表示時間序列下的樣本集個數，而每個x為X集合中的一個特征量；分類集合Y={y1,y2,…,yn}。統計得到各類別yi下各特征量xj的條件概率，記為P(xj|yi)，則根據貝葉斯定理可知：

(1)

因各特征屬性條件獨立，則：

(2)

對于所有概率計算P(X)都是同一個值，因此式(1)可簡化為：

(3)

若

P′(yk|X)=max{P′(y1|X),P′(y2|X)，…，

P′(yn|X)}

(4)

則X∈yk。

根據數據樣本集進行分類以及特征屬性的建模，計算不同分類的先驗概率以及每個特征屬性的條件概率，輸入新的樣本集，得到待分類項與類別的映射關系。樸素貝葉斯分類具體算法分析流程如圖2所示。

圖2 樸素貝葉斯分類流程

4.2 基于多階段信息的避雷器缺陷預警算法

本文根據樸素貝葉斯構建避雷器缺陷診斷模型，基于新樣本特征從運行狀態分類集中獲取最大概率的避雷器狀態類型yk：

yk=max{P′(y1|X),P′(y2|X),…，P′(yn|X)}

(5)

具體實現流程為：

(1)根據待分類數據劃分不同運行狀態類別及關鍵特征量形成數據樣本集{x1,x2,…,xm，yn}，其中設備運行狀態分為正常和異常兩大類，為明確設備異常的缺陷原因，本文對異常狀態進一步細分，包含設備原因信息，構造設備運行狀態分類集為Y={y1,y2,…,yn}。根據表2避雷器多源特征量建立診斷模型的特征量集合X={x1,x2,…,xm}。其中泄漏電流趨勢變化量計算為Σ[(xt+1-xt)/xt]×100%。三相泄漏電流差異量通過三相間泄漏電流的相關系數來量化，實現方式為將阻性基波電流和阻性三次諧波電流兩個狀態監測量表示為向量形式，利用距離相關性方法[14]計算三相避雷器全電流之間的相關系數。

(2)根據樣本集計算不同類別y1,y2,…,yn在樣本集中的占比，即為先驗概率P(yi)。

(3)計算不同特征量的條件概率P(X|yi)時，對于離散特征量，通過統計該特征量在樣本數據集中出現的頻率來計算，即：

(6)

(7)

(4)針對待分類樣本特征X={x1,x2,…,xd}，利用式(3)計算不同類別P′(yi|X)，將量化待分類特征與類別的映射關系的概率值排序，最大的即為樣本特征X對應的類別。同時計算此時對應的分類概率。

(5)進一步地，補充新的檢測證據z={xk+1,…,xp}，則第(4)步中計算的P′(yi|X)轉化成為先驗知識。新的檢測證據的條件概率為P(z|yi)，則P′(yi|X)=P′(yi|X)P(z|yi)。對分類概率P′(yi|X)排序，得到概率最大對應的類別，并計算對應分類的后驗概率。

(6)運維人員根據現場確認結果對算法判斷結果進行標注，并將該條標注樣本存入樣本信息庫，更新樣本集及上述步驟中的概率知識。基于兩層知識架構[17,19]，匯總不同區域內樣本信息，計算不同類別下先驗概率和條件概率知識，并將知識自動更新至各區域級分析診斷模型中，基于兩層和信息閉環管理架構如圖3所示。

圖3 兩層信息閉環管理架構

隨著樣本數據的積累，避雷器缺陷診斷的算法模型參數不斷優化，分類識別的準確度不斷提升。具體實現流程如圖4所示。

圖4 避雷器缺陷分類算法

5 算例分析及工程應用系統

5.1 樣本數據集和條件概率計算

統計某地區電壓等級為1 000 kV避雷器1 500條運維數據形成樣本集D。樣本中所包含的類別C={正常，異常-老化、異常-受潮，異常-表面污穢，異常-其他原因}，其中避雷器異常-老化樣本數為11個，異常-受潮樣本數為15個，異常-表面污穢樣本數為15個，異常-其他原因樣本數為23個。由于數據的稀疏性，若出現樣本分類為0的情況，則所有樣本數加1。本例中的特征變量X={泄漏電流全電流，動作次數，泄漏電流趨勢變化，是否存在紅外發熱}。根據不同缺陷類別數據在樣本集中的占比，計算樣本集中避雷器不同狀態類型出現的概率P(C)，如表2所示。

表2 避雷器不同狀態的先驗概率

式(6)計算離散特征量的條件概率P(xj|yi)，結果如表3所示。

表3 離散特征量條件概率

利用高斯分布[20]表示不同故障特征下連續特征量的條件概率分布，通過樣本集數據計算得到連續屬性的條件概率分布的樣本均值和標準差。如表4和表5所示。

表4 連續特征量樣本均值和標準差計算結果

表5 連續特征量樣本均值和標準差計算結果

5.2 避雷器缺陷識別案例分析

基于某特高壓站1 000 kV避雷器在線監測系統，獲取泄漏電流全電流、阻性電流以及動作次數數據，某時刻分別為8.91 mA、0.34 mA、42次，相較于同一工況下泄漏電流增長率為80%，阻性電流占全電流比值為35%，根據貝葉斯推理預測模型計算分類概率如表6所示，以異常-老化為例，根據式(7)和表4、表5的樣本均值和標準差，計算得到泄漏電流8.91 mA下異常-老化條件概率為：

表6 分類概率計算

動作次數、泄漏電流增長率、阻性電流占比3個條件下的異常-老化概率分別為0.021 4、0.088 7、0.111，根據式(3)計算可得異常-老化的分類概率為3.59×10-9。對分類概率P′(yi|X)排序，得到概率最大對應的類別，可知當前設備運行存在異常-老化缺陷。對應后驗概率為：

根據診斷結果，現場采用紅外測溫發現避雷器A相最高溫度35 ℃，B相、C相約24 ℃，溫差達11 ℃，A相異常發熱，則輸入避雷器新的特征證據{紅外熱點溫度}，計算避雷器缺陷概率，如表7所示，確定避雷器存在異常-老化風險。

表7 新證據加入后缺陷類別概率計算

檢測的熱點溫度加入后，計算異常-老化的后驗概率為：

從計算結果可以看出，在泄漏電流，動作次數，泄漏電流趨勢變化監測下診斷為異常-老化的后驗概率為56.8%，加入熱點溫度后可使后驗概率提高至99.4%。結果如圖5所示。

圖5 不同階段推理得到的概率值

停電后，現場運維對該避雷器進行絕緣電阻試驗，發現A相絕緣電阻遠低于其他兩項絕緣電阻值，進一步對該避雷器進行解體檢查和分析，發現避雷器閥片已劣化，表明診斷結果的準確性。

5.3 工程應用系統

將上述基于多階段信息的避雷器缺陷預警算法應用到特高壓變電站避雷器在線監測和分析系統[1]中。工程采用抗電磁干擾的避雷器泄漏電流傳感裝置獲取數據，基于全站監測的82支避雷器數據，包括避雷器運行電壓、泄漏電流、阻性電流、雷擊次數以及設備臺賬數據，分析避雷器存在的異常原因，指導現場進行檢測，并將檢測結果輸入系統。算法進一步診斷得到異常原因。通過多次診斷，為避雷器缺陷率較低而不易識別提供了一種簡單有效的方法。目前系統已應用于某特高壓交流站內，用于避雷器狀態的預警。

在線監測系統運行階段，發現某1 000 kVⅡ段母線避雷器B相全電流和阻性電流持續增大，連續一段時間避雷器在線監測數據如表8所示。

表8 避雷器在線監測數據

根據2019/8/12監測數據可知C相全電流和其他相電流比偏大，基于泄漏電流以及阻性電流占全電流比值，利用貝葉斯推理模型計算C相分類概率如表9所示。

表9 連續特征量分類概率計算

基于貝葉斯推理模型計算的分類概率可知避雷器狀態正常，但異常-受潮概率和正常概率差別不大，且對應的異常-受潮缺陷后驗概率為：

對避雷器進行紅外測溫，發現B相避雷器溫度異常，熱點溫度為36.6 ℃，相間溫差1.7 ℃。進一步計算避雷器缺陷原因，如表10所示。

表10 新證據加入后缺陷類別概率計算

檢測的熱點溫度加入后，計算異常-受潮的后驗概率為：

與前一階段計算得到的異常-受潮推理概率結果如圖6所示。

圖6 不同階段推理得到的概率值

進一步利用避雷器停電試驗驗證，試驗數據如表11所示。B相避雷器本體絕緣明顯下降，現場檢修發現由于避雷器絕緣底座松動導致避雷器受潮，驗證了診斷方法的有效性。

表11 停電試驗數據

6 結論

本文利用在線監測系統可有效地監視設備絕緣狀態的變化趨勢，通過第一階段的推理，為絕緣狀態評估提供依據。進一步地給出紅外測溫的優先巡視策略，多種檢測手段聯合應用，根據新的檢測數據進行第二階段概率推理，判斷避雷器可能缺陷的原因，為現場提供更為有效的決策依據。通過系統應用，驗證算法的有效性和可靠性。同時算法在線運行，根據監測數據和結論自動調整模型中關于設備缺陷和原因的先驗概率指標，保證缺陷原因分類準確率，為運維檢修現場提供有效的人工智能診斷支撐。