变压器是电力系统中非常重要的设备,其运行状况与电网的安全性能和经济效益密切相关。目前变压器故障诊断技术的研究还不够完善,寻找一个既能有效处理数据信息,又能够提高变压器故障诊断效率的方法是解决当前变压器故障诊断领域技术瓶颈的突破点。由于贝叶斯网络能够定性定量处理不确定性问题,因此它为变压器故障诊断的研究提供了一种新的思路。论文的主要工作及创新点如下:(1)基于贝叶斯网络的变压器故障模型学习。首先分析了引发变压器故障的因素,通过离散化编码的方式对变压器故障类型进行分类。然后通过层次贝叶斯网络结构学习算法得到变压器故障诊断的HBN结构模型,定性地刻画出各变量之间的关系。最后根据最大似然估计学习得到变压器故障诊断的条件概率,并使用Dirichlet分布作为先验概率分布,定量地刻画出模型各变量之间关系的强弱。(2)针对变压器故障诊断模型诊断具有HBN的框架结构,提出了贝叶斯网络分层推理算法。通过分离出HBN的聚合节点,减小网络规模,再利用联合树算法进行推理,减少计算量。与经典的变量消元算法和消息传播算法相比,仿真实验证明提出的分层推理算法的正确性与高效性。(3)三种变压器故障诊断模型的对比。通过比较变压器故障诊断的HBN结构模型与传统的朴素贝叶斯网络(NBC)模型、树形贝叶斯网络模型的推理结果,验证了HBN(TAN)结构模型的合理性,且精度较高。当变压器故障发生时,可以准确判断出引发故障的原因,提高了变压器故障诊断效率。