CN103245911A

CN103245911A - 一种基于贝叶斯网络的断路器故障诊断方法

Info

Publication number: CN103245911A
Application number: CN2013101609101A
Authority: CN
Inventors: 张文斌; 王达达; 张少泉; 徐树振; 蔡志强
Original assignee: Yunnan Power Grid Corp Technology Branch; Yunnan Electric Power Experimental Research Institute Group Co Ltd of Electric Power Research Institute
Current assignee: Yunnan Power Grid Corp Technology Branch; Yunnan Electric Power Experimental Research Institute Group Co Ltd of Electric Power Research Institute
Priority date: 2013-05-03
Filing date: 2013-05-03
Publication date: 2013-08-14

Abstract

一种基于贝叶斯网络的断路器故障诊断方法，本发明采用断路器在真实运行环境中能反映与失效模式相关的各种复杂因素的数据，并根据设备运行、老化规律建立基于贝叶斯网络的故障诊断方法对断路器的实时运行状态进行诊断，利用专家系统对故障模式进行预测，实现对断路器实时运行状态的诊断。本发明的有益效果为，解决了在不确定和缺少已知信息情况下断路器故障诊断问题，同时引入了基于贝叶斯网络的重要度分析方法，对故障机理的分析起到一定的辅助作用。该发明能快速准确的对断路器故障进行诊断，为断路器维修决策的制定提供支持，有效的提高维修效率、降低电力系统运营成本。

Description

一种基于贝叶斯网络的断路器故障诊断方法

技术领域

本发明属于装备维护保障领域，具体来说是利用一种基于装备贝叶斯网络模型和检测信息为装备实时运行状态进行预测的方法。

背景技术

故障诊断技术是实现断路器状态检修的基础性技术，为实现由计划检修到状态检修创造条件。它是以断路器当前状态为起点，结合已知的结构特性、参数、环境条件及运行历史记录，对断路器当前状态进行诊断，对将来可能出现的故障进行分析和判断，确定故障性质、类别及程度，为断路器的维修决策提供支持。

国内外的许多学者对断路器的机械特性、线圈电流、电寿命等进行了大量的研究，断路器的监测技术也从周期性检测发展成了目前的在线监测，一些先进的信号分析与诊断方法，如小波分析、专家系统、模糊理论、神经网络等被引入到断路器的故障诊断中。断路器的故障征兆与故障之间不是一一对应的关系，这些诊断方法一般倾向于探讨故障征兆集与故障集之间复杂的映射关系，而忽视了故障征兆之间或故障之间的关联关系，而这些恰是反映故障机理的信息，利用这些信息可以在较少已知条件下对故障进行诊断。贝叶斯网络作为一个可视化的建模和推理工具，在断路器复杂的运行环境、多样的故障模式，以及不确定的故障原因和机理的情况下，能很好的表达故障之间、故障原因之间，以及故障和故障原因之间的关联关系。许多学者在利用贝叶斯网络进行故障诊断方面，做了很多研究。

公开号为CN101915234A的中国专利公开了一种名为“一种基于贝叶斯网络的压缩机关联故障诊断方法”的故障诊断方法。该方法为克服以设备或测点为对象的监测诊断技术的不足，提供了一种基于工况、操作—故障—征兆的三层贝叶斯网络的机械诊断知识的推理和表达技术。该方法利用专家知识和特定诊断对象的先验信息建立三层贝叶斯模型；然后利用Monte Carlo方法进行仿真，对样本序列进行单独统计，得出节点的边缘概率，对相关列进行联合统计，得出节点间的联合概率和条件概率；最后，利用模型对压缩机进行故障诊断。该方法考虑了设备的工作环境和人为因素对设备可靠性的影响，但是该方法过度依赖于专家知识，其建模过程没有考虑设备真实的工作环境，不适用于工作环境复杂、导致故障因素不确定的复杂装备的故障诊断中。

发明内容

为了解决上述问题，达到上述目的，本发明采用下述技术方案：

一种基于贝叶斯网络的断路器故障诊断方法，本发明采用断路器在真实运行环境中能反映与失效模式相关的各种复杂因素的数据（如断路器基础技术参数、运行数据、试验数据、失效数据、风险信息数据等），并根据设备运行、老化规律建立基于贝叶斯网络的故障诊断方法对断路器的实时运行状态进行诊断，利用专家系统对故障模式进行预测，实现对断路器实时运行状态的诊断；首先，针对电网常见断路器故障的事实确定要识别的故障模式，以及可能与故障模式相关的影响因素；其次，收集断路器故障模式和影响因素的数据集，并对数据集进行标准化处理；最后，综合数据挖掘和专家系统建立断路器故障诊断模型，将断路器故障诊断数据影响因素的值输入建立的贝叶斯模型中，对故障模式进行诊断，并将推理得到的断路器状态与实际状态进行对比。

具体步骤如下：

1、确定需要预测的目标故障模式和故障的影响因素，在断路器故障数据库中搜索对应的故障记录，形成关于该故障模式的故障数据集；

2、整理故障数据集，剔除无效数据，对于非结构化的、叙述各异的故障数据，将其转化成符合规定的结构化标准描述方式；

3、对于故障数据集中故障记录存在缺值的情况，通过赋予平均值、众数值或期望优化值等方法进行数据修补，形成完整的故障数据集；

4、完成故障模式的编码和连续数据的离散化处理：对于认识深入的影响因素，利用各种因素的判断标准对数据离散化处理；对于认识模糊的影响因素，利用决策树、等距离法、等频率法和Kmeans完成数据的离散化处理；

5、树增强贝叶斯（TAN）算法在朴素贝叶斯算法的基础上，松弛了各独立变量之间条件独立的假设，允许属性变量所对应的节点之间有连接弧连接，能很好的表达因素对故障模式的影响和各影响因素之间的关系，所以采用TAN算法完成模型的结构学习和参数学习；

6、分析建立的断路器故障诊断模型，通过咨询故障领域专家，若存在与专家知识明显相悖的关联关系，通过添加或改变有向边方向来增加或改变相互关联关系对模型进行修正，此过程中保证模型中不形成有向圈，之后对模型重新进行参数学习；

7、利用混淆矩阵、ROC曲线、Lift曲线等方法，对模型的可靠性、精度等静态特性和动态特性进行分析，若模型性质不好，可以通过修改影响因素的离散区间和改变结构学习算法来调整；

8、计算各因素的先验概率分布，依次修改各影响因素的取值状态，记录断路器各故障模式的概率取值，按照多态重要度计算公式计算出各影响因素相对于各故障模式的重要度；

9、以故障检测现象实时信息为驱动，利用故障诊断模型的推理能力和条件概率，对断路器故障模式进行诊断。

附图说明

图1是基于故障数据的贝叶斯网络模型建立流程图。

图2是基于TAN的贝叶斯网络模型。

图3是断路器故障诊断贝叶斯模型混淆矩阵。

图4是断路器故障诊断贝叶斯模型可靠性。

图5是断路器故障诊断贝叶斯模型精度。

图6是断路器故障诊断模型状态6的ROC曲线。

图7是断路器故障诊断模型状态6的Lift曲线。

图8是断路器1故障诊断结果。

图9是断路器2故障诊断结果。

具体实施方式

一种基于贝叶斯网络的断路器故障诊断方法，本发明采用断路器在真实运行环境中能反映与失效模式相关的各种复杂因素的数据（如断路器基础技术参数、运行数据、试验数据、失效数据、风险信息数据等），并根据设备运行、老化规律建立基于贝叶斯网络的故障诊断方法对断路器的实时运行状态进行诊断，利用专家系统对故障模式进行预测，实现对断路器实时运行状态的诊断。首先，针对电网常见断路器故障的事实确定要识别的故障模式，以及可能与故障模式相关的影响因素；其次，收集断路器故障模式和影响因素的数据集，并对数据集进行标准化处理；最后，综合数据挖掘和专家系统建立断路器故障诊断模型，将断路器故障诊断数据影响因素的值输入建立的贝叶斯模型中，对故障模式进行诊断，并将推理得到的断路器状态与实际状态进行对比。

实施例

本发明以云南电网积累的断路器实时运行数据为基础，结合附图对发明及发明的有效性做进一步的说明。参照附图1所示的基于故障数据的贝叶斯网络模型建立过程，对建立断路器故障诊断贝叶斯模型的步骤详细说明。

步骤1确定断路器操作机构的故障模式为合闸线圈运动阻力大、合闸线圈短路、合闸线圈烧毁断线、与铁芯顶杆连接的锁扣和阀门变形、辅助开关及合闸接触器接触不良、直流电源和系统辅助电源故障，附表1所示为故障数据。从数据库中搜索与故障模式相关的影响因素，建立故障集对应的因素集，为分闸线圈电流有效值、分闸线圈电流时间、分闸线圈两端电压异常、动触头平均速度、控制箱内温升，附表2所示为故障影响因素。

编号	故障说明	故障数	百分比（%）
				D1	无故障	6	11.76
D2	合闸线圈运动阻力大	6	11.76
				D3	合闸线圈短路	6	11.76
D4	合闸线圈烧毁、断线	6	11.76
				D5	与铁芯顶杆连接的锁扣和阀门变形	7	13.73
D6	辅助开关及合闸接触器接触不良	10	19.61
				D7	直流电源和系统辅助电源故障	10	19.61

表1故障模式数据

序号	名称	单位	正常范围
				K1	分闸线圈电流有效值	A	1.8-2.2
K2	分闸线圈电流时间	ms	58-66
				K3	分闸线圈两端电压异常	V	200-220
K4	动触头平均速度	m/s	4.6-4.8
				K5	控制箱内温升	℃	<40

表2故障影响因素集合

步骤2如附表1和附表2所示，对收集的故障数据集进行编号和标准化描述，对缺少的数据利用期望优化值方法进行补充。采用决策树算法对连续数据进行离散化处理，以断路器故障模式为决策目标，通过计算影响因素对决策目标的信息增益，将影响因素离散化。

步骤3采用TAN算法完成贝叶斯网络结构和参数的学习，建立的模型如附图2所示。

贝叶斯网络结构学习采用基于评分搜索的方法。该方法首先定义某个评分函数用于评判具体网络结构，衡量该网络中蕴含的独立及依赖关系和数据样本匹配的程度。采用贝叶斯信息准则（BIC）作为评分函数，如式（1）所示。BIC评分是在大样本前提下对边缘似然函数的一种近似，具有明确直观的意义，且使用方便。另外，BIC评分函数是可分解的，式（1）可以进一步改写为式（2），即整个贝叶斯网络的BIC评分由各个节点的评分相加而得。

V_{X}^{BIC} = Σ_{i = 1}^{n} Σ_{j = 1}^{q_{i}} Σ_{k = 1}^{r_{1}} m_{ijk} \log \frac{m_{ijk}}{m_{ij}} - Σ_{i = 1}^{n} \frac{q_{i} (r_{i} - 1)}{2} \log m - - - (1)

V_{X}^{BIC} = Σ_{i = 1}^{n} (Σ_{j = 1}^{q_{i}} Σ_{k = 1}^{r_{i}} m_{ijk} \log \frac{m_{ijk}}{m_{ij}} - \frac{q_{i} (r_{i} - 1)}{2} \log m) = Σ_{i = 1}^{n} V_{X_{i}}^{BIC} - - - (2)

其中，n表示BN中节点数量；q_i表示第i个节点的父节点的可行取值组合；r_i表示第i个节点的取值类别数量；m_ijk表示所有记录中，第i个节点为第k种取值且其父节点集合为第j种取值组合的记录数；m_ij表示所有记录中，第i个节点的父节点集合为第j种取值组合的记录数；m表示整个数据集记录数。

贝叶斯网络参数学习以最大似然估计法作为准则。该方法的参数是通过计算给定父节点集的值时，计算各节点不同取值的概率，并作为该节点的条件概率参数，其基本原理就是试图寻找一个使似然函数达到最大的参数。对于一个由n个变量X={X₁,X₂,...,X_n}组成的贝叶斯网络，需要计算的网络参数集合如式（3）所示。

Θ={θ_ijk=P(X_i=k|π(X_i)=j)，1≤i≤n,1≤j≤q_i,1≤k≤r_i} （3）

根据最大似然估计方法原理，基于现有故障数据集和已构建的贝叶斯网络结构，可以给出贝叶斯网络中每个参数θ_ijk的最大似然估计，如下式（4）所示。

θ_{ijk}^{*} = \{\begin{matrix} \frac{m_{ijk}}{Σ_{k = 1}^{r_{i}} m_{ijk}}, Σ_{k = 1}^{r_{i}} m_{ijk} > 0 \\ \frac{1}{r_{i}}, else \end{matrix} - - - (4)

其中，各符号的含义同式（2）。

步骤4模型建立之后，通过有关专家分析，模型中没有原则性错误，所以本模型不用修改。

步骤5将断路器故障诊断数据影响因素的值输入建立的贝叶斯模型中，将推理得到的变压器状态与实际状态进行对比，得到模型的混淆矩阵，如附图3所示。由混淆矩阵派生出模型的可靠性和精度如附图4、附图5所示。模型总的精度为94.12%。从这些模型的静态指标来看，该模型对断路器的故障进行高精度的诊断。

但是仅从静态指标不能对模型进行全面的判断，需用模型的ROC曲线和Lift曲线对模型的动态特性进行分析。以断路器状态6，即辅助开关及合闸接触器接触不良为例对其进行说明，ROC曲线如附图6所示，Lift曲线如附图7所示。ROC曲线远离斜率为45度的直线，说明在误判率较低的情况下，各属性变量对目标变量有较高的灵敏度，即属性变量对目标变量的判断价值较好。Lift曲线表明在利用该诊断模型与不利用该诊断模型相比，对故障的诊断能力平均提升了2.4倍。

从以上指标来看，该模型能达到断路器故障诊断的目的。

步骤6根据建立的断路器状态识别贝叶斯模型，对影响断路器状态的各因素进行重要度分析，寻找影响断路器状态的主要因素。以断路器状态值为6和7为例，对影响断路器状态的因素进行排序。具体步骤为：首先，计算各因素的先验概率分布；然后，依次修改各属性变量的取值状态，记录断路器状态值为6和7的概率；最后，按照式（4）和式（5）所示的多态重要度计算公式，将数值代入即可求得各因素对断路器状态值为6和7的重要度。计算结果如附表3所示。

二态：

I_{C_{i}}^{M_{j}} = | P (M_{j} = 1 | C_{i} = 1) - P (M_{j} = 1 | C_{i} = 0) | \times P (C_{i} = 1) - - - (4)

多态：

I_{C_{i}}^{M_{j}} = Σ_{k = 1}^{m} (I_{C_{i}^{k}}^{M_{j}}) - - - (5)

其中，m表示故障原因节点C_i的故障状态取值数。

表3断路器状态为6和7时影响因素重要度分析

计算结果显示，各因素对断路器状态6影响程度的排序为K5>K2>K3>K1=K4，说明K5在对状态6发挥的作用较大，即当K5状态发生变化时，状态6变化较大。所以，为了避免断路器出现状态6，就需要对K5进行严格控制。对于断路器的状态7，各因素重要度排序为K3>K2=K5>K1=K4，说明K3对该状态的影响比较大。对比各因素相对于状态6和7的重要度排序可以发现，属性变量对目标变量的不同状态的影响程度不同。

步骤7利用云南电网公司提供的断路器实时运行数据，来检验模型预测的实用性。附表4为某变电站断路器预防性检测中，分闸线圈电流有效值、分闸线圈电流时间、分闸线圈两端电压异常、动触头平均速度、控制箱内温升的记录值。将数据输入断路器状态预测贝叶斯模型，即按照附表4的值修改属性变量的状态。断路器1的预测结果，如附图8所示；断路器2的预测结果，如附图9所示。

设备	K1	K2	K3	K4	K5
						断路器1	2.1	60	225	4.75	12
断路器2	2.27	69	222	4.4	16

表4某变电站断路器预防性检测实时数据

断路器1的分闸线圈电流有效值、分闸线圈电流时间、动触头平均速度、控制箱内温升的记录值都在正常范围内，只有分闸线圈两端电压稍微超出正常值，可能是电压的正常波动引起。根据专家知识判断，该断路器状态正常，实际状态也正常，与模型预测一致。

从断路器2的数据可以看出，只有箱内温升在正常范围内，其它参数都与正常值有出入。分闸线圈电流有效值、分闸线圈电流时间和分闸线圈两端电压都稍微超出正常范围，动触头平均速度略低于正常范围，模型将其诊断为合闸线圈铁心配合精度差，运动过程中阻力大。与断路器实际诊断结果相同。

综上所述，运用建立的断路器状态预测模型对断路器状态能进行一定精度的预测，可以作为制定维修策略的参考。

Claims

1.一种基于贝叶斯网络的断路器故障诊断方法，其特征在于，采用断路器在真实运行环境中能反映与失效模式相关的各种复杂因素的数据，并根据设备运行、老化规律建立基于贝叶斯网络的故障诊断方法对断路器的实时运行状态进行诊断，利用专家系统对故障模式进行预测，实现对断路器实时运行状态的诊断；首先，针对电网常见断路器故障的事实确定要识别的故障模式，以及可能与故障模式相关的影响因素；其次，收集断路器故障模式和影响因素的数据集，并对数据集进行标准化处理；最后，综合数据挖掘和专家系统建立断路器故障诊断模型，将断路器故障诊断数据影响因素的值输入建立的贝叶斯模型中，对故障模式进行诊断，并将推理得到的断路器状态与实际状态进行对比。