基于贝叶斯网络的变压器故障推理模型

仝兆景 赵运星 时俊岭

摘要：变压器是电力网络的重要设备。为保障变压器安全运行，针对以往故障推理过程中征兆特征过于复杂和没有加入不良工况问题，建立基于贝叶斯网络的变压器故障推理模型。该模型通过对变压器的在线监测，在对以往变压器的不良工况、故障类型、征兆特征进行数据分析的基础上，对变压器监测数据进行推理，得到变压器故障类型的可能性排序。该模型选取征兆特征的一个优化组合进行分析，使推理过程更加简洁，提高了推理结果的准确性。以某种典型的油浸式变压器故障为例进行推理仿真，仿真结果证明了该模型的可靠性和准确性。

关键词：变压器；贝叶斯网络；不良工况；故障推理

DOIDOI：10.11907/rjdk.173065

中图分类号：TP301

文献标识码：A 文章编号文章编号：1672-7800（2018）008-0090-03

英文摘要Abstract：In order to ensure the safe operation of the transformer which is an important equipment in electric power network， a transformer fault reasoning model based on Bayesian Networks is built to solve the problems that the symptom characteristics are too complex and not adding the bad conditions in previous fault reasoning process. Based on the data analysis of the bad conditions， the model could rank the possibility of the transformer faults by reasoning the on-line monitoring data， types of faults and symptom characteristics of former transformers. The model selects an optimized combination of symptom characteristics for analysis which makes the reasoning process more concise and improves the accuracy of the reasoning results. Some typical oil-immersed transformer faults are selected for reasoning simulation which shows the reliability and accuracy of the model.

英文关键词Key Words：transformer； bayesian networks； bad condition； fault reasoning

0 引言

变压器是电力网络的基础设备，变压器日常维护是保障电力安全的重要工作。早期变压器故障检测主要是通过人工对变压器进行定期检修和维护，经过多年发展，变压器故障检测方式实现了在线监测为基础的智能诊断。人工智能算法如神经网络、模糊控制等在变压器故障推理方面得到了广泛应用，其诊断结果的准确性各有优势。贝叶斯网络是当今参数和结构学习的重要手段，在人工智方面更具有优秀的表现，被应用在自动驾驶、药物评估、信息处理等各方面并取得了重要成果[1-3]。本文以变压器故障的先验概率和贝叶斯网络为基础，建立一个变压器的故障推理模型，加入不良工况并缩减征兆特征的数量，降低推理模型的复杂程度，提高了诊断结果的精确度。

1 贝叶斯网络及算法

贝叶斯网络（Bayesian Networks，BNs）也称为信念网络（Belief Networks）或因果网络（Causal Networks），是一种能够描述变量间相互关系并进行推理的图形模型，使不确定关系能够得到更好表达。本文以先验概率为基础，利用BNs的聚类实现对数据的分类。贝叶斯聚类实质就是通过量化数据间的距离判断数据间的相似性，按照数据相似性实现数据分类。最大后验假设问题（Maximum A Posterior Hypothesis，MAP）和最大可能解释问题（Most Probable Explanation，MPE）是BNs推理最主要的两种常见问题[3-4]。如果证据（E=e）已知，则MAP就是一些变量的状态组合。若这些变量组合的后验概率最大，即为假设变量（H），选取这些变量的一个状态组合作为假设（），那么MAP问题就在所有变量组合中求取最大的后验概率。假设为（h），即

本文将变压器的故障诊断当作MPE问题处理，将观察到的已知异常作为证据，以故障类型作为观察节点，以不良工况作为辅助节点，通过BNs推理算法寻找各故障类型的后验概率，通过排序后验概率得到最大概率故障类型作为预测结果，实现对变压器故障的推理。

2 故障推理模型

本文以变压器的不良工况、故障类型和征兆特征为节点建立基于BNs的故障推理模型。先验概率对模型十分重要，是模型预测准确率的保障。本文根據参考文献[6]和文献[7]提供的先验概率，结合现有变压器故障数据进行分析优化[5-7]。对变压器多发故障和典型征兆类型进行分析，整理出变压器故障类型集F和征兆特征集S，如表1所示。不同的故障类型与征兆特征的先验概率为P（Sj/Fi），代表着当故障类型Fi发生时征兆特征量Sj异常的概率，可用因果强度Kij表示。征兆集集合为{S1，S2…S11}，整个集合中的数据为连续值，在离散化后按照因果关系分组简化，分别量化为0、1和2。P（Sj/Fi）离散化后得到一张表示故障类型与征兆特征的因果关系强度表，处理后得到表达征兆特征信息的组合，通过比较各个组合信息的完整程度和可操作性，选取征兆集{S1，S2，S3，S5，S11}作为最简因果关系强度表，如表2所示。

变压器运行过程中常遇到的不良工况有过载（C1）、出口短路（C2）和雷电冲击（C3）3种，本文对这3种常见不良工况进行分析，合理预估不良工况对变压器故障的影响程度以提高模型對故障预测的准确性。不良工况会影响故障的产生，通过分析不良工况与故障类型的关系并用BNs表示[7]。考虑到实际情况无法完全列举所有可能，故将模型中无法列举的因素视为Leaky节点L，本文将未考虑到的不良工况和故障类型作为Leaky节点。不良工况节点L对全部故障类型的影响预置为0.5，即P（Fi/L）=0.5，故障类型节点L能影响的征兆特征贡献概率设定为0.01，即P（Sj/L）=0.01。通过对以上数据处理，得到完整的BNs所需要的参数如表3、表4所示[8-9]。根据不良工况对故障的影响和修改后故障征兆与故障连接关系表，建立模型如图1所示。本模型能通过更新实时数据检测到不同故障的发生概率，使推理结果更加清晰高效。

3 推理模型仿真验证

某型号为S11-M的油浸式变压器工作状态在线监测显示异常，对整个变电站产生严重影响，需要停电检修。在进行DGA检测和相关电气试验后，发现绝缘电阻、介损均无异常，根据DGA检测结果分析得到三比值编码为022，对照三比值编码表可知故障类型为高温过热，再结合其它电气试验数据，可定义征兆特征量属性集为{S1，S2，S3，S5，S11}={2，0，0，2，0}，查阅历史资料显示该变压器长时间存在过载的不良工况[5-7]。把上述结果带入推理模型中，在征兆特征层上把油色谱比值为过热和直阻设为证据，分析结果如图2所示。把不良工况过载加入后当作证据时的结果如图3所示。拆解变压器检测后发现，实际情况与诊断结果吻合。从图2与图3的诊断结果对比可以发现，在加入不良工况后分接开关的故障概率明显增高，并且匝层间短路的概率降到0.5以下，说明再加入不良工况后模型的推理准确性提高，增强了推理结果的可靠性。

4 结语

本文通过对不良工况和故障征兆的分析得到了基于BNs的变压器故障推理模型，通过不良工况对故障产生影响的预估，实现概率推理及对故障的可能性排序。模型选取征兆特征的一个典型组合进行分析，使推理过程更加简洁。该模型的准确性是基于对不良工况、故障模式与异常征兆之间的概率关系的学习深度。随着变压器故障模式研究的不断深入以及故障统计数据的不断积累，贝叶斯网络的结构和参数也应及时更新，以进一步提高诊断结果的准确性。

参考文献：

[1] 高晓光，陈海洋，符小卫.离散动态贝叶斯网络推理及其应用[M].北京：国防工业出版社，2016.

[2] 张聪聪.基于GeNIe的某航运安全状况检测软件设计与实现[D].武汉：武汉理工大学，2014.

[3] 仝兆景，时俊岭，高彩霞，等.变压器故障监测及预测模型构建研究[J].软件导刊，2017，16（7）：116-118.

[4] 李超.微分MPE问题的联合树算法[J].小型微型计算机系统，2016，37（10）：2306-2311.

[5] 曾毅，严新荣，李志军，等.基于光声光谱原理的变压器油中气体在线监测系统研究[J].软件导刊，2017，16（7）：100-102.

[6] 吕启深，曾辉雄，姚森敬，等.基于贝叶斯网络和粗糙集约简的变压器故障诊断[J].中国电力，2013，46（9）：75-79.

[7] 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.

[8] 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.

[9] TAHA I B M， GHONEIM S S M， DUAYWAH A S A. 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.

（责任编辑：杜能钢）