基于贝叶斯网络的变压器健康状况分析

2021-09-28杨玥，康琪，杨军，姜涛

测控技术 2021年9期

杨玥，康琪，杨军，姜涛

(内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司，内蒙古呼和浩特 010020)

随着电力生产规模的不断扩大，电力企业投入大型电力变压器的电压等级和数量也呈现逐年上升的趋势。实现对在运单台变压器健康状况的准确诊断，全面掌握群组变压器的运维状况并将设备运行经济性最大化已成为当前实施主动运维管控的重点和难点。

首先，目前国内电网企业对变压器类设备主要实施以定期检修为基础，结合变压器状态半动态调整检修日期并在必要时增加诊断性试验项目的检修模式，其本质是一种融合了基于量、时间和状态3类检修经验，基于变压器运行状态评价参考结果的状态检修。该类检修模式可提供变压器基本参数和少数不良工况，缺乏对变压器状态全面动态故障风险信息的掌握和对风险或服役年限预测评估的有效管控手段[1-2]。

当前用于监测变压器运行状况的管理系统众多，系统间的部分必要数据壁垒无法逾越[3]，加之能够反映变压器运行状态的参数种类繁多，尚未完全实现所有变压器可用状态量数据参与评价，信息缺失会造成对变压器薄弱环节或关键部位的识别与跟踪困难，无法为设备检修提供可靠依据。

目前，有大量学者基于人工神经网络、支持向量机、相关向量机、信息融合等技术构建了变压器智能诊断系统[4-7]。但上述系统除了对样本数据数量的限制和数据质量的要求高以外，诊断单元的故障概率也无法与总体故障概率建立客观的数值和关联关系，对结果的解释性不强，并存在组合模式一旦错误则最终结果会发生不可逆偏差的弊端。

本文基于LabVIEW虚拟仪器技术，利用贝叶斯网络可有效解决数据的不确定性和数据结构不完整性的优点，设计了一种贝叶斯网络变压器健康状况分析系统，将数据的采集、处理、分析和存储进行无缝式衔接，实现对电力变压器故障风险等级的划分和故障风险概率的计算。系统通过引入熵，使贝叶斯网络的单元划分更为明确，有效提高了节点条件概率的准确度，并对缺失数据的处理提出了完整的数据模型，同时在打分过程中扩展了判定依据，使故障类别的倾向和设备分级更加明显。

1 系统设计方案

变压器评估所需的状态量数据主要由调度SCADA系统、在线/离线传感器的实时数据以及手动录入的离线数据构成。在变电站内部署边缘侧网关，边缘侧网关可获取两部分数据：一是来自SCADA系统的实时电流、电压和负载数据；二是各类在线传感器的数据，如局部放电量、介损(套管)、电容量(套管)、振动(有载分接开关)、油色谱、红外、紫外等。边缘侧网关具备数据分析与处理功能，可监控数据质量、对异常数据进行过滤，并能够将获取到的数据通过电力信息内网传输至数据中心进行统一存储。在生产管理信息系统中手动录入的离线数据如试验报告、巡检记录、缺陷记录也会在变压器健康状况分析系统中实时同步。将上述数据与系统中内置的设备信息库和缺陷信息库进行比对，同时基于贝叶斯网络理论的变压器诊断模型自动预测设备运行风险、计算变压器的失效风险概率、生成变压器可能存在的问题和推荐可用的检修措施，还能实现设备家族比对分析等功能。图1为群组变压器健康状况分析系统的状态量构成及数据处理路径。

图1 群组变压器健康状况分析系统的组成

2 系统数据的采集与处理

2.1 系统分析数据流程

变压器评价模型是由数据驱动的。多种变压器参评参数基于消息类型通过REST API发送到相应路由器队列，并筛选有数据分析意义的参数消息发送至模型路由器，之后进入服务检查和参数服务流程。参数服务将确保上述消息或数据存储为设备参数，用于可视化展示。服务检查流程由模型路由器检查资产配置，并将数据信息导入资产评估模型，保留最新的输入数据集，其中，输入数据是动态的，也可以直接使用以前的计算值。筛选过后的整套数据发送到模型计算处理器，处理器运行各评估单元计算模型并将输出的消息或计算结果发送到模型输出处理器。模型输出处理器将输出拆分为单独消息(分数、问题消息、日志消息、自定义输出等)，消息结果将被传送到相应数据库，供后续风险结果确认时进行二次调用；分数被传送到健康评分服务和风险服务，以确保分值和风险得到储存。此外，分值和风险将与以前的结果进行比较，并可能触发发送到路由器队列的更改事件消息。

2.2 系统分析数据类别

分析数据的算法分为在线和离线两种，系统对数据分析的总体要求如下。

① 避免过多数量的告警信息或误报信息；

② 定制工程性能模型自动解析离线数据和在线传感器的数据；

③ 解决在线和离线数据之间的冲突。

系统可分析的典型数据种类包括油样分析、套管信息分析、有载分接开关分析、其他信息分析等。

2.2.1 油样分析

在线算法考虑传感器的精度和采样频率，支持多种单项气体传感器或综合气体传感器回传数据分析和油中水分分析。将传感器输出的数据水平与当前配置的标准或自定义标准进行比较，并根据比较结果生成有参考价值的告警消息，根据历史数据集预测气体浓度的趋势。

离线算法考虑实验室操作仪器和操作人员存在的差异，其主要数据来源为实验室的油色谱样本。分析数据种类包括：油色谱实验室分析结果、酸中和指数、介电强度击穿电压、阻垢剂含量、界面张力、湿度、油品功率因数(25 ℃和100 ℃)。将上述结果与厂家标准或自定义标准进行比较，并基于比较结果生成必要消息。

2.2.2 套管信息分析

在线算法通过读取套管传感器监测电流计算数据偏差。由相位角判断问题套管的相别，而电流值的大小则决定是否需要生成告警消息。该算法也可根据历史读数预测当前总电流的变化趋势。在某些情况下，套管传感器还能够监测局部放电强度。

离线算法需要提供当前或更新后的监测套管功率因数和电容测试值，同时考虑设计特性、环境等因素，可根据对数据的评估输出相应告警消息，并计算与套管相关的变压器故障概率。

2.2.3 有载分接开关分析

有载分接开关分析不涉及传感器，仅提供离线算法。离线算法监测变压器有载分接开关的操作计数和维护计划，在必要时根据历史数据输出消息。

2.2.4 其他信息分析

① 冷却系统：根据冷却配置和条件计算冷却对变压器故障概率的影响分数。

② 呋喃数据：估算变压器纸绝缘的聚合程度。可预测热呋喃的增加趋势，并提供变压器油中存在的CO2气体和负载之间的相关性证据，该算法在必要时生成警告和警报消息，以指示分析过程中发现的问题。

③ 变压器主油箱局部放电：传感器记录部分放电事件及其严重程度，根据需要发出警告和警报消息。

④ 过热信息：该算法计算绕组热点，判断变压器纸绝缘是否加速老化。同时可估算变压器在不造成寿命负荷过早损失的情况下可以超载的负荷，并输出最大允许操作温度信息。

⑤ 变压器油中固体颗粒数量和大小的离线测试结果：根据变压器的运行经验，将粒子计数单位指定为每100 ml的计数，也可指定为其他标准类。

⑥ 变压器的设计磁化率和地磁感应电流能的大小：输出与之相关的信息，在需要时，将建议计算变压器的电压、谐波和热性能。

3 基础模型算法

3.1 贝叶斯网络建模

贝叶斯网络(Bayesian Network)是当前最有效的可利用概率表示不同类型数据之间关系并能较明确描述事件发展趋势的推理模型[8-10]。利用其这一特征对造成变压器故障的复杂原因进行分析单元的划分和因果关系构建，根据对相互独立的有限状态量进行权重设置最终获得变压器条件故障概率。同时，贝叶斯网络可根据提供状态量的数量丰富程度，提供不同精度的变压器故障风险概率预测，部分数据的缺失对网络结构和概率的双向推算的影响较小[11-13]。

定义影响变压器运行状态的状态量有限集为U={X1,X2,…,Xn,C}，对限定状态量的取值设为xi，同时由于本系统进行了状态量单元划分，增加分类系数C修正风险概率，其取值范围为{c1,c2,…,cm}，分类系数C的先验概率为P(cj)。例如某状态量的历史数据为Fi=(x1,x2,…,xn)属于类别cj的变压器故障风险的贝叶斯概率表示如下：

(1)

贝叶斯网络的各节点确定后，影响因子的划分总是会出现模棱两可的情况，而分类过程中的对与错将决定节点条件概率的准确性，为此，系统设计引入熵的概念,假设一个给定节点的信息熵刚好为每个变量找到最好的“分离”数据至少两个集，则该信息熵可看作是最小化的混乱程度。但实际情况往往是一个节点同时可作为某两个或两个以上的诊断单元中的判别节点，系统利用“交叉熵”来规定数据的流向。

假设{a1,a2,…,an}为属性X的值且与假设H1和H2有关。

在H1条件下，X的概率可表示为

(2)

在H2条件下，X的概率可表示为

(3)

结合式(1)则有：

(4)

(5)

由式(4)和式(5)，结合熵的定义，则有：

当ak取X时，倾向于H1的信息量为

(6)

倾向于H2的信息量为

(7)

此时，如果存在Xi和Xj两组随机变量，其取值分别为

Xi={xi1,xi2,…,xim}(m=1,2,…,M)

Xj={xj1,xj2,…,xjn}(n=1,2,…,N)

则在假设H1和H2条件下，Xi联合概率分布为p1(Xim,Xjn),Xj联合概率分布为p2(Xim,Xjn)，存在Xi和Xj的联合鉴别信息：

(8)

在贝叶斯网络中任意选取有弧但无序的节点Xi和Xj，而H1和H2分别对应Xi→Xj和Xi←Xj两种情况，箭头即数据流向，根据式(8)，可将节点Xi和Xj的信息量转化为

(9)

(10)

如I(p1,p2,Xi,Xj)>I(p2,p1,Xi,Xj),则信息流向方向为Xi→Xj，否则为Xi←Xj。

3.2 贝叶斯拓扑网络

根据贝叶斯网络的评估思想提出基于贝叶斯网络的变压器健康状况分析系统的基础算法设计思路：以现有可获取的回传变压器信息与试验数据为基础，结合设备的设计参数和操作习惯等外界因素，按照影响的部件或运行模式建立节点和条件概率拓扑结构，分析各因素节点可能会导致的故障模式，并将故障模式划分评估单元，形成最终的基于贝叶斯评判规则的大型评价系统故障树，由于造成变压器故障风险的因素关系太过复杂，本文仅列举部分节点和基本事件之间的运算方式，如图2所示。图2中每一个参数都具有自己的子、父级别，并被赋予相应的权重系数[14]。

图2 系统部分参数贝叶斯拓扑网络示例

3.3 缺失数据及随机误差处理

为使评估结果更准确，模型算法采用了趋势分析以应对数据缺失或存在随机误差的情况，算法要求数据保证至少95%的置信度，并计算全部数据集的平均值。趋势分析函数的选型依据为上述训练样本生成的变量直方图和导出的概率密度函数。所有函数均以对数比例尺显示，便于比较。

选取20个状态量共1200个变压器特征数据，利用计算机数据训练方法，将上述特征数据随机划分为包含960个训练样本和240个盲测数据的两个子集进行训练。该训练需要用已知的函数关系进行触发，通过训练阶段对输入数据和输出结果之间的统计映射，定义一个可以代替缺失数据的误差函数，以便得到最佳精度。训练后，算法将对盲测数据集进行测试以验证替代函数是否合理。训练过程是基于10倍交叉验证过程的监督学习。把用于训练和测试的主要变量按照影响数据分布特征(集中趋势、离散程度和分布形状)进行描述性统计，以期获得完整的趋势分析模型。如表1所示。

表1 主要变量特征描述性统计

最终获得的趋势分析函数分布模型[15-16]主要包含正态分布、威布尔分布、指数分布、对数分布、伽马分布等。为使数据分布的细微变化更加明显，采用对数比例尺对分布模型进行优化，纵坐标为概率密度(如图3所示)。

图3 趋势分析模型

3.4 聚合器

通过聚合器，收集每个非聚合器算法的标志性信息，以指示它们检测到的问题，执行对整个问题范围的分析，包括低层次算法之间的可能相关性，以确定需要由管理者处理的高层次问题。它发出包含问题诊断的消息三元组，通常包括：可能的原因、关于如何处理诊断的一个或多个建议和执行建议的紧迫性指示。输入数据的完整性决定聚合器的最后诊断结果的准确度。结合贝叶斯网络，聚合器的工作路径如图4所示。聚合器将根据贝叶斯网络的概率计算结果给出不同层级的节点(影响因素和风险)的分值，最终汇总得到设备整体的故障风险概率。

图4 基于贝叶斯网络的聚合器工作路径

4 分析流程

基于贝叶斯网络的变压器健康状况分析系统对变压器故障的分析流程如下。

① 收集变压器故障实例并归类，形成故障树。

② 对故障树分支的故障单元建立适合的分析模型，并确定模型的结构参数和概率参数，模型内使用的参数和依据可根据现有国内外规程确定，或者参考产品出厂规定或专家经验，也可通过样本集训练。

③ 以传感器或离线试验获得的数据为基础，通过贝叶斯网络分类器进行故障诊断分析，得到变压器评估单元或设备整体的故障风险的分值，根据分值对设备状态进行等级划分，并输出相应的告警信息。

4.1 故障类型判别

由于变压器结构复杂，故障类型较多，故障诊断方法多种多样。本文以油色谱为触发信息，给出一个变压器评估的简化流程示例，如图5所示。图5中LTC为有载分接开关(Load Tap Changer)。

图5 油色谱信息触发的某变压器评估简化流程

流程中，以变压器油色谱数据作为触发信息，变压器役龄作为筛选的条件，初步诊断仅需要CO和CO2的气体含量和增长趋势。如出现异常则进入大卫三角形电气故障与热故障分析模型，该模型利用H2，CH4，C2H2，C2H4，C2H6五种特征气体的比值实现故障可视化判断。大卫三角形内按故障类型划分区域，比值点落在的区域即为所对应的故障类型，本系统的大卫三角形有3个类型，如图6所示。首先应排除有载分接开关内油的影响，如确定为变压器本体油色谱数据异常，则先分析是否存在过热故障，并检查过热是否与负载有关，或进一步确认是否由于其他附件或外部因素导致发生过热告警。如未发生过热故障则通过考虑是否存在局部放电故障，并通过气体含量比值获得故障温度的预测值，进一步确定故障类型。油色谱中气体的等级划分参考IEEE C57.104.2008[17]，如表2所示。添加特殊气体判别规则，例如：CO2与CO之比应在3～10之间；密封装置中O2与N2之比应小于0.3，自由呼吸装置中O2与N2之比应小于0.3等。

图6 大卫三角形不同特征气体对应的不同故障类型

表2 关键气体油色谱限制(IEEE C57.104.2008) 单位：μL/L

4.2 告警信息等级划分

系统将告警信息等级分为4级，为提高信息准确度，引入趋势精度，制定趋势区间，满足等级4，3或2时有告警消息输出，以油色谱气体分析为例，其分级流程如图7所示。并利用不同时间段的斜率，对选定气体发展趋势做出预测，系统设置的告警消息输出趋势预测时间段分别为1个月、1个季度和半年。

图7 告警等级划分流程示例

4.3 群组变压器分级管理

为使系统对设备管理更具有指导意义，引入变压器的设备重要度变量，并结合聚合器计算得到的故障风险概率(%/年)分值绘制群组变压器系统失效风险图，如图8所示。图8中黑点表示参评单台变压器，黑点位于不同区域代表参评变压器的不同风险等级(灰色：正常状态，白色：注意状态，深灰：严重状态)。系统可将管辖范围内的所有变压器进行可视化分级，优先开展高风险变压器的检修和评价工作。

5 案例说明

选取一台变压器进行设备状态评级，获取的相关信息如表3第1列所示，根据聚合器的评分规则计算每个有效评分因素，可得到相应故障单元风险分值。其中油保护方式交叉为短路故障风险和过热故障风险提供了影响因素分值贡献，该变压器的故障单元风险仅涉及求和运算。将求和得到的设备故障风险分值与该变压器的设备重要度在图8中绘制交点，交点落入黄色区域，则该变压器的状态评级为注意状态。