基于贝叶斯网络的变压器故障诊断方法与流程

1.本发明涉及电力系统与变压器故障诊断技术领域，特别是一种基于贝叶斯网络的变压器故障诊断方法。


背景技术：

2.随着变压器在线监测技术的发展，根据油色谱信息诊断变压器故障类型已经成为变压器常态化的状态监控手段。当变压器发生某些突发性故障时，会导致变压器内部的电气量或非电气量发生改变而导致继电保护装置发出报警信息，然而仅依靠当前的变压器油色谱在线监控手段难以快速地报警并识别故障类型。学习脉冲神经膜系统以油色谱数据为输入可以实现变压器故障分类和预警，但是学习脉冲神经膜系统的分类并未考虑主保护，后备保护和断路器拒动和误动情况下的分类，准确性还有待提高。


技术实现要素：

3.本发明的目的在于提供一种基于贝叶斯网络的变压器故障诊断方法。
4.实现本发明目的的技术方案如下：
5.基于贝叶斯网络的变压器故障诊断方法，包括，
6.步骤1：获取待测变压器的油色谱数据，使用学习脉冲神经膜系统分类得到变压器状态类别，即正常、中低温故障、局部放电故障、高温故障、低能放电故障和高能放电故障；
7.步骤2：计算每一种变压器状态类别的分类概率；
8.步骤3：以每一种变压器状态类别的分类概率作为其贝叶斯网络模型的先验概率，计算后验概率；
9.3.1变压器状态类别为正常，后验概率
[0010][0011]
其中，p(h)是变压器状态类别为正常的分类概率；e1、e2和e3分别表示主保护动作、后备保护动作和断路器动作；p(e1|e2,e3,h)、p(e2|e1,e3,h)和p(e3|e1,e2,h)分别为条件概率；p(e1,e2,e3)为全概率，p(e1,e2,e3)＝p(e1|h)p(e2|e1)p(e3|e1,e2)；其中，p(e1|h)为正常状态下主保护动作概率，p(e2|e1)为主保护动作下后备保护动作概率，p(e3|e1,e2)和主保护动作以及后备保护动作下断路器动作概率；
[0012]
3.2变压器状态类别为中低温故障或局部放电故障，后验概率
[0013][0014]
其中，p(h)是变压器状态类别为中低温故障或局部放电故障的分类概率；e1、e2、e3和e4分别表示差动保护动作、轻瓦斯保护动作、后备保护动作和断路器动作；p(e1|e2,e3,e4,h)，p(e2|e1,e3,e4,h)，p(e3|e1,e2,e4,h)和p(e4|e1,e2,e3,h)分别为条件概率；p(e1,e2,e3,e4)为全概率，p(e1,e2,e3,e4)＝p(e1|h)p(e2|h)p(e3|e1)p(e4|e1,e2,e3)；其中，p(e1|h)为中低温故障或局部放电故障下差动保护动作概率，p(e2|h)为中低温故障或局部放电故障下
轻瓦斯保护动作概率，p(e3|e1)为差动保护动作下后备保护动作概率，p(e4|e1,e2,e3)为差动保护动作、轻瓦斯保护动作以及后备保护动作下断路器动作概率；
[0015]
3.3变压器状态类别为高温故障、低能放电故障或高能放电故障，后验概率
[0016][0017]
其中，p(h)是变压器状态类别为高温故障、低能放电故障或高能放电故障的分类概率；e1、e2、e3和e4分别表示差动保护动作、重瓦斯保护动作、后备保护动作和断路器动作；p(e1|e2,e3,e4,h)，p(e2|e1,e3,e4,h)，p(e3|e1,e2,e4,h)和p(e4|e1,e2,e3,h)分别为条件概率；p(e1,e2,e3,e4)为全概率，p(e1,e2,e3,e4)＝p(e1|h)p(e2|h)p(e3|e1)p(e4|e1,e2,e3)；其中，p(e1|h)为高温故障、低能放电故障或高能放电故障下差动保护动作概率，p(e2|h)为高温故障、低能放电故障或高能放电故障下重瓦斯保护动作概率，p(e3|e1)为差动保护动作下后备保护动作概率，p(e4|e1,e2,e3)为差动保护动作、重瓦斯保护动作以及后备保护动作下断路器动作概率；
[0018]
步骤4：以后验概率最大的那一种变压器状态类别，作为变压器故障诊断结果。
[0019]
进一步的技术方案，所述变压器的油色谱数据为变压器油中溶解气体含量的七种无编码比值，即甲烷/氢气、乙烯/乙烷、乙炔/乙烯、乙炔/总烃、乙烯/总烃、甲烷/总烃、(乙烯+甲烷)/总烃，其中总烃是甲烷、乙烷、乙烯和乙炔含量的总和。
[0020]
相对于现有技术，本发明的有益效果在于，在考虑主保护，后备保护和断路器拒动和误动情况下能够更加综合地判别变压器是否故障以及故障严重程度。
附图说明
[0021]
图1是无故障模式下的贝叶斯网络结构。
[0022]
图2是轻微故障模式下的贝叶斯网络结构。
[0023]
图3是严重故障模式下的贝叶斯网络结构。
[0024]
图4是学习脉冲神经膜系统分类过程示意图。
[0025]
图5是贝叶斯网络参数估计流程图。
具体实施方式
[0026]
本发明首先给出了相关的贝叶斯理论分析，其次给出了变压器故障诊断模型，包括根据变压器故障类型与继电保护装置之间的动作关系建立贝叶斯网络模型、基于学习脉冲神经膜系统的变压器故障先验概率获取方法、基于极大似然估计的变压器继电保护动作条件概率估计与变压器故障诊断步骤与框架。
[0027]
一种基于学习脉冲神经膜系统与贝叶斯网络的变压器故障诊断方法，包括以下步骤：
[0028]
s10:根据变压器故障类型与继电保护装置之间的关系建立贝叶斯网络模型；
[0029]
贝叶斯网络的节点表示随机变量e＝(e1,e2,
…
,e
n
)与类变量h＝(h1,h2,
…
,h
m
)之间通过贝叶斯理论实现其知识的表达与推理，推理过程的公式为：
[0030][0031]
式中，p(e1,e2,
…
,e
n
)为输入数据的联合概率，p(h
j
|e1,e2,
…
,e
n
)是类别h
j
的后验
概率，p(e
i
|e1,e2,
…
,e
i
‑1,h
j
)为输入数据e
i
的条件概率，p(h
j
)为类变量h
j
的先验概率概率。
[0032]
根据不同种类别的后验概率，运用最大化后验概率判别输出类别，计算方法为：
[0033][0034]
在本发明中，按照变压器保护装置所起的作用，变压器有主保护与后备保两种保护类型。主保护包括差动保护与轻(重)瓦斯保护。后备保护则当是故障发生时而主保护没有动作，则由后备保护动作使其断路器断开。由于变压器继电保护装置能够根据变压器不同的运行状态快速准确的做出相应措施，因此可以根据变压器故障信息与继电保护装置的动作信息建立贝叶斯网络，进而判断其运行状态。根据变压器故障发展的严重程度，从无故障、轻微故障与严重故障三个方面建立变压器故障诊断的贝叶斯网络。
[0035]
(1)无故障模式下的变压器故障推理网络
[0036]
根据变压器所处的电压等级不同，当油中溶解气体含量未超过注意值时，认为变压器处于正常状态。随着变压器的服役时间的延长，当其内部气体含量超过注意值时，不认为其内部一定发生故障。如果其产气速率比较稳定，则认为变压器正常老化，属于正常状态。由于变压器内部没有发生故障，所以理论上变压器内部的继电保护装置并不会发生动作，如果某一装置发生动作则认为其发生误动，其贝叶斯网络结构如图1所示。
[0037]
(2)轻微故障模式下的变压器故障推理网络
[0038]
变压器轻微故障主要包括中低温过热故障与局部放电故障，外在表现为接触不良或环流导致的过热与油流静电等。由于这类故障发生点的能量密度不高，变压器油分解的并不剧烈，所以一般会由轻瓦斯保护发出报警信号而重瓦斯保护不会动作。当变压器内部出现环流时，通常会导致变压器出口出现差动电流进而导致其差动保护动作而引发跳闸事故。因此当变压器发生轻微故障时，主要是轻瓦斯保护或差动保护动作，当主保护拒动时，则由后备保护动作切断变压器与外界的相连，其贝叶斯网络结构如图2所示。
[0039]
(3)严重故障模式下的变压器故障推理网络
[0040]
变压器内部发生低能(高能)放电、多点接地等故障时，由于其内部温度较高，变压器油分解比较剧烈，因此认为这一类故障比较严重。在电应力与热应力联合作用下，变压器油迅速劣化并释放大量氢烃类的气体。大量产生的气体导致变压器的重瓦斯保护动作进而避免故障的持续蔓延。当变压器内部发生短路故障时则会造成变压器出口电流的不平衡，从而导致变压器差动保护动作。变压器内部发生严重故障时贝叶斯网络结构如图3所示。
[0041]
s11:利用学习优化脉冲神经膜系统获取变压器故障情况下贝叶斯网络的先验概率。
[0042]
变压器运行过程中受到电、热、机械等应力的存在使变压器绝缘逐渐老化并释放大量氢烃类气体。当油中溶解气体含量不超过注意值时，则认为其为正常状态。根据历史统计数据定义其显著性水平为0.5
‰
，当油中溶解气体含量大于注意值时，则运用数据集定义的k＝6种变压器状态(n,t1t2,t3,pd,d1,d2)运用学习脉冲神经膜系统(lsnp)算法分类变压器状态，分类状态分别为正常(n)、轻微故障(中低温故障(t1t2)和局部放电故障(pd))和严重故障(高温故障(t3)、低能放电故障(d1)或高能放电故障(d2))。分类概率计算为其中d
k
表示第k个状态数据点x
i
到另一个状态数据点x
j
的距离，k＝1,2,
…
,k。
[0043]
分类过程如图4所示。
[0044]
根据变压器油中溶解气体与变压器故障之间的关系，确定学习脉冲神经膜系统的
输入。本发明所选择的模型参数为，甲烷/氢气、乙烯/乙烷、乙炔/乙烯、乙炔/总烃、乙烯/总烃、甲烷/总烃、(乙烯+甲烷)/总烃，其中总烃是甲烷、乙烷、乙烯和乙炔含量的总和，输出为变压器状态的概率。学习脉冲神经膜系统的模型参数如下：升维阶数选择为4，学习率设置为0.1，迭代次数设置为1000。根据学习脉冲神经膜系统的参数计算得出变压器状态和与其对应的分类概率，再将分类概率作为其贝叶斯网络模型的先验概率。
[0045]
s12：根据统计后给出的估计值，运用蒙特卡洛算法与极大似然估计理论估算贝叶斯网络的条件概率(变压器继电保护装置(断路器)的拒动率和误动率)。
[0046]
本发明中描述的贝叶斯网络模型中间节点的条件概率表示继电保护装置与断路器的状态，由于继电保护装置不可能始终处于理想的状态之下，少量的拒动或误动现象是不可避免的。然而继电保护装置的拒动或误动现象存在强烈的随机性，所以运用蒙特卡洛算法与极大似然估计模拟继电保护装置的状态与动作概率，算法流程图如图5所示。
[0047]
变压器继电保护装置的误动是指在变压器正常运行时，继电保护装置因为某种原因而没有按照命令进行动作的情况。继电保护装置误动率的计算方法如式(3)所示：
[0048][0049]
式中，n1表示继电保护装置在按照整定要求而没有动作的次数，n
fo
表示继电保护装置在没有按照整定要求而动作的次数，p
fo
表示继电保护装置的误动率。
[0050]
变压器继电保护装置的拒动是指当变压器发生故障时，继电保护装置没有能按命令执行整定动作的情形。变压器继电保护装置拒动率的计算方法如式(4)所示：
[0051][0052]
式中，n2表示继电保护装置按照整定要求而动作的次数，n
ro
表示继电保护装置在没有按照整定要求而动作的次数，p
ro
表示继电保护装置的拒动率。
[0053]
根据统计数据分析，变压器继电保护装置的故障率如表1所示。假设变压器保护装置与故障概率之间互相独立的情况下，首先运用蒙特卡洛模拟算法模拟变压器不同状态下的继电保护装置动作情况，随后根据模拟结果运用极大似然估计计算变压器继电保护装置与断路器故障的修正值，结果如表2所示：
[0054]
表1继电保护装置与断路器的故障率
[0055][0056]
表2继电保护装置与断路器的修正故障率
[0057]
[0058]
继电保护装置和断路器拒动和误动是指继电保护装置和断路器应该动作而未动作和继电保护装置和断路器不应该动作而动作了。假定e1，e2，e3和h分别表示主保护，后备保护，断路器和故障，那么p(e1)，p(e2)，p(e3)和p(h)分别表示对应的概率。条件概率与拒动率和误动率之间的关系如表3所示。
[0059]
表3条件概率与拒动率和误动率之间的关系
[0060]
[0061]
s13:获取变压器的油色谱在线监控信息和继电保护装置的动作信息，通过贝叶斯网络计算故障信息的后验概率。
[0062]
根据s10中的建立的贝叶斯网络结构和贝叶斯网络计算公式分别计算每一种情况的后验概率。(1)无故障情况下的后验概率计算
[0063]
其先验概率分别定义为p(h)，主保护动作，后备保护动和断路器动作分别为e1，e2和e3；其全概率分布为p(e1,e2,e3)＝p(e1|h)p(e2|e1)p(e3|e1,e2)。其条件概率为p(e1|e2,e3,h)，p(e2|e1,e3,h)和p(e3|e1,e2,h)。其后验概率计算式为
[0064][0065]
其中，p(e1|h)，p(e2|e1)和p(e3|e1,e2)分别是故障情况下主保护动作概率(1
‑
0.26％＝0.9974)，主保护动作情况下后备保护动作的概率(0.87％)和主保护动作以及后备保护动作情况下断路器动作的概率(1
‑
1.43％＝0.9857)。
[0066]
(2)轻微故障情况下的后验概率计算
[0067]
其先验概率分别定义为p(h)，差动保护动作，轻瓦斯保护动作(差动保护和轻瓦斯保护属于主保护)，后备保护动作和断路器动作分别为e1,e2,e3和e4；其全概率分布为p(e1,e2,e3,e4)＝p(e1|h)p(e2|h)p(e3|e1)p(e4|e1,e2,e3)。其条件概率为p(e1|e2,e3,e4,h)，p(e2|e1,e3,e4,h)，p(e3|e1,e2,e4,h)和p(e4|e1,e2,e3,h)。其后验概率计算式为
[0068][0069]
其中，p(e1|h)，p(e2|h)，p(e3|e1)和p(e4|e1,e2,e3)分别是故障情况下差动保护动作概率(1
‑
0.26％＝0.9974)，故障情况下轻瓦斯保护动作概率(1
‑
0.26％＝0.9974)，主保护动作情况下后备保护动作的概率(0.87％)和主保护动作以及后备保护动作情况下断路器动作的概率(1
‑
1.43％＝0.9857)。
[0070]
(3)严重故障情况下的后验概率计算
[0071]
其先验概率分别定义为p(h)，差动保护动作，重瓦斯保护动作(差动保护和轻瓦斯保护属于主保护)，后备保护动作和断路器动作分别为e1,e2,e3和e4；其全概率分布为p(e1,e2,e3,e4)＝p(e1|h)p(e2|h)p(e3|e1)p(e4|e1,e2,e3)。其条件概率为p(e1|e2,e3,e4,h)，p(e2|e1,e3,e4,h)，p(e3|e1,e2,e4,h)和p(e4|e1,e2,e3,h)。其后验概率计算式为
[0072][0073]
其中，p(e1|h)，p(e2|h)，p(e3|e1)和p(e4|e1,e2,e3)分别是故障情况下差动保护动作概率(1
‑
0.26％＝0.9974)，故障情况下重瓦斯保护动作概率(1
‑
0.26％＝0.9974)，主保护动作情况下后备保护动作的概率(0.87％)和主保护动作以及后备保护动作情况下断路器动作的概率(1
‑
1.43％＝0.9857)。
[0074]
s14:根据最大后验概率判断运行状态并且给出检修策略。
[0075]
本发明所提供的一种基于学习脉冲神经膜系统与贝叶斯网络的变压器故障诊断方法，包括根据变压器故障类型与继电保护装置之间的关系建立贝叶斯网络模型；利用学习优化脉冲神经膜系统获取变压器故障情况下贝叶斯网络的先验概率；根据文献中给出的估计值，运用蒙特卡洛算法与极大似然估计理论估算贝叶斯网络的条件概率(变压器继电保护装置(断路器)的拒动率和误动率)；获取变压器的油色谱在线监控信息和继电保护装
置的动作信息，通过贝叶斯网络计算故障信息的后验概率；根据最大后验概率判断运行状态并且给出检修策略。由此可见，本发明所提供的方法具有如下优点：
[0076]
(1)将变压器继电保护信息与油气信息相融合的方法，建立了基于学习脉冲神经膜系统与贝叶斯网络的变压器故障诊断能够更加综合地判别变压器是否故障以及故障严重程度。
[0077]
(2)贝叶斯网络易于处理不完备数据集，其反映的是整个数据库中数据间的概率关系模型，尤其对于具有因果关系的数据有很好的作用。
[0078]
下面，运用三个实施例进一步阐释基于学习脉冲神经膜系统与贝叶斯网络的变压器故障诊断的过程。
[0079]
实施例1：在某变压器日常巡检中发现轻瓦斯保护频繁动作并发出报警信息，而断路器没有动作。取变压器油样送检后得到油气数据如表4所示：
[0080]
表4油色谱含量值μl/l
[0081][0082]
由于油中溶解气体含量超过导则中所规定的注意值，所以运用学习脉冲神经膜系统计算变压器故障原因。经过计算后认为该台变压器出现故障的概率为99.98％，且有99.95％的概率属于严重故障。将三种故障的先验概率输入值贝叶斯网络中计算可得到变压器故障的后验概率。经过计算发现变压器无故障的概率几乎是0；变压器轻微故障的概率为11.09％；由于轻瓦斯保护报警，所以暂定其处于严重故障的初期，按照图2网络形式推理可得到其后验概率近似等于1。根据最大后验假设方法判定其属于严重故障的初期且继电保护装置动作无误。经过随后的检修发现其一相分接头接触不良导致的一起高温故障，继电保护装置动作正确。
[0083]
实施例2：某地一台220kv变压器在电压调整过程中出现了异常声响，变压器继电保护装置与断路器没有动作，取油样分析后得到的含量值如表5所示：
[0084]
表5油色谱含量值μl/l
[0085][0086]
表5中的油气数据远超其注意值，所以运用学习脉冲神经膜系统计算变压器的故障概率，计算后得到变压器故障的先验概率为94.14％，严重故障的先验概率为80.02％。将变压器故障的先验概率输入至贝叶斯网络中得到无故障模型下变压器故障的后验概率仅为4.02％，其他两种情况的后验概率均接近于0，随即认定变压器可能发生一定的故障，但是其故障蔓延的概率较小。在加强油色谱监控与保障区域电网稳定的同时，派遣专业人员进入变压器本体查看故障原因。在检修过程首先测试了变压器绕组的直流电阻，结果并无发现异常状态。变压器放油后派人员进入本体查看后发现某相转换开关具体也电弧烧伤的痕迹，绕组并无异常。经过专家讨论后认为变压器可以继续带电运行。在事故发生的一个月后，运维人员更换了变压器的有载开关并真空注油，变压器油色谱的监测值恢复正常。
[0087]
在本例中，如果仅仅依据《油浸式变压器(电抗器)状态检修导则》中的规定，该类故障应立即进行a类或b类停电检修。但是该变压器实际运行中并没有进行立即停电检修，反而带电运行了一个月。
[0088]
实施例3：某变压器在运行过程中突然发生重瓦斯保护跳闸事故，取油样送检后得到油中溶解气体含量值如下：
[0089]
表6油色谱含量值μl/l
[0090][0091]
由于其油气含量未超过注意值，所以认为变压器处于正常状态，显著性水平取0.5
‰
。根据贝叶斯模型推理发现变压器处于正常状态的概率为88.91％，认为变压器本体没有出现故障。在随后的检修环节发现是其瓦斯保护缺陷引发的跳闸事故，更换瓦斯保护后变压器正常运行。
[0092]
以上实施例充分说明依靠油气数据信息，考虑主保护，后备保护和断路器拒动和误动情况下，本发明给出的方法可以有效地判断变压器故障的发展趋势并为变压器检修计划的制定提供了科学依据。