CN104007343B - 一种基于贝叶斯网络的变压器动态综合故障诊断方法 - Google Patents
一种基于贝叶斯网络的变压器动态综合故障诊断方法 Download PDFInfo
- Publication number
- CN104007343B CN104007343B CN201410222904.9A CN201410222904A CN104007343B CN 104007343 B CN104007343 B CN 104007343B CN 201410222904 A CN201410222904 A CN 201410222904A CN 104007343 B CN104007343 B CN 104007343B
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault
- characteristic quantity
- bayesian network
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004804 winding Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 2
- 230000010287 polarization Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract 1
- 230000007257 malfunction Effects 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的变压器动态故障诊断方法,涉及电气设备技术领域。在获取证据有限的情况下,本发明将综合故障诊断模型向前扩展至证据获取阶段,提出动态故障诊断机制,根据一定的原则优化证据获取过程,优先选择对变压器故障情况支持度最大的状态特征量作为证据信息。动态故障诊断机制旨在优先选择对变压器运行故障诊断过程影响最大的状态特征量作为模型的输入参量,而略去其他不必要的试验检测,在资源有限的情况下减少诊断项目又能得到较为准确的风险估计值。
Description
技术领域
本发明涉及电气设备技术领域,具体涉及一种基于贝叶斯网络的变压器动态故障诊断方法。
背景技术
变压器故障多是缓慢发展的过程,期间一些状态特征量会表现出异常,这些异常量是故障诊断的重要依据。油色谱作为重要状态特征量之一,能反映变压器内部多数故障,且油色谱数据相对于其他状态特征量更易于获取,所以成为目前变压器故障诊断的研究重点。但油色谱涵盖的信息有限,仅能对变压器的故障状态进行初步和粗略地判断,为了获得详尽的故障模式信息,必须对变压器进行综合故障诊断。综合故障诊断是融合所有状态特征量对变压器可能存在的故障模式进行综合推理诊断的过程。由于变压器故障过程复杂,状态特征量具有模糊性、不完备性等特点,它与故障模式并非一一对应。因此,现有研究多运用智能诊断技术,如神经网络、贝叶斯网络、专家***和证据推理等方法处理此类问题,以使诊断结果更加准确。
在基于综合故障诊断模型的诊断过程中,输入模型的证据越多,诊断结果越接近真实情况,故障概率的估计也就越准确,若能获取全部证据信息,则对风险的估计最为有利。但因现场实际条件所限,检测到的证据都是不完备的,这些证据的类别和数量直接影响故障概率估计的准确性。一般的综合故障诊断模型并不涉及证据有效性的问题,而是将检测到的证据直接输入诊断模型对变压器的故障模式进行判断,本文将这种诊断机制称为静态故障诊断机制,现有的综合故障诊断模型几乎都为静态故障诊断机制。静态故障诊断机制没有对证据获取过程进行优化筛选,诊断过程中输入的证据可能会遗漏最能反映变压器故障情况的状态特征量,这将直接影响故障概率估计的准确性。
发明内容
本发明的目的是提出一种基于贝叶斯网络的变压器动态故障诊断方法,以克服已有故障诊断方法的静态故障诊断方式的不足,使计算结果与实际的变压器故障情况相符。
本发明实施例的一种基于贝叶斯网络的变压器动态综合故障诊断方法,包括以下步骤:
(1)依据变压器的故障案例和专家知识建立变压器故障的贝叶斯网络模型;
(2)收集变压器运行中监测到的部分状态特征量的取值,并将其视为变压器故障诊断的证据,输入到步骤(1)中建立的贝叶斯网络模型中进行动态综合故障诊断。
在本发明的一个实施例中,所述步骤(1)包括以下步骤:
(1—1)依据变压器的故障案例和专家知识,收集整理变压器的常见故障模式F和状态特征量S;
(1—2)基于专家经验和变压器的故障数据分析状态特征量S和故障模式F之间的因果关系,并建立相应的贝叶斯网络模型。
在本发明的一个实施例中,所述步骤(2)包括以下步骤:
(2—1)收集变压器运行中检测到的部分状态特征量取值e,将其视为证据E=e,设定动态故障诊断过程中的概率阈值Pth;
(2—2)将证据E输入贝叶斯网络模型,求取所有故障模式的后验概率,将后验概率最大的故障模式fi视为可能发生的故障模式,其后验概率表示为Pmax;
(2—3)对步骤(2—2)中得到的后验概率Pmax进行判断,若Pmax大于等于Pth则转向步骤(2—6);若Pmax小于Pth,则按顺序实施以下步骤;
(2—4)假设故障模式fi发生,将证据E=[e,fi]输入贝叶斯网络模型,得到状态特征量中后验概率最大的状态特征量sj;
(2—5)实施状态特征量sj的试验验证,判断sj是否异常,若sj不存在异常则更新证据为E=[e,sj=0],否则重复步骤(2—3)至(2—5);
(2—6)动态故障诊断过程结束,最终得到变压器当前的故障模式为f。
本发明提出一种基于贝叶斯网络的变压器动态故障诊断方法,其优点是,本发明方法的计算过程采用了动态故障诊断机制,减少了诊断过程的盲目性,可与实际的变压器故障情况吻合更好,可应用性更高。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在获取证据有限的情况下,本发明将综合故障诊断模型向前扩展至证据获取阶段,提出动态故障诊断机制,根据一定的原则优化证据获取过程,优先选择对变压器故障情况支持度最大的状态特征量作为证据信息。动态故障诊断机制旨在优先选择对变压器运行故障诊断过程影响最大的状态特征量作为模型的输入参量,而略去其他不必要的试验检测,在资源有限的情况下减少诊断项目又能得到较为准确的风险估计值。
本发明实施例的一种基于贝叶斯网络的变压器动态综合故障诊断方法,包括以下步骤:
(1)依据变压器的故障案例和专家知识建立变压器故障的贝叶斯网络模型,具体包括以下步骤:
(1—1)依据变压器的故障案例和专家知识,收集整理变压器的常见故障模式F和状态特征量S。
F=[f1,f2,f3,f4,f5,f6,f7,f8,f9,f10];S=[s1,s2,s3,s4,s5,s6,s7,s8,s9];其中,f1为铁芯多点接地,f2为绝缘老化,f3为漏磁发热,f4为绕组短路,f5为绝缘受潮,f6为分接开关故障,f7为悬浮放电,f8为围屏放电,f9为绕组变形,f10为油中放电;s1为铁芯接地电流,s2为三比值编码呈过热性故障特征,s3为绕组直流电阻的三相不平衡系数,s4为变压器本体油中含水量,s5为三比值编码呈放电性故障特征,s6为绕组变比偏差,s7为局部放电,s8为s9为绕组的吸收比或极化指数。
(1—2)基于专家经验和变压器的故障数据分析状态特征量S和故障模式F之间的因果关系,并建立相应的贝叶斯网络模型。
通过分析可知,F为S原因,S为F的结果,F与S之间因果强度矩阵R为
其中,行表示F,列表示S,Rij的取值表示第fi种故障模式引起第sj种状态特征量发生异常的概率,特别的,“-”表示二者之间无因果关系。
R即为贝叶斯网络中二者的连接关系,依据R即可直接建立贝叶斯网络。贝叶斯网络的另一个重要参数,F的先验概率Pinitial,基于变压器的故障统计数据可得:
Pinitial=[0.45,0.11,0.13,0.12,0.10,0.26,0.16,0.28,0.24,0.14]。
(2)收集变压器运行中监测到的部分状态特征量的取值 并将其视为变压器故障诊断的证据,输入到步骤(1)中建立的贝叶斯网络模型中进行动态综合故障诊断。其中Spart和互补,二者加起来的集合等于S。步骤(2)具体包括以下步骤:
(2—1)收集变压器运行中检测到的部分状态特征量取值e=[s2=1,s5=0],将其视为证据E=e,设定动态故障诊断过程中的概率阈值Pth=0.8。
其中状态特征量取值为0表示没有发生异常,1表示发生异常。
(2—2)将证据E输入贝叶斯网络模型,求取所有故障模式的后验概率,后验概率最大的故障模式为f1,将其视为可能发生的故障模式,其后验概率Pmax=0.1965。
(2—3)对步骤(2—2)中得到的后验概率Pmax进行判断,Pmax小于Pth。
(2—4)假设故障模式f1发生,将证据E=[e,f]输入贝叶斯网络模型,得到状态特征量中后验概率最大的状态特征量为s1。
(2—5)实施状态特征量s1的试验验证,s1没有发生异常,则更新证据为E=[e,s1=0];
重复步骤(2—2)至(2—5),直到Pmax大于等于Pth为止。
(2—6)动态故障诊断过程结束,最终得到变压器当前的故障模式为f6。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (1)
1.一种基于贝叶斯网络的变压器动态综合故障诊断方法,其特征在于,包括以下步骤:
(1)依据变压器的故障案例和专家知识建立变压器故障的贝叶斯网络模型,具体包括以下步骤:
(1—1)依据变压器的故障案例和专家知识,收集整理变压器的常见故障模式F和状态特征量S,其中,F=[f1,f2,f3,f4,f5,f6,f7,f8,f9,f10];S=[s1,s2,s3,s4,s5,s6,s7,s8,s9],f1为铁芯多点接地,f2为绝缘老化,f3为漏磁发热,f4为绕组短路,f5为绝缘受潮,f6为分接开关故障,f7为悬浮放电,f8为围屏放电,f9为绕组变形,f10为油中放电;s1为铁芯接地电流,s2为三比值编码呈过热性故障特征,s3为绕组直流电阻的三相不平衡系数,s4为变压器本体油中含水量,s5为三比值编码呈放电性故障特征,s6为绕组变比偏差,s7为局部放电,s8为s9为绕组的吸收比或极化指数,
(1—2)基于专家经验和变压器的故障数据分析状态特征量S和故障模式F之间的因果关系,并建立相应的贝叶斯网络模型;
(2)收集变压器运行中监测到的部分状态特征量的取值,并将其视为变压器故障诊断的证据,输入到步骤(1)中建立的贝叶斯网络模型中进行动态综合故障诊断,具体包括以下步骤:
(2-1)收集变压器运行中检测到的部分状态特征量取值e=[s2=1,s5=0],将其视为证据E=e,设定动态故障诊断过程中的概率阈值Pth,其中,状态特征量取值为0表示没有发生异常,1表示发生异常,
(2-2)将证据E输入贝叶斯网络模型,求取所有故障模式的后验概率,将后验概率最大的故障模式fi视为可能发生的故障模式,其后验概率表示为Pmax,
(2-3)对步骤(2-2)中得到的后验概率Pmax进行判断,若Pmax大于等于Pth则转向步骤(2-6),若Pmax小于Pth,则按顺序实施以下步骤,
(2-4)假设故障模式fi发生,将证据E=[e,fi]输入贝叶斯网络模型,得到状态特征量中后验概率最大的状态特征量sj,
(2-5)实施状态特征量sj的试验验证,判断sj是否异常,若sj不存在异常则更新证据为E=[e,sj=0],否则E=[e,sj=1],重复步骤(2-2)至(2-5),
(2-6)动态故障诊断过程结束,最终得到变压器当前的故障模式为f。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410222904.9A CN104007343B (zh) | 2014-05-23 | 2014-05-23 | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410222904.9A CN104007343B (zh) | 2014-05-23 | 2014-05-23 | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104007343A CN104007343A (zh) | 2014-08-27 |
CN104007343B true CN104007343B (zh) | 2018-04-20 |
Family
ID=51368095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410222904.9A Active CN104007343B (zh) | 2014-05-23 | 2014-05-23 | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104007343B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11899075B2 (en) | 2020-08-04 | 2024-02-13 | Maschinenfabrik Reinhausen Gmbh | Device for determining an error probability value for a transformer component and a system having such a device |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242129B (zh) * | 2015-08-28 | 2018-03-13 | 广西电网有限责任公司电力科学研究院 | 一种变压器绕组故障概率确定方法 |
CN105372528B (zh) * | 2015-11-24 | 2018-10-09 | 湖南大学 | 一种电力变压器内部故障的状态检修方法 |
CN107907778B (zh) * | 2017-10-31 | 2020-06-19 | 华北电力大学(保定) | 一种基于多特征参量的变压器综合故障诊断方法 |
CN107846016A (zh) * | 2017-11-16 | 2018-03-27 | 中国南方电网有限责任公司 | 一种基于贝叶斯和复杂事件处理的配网故障定位方法及设备 |
CN109447511A (zh) * | 2018-11-13 | 2019-03-08 | 南方电网科学研究院有限责任公司 | 一种变压器故障诊断方法、***及相关装置 |
CN111291245A (zh) * | 2020-02-17 | 2020-06-16 | 广东电网有限责任公司电力科学研究院 | 应用于pas的案例在线生成***、方法及计算机设备 |
CN111272222B (zh) * | 2020-02-28 | 2021-06-25 | 西南交通大学 | 一种基于特征量集的变压器故障诊断方法 |
CN112182960A (zh) * | 2020-09-22 | 2021-01-05 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于贝叶斯网络的电力变压器状态风险评估的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411106B (zh) * | 2011-11-18 | 2014-01-15 | 广东电网公司广州供电局 | 电力变压器故障监测方法及装置 |
CN102779230B (zh) * | 2012-06-14 | 2015-01-28 | 华南理工大学 | 一种电力变压器***状态分析和维修决策判断方法 |
CN103197177B (zh) * | 2013-03-20 | 2015-09-23 | 山东电力集团公司济宁供电公司 | 一种基于贝叶斯网络的变压器故障诊断分析方法 |
CN103245861B (zh) * | 2013-05-03 | 2016-06-08 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的变压器故障诊断方法 |
-
2014
- 2014-05-23 CN CN201410222904.9A patent/CN104007343B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11899075B2 (en) | 2020-08-04 | 2024-02-13 | Maschinenfabrik Reinhausen Gmbh | Device for determining an error probability value for a transformer component and a system having such a device |
Also Published As
Publication number | Publication date |
---|---|
CN104007343A (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104007343B (zh) | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 | |
DE102012102770B9 (de) | System und Verfahren zur Fehlereingrenzung und Fehlerabschwächung basierend auf einer Netzwerkmodellierung | |
Danilczyk et al. | Smart grid anomaly detection using a deep learning digital twin | |
Guo et al. | A simple reliability block diagram method for safety integrity verification | |
CN105424395B (zh) | 设备故障的确定方法和装置 | |
CN110221145A (zh) | 电力设备故障诊断方法、装置及终端设备 | |
Feng et al. | A technical framework of PHM and active maintenance for modern high-speed railway traction power supply systems | |
CN109670611A (zh) | 一种电力信息***故障诊断方法及装置 | |
CN109670610A (zh) | 基于故障传播分析的故障诊断优化方法 | |
Kempner et al. | Optimal monitoring of voltage sags through simultaneous analysis of short‐circuits in distribution systems | |
CN111489539A (zh) | 家电***故障的预警方法、***及装置 | |
CN102306244B (zh) | 一种基于检测点评估的排故方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN110361609A (zh) | 特高压设备监测***及方法 | |
Naderi et al. | Detection of false data injection cyberattacks: Experimental validation on a lab-scale microgrid | |
CN110794210B (zh) | 电压谐波隔离效果的判断方法、装置、供电***、计算机设备及存储介质 | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
CN111654417A (zh) | 评估方法及装置、存储介质、处理器、列车 | |
CN103235206A (zh) | 一种变压器的故障诊断方法 | |
US10564204B2 (en) | Method and system for diagnostics and monitoring of electric machines | |
Liu et al. | Fault diagnosis of electric railway traction substation with model-based relation guiding algorithm | |
CN110238878A (zh) | 用于机器人的自检方法及装置 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
Overbye et al. | Human factors aspects of power system visualizations: An empirical investigation | |
Davis et al. | Linear analysis of multiple outage interaction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |