田炳偉，高 釧

（1.西安工程大學(xué) 陜西 西安 710048；2.國網(wǎng)西安供電公司 陜西 西安 710032）

基于貝葉斯分類器的電力變壓器設(shè)備故障診斷研究

田炳偉1，高 釧2

（1.西安工程大學(xué) 陜西 西安 710048；2.國網(wǎng)西安供電公司 陜西 西安 710032）

變壓器是電網(wǎng)的核心設(shè)備，其健康狀態(tài)關(guān)系到電力系統(tǒng)的安全運(yùn)行，開展變壓器故障診斷既有實(shí)用價(jià)值，又有研究意義。變壓器故障診斷的傳統(tǒng)方法為國際電工委員會(huì)發(fā)布的IEC三比值法，該方法存在診斷準(zhǔn)確率低、對編碼以外的部分樣本無法診斷等弊端。鑒于此，本文提出了一種基于統(tǒng)計(jì)規(guī)律的故障診斷方法，利用變壓器油中溶解氣體作為特征量，以故障類型為分類結(jié)果，采用樸素貝葉斯算法，建立了基于貝葉斯分類器的變壓器故障診斷模型。為驗(yàn)證本文模型的效果，采取了兩次實(shí)例測試：單次隨機(jī)試驗(yàn)表明，本文模型將診斷準(zhǔn)確率較IEC傳統(tǒng)方法提高了10個(gè)百分點(diǎn)；多次隨機(jī)試驗(yàn)表明，本文模型的平均診斷準(zhǔn)確率在95％以上。因此，本文模型具有分類準(zhǔn)確率高、泛化能力強(qiáng)等特點(diǎn)，能滿足實(shí)際工程需要，可作為電力設(shè)備故障診斷的有效方法。

貝葉斯；電力；變壓器；故障診斷

現(xiàn)代電力系統(tǒng)中，變壓器是電網(wǎng)中最為昂貴和關(guān)鍵的設(shè)備[1]，因此，有必要對變壓器進(jìn)行故障監(jiān)測，及時(shí)掌握其設(shè)備狀態(tài)，進(jìn)而采取合理的檢修策略。國際電工委員會(huì)提出IEC三比值法，利用變壓器油種CH4/H2、C2H6/CH4和C2H2/C2H4三組比值來確定故障類型，該方法一直是對油浸式電力設(shè)備故障診斷的推薦方法，但棄所提供的編碼并不能完全覆蓋所有故障類型，當(dāng)實(shí)際氣體比值不在給定編碼范圍之內(nèi)時(shí)，便無法診斷[2]。

鑒于此，文中提出一種基于貝葉斯分類器的電力變壓器故障診斷模型，利用變壓器油中溶解氣體作為特征量，構(gòu)建樸素貝葉斯網(wǎng)絡(luò)，得到有效的故障分類模型，實(shí)例表明，該方法比傳統(tǒng)IEC三比值方法更具優(yōu)越性。

1 變壓器故障特征量

當(dāng)設(shè)備出現(xiàn)故障，變壓器油種便會(huì)產(chǎn)生一系列氣體，主要是碳氧化物和烷烴類氣體。通過分析氣體成分，就可以利用相關(guān)指標(biāo)進(jìn)行故障分類和診斷[2]。據(jù)統(tǒng)計(jì)，80％的電力變壓器通過該方法來進(jìn)行故障檢驗(yàn)，而作為電力公司企業(yè)標(biāo)準(zhǔn)的《電力設(shè)備預(yù)防性試驗(yàn)規(guī)程》也是重點(diǎn)推薦這種方法[3]。

IEC三比值規(guī)定，通過計(jì)算六組氣體的三組比值 CH4/H2、C2H6/CH4和 C2H2/C2H4，就可以判斷出變壓器的故障類型，表1是國際上通用的IEC三比值編碼表[4-5]。

表1 IEC三比值編碼表

2 貝葉斯定理

貝葉斯網(wǎng)絡(luò)的數(shù)理基礎(chǔ)是貝葉斯定理，其包含兩個(gè)關(guān)鍵因素[6-7]：先驗(yàn)概率與后驗(yàn)概率，其中先驗(yàn)概率主要通過專家知識和歷史經(jīng)驗(yàn)獲得。后驗(yàn)概率通過先驗(yàn)信息和樣本數(shù)據(jù)，根據(jù)貝葉斯定理計(jì)算得到。利用貝葉斯網(wǎng)絡(luò)進(jìn)行故障分析，本質(zhì)上是利用故障特征量，通過映射函數(shù)，確定故障結(jié)果的一個(gè)分類過程[9]。

給定一個(gè)實(shí)例數(shù)據(jù)集合 D，D={X1，X2， …，Xn，C}是離散隨機(jī)變量的有限集，其中 X1，X2，…，Xn是屬性變量，類變量 C 的取值范圍為{c1，c2，…，cm}，xi是屬性Xi的取值。實(shí)例數(shù)據(jù)集合D又稱為訓(xùn)練數(shù)據(jù)庫。實(shí)例 Ii=（x1，x2，…，xn）屬于類cj的概率由貝葉斯定理表示為:

其中 α 是正則化因子，P（cj）是類cj的先驗(yàn)概率，P（cj|x1，x2，…，xn）是類cj的后驗(yàn)概率，后驗(yàn)概率反映了樣本數(shù)據(jù)對類cj的影響。公式（1）還可以表示為

樸素貝葉斯是基于貝葉斯公式的分類器—Naive Bayes分類器[11，13]。 這種分類器是一種簡潔、高效的分類工具，由于假設(shè)了各故障特征變量之間是完全相互獨(dú)立的，當(dāng)給定樣本集D中所有的故障類別都齊全時(shí)，通過統(tǒng)計(jì)每種故障特征和類別出現(xiàn)頻率，就可以得到給定類C變量下，各故障特征變量Xi的條件概率P（Xi|C），同時(shí)得到各類別變量的概率P（C），進(jìn)而完成分類器的學(xué)習(xí)。即：

其中，N（Xi=&C=Ck）表示樣本數(shù)據(jù)庫中，Xi為第k組樣本、C為第類k故障的樣本數(shù)；N表示樣本數(shù)據(jù)庫的總信息數(shù)。當(dāng)N（Xi=&C=Ck）為0時(shí)，可以使用如下公式進(jìn)行調(diào)整：

由于假設(shè)故障特征變量和各類別變量之間的完全相互獨(dú)立，因此式（5）又可表示為：

樸素貝葉斯應(yīng)用的一個(gè)關(guān)鍵的問題就是，假設(shè)故障特征變量相互獨(dú)立后，是否影響分類的效果。多項(xiàng)研究表明[12，15]:即使在故障特征量存在關(guān)聯(lián)的情況下，條件獨(dú)立性假設(shè)仍然不妨礙貝葉斯網(wǎng)絡(luò)的應(yīng)用，因此本文的故障分析模型采用樸素貝葉斯來構(gòu)建。

3 基于貝葉斯分類器的診斷模型

3.1 算法流程

1）準(zhǔn)備階段：主要是分類器的數(shù)據(jù)準(zhǔn)備，首先結(jié)合實(shí)際生產(chǎn)情況確定故障特征變量，其次結(jié)合歷史實(shí)測數(shù)據(jù)對故障類、故障特征變量整理組成訓(xùn)練樣本，在此期間要對明顯不合理的數(shù)據(jù)進(jìn)行剔除。分類器的準(zhǔn)確率很大程度上依賴于樣本的構(gòu)造質(zhì)量，因此準(zhǔn)備階段的工作尤為重要。

2）訓(xùn)練階段：首先按照訓(xùn)練樣本，統(tǒng)計(jì)每組特征量和故障量出現(xiàn)的頻率，得到每種故障出現(xiàn)的先驗(yàn)概率，然后按照貝葉斯定理計(jì)算后驗(yàn)概率，輸入是故障特征量和類別，輸出是故障特征屬于各類的后驗(yàn)概率。

3）應(yīng)用階段：對待分類的新樣本數(shù)據(jù)，按照貝葉斯定理計(jì)進(jìn)行計(jì)算，輸入是故障特征量，輸出是故障分類結(jié)果。

3.2 特征量

根據(jù)DL/T 722-2000《變壓器油中溶解氣體分析和判斷導(dǎo)則》[3]，變壓器故障分類和特征氣體的對應(yīng)關(guān)系如表2所示。

表2 變壓器故障分類及對應(yīng)特征氣體

可見，低能量過熱故障以 CH4，C2H4，CO，CO2等烷類氣體和碳氧化物為主，而高能量的放電故障中以H2，C2H2為主。貝葉斯網(wǎng)絡(luò)是構(gòu)建故障特征和故障類型的因果關(guān)系圖，因此，本文建議盡可能多的采取多種氣體比值作為故障特征量，本文選取以下12組特征量，如表3所示。

表3 故障特征量梳理表

3.3 特征類

故障類的選取參考表1中IEC三比值確定的故障類，同時(shí)參照DL/T 722-2000《變壓器油中溶解氣體分析和判斷導(dǎo)則》進(jìn)行完善。此外，將無故障情況也作為一個(gè)類別，共計(jì)梳理出7個(gè)故障類別，如表4所示。

3.4 樣本離散化

由于變壓器油中溶解氣體是連續(xù)變量，而樸素貝葉斯分類器要求輸入的特征量為離散量，因此，要對連續(xù)的氣體數(shù)據(jù)進(jìn)行離散化。本文參照DL/T 722-2000《變壓器油中溶解氣體分析和判斷導(dǎo)則》，結(jié)合電力設(shè)備實(shí)際運(yùn)行情況，對樣本數(shù)據(jù)進(jìn)行離散化，如表5所示。

表4 故障特征類梳理表

表5 故障類離散化規(guī)則表

3.5 故障模型的建立

確定了特征量和故障類就得到基于樸素貝葉斯的變壓器故障診斷模型，如圖1所示。其中X1～X12代表表3中的12種氣體或比值，C表示表4中，變壓器的7種狀態(tài)類別，每一個(gè)故障特征都與父節(jié)點(diǎn)故障類通過又向線相關(guān)聯(lián)，而各故障特征量之間無關(guān)聯(lián)關(guān)系。

圖1 變壓器故障診斷貝葉斯模型

4 實(shí)例驗(yàn)證

文中從陜西某地區(qū)現(xiàn)場調(diào)研資料中整理出近400條電力變壓器的故障數(shù)據(jù)，形成試驗(yàn)樣本，如表6所示，進(jìn)行本文貝葉斯分類器的算法驗(yàn)證。

表6 變壓器故障樣本數(shù)據(jù)

4.1 單次隨機(jī)試驗(yàn)

從樣本集中選取100個(gè)樣本為訓(xùn)練集，37個(gè)為測試集，分別傳統(tǒng)IEC三比值方法和用本文建立的基于貝葉斯分類器的故障診斷模型進(jìn)行對比，結(jié)果顯示，本文模型的診斷準(zhǔn)確率為94.46％，而傳統(tǒng)IEC三比值方法的準(zhǔn)確率僅為81.1％，診斷效果如圖2所示，其中“*”表示原樣本故障類型，“△”表示貝葉斯分類器的診斷結(jié)果，如圖所示，通過100個(gè)樣本訓(xùn)練，貝葉斯分類模型在37個(gè)測試樣本中成功診斷出35個(gè)，準(zhǔn)確率為94.6％。

圖2 貝葉斯分類器分類效果

4.2 多次隨機(jī)試驗(yàn)

為驗(yàn)證本文模型的適應(yīng)性，采取隨機(jī)抽樣的試驗(yàn)方法，對模型進(jìn)行多次測試。具體方法為：進(jìn)行100次隨機(jī)試驗(yàn)，每次從近400個(gè)樣本中，隨機(jī)選中100個(gè)樣本為訓(xùn)練集，再從其余300個(gè)樣本中隨機(jī)選取50個(gè)作為測試集，以觀測多次試驗(yàn)的分類效果。100次隨機(jī)試驗(yàn)中，最大準(zhǔn)確率為100％，最小為86％，平均為97.82％，如圖3所示，可見本文提出的貝葉斯分類模型具有很強(qiáng)的適應(yīng)性，分類準(zhǔn)確率可滿足工程實(shí)際要求。

圖3 100次隨機(jī)試驗(yàn)分類準(zhǔn)確率

5 結(jié)論

文中針對傳統(tǒng)IEC比值法的不足，建立了基于樸素貝葉斯分類器的電力變壓器故障診斷模型，以12組變壓器油中特征氣體或比值為特征量，以6種狀態(tài)為分類類別，實(shí)現(xiàn)了變壓器故障的有效診斷。實(shí)例證明，本文模型優(yōu)于傳統(tǒng)方法，可作為電力設(shè)備故障診斷的有效方法。

[1]國家電網(wǎng)公司.2014年國家電網(wǎng)公司110kV及以上電壓等級電力設(shè)備事故匯編[M].北京：中國電力出版社，2015.

[2]孫才新，陳偉根，李儉，等.電器設(shè)備油中氣體在線監(jiān)測與故障診斷技術(shù)[M].北京：科學(xué)出版社，2003.

[3]中華人民共和國國家經(jīng)濟(jì)貿(mào)易委員會(huì).DL/T722-2000，變壓器油中溶解氣體分析和判斷導(dǎo)則[M].北京：中國電力出版社，2001.

[4]麻閩政.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用[J].廣東電力，2012（1）:80-83.

[5]李娜.變壓器油色譜與電氣試驗(yàn)對變壓器故障聯(lián)合診斷實(shí)例分析[J].工程技術(shù)，2016，10（34）:229-234.

[6]黃影平.貝葉斯網(wǎng)絡(luò)發(fā)展及其應(yīng)用綜述[J].北京理工大學(xué)學(xué)報(bào)， 2013，33（12）:1211-1218.

[7]徐建政.應(yīng)用貝葉斯網(wǎng)絡(luò)模型的電力系統(tǒng)故障診斷 [J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2010，22（1）:91-95.

[8]宋偉.淺談變壓器油中顆粒度對變壓器絕緣強(qiáng)度的影響[J].電工技術(shù)， 2016，6（6）:193-199.

[9]林佳維.韋橋簡化貝葉斯方法在核電廠設(shè)備可靠性研究中的應(yīng)用[J].工程技術(shù)2015，12（29）：60-68.

[10]孫明蔚，童曉陽.運(yùn)用時(shí)序貝葉斯知識庫的電網(wǎng)故障診斷方法[J].電網(wǎng)技術(shù) 2014，3（3）：715-722.

[11]羅孝輝，童曉陽.計(jì)及可信度的變結(jié)構(gòu)貝葉斯網(wǎng)絡(luò)電網(wǎng)故障診斷[J].電網(wǎng)技術(shù) 2015，9（2）：2658-2664.

[12]牛寅，王佳彬.基于樸素貝葉斯和群智構(gòu)建指紋庫及其在無線城市WIFI定位中的應(yīng)用[J].科研，2017，3（7）:308-310.

[13]王一鳴，陳敏.淺談110kV變壓器狀態(tài)檢修[J].電工技術(shù)，2015，11（11）:62-68.

[14]譚子平.基于人工智能技術(shù)的變壓器故障診斷[J].計(jì)算機(jī)光盤軟件與應(yīng)用，2014，4（4）:31-37.

[15]馮威，高旭松.智能電網(wǎng)中的智能化變壓器[J].工業(yè)，2017，2（6）:262-268.

Research on power transformer fault diagnosis based on Bayes model

TIAN Bing-wei1，GAO Chuan2
（1.Xi`an Polytechnic University，Xi'an 710048，China； 2.State Grid Xian Electric Power Supply Company，Xi'an 710032，China）

Tansfomer is the key factor of power grid whose fault level is significant to the security and reliability of power system，the research on tansfomer fault diagnosis has both practical value and research significance.The traditional method called"Three-Ratio"proposed by IEC，with defects of low accuracy and missing code in some cases.Account of this，the paper focus on a method based on statistical law called Naive Bayes Network，whose child nodes are twelve groups of characteristic gases of transfomer and six fault types make up the father node.There are two examples show the effect of the new model ，one is single random test，shows the bayes method is 10 percentage points higher than the traditional method；the other is multiple random test，shows the mean accuracy of the bayes method is more than 95 percent.In a word，the model we presented make a better performance than the traditional method.In the meantime，the model can be used for actual production as an effective method for transforme fault diagnosis.

Bayes；power grid；transfomer； fault diagnosis

TN-9

：B

：1674－6236（2017）15-0054-04

2017-06-19稿件編號：201706135

田炳偉（1984—），男，陜西西安人，工程師。研究方向：控制工程—計(jì)算機(jī)方向。