变压器故障监测及预测模型构建研究
2017-09-05仝兆景时俊岭高彩霞张艳杰赵运星
仝兆景+时俊岭+高彩霞+张艳杰+赵运星
摘 要：为保证矿用变压器的安全稳定运行，针对目前的诊断方法多没有考虑不良工况以及其它影响变压器运行的复杂因素，根据贝叶斯网络算法，通过对不良工况和矿用变压器运行环境的分析，建立变压器故障监测及预测贝叶斯网络模型。以某矿井变压器故障为例进行了仿真分析，实验结果证明，该模型可以准确诊断变压器故障，并预测潜在故障，对矿用变压器的故障监测和预测具有一定参考意义。
关键词：故障监测；贝叶斯网络；不良工况；矿用变压器；MPE问题
DOIDOI：10.11907/rjdk.171797
中图分类号：TP319
文献标识码：A 文章编号：1672-7800（2017）007-0116-03
0 引言
中国是一个煤炭生产和消费大国，煤矿电气设备的安全监测与预测技术与实际需求差距较大，开发更加精确高效的煤矿电气设备状态监测及故障诊断预警系统，对煤矿产业的电力安全运行具有重大意义[1]。当前发达国家对矿用变压器故障的诊断大多使用神经网络、专家系统、灰色理论等诊断技术，由于矿用变压器结构和工作过程的复杂性、工作环境的恶劣性、监测技术的局限性以及知识表达的不完善性，使得故障征兆和故障原因之间的相互关系呈现耦合性、随机性和不确定性[2]。随着计算机技术和传感技术的飞速发展，已可以实现矿井井下配电网漏电、对称短路、不对称短路、断相、过载和欠电压等监测功能，但是对矿用变压器仍然缺乏有效的故障诊断和预警，无法及时地诊断与预测故障。贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一，可以充分发掘数据中的有效信息，有着坚实的理论基础[3]。本文运用结合了先验知识、概率论、图论、人工智能、决策理论等不确定知识表达的贝叶斯网络，开展矿用变压器故障监测及预测模型构建与优化研究。
1 贝叶斯网络及推理
贝叶斯网络（Bayesian Networks，BNs）是一种有向无环图。其中，随机变量间的因果关系通过有向图的形式表示，并通过条件概率（置信度）将其进行定量表示，包括随机变量之间的联合概率分布。BNs是一种信息表示框架[4] ，框架中将因果知识和概率知识相结合。网络中的节点被假设为相互独立的随机变量，它们之间的独立性通过有向连接弧来确定。
一个贝叶斯网络即是一个二元组B=
BNs推理最主要的两种常见问题分别为最大后验假设问题（MAP）和最大可能解释问题（MPE）。从式（2）可以看出，MAP问题是在证据（E=e）已经获取的情况下，对一些变量取后验概率最大的状态组合，这些变量被称为假设变量（H）。如果变量的一个状态组合称为一个假设（h），MAP问题即是在全部可能的假设中，求取后验概率最大的假设。目前，一般将观察到的异常征兆作为变压器故障诊断的证据，其它故障作为假设变量。通过BNs推理算法进行推理，将结果中后验概率最大的故障作为最后的诊断结果，即：
求解MPE问题既是求故障发生的最大概率解释，即指网络中全部变量与证据节点相一致时的状态组合。
BNs推理算法有精确推理算法和近似推理算法两类，复杂系统中，它们都是NP难题。本文将变压器故障推理作为MPE问题来处理，采用GeNie建立模型并调用算法进行推理。
2 Bayes网络模型建立
依据《煤矿安全规程》、《煤矿变压器运行管理制度》的相关规定，针对不同工况下变压器各关键部分的电压、电流、绝缘电阻和变压器的振动、温度、噪声，建立BNs故障监测与预测模型，如图1所示。矿用变压器故障监测及预测贝叶斯网络模型构建，以统计数据、专家经验系统、现场数据采集、故障样本等为基础，结合变压器的运行工况、故障表现征兆，运用贝叶斯网络构建变压器的故障监测及预测模型；通过变压器工况分析、特征提取来不断丰富专家知识和故障样本数据[5-7]，这些知识和数据可作为贝叶斯网络各节点的先验概率、条件概率和联合分布概率的取值，结合现场实验实现监测、预测模型优化。
通过查询大量文献资料，对故障数据进行总结分析，找出了容易監测到的征兆类型与故障率常见且高发的故障类型，征兆集合与故障集合如表1所示[8-9]。
通过深入理论和技术优化研究，以专家经验系统、现场数据采集、故障样本等为基础，对网络模型实施算法优化。在结构学习的基础上，实现故障监测及预测网络的参数学习，并实现高效准确的推理[9-11]。
通过分析总结，给出了在实际中相对容易观察获得的3种可能导致变压器故障的不良工况，并设定其置信度。根据变压器的故障统计，制造原因在导致变压器故障的因素中占有很大比率。考虑到实际情况中，无法完全列举所有故障，并找出它们的先验概率以及对变压器的影响，所以将模型中无法列举出的其它因素视为Leaky节点L，将L节点对变压器故障的影响概率设定为0.5。在故障征兆与故障连接关系中，将其影响概率设定为0.01。
已知的3种不良工况有过载（c1）、出口短路（c2）、电压冲击（c3），通过分析分别将概率设定为0.01[12]。不良工况和L节点对变压器故障的影响如表2所示。
根据以上不良工况对故障的影响和修改后的故障征兆与故障连接关系表[12]，在GeNie软件中构建贝叶斯网络模型，如图2所示。
目前在大多数贝叶斯诊断方法中将变压器故障诊断作为MAP问题，从而可以得到发生概率最大的故障模式，但这没有充分利用贝叶斯网络结构的优势。在此，本文将其视为MPE问题。MPE显示了整个网络中所有节点的状态，包含不良工况故障模式，使诊断结果更准确。
3 故障诊断与分析
3.1 一般故障诊断分析
根据实例[13]，某主变压器色谱分析后三比值编码呈过热性故障，同时油中微水为14μl/l，测量铁芯接地电流为0.2mA，故障原因和故障征兆不明确；停电后做电气试验，测得铁芯绝缘电阻为1 000MΩ，其它实验项目全部合格。
经过模型推理后，推理结果如图3所示，结果显示发生了铁芯多点接地及局部短路故障。根据对各个故障节点后验概率计算的结果，后验概率最大的故障也为铁芯多点接地及局部短路故障。经过对变压器的吊罩检查，发现变压器本体内部铁芯接地联片因过长而跨接铁芯，引起铁芯多点接地。推理结果与实际故障一致。此外，从图3可以看出，匝间绝缘损伤与匝间短路故障概率也比较高。分析后可知，此变压器为老式变压器，绝缘性能低，为以后诊断试验提供了依据。同时与该故障节点相关的征兆节点中，绕组变比偏差发生概率相对较大。在进行测定后，可以将此结果作为证据，再一次对网络的节点状态重新进行评估，使结果更加逼近实际情况。
3.2 不良工况下的并行故障诊断分析
根据实际故障案例[13]，某矿用变压器事故前发生过多次类似的近距离出口短路冲击，三比值编码分析后呈现高能电弧放电，其中氢气和总烃含量明显增加，且低压绕组直流电阻严重不平衡。
经BNs模型推理后的结果如图4所示，诊断结果为：绕组变形与匝间短路和分接开关及引线故障，同时绝缘老化，故障率偏高，此是因为该变压器投入运行年限过长导致。经过电气测量和吊罩检修，变压器故障与推理结果一致。若不考虑不良工况以及其它因素，则根据异常征兆推理得到的结果分接开关及引线故障，与实际情况不符。由此可以看出，在现有证据不足时，增加不良工况这一因素可以大大提高推理结果的准确度。同时从图4中看出，铁芯接地电流相对其它征兆节点偏高，可以对其进行检测，将此结果作为证据，再一次对网络的节点状态重新进行评估，使结果更加准确。
4 结语
由于矿用变压器故障概率的不确定性、运行环境的复杂性以及认知水平不高，本文对变压器故障的分析还有所不足，为了更好地对变压器作出分析预测，仍需要对其进行进一步深入研究。
（1） 通过对矿用变压器的分析，建立了贝叶斯监测及预测模型，通过分析实际情况以及运行环境，对其CPT进行了适当修改。
（2） 通过实际故障验证，基于贝叶斯网络的变压器故障监测和预测模型推理结果基本包含了变压器的常见高发故障和未检测的异常征兆，为下一步检修提供依据。
（3） 贝叶斯网络对于大数据挖掘具有非常大的优势，可以通过对变压器故障以及运行状态的进一步研究，更新此诊断模型。收集的故障数据越多，模型越接近现实，诊断结果则会越精确。
参考文献：
[1]武先利，杨勇，魏峰.煤矿井下安全监控系统技术改进探讨[J].煤矿安全，2009，40（8）：109-111.
[2]万志强.基于多特征参量融合的矿用隔爆型干式变压器故障诊断系统的研究[D].太原：太原理工大学，2013.
[3]司应硕，杨文涛.贝叶斯网络在数据挖掘中的应用[J].软件导刊，2016，15（4）：169-170.
[4]杨海深.贝叶斯网络中不确定性知识推理算法及其应用研究[D].广州：华南理工大学，2010.
[5]李贵涛，侯沛勇，任方宇，等.基于贝叶斯网络的变压器故障诊断及重要度分析[J].世界科技研究与发展，2014，36（5）：488-493.
[6]程稳，华虎.矿井地面变压器的异常运行和常见故障分析[J].煤矿安全，2006，37（12）：57-58.
[7]范合余. 矿用电力变压器的故障分析与试验[J]. 山东煤炭科技， 2012（3）：171.
[8]白翠粉，高文胜，金雷，等.基于3层贝叶斯网络的变压器综合故障诊断[J].高电压技术，2013，39（2）：330-335.
[9]熊卫红， 谢志成， 李兴东，等. 基于贝叶斯網络的变压器潜在故障概率评估[J].电气应用， 2013（S2）： 706-710.
[10]李俭川，胡茑庆，秦国军，等.基于贝叶斯网络的故障诊断策略优化方法[J].控制与决策，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]邓永辉.变压器类设备典型故障案例汇编[M].北京：中国电力出版社，2012：15-43.endprint
