基于贝叶斯网络的变压器故障诊断方法技术

基于贝叶斯网络的变压器故障诊断方法，包括步骤：获取待测变压器的油色谱数据，使用学习脉冲神经膜系统分类得到变压器状态类别；计算每一种变压器状态类别的分类概率；以每一种变压器状态类别的分类概率作为其贝叶斯网络模型的先验概率，计算后验概率；以后验概率最大的那一种变压器状态类别，作为变压器故障诊断结果。本发明专利技术的有益效果在于，在考虑主保护，后备保护和断路器拒动和误动情况下能够更加综合地判别变压器是否故障以及故障严重程度。综合地判别变压器是否故障以及故障严重程度。综合地判别变压器是否故障以及故障严重程度。

【技术实现步骤摘要】
基于贝叶斯网络的变压器故障诊断方法


[0001]本专利技术涉及电力系统与变压器故障诊断
，特别是一种基于贝叶斯网络的变压器故障诊断方法。

技术介绍

[0002]随着变压器在线监测技术的发展，根据油色谱信息诊断变压器故障类型已经成为变压器常态化的状态监控手段。当变压器发生某些突发性故障时，会导致变压器内部的电气量或非电气量发生改变而导致继电保护装置发出报警信息，然而仅依靠当前的变压器油色谱在线监控手段难以快速地报警并识别故障类型。学习脉冲神经膜系统以油色谱数据为输入可以实现变压器故障分类和预警，但是学习脉冲神经膜系统的分类并未考虑主保护，后备保护和断路器拒动和误动情况下的分类，准确性还有待提高。

技术实现思路

[0003]本专利技术的目的在于提供一种基于贝叶斯网络的变压器故障诊断方法。
[0004]实现本专利技术目的的技术方案如下：
[0005]基于贝叶斯网络的变压器故障诊断方法，包括，
[0006]步骤1：获取待测变压器的油色谱数据，使用学习脉冲神经膜系统分类得到变压器状态类别，即正常、中低温故障、局部放电故障、高温故障、低能放电故障和高能放电故障；
[0007]步骤2：计算每一种变压器状态类别的分类概率；
[0008]步骤3：以每一种变压器状态类别的分类概率作为其贝叶斯网络模型的先验概率，计算后验概率；
[0009]3.1变压器状态类别为正常，后验概率
[0010][0011]其中，P(h)是变压器状态类别为正常的分类概率；e1、e2和e3分别表示主保护动作、后备保护动作和断路器动作；P(e1|e2,e3,h)、P(e2|e1,e3,h)和P(e3|e1,e2,h)分别为条件概率；P(e1,e2,e3)为全概率，P(e1,e2,e3)＝P(e1|h)P(e2|e1)P(e3|e1,e2)；其中，P(e1|h)为正常状态下主保护动作概率，P(e2|e1)为主保护动作下后备保护动作概率，P(e3|e1,e2)和主保护动作以及后备保护动作下断路器动作概率；
[0012]3.2变压器状态类别为中低温故障或局部放电故障，后验概率
[0013][0014]其中，P(h)是变压器状态类别为中低温故障或局部放电故障的分类概率；e1、e2、e3和e4分别表示差动保护动作、轻瓦斯保护动作、后备保护动作和断路器动作；P(e1|e2,e3,e4,h)，P(e2|e1,e3,e4,h)，P(e3|e1,e2,e4,h)和P(e4|e1,e2,e3,h)分别为条件概率；P(e1,e2,e3,e4)为全概率，P(e1,e2,e3,e4)＝P(e1|h)P(e2|h)P(e3|e1)P(e4|e1,e2,e3)；其中，P(e1|h)为中低温故障或局部放电故障下差动保护动作概率，P(e2|h)为中低温故障或局部放电故障下
轻瓦斯保护动作概率，P(e3|e1)为差动保护动作下后备保护动作概率，P(e4|e1,e2,e3)为差动保护动作、轻瓦斯保护动作以及后备保护动作下断路器动作概率；
[0015]3.3变压器状态类别为高温故障、低能放电故障或高能放电故障，后验概率
[0016][0017]其中，P(h)是变压器状态类别为高温故障、低能放电故障或高能放电故障的分类概率；e1、e2、e3和e4分别表示差动保护动作、重瓦斯保护动作、后备保护动作和断路器动作；P(e1|e2,e3,e4,h)，P(e2|e1,e3,e4,h)，P(e3|e1,e2,e4,h)和P(e4|e1,e2,e3,h)分别为条件概率；P(e1,e2,e3,e4)为全概率，P(e1,e2,e3,e4)＝P(e1|h)P(e2|h)P(e3|e1)P(e4|e1,e2,e3)；其中，P(e1|h)为高温故障、低能放电故障或高能放电故障下差动保护动作概率，P(e2|h)为高温故障、低能放电故障或高能放电故障下重瓦斯保护动作概率，P(e3|e1)为差动保护动作下后备保护动作概率，P(e4|e1,e2,e3)为差动保护动作、重瓦斯保护动作以及后备保护动作下断路器动作概率；
[0018]步骤4：以后验概率最大的那一种变压器状态类别，作为变压器故障诊断结果。
[0019]进一步的技术方案，所述变压器的油色谱数据为变压器油中溶解气体含量的七种无编码比值，即甲烷/氢气、乙烯/乙烷、乙炔/乙烯、乙炔/总烃、乙烯/总烃、甲烷/总烃、(乙烯+甲烷)/总烃，其中总烃是甲烷、乙烷、乙烯和乙炔含量的总和。
[0020]相对于现有技术，本专利技术的有益效果在于，在考虑主保护，后备保护和断路器拒动和误动情况下能够更加综合地判别变压器是否故障以及故障严重程度。
附图说明
[0021]图1是无故障模式下的贝叶斯网络结构。
[0022]图2是轻微故障模式下的贝叶斯网络结构。
[0023]图3是严重故障模式下的贝叶斯网络结构。
[0024]图4是学习脉冲神经膜系统分类过程示意图。
[0025]图5是贝叶斯网络参数估计流程图。
具体实施方式
[0026]本专利技术首先给出了相关的贝叶斯理论分析，其次给出了变压器故障诊断模型，包括根据变压器故障类型与继电保护装置之间的动作关系建立贝叶斯网络模型、基于学习脉冲神经膜系统的变压器故障先验概率获取方法、基于极大似然估计的变压器继电保护动作条件概率估计与变压器故障诊断步骤与框架。
[0027]一种基于学习脉冲神经膜系统与贝叶斯网络的变压器故障诊断方法，包括以下步骤：
[0028]S10:根据变压器故障类型与继电保护装置之间的关系建立贝叶斯网络模型；
[0029]贝叶斯网络的节点表示随机变量E＝(e1,e2,
…
,e
n
)与类变量H＝(h1,h2,
…
,h
m
)之间通过贝叶斯理论实现其知识的表达与推理，推理过程的公式为：
[0030][0031]式中，P(e1,e2,
…
,e
n
)为输入数据的联合概率，P(h
j
|e1,e2,
…
,e
n
)是类别h
j
的后验
概率，P(e
i
|e1,e2,
…
,e
i
‑1,h
j
)为输入数据e
i
的条件概率，P(h
j
)为类变量h
j
的先验概率概率。
[0032]根据不同种类别的后验概率，运用最大化后验概率判别输出类别，计算方法为：
[0033][0034]在本专利技术中，按照变压器保护装置所起的作用，变压器有主保护与后备保两种保护类型。主保护包括差动保护与轻(重)瓦斯保护。后备保护则当是故障发生时而主保护没有动作，则由后备保护动作使其断路器断开。由于变压器继电保护装置能够根据变压器不同的运行状态快速准确的做出相应措施，因此可以根据变压器故障信息与继电保护本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于贝叶斯网络的变压器故障诊断方法，其特征在于，包括，步骤1：获取待测变压器的油色谱数据，使用学习脉冲神经膜系统分类得到变压器状态类别，即正常、中低温故障、局部放电故障、高温故障、低能放电故障和高能放电故障；步骤2：计算每一种变压器状态类别的分类概率；步骤3：以每一种变压器状态类别的分类概率作为其贝叶斯网络模型的先验概率，计算后验概率；3.1变压器状态类别为正常，后验概率其中，P(h)是变压器状态类别为正常的分类概率；e1、e2和e3分别表示主保护动作、后备保护动作和断路器动作；P(e1|e2，e3，h)、P(e2|e1，e3，h)和P(e3|e1，e2，h)分别为条件概率；P(e1，e2，e3)为全概率，P(e1，e2，e3)＝P(e1|h)P(e2|e1)P(e3|e1，e2)；其中，P(e1|h)为正常状态下主保护动作概率，P(e2|e1)为主保护动作下后备保护动作概率，P(e3|e1，e2)和主保护动作以及后备保护动作下断路器动作概率；3.2变压器状态类别为中低温故障或局部放电故障，后验概率其中，P(h)是变压器状态类别为中低温故障或局部放电故障的分类概率；e1、e2、e3和e4分别表示差动保护动作、轻瓦斯保护动作、后备保护动作和断路器动作；P(e1|e2，e3，e4，h)，P(e2|e1，e3，e4，h)，P(e3|e1，e2，e4，h)和P(e4|e1，e2，e3，h)分别为条件概率；P(e1，e2，e3，e4)为全概率，P(e1，e2，e3，e4)＝P(e1|h)P(e2|h)P(e3|e1)P(e4|e1，e2，e3)；其中，P(e1|h)为中低温故障或局部放电...

【专利技术属性】
技术研发人员：陈缨，刘益岑，范松海，刘小江，罗磊，马小敏，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：