基于机理/数据混合驱动的变压器故障诊断模型研究

变压器作为电力调压/传输的关键性核心部件 , 是 电力运维重点监控对象 。近年来 ,基于数据驱动的变压器 故障诊断模型研究成为热点,如采用统计分析、BP神经网络、 支持向量机、贝叶斯网络、聚类分析等对数据进行训练得 到预测模型来进行故障预测 [l-2] 。但此类算法需要大量数 据进行模型训练 ,而实际应用中却难以满足 ,导致模型准 确率低、精细化程度不够等问题。

基于机理分析驱动的变压器故障诊断模型研究仍在 不断发展 ,此类方法试图将变压器化学试验数据、电气分 析数据和巡检数据等进行融合 ,并建立关系网络 , 以此推 算潜伏故障 ,如模糊学习、关联规则挖掘、隐含马尔科夫模 型等 [3-5] 。但变压器故障与相关特征数据间因果关系不明 确 ,需要大量的专业经验辅助支撑 ,导致最终故障模型可 靠性低。

综上 ,本文提出并设计了一种基于机理/数据混合驱动 的变压器故障诊断模型 。该模型利用历史运行数据、案例 库和故障树 ,通过案例匹配和规则推理方法 ,构建机理/数 据混合驱动的故障诊断模型 ,有效地避开了复杂数学建模 过程 ,节约了成本 ,通过案例自增的方式进化案例库 ,有效 提高了模型的稳定性。

0    引言

变压器作为电力调压/传输的关键性核心部件 , 是 电力运维重点监控对象 。近年来 ,基于数据驱动的变压器 故障诊断模型研究成为热点,如采用统计分析、BP神经网络、 支持向量机、贝叶斯网络、聚类分析等对数据进行训练得 到预测模型来进行故障预测 [l-2] 。但此类算法需要大量数 据进行模型训练 ,而实际应用中却难以满足 ,导致模型准 确率低、精细化程度不够等问题。

基于机理分析驱动的变压器故障诊断模型研究仍在 不断发展 ,此类方法试图将变压器化学试验数据、电气分 析数据和巡检数据等进行融合 ,并建立关系网络 , 以此推 算潜伏故障 ,如模糊学习、关联规则挖掘、隐含马尔科夫模 型等 [3-5] 。但变压器故障与相关特征数据间因果关系不明 确 ,需要大量的专业经验辅助支撑 ,导致最终故障模型可 靠性低。

综上 ,本文提出并设计了一种基于机理/数据混合驱动 的变压器故障诊断模型 。该模型利用历史运行数据、案例 库和故障树 ,通过案例匹配和规则推理方法 ,构建机理/数 据混合驱动的故障诊断模型 ,有效地避开了复杂数学建模 过程 ,节约了成本 ,通过案例自增的方式进化案例库 ,有效 提高了模型的稳定性。

1   模型整体架构设计

变压器故障诊断模型是使用变压器台账数据、运行数 据、故障数据、历史案例等信息作为系统输入 ,然后利用诊 断模型对变压器的运行状态进行评估和潜伏性故障诊断 , 得出故障诊断结果及解决办法 ,作为输出反馈给用户 。  其 整体框架如图l所示。

1. 1    用户层

用户层包括输入故障现象模块 、故障现象预处理模 块、故障处理模块及结果反馈模块 。对故障现象进行描述 和预处理后 ,将状态信息输入到故障诊断层 ,并提出故障 查询 。得到诊断结果之后 ,需要检修人员拿着结果找出故

   图1   模型框架图

障原因 ,并解决故障。如果该规则已存在于案例库 ,则调用 历史案例:若该规则与案例库不同或者是一 条新规则 , 则 将该规则反馈给故障构建层进行案例库更新。

1.2    故障诊断层

故障诊断层承接用户层输入 ,完成故障诊断并反馈结 果给用户层 ,是诊断系统的核心 ,包括故障诊断模型和故 障类型及解决办法输出模块。故障诊断模型核心是采用案 例和规则串行推理的方式对故障进行诊断并输出诊断结 果。故障类型及解决办法输出模块主要负责将故障诊断结 果 ,包括故障原因、故障解决办法等信息输出给用户。

1.3    案例库构建层

案例库构建层是系统底层知识库 ,包括现象案例映射 模块和案例库更新模块 。根据历史故障诊断经验 ,案例映 射模块进行案例收集 ,包括故障现象、原因、类型及经过实 践验证的解决办法之间的映射关系 。在进行故障诊断时 , 可以为故障诊断层提供相似的案例 。案例更新模块 , 负责将新的案例收集入库 ,及时更新和进化案例库。

1.4    规则构建层

规则构建层也是系统底层规则库 ,负责规则的生成及 管理 ,其核心为基于规则生成模块 。本文应用故障树分析 方法构建变压器规则模型。此模块产生的规则作用并服务 于故障诊断层的规则推理模块。

2   机理/数据混合驱动方法

基于机理/数据混合驱动的故障诊断模型是故障诊断 层的关键技术 ,其整体思路为利用案例匹配和规则推理相 结合的方式 ,首先输入故障现象 ,然后检索案例库 ,寻找相 似案例 。若有相似案例 ,则快速获得诊断结果及相应检修 策略:若没有合适的相似案例 ,则启动规则推理 ,最终将推 理产生结果作为诊断结果进行输出 。该模型流程图如图2 所示。

图2   机理/数据混合驱动的故障诊断模型流程图

第一步:故障数据输入 。  由用户输入变压器故障数据 特征属性的描述信息 ,并提出查询需求。

第二步:数据预处理。在进行故障诊断前 , 因故障现象 属性描述不一 致 , 需要对故障现象的描述信息进行预处 理 ,获取统一、规范的故障现象特征值。

第三步:案例库匹配。检索故障案例库 ,利用匹配算法 进行案例匹配。如有相似案例 ,则输出相似度最大的案例:如 没有相似案例 ,则启动基于FTA的规则推理算法进行推理。

第四步:基于FTA的规则推理 。该模型的核心思想是 根据以往专家经验 ,将所有案例利用故障树归纳生成规则 , 然后采用基于规则引擎的推理方法 ,将待诊断故障现象 、 数据与规则库进行匹配 ,来推理得出诊断结论。

第五步:诊断结果输出 。此阶段负责根据之前的方法 (匹配到最相似案例 ,或者利用规则推理模型）生成故障诊 断结果 ,然后将相关结果信息如故障诊断结果、可能故障 原因及解决办法进行输出。

第六步:更新案例库 。根据系统诊断出的新的故障信 息 ,对案例库进行更新和维护。

第七步:诊断结果反馈 。将最终的故障诊断结果信息反馈给系统用户。

3   基于FTA的规则生成方法

FTA(Fau1t Tree Ana1ysis）是由美国贝尔实验室首次应 用并发展起来的一种由上往下的演绎式失效分析法 [6] 。变 压器故障按部件划分建立故障主树 ,包括绕组故障、铁芯 故障、套管故障、有载分接开关故障、冷却系统故障、非电 量保护故障等 ,如图3所示。

4   案例分析

某110 kV变压器自2010年投入运行以来 , 多次受到中 压和低压侧的外部短路冲击 ,且因短路引起的冲击十分严 重 。根据现场检测器采集的数据进行相关分析 ,结果如表 1、表2、表3所示。

如表1、表2、表3所示 ,变压器油中出现了乙炔气体并 超标(表1）, 经过预防性试验发现 ,变压器中绕组电容量 (表2）和低电压阻抗(表3）出现较大变化。将上述信息输入 到变压器故障诊断模块后 ,故障诊断模块推断出该变压器

5   结语

本文在研究变压器常见缺陷或故障模式、专家诊断经

验及国内外故障诊断算法的基础上 ,提出并设计了基于机 理/数据混合驱动的串联式变压器设备故障快速诊断模型 和系统 。  由案例验证可知 ,本模型可以很好地辅助变压器 故障的诊断 ,为设备检修决策提供指导。