白國政

(陜西工業(yè)職業(yè)技術(shù)學(xué)院，陜西 咸陽 712000)

0 引言

隨著當今社會基礎(chǔ)設(shè)施的逐漸完善，電網(wǎng)系統(tǒng)逐漸覆蓋各行各業(yè)，電力系統(tǒng)的規(guī)模也隨之擴大，與之而來的是復(fù)雜的用電環(huán)境導(dǎo)致的電力系統(tǒng)負荷過高，從而導(dǎo)致各種電力故障問題頻發(fā)。而電力變壓器是維護電力系統(tǒng)安全與穩(wěn)定的重要設(shè)備，為了進一步應(yīng)對多樣化的電力故障問題需要對變壓器故障檢測能力進行優(yōu)化。使其能夠根據(jù)當前的電力運行狀態(tài)對未來一段時間內(nèi)的運行狀況進行預(yù)測，及時發(fā)現(xiàn)電力系統(tǒng)內(nèi)存在的安全隱患。并進行診斷與糾正。從而減少故障問題發(fā)生造成的不可逆性損失，延長電力系統(tǒng)的使用壽命，保障電力網(wǎng)絡(luò)運行環(huán)境的安全與穩(wěn)定。

文獻[1]利用激光誘導(dǎo)熒光光譜技術(shù)與極限學(xué)習(xí)機算法對電力變壓器內(nèi)部油樣進行快速識別，對不同類型的油樣使用激光儀發(fā)射熒光，識別獲取油樣熒光光譜，通過學(xué)習(xí)機ELM算法對光譜進行除噪預(yù)處理，分析油樣模型中的元素貢獻率，降維后得到變壓器油分析結(jié)果，進行變壓器故障檢測。該方法雖然快速可靠，但主要是基于變壓器常態(tài)運行狀況下進行故障檢測與診斷，無法實現(xiàn)對未來一定時間內(nèi)變壓器故障異常狀況的檢測和預(yù)防。文獻[2]通過利用掃描電鏡技術(shù)對電力變壓器局部放電運行狀態(tài)進行掃，通過高精度圖像監(jiān)測技術(shù)實現(xiàn)對變壓器內(nèi)部更加細節(jié)具體的掃描與信息提取，工作人員根據(jù)電鏡掃描獲取到的圖像信息，尋找識別變壓器存在故障的區(qū)域。該方法主要利用了圖像識別技術(shù)，更加清晰具體，但同樣無法滿足對潛藏的安全隱患進行檢測判斷，只能識別確定當下的故障問題，局限性較大。

針對傳統(tǒng)方法的不足，本文研究了一種基于貝葉斯網(wǎng)絡(luò)的電力變壓器局部放電故障檢測，通過貝葉斯網(wǎng)絡(luò)對故障狀態(tài)發(fā)展趨勢進行關(guān)聯(lián)性分析，實現(xiàn)對變壓器局部放電故障的精準檢測。

1 貝葉斯網(wǎng)絡(luò)模型

1.1 電力變壓器局部放電故障評分

電力變壓器的主要功能是保護電網(wǎng)系統(tǒng)的電力運行安全與穩(wěn)定，對存在異常的電流和電壓進行調(diào)控，使電力參數(shù)保持在一個穩(wěn)定合理的閾值內(nèi)，從而減少電力系統(tǒng)故障隱患的存在，降低安全風(fēng)險，延長電力設(shè)備的使用壽命[3]。因此在構(gòu)建貝葉斯網(wǎng)絡(luò)模型過程中，對電力變壓器局部放電故障的發(fā)生概率及范圍進行合理性評估是關(guān)鍵環(huán)節(jié)。

在電力系統(tǒng)中，電力變壓器運行電流監(jiān)測的數(shù)據(jù)波動越大，系統(tǒng)存在故障隱患的風(fēng)險越大[4]。以傳感器監(jiān)測到的電網(wǎng)運行數(shù)據(jù)信息為評估數(shù)據(jù)集，將電力變壓器存在的運行狀態(tài)按照異常程度劃分為“正?！?、“異?！?，“危險”三種表現(xiàn)狀態(tài)。通過計算異常故障發(fā)生概率對變壓器不同區(qū)域運行狀態(tài)的劃分，設(shè)定需要計算的目標區(qū)域為節(jié)點X，則正常狀態(tài)下該節(jié)點的運行狀態(tài)表示為X′，故障發(fā)生概率的計算公式如下：

(1)

其中：P表示節(jié)點X方式故障異常的概率，y1，y2，…，yi為根節(jié)點X的概率分支節(jié)點，從根節(jié)點出發(fā)計算先驗概率，以此類推直到計算出所有不同狀態(tài)下節(jié)點的運行狀態(tài)數(shù)值，根據(jù)整合概率公式計算出異常數(shù)值存在的概率P′：

(2)

式中，NT為上述狀態(tài)概率計算公式所計算出的正常狀態(tài)概率數(shù)量，NF則為計算所得的異常狀態(tài)概率數(shù)量。基于運行狀態(tài)概率分析結(jié)果，針對存在異常的節(jié)點進行反推，逐層分析異常狀態(tài)的發(fā)生原因及故障根節(jié)點位置，應(yīng)對各部分進行標注，按照狀態(tài)概率結(jié)果劃分狀態(tài)水平，按順序輸入到貝葉斯模型數(shù)據(jù)庫儲存?zhèn)浞輀5]。

1.2 故障樹

貝葉斯網(wǎng)絡(luò)模型的基本結(jié)構(gòu)為樹狀圖形，以上述計算所得的節(jié)點數(shù)據(jù)與概率信息為貝葉斯網(wǎng)絡(luò)故障樹的數(shù)據(jù)樣本，將系統(tǒng)可能性故障與變壓器局部放電節(jié)點之間關(guān)聯(lián)起來，逐層分解故障原因，分析獲取各階段可能性故障事件，最終歸結(jié)到變壓器局部放電異常根節(jié)點為止[6]。其結(jié)構(gòu)參考示意圖如圖1所示。

圖1 貝葉斯網(wǎng)絡(luò)故障樹結(jié)構(gòu)示意圖

故障樹模型按照特定的邏輯規(guī)則構(gòu)建，從根節(jié)點出發(fā)進行概率分解，樹向分枝之間存在線路保護，同時最終分節(jié)點與根節(jié)點之間的直接關(guān)系分支存在母線保護[7]。

目前廣泛應(yīng)用是多貝葉斯網(wǎng)絡(luò)，是基于傳統(tǒng)貝葉斯的擴展學(xué)科，同樣以樹形結(jié)構(gòu)為關(guān)系描述基礎(chǔ)，但關(guān)聯(lián)數(shù)據(jù)之間屬性關(guān)系的描述不僅僅為樹狀貝葉斯關(guān)系，在主貝葉斯關(guān)系脈絡(luò)上分支出多個子集貝葉斯描述關(guān)系，通過關(guān)系依賴強度和分類器性能構(gòu)建不同距離大小的關(guān)系樹。

對于電力變壓器局部放電故障可選用復(fù)雜的多貝葉斯網(wǎng)絡(luò)進行描述，根據(jù)上文變壓器局部放電故障評估參數(shù)，調(diào)整不同分支貝葉斯的邊界閾值，與樸素貝葉斯故障數(shù)結(jié)合，構(gòu)建完整的，能夠明顯表述復(fù)雜依賴關(guān)系的故障樹。

1.3 故障樹向貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)化

貝葉斯網(wǎng)絡(luò)的應(yīng)用原理主要是對概率性事件之間的因果關(guān)系進行描述，其推演事件可存在不止一種對應(yīng)風(fēng)險狀態(tài)[8]。貝葉斯的網(wǎng)絡(luò)結(jié)構(gòu)包括節(jié)點和有向弧線兩部分，通過分類變量來表示節(jié)點，當網(wǎng)絡(luò)內(nèi)部的節(jié)點為數(shù)值型變量，貝葉斯網(wǎng)路會將變量自動分化，轉(zhuǎn)變成分類變量。利用節(jié)點之間的弧線判斷變量是否存在依賴關(guān)系，如果存在弧線連接，則證明有依賴關(guān)系，否則代表這些節(jié)點為獨立節(jié)點。

根據(jù)概率論構(gòu)建擁有原始節(jié)點、概率條件、分裂方向等主要元素的概率隨機性關(guān)系推演網(wǎng)絡(luò)。以故障樹為變壓器局部放電異常分析的基礎(chǔ)結(jié)構(gòu)，根據(jù)貝葉斯網(wǎng)絡(luò)轉(zhuǎn)化邏輯，將故障樹數(shù)據(jù)對應(yīng)轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)中各節(jié)點數(shù)據(jù)，根據(jù)分支推演規(guī)則對數(shù)據(jù)邏輯關(guān)系進行判定[9]。

(3)

當貝葉斯網(wǎng)絡(luò)邏輯規(guī)則計算數(shù)據(jù)滿足上述條件時，則說明該數(shù)據(jù)存在對應(yīng)狀況，在此基礎(chǔ)上對網(wǎng)絡(luò)節(jié)點的異常狀態(tài)先驗概率進行計算，關(guān)聯(lián)節(jié)點之間的算例關(guān)系如圖2所示。

圖2 貝葉斯網(wǎng)絡(luò)概率算例關(guān)系

設(shè)定樣本數(shù)據(jù)總數(shù)為n，異常樣本數(shù)據(jù)的數(shù)量為r，按照樣本之間的投運時間差，擬合計算出節(jié)點異常問題發(fā)生的頻度Q為：

(4)

其中：ti為目標節(jié)點時間，tj為樣本節(jié)點投運時間。由于樸素貝葉斯的各項自變量為獨立變量，所以當其中一項變量出現(xiàn)變化的時候，其他變量不會受到影響，因此可以針對這一特點，根據(jù)貝葉斯網(wǎng)絡(luò)關(guān)系計算出節(jié)點之間延續(xù)的異常頻度，進一步提取電網(wǎng)系統(tǒng)中存在的異常節(jié)點，提取關(guān)鍵點回溯確定電力變壓器局部放電存在故障的位置和頻率，提高貝葉斯網(wǎng)絡(luò)模型對變壓器故障信息檢測的準確度[10]。

2 局部放電故障檢測

2.1 故障信息關(guān)聯(lián)知識抽取

電力變壓器局部放電特征指標與故障之間存在多維關(guān)聯(lián)關(guān)系，需要根據(jù)變壓器設(shè)備實際硬件參數(shù)對放電故障概率進行關(guān)聯(lián)分析，整合電力網(wǎng)絡(luò)運行資源數(shù)據(jù)，進行貝葉斯信息量化，提取電力變壓器特征指標進行模糊關(guān)聯(lián)函數(shù)評價。

由于并不是在所有情況下貝葉斯網(wǎng)絡(luò)中的節(jié)點都是相互獨立的，因此局部放電故障信息檢測所建立的網(wǎng)絡(luò)除了樸素貝葉斯網(wǎng)絡(luò)之外，同時也有TAN貝葉斯網(wǎng)絡(luò)，本文利用TAN貝葉斯網(wǎng)絡(luò)對故障信息關(guān)聯(lián)知識進行抽取。首先選取數(shù)據(jù)源，根據(jù)內(nèi)部數(shù)據(jù)集確定自變量，包括電力變壓器的故障時間、故障電壓、故障電流等信息，而因變量則為故障功率表。分析歷史數(shù)據(jù)，根據(jù)分析結(jié)果建立貝葉斯網(wǎng)絡(luò)模型，從而判斷電力變壓器是否出現(xiàn)故障，從而確定是否進行故障的抽取工作。在導(dǎo)入電力變壓器的相關(guān)數(shù)據(jù)源后，要對所有的數(shù)據(jù)進行實例化分析，判斷數(shù)據(jù)的變量角色，根據(jù)數(shù)據(jù)狀態(tài)進行數(shù)據(jù)清洗，如果發(fā)現(xiàn)有的數(shù)據(jù)值為空值，則需要刪除，利用得到的參數(shù)建立貝葉斯網(wǎng)絡(luò)，劃分數(shù)據(jù)訓(xùn)練集和測試集，根據(jù)模型內(nèi)部電力變壓器數(shù)據(jù)的運行結(jié)果檢測電力變壓器的故障情況，如果變壓器出現(xiàn)故障，則要進行知識抽取，否則這一區(qū)域不需要進行抽取。

檢測提取變壓器局部放電故障數(shù)據(jù)，抽取變壓器放電運行與異常問題之間的關(guān)聯(lián)知識信息，根據(jù)貝葉斯定理設(shè)定變壓器定量特征指標與故障信息特征指標[11]。并采用貝葉斯概率特征衡量指標評價公式，對異常狀況的嚴重程度進行評價：

(5)

其中：O為變壓器定量特征指標數(shù)據(jù)集，Z為發(fā)生異常的故障信息特征指標數(shù)據(jù)集，P(O)和P(Z)分別為二者的先驗概率，P(Z|O)為反推的條件概率。

根據(jù)異常程度對電力變壓器特征數(shù)據(jù)進行提取，設(shè)置貝葉斯網(wǎng)絡(luò)底層原始特征指標數(shù)據(jù)值為根部節(jié)點樣本數(shù)據(jù)，結(jié)合邏輯規(guī)則中的轉(zhuǎn)化速率規(guī)則，在規(guī)定閾值內(nèi)對初始特征指標數(shù)據(jù)進行模糊關(guān)聯(lián)歸一化函數(shù)處理：

(6)

(7)

在規(guī)定閾值范圍內(nèi)對電力系統(tǒng)運行變化速率特征指標及評分值進行歸一化運算，同時還要考慮變化速率的運行周期以及電力變壓器的產(chǎn)氣速率[12]。一般情況下變壓器的C2H2產(chǎn)氣速率不會超過3%每周，則以周為單位運行周期，特征評估指標的產(chǎn)氣變化速率的最大值為0.03，進一步對變壓器放電狀態(tài)評估特征指標進行限制，提高故障信息關(guān)鍵特征與關(guān)聯(lián)知識抽取的精準度[13]。

2.2 故障狀態(tài)檢測

通過模糊描述方法對變壓器局部放電故障問題進行檢測，根據(jù)變壓器內(nèi)部故障發(fā)生概率及嚴重程度，判定故障狀態(tài)由未發(fā)生轉(zhuǎn)向確定發(fā)生的過程中模糊描述的演化過程。

首先，構(gòu)造故障發(fā)生目標函數(shù)，根據(jù)概率規(guī)則形成不同特征指標的映射，在規(guī)定閾值范圍內(nèi)引入評分值對單位節(jié)點故障的模糊狀態(tài)進行邊界描述，特征指標評分值與故障發(fā)生概率的關(guān)系成反比，因此可以直接界定故障狀態(tài)模糊描述的邊界范圍[14]?；谪惾~斯網(wǎng)絡(luò)模型的故障模糊描述測度的目標函數(shù)如下：

(8)

其中：e為故障特征檢測的目標函數(shù)樣本節(jié)點，se為故障特征檢測目標樣本在異常特征總樣本中的重要性比值，α為模糊描述中特征檢測有效性系數(shù)。

根據(jù)貝葉斯網(wǎng)絡(luò)故障數(shù)的連續(xù)關(guān)系，迭代運算上述函數(shù)公式，計算出每個單位周期內(nèi)各節(jié)點故障特征指標模糊描述概率測度。根據(jù)概率測度和貝葉斯網(wǎng)絡(luò)相關(guān)性可進一步識別故障狀態(tài)類型。

2.3 貝葉斯網(wǎng)絡(luò)故障狀態(tài)推理

診斷電力變壓器局部放電故障狀態(tài)，首先需要精確貝葉斯診斷網(wǎng)絡(luò)判斷精確性能。在監(jiān)測電力變壓器運行與放電故障過程中，可通過調(diào)整各局部邊界參數(shù)，生成不同閾值Tan貝葉斯網(wǎng)絡(luò)，從不同方向表述變壓器局部放電特征，突出關(guān)鍵故障特征點，擴大故障監(jiān)測差異極值。

由于變壓器放電故障診斷中會存在屬性相似度較高而誤判的情況。因此，需要在基本的貝葉斯網(wǎng)絡(luò)基礎(chǔ)上，針對每一個局域貝葉斯網(wǎng)絡(luò)設(shè)定關(guān)聯(lián)邊界數(shù)據(jù)集，限制不同區(qū)域結(jié)構(gòu)的電力線路數(shù)據(jù)，整合到對應(yīng)的貝葉斯故障診斷器中，并引入之前的診斷經(jīng)驗設(shè)置對照組，能夠有效降低故障診斷誤差率。

基于貝葉斯網(wǎng)絡(luò)故障狀態(tài)模糊測度描述評估，對電力變壓器不同狀況下的整體評估進行模糊推理，根據(jù)模糊描述中模糊測度的不同程度級別劃分故障風(fēng)險等級，提取不同等級的故障模糊測度數(shù)值，帶入對應(yīng)網(wǎng)絡(luò)分支推演規(guī)則，分析推理模糊測度數(shù)值與模糊目標函數(shù)動態(tài)變化之間的關(guān)系，二者之間的相關(guān)關(guān)系如圖3所示。

圖3 模糊測度與模糊函數(shù)動態(tài)變化關(guān)系圖

其中，嚴重程度比較輕的一級故障呈拋物線模糊函數(shù)形式，對設(shè)備的危害較小；二級故障對設(shè)備運行的影響程度存在負線性相關(guān)關(guān)系，到達一定程度后會產(chǎn)生故障，呈高斯模糊函數(shù)形式；三級故障基本可以確定其存在必然會導(dǎo)致故障發(fā)生，且影響較大，呈三角模糊函數(shù)形式[15]。

根據(jù)上述電力變壓器局部放電風(fēng)險等級分析，能夠?qū)υ搮^(qū)域電力故障與風(fēng)險模糊程度有一個比較準確的判斷。同時局部故障診斷也需要考慮電力系統(tǒng)整體數(shù)據(jù)資源，統(tǒng)計各區(qū)域不同類型放電故障發(fā)生概率與關(guān)鍵特征，分別設(shè)置為故障診斷的先驗概率與條件概率，基于貝葉斯網(wǎng)絡(luò)衡量故障特征的重要性與分布區(qū)域，基于變壓器運行參數(shù)量化故障運行概率關(guān)系，再次進行模糊測讀分析，獲取局部放電故障與電力變壓器運行系統(tǒng)全景故障狀態(tài)的評估關(guān)系，基于變壓器整體貝葉斯網(wǎng)絡(luò)評價局部放電故障的風(fēng)險等級。

3 實驗研究

為了驗證本文研究的基于貝葉斯網(wǎng)絡(luò)的電力變壓器局部放電故障檢測方法的有效性，本文選取規(guī)格為500 kV的電力變壓器為實驗?zāi)繕?，與傳統(tǒng)的a方法和b方法進行對比，對變壓器局部放電異常檢測的有效性和準確率進行實驗與分析。

3.1 實驗過程與數(shù)據(jù)分析

根據(jù)變壓器主要故障類型設(shè)定異常特征評估指標，主要包括變壓器體積電阻率、繞組直流電阻差、單位產(chǎn)氣量、水油比、電壓擊穿率、絕緣吸收比、絕緣介損、繞組絕緣指數(shù)為參數(shù)指標，數(shù)據(jù)集表示為B={B1，B2，…，B8}。首先，采集提取正常運行狀態(tài)下變壓器各項指標參數(shù)作為實驗樣本，設(shè)定實驗周期單位為72小時，監(jiān)測計算各項特征指標數(shù)據(jù)參數(shù)，得到變壓器故障特征指標與根節(jié)點原始樣本數(shù)據(jù)之間的概率關(guān)系如圖4所示。

3.2 實驗結(jié)果與分析

選用貝葉斯網(wǎng)絡(luò)對變壓器局部放電故障進行檢測診斷，基于關(guān)聯(lián)關(guān)系對不同狀態(tài)下的故障指標進行綜合運算，監(jiān)測不同方法對電力變壓器局部放電故障特征指標數(shù)據(jù)的提取量結(jié)果如圖5所示。

圖5 故障特征指標數(shù)據(jù)的提取量

從圖5可以看出，使用基于貝葉斯網(wǎng)絡(luò)的電力變壓器局部放電故障檢測方法對故障特征指標進行提取時，特征提取量全部超過故障診斷所需狀態(tài)數(shù)據(jù)量，最大提取量為8 000 B，而所欲提取量為6 000 B；使用基于LIF的故障診斷方法，只有20%的特征數(shù)據(jù)集提取總量超過所需標準閾值，絕大部分都沒有超過提取標準，最大提取量只有6 800 B；使用掃描電鏡的檢測技術(shù)調(diào)整提取性能較差，所有提取量均未達到檢測標準，最大提取量為6 000 B，最小只有3 100 B。

根據(jù)提取電力變壓器局部放電調(diào)整數(shù)據(jù)，進行放電故障診斷檢測，計算出故障問題概率與位置檢測的準確率。得到故障監(jiān)測的準確率結(jié)果對比如圖6所示。

圖6 故障檢測準確率結(jié)果對比圖

根據(jù)圖6結(jié)果可見，本文研究的基于貝葉斯網(wǎng)絡(luò)的電力變壓器局部放電故障檢測方法準確率更高，針對不同狀態(tài)下的故障監(jiān)測準確率均達到了85%以上?；贚IF技術(shù)的變壓器故障診斷方法的檢測準確率比較穩(wěn)定，在80%上下波動；而掃描電鏡檢測技術(shù)的準確率變化幅度較大，正常情況下檢測準確率為70%，但隨著變壓器運行狀況復(fù)雜性增加，準確率也隨之下降，在緊急情況下準確率只有50%左右。

由此可見，本文研究的方法不僅擁有良好的變壓器運行局部放電特征提取性能，可提取大量檢測所需特征參數(shù)；而且故障診斷準確率很高，針對比較復(fù)雜的故障狀況依然能夠保持較高的準確率，具有較好的可行性與準確性，能夠提高變壓器局部放電異常故障檢測的有效性。

4 結(jié)束語

本文研究了一種基于貝葉斯網(wǎng)絡(luò)的電力變壓器局部放電故障檢測，得出以下結(jié)論：

1)通過傳感器獲取電力變壓器不同狀態(tài)下運行過程中的參數(shù)數(shù)據(jù)，對局部放電故障發(fā)生的概率和范圍進行合理性評估，提取評估概率數(shù)據(jù)綜合為樣本數(shù)據(jù)集，為貝葉斯網(wǎng)絡(luò)模型構(gòu)建提供數(shù)據(jù)基礎(chǔ)。

2)以變壓器放電故障特征數(shù)據(jù)為樣本構(gòu)建貝葉斯網(wǎng)絡(luò)故障樹，根據(jù)邏輯規(guī)則將故障樹轉(zhuǎn)化為貝葉斯關(guān)系網(wǎng)絡(luò)，按照網(wǎng)絡(luò)推演邏輯規(guī)則計算故障節(jié)點之間的算例關(guān)系，有利于提高故障信息檢測準確度。

3)根據(jù)貝葉斯原理抽取變壓器故障特征指標與異常概率特征信息之間的關(guān)聯(lián)關(guān)系，通過模糊描述方法構(gòu)建故障特征關(guān)聯(lián)函數(shù)，推理得到故障特征參數(shù)模糊速度與相關(guān)模糊函數(shù)動態(tài)變化之間的關(guān)系。從而實現(xiàn)對變壓器故障發(fā)生的概率與位置信息進行推理和預(yù)判。

通過實驗研究可以證明，通過貝葉斯網(wǎng)絡(luò)對電力變壓器局部放電故障狀態(tài)進行檢測告警具有較高的準確度，能夠有效提高故障檢測的有效性，但在實驗過程中發(fā)現(xiàn)該方法還存在以下不足：

1)該方法對電力系統(tǒng)運行中不同狀態(tài)下的大量數(shù)據(jù)進行提取與關(guān)聯(lián)運算，其工作量較大，操作難度較高，需要配備較高設(shè)置的計算機才能滿足海量數(shù)據(jù)運算與分析。因此，在后續(xù)研究中需要優(yōu)化數(shù)據(jù)提取與篩選機制，進一步提高數(shù)據(jù)分析效率，降低操作成本增強該方法技術(shù)的適用性。