茍瓊尹

摘 要：針對輸變電設備絕緣故障診斷結果的正判率較低，且輸變電設備絕緣故障診斷速率較慢的問題，提出基于貝葉斯網(wǎng)絡的輸變電設備絕緣故障快速診斷方法。首先，使用Hilberx變換技術對采集到的歷史故障信號進行轉化，獲取絕緣故障的特征。其次，構建貝葉斯網(wǎng)絡模型，對采集到的真實設備運行數(shù)據(jù)進行訓練學習。最后，獲取實時信號的故障診斷權值，結合數(shù)據(jù)訓練學習結果來確定輸變電設備絕緣性能狀態(tài)，完成絕緣故障診斷。至此，基于貝葉斯網(wǎng)絡的輸變電設備絕緣故障快速診斷方法就設計完成。構建試驗環(huán)節(jié)，經(jīng)試驗證實，該方法的絕緣故障診斷結果正判率較高，輸變電設備絕緣故障診斷速率得到提升，可將其應用到實際問題的診斷與管理過程中。

關鍵詞：貝葉斯網(wǎng)絡;輸變電設備;故障診斷;人工智能;故障機理

中圖分類號：TM85.35 ? ? 文獻標志碼：A ? ? 文章編號：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

輸變電設備是變電站中的重要部件，其結構復雜、自動化程度相對較高且工作環(huán)境較為復雜，極易出現(xiàn)故障，從而造成不可逆轉的經(jīng)濟損失或人員傷害[1]。如何對輸變電設備絕緣故障進行及時預警與診斷，對保證其安全運行、規(guī)避故障風險具有重要意義。由于輸變電設備的運行參數(shù)及設備的組成規(guī)模在不斷擴大，且其長期在多耦合環(huán)境中運行，故障情況時有發(fā)生，且短路故障發(fā)生的次數(shù)較多。

輸變電設備監(jiān)測最初是借助單片機進行監(jiān)測，后來逐漸發(fā)展為計算機技術監(jiān)測，現(xiàn)已逐漸向總線技術和網(wǎng)絡技術方向發(fā)展，以實現(xiàn)在線綜合監(jiān)測[2]。隨著變電設備結構的日益復雜，雖然在以往的研究中提出了多種變電設備絕緣故障快速診斷的方法，但這些方法多存在應用問題，其中較為嚴重的是診斷正判率較低且診斷耗時較長。針對此問題，本研究提出了一種基于貝葉斯網(wǎng)絡的輸變電設備絕緣故障快速診斷法，此方法以貝葉斯網(wǎng)絡為核心技術，來完成故障診斷中的數(shù)據(jù)分析環(huán)節(jié)，以此提升診斷過程中的數(shù)據(jù)質量，實現(xiàn)對故障的高質量診斷。

1 基于貝葉斯網(wǎng)絡的輸變電設備絕緣故障快速診斷方法設計

貝葉斯網(wǎng)絡是一個有向無環(huán)圖（Directed Acyclic Graph，DAG），由代表變量節(jié)點及連接這些節(jié)點有向邊構成。節(jié)點代表隨機變量，節(jié)點間的有向邊代表了節(jié)點間的相互關系（由父節(jié)點指向其子節(jié)點），用條件概率來表達關系強度，沒有父節(jié)點的用先驗概率進行信息表達。

本研究對當前輸變電設備絕緣故障快速診斷方法進行全面分析，在將貝葉斯網(wǎng)絡與此方法進行融合后，整體故障診斷方法可劃分為3部分，確保三個環(huán)節(jié)有序相連，以此來提升診斷的效率。

1.1 獲取絕緣故障特征

針對輸變電設備的絕緣電阻和泄漏電流值的監(jiān)測，可以充分考慮傳感器耦合的直流信號和交流工頻信號，非電量信號的采集對采樣率沒有提出較高要求。針對輸變電設備絕緣故障的狀態(tài)診斷與檢修，主要流程為：信息采集→設備狀態(tài)評估→風險評估→維修策略→維修計劃→維護實施→性能評價。

輸變電設備的信號輸出形式多為包絡信號，因此直接提取信號特征有一定的難度。為此，本研究使用Hilberx變換技術[3-4]，對采集到的歷史故障信號進行轉化。假設采集到的信號為[W（a）]，此信號對應的包絡譜表達式為式（1）。

式中：[χ（a）]為經(jīng)過Hilberx變換技術后的原始信號;[α（a）]為在常規(guī)情況下獲取到的頻譜包絡;[α]為信號頻譜。使用式（1）來完成信號的處理過程。處理后，使用關聯(lián)函數(shù)將信號數(shù)據(jù)中的關鍵信息進行關聯(lián)處理，從而提取故障信號特征。為了保證提取到的結果具有較高的可靠性，對信號的差異性進行消除處理，見式（2）。

[?=b[n（n-1）]α（a）]? ? （2）

式中：[?]為相鄰信號的差異性;[b]為信號之間的單位距離;[n]為相鄰信號數(shù)量。使用式（1）和式（2）對采集到的歷史信號進行處理，將獲取到的故障特征作為后續(xù)故障診斷的基礎。

1.2 構建貝葉斯網(wǎng)絡模型

在獲取到短路故障特征后，使用其構建貝葉斯網(wǎng)絡模型，對采集到的數(shù)據(jù)進行訓練學習。在貝葉斯網(wǎng)絡模型構建過程中，網(wǎng)絡結構與節(jié)點的條件概率是最為關鍵的兩個條件[5]。因此，本研究使用團樹結構來完成對網(wǎng)絡節(jié)點概率的推理過程。將獲取的短路故障特征作為故障診斷證據(jù)，所有包含此特征的網(wǎng)絡節(jié)點的[?]團節(jié)點的函數(shù)值將發(fā)生相應的轉變，見式（3）。

式中：[?i]為網(wǎng)絡中的第[i]個節(jié)點;[?x]為第[i]個節(jié)點的橫坐標;[?y]為第[i]個節(jié)點的縱坐標;[?i']為[?i]的高維映射結果。將采集到的信號數(shù)據(jù)代入節(jié)點中，計算各節(jié)點的函數(shù)值。同時，利用式（3）可得各個節(jié)點的新函數(shù)。根據(jù)式（3）對網(wǎng)絡模型的節(jié)點概率進行計算，從而確定整個貝葉斯網(wǎng)絡模型的基礎結構。當此模型結構達到穩(wěn)定狀態(tài)時，得到各個節(jié)點的后驗概率，將此概率作為故障發(fā)生的可能原因。

1.3 輸變電設備絕緣故障診斷

輸變電設備絕緣故障快速診斷包括對設備狀態(tài)量分析和監(jiān)測。設備狀態(tài)量是指輸變電設備在運行過程中所出現(xiàn)的各種正?；虍惓５奶卣餍盘柫浚ㄟ\行狀態(tài)量與生產(chǎn)過程狀態(tài)量。設備運行狀態(tài)量信號分為3類。第一類是機械量信號，包括與生產(chǎn)功能無直接關系的振動、聲音、軸承以及與生產(chǎn)功能有直接關系的氣壓、氣溫、轉速;第二類是電磁信號，包括電流、電壓、頻率、磁力線密度、局部放電電荷等;第三類是化學信號，如潤滑油酸價、緣油含烴量等。設備的狀態(tài)量與各項生產(chǎn)參數(shù)之間的比例相對固定，一旦內(nèi)部存在缺陷，兩者之間的比例關系將會失常。在輸變電設備運行過程中，需要定期或連續(xù)對某些狀態(tài)量進行測量，所得到的測量數(shù)據(jù)將成為設備評價的重要依據(jù)。監(jiān)測的狀態(tài)量參數(shù)包括監(jiān)測輸入量、運行狀態(tài)量2類。從發(fā)出運行狀態(tài)量信號的方式來區(qū)分，可將設備分為2類。一類是能夠主動發(fā)出信號的設備，包括聲音、振動、光、熱等信號（被稱為一次信號）;另一類設備由于自身不能主動發(fā)出信號，或所發(fā)出的信號不易被采集，需要預加一定的輸入量，通過設備所發(fā)出的二次信號，實現(xiàn)對其內(nèi)部狀態(tài)的診斷。

在完成基本設定后，使用貝葉斯網(wǎng)絡模型來對輸變電設備絕緣故障進行診斷。將采集到的輸變電設備實時運行信號數(shù)據(jù)代入到網(wǎng)絡模型中，從電力學[6]角度出發(fā)，原始信號、歷史信號以及故障信號特征之間的關系見式（4）。

式中：[l]為采集到的實時信號;[f（l）]為信號故障特征指標大小;e、c、o為計算中的常數(shù)值，可以通過信號擬合的方式來獲取。根據(jù)式（4）可得到實時信號的故障診斷權值。將式（4）的計算結果與貝葉斯網(wǎng)絡模型訓練學習結果進行融合分析，可得到輸變電設備絕緣故障與實時信號的匹配情況。如果兩者吻合，可將其作為最終診斷結果，確定設備的實時運行情況;如果兩者存在差異，則將采集到的其他信號與特征進行匹配，進行第二輪故障診斷。對前文中設定的內(nèi)容進行整理與分析，將其與當前方法進行融合。至此，基于貝葉斯網(wǎng)絡的輸變電設備絕緣故障快速診斷方法設計完成。

2 試驗論證分析

針對本研究提出的診斷方法，構建對應的試驗環(huán)節(jié)，對該方法的應用效果進行評估，確定此方法的應用效果，為日后的推廣應用提供可能。

2.1 故障案例設定

本研究以某城市中的某變電站中的輸變電設備為試驗對象，該設備含有1個高壓繞組和1個低壓繞組。繞組填充物為玻璃纖維氈，澆筑填料為進口樹脂。與此同時，該設備的抗短路能力、抗雷電沖擊水平也相對較高，具有較高的電流載荷能力。在試驗中，將該設備設定多組故障（見表1），使用本研究提出的方法以及預選的對照方法對故障進行診斷與識別，確定不同方法的應用效果。

在試驗中，通過將設備調(diào)節(jié)為表1所示的故障形式，對本研究提出的方法與預選對照方法的診斷效果進行分析。為保證試驗過程更加真實、完備，將設備調(diào)整為表1所示的故障形式后，獲取10 min內(nèi)的設備工作信號數(shù)據(jù)，將其整合到同一個數(shù)據(jù)庫中，共計10 000條故障數(shù)據(jù)。其中，絕緣故障數(shù)據(jù)有3 000條，而后在此數(shù)據(jù)中增加設備正常運行數(shù)據(jù)5 000條，將其劃分為5組，確保每組中數(shù)據(jù)均含有若干故障數(shù)據(jù)與正常運行數(shù)據(jù)。試驗數(shù)據(jù)組劃分見表2。將表2中的數(shù)據(jù)作為本研究的數(shù)據(jù)基礎，完成試驗過程，獲取本研究提出的方法的使用效果。

2.2 試驗論證方案

本研究將絕緣故障診斷方法的正判率與診斷時間作為診斷方法應用效果的主要評估指標。診斷時間通過計算時間統(tǒng)計獲得，正判率指標計算過程見式（5）。

式中：[h]為故障判定正確率;[g]為正判次數(shù);[G]為診斷次數(shù)。本研究將診斷方法的正判率設定為兩部分，分別為故障正判率以及短路故障正判率。在診斷過程中，選擇基礎診斷法、神經(jīng)網(wǎng)絡診斷法與本研究提出的方法進行同期故障診斷，對不同方法的評估指標進行對比，確定不同方法在應用中的差異。

2.3 試驗結果分析

2.3.1 不同診斷方法正判率分析。對表3中的數(shù)據(jù)進行分析可得，3種方法的正判率均在90.00%以上，且本研究所提出的方法的正判率最高。通過對3種試驗方法的短路故障正判率進行對比可以看出，本研究所提出的方法正判率均在98.02%以上，其他2種方法的短路故障正判率在93.00%～95.00%，整體正判率相對較低，由此可以確定本研究所提出的方法的故障診斷精度相對較高。

2.3.2 不同診斷方法診斷時間分析。對表4中的數(shù)據(jù)進行分析可以發(fā)現(xiàn)，3種方法的診斷速度均符合當前輸變電設備故障診斷時間的相關要求，但對整體故障診斷時間進行對比后可以發(fā)現(xiàn)，本研究所提出的方法對故障的響應速度較快，且整體診斷時間較短。其他2種方法與該方法相比還存在一定的差異。將此試驗結果與不同診斷方法正判率分析結果融合后可以確定，本研究提出的方法在診斷精度與診斷速度兩個方面均優(yōu)于當前使用的方法。

3 結語

輸變電設備的絕緣性能是影響其使用壽命的重要因素，精準地評估與掌握設備的實時絕緣狀態(tài)是變電站設備管理的先決條件。為了能夠獲取更可靠的輸變電設備絕緣故障診斷結果，本研究提出了一種新型故障診斷方法，經(jīng)試驗證實，此方法具有較高的診斷精度與效率。由于技術方面的限制，該方法的試驗過程較為簡單，在日后研究中還需要增加試驗的復雜程度，來確定此方法的應用環(huán)境與范圍。

參考文獻：

[1] 李佳琪，咸日常，張寧，等.一起電流互感器絕緣故障引發(fā)停電事故的分析與處理[J].變壓器，2022（2）：51-55.

[2] 鄢仁武，高碩勛，宋微浪，等.基于多參量LSTM模型的變壓器油紙絕緣老化診斷方法[J].武漢大學學報（工學版），2021（6）：541-550.

[3] 梁博淵，高駿，劉宏亮，等.基于振動特征估計的氣體絕緣開關設備故障檢測與定位[J].科學技術與工程，2020（31）：12836-12842.

[4] 余長廳，黎大健，汲勝昌，等.基于振動噪聲及BP神經(jīng)網(wǎng)絡的變壓器故障診斷方法研究[J].高壓電器，2020（6）：256-261.

[5] 何亞屏，方攸同，吳麗然，等.地面自動過分相測量回路故障診斷及容錯控制[J].電子測量與儀器學報，2020（5）：75-81.

[6] 成林，張鴻業(yè)，伊同強，等.基于3D電場時頻分析的隔離開關絕緣缺陷檢測方法[J].高電壓技術，2020（4）：1417-1423.