CN103793853B - 基于双向贝叶斯网络的架空输电线路运行状态评估方法 - Google Patents

Abstract

本发明公开了一种基于双向贝叶斯网络的架空输电线路运行状态评估方法，可对架空输电线路运行状态进行实时评估。它将影响输电线路运行状态的各种因素作为条件属性集、线路的运行状态作为决策属性，构建输电线路运行状态评估的贝叶斯网络结构，根据样本训练得到条件概率表，利用贝叶斯网络特有的双向推理技术，不仅能够通过因果推理判断线路的运行状态，还能由诊断推理识别状态隐患；当存在评估偏差时能够通过自反馈系统预警和修正，实时动态修正评估数据库及网络结构和参数以适应更新，切实保障输电线路的健康运行。

Description

基于双向贝叶斯网络的架空输电线路运行状态评估方法

技术领域

本发明涉及一种电力系统运行安全技术，具体涉及一种基于自反馈的双向贝叶斯网络的架空输电线路运行状态评估方法。

背景技术

随着我国电力建设的快速增长,电力网络的规模日益增大,对架空输电线路的安全稳定运行、监控及保护提出了更高的要求。架空输电线路自投运起，就必须保证其输电的能力以及运行的安全性和可靠性水平，在线路运行过程中出现的各种状态，都在一定程度上影响整个线路的正常运行，甚至给整个电力系统的安全运行带来了不同程度的影响和威胁。因此，如何提高架空输电线路运行的效率，降低运行维护成本，确保线路长期正常稳定的运行，已经成为电力建设和发展迫切需要解决的关键问题。

输电线路的运行状态评估已成为国内外研究的热点，其评估效率及准确性对后续的检修决策影响较大。因此，运用合理有效的手段，对架空输电线路运行状态的进行评估，研究监测量与运行状态之间的关系，对引起线路出现各种状态的原因进行统计分析，不仅能够实现动态跟踪，切实准确掌握其运行状态，还能针对不同的运行状态评估结果及时采取相应措施，从而延长线路的使用寿命，减少损失同时也保障了经济性和高效性。

目前，尽管已有基于人工神经网络、马尔科夫模型、故障树分析法、蒙特卡罗模拟法、粗糙集等多种智能方法用于评估电力系统运行状态，但随着电网规模的曰益扩大，对于输电线路而言，当线路运行出现异常尤其是一些不确定性因素而导致线路故障的出现时，将会给线路的评估以及故障的诊断带来难度，那么传统智能运行状态评估方法处理这种不确定性就显得不够。状态评估的一些常用的传统智能方法主要有以下不足：

1、架空输电线路运行过程中呈现多种运行状态，具有较大的随机性和不确定性，而大部分传统状态评估方法仅关心线路运行出现故障状态的情况，这样容易忽视故障状态出现前的一些不被注意到的状况以及一些线路的异常现象，

2、多数传统状态评估方法难以描述具有多态性的事件，把状态评估仅分为正常和故障两种情况分析，例如故障树分析法和粗糙集法：故障树分析法要求事件状态的二态性和故障逻辑关系的确定性；粗糙集也不能处理偏好多属性决策分类问题，对原始数据本身的模糊性缺乏相应的处理方法。另外，故障树中的逻辑门描述的都是确定性的逻辑关系,但对于输电线路运行来说，有多种可能性导致其发生故障，上下级事件之间不一定存在确定的关系，这种情况下采用概率的方法来描述更为合适，而逻辑门却不具有描述概率的能力。

3、在评估的效率、评估精度及评估规模方面，各种传统评估方法差异较大，例如人工神经网络法和蒙特卡洛法：人工神经网络的评估或预测对原始统计数据要求较高，训练样本数太少影响评估结果的精度，而过大的训练样本集又会造成网络结构复杂，训练时长，降低评估效率；蒙特卡洛法与人工神经网络法相反，它对于大型系统富有成效，但其计算精度与计算时间的平方成反比，收敛速度较慢且误差具有概率性；

4、对于输电线路运行状态的评估过程，传统方法只能定性地给出各负荷点的薄弱环节，但是，一般都不能定量给出某个元件或某几个元件在整个系统可靠性中所占的地位，并且计算模型复杂、计算工作量随系统规模呈指数关系增长，当系统中某些元件状态已知时，现有方法很难计算出这些元件对整个系统或部分系统影响的条件概率，而这些条件概率对于改善和提高电力系统的可靠性是很有帮助的。

本发明在国家863计划项目基金（2012AA050209）资助下，提出了《基于双向贝叶斯网络的架空输电线路运行状态评估方法》。

发明内容

针对以上不足，本发明的目的是提供一种基于双向贝叶斯网络的架空输电线路运行状态评估方法，能够及时获得线路运行状况，掌握线路运行状态，根据不同运行状态对线路的运行作出及时的调整和维护，从而保证线路持续正常运行，减少不良状况的出现，同时也切实保障了整个电力系统的正常运作。本发明具有双向评估、自主反馈修正的优势，不仅实时高效、准确率高，而且评估内容更加全面，为线路健康运行的改进提供依据。

为实现以上目的，本发明采取了的技术方案是：

一种基于双向贝叶斯网络的架空输电线路运行状态评估方法，其包括以下步骤：

步骤1、数据采集与处理：以架空输电线路为对象，通过运行巡检、在线监测、预防性试验和台账等获取架空输电线路运行的相关数据；对采集的数据进行量化处理，对必要数据进行归一化处理，处理后的数据作为步骤2的输入；

步骤2、自反馈双向贝叶斯网络状态评估：所述自反馈双向贝叶斯网络状态评估包括网络节点数据的统计与分析、网络构建与参数学习、网络推理与判断；其中，所述网络节点数据统计与分析是将架空输电线路运行状态各评估指标参量的监测数据进行量化处理，建立架空输电线路运行状态评估的指标参量体系；所述网络构建与参数学习是依据状态评估的指标参量体系建立架空输电线路运行状态评估的贝叶斯网络结构，并对网络参数进行学习；所述网络推理与判断包括因果推理和诊断推理组成的双向推理以及评估结果反馈；

步骤3、评估结果输出与评估数据库的管理：将步骤2获得的评估结果输出并反馈给评估数据库。

所述网络节点数据的统计与分析的方法包括以下步骤：

步骤2.1、构建架空输电线路运行状态的评估指标参量体系，该评估指标参量体系构建的方法是将步骤1的数据作为初始指标参量，删除次要或优先级较低的指标参量，保留重要的或优先级较高的指标参量，以形成评估指标参量体系；所述指标参量包括设计值、规定值或运行经验值；

步骤2.2、架空输电线路运行状态的各评估指标参量数据的预处理与先验估值。

步骤2.1中，所述初始指标参量包括架空输电线路的基础及防护设施、杆塔、导地线、绝缘子串、金具、防雷设施及接地装置、线路防护区共7个部件的指标参量以及影响该7个部件运行状态的各基本部件单元构成各部件的指标参量。

所述基础及防护设施的指标参量包括：拉线基础埋深以及拉线棒锈蚀；所述杆塔的指标参量包括：杆塔倾斜度、杆或塔顶挠度、杆塔横担歪斜度、铁塔、钢管塔主材弯曲度以及混凝土杆裂纹；

所述导地线的指标参量包括：腐蚀、断股、损伤和闪络烧伤的情况、导线弧垂及对地距离、导地线腐蚀、交跨距离、地线上扬、线路覆冰、舞动；

所述绝缘子串的指标参量包括：绝缘子串倾斜情况、复合绝缘子检测、瓷质盘形悬式绝缘子检测、复合绝缘子外观检查、盘型或瓷质绝缘子清扫、外观检查情况、绝缘子污秽；

所述金具的指标参量包括：金具锈蚀、磨损、裂纹、变形情况、屏蔽环、均压环、间隔棒、防振锤、重锤片、护线条、阻尼线等保护金具情况、接续金具变形情况、金具裂纹、螺栓拧紧力矩值；

所述防雷及接地装置的指标参量包括：接地引下线断开的基数、接地电阻值、接地引下线锈蚀、损伤直径、接地体埋深、绝缘地线间隙、防雷间隙、预防性试验指标；

所述线路防护区的指标参量包括：架空输电线路对下方各类杆线、树木以及建设的公路、桥梁等的交跨距离、通道内树木、建筑情况。

所述步骤2.2具体包括：

根据各个指标参量中的设计值、规定值或运行经验值设定各个指标参量的状态属性值，以P(Ci=1，2，3，4)表示状态属性（正常、注意、异常和严重）概率，作为各指标参量的先验估值；基本思路是根据历史观测数据，统计一段时间（例如以年为时间段统计）内监测出的各基本单元处于某种状态的次数或数量与总监测次数或总数量的比值即状态出现频率作为状态属性概率的估值。所述先验估值的计算如下：

$P(C_i=1)=\frac{1}{Q}{\mathrm{\Σ}}_{i=1}^Q\frac{n_i}{m_i};P(C_i=2)=\frac{1}{Q}{\mathrm{\Σ}}_{i=1}^Q\frac{v_i}{m_i};$

$P(C_i=3)=\frac{1}{Q}{\mathrm{\Σ}}_{i=1}^Q\frac{y_i}{m_i};P(C_i=4)=\frac{1}{Q}{\mathrm{\Σ}}_{i=1}^Q\frac{s_i}{m_i};i=\mathrm{1,2},...,Q$

其中，i=1,2,…,Q是第i次统计的时间段（如第i年），C_i为该部件的某一指标参量，n_i、v_i、y_i和s_i分别代表C_i在运行中监测到位于不同状态属性值的监测次数或统计数量，m_i是总监测次数或统计总数，n_i+v_i+y_i+s_i=m_i。

所述网络构建与参数学习包括以下步骤：

步骤2.3、架空输电线路运行状态评估的贝叶斯网络的结构构建；所述的架空输电线路运行状态评估的贝叶斯网络的结构是由基础及防护设施、杆塔、导地线、绝缘子串、金具、防雷设施及接地装置、线路防护区这7个部件以及影响各部件运行状态的若干各基本部件单元共同构成的有向无环图，所述有向无环图表达了一种因果关系，方向由原因指向结果，具体为：各部件的若干基本部件单元构成部件各自的父节点，而7个部件构成架空输电线路的父节点，方向均由父节点指向节点。

步骤2.4、架空输电线路运行状态评估的贝叶斯网络的参数学习；所述参数学习是学习贝叶斯网络的条件概率分布，条件概率表达了节点与父节点的相关关系，即指标参量或部件所代表的父节点的运行状态对部件或线路所代表的节点的运行状态的影响，所述条件概率表采用经典统计学的学习和基于贝叶斯统计学的学习，当数据不完备时采用基于EM算法的学习。

所述网络推理与判断包括以下步骤：

步骤2.5、架空输电线路运行状态的双向推理，所述双向推理包括前向因果推理和后向诊断推理；

其中，所述前向因果推理即由原因推至结果，其方法是：结合历史信息和贝叶斯网络结构，利用链规则和条件独立性将联合概率分解，改变节点的消元顺序及求和与乘积运算的先后秩序，求某节点指标的状态概率；所述后向诊断推理由结果推至原因，识别薄弱点，其方法是：利用相邻节点传递的信息和条件概率计算，以求得后验概率；

步骤2.6、推理结果的判定，取状态概率以及后验概率中的最大值作为最终的评估结果；

步骤2.7、当评估结果与实际状况不一致时，对于产生较大评估偏差进行相关的条件概率的修正，并同时更新评估数据库。

所述步骤3中评估数据库的管理包括：

在评估数据库中输入并实时更新架空输电线路运行状态的各指标参量；

架空输电线路运行状态的各指标参量的先验估值的更新；

架空输电线路运行状态的各指标参量的条件概率表的更新与修正。

本发明公开了一种基于自反馈双向贝叶斯网络的架空输电线路运行状态评估方法，可对架空输电线路运行状态进行实时评估。它将影响输电线路运行状态的各种因素作为条件属性集、线路的运行状态作为决策属性，构建输电线路运行状态评估的贝叶斯网络结构，根据样本训练得到条件概率表，利用贝叶斯网络特有的双向推理技术，不仅能够通过因果推理判断线路的运行状态，还能由诊断推理识别状态隐患；当存在评估偏差时能够通过自反馈系统预警和修正，动态修正评估数据库及网络结构和参数以适应更新，切实保障输电线路的健康运行。相比于现有技术，本发明的有益效果包括：

1、全面、系统地进行架空输电线路运行状态的评估，相比传统技术实现了评估的多态性以及指标参量的充分性；

2、本发明对运行状态评估的推理从贝叶斯网络的双向推理入手，贝叶斯网络具有多源信息一致表达和信息融合能力，综合先验信息和样本信息进行双向并行推理，不仅能够判定运行状态，还能识别状态隐患，从两个角度对线路运行状态结果进行分析；

3、本发明是提出的架空输电线路运行状态评估的贝叶斯网络具有自反馈能力，从而减少了因不确定参数多步计算带来的评估偏差，避免误判，能有效提高状态评估的准确率；

4、根据贝叶斯网络推理结果获得的状态情况，运行人员可针对性的采取相应措施进行巡检或维修等，防止可能造成的输电线路故障；

5、本发明可实时进行运行状态评估，使得评估结果更加贴近当前运行情况，对于保障线路运行的高效、可靠、安全运行等都具有重要的工程应用价值。

附图说明

图1示出了基于双向贝叶斯网络的架空输电线路运行状态评估方法的流程示意图；

图2示出了基于双向贝叶斯网络的架空输电线路运行状态评估的细化框图；

图3示出了架空输电线路运行状态评估的贝叶斯网络结构图。

具体实施方式

下面结合附图和具体实施方式对本发明的内容做进一步详细说明。

实施例

本实施例基于自反馈双向贝叶斯网络的架空输电线路运行状态评估方法，参见图1示出了其评估流程示意框图，具体包括以下部分：

S1、数据采集与预处理部分；通过运行巡检、在线监测、预防性试验和台账等获取架空输电线路运行的相关数据；对采集的数据进行量化处理，对必要数据进行归一化处理等，预处理后的数据作为自反馈双向贝叶斯网络状态评估系统的输入；

S2、自反馈双向贝叶斯网络状态评估系统部分；该评估系统包括网络节点数据的统计与分析、网络构建与参数学习、网络推理与判断；

S3、评估结果输出与评估数据库管理部分；将评估系统获得的评估结果输出并反馈给评估数据库管理，评估数据库管理与S1、S2保持紧密联系，也是保障评估的充分性和全面性；

本发明以架空输电线路为对象，构建架空输电线路运行状态评估的贝叶斯网络结构，根据样本训练得到条件概率表，利用贝叶斯网络特有的双向推理技术，不仅能够通过因果推理判断线路的运行状态，还能由诊断推理识别状态隐患；当存在评估偏差时能够通过自反馈系统预警和修正，实时动态修正评估数据库及网络结构和参数以适应更新，切实保障输电线路的健康运行。图2给出了基于自反馈双向贝叶斯网络的架空输电线路运行状态评估的细化框图；具体包括网络节点数据的统计分析和计算模块、网络构建和参数学习模块、网络推理与状态判定模块、评估数据库管理模块。下面对这几个模块的功能进行详细叙述：

一、网络节点数据的统计分析和计算模块

为了保证建模前数据分析的充分性和建模后的正确性，其包括指标参量的预处理和先验估值；该模块不仅是网络构建和参数学习的前提和基础，也与评估数据库管理模块紧密联系。

二、网络构建和参数学习模块

该模块是保证准确推理的前提，具体包括网络结构的构建和网络参数学习两部分，不仅是使推理误差反馈即出现偏差或预警偏差最小的关键，也是网络推理与状态判定模块的必要条件；

三、网络推理与状态判定模块

作为推理依据，包括因果推理和诊断推理组成的双向推理以及评估结果反馈，是判定评估结果的重要依据；

四、评估数据库管理模块

储存和编辑输入到系统中的先验估值的更新、条件概率的知识以及评估误差反馈。为了实现自主智能化的评估模型，评估数据库管理模块与所有模块都互有联系，保证数据信息的实时更新和评估结果的准确性。

参见图2，本实施例的基于自反馈双向贝叶斯网络的架空输电线路运行状态评估方法，

具体包括以下步骤：

一、网络节点数据的统计分析和计算：

（1）构建架空输电线路运行状态评估指标参量体系，将评估系统输入数据作为初始指标参量，删除次要或优先级较低的指标参量，保留重要的或优先级较高的指标参量，确定最初的指标参量形成评估指标体系。架空输电线路包括基础及防护设施、杆塔、导地线、绝缘子串、金具、防雷设施及接地装置、线路防护区共7个部件构成架空输电线路的评估指标参量，各个部件的评估指标参量具体如下：

1)基础及防护设施运行状态的评估指标参量包括①拉线基础埋深、②拉线棒锈蚀；

2)杆塔运行状态的评估指标参量包括①杆塔倾斜度、②杆（塔）顶挠度、③杆塔横担

歪斜度、④铁塔、钢管塔主材弯曲度、⑤混凝土杆裂纹；

3)导地线运行状态的评估指标参量包括①腐蚀、断股、损伤和闪络烧伤的情况、②导线弧垂及对地距离、③导地线腐蚀、④交跨距离、⑤地线上扬、⑥导地线舞动、⑦线路覆冰和舞动；

4)绝缘子串运行状态的评估指标参量包括①绝缘子串倾斜情况、②复合绝缘子检测、③瓷质盘形悬式绝缘子检测、④复合绝缘子外观检查、⑤盘型/瓷质绝缘子清扫、外观检查情况、⑥绝缘子污秽；

5)金具运行状态的评估指标参量包括①金具锈蚀、磨损、裂纹、变形情况、②屏蔽环、均压环、间隔棒、防振锤、重锤片、护线条、阻尼线等保护金具情况、③接续金具变形情况、④金具裂纹、⑤螺栓拧紧力矩值；

6)防雷设施及接地装置运行状态的评估指标参量包括①接地引下线断开的基数、②接地电阻值、③接地引下线锈蚀、④损伤直径、⑤接地体埋深、⑥绝缘地线间隙、⑦防雷间隙、⑧预防性试验指标；

7)线路防护区运行状态的评估指标参量包括①架空输电线路对下方各类杆线、树木以及建设的公路、桥梁等的交跨距离、②通道内树木、建筑情况。

本发明中，除杆塔、导地线、绝缘子串、金具、防雷设施及接地装置外，还考虑了基础及防护设施、辅助设施、线路防护区，这些都是构成架空输电线路必不可少的组成部分，同样影响着架空输电线路的正常运行，因此，实现了更加全面、系统的架空输电线路运行状态评估，也体现了指标参量的充分性。

（2）根据各指标的设计值、规定值或运行经验值设定各个指标参量的状态属性区间或者状态属性值，以P(C_i=1，2，3，4)表示状态属性（正常、注意、异常和严重）概率，作为各指标参量的先验估值；某部件的指标参量的先验估值形式如下：

$P(C_i=1)=\frac{1}{Q}{\mathrm{\Σ}}_{i=1}^Q\frac{n_i}{m_i};P(C_i=2)=\frac{1}{Q}{\mathrm{\Σ}}_{i=1}^Q\frac{v_i}{m_i};$

$P(C_i=3)=\frac{1}{Q}{\mathrm{\Σ}}_{i=1}^Q\frac{y_i}{m_i};P(C_i=4)=\frac{1}{Q}{\mathrm{\Σ}}_{i=1}^Q\frac{s_i}{m_i};i=\mathrm{1,2},...,Q$

其中，n_i+v_i+y_i+s_i=m_i，i=1,2,…,Q是第i次统计的时间段（如第i年），n_i、v_i、y_i和s_i分别代表某指标参量C_i在运行中监测到位于不同状态属性区间或者状态属性值的监测次数或统计数量等，m_i是总监测次数或统计总数等。

由于架空输电线路运行过程中具有较大的随机性和不确定性，运行期间会呈现多种运行状态，细分“异常和严重”状态，能够克服大部分状态评估方法仅关心线路运行出现故障或不良状态的情况，从而可以保障在故障或不良状态出现前的一些线路的异常现象不被忽视。

状态属性：

二、网络构建和参数学习：

（1）图3示出了架空输电线路运行状态评估的贝叶斯网络结构图；架空输电线路运行状态评估的贝叶斯网络的结构是由基础及防护设施、杆塔、导地线、绝缘子串、金具、防雷设施及接地装置、线路防护区这7个部件以及影响各部件运行状态的若干各基本部件单元共同构成的有向无环图，具体为：各部件的若干基本部件单元构成部件各自的父节点，而7个部件构成架空输电线路的父节点，方向均由父节点指向节点。架空输电线路运行状态的贝叶斯网络结构直观简单，在进行结构搜索时，根据历史信息和领域知识足以给出变量的因果图，构造网络模型，将对线路运行有影响的因素集合作为变量节点，线路运行状态作为决策属性，有向边表达了一种因果关系，方向由原因指向结果；图3也示出了架空输电线路运行状态的评估指标体系；

（2）参数学习方法采用基于经典统计学（最大似然估计）的学习和基于贝叶斯统计学的学习，并在数据不完备时采用EM算法作为辅助，再结合相关资料和专家经验作为补充，本实施例采用基于经典统计学（最大似然估计）的参数学习的方法，并结合相关资料和专家经验，是更加综合全面、更加科学的评估方式，在参数学习中，样本数据分为训练样本和检验样本，分别用于估计参数和结果验证，使得条件概率估值更准确、更切合实际。参数学习中，将样本数据分为两部分，一部分是训练样本，用于估计参数，另一部分是检验样本，用于结果的验证。极大似然估计步骤如下：

设数据集D=(D₁,D₂,...,D_m)，两个前提假设，即独立同分布：一是D中各样本在给定参数θ时相互独立，即

$L\left(\mathrm{\θ}\right|D)=p\left(D\right|\mathrm{\θ})=\underset{i=1}{\overset{m}{\mathrm{\Π}}}p\left(D_i\right|\mathrm{\θ})$

二是每个样本D_i的条件概率分布P(D_i|θ)相同。

为方便计算，似然函数取对数，最大似然估计就是选择参数θ，，使似然函数L(θ|D)最大。

$L\left(\mathrm{\θ}\right|D)=\ln p\left(D\right|\mathrm{\θ})=\ln \underset{i=1}{\overset{m}{\mathrm{\Π}}}p\left(D_i\right|\mathrm{\θ})$

则最大似然估计为：

其中，m_h+m_t=m是样本量。

（3）条件概率表CPT：表达了节点同父节点的相关关系——条件概率，没有任何父节点的条件概率为其先验估值，通过以上参数学习就是为了获得条件概率表，每个CPT都具有如下格式：

指标参量的CPT

某部件（Bj）的CPT（设Bj有Q个指标参量，i=1,2,…,Q）

线路（A）的CPT（线路由7个部件Bj构成，i=1,2,…,7）

三、网络推理与状态判定：

（1）前向因果推理即由原因推至结果，通过贝叶斯网络推理技术，结合历史信息和网络结构，利用链规则和条件独立性将联合概率分解，改变节点的消元顺序及求和与乘积运算的先后秩序，求某节点指标的状态概率，以此递推获得整条输电线路运行状态概率。当某部件B_j的各基本部件单元C_i（i=1,2,…Q）的运行状态分别为t_i∈{1,2,3,4}时，确定某部件B_j运行的4种状态概率：

$P(B_j=k)=\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}P(B_j=k|C_i=t_i)p(C_i=t_i),t_i\∈\left\{\mathrm{1,2,3,4}\right\}$

其中，k=1，2，3，4；

当线路A的各部件B_j（j=1,2,…N）的运行状态分别为t_j∈{1,2,3,4}时，确定线路A运行的4种状态概率：

$P(A=k)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}P(A=k|B_j=t_j)P(B_j=t_j),t_j\∈\left\{\mathrm{1,2,3,4}\right\}$

其中，k=1，2，3，4；

以上状态推理公式表明，任一部件B_j运行的状态概率均由其各基本部件单元当前的运行状态概率P(C_i=t_i)推理得到，而线路A的运行状态概率则由其各部件当前的运行状态概率P(B_j=t_j)推理得到。

（2）后向诊断推理机即由结果推至原因，目的是找到系统薄弱点、识别状态隐患。利用相邻节点传递的信息和条件概率表计算，以求得后验概率；某部件B_j运行状态为k_i时确定部件某单元运行的4种状态概率为：

$P(C_i=t|B_j=k_i)=\frac{P(C_i=t)P(B_j=k_i|C_i=t)}{P(B_j=k_i)}=\frac{P(C_i=t)P(B_j=k_i|C_i=t)}{{\mathrm{\Σ}}_{i=1}^{Q}P(C_i=t)P(B_j=k_i|C_i=t)}$

其中，t=1，2，3，4；

在线路A运行状态为k_j时确定线路某部件运行的4种状态概率为：

$P(B_j=t|A=k_j)=\frac{P(B_j=t)P(A=k_i|B_j=t)}{P(A=k_i)}=\frac{P(B_j=t)P(A=k_j|B_j=t)}{{\mathrm{\Σ}}_{i=1}^{N}P(B_j=t)P(A=k_j|B_j=t)}$

以上诊断推理公式表明，在已知任一部件B_j当前运行状态为k_i时，根据后向诊断推理得到其基本部件单元运行的4种状态概率；已知线路A当前运行状态为k_j时，根据后向诊断推理得到其部件运行的4种状态概率。

（3）状态判定，根据以上的推理结果进行判断，筛选出概率最大的那一项作为评估的结果：

取MAX{P(B_j=k)}，那么此时B_j的运行状态即此时B_j=k对应的状态（正常、注意、异常、严重）；MAX{P(A=k)}同理；

取MAX{P(C_i=t|B_j=k_j)}，那么此时状态隐患最大可能存在于此时的部件单元C_i中；MAX{P(B_j=t|A=k_j)}同理；

（4）评估结果反馈，由于架空输电线路运行过程中存在较大的不确定性，线路运行状态评估结果的准确性难以完全适应实际的突发变化，在评估过程中可能出现评估结果与实际状况不一致的情况，因此对于产生较大评估偏差时要及时反馈，并修正相关的条件概率：设评估结果最大值为P(B=k1)=β，而实际可能认为其运行状态应该为k2，并且k2与k1相差较大，设P(B=k2)=α，而实际P(B=k2)=γ，显然有α<β，确定修正系数：

1）在实际趋向正常状态而评估趋向严重状态的情况下，节点条件概率的修正系数为：

$r_{s0}=\sqrt{\frac{\mathrm{\&beta;}}{\mathrm{\&alpha;}}}$

2）在实际趋向严重状态而评估趋向正常状态的情况下，节点条件概率的修正系数为：

$r_{s1}=\sqrt{\frac{1-\mathrm{\&beta;}}{1-\mathrm{\&alpha;}}}$

将修正系数与相应的条件概率相乘，再重新计算状态概率，同时将修正结果反馈至历史评估数据库。

由上可以看出，本发明提出的架空输电线路运行状态评估的贝叶斯网络具有自反馈能力，由于架空输电线路运行过程中存在较大的不确定性，线路运行状态评估结果的准确性难以完全适应实际的突发变化，在评估过程中可能出现评估结果与实际状况不一致的情况，本发明的架空输电线路运行状态评估的贝叶斯网络的自反馈机制能够减少了因不确定参数多步计算带来的评估偏差，避免误判，能有效提高状态评估的准确率。

四、评估数据库管理：

（1）指标参量数据更新，随着实际运行维护的需要，该自反馈双向贝叶斯网络状态评估系统允许接受新的指标参量，添加到评估指标体系中；同时，评估数据库存储所有历史和新监测的指标参量数据；

（2）先验估值的更新，在记录每一次的监测数据，结束每一次的评估后，并为下一次状态评估提高准确性，评估系统自动统计计算，重新填写先验估值表；

（3）条件概率表的更新，通过不断的参数学习来获取CPT的更新，同时，在出现较大评估偏差的情况下，按所述步骤（9）来修正CPT。

通过上述评估数据的自动更新，使得评估结果更加贴近当前运行情况，对于保障线路运行的高效、可靠、安全运行等都具有重要的工程应用价值。

以下一组数据，为某电网的某条220kv线路的实测数据，对该线路杆塔运行状态进行评估，通过计算和推理出杆塔运行状态的评估结果。现场监测数据以及相对应的状态属性和状态属性概率如下表：

利用极大似然训练获得的杆塔的条件概率表（i=1,2,3,4,5），如下所示：

根据状态概率以及条件概率表，利用上述的前向因果推理系统得到的杆塔状态评估的结果为：

根据以上状态评估结果，杆塔总体运行状态为严重状态，应特别关注杆塔的运行情况，运行状态不良的部件单元相当突出，尤其是混凝土杆和杆（塔）顶挠度的运行状态，应尽快采取相应措施维修和防护。

本实施例基于自反馈双向贝叶斯网络的架空输电线路运行状态评估方法，所设计的评估是一种自反馈、双向推理的过程，从输电线路运行的指标参量出发，结合输电线路运行的实际情况，对输电线路运行状态进行了全面、系统的评估分析。

上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

Claims (5)

1.一种基于双向贝叶斯网络的架空输电线路运行状态评估方法，其特征在于，其包括以下步骤：

步骤1、数据采集与处理：以架空输电线路为对象，通过运行巡检、在线监测、预防性试验和台账等获取架空输电线路运行的相关数据；对采集的数据进行量化处理，对必要数据进行归一化处理，处理后的数据作为步骤2的输入；

步骤2、自反馈双向贝叶斯网络状态评估：所述自反馈双向贝叶斯网络状态评估包括网络节点数据的统计与分析、网络构建与参数学习、网络推理与判断；其中，所述网络节点数据统计与分析是将架空输电线路运行状态各评估指标参量的监测数据进行量化处理，建立架空输电线路运行状态评估的指标参量体系；所述网络构建与参数学习是依据状态评估的指标参量体系建立架空输电线路运行状态评估的贝叶斯网络结构，并对网络参数进行学习；所述网络推理与判断包括因果推理和诊断推理组成的双向推理以及评估结果反馈；

所述网络节点数据的统计与分析的方法包括以下步骤：

步骤2.1、构建架空输电线路运行状态的评估指标参量体系，该评估指标参量体系构建的方法是将步骤1的数据作为初始指标参量，删除次要或优先级较低的指标参量，保留重要的或优先级较高的指标参量，以形成评估指标参量体系；所述指标参量包括设计值、规定值或运行经验值；

步骤2.2、架空输电线路运行状态的各评估指标参量数据的预处理与先验估值；

所述步骤2.2具体包括：

根据各个指标参量中的设计值、规定值或运行经验值设定各个指标参量的状态属性值，以P(C_i＝1，2，3，4)表示状态属性概率，作为各指标参量的先验估值；所述状态属性包括正常、注意、异常和严重，所述先验估值的计算如下：

$P(C_i=1)=\frac{1}{Q}{\mathrm{\&Sigma;}}_{i=1}^Q\frac{n_i}{m_i};P(C_i=2)=\frac{1}{Q}{\mathrm{\&Sigma;}}_{i=1}^Q\frac{v_i}{m_i};$

$P(C_i=3)=\frac{1}{Q}{\mathrm{\&Sigma;}}_{i=1}^Q\frac{y_i}{m_i};P(C_i=4)=\frac{1}{Q}{\mathrm{\&Sigma;}}_{i=1}^Q\frac{s_i}{m_i};i=1,2,...,Q$

其中，i＝1,2,…,Q是第i次统计的时间段，C_i为基本部件单元，n_i、v_i、y_i和s_i分别代表C_i在运行中监测到位于不同状态属性值的监测次数或统计数量，m_i是总监测次数或统计总数，n_i+v_i+y_i+s_i＝m_i；

所述网络构建与参数学习包括以下步骤：

步骤2.3、架空输电线路运行状态评估的贝叶斯网络的结构构建；所述的架空输电线路运行状态评估的贝叶斯网络的结构是由基础及防护设施、杆塔、导地线、绝缘子串、金具、防雷设施及接地装置、线路防护区这7个部件以及影响各部件运行状态的若干各基本部件单元共同构成的有向无环图；

步骤2.4、架空输电线路运行状态评估的贝叶斯网络的参数学习；所述参数学习是学习贝叶斯网络的条件概率分布，采用经典统计学的学习和基于贝叶斯统计学的学习，当数据不完备时采用基于EM算法的学习；

所述网络推理与判断包括以下步骤：

步骤2.5、架空输电线路运行状态的双向推理，所述双向推理包括前向因果推理和后向诊断推理；

其中，所述前向因果推理即由原因推至结果，其方法是：结合历史信息和贝叶斯网络结构，利用链规则和条件独立性将联合概率分解，改变节点的消元顺序及求和与乘积运算的先后秩序，求某节点指标的状态概率，以此递推获得整条输电线路运行状态概率；当某部件B_j的各基本部件单元C_i(i＝1,2,…Q)的运行状态分别为t_i∈{1,2,3,4}时，确定某部件B_j运行的4种状态概率：

$P(B_j=k)=\underset{i=1}{\overset{Q}{\&Sigma;}}P(B_j=k|C_i=t_i)P(C_i=t_i),t_i\&Element;\{1,2,3,4\}$

其中，k＝1，2，3，4；

当线路A的各部件B_j(j＝1,2,…N)的运行状态分别为t_j∈{1,2,3,4}时，确定线路A运行的4种状态概率：

$P(A=k)=\underset{j=1}{\overset{N}{\&Sigma;}}P(A=k|B_j=t_j)P(B_j=t_j),t_j\&Element;\{1,2,3,4\}$

其中，k＝1，2，3，4；

以上状态推理公式表明，任一部件B_j运行的状态概率均由其各基本部件单元当前的运行状态概率P(C_i＝t_i)推理得到，而线路A的运行状态概率则由其各部件当前的运行状态概率P(B_j＝t_j)推理得到；

所述后向诊断推理由结果推至原因，识别薄弱点，其方法是：利用相邻节点传递的信息和条件概率计算，以求得后验概率；某部件B_j运行状态为k_i时确定部件某单元运行的4种状态概率为：

$P\left(C_i=t|B_j=k_i\right)=\frac{P\left(C_i=t\right)P\left(B_j=k_i|C_i=t\right)}{P\left(B_j=k_i\right)}=\frac{P\left(C_i=t\right)P\left(B_j=k_i|C_i=t\right)}{{\mathrm{\&Sigma;}}_{i=1}^{Q}P\left(C_i=t\right)P\left(B_j=k_i|C_i=t\right)}$

其中，t＝1，2，3，4；

在线路A运行状态为k_j时确定线路某部件运行的4种状态概率为：

$P(B_j=t|A=k_j)=\frac{P(B_j=t)P(A=k_j|B_j=t)}{P(A=k_j)}=\frac{P(B_j=t)P(A=k_j|B_j=t)}{{\mathrm{\&Sigma;}}_{i=1}^{N}P(B_j=t)P(A=k_j|B_j=t)}$

以上诊断推理公式表明，在已知任一部件B_j当前运行状态为k_i时，根据后向诊断推理得到其基本部件单元运行的4种状态概率；已知线路A当前运行状态为k_j时，根据后向诊断推理得到其部件运行的4种状态概率；

步骤2.6、推理结果的判定，取状态概率以及后验概率中的最大值作为最终的评估结果：

取MAX{P(B_j＝k)}，那么此时B_j的运行状态即此时B_j＝k对应的状态，所述此时B_j＝k对应的状态为正常、注意、异常、严重中的一种；MAX{P(A＝k)}同理；

取MAX{P(C_i＝t|B_j＝k_i)}，那么此时状态隐患最大可能存在于此时的部件单元C_i中；MAX{P(B_j＝t|A＝k_j)}同理；

最后状态结果输出评语为“正常、注意、严重和异常”4种中的其中一种；

步骤2.7、当评估结果与实际状况不一致时，对于产生较大评估偏差进行相关的条件概率的修正；设评估结果最大值为P(B＝k1)＝β，而实际可能认为其运行状态应该为k2，并且k2与k1相差较大，设P(B＝k2)＝α，而实际P(B＝k2)＝γ，显然有α＜β，确定修正系数：

1)在实际趋向正常状态而评估趋向严重状态的情况下，节点条件概率的修正系数为：

$r_{s0}=\sqrt{\frac{\stackrel{\&OverBar;}{\mathrm{\&beta;}}}{\mathrm{\&alpha;}}}$

2)在实际趋向严重状态而评估趋向正常状态的情况下，节点条件概率的修正系数为：

$r_{s1}=\sqrt{\frac{\stackrel{\&OverBar;}{1-\mathrm{\&beta;}}}{1-\mathrm{\&alpha;}}}$

将修正系数与相应的条件概率相乘，再重新计算状态概率，同时将修正结果反馈至历史评估数据库；

步骤3、评估结果输出与评估数据库的管理：将步骤2获得的评估结果输出并反馈给评估数据库。

2.根据权利要求1所述的基于双向贝叶斯网络的架空输电线路运行状态评估方法，其特征在于，步骤2.1中，所述初始指标参量包括架空输电线路的基础及防护设施、杆塔、导地线、绝缘子串、金具、防雷设施及接地装置、线路防护区共7个部件的指标参量以及影响该7个部件运行状态的各基本部件单元构成各部件的指标参量。

3.根据权利要求2所述的基于双向贝叶斯网络的架空输电线路运行状态评估方法，其特征在于，

所述基础及防护设施的指标参量包括：拉线基础埋深以及拉线棒锈蚀；所述杆塔的指标参量包括：杆塔倾斜度、杆或塔顶挠度、杆塔横担歪斜度、铁塔、钢管塔主材弯曲度以及混凝土杆裂纹；

所述导地线的指标参量包括：腐蚀、断股、损伤和闪络烧伤的情况、导线弧垂及对地距离、导地线腐蚀、交跨距离、地线上扬、线路覆冰、舞动；

所述绝缘子串的指标参量包括：绝缘子串倾斜情况、复合绝缘子检测、瓷质盘形悬式绝缘子检测、复合绝缘子外观检查、盘型或瓷质绝缘子清扫、外观检查情况、绝缘子污秽；

所述金具的指标参量包括：金具锈蚀、磨损、裂纹、变形情况、屏蔽环、均压环、间隔棒、防振锤、重锤片、护线条、阻尼线等保护金具情况、接续金具变形情况、金具裂纹、螺栓拧紧力矩值；

所述防雷设施及接地装置的指标参量包括：接地引下线断开的基数、接地电阻值、接地引下线锈蚀、损伤直径、接地体埋深、绝缘地线间隙、防雷间隙、预防性试验指标；

所述线路防护区的指标参量包括：架空输电线路对下方各类杆线、树木以及建设的公路、桥梁等的交跨距离、通道内树木、建筑情况。

4.根据权利要求1所述的基于双向贝叶斯网络的架空输电线路运行状态评估方法，其特征在于，所述条件概率为子节点同父节点的相关关系。

5.根据权利要求1所述的基于双向贝叶斯网络的架空输电线路运行状态评估方法，其特征在于，所述步骤3中评估数据库的管理包括：

在评估数据库中输入并实时更新架空输电线路运行状态的各指标参量；

架空输电线路运行状态的各指标参量的先验估值的更新；

架空输电线路运行状态的各指标参量的条件概率表的更新与修正。