[發明專利]一種基于貝葉斯網絡的斷路器故障診斷方法

無效

• 申請號: 201310160910.1
• 申請日: 2013-05-03
• 公開（公告）號: CN103245911A
• 公開（公告）日: 2013-08-14
• 發明（設計）人: 張文斌;王達達;張少泉;徐樹振;蔡志強
• 申請（專利權）人: 云南電力試驗研究院(集團)有限公司電力研究院;云南電網公司技術分公司
• 主分類號: G01R31/327
• 分類號: G01R31/327
• 代理公司: 昆明大百科專利事務所 53106
• 代理人: 何健

技術領域

本發明屬于裝備維護保障領域，具體來說是利用一種基于裝備貝葉斯網絡模型和檢測信息為裝備實時運行狀態進行預測的方法。

背景技術

故障診斷技術是實現斷路器狀態檢修的基礎性技術，為實現由計劃檢修到狀態檢修創造條件。它是以斷路器當前狀態為起點，結合已知的結構特性、參數、環境條件及運行歷史記錄，對斷路器當前狀態進行診斷，對將來可能出現的故障進行分析和判斷，確定故障性質、類別及程度，為斷路器的維修決策提供支持。

國內外的許多學者對斷路器的機械特性、線圈電流、電壽命等進行了大量的研究，斷路器的監測技術也從周期性檢測發展成了目前的在線監測，一些先進的信號分析與診斷方法，如小波分析、專家系統、模糊理論、神經網絡等被引入到斷路器的故障診斷中。斷路器的故障征兆與故障之間不是一一對應的關系，這些診斷方法一般傾向于探討故障征兆集與故障集之間復雜的映射關系，而忽視了故障征兆之間或故障之間的關聯關系，而這些恰是反映故障機理的信息，利用這些信息可以在較少已知條件下對故障進行診斷。貝葉斯網絡作為一個可視化的建模和推理工具，在斷路器復雜的運行環境、多樣的故障模式，以及不確定的故障原因和機理的情況下，能很好的表達故障之間、故障原因之間，以及故障和故障原因之間的關聯關系。許多學者在利用貝葉斯網絡進行故障診斷方面，做了很多研究。

公開號為CN101915234A的中國專利公開了一種名為“一種基于貝葉斯網絡的壓縮機關聯故障診斷方法”的故障診斷方法。該方法為克服以設備或測點為對象的監測診斷技術的不足，提供了一種基于工況、操作—故障—征兆的三層貝葉斯網絡的機械診斷知識的推理和表達技術。該方法利用專家知識和特定診斷對象的先驗信息建立三層貝葉斯模型；然后利用Monte?Carlo方法進行仿真，對樣本序列進行單獨統計，得出節點的邊緣概率，對相關列進行聯合統計，得出節點間的聯合概率和條件概率；最后，利用模型對壓縮機進行故障診斷。該方法考慮了設備的工作環境和人為因素對設備可靠性的影響，但是該方法過度依賴于專家知識，其建模過程沒有考慮設備真實的工作環境，不適用于工作環境復雜、導致故障因素不確定的復雜裝備的故障診斷中。

發明內容

為了解決上述問題，達到上述目的，本發明采用下述技術方案：

一種基于貝葉斯網絡的斷路器故障診斷方法，本發明采用斷路器在真實運行環境中能反映與失效模式相關的各種復雜因素的數據（如斷路器基礎技術參數、運行數據、試驗數據、失效數據、風險信息數據等），并根據設備運行、老化規律建立基于貝葉斯網絡的故障診斷方法對斷路器的實時運行狀態進行診斷，利用專家系統對故障模式進行預測，實現對斷路器實時運行狀態的診斷；首先，針對電網常見斷路器故障的事實確定要識別的故障模式，以及可能與故障模式相關的影響因素；其次，收集斷路器故障模式和影響因素的數據集，并對數據集進行標準化處理；最后，綜合數據挖掘和專家系統建立斷路器故障診斷模型，將斷路器故障診斷數據影響因素的值輸入建立的貝葉斯模型中，對故障模式進行診斷，并將推理得到的斷路器狀態與實際狀態進行對比。

具體步驟如下：

1、確定需要預測的目標故障模式和故障的影響因素，在斷路器故障數據庫中搜索對應的故障記錄，形成關于該故障模式的故障數據集；

2、整理故障數據集，剔除無效數據，對于非結構化的、敘述各異的故障數據，將其轉化成符合規定的結構化標準描述方式；

3、對于故障數據集中故障記錄存在缺值的情況，通過賦予平均值、眾數值或期望優化值等方法進行數據修補，形成完整的故障數據集；

4、完成故障模式的編碼和連續數據的離散化處理：對于認識深入的影響因素，利用各種因素的判斷標準對數據離散化處理；對于認識模糊的影響因素，利用決策樹、等距離法、等頻率法和Kmeans完成數據的離散化處理；

5、樹增強貝葉斯（TAN）算法在樸素貝葉斯算法的基礎上，松弛了各獨立變量之間條件獨立的假設，允許屬性變量所對應的節點之間有連接弧連接，能很好的表達因素對故障模式的影響和各影響因素之間的關系，所以采用TAN算法完成模型的結構學習和參數學習；

6、分析建立的斷路器故障診斷模型，通過咨詢故障領域專家，若存在與專家知識明顯相悖的關聯關系，通過添加或改變有向邊方向來增加或改變相互關聯關系對模型進行修正，此過程中保證模型中不形成有向圈，之后對模型重新進行參數學習；

7、利用混淆矩陣、ROC曲線、Lift曲線等方法，對模型的可靠性、精度等靜態特性和動態特性進行分析，若模型性質不好，可以通過修改影響因素的離散區間和改變結構學習算法來調整；