您的当前位置：首页正文

WRSR 与改进朴素贝叶斯融合的变压器故障诊断技术研究

来源：榕意旅游网

第49卷第20期电力系统保护与控制 Vol.49 No.20 2021年10月16日 Power System Protection and Control Oct. 16, 2021 DOI: 10.19783/j.cnki.pspc.201564

WRSR与改进朴素贝叶斯融合的变压器故障诊断技术研究

朱保军1，咸日常2，范慧芳2，刘兴华1，高鸿鹏2，陈蕾2

(1.国网山东省电力公司淄博供电公司，山东淄博 255000，2.山东理工大学电气与电子工程学院，山东淄博 255000) 摘要：电力变压器的运行状态评估及其故障准确定位，一直是制约电网运行安全和设备运维效率的技术瓶颈。建立一种基于加权秩和比(Weighted Rank Sum Ratio, WRSR)并结合改进朴素贝叶斯网络的诊断模型，用以评估电力变压器整体运行状态，确定故障位置及具体故障类型。首先从多个变电站收集变压器的历年故障数据，并将其作为训练集，在改进朴素贝叶斯网络中建立起特征参量与故障位置、故障类型之间的非线性映射关系。结合某电网的具体变压器运行状态信息与检测数据，利用WRSR模型对具体变压器整体运行状态进行评价，然后将状态性能较差的变压器故障检测数据作为测试集代入至改进朴素贝叶斯网络中来预测故障位置。最终结果表明，所提模型能够实现对电力变压器状态的合理评价，又可在预测故障部位及故障类型时保持较高的准确率。关键词：变压器；WRSR；朴素贝叶斯；状态评估；故障位置

Transformer fault diagnosis technology based on the fusion of WRSR and improved naive Bayes

ZHU Baojun1, XIAN Richang2, FAN Huifang2, LIU Xinghua1, GAO Hongpeng2, CHEN Lei2 (1. Zibo Power Supply Company, State Grid Shandong Electric Power Company, Zibo 255000, China; 2. College of Electrical and Electronic Engineering, Shandong University of Technology, Zibo 255000, China)

Abstract: Evaluation of the operational status of power transformers and accurate location of faults have always been

technical bottlenecks affecting the safety of power grid operation and the efficiency of equipment operation and maintenance. This paper establishes a diagnosis based on the Weighted Rank Sum Ratio (Weighted Rank Sum Ratio, WRSR) combined with improved naive Bayesian networks. The model is used to evaluate the overall operational status of the power transformer, determine the fault location and specific fault types. The paper first collects historical fault data of transformers from multiple substations and uses it as a training set to establish a nonlinear mapping relationship between characteristic parameters and fault locations and fault types in an improved naive Bayesian network. Combined with specific transformer operating status information and detection data of a power grid, it first uses the WRSR model to evaluate the overall operating status of the specific transformer, and then substitutes the transformer fault detection data with poor performance as a test set into the improved naive Bayes network to predict fault location. The final results show that the model proposed can realize a reasonable evaluation of the state of power transformers, and can maintain a high accuracy rate in predicting fault locations and fault types.

This work is supported by the National Natural Science Foundation of China (No. 51907109) and Shandong Electric Power Science and Technology Project (No. SGSDZBOOJXJ2000375). Key words: transformer; WRSR; Naive Bayes; state assessment; fault location

0 引言

的广泛关注[1-4]。变压器一旦出现故障，有必要及时高效地对其进行准确定位，防止进一步扩大而影响电力变压器作为电力系统中电能转换与能量传

供电可靠性[5-10]。

输的核心设备，其运行状态一直备受电力检修人员

如何在变压器运行时快速对故障进行监测与诊断，一直颇受国内外学者广泛关注[11]。在国内，对基金项目：国家自然科学基金项目资助(51907109)；山东电于电力变压器运行状态的评估普遍使用DL/T 1685 力科技项目资助(SGSDZBOOJXJ2000375)

《油浸式变压器(电抗器)状态评价导则》(以下简称

《导则》)，此外文献[12-14]相继提出了相关的变压器状态评估模型；对于故障定位的研究，国内一直以来都是采用基于二叉树的支持向量机模型，且对于局部放电故障定位的研究较多[15]。文献[16]中考虑到使用传统方法很难检测到不同特征参量与故障之间的潜在关联，且检测数据尚未被充分挖掘利用，故为了提高变压器故障诊断的准确性，文章建立了一种基于模糊关联规则并结合案例推理(CBR)的诊断模型，以评估变压器的故障类型、故障位置以及故障原因。文献[17]提出了一种基于模糊集和因子空间的多因子状态评估方法，该方法可以显示各种变量对状态评估结果的影响程度，从而间接指示出变压器所发生故障的原因和位置。

综上，本文预先采用PCA对从常规电气试验、油色谱分析以及油化试验三方面所选出的特征参量作降维处理，然后利用加权秩和比(Weighted Rank Sum Ratio, WRSR)模型首先对电力变压器状态进行评估，该种模型不仅可以实现对运行状态的量化评估，还可以对其进行准确归档，方便检修人员直观、准确地监测变压器状态；在对变压器整体状态进行准确评估的基础上，对性能较差的变压器进行潜在故障的准确定位以及具体故障类型的预测，最终预测结果表明所提模型与方法在一定程度上可以更好地服务于电力变压器的运维。

1 模型原理

1.1 加权秩和比

WRSR是由我国著名统计学家于1988年所提出的一种综合评价方法[18]。其基本思想是在一个n行p列的矩阵中，通过秩转换，获得无量纲的统计量WRSR，以WRSR值对待评价对象的状态优劣进行直接排序或分档排序[19]。

利用WRSR对待评估对象进行综合评价的一般步骤如下所述。

1) 列出原始数据表。根据不同的评价目的，选择合适的评价特征参量，并使用业内知识划分特征参量是高优指标还是低优指标。假设有n个参与评价的样本，p项评价指标，那么所形成的原始指标数据矩阵X可表示为式(1)。

⎡x⎢11x12\"x1p⎤X=⎢x21x22\"x⎥2p⎢⎢###⎥⎥ (1) ⎢⎣

x\"x⎥n1xn2np⎦⎥2) 考虑到所选特征指标对评价结果的影响程度不同，故需要利用加权算法确定每一个评价指标

的权值ωj。常用的加权算法有层次分析法[20]、熵权法[21]及变异系数法[22]等。 3) 计算秩次矩阵R，用R来代替原始评价特征参量矩阵。在这一过程中应遵循的原则是高优指标从小到大进行编秩，低优指标从大到小进行编秩。根据编秩原则所建立的各指标秩次矩阵R如式(2)所示。

⎡r⎢11r12\"r1p⎤

R=⎢rr⎥2122\"r2p⎢⎥ (2) ⎢###⎥⎢⎣r⎥

n1rn2\"rnp⎥⎦

4) 利用公式(3)计算待评估对象的加权秩和比(WRSR)。

WWRSRi

=1n

∑ωjrij

(3)

j=1

式中：ωj为指标j的权值系数；rij为第i个评价样本的第j个指标的秩次。

5) 按照以下步骤确定WRSR的分布情况。 (a) 将WRSR值按照从小到大的顺序排成一列。 (b) 确定各组频数及各组累计频数。

(d) 利用公式Rn×100%计算向下累计频率，最后一项用公式1−14n修正。

(e) 根据累计频率，查询“百分比与概率单位对照表”，求其所对应的概率单位Probit值。

6) 计算直线回归方程。以累计频率所对应的概率单位Probit为自变量，以WRSR估计值为因变量，确定如下回归方程：

WRSR=a+b×Probit (4) 式中，a、b为待确定系数。

7) 借助回归方程确定最终的WRSR值，其值越大，表示待评估对象状态越优，然后按照最佳分档原则对其进行分档排序。

8) 进一步检验分档结果是否为最佳分档。 1.2 朴素贝叶斯

1.2.1朴素贝叶斯模型

朴素贝叶斯模型是以贝叶斯原理为基础、采用概率统计的思想对样本数据进行分类的一种模型[23]。其基本依据是对于待分类的给定项，在某一事件发生的条件下，哪一类别出现的概率最大，则认为该待分类项属于哪一类别。其模型分类流程图如图1所示，具体步骤如下所述。

1) 设X={x1,x2,\",xn}是一个待分类项，每一个xi代表X的一个特征属性。

图1 朴素贝叶斯模型算法流程图 Fig. 1 Flowchart of naive Bayes model algorithm

2) 假设有类别Y={y1,y2,\",ym}；其先验概率Pyj可表示为

PDyj

yj=D

(5)

式中：Dyj为类别yj的个数，D为训练样本总个数。

3) 确定条件属性P(X|y1),P(X|y2),\",P(X|ym)，其计算公式为

P(X|yDX,yj

j)=D (6) yj

式中，DX,yj表示类别yj下X出现的次数。

4) 根据式(7)确定P(yj|X)，即待分类项X属于每

一类别的后验概率。

P(yj|X)=Pyj

∏P(X|yj

) (7)

j=1

5)若P(yk|X)=max{P(y1|X),P(y2|X),\",P(ym|

X)}，则认为X属于第k类。

对于一个待分类项，若某个特征属性在训练集中未出现过，那么将会导致整个分类概率变为零，使得最终分类结果不合理[24]。故为解决零概率问题，本文引入拉普拉斯平滑处理方法分别对类别先验概率和属性条件概率公式进行修正，即将式(5)和式(6)修正为式(8)和式(9)。

PDyj+1yj=D+N

(8) P(X|yDX,yj+1

j)=

D (9) yj+Ni式中：N表示总分类数；Ni表示特征属性i可能取值的个数。 1.2.2改进策略

朴素贝叶斯的前提是假设条件属性之间相互独立，而在实际中，事物之间及事物属性之间常常具有明显的关联性。故为了将这一假设条件进行松弛，本文采用属性加权的方法对所选特征属性进行加权

处理，其贝叶斯公式将由式(7)改为式(10)。

P(yωi

j|X)=Pyj

∏P(X|yj

)

(10)

j=1

式中，ωi表示赋予特征属性i的权值。

属性加权朴素贝叶斯分类方法的关键是属性权

值的确定。本文从两个方面考虑特征属性的权值：利用ReliefF算法确定属性与类别之间的关联程度；然后再利用相关系数法确定属性之间的权值，以此削弱条件独立性的前提假设。

2 基于WRSR与改进朴素贝叶斯的诊断模

型用于电力变压器

2.1 特征参量的确定和预处理 2.1.1特征参量降维

电力变压器是一个复杂庞大的体系，能够反映其运行状态的特征参量有很多，表1中所列各属性是从电力变压器常规电气试验、油色谱分析以及油化试验三方面选出的。

表1 电力变压器特征属性

Table 1 Characteristic attributes of power transformers

试验项目

特征参量试验项目

特征参量 X1-1直阻三相不平衡率 X2-1H2/(μL/L) X1-2铁芯接地电流/mA X2-2CH4/(μL/L) X1-3绝缘电阻/MΩ X2-3C2H4/(μL/L)

X1-4吸收比、极化指数

X2-4C2H6/(μX油色谱

L/L)

1-5局部放电量/pC X2-5C2H2/(μL/L)

X绕组介损分析X2

1-6X2-6总烃/(μL/L)

XX2-7总烃相对 1-7绕组泄漏电流/μA

电气试验产气速率/% X1

X1-8短路阻抗 X2-7CO2/CO XX3-1油击穿 1-9绕组变比电压/kV XX3-2油中微水/

1-10空载损耗油化试验 mg/L X1-11绕组频率响应 X3

X3-3油中糠醛/mgX1-12铁芯绝缘 X3-4变压器油介损X1-13红外温度/℃ X3-5纸板聚合度X1-14线圈温度/℃

X3-6油界面张力

实际上，电力变压器的常规电气试验与油化试验开展起来不仅会增加工作量，还会由于数据之间的关联程度增加冗余属性，从而导致不必要的人力与物力的大量浪费。故为了改善这一局面，文章采用主成分分析法(Principal Components Analysis, PCA)对表1中所列特征属性进行优化降维处理。PCA的基本原理是通过正交变换将一组可能存在相关性的变量转换为一组线性无关的变量，这组线性无关的

变量被称作主成分[25]。表2是借助SPSS软件对表

1中28维特征参量进行主成分分析所得出的结果。

表2 特征值贡献率及累计贡献率

Table 2 Contribution rate and cumulative contribution rate of principal component

主成分特征参量

特征值

贡献率/% 累积贡献率/%主成分特征参量

特征值

贡献率/%

累积贡献率/%

1 直阻三相不平衡率 2.641

17.26

17.26 15

CO2/CO 0.293 1.92

94.30 2 铁芯接地电流 2.192 14.32 31.58 16 油击穿电压 0.292 1.91

96.21 3 局部放电量 1.717 11.22 42.80 17 油中微水 0.290 1.90 98.11 4 绕组泄漏电流 1.507 9.85

52.65 18 变压器油介损

0.289 1.89 99.78

5 绕组介损 1.310 8.56 61.21 19 油中糠醛 0.080 0.22 100.00 6 吸收比 1.204 7.87 69.08 20 短路阻抗 0.000 0.00 100.00 7

极化指数 0.950 6.21 75.29 21 绕组变比 0.000 0.00

100.00 8 H2含量 0.437 2.86 78.15 22 空载损耗 0.000 0.00 100.00

9 CH4含量 0.416 2.72 80.87 23 绕组频率响应

0.000 0.00 100.00

10 C2H6含量 0.388 2.54 83.41 24 铁芯绝缘 0.000 0.00 100.00 11 C2H4含量 0.381 2.49 85.90 25 红外温度 0.000 0.00 100.00 12 C2H2含量 0.352 2.30 88.20 26 线圈温度 0.000 0.00 100.00 13 总烃含量 0.336 2.20 90.40 27 纸板聚合度 0.000 0.00 100.00 14

总烃相对产气速率 0.303

1.98

92.38

油界面张力 0.000

0.00

100.00

在本次分析中选择累积贡献率Ci≥98.5%，根

只能处理取值为离散值的属性，故还需对所选特征

据表2可得，在对变压器进行整体分析时，只需保参量作进一步处理。

留前19个特征向量即可满足精度要求。因此利用根据前期试探性诊断结果，从表3中选出对变PCA降维后所得到的最佳特征参量如表3所示。

压器整体运行状态起重要作用的特征状态量可表示表3 降维后的多源特征属性为图2。在图2所列出的各项指标中，绝缘电阻吸Table 3 Multi-source feature attributes after 收比、极化指数以及油击穿电压为高优指标，其余dimensionality reduction

特征参量为低优指标。

变量特征参数

变量

特征参数

A1 铁芯接地电流 A11 C2H4含量 A2 直阻三相不平衡率 A12 C2H2含量

A3 局部放电量 A13 总烃含量 A4 绕组泄漏电流 A14 总烃相对产气速率 A5 绕组介损 A15 CO2/CO A6 吸收比 A16 油击穿电压 A7

极化指数 A17 油中微水

A8 H2含量 A18 变压器油介损 A9 CH4含量 A19 油中糠醛 A10 C2H6含量

—

从表3中可以看出，利用PCA法对特征参量进

行优化后，其维数从原来的28维降至19维，在一定程度上既减少了电力检修人员的工作量，又消除了可能降低故障诊断准确率的冗余属性，在尽可能

地保持原有信息的基础上，对电力变压器运行性能图2 电力变压器状态评估体系

进行准确全面地诊断。 Fig. 2 State evaluation system of power transformer

2.1.2特征参量预处理

为准确定位电力变压器故障部件，确定故障类对于WRSR模型来说，评估过程需区分特征指型，从表3中选出与诊断故障位置相关的状态参量标的性质属于高优还是低优；且通过试验所测得的并进行处理，最终结果汇总为表4，然后将其作为变压器特征状态量是连续数据，而朴素贝叶斯模型

改进朴素贝叶斯模型的输入参数。由于表3中铁芯

接地电流与油中微水的注意值因变压器的电压等级不同而不同，并且直流电阻三相不平衡率与变压器油介损的界限值也因变压器容量的不同而不同，故将特征属性取值按表4中规则进行离散。

表4 特征参量离散化规则

Table 4 Discretization rules of characteristic parameters

离散值编码 1 2 3 表6 变压器故障集 Table 6 Transformer fault set

故障部位铁芯绕组

故障类型多点接地或局部短路

悬浮放电匝层间短路线圈变形、回路接触不良

铁芯接地电流* <1 [1,3) ≥3 三比值诊断结果为过热无过热故障低温过热

中高温过热

直阻三相不平衡率# <1 [1,2) ≥2 油中微水* <1 [1,1.7) ≥1.7 三比值诊断结果为放电无放电故障低能放电高能放电局部放电参数 <300pc ≥300&500pc

≥500pc 油中气体比值CO2/CO <3

[3,7)

≥7

变压器油介损# <0.02 [0.02,0.04) ≥0.04 绕组吸收比 >1.3 [1,1.3] ≤1 注：其中带有*的特征属性表示标幺值，即实际值与属性注意值之比；带有#的特征值适用于1.6 MVA及以上的变压器。

2.2 变压器状态与故障类型分类《导则》中将变压器运行状态分为了四种状态，所以为了将利用WRSR模型对电力变压器状态进行综合评价所得出的结果尽可能地统一到《导则》，

将最终的WRSR值分为四档，

即确定3个概率单位临界特征值，从而实现对变压器4种不同状态的分

类，具体情况如表5所示。

表5 变压器运行状态分类

Table 5 Transformer operating status classification

状态性能描述

正常各状态量处于稳定且在规程规定的警示值、注意值以内注意单项(或多项)状态量朝标准限值方向发展，但未超过异常单项重要状态量已接近或略微超过标准值，适时停电检修严重

单项重要状态量严重超过标准限值，应尽快停电检修

变压器拥有着庞大的器身，内部各零部件高度耦合，本文将故障按照部件分类为铁心故障、绕组故障、绝缘部件故障、金属附件故障以及分接开关和引线故障5种。随后对大量实际故障样本数据及设备现场运行中出现的故障部位进行统计，最终所组成的故障集如表6所示。

2.3 两种模型融合运用至电力变压器

本文通过从常规电气试验、油色谱分析以及油化试验三个方面选出了与电力变压器运行状态关联较大的重要状态量，在运用WRSR模型准确评估其运行状态的基础上，对状态为异常及严重的变压器采用改进朴素贝叶斯网络确定故障位置与主要故障类型，其融合后模型功能示意图如图3所示。

油或纸老化

绝缘部件

油或纸受潮油流受阻围屏放电悬浮放电

金属附件

裸金属发热漏磁或磁屏蔽发热

分接开关及引线

分接开关及引线接触不良

图3 模型功能示意图 Fig. 3 Model function diagram

将上文所提WRSR模型与改进朴素贝叶斯网络相融合，以评估电力变压器整体运行状态、故障位置以及具体故障类型。图4给出了对电力变压器进行状态诊断的整体过程。

图4 电力变压器状态诊断流程图

Fig. 4 Flowchart of power transformer status diagnosis

具体步骤如下所述。

1) 从电力变压器常规电气试验、气相色谱分析以及油化试验三方面列举状态特征参量。

2) 利用PCA法对以上所选特征参量进行降维。 3) 对降维优化后的特征参量进行预处理。

4) 将所选训练集代入改进朴素贝叶斯网络中对其进行训练。

5) 选取具体变压器运行数据。

6) 将所需数据代入WRSR模型中评估特定变压器运行状态。

7) 将评估状态性能较差的变压器运行数据作为测试集代入已训练好的改进朴素贝叶斯网络中，确定故障位置及主要故障类型。

3 实例分析

为了验证文章所提方法与模型的有效性，从山东电网某供电公司选取了相同电压等级的8台电力变压器，首先对其各自的运行状态进行评价，然后对最终评价状态为异常及严重的电力变压器进行初步故障定位。所选取的8台电力变压器运行数据如表7所示。

表7 各台变压器具体运行数据

Table 7 Specific operating data of each transformer

状态指标

变压器1

变压器2

变压器3

变压器4

变压器5

变压器6

变压器7

变压器8

A1 0.65 0.20 0.25 0.87 0.79 0.45 1.50 0.63 A2 0.25 0.04 0.38 0.29 1.20 0.09 1.32 0.50 A3 275.00 312.00 267.00 386.00 183.00 298.00 150.00 332.00 A4 20.00 18.00 24.90 23.50 19.00 15.00 25.00 25.40 A5 2.58 0.35 0.41 0.51 0.39 0.20 0.29 0.43 A6 1.24 1.53 1.58 1.92 0.92 1.48 1.04 1.63 A7 1.81 2.12 2.28 2.35 1.83 1.75 1.92 1.71 A8 360.00 10.00 282.00 50.00 18.00 20.57 52.10 180.83 A9 26.80 35.00 15.00 67.30 151.90 14.70 17.00 21.70 A10 82.00 26.00 45.00 29.90 38.20 36.50 73.00 26.50 A11 34.00 57.00 26.00 56.80 12.30 79.20 22.00 2.70 A12 0.00 0.00 0.20 0.56 2.20 0.40 1.10 0.21 A13 288.00 132.30 156.60 164.56 123.60 107.20 152.30 110.42

A14 12.30 7.20 10.90 9.80 6.20 5.29 11.06 7.29

A16 40.00 60.30 50.80 69.00 48.30 48.00 52.00 50.52 A17 12.60 11.30 10.80 23.00 21.00 16.00 17.00 21.36 A18 0.09 0.05 1.20 0.38 2.50 2.00 2.00 1.56 A19 0.21 0.03 0.05 0.03 0.32 0.27 0.30 0.26

3.1 各变压器状态评估

首先对上述8台电力变压器的运行状态利用WRSR模型自身的步骤进行整体评价，过程中得到的WRSR频率分布如表8所示。利用回归方程确定最终WRSR值，其值越大，代表电力变压器运行状态越优。故利用该模型对上述8台电力变压器运行状态进行评估后所得到的具体情况如图5所示。

从图5中可以看出，各台变压器运行状态的优

劣程度按降序排序为：变压器2>变压器3>变压器4>变压器6>变压器1>变压器8>变压器7>变压器5，电力检修人员可以参考这一状态评价结果优先检修性能较差的变压器，防止其内部潜在故障进一步扩大而影响供电可靠性。为将运行状态尽可能地统一到《导则》上，按照概率单位临界值对各台变压器运行状态进行归档的具体情况如表9所示。

表8 频率分布表

Table 8 Frequency distribution table

参数

变压器5

变压器7

变压器8

变压器1

变压器6

变压器4

变压器3

变压器2

δWRSRi

∑fi

0.375 0.438 0.469 0.522 0.580 0.592 0.628 0.910

fi 1 1 1 1 1 1 1 1

1 2 3 4 5 6 7 8

R 1 2 3 4 5 6 7 8 R

1 2 3 4 5 6 7 8

pi 0.13 0.25 0.38 0.5 0.63 0.75 0.88 0.97 Probit 3.87 4.33 4.69 5 5.33 5.67 6.18 6.88

- 126 - 电力系统保护与控制

图5 各变压器健康状态评价对比结果 Fig. 5 Evaluation and comparison results of the

health status of each transformer 表9 各变压器具体状态

Table 9 Specific status of each transformer

编号状态编号状态变压器1 注意变压器5 异常变压器2 正常变压器6 注意变压器3 注意变压器7 异常变压器4

注意

变压器8

异常

实际变压器运行情况：变压器1总烃含量严重超出注意值，利用特征气体法判断出其内部存在微弱放电现象，导致部分绝缘材料劣化分解出故障特

征气体；变压器2已经在运15年，

各项指标基本正常，无不良工况，虽出现过冷却器方面的严重缺陷，但已消除，目前运行状态正常；变压器3经绝缘电阻测量后发现，内部整体绝缘状态良好，但不排除局部有绝缘受损现象，这是由于绝缘电阻只能反应贯穿性的绝缘缺陷，对于局部绝缘受损现象还需其他状态量辅以判断；变压器4内部曾检测出少量水分，这些水分溶解于油中，加速了油的氧化裂解，还可能被绝缘纸吸附而使变压器整体绝缘性能下降，若不及时处理将会发展成为异常状态；变压器5中油温升异常，绝缘出现过热现象，水分从纤维材料中释出，使绝缘材料加速脆化，变压器运行状态异常；变压器6存在的绝缘受潮问题已解决，绝缘含水量正常，但经局部放电检测，发现其内部存在局部放电超标现象，由于局部放电是一种非贯穿性放电，且又是火花放电与电弧放电的先兆，为避免绝缘材料大面积劣化，应及时定位放电点，查明原因并加以消除；变压器7绕组出现明显变形现象，本体工作在接近严重状态；变压器8由于内部油长

时间运行，绝缘油中微水偏高，变压器绝缘严重受

潮，击穿电压明显下降，在额定电压下已不能正常工作。8台变压器的实际运行情况与模型预测结果基本一致，验证了WRSR模型的有效性。

根据表9中结果与变压器实际运行情况可得，变压器5、7和8的运行状态为异常，表明此三台变压器内部存在潜伏性故障的概率极大。故为了验证这一假设的准确性，采用改进朴素贝叶斯模型对其进行处理，并对三者的实际运行情况进行具体分析。 3.2 变压器故障类型预测

为了进一步验证所提故障定位模型的有效性，从不同变电站内共收集了173组变压器故障数据，将其代入所建改进朴素贝叶斯网络中进行模型训练。然后按照表4所列举的特征参量从表7中选出对应3台变压器的具体运行数据，并遵循表4的离散化规则分别对其进行离散化处理，3台变压器运行数据的最终离散化结果如表10所示。表10中所列各变压器故障位置与故障类型是将离散数据代入至训练完毕的改进朴素贝叶斯网络中预测后所输出的结果。

表10 运行数据离散化结果 Table 10 Running data discretization results

特征参量

变压器5

变压器7

变压器8

铁芯接地电流 1 2 1 三比值诊断为过热 2 1 1 直阻三相不平衡率 1 2 2 油中微水 2 1 2 三比值诊断为放电 1 3

1 局部放电参数 1 1

油中气体比值 CO3 1 2

2/CO

变压器油介损 2 1 1

绕组吸收比 2 3 1

故障部位绝缘部件绕组故障绝缘部件故障类型

绝缘老化

线圈变形

绝缘受潮

为了验证改进朴素贝叶斯网络预测的准确性，对上述3台变压器的历史运行状况进行了详细了解。经检查，由于变压器5的油箱顶部密封性能不良，致使少量水分从该处进入变压器内部，绝缘出现些许受潮现象；并且顶层油温曾达至40 K，由于温度过高，绝缘材料过度受热使得其内部少量水分从纤维材料中析出，导致绝缘材料表面脆化剥落，绝缘出现严重老化现象。变压器7因运行中多次跳闸而进行返厂处理，经现场吊罩后发现，由于该变压器受到了多次外部出口短路电流的冲击，绕组轴向与辐向都出现了明显变形现象，并且绕组外部包裹的绝缘材料遭受了严重褶皱。经油化试验检测，

发现变压器8油中含水量偏高，绝缘存在明显受潮现象，并且油中糠醛含量略微超标，这些水分与糠醛等物质共同溶解在变压器油中，该变压器在这种情况下长期工作，会使得油的击穿电压明显下降，故该台变压器同样存在绝缘老化现象。

对以上三台变压器实际运行情况进行详细了解后，发现实际情况与模型预测的故障位置以及具体故障类型基本一致，从而验证了文章所提模型与方法的有效性，可为电力检修人员快速掌握变压器运行状态并及时定位故障位置提供一定的参考。

4 结论

为了对电力变压器整体运行状态进行准确评估，并对状态性能较差的变压器实现初步故障定位，本文建立了一种基于WRSR与改进朴素贝叶斯网络相融合的诊断模型。与传统的状态评估模型相比，WRSR既可以将变压器运行的状态优劣量化为具体数值，为电力检修人员提供一种直观的表达结果，又可以对其进行准确归档，使得检修人员可以优先检修性能较差的变压器；基于改进的朴素贝叶斯网络建立了特征属性与故障位置之间的映射关系，故文中所提模型与方法在评估变压器运行状态与诊断故障位置方面更有效。最后利用8台实际电力变压器的多源运行数据验证了所提模型与方法的有效性。

参考文献

[1] 何先华, 张远鹏, 崔桂兴, 等. 基于回归算法的变压器

故障检测方法研究[J]. 电力系统保护与控制, 2020, 48(21): 132-139.

HE Xianhua, ZHANG Yuanpeng, CUI Guixing, et al. Research on transformer fault detection method based on a regression algorithm[J]. Power System Protection and Control, 2020, 48(21): 132-139.

[2] 陈磊, 何慧雯, 王磊, 等. 基于限流器与断路器协调的

混合直流输电系统故障隔离方法[J]. 电力系统保护与控制, 2020, 48(19): 119-127.

CHEN Lei, HE Huiwen, WANG Lei, et al. Fault isolation method of a hybrid HVDC system based on the coordination of a fault current limiter and a DC circuit breaker[J]. Power System Protection and Control, 2020, 48(19): 119-127.

[3] 李欣悦, 李凤婷, 尹纯亚, 等.直流双极闭锁故障下送

端系统暂态过电压计算方法[J]. 电力系统保护与控制, 2021, 49(1): 1-8.

LI Xinyue, LI Fengting, YIN Chunya, et al. Transient overvoltage calculation method of HVDC sending-end system under DC bipolar blocking[J]. Power System

Protection and Control, 2021, 49(1): 1-8.

[4] 董方旭, 咸日常, 咸日明, 等. 基于细菌觅食算法优化

的电力变压器故障诊断技术[J]. 电测与仪表, 2018, 55(19): 34-40.

DONG Fangxu, XIAN Richang, XIAN Riming, et al. Fault diagnosis technology of power transformer based on bacterial foraging algorithm optimization[J]. Electrical Measurement & Instrumentation, 2018, 55(19): 34-40. [5] 苏磊, 陈璐, 徐鹏, 等.基于深度信念网络的变压器运

行状态分析[J]. 高压电器, 2021, 57(2): 56-62.

SU Lei, CHEN Lu, XU Peng, et al. Operation condition analysis of transformer based on deep belief network [J]. High Voltage Apparatus, 2021, 57(2): 56-62. [6] 张燕, 方瑞明. 基于油中溶解气体动态网络标志物模

型的变压器缺陷预警与辨识[J]. 电工技术学报, 2020, 35(9): 2032-2041.

ZHANG Yan, FANG Ruiming. Fault detection and identification of transformer based on dynamical network marker model of dissolved gas in oil[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 2032-2041. [7] HAN Jiexiang, KONG Xiangping, LI Peng, et al. A novel

low voltage ride through strategy for cascaded power electronic transformer[J]. Protection and Control of Modern Power Systems, 2019, 4(3): 227-238. DOI: 10.1186/s41601-019-0137-1.

[8] 刘勇. 基于自适应神经网络的变压器健康诊断模型设

计[J]. 自动化与仪器仪表, 2021(1): 104-107, 111.

LIU Yong. Design of transformer health diagnosis model based on adaptive neural network[J]. Automation & Instrumentation, 2021(1): 104-107, 111.

[9] 张冰倩, 咸日常, 朱锋, 等. 一起110 kV变压器绕组变

形故障的案例分析[J]. 变压器, 2021, 58(2): 69-73. ZHANG Bingqian, XIAN Richang, ZHU Feng, et al. Case analysis of 110 kV transformer winding deformation fault[J]. Transformer, 2021, 58(2): 69-73.

[10] 党东升, 张树永, 葛鹏江, 等. 基于改进量子粒子群优

化支持向量机的变压器故障诊断方法[J]. 电力科学与技术学报, 2019, 34(3): 108-113.

DANG Dongsheng, ZHANG Shuyong, GE Pengjiang, et al. Transformer fault diagnosis method based on support vector machine optimized by improved quantum-behaved particle swarm optimization[J]. Journal of Electric Power Science and Technology, 2019, 34(3): 108-113.

[11] FLORES W C, MOMlBELLO E E, JARDINI J A, et al.

Expert system for the assessment of power transformer insulation condition based on type-2 fuzzy logic systems[J]. Expert Systems with Applications, 2011, 38(7): 8119-8127. [12] 谭贵生, 曹生现, 赵波, 等. 基于关联规则与变权重系

数的变压器状态综合评估方法[J]. 电力系统保护与控制, 2020, 48(1): 88-95.

TAN Guisheng, CAO Shengxian, ZHAO Bo, et al. An assessment of power transformers based on association rules and variable weight coefficients[J]. Power System Protection and Control, 2020, 48(1): 88-95.

[13] 蒋逸雯, 彭明洋, 马凯, 等. 多源异构数据融合的电力

变压器状态评价方法[J]. 广东电力, 2019, 32(9): 137-145. JIANG Yiwen, PENG Mingyang, MA Kai, et al. Evaluation method for power transformer conditions based on multi-source heterogeneous data fusion[J]. Guangdong Electric Power, 2019, 32(9): 137-145. [14] 吴胜磊, 温颖, 宋超然, 等. 融合粗糙集和信息熵的复

合绝缘子污闪状态评估[J]. 高压电器, 2019, 55(6): 131-136, 144.

WU Shenglei, WEN Ying, SONG Chaoran, et al. Pollution flashover condition evaluation of composite insulator via combination of rough set and information entropy[J]. High Voltage Apparatus, 2019, 55(6): 131-136, 144.

[15] 苑津莎, 王玉鑫, 刘铟, 等. 基于知识推理的变压器局

部放电故障检测技术[J]. 电测与仪表, 2020, 57(13): 1-5.

YUAN Jinsha, WANG Yuxin, LIU Yin, et al. Partial discharge fault detection technology for transformer based on knowledge reasoning[J]. Electrical Measurement & Instrumentation, 2020, 57(13): 1-5.

[16] GUO Chenxi, WANG Bin, WU Zhanyu, et al. Transformer

failure diagnosis using fuzzy association rule mining combined with case-based reasoning[J]. IET Generation, Transmission & Distribution, 2020, 14(11): 2202-2208. [17] ZHOU Lintao, HU Tao. Multifactorial condition assessment

for power transformers[J]. IET Generation, Transmission & Distribution, 2020, 14(9): 1607-1615.

[18] 田凤调. 秩和比法及其应用[M]. 北京: 中国统计出版

社, 1993.

[19] 付学谦, 陈皓勇. 基于加权秩和比法的电能质量综合

评估[J]. 电力自动化设备, 2015, 35(1): 128-132. FU Xueqian, CHEN Haoyong. Comprehensive power quality evaluation based on weighted rank sum ration method[J]. Electric Power Automation Equipment, 2015, 35(1): 128-132.

[20] 王海亮, 邓玲, 何奇, 等. 直觉模糊层次分析法下变压

器状态的灰色模糊综合评判模型[J]. 高压电器, 2020, 56(9): 216-222.

WANG Hailiang, DENG Ling, HE Qi, et al. Grey fuzzy

comprehensive evaluation model of transformer state based on intuitionistic fuzzy analytic hierarchy process[J]. High Voltage Apparatus, 2020, 56(9): 216-222. [21] 熊卫红, 张宏志, 谢志成, 等. 基于云理论及熵权法的

变压器潜在故障风险评估方法[J]. 电力自动化设备, 2018, 38(8): 125-130, 146.

XIONG Weihong, ZHANG Hongzhi, XIE Zhicheng, et al. Risk assessment of power transformer potential fault based on cloud theory and entropy weight method[J]. Electric Power Automation Equipment, 2018, 38(8): 125-130, 146.

[22] GARG N, PACHORI M. Use of coefficient of variation in

calibration estimation of population mean in stratified sampling[J]. Communications in Statistics-Theory and Methods, 2020, 49(23): 5842-5852.

[23] 杨锡运, 张艳峰, 叶天泽, 等. 基于朴素贝叶斯的风电

功率组合概率区间预测[J]. 高电压技术, 2020, 46(3): 1099-1108.

YANG Xiyun, ZHANG Yanfeng, YE Tianze, et al. Prediction of combination probability interval of wind power based on naive Bayes[J]. High Voltage Engineering, 2020, 46(3): 1099-1108.

[24] 彭倩, 鄢小虎, 严磊, 等. 基于贝叶斯案例库的变压器

故障诊断研究[J]. 电气应用, 2014, 33(13): 70-73. PENG Qian, YAN Xiaohu, YAN Lei, et al. Research on transformer fault diagnosis based on Bayesian case library[J]. Electrotechnical Application, 2014, 33(13): 70-73. [25] 樊浩, 李兴文, 苏海博, 等. 基于主成分分析—支持向

量机优化模型的断路器故障诊断方法研究[J]. 高压电器, 2020, 56(6): 143-151.

FAN Hao, LI Xingwen, SU Haibo, et al. Research on Circuit breaker fault diagnosis method based on principal component analysis-support vector machine optimization model[J]. High Voltage Apparatus, 2020, 56(6): 143-151. 收稿日期：2020-12-17；修回日期：2021-03-04 作者简介：

朱保军(1980—)，男，高级工程师，研究方向为输变电设备状态检修技术及应用；E-mail: 276551078@qq.com

咸日常(1965—)，男，通信作者，教授，博导，研究方向为输变电设备状态检测与过电压防护技术；E-mail: xianrc@163.com

范慧芳(1997—)，女，硕士研究生，研究方向为电力变压器状态诊断及故障检修。E-mail: 1055245139@qq.com

(编辑葛艳娜)

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文