基于贝叶斯网络的变压器故障诊断研究
2021-03-08仝兆景秦紫霓赵运星
仝兆景，秦紫霓，赵运星，芦 彤，郑 权
(1.河南理工大学 电气工程与自动化学院，河南 焦作 454000;2.上海宝冶集团有限公司 郑州分公司，河南 郑州 450000)
变压器是保障电力网络安全稳定运行的基础设备，复杂的运行环境和独特的负荷曲线使其频繁发生故障。在故障状态中运行会导致变压器性能退化，对电力网络运行产生严重的安全隐患。对变压器进行故障诊断研究，及时发现变压器存在的潜伏性故障并纠正变压器的不良运行状态，对延长变压器的运行寿命具有重要意义[1-2]。为了保障变压器在线监测数据的可靠性且不对变压器造成损伤，本文采用油中气体浓度分析(Dissolved Gas Analysis，DGA)技术对变压器的运行状态进行监测。DGA技术是变压器在线监测中应用最广泛也是最为可靠的一种方法，具有操作简单、技术可靠和经济适用等优点[3-4]。传统的DGA技术例如三比值法、四比值法、罗杰斯比值法等[5]通过采集油中气体浓度并利用其比值编码对变压器的故障情况进行分析。变压器的比值法虽然具有操作简单、结果明确等优点，但仍然存在编码不全、比值过于绝对、对热性故障诊断准确率不高以及不能提前发现隐含性故障等问题。随着人工智能算法的兴起，将人工智能算法与传统故障诊断方法结合成为当今研究的热点。贝叶斯网络是一种能够在数据缺失情况下实现因果关系推理的智能算法，并能够实现不确定关系的精准表达[6-7]。本文将改良的无编码比值法与贝叶斯结构学习相结合，通过改进贝叶斯网络的搜索策略以及评分函数与变压器的故障类型结合，建立基于贝叶斯搜索评分算法的变压器故障模型诊断，提高了变压器故障的诊断效率。以PCI-1711U数据采集卡为故障监测系统的硬件核心，利用多种油气传感器对变压器的油中气体浓度进行采集，最后以LabVIEW为上位机[8-9]，建立基于贝叶斯网络的变压器在线故障诊断系统。通过测试集的仿真测试证明，该系统能够准确地监测变压器的运行状态，提前发现隐含故障，为变压器的稳定运行策略提供支持[10-11]，对电网的智能化、规模化发展具有重要意义。
1 优化的贝叶斯网络搜索评分算法
贝叶斯网络(Bayesian Networks，BNs)是一种有向无环图(Directed Acyclic Graph，DAG)，它提供了一种高效表达因果关系的框架结构，使不确定关系的表达更为清晰[12-13]。贝叶斯网络的结构学习算法是从样本数据库中学习训练出DAG，构建出与样本集相符合的DAG结构。基于搜索评分的结构学习方法是利用评分函数和搜索算法对搜索出的网络结构进行评分进而选取最优结果，其数学函数表达式为
(1)
其中，f表示结构评分函数；ζ表示结构空间；D表示训练集；G|=C表示结构G满足约束条件C。在搜索评分过程中，约束条件C是要求搜索到的结构满足DAG结构，最优结构G*可以表示为
(2)
K2算法就是一种典型的搜索评分算法[14]，通过贪婪搜索(Greedy Search，GS)遍历所用DAG并通过CH评分(Cooper-Herskovits)来衡量DAG结构的优劣。该方法先通过GS进行不断地加边、减边、转边操作来寻找DAG，后利用评分函数对搜索到的DAG进行评分，直到寻找出评分最高的DAG为止。CH评分是BD(Bayesian Dirichlet)评分的一种特殊形式，BD评分函数的表达式为
(3)
(4)
贝叶斯结构学习的贪婪搜索算法通过发现节点之间的独立性和相关性对贝叶斯网络进行搜索，找到与理想模型相近的结构[15-16]。但随着贝叶斯结构学习节点逐渐增多以及贝叶斯搜索空间复杂度的增高，搜索算法的工作量呈指数增长，贪婪搜索的结果也容易陷入局部最优的情况，使搜索结果与实际情况发生偏离，出现严重不符合贝叶斯结构实际情况的贝叶斯网络，造成结构学习失败。
本文采用一种基于分解评分合成(Decompositon-Scoring-Compositon，DSC)的方法优化贝叶斯贪婪搜索的搜索策略。DSC 首先通过条件独立性构建无向独立图，根据DGA等价、无向分离、等价分离原则；然后利用条件独立性把无向图分解成两个子结构并逐渐对两个子结构进行递归分解，直至无法进一步分解为止，把无向图分成多个相互独立的子结构，对子结构的每一次图解中，其父节点都在一个子图中以保证分离出的子结构等价；最后利用贝叶斯搜索评分算法对子结构进行结构学习，根据有向图的结合原则把所有子图结合起来。有向图的结合方式是A、B、Z为有向图G中相互不交集的节点，则有向图GK=(K，EK)可以由两个子图
GA∪Z=(A∪Z，EA∪Z)和GB∪Z=(B∪Z，EA∪Z)通过以下方式组成新的有向图：
(1)节点K=A∪Z∪B；
(2)有向边满足：EK=EA∪Z∪EB∪Z
(3)EA∪Z和EB∪Z中的V结构不被破坏且不产生新的V结构。
2 基于贝叶斯网络的变压器故障诊断模型
本文以改良的无编码比值法和变压器故障类型作为贝叶斯网络节点，利用改进的贝叶斯搜索评分算法对变压器的故障样本集进行结构学习建立变压器故障诊断模型；利用变压器故障测试集对变压器故障诊断模型进行测试，以验证模型的准确率。本文采用改良的无编码比值法的比值属性作为变压器网络的气体特征节点，如表1所示。改良的无编码比值法采用5种基础气体即氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)的比值属性为基础即A4～A12，同时考虑到无编码比值法对纯氢超标故障不够敏感，添加 H2、C2H2和总烃C1+C2作为参考量来提高诊断效率。对变压器故障类型的分类具有多种方式，一般采用基于故障部位、故障性质和故障发生过程的分类方式[17]。本文采用基于故障性质的变压器故障分类方式，综合分析变压器热性和电性的故障性质，同时把变压器的正常状态也当作一种故障形式对变压器的故障类型进行划分，故障类型如表2所示。
表1 改良的无编码比值属性
表2 变压器的故障类型
为了保证故障诊断模型对多种故障类型诊断的准确性，应当选取一组足够多且能较完整包涵变压器各种故障的样本集作为贝叶斯网络结构学习的训练集，并选取测试集对模型进行测试。本文采用从文献资料中查询的620条变压器故障样本，其中464条作为训练集，156条作为测试集。由表2可知一些气体属性的量级存在差别。因此，在对训练集进行结构学习之前需要对训练集进行标准化处理，使数据趋于标准化。本文采取最大值法，即取每种气体与该组气体含量的最大值之比为标准化参数，即
(5)
其中，Ai表示任意一种基础气体；max表示单一气体成分的最大值，标准化后每组气体的最大值为1。综上所述，本文建立的BNs是以变压器的状态类型S为父节点，以表1气体特征变量为子节点建立变压器的状态分析模型，利用DSC算法建立变压器的故障诊断模型，具体步骤如下：
步骤1构建变压器故障诊断的无向独立图。利用G2检验判断变压器故障诊断节点Xi和Xj和节点集Z之间的独立性，根据独立性测试构建节点之间的Markov边界，Markov边界构成的无向图即为故障诊断模型的无向独立图G；
步骤3子图的搜索评分。利用贪婪搜索和BDeu评分对GZi进行结构学习，构建有向子图GZi；
步骤4有向子图的合成。对具有同样深度d的有向子图GZi进行组合，期间不能产生新的V结构，最终得到一个新的DAG结构G。
根据上述步骤最终建立的变压器故障诊断模型，如图1所示。
图1 变压器的故障诊断模型
为了证明模型故障诊断的准确性，对样本集进行随机划分，并利用训练集对故障诊断模型进行训练。随着训练样本的增多，故障诊断的准确率逐渐提高。利用测试集对故障诊断模型进行测试，为了证明模型的优越性，使用基于K2算法的变压器故障诊断模型和三比值法来与DSC模型进行比较测试，如表3所示。对3种方法的测试结果显示，三比值法准确性最低，仅有77%左右，尤其对热性故障的诊断效果存在较大偏差；基于贝叶斯网络的故障诊断模型的诊断效果与三比值法相比，其准确率有明显的增强；K2算法的准确率达到89.7%；DSC的诊断准确性最高，达到了94.2%。测试结果证明，本文建立的基于优化搜索评分的算法能够满足故障诊断系统要求。
表3 几种诊断方法的比较
3 基于贝叶斯网络的变压器故障诊断系统
基于贝叶斯网络的变压器在线故障诊断系统设计主要包括硬件系统和软件设计两部分，其根据系统整体需求设计基本功能。硬件系统包括油气采集模块、显示模块和报警模块；软件系统主要包括数据处理模块、故障推理模块和历史查询模块。
3.1 系统设计
利用PCI-1711U高速数据采集卡完成信号的输入与输出，以 VC++调用SMILE对该模型进行编程并生成dll文件，最后利用LabVIEW调用dll文件搭建监测平台。
平台采用模块化编程实现系统功能设计，包括油气监测模块、改良三比值分析模块、BN推理模块、历史记录模块，各个功能模块下又包括许多子模块。油气监测模块主要对变压器的油色谱、油温与微水含量等故障征兆信息进行采集，并将采集到的数据以波形、柱状图、数值的形式显示出来；改良三比值分析模块通过对油气监测数据的分析来计算特征气体的增长速率，根据油中溶解的特征气体含量得到三比值编码，做出故障预判；BN推理模块通过调用dll文件，完成数据处理和变压器故障的推理。根据远程检测系统传回的运行状态数据，经过各模块的综合分析推理出变压器的运行状态，得出综合分析的结果。
3.2 实例分析
在Window7操作平台下对变压器的故障监测与诊断系统进行测试。
某变压器发生故障，故障类型为低能放电，利用该变压器对系统实用性进行测试，变压器故障监测与诊断系统的油气监测结果，如图2所示。从图中可以看出H2和C2H4警示灯变为深色，其气体含量明显超出阈值，油温、油中微水含量、总烃和其他气体含量正常，曲线存在波动是由于气敏传感器在信号采集、传输、处理过程中存在一定程度误差而造成的。
图2 油气监测实际测试界面
根据变压器的油色谱监测信息推理变压器的故障状态。改良三比值法的推理结果如图3所示；BN模型的推理结果，如图4所示。由图3可以看出变压器的特征气体增长速率超出预警值，通过油中溶解气体含量计算出气体的比值编码，该变压器的三比值编码为111，诊断结果为电弧放电，与实际情况不符。利用基于BN的变压器故障监测与诊断模型对油色谱监测数据进行推理，首先将监测的气体含量信息转化为表1所示的无编码比值表；然后调用DLL实现DSC模型的实时更新，得到变压器故障类型的可能性概率表，如图4所示。诊断结果显示该变压器低能放电概率为0.967，同时存在放电兼过热的可能性，并列出可能性原因和处理建议，诊断结果与实际情况相符。
图3 改良三比值法分析实际测试界面
图4 BN推理实际测试界面
经过系统运行测试，证明该系统能够有效实现对变压器运行状态的监测，并能对潜在性故障进行诊断，综合故障信息给出故障的可能性原因和处理建议，且该系统界面简洁、功能丰富，有利于进一步的检测维护。
4 结束语
本文针对中小型油浸式变压器的故障监测与诊断进行了新的探索：(1)以变压器的故障类型和改良的无编码比值变量为网络节点构建了一种基于贝叶斯网络的变压器故障诊断模型；(2)针对 K2 算法中存在的局部最优解的缺陷和对较多节点的结构学习中存在偏差的问题，采用一种优化 K2 算法的 CH 评分函数，提出一种基于分解评分合成的结构学习算法优化了 K2 算法的结构学习策略，调整了学习参数，提高了对多节点贝叶斯网络结构学习的精准度；(3)利用 LabVIEW 设计相关上位机程序，完成了贝叶斯网络优化算法的故障诊断模块嵌入。仿真及实践结果证明，该模型能够准确的诊断变压器故障，对确保电力系统的安全稳定运行具有重要的工程意义。随着现代电力产业规模的不断扩大，城市化和新农村电气化进程不断加速，变压器运行状态的远程监控与现场作业相结合已成为必然的发展趋势。对结构学习算法的优化和对变压器内部具体故障点的研究将是未来的研究重点。
