基于贝叶斯网络的输变电设备绝缘故障快速诊断方法

苟琼尹

摘 要：针对输变电设备绝缘故障诊断结果的正判率较低，且输变电设备绝缘故障诊断速率较慢的问题，提出基于贝叶斯网络的输变电设备绝缘故障快速诊断方法。首先，使用Hilberx变换技术对采集到的历史故障信号进行转化，获取绝缘故障的特征。其次，构建贝叶斯网络模型，对采集到的真实设备运行数据进行训练学习。最后，获取实时信号的故障诊断权值，结合数据训练学习结果来确定输变电设备绝缘性能状态，完成绝缘故障诊断。至此，基于贝叶斯网络的输变电设备绝缘故障快速诊断方法就设计完成。构建试验环节，经试验证实，该方法的绝缘故障诊断结果正判率较高，输变电设备绝缘故障诊断速率得到提升，可将其应用到实际问题的诊断与管理过程中。

关键词：贝叶斯网络;输变电设备;故障诊断;人工智能;故障机理

中图分类号：TM85.35     文献标志码：A     文章编号：1003-5168（2022）12-0017-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2022.12.003

Rapid Diagnosis Method for Insulation Fault of Power Transmission and Transformation Equipment Based on Bayesian Network

GOU Qiongyin

（Huating Coal Industry Group Co.，Ltd.， Equipment Leasing Company，Pingliang 744100，China）

Abstract：Aiming at the problems that the positive judgment rate of the insulation fault diagnosis results of the current power transmission and transformation equipment is low and the insulation fault rate of the power transmission and transformation equipment is relatively slow，a rapid diagnosis method of the insulation fault of the power transmission and transformation equipment based on the Bayesian network is proposed.Firstly，using Hilberx transform technology，the collected historical fault signals are transformed to obtain insulation fault characteristics.Secondly，build a Bayesian network model， and train and learn from the collected real equipment operation data.Thirdly，Obtain the fault diagnosis weight of the real-time signal，and determine the insulation performance status of the power transmission and transformation equipment based on the data training and learning results，and complete the insulation fault diagnosis.So far，the design of a rapid diagnosis method for insulation faults of power transmission and transformation equipment based on Bayesian network is completed.Constructing the experimental link，it is confirmed by experiments that the positive judgment rate of insulation fault diagnosis results of this method is high，and the insulation fault rate of power transmission and transformation equipment is improved.It can be applied to the diagnosis and management process of practical problems.

Keywords：Bayesian network;power transmission and transformation equipment;fault diagnosis;artificial intelligence;fault mechanism

0 引言

輸变电设备是变电站中的重要部件，其结构复杂、自动化程度相对较高且工作环境较为复杂，极易出现故障，从而造成不可逆转的经济损失或人员伤害[1]。如何对输变电设备绝缘故障进行及时预警与诊断，对保证其安全运行、规避故障风险具有重要意义。由于输变电设备的运行参数及设备的组成规模在不断扩大，且其长期在多耦合环境中运行，故障情况时有发生，且短路故障发生的次数较多。

输变电设备监测最初是借助单片机进行监测，后来逐渐发展为计算机技术监测，现已逐渐向总线技术和网络技术方向发展，以实现在线综合监测[2]。随着变电设备结构的日益复杂，虽然在以往的研究中提出了多种变电设备绝缘故障快速诊断的方法，但这些方法多存在应用问题，其中较为严重的是诊断正判率较低且诊断耗时较长。针对此问题，本研究提出了一种基于贝叶斯网络的输变电设备绝缘故障快速诊断法，此方法以贝叶斯网络为核心技术，来完成故障诊断中的数据分析环节，以此提升诊断过程中的数据质量，实现对故障的高质量诊断。

1 基于贝叶斯网络的输变电设备绝缘故障快速诊断方法设计

贝叶斯网络是一个有向无环图（Directed Acyclic Graph，DAG），由代表變量节点及连接这些节点有向边构成。节点代表随机变量，节点间的有向边代表了节点间的相互关系（由父节点指向其子节点），用条件概率来表达关系强度，没有父节点的用先验概率进行信息表达。

本研究对当前输变电设备绝缘故障快速诊断方法进行全面分析，在将贝叶斯网络与此方法进行融合后，整体故障诊断方法可划分为3部分，确保三个环节有序相连，以此来提升诊断的效率。

1.1 获取绝缘故障特征

针对输变电设备的绝缘电阻和泄漏电流值的监测，可以充分考虑传感器耦合的直流信号和交流工频信号，非电量信号的采集对采样率没有提出较高要求。针对输变电设备绝缘故障的状态诊断与检修，主要流程为：信息采集→设备状态评估→风险评估→维修策略→维修计划→维护实施→性能评价。

输变电设备的信号输出形式多为包络信号，因此直接提取信号特征有一定的难度。为此，本研究使用Hilberx变换技术[3-4]，对采集到的历史故障信号进行转化。假设采集到的信号为[W（a）]，此信号对应的包络谱表达式为式（1）。

式中：[χ（a）]为经过Hilberx变换技术后的原始信号;[α（a）]为在常规情况下获取到的频谱包络;[α]为信号频谱。使用式（1）来完成信号的处理过程。处理后，使用关联函数将信号数据中的关键信息进行关联处理，从而提取故障信号特征。为了保证提取到的结果具有较高的可靠性，对信号的差异性进行消除处理，见式（2）。

[∂=b[n（n-1）]α（a）]    （2）

式中：[∂]为相邻信号的差异性;[b]为信号之间的单位距离;[n]为相邻信号数量。使用式（1）和式（2）对采集到的历史信号进行处理，将获取到的故障特征作为后续故障诊断的基础。

1.2 构建贝叶斯网络模型

在获取到短路故障特征后，使用其构建贝叶斯网络模型，对采集到的数据进行训练学习。在贝叶斯网络模型构建过程中，网络结构与节点的条件概率是最为关键的两个条件[5]。因此，本研究使用团树结构来完成对网络节点概率的推理过程。将获取的短路故障特征作为故障诊断证据，所有包含此特征的网络节点的[℘]团节点的函数值将发生相应的转变，见式（3）。

式中：[℘i]为网络中的第[i]个节点;[℘x]为第[i]个节点的横坐标;[℘y]为第[i]个节点的纵坐标;[℘i']为[℘i]的高维映射结果。将采集到的信号数据代入节点中，计算各节点的函数值。同时，利用式（3）可得各个节点的新函数。根据式（3）对网络模型的节点概率进行计算，从而确定整个贝叶斯网络模型的基础结构。当此模型结构达到稳定状态时，得到各个节点的后验概率，将此概率作为故障发生的可能原因。

1.3 输变电设备绝缘故障诊断

输变电设备绝缘故障快速诊断包括对设备状态量分析和监测。设备状态量是指输变电设备在运行过程中所出现的各种正常或异常的特征信号量，包括运行状态量与生产过程状态量。设备运行状态量信号分为3类。第一类是机械量信号，包括与生产功能无直接关系的振动、声音、轴承以及与生产功能有直接关系的气压、气温、转速;第二类是电磁信号，包括电流、电压、频率、磁力线密度、局部放电电荷等;第三类是化学信号，如润滑油酸价、缘油含烃量等。设备的状态量与各项生产参数之间的比例相对固定，一旦内部存在缺陷，两者之间的比例关系将会失常。在输变电设备运行过程中，需要定期或连续对某些状态量进行测量，所得到的测量数据将成为设备评价的重要依据。监测的状态量参数包括监测输入量、运行状态量2类。从发出运行状态量信号的方式来区分，可将设备分为2类。一类是能够主动发出信号的设备，包括声音、振动、光、热等信号（被称为一次信号）;另一类设备由于自身不能主动发出信号，或所发出的信号不易被采集，需要预加一定的输入量，通过设备所发出的二次信号，实现对其内部状态的诊断。

在完成基本设定后，使用贝叶斯网络模型来对输变电设备绝缘故障进行诊断。将采集到的输变电设备实时运行信号数据代入到网络模型中，从电力学[6]角度出发，原始信号、历史信号以及故障信号特征之间的关系见式（4）。

式中：[l]为采集到的实时信号;[f（l）]为信号故障特征指标大小;e、c、o为计算中的常数值，可以通过信号拟合的方式来获取。根据式（4）可得到实时信号的故障诊断权值。将式（4）的计算结果与贝叶斯网络模型训练学习结果进行融合分析，可得到输变电设备绝缘故障与实时信号的匹配情况。如果两者吻合，可将其作为最终诊断结果，确定设备的实时运行情况;如果两者存在差异，则将采集到的其他信号与特征进行匹配，进行第二轮故障诊断。对前文中设定的内容进行整理与分析，将其与当前方法进行融合。至此，基于贝叶斯网络的输变电设备绝缘故障快速诊断方法设计完成。

2 试验论证分析

针对本研究提出的诊断方法，构建对应的试验环节，对该方法的应用效果进行评估，确定此方法的应用效果，为日后的推广应用提供可能。

2.1 故障案例设定

本研究以某城市中的某变电站中的输变电设备为试验对象，该设备含有1个高压绕组和1个低压绕组。绕组填充物为玻璃纤维毡，浇筑填料为进口树脂。与此同时，该设备的抗短路能力、抗雷电冲击水平也相对较高，具有较高的电流载荷能力。在试验中，将该设备设定多组故障（见表1），使用本研究提出的方法以及预选的对照方法对故障进行诊断与识别，确定不同方法的应用效果。

在试验中，通过将设备调节为表1所示的故障形式，对本研究提出的方法与预选对照方法的诊断效果进行分析。为保证试验过程更加真实、完备，将设备调整为表1所示的故障形式后，获取10 min内的设备工作信号数据，将其整合到同一个数据库中，共计10 000条故障数据。其中，绝缘故障数据有3 000条，而后在此数据中增加设备正常运行数据5 000条，将其划分为5组，确保每组中数据均含有若干故障数據与正常运行数据。试验数据组划分见表2。将表2中的数据作为本研究的数据基础，完成试验过程，获取本研究提出的方法的使用效果。

2.2 试验论证方案

本研究将绝缘故障诊断方法的正判率与诊断时间作为诊断方法应用效果的主要评估指标。诊断时间通过计算时间统计获得，正判率指标计算过程见式（5）。

式中：[h]为故障判定正确率;[g]为正判次数;[G]为诊断次数。本研究将诊断方法的正判率设定为两部分，分别为故障正判率以及短路故障正判率。在诊断过程中，选择基础诊断法、神经网络诊断法与本研究提出的方法进行同期故障诊断，对不同方法的评估指标进行对比，确定不同方法在应用中的差异。

2.3 试验结果分析

2.3.1 不同诊断方法正判率分析。对表3中的数据进行分析可得，3种方法的正判率均在90.00%以上，且本研究所提出的方法的正判率最高。通过对3种试验方法的短路故障正判率进行对比可以看出，本研究所提出的方法正判率均在98.02%以上，其他2种方法的短路故障正判率在93.00%～95.00%，整体正判率相对较低，由此可以确定本研究所提出的方法的故障诊断精度相对较高。

2.3.2 不同诊断方法诊断时间分析。对表4中的数据进行分析可以发现，3种方法的诊断速度均符合当前输变电设备故障诊断时间的相关要求，但对整体故障诊断时间进行对比后可以发现，本研究所提出的方法对故障的响应速度较快，且整体诊断时间较短。其他2种方法与该方法相比还存在一定的差异。将此试验结果与不同诊断方法正判率分析结果融合后可以确定，本研究提出的方法在诊断精度与诊断速度两个方面均优于当前使用的方法。

3 结语

输变电设备的绝缘性能是影响其使用寿命的重要因素，精准地评估与掌握设备的实时绝缘状态是变电站设备管理的先决条件。为了能够获取更可靠的输变电设备绝缘故障诊断结果，本研究提出了一种新型故障诊断方法，经试验证实，此方法具有较高的诊断精度与效率。由于技术方面的限制，该方法的试验过程较为简单，在日后研究中还需要增加试验的复杂程度，来确定此方法的应用环境与范围。

参考文献：

[1] 李佳琪，咸日常，张宁，等.一起电流互感器绝缘故障引发停电事故的分析与处理[J].变压器，2022（2）：51-55.

[2] 鄢仁武，高硕勋，宋微浪，等.基于多参量LSTM模型的变压器油纸绝缘老化诊断方法[J].武汉大学学报（工学版），2021（6）：541-550.

[3] 梁博渊，高骏，刘宏亮，等.基于振动特征估计的气体绝缘开关设备故障检测与定位[J].科学技术与工程，2020（31）：12836-12842.

[4] 余长厅，黎大健，汲胜昌，等.基于振动噪声及BP神经网络的变压器故障诊断方法研究[J].高压电器，2020（6）：256-261.

[5] 何亚屏，方攸同，吴丽然，等.地面自动过分相测量回路故障诊断及容错控制[J].电子测量与仪器学报，2020（5）：75-81.

[6] 成林，张鸿业，伊同强，等.基于3D电场时频分析的隔离开关绝缘缺陷检测方法[J].高电压技术，2020（4）：1417-1423.