CN105608308B - 无监督设备运行轨迹模型建立方法 - Google Patents
无监督设备运行轨迹模型建立方法 Download PDFInfo
- Publication number
- CN105608308B CN105608308B CN201510919646.4A CN201510919646A CN105608308B CN 105608308 B CN105608308 B CN 105608308B CN 201510919646 A CN201510919646 A CN 201510919646A CN 105608308 B CN105608308 B CN 105608308B
- Authority
- CN
- China
- Prior art keywords
- equipment
- abnormal phenomenon
- stage
- model
- residing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 230000007704 transition Effects 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000009191 jumping Effects 0.000 claims abstract description 3
- 238000000205 computational method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 230000002542 deteriorative effect Effects 0.000 abstract description 2
- 230000032683 aging Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明提供一种无监督设备运行轨迹模型建立方法,包括下述步骤:步骤S1,建立模型第一层:马尔可夫跳跃过程,描述设备状况的转变,需计算出设备初始所处阶段的概率,及设备在某个时间跨度由一个阶段转换到另一个阶段的可能性;步骤S2,建立模型第二层:建立一组马尔可夫链,用来捕获设备状态阶段转换和出现异常现象之间的联系;步骤S3,建立模型第三层:建立双向的noisy‑or贝叶斯网络,捕获设备异常现象与监测的指标数据之间的联系。本发明可用于根据各类指标的变化判断设备是否已产生某些异常现象且进入下一个状况更加严重的阶段,可以为避免设备进一步恶化而进行事前控制。
Description
技术领域
本发明涉及电网故障研究领域,尤其是一种无监督设备运行轨迹模型建立方法。
背景技术
电力系统的安全稳固运行对于我国经济的持续发展以及社会民生的安定具有十分重要的意义。在实际的电网运行中,由于环境气候等客观因素以及电气设备发生故障或老化、运行人员疏忽等主管因素的存在,电网故障时有发生,如何尽快实现故障预测、故障诊断将直接关系到电网的稳定运行以及经济损失的挽回,在此背景下,电网故障预测诊断成为当前电力领域的研究热点之一。目前,电网虽已应用了电气设备在线监测系统,但设备运行的好坏情况的掌握主要还是靠人员定期到变电所现场进行检查、检测,花费了大量的人力物力。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种无监督设备运行轨迹模型建立方法,实现对设备的运行轨迹进行建模,通过间断的监测获得的指标数据进行分析处理获取每个设备完整的运行轨迹,根据各类指标的变化判断设备是否已产生某些异常现象且进入下一个状况更加严重的阶段,可以为避免设备进一步恶化而进行事前控制,若设备已经产生了故障,则可定位到具体的组件部位。本发明采用的技术方案是:
无监督设备运行轨迹模型包括三层,建立方法具体包括:
建立模型第一层:马尔可夫跳跃过程,描述设备状况的转变,需计算出设备初始所处阶段的概率,及设备在某个时间跨度由一个阶段转换到另一个阶段的可能性,设备所处阶段转换的可能性依赖于当前设备所处的阶段和时间跨度
建立模型第二层:建立一组马尔可夫链,用来捕获设备状态阶段转换和出现异常现象之间的联系;当一组新的异常现象的出现则表示设备的运行状况变得更差,甚至设备所处的阶段已经发生了变化,进入了下一个更差的阶段;
建立模型第三层:建立双向的noisy-or贝叶斯网络,捕获设备异常现象(如具体的异常组件和故障部位)与监测的指标数据之间的联系;当某种指标数据发生变化时则可以判断设备的某个具体的组件和部位发生了故障;
本发明的优点在于:对设备运行轨迹的建模主要是在设备间断的监测指标数据、异常现象的基础上实现的,将设备运行过程中指标数据或现象的异常与设备的组件对应起来,只要设备运行轨迹中指标发生偏差,就可预测设备的哪个组件即将出现某种问题,通过该预测即可实施事前控制防范,避免故障的发生,减少损失。同时,若设备已出现故障,相关人员也可从故障发生前后设备的运行轨迹中定位到具体的组件或部分出现问题。通过该模型大大降低了工作人员的工作量,提高了工作效率。
附图说明
图1为本发明的无监督设备运行轨迹模型示意图。
图2为本发明的模型第三层noisy-or贝叶斯网络示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
电网设备在由好变坏的转变过程中可以分为几个阶段,每个阶段都会存在相对应的异常现象,而异常现象分为显性和隐性两种,隐性异常现象需通过相关的指标数据进行判别。本发明提出了一个无监督的设备运行轨迹模型,对设备运行轨迹进行建模,根据监测到的有限的指标数据判断设备出现哪些异常现象,现处于哪个阶段,为防止设备的进一步损坏老化进入下一个更差的阶段而采取有效的维护措施,如进行零件的修理或更换。同时,对已经发生故障的设备的异常部位组件进行定位,帮助工作人员制定出修理方案。
以下对无监督设备运行轨迹模型的建立具体说明。
(一)前提假设;
假设变电站中有N个设备,设备n在时间段τ1,τ2,…τt共观察了t次,设备由好转坏的过程中存在M个阶段,K种异常现象,d个指标;
(二)相关公式设计;
1、计算设备初始所处阶段的概率分布πi,在时间跨度Δ内设备所处阶段由阶段i转变为阶段j的可能性Aij(Δ);计算方法分别由公式(1)和公式(2)所示;
公式(1)
公式(2)
其中:S表示设备所处的状态,Q表示设备阶段转换的M*M的转换矩阵,Aij(Δ)表示时间跨度Δ内设备所处阶段转换的概率矩阵;
2、计算异常现象发生的概率Bk,m,a,计算方法如公式(3)所示;异常现象Xk,n,t∈{0,1}是二元随机变量,表示在第n个设备在第t次观察中异常现象k是否出现;进一步限制异常现象k只有在设备的状态由Sn,t-1转换到Sn,t时才会出现;Xk,n,t的值取决于当前设备所处的阶段Sn,t,且必须满足在第t-1次观察时异常现象k未出现,即Xk,n,t-1=0;
公式(3)
其中:a∈{0,1},当t=0时,
3、计算异常现象激发指标数值发生改变的可能性Φ(Od,n,t|X),计算方法如公式(4)所示;
公式(4)
其中,Od,n,t表示观察得到的指标数据,Zk,d表示异常现象k的发生必定会造成指标数据d的出现,表示异常现象遗漏概率,即是指标数据发生异常不是由该现象引起的,而是由其他隐藏因素导致。
(三)应用上述模型
首先为模型设置Bk,m,a,Ld和Zk,d参数,采用吉布斯抽样并计算潜在参数和模型参数的边际值,接着计算参数的最大似然估计值,通过最大期望值找到局部最优解。首先输入指标数值集,初始化参数S,X,Q,π,B,Z,L,接着重复进行以下操作直至收敛。从P(S,X,B,L,Z|O;π,Q)进行吉布斯采样直至收敛,使用抽样得到的样本估计设备初始状态分布的可能性值p(Sn,0=i|O;π,Q)和设备所在阶段转换的可能性值p(Sn,t-1=i,Sn,t=j|O;π,Q),将时间跨度Δ设为任意值,为计算的值,其中π',Q'为当前π,Q所取的值,更新的值,最后重复计算以下操作,直至Q值收敛,计算期望值表示在时间跨度Δ从设备状态i到状态j中间经历的转变的次数,表示在时间跨度Δ内设备处于状态i的时间,更新Q的值,通过以上的算法设计,即可得到完整的设备运行轨迹,可以明确设备所处阶段与异常现象出现之间的关系,异常现象与指标数据之间的关系。根据监测获得的异常指标数据即可追朔到设备已发生哪些异常现象,从而定位到设备具体的部位和组件。同时根据设备运行的轨迹,监测的指标数据的发展趋势可以判断设备在未来事件内可能会出现的异常现象或故障,从而可以进行早期预防,制定保护措施。
Claims (1)
1.一种无监督设备运行轨迹模型建立方法,其特征在于,包括下述步骤:
步骤S1,建立模型第一层:马尔可夫跳跃过程,描述设备状况的转变,需计算出设备初始所处阶段的概率,及设备在某个时间跨度由一个阶段转换到另一个阶段的可能性;
步骤S2,建立模型第二层:建立一组马尔可夫链,用来捕获设备状态阶段转换和出现异常现象之间的联系;
步骤S3,建立模型第三层:建立双向的noisy-or贝叶斯网络,捕获设备异常现象与监测的指标数据之间的联系;
步骤S1具体包括:
设存在N个设备,设备n在时间段τ1,τ2,…τt共观察了t次,设备由好转坏的过程中存在M个阶段,K种异常现象,d个指标;
计算设备初始所处阶段的概率分布πi,在时间跨度Δ内设备所处阶段由阶段i转变为阶段j的可能性Aij(Δ);计算方法分别由公式(1)和公式(2)所示;
其中:S表示设备所处的状态,Q表示设备阶段转换的M*M的转换矩阵,Aij(Δ)表示时间跨度Δ内设备所处阶段转换的概率矩阵;
步骤S2具体包括:
计算异常现象发生的概率Bk,m,a,计算方法如公式(3)所示;异常现象Xk,n,t∈{0,1}是二元随机变量,表示在第n个设备在第t次观察中异常现象k是否出现;进一步限制异常现象k只有在设备的状态由Sn,t-1转换到Sn,t时才会出现;Xk,n,t的值取决于当前设备所处的阶段Sn,t,且必须满足在第t-1次观察时异常现象k未出现,即Xk,n,t-1=0;
其中:a∈{0,1},当t=0时,
步骤S3具体包括:
计算异常现象激发指标数值发生改变的可能性Φ(Od,n,t|X),计算方法如公式(4)所示;
其中,Od,n,t表示观察得到的指标数据,Zk,d表示异常现象k的发生必定会造成指标数据d的出现,表示异常现象遗漏概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510919646.4A CN105608308B (zh) | 2015-12-11 | 2015-12-11 | 无监督设备运行轨迹模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510919646.4A CN105608308B (zh) | 2015-12-11 | 2015-12-11 | 无监督设备运行轨迹模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608308A CN105608308A (zh) | 2016-05-25 |
CN105608308B true CN105608308B (zh) | 2018-05-08 |
Family
ID=55988239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510919646.4A Active CN105608308B (zh) | 2015-12-11 | 2015-12-11 | 无监督设备运行轨迹模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608308B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
CN103840967A (zh) * | 2013-12-23 | 2014-06-04 | 北京邮电大学 | 一种电力通信网中故障定位的方法 |
CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001249705A (ja) * | 2000-03-03 | 2001-09-14 | Toshiba Corp | プロセスシミュレータ応用非線形制御装置およびその方法 |
-
2015
- 2015-12-11 CN CN201510919646.4A patent/CN105608308B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
CN103840967A (zh) * | 2013-12-23 | 2014-06-04 | 北京邮电大学 | 一种电力通信网中故障定位的方法 |
CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105608308A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN103793752B (zh) | 一种基于退化建模的设备失效次数预测方法 | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN104537487A (zh) | 一种输变电设备运行动态风险的评估方法 | |
JP2014022725A (ja) | 対象装置のベースライン予知保全方法及びそのコンピュータプログラム製品 | |
CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
Sun et al. | Modified two-stage degradation model for dynamic maintenance threshold calculation considering uncertainty | |
CN104899646B (zh) | 一种多设备混联系统的预测性维护方法 | |
CN106786531B (zh) | 一种配电终端优化配置方法 | |
CN103760299A (zh) | 一种基于两级神经网络的综合空气质量预测方法 | |
CN112883549B (zh) | 一种考虑随机冲击影响的视情维护模型的建立方法 | |
CN112801533B (zh) | 一种考虑决策依赖不确定的电力系统运行可靠性评估方法 | |
CN105608308B (zh) | 无监督设备运行轨迹模型建立方法 | |
CN111624874B (zh) | 用于城市污水处理的泵站集群智能化预测方法及系统、存储介质 | |
JP6697980B2 (ja) | 設備点検順位設定装置及び設備点検順位設定方法 | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
CN109800866B (zh) | 一种基于GA-Elman神经网络的可靠性增长预测方法 | |
KR101137318B1 (ko) | 반도체 장치의 고장 진단시스템 및 방법 | |
CN110826179B (zh) | 一种智能变电站继电保护实时可靠性预测方法 | |
KR20230050812A (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
CN113191485B (zh) | 一种基于narx神经网络的电力信息网络安全检测系统及方法 | |
Xia et al. | HMM based modeling and health condition assessment for degradation process | |
Cai et al. | Performance degradation based reliability prediction method for CTCS on-board equipment | |
Zabidi et al. | Non-Linear Autoregressive with Exogenous Input (Narx) Chiller Plant Prediction Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |