一种基于贝叶斯算法的电力设备状态监测方法

摘要

本发明公开了一种基于贝叶斯算法的电力设备状态监测方法，将贝叶斯网络与证据理论相结合，用于电力设备的状态监测；具体讲，将变电站告警信号中的信号类别和发生时间属性数据作为分析对象，通过Spark大数据平台，处理海量变电站告警信号数据，这样避免了由于数据量过大而带来的预测效果不理想的情况，同时解决了传统预测方法预测准确度低、运算效率低等缺点，贝叶斯算法在电力设备状态监测应用的可行性和有效性。

权利要求

1.一种基于贝叶斯算法的电力设备状态监测方法，其特征在于，包括以下步骤：(1)、数据采集：

采集电力设备运行过程中不同类型的传感器参数，并作为反映电力设备运行状态的基础参数；

(2)、数据预处理：

对基础参数进行滤波、信号放大以及阻抗变换处理，得到标准的电力设备检测数据；

(3)、利用灰色模型中的一次累减运算处理故障发生时间数据，得到故障发生时间差序列；

设标准电力设备检测数据中的发生时间数据为：

则生成的发生时间差序列为：

其中， n表示时刻总数， 表示n时刻的发生时间数据；

(4)、根据故障征兆参数空间选取步骤(2)中得到的电力设备检测数据，并用与之相应的设备故障构建故障原因识别空间；

(5)、将故障原因识别空间划分为若干子空间，并根据故障征兆与故障类型之间的相互关系，在每个子空间与故障类型之间构造贝叶斯诊断子网络；

(6)、将步骤(2)预处理后的电力设备检测数据输入到对应的贝叶斯诊断子网络中，经过各个贝叶斯诊断子网络计算出各种设备故障的初步结果；

(7)、利用步骤(6)得到的初步结果构建D-S证据理论模型，再利用D-S证据理论模型估计各种设备故障的初步结果的可信度；

(8)、利用证据组合法将各种设备故障的初步结果的可信度进行合成，再根据合成结果判定各个设备故障的原因，同时利用发生时间差序列预测该设备发生故障的时间；

(9)、根据步骤(8)得到的各设备发生故障的原因及时间来调整各贝叶斯诊断子网络中的参数，完成贝叶斯诊断子网络的优化，从而提高后续设备故障检测的准确度。

2.根据权利要求1所述的基于贝叶斯算法的电力设备状态监测方法，其特征在于，所述的基础参数包括故障发生时间数据、温度数据、湿度数据、噪声数据、振动数据。

说明书

一种基于贝叶斯算法的电力设备状态监测方法

技术领域

[0001] 本发明属于数据挖掘处理技术领域，更为具体地讲，涉及一种基于贝叶斯算法结合灰色模型理论进行电力设备状态监测的方法。

背景技术

[0002] 智能电网是建立在智能化输配电系统上的现代电力系统，在电力系统的各环节都在推进智能电网的进程。智能变电站是实现电力能量的流入、控制和分配，是实现电压变换和潮流控制功能的关键，也是实现电力系统安全可靠运行和可持续发展的关键。由于工作环境恶劣变电站设备会随着工作时间的增加逐渐老化，最终失效，这不仅会给电力系统造成严重的损失，同时也会威胁到其他行业的正常生产。目前，大部分地区仍采用对电气设备进行定期检修的方式，以避免出现故障。这种相对陈旧的检验制度存在明显的针对性差的缺陷，直接导致过度维修和遗漏维修两种现象并存。

[0003] 例如文献“王德文，周青.一中的电力设备状态监测大数据的分布式联机分析处理方法.中国电机工程学报,2016,36(19):5111-5121.”提出了一种基于Hadoop的电力设备状态监测大数据分析平台。文献“郑一鸣,孙翔.基于多源监测数据挖掘电力设别状态.浙江电力,2016,35(5):1-6.”提出了一种利用多源监测数据分析设备状态和缺陷的方法。

[0004] 上述方法虽然都采用了大数据技术对电力设备状态监测数据进行分析，但Hadoop数据处理速度低于Spark分析效率低，而且并不能对监测信号类别和发生时间进行准确的预测，不能充分挖掘历史数据的价值。

[0005] 专利申请号为：201710723431.4，专利名为：一种基于大数据决策树的电力设备状态监测方法，其基本原理是：将决策树算法与哈希表和灰色模型相结合，用于电力设备的状态监测；具体讲，将变电站告警信号中的信号类别和发生时间属性数据作为分析对象，通过Spark大数据平台，处理海量变电站告警信号数据，这样避免了由于数据量过大而带来的预测效果不理想的情况，同时解决了传统预测方法预测准确度低、运算效率低等缺点，提升了决策树算法在电力设备状态监测应用的可行性和有效性。然而，上述方法存在预测速度较慢的问题。

发明内容

[0006] 本发明的目的在于克服现有技术的不足，提供一种基于贝叶斯算法的电力设备状态监测方法，以真实的告警信号数据为背景，有效地提高了告警信号预测的准确率，提升设备状态监测的效率，降低人工巡检的开销，节约了电网运行的成本。

[0007] 为实现上述发明目的，本发明一种基于贝叶斯算法的电力设备状态监测方法，其特征在于，包括以下步骤：

[0008] (1)、数据采集：

[0009] 采集电力设备运行过程中不同类型的传感器参数，并作为反映电力设备运行状态的基础参数；

[0010] (2)、数据预处理：

[0011] 对基础参数进行滤波、信号放大以及阻抗变换处理，得到标准的电力设备检测数据；

[0012] (3)、利用灰色模型中的一次累减运算处理故障发生时间数据，得到故障发生时间差序列；

[0013] 设标准电力设备检测数据中的发生时间数据为：

[0014] 则生成的发生时间差序列为：

[0015] 其中， k＝2,3,…,n，n表示时刻总数， 表示n时刻的发生时间数据；

[0016] (4)、根据故障征兆参数空间选取步骤(2)中得到的电力设备检测数据，并用与之相应的设备故障构建故障原因识别空间；

[0017] (5)、将故障原因识别空间划分为若干子空间，并根据故障征兆与故障类型之间的相互关系，在每个子空间与故障类型之间构造贝叶斯诊断子网络；

[0018] (6)、将步骤(2)预处理后的电力设备检测数据输入到对应的贝叶斯诊断子网络中，经过各个贝叶斯诊断子网络计算出各种设备故障的初步结果；

[0019] (7)、利用步骤(6)得到的初步结果构建D-S证据理论模型，再利用D-S证据理论模型估计各种设备故障的初步结果的可信度；

[0020] (8)、利用证据组合法将各种设备故障的初步结果的可信度进行合成，再根据合成结果判定各个设备故障的原因，同时利用发生时间差序列预测该设备发生故障的时间；

[0021] (9)、根据步骤(8)得到的各设备发生故障的原因及时间来调整各贝叶斯诊断子网络中的参数，完成贝叶斯诊断子网络的优化，从而提高后续设备故障检测的准确度。

[0022] 本发明的发明目的是这样实现的：

[0023] 本发明一种基于贝叶斯算法的电力设备状态监测方法，将贝叶斯网络与证据理论相结合，用于电力设备的状态监测；具体讲，将变电站告警信号中的信号类别和发生时间属性数据作为分析对象，通过Spark大数据平台，处理海量变电站告警信号数据，这样避免了由于数据量过大而带来的预测效果不理想的情况，同时解决了传统预测方法预测准确度低、运算效率低等缺点，贝叶斯算法在电力设备状态监测应用的可行性和有效性。

附图说明

[0024] 图1是本发明基于贝叶斯算法的电力设备状态监测方法流程图；

[0025] 图2是某电力设备故障征兆参数空间；

[0026] 图3是变压器故障的贝叶斯诊断子网络1的网络结构模型图；

[0027] 图4是变压器故障的贝叶斯诊断子网络2的网络结构模型图；

[0028] 图5是不同样本容量下贝叶斯及决策树处理的相对误差图。

具体实施方式

[0029] 下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

[0030] 实施例

[0031] 图1是本发明基于贝叶斯算法的电力设备状态监测方法流程图。

[0032] 在本实施例中，如图1所示，本发明一种基于贝叶斯理论及灰色模型的电力设备状态监测方法，包括以下步骤：

[0033] S1、数据采集及预处理

[0034] 通过采集电力设备运行过程中以各种传感器参数为代表的各类告警数据作为反映设备运行状态的基础参数，传感器检测精度的不同将会影响到故障诊断的结果，常用的基础参数包括故障发生时间数据、温度数据、湿度数据、噪声数据、振动数据；

[0035] 电力设备通常运行在充满噪声的复杂环境中，周围环境中的不确定因素会使检测数据严重失真，因此需要对基础参数进行滤波、信号放大以及阻抗变换处理，得到标准的电力设备检测数据，这样可以提升诊断结果的准确率。

[0036] S2、利用灰色模型理论对发生时间预测

[0037] 灰色模型中常用的生成数方法，这样就将原来时间数据完全明确的白色系统转换成一个不完全明确的时间差灰色系统，而时间差数据是通过一次累减运算就是用后一个时间数据减去前一个时间数据得到一个时间差数据；下面我们对具体过程进行说明：利用灰色模型中的一次累减运算处理发生时间数据，得到发生时间差序列；

[0038] 设发生时间数据为：

[0039] 则生成的发生时间差序列为：

[0040] 其中， k＝2,3,…,n，n表示时刻总数， 表示n时刻的发生时间数据。

[0041] S2、构建故障识别框架

[0042] 根据故障征兆参数空间选取步骤S1中得到的电力设备检测数据，并用与之相应的设备故障构建故障原因识别空间；

[0043] 在选取相应的设备故障诊断特征参数时，为从不同侧面对设备故障识别框架中的各类故障进行诊断分析，采用不同种类的设备故障参数对设备的具体故障原因进行分析诊断，本实施例中，某电力设备故障征兆参数空间如图2所示，所选取的变压器故障特征参数类型如下两张表所示；

[0044] 表1是故障类型表；

[0045] 表2是故障诊断特征参数表；

[0046]

[0047] 表1

[0048]

[0049] 表2

[0050] S3、构造贝叶斯诊断子网络

[0051] 在设备故障诊断中，由于通常情况下故障参数较多，构建单一的贝叶斯诊断网络会导致网络结构复杂度过高，增加诊断推理过程的计算复杂度，使得故障监测系统的效用性降低。

[0052] 因此，在本实施例中，采用故障检测领域常用的“故障-征兆”模型结构，具体为：将故障原因识别空间划分为若干子空间，并根据故障征兆与故障类型之间的相互关系，在每个子空间与故障类型之间构造贝叶斯诊断子网络；

[0053] 变压器故障的贝叶斯诊断子网络1的网络结构模型如图3所示，变压器故障的贝叶斯诊断子网络2的网络结构模型如图4所示，与贝叶斯诊断子网络1采用变压器故障气体进行诊断不同，贝叶斯诊断子网络2采用各种综合故障特征参数对变压器进行故障检测，通过专家经验和变压器故障诊断样本数据进行研究分析，构建贝叶斯诊断网络结构。

[0054] S4、将预处理后的电力设备检测数据输入到对应的贝叶斯诊断子网络中，经过各个贝叶斯诊断子网络计算出各种设备故障的初步结果；

[0055] S5、初步结果构建D-S证据理论模型，再利用D-S证据理论模型估计各种设备故障的初步结果的可信度；

[0056] D-S证据理论，可以清楚的区分在各种不确定性问题中大量存在的模糊性信息，通过一定的证据聚合规则对不同的证据体进行融合分析，并根据融合结果为可能发生的事件分配一个可信度，依此来描述事件发生的可能性；

[0057] S6、利用证据组合法将各种设备故障的初步结果的可信度进行合成，再根据合成结果判定各个设备故障的原因，同时利用发生时间差序列预测该设备发生故障的时间。

[0058] S7、根据得到的各设备发生故障的原因及时间来调整各贝叶斯诊断子网络中的参数，完成贝叶斯诊断子网络的优化，从而提高后续设备故障检测的准确度。

[0059] 如图5所示，其中幅度平缓的曲线是利用决策树进行设备状态检测的结果，幅度波动范围明显的曲线是基于贝叶斯理论进行设备状态检测的结果，可以看出基于贝叶斯理论的设备状态检测方法在准确率上优于决策树且准确率较高。

[0060] 尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。