基于贝叶斯知识库的牵引变电所故障诊断方法

薛卫星



基于贝叶斯知识库的牵引变电所故障诊断方法

薛卫星

介绍了一种基于贝叶斯知识库TBKB的牵引变电系统故障诊断方法，运用贝叶斯网络在处理不确定性和不完备性问题时的推理能力，处理实际报警信息中继电保护信息的不确定情况；利用TBKB的表达能力表示保护、断路器间的约束关系；利用保护与断路器的逻辑关系与约束关系确定故障元件，并通过算例验证了方法和模型的可行性。

贝叶斯知识库；故障诊断；牵引变电所

0 引言

近年来，我国电力行业不断发展，电力系统规模逐渐扩大，同时牵引变电系统的结构也越来越复杂，因此对电力系统安全方面的要求逐渐提高。由于电力系统故障的发生是一种较为客观的事件，在发生故障后调度人员需快速地对发生故障的元件加以辨别，同时采取相应的操作进行快速处理，防止故障范围进一步扩大，使系统尽快恢复正常运行。当出现供电故障时，SCADA系统会生成大量的报警信息并且将这些信息上传至调度中心。如何正确表达与利用这些信息及其之间的关系，处理好误动、拒动、信息缺失等不确定性情况，对于牵引变电系统故障诊断非常重要。贝叶斯网络作为当前用于推理及知识表达领域最为有效的模型之一，在最近几年受到了极大的重视。当前对贝叶斯理论的研究主要是针对其网络的构建、推理、学习与应用，而且在这些方面也取得了较好的成果。

贝叶斯网络模型方法包括对贝叶斯网络故障的检测以及分布处理的方法[1]。该模型较为清晰、直观，且容易理解；很容易找出各类数据之间的关联性；能够很好地利用信息的属性，对于准确诊断非常有利；应用于电力系统数据结构的诊断时，能够很好地维护和修正；可以将先验信息和后验信息加以综合，即使在信息不完备和不确定的情况下仍可进行诊断决策。

文献[2]将该理论成功应用于电力系统故障的诊断，有效解决了贝叶斯网络参数难以获取的难题，以及因缺失信息较多而难以对故障进行诊断的问题，并制定了相关信息处理规则提高该方法的计算效率，同时将其与证据的不确定性理论相结合，极大的降低了计算量。牵引供电系统的故障诊断是指利用系统的保护和断路器的状态信息，诊断出系统中发生故障的设备，其诊断对象为牵引变压器、母线、供电线路等重要设备。由于牵引供电系统的故障信息汇集到牵引变电所，并在牵引变电所进行故障诊断，所以牵引供电系统的故障诊断也可理解为牵引变电所的故障诊断[3]。贝叶斯网络依照概率计算和因果推理，频繁应用于信息不完备情况下复杂问题的处理，而且也较符合牵引供电系统故障诊断的实际要求。

本文主要探讨采用贝叶斯知识库TBKB（Temporal Bayesian Knowledge Bases）方法对故障诊断中的一些问题加以处理，从调度监控系统的历史数据库中收集保护出口跳闸信号、开关动作等带时标的报警信息，采用TBKB进行诊断，快速准确定位故障元件，有效识别时标出错、保护与断路器误动、拒动、信息缺失等故障情形。

1 贝叶斯理论及牵引变电所诊断模型

1.1 贝叶斯的基本概念

贝叶斯网络又称信度网络，可以通过一个有向无环图将变量之间的关系加以描述[5～7]。贝叶斯网络节点表征牵引变电所内的设备，其状态值分为1和0两种，前者代表设备动作或者设备故障，后者表示设备不动作或设备正常。在贝叶斯网络的每一个节点上都存在一个概率分布，其中根节点所赋值和非根节点所赋值分别满足边缘分布()和条件概率分布(X)。

概率的值可以依照联合概率分布计算式（1）求得。假设在贝叶斯网络里各变量依次为1，2，3…，X，那么联合概率分布即为各个变量的概率分布的乘积。

1.2 牵引变电所继电保护原理及配置

图1为全并联AT牵引供电系统简化单线示意图。

图1 全并联AT牵引供电系统简化单线示意图

将全并联AT牵引变电所中主变压器T1、母线Bα和线路L1&L2保护及与保护关联的断路器信息进行整理，如表1所示，其他相同设备的保护配置相同。

表1 保护及断路器配置表

1.3 基于贝叶斯的变电所故障诊断模型构建

在牵引变电系统故障过程中，可以通过概率的表示方法表示信息的不确定性，其主要表现在继电保护的拒动以及元件的误动概率和先验概率等方面。依照保护的相关原理可知，母线和相邻线路的保护依次作为主保护和后备保护。

主变压器T1的贝叶斯网络模型如图2所示，模型从变压器节点分别指向变压器瓦斯保护、纵差动保护节点，还指向高压侧三相式低压启动过电流保护节点，同时瓦斯保护、纵差动保护节点指向高压侧三相式低压启动过电流保护节点，以上保护再指向其分别控制的断路器节点。若断路器拒动，则从断路器指向主变压器远后备保护节点，再指向其控制的断路器节点；若断路器误动，同时指向断路器连接的线路保护或变压器保护节点，再指向保护控制断路器节点。

图2 主变压器T1的贝叶斯网络模型

图3所示为母线Bα的贝叶斯网络模型。母线模型从母线的节点开始出发到达2个过流保护的节点，之后从过流节点向断路器（受过流保护）节点转移。如果断路器发生拒动，经由断路器转向高压侧过流保护节点，再指向其控制的断路器节点；若断路器误动，指向断路器连接的线路保护或变压器保护节点，再指向保护控制断路器节点。

图3 母线Bα的贝叶斯网络模型

图4所示为线路L1&L2的贝叶斯网络模型。模型从节点向线路I、II段节点转移，再指向第III段节点，最终转向其所控制的断路器。如果断路器发生拒动，经由断路器转向变压器低压过电流保护节点，再指向其控制的断路器节点；若断路器误动，指向断路器连接的线路保护或变压器保护节点，再指向保护控制断路器节点。

图4 线路L1&L2的贝叶斯网络模型

2 基于贝叶斯的故障诊断方法及流程

2.1 贝叶斯节点上概率的赋值

根据1.1节所述，贝叶斯网络上的节点所赋的概率值为其概率分布，通过记录统计和历史运行数据可以获得条件概率和先验概率[10～12]。其中元件的先验概率值与保护和断路器的条件概率值分别如表2、表3所示。

表2 元件的先验概率

表3 保护和断路器装置误动拒动概率

2.2 故障区域识别

实际牵引变电系统发生故障后，可以通过SCADA系统从数据系统里获得部分相关信息（如断路器动作信息等），此时先判断停电的区域[13]，然后对该区域内的元件进行判定，同时运用贝叶斯网络建模加以诊断，使用该方法能够有效提升故障的诊断速度和诊断效率。

2.3 贝叶斯故障诊断流程

（1）TBKB故障诊断模型建立。针对系统的一个元件，建立相应贝叶斯知识库TBKB模型。

（2）获取故障信息，定位疑似故障元件。由断路器跳闸状态判断出停电区域，将停电区域中元件判断为疑似故障元件。

（3）贝叶斯故障诊断。依照节点之间的条件概率分布及其相互之间的动作信息，在GENIE软件中，设定贝叶斯故障诊断模型中节点概率与实际状态值，反向推理求取贝叶斯网络中状态未知节点故障的概率值(F= 1)(∈*)。模型中将引发故障的阈值设置为0.6，如果(F= 1)＞0.6，即可判定为故障元件，反之则为正常元件。

（4）在获知故障元件后，由故障元件出发，对于假设状态组合集合以外正常动作的保护、断路器节点，其实际状态即为数据采集与SCADA监控系统中报警信息的状态值。对于假设状态组合集合中的节点，依据其相关保护、断路器节点的实际状态，利用贝叶斯状态概率计算式，获得该保护、断路器动作状态的实际发生概率，再通过贝叶斯正向推理式，获得在TBKB网络内所有保护、断路器的期望值。如果此时其处于动作状态，而实际是处于不动作状态，那么判断为拒动，反之则称之为误动。

假设1是保护、断路器从SCADA系统里所读取的实际动作概率值，其状态值分为0和1两种，其中前者表示保护、断路器实际情况不动作，后者表示保护、断路器实际情况动作。

假设2是保护、断路器依照正向推理所获得的动作概率值，且D=1-2，那么通过D的值可以得出保护、断路器的具体结果：

D＞0.5，代表保护、断路器发生误动；

-0.5≤D≤0.5，代表保护、断路器正常；

D＜-0.5，代表保护、断路器发生拒动。

通过上述描述可以得出基于贝叶斯知识库的AT牵引变电所故障诊断流程如图5所示。

3 算例验证

假设变压器T1发生了故障，SCADA系统信息表述为：动作T1m = 1、CB3 = 1、CB4 = 1；不动作T1gp = 0、CB1 = 0。

图5 贝叶斯故障诊断流程

可以通过断路器动作信息判断出发生停电的区域，此时断路器CB3、CB4以及CB11会自主地将母线Ba、线路L1&L2以及变压器T1全都切除，并对这3个可疑元件进行故障判断。

采用贝叶斯网络模型分别对上述3个可疑元件进行判断，分别设定T1m = state1，CB3 = state1，CB4 = state1，T1gp = state0，CB1 = state0，进行贝叶斯反向推理，运行软件得到诊断结果如下：

母线Ba的故障概率(Ba= 1) = 0.378＜0.6，故确定母线Ba正常；

变压器T1的故障概率(T1 = 1) = 0.753＞0.6，故确定变压器T1故障；

线路L1&L2的故障概率(L1&L2 = 1) = 0.575＜0.6，故确定线路L1&L2正常，但故障概率值需要修正，线路L1&L2的故障概率修正为0.378。

将3个元件的故障概率代入各自的根节点，然后在其之间进行正向推理，可得到相应节点动作概率，然后对断路器的动作情况进行分析，得到相应的结果，具体如表4—表6所示。

表4 L1&L2模型中正向推理得到保护与断路器动作概率

表5 Bα模型中正向推理得到保护与断路器动作概率

表6 T1模型中正向推理得到保护与断路器动作概率

通过表中的结果可以对其进行初步诊断。通过对线路L1&L2和母线Bα进行正向推理表明CB3发生误动，通过对变压器T1进行正向推理表明CB1发生拒动，然后依照贝叶斯网络模型再结合相关元件的动作状态，判断断路器CB3动作是因为故障元件的主保护T1m动作以切除故障变压器，其并不属于误动；而断路器CB1在主保护T1m动作的情况下应该动作，实际状态未动作，因此属于拒动；T1s与CB11因动作信息缺失无法判定其动作情况。

表7是最终获得的诊断结果，该结果能够表明诊断的正确性，且表明其具有更强的容错能力。

表7 故障诊断结果

4 结语

本文提出了基于贝叶斯知识库的牵引变电所故障诊断方法。针对一个典型全并联AT牵引变电所主接线及保护配置进行分析，建立基于贝叶斯知识库的诊断模型，最后通过算例验证了该方法的有效性。

[1] 吴欣，郭创新，曹一家. 基于贝叶斯网络及信息属性的电力系统故障诊断方法[J]. 中国电机工程学报，2005，25（13）：14-18.

[2] 李强，徐建政. 基于主观贝叶斯方法的电力系统故障诊断[J]. 电力系统自动化，2007，31（15）：46-50.

[3] 胡笑翔. 智能变电所故障诊断软件设计[D]. 西南交通大学，2014.

[4] 纪航，刘新平，朱炜. 基于贝叶斯网络和GeNIe软件的超高压输电线路综合状态评估新方法[J]. 上海电力，2011（1）：14-20.

[5] 张连文，郭海鹏. 贝叶斯网引论[M]. 北京：科学出版社，2006.

[6] E.T.Jaynes. 概率论沉思录[M]. 北京：人民邮电出版社，2009.

[7] 董立岩. 贝叶斯网络应用基础研究[D].吉林大学，2007.

[8] 顾雪平，刘道兵，孙海新，等. 面向SCADA系统的牵引变电系统故障诊断信息的获取[J].牵引变电系统技术，2012，36（6）：64-70.

[9] 张学军，刘小冰. 基于正反向推理的电力系统故障诊断专家系统[J]. 山西电力，1998，23（6）：8-12.

[10] 郭永基. 电力系统可靠性原理和应用[M]. 北京：清华大学出版社，1986.

[11] 吴欣，郭创新. 基于贝叶斯网络的电力系统故障诊断方法[J]. 电力系统及其自动化学报，2005，17（4）：11-15.

[12] 周玉兰，王俊永，舒治淮，等. 2002年全国牵引变电系统继电保护与安全自动装置运行情况[J]. 牵引变电系统技术，2003，27（9）：42-48.

[13] 何小飞. 基于贝叶斯网络和D-S证据理论的电网故障诊断模型研究[D]. 西南交通大学，2010.

The paper introduces a diagnosis method for traction power supply system on the basis of TBKB. The reasoning ability for dealing with uncertainty and incompleteness by application of Bayesian network is adopted to deal with the uncertainty of relay protection information in the actual alarm information; TBKB’s ability of expression is adopted for indicating the restricted relationship between protection device and circuit breaker; and the logical relationship and restricted relationship of the protection device and circuit breaker are adopted for determination of faulty components. The feasibilities of the method and the model are verified by the account case.

Bayesian Knowledge Base; fault diagnosis; traction substation

U226.5

A

10.19587/j.cnki.1007-936x.2018.01.002

1007-936X(2018)01-0005-04

2017-11-07

薛卫星.中国铁路上海局合肥枢纽工程建设指挥部，高级工程师。