CN108320040B - 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 - Google Patents

基于贝叶斯网络优化算法的采集终端故障预测方法及系统 Download PDF

Info

Publication number
CN108320040B
CN108320040B CN201710031382.8A CN201710031382A CN108320040B CN 108320040 B CN108320040 B CN 108320040B CN 201710031382 A CN201710031382 A CN 201710031382A CN 108320040 B CN108320040 B CN 108320040B
Authority
CN
China
Prior art keywords
terminal
fault
bayesian network
terminal fault
characteristic attribute
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.)
Expired - Fee Related
Application number
CN201710031382.8A
Other languages
English (en)
Other versions
CN108320040A (zh
Inventor
邹波
叶君
赵莉
郑静雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Chongqing Electric Power Co Ltd
Original Assignee
State Grid Chongqing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Chongqing Electric Power Co Ltd filed Critical State Grid Chongqing Electric Power Co Ltd
Priority to CN201710031382.8A priority Critical patent/CN108320040B/zh
Publication of CN108320040A publication Critical patent/CN108320040A/zh
Application granted granted Critical
Publication of CN108320040B publication Critical patent/CN108320040B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于贝叶斯网络优化算法的采集终端故障预测方法及系统，针对采集终端运行存在的潜在故障风险，对其作出合理的运行状态评估，从而实现对采集终端故障的预测。采用贝叶斯网络算法建立采集终端故障预测模型，考虑到采集终端特征参数较多且关联复杂等问题，以最大主子图分解技术对电力领域专家构建的贝叶斯网络关联图加以简化，随后采用条件独立测试与局部评分测试对关联图进行属性关联定向挖掘，从而使贝叶斯网络算法得以优化，全面客观地实现对在运采集终端的状态评估，提高系统预测的准确率，并以国网重庆市电力公司用电信息采集系统为实验平台，验证了本发明所述方法的高效性与可行性。

Description

基于贝叶斯网络优化算法的采集终端故障预测方法及系统
技术领域
本发明涉及基于贝叶斯网络优化算法的采集终端故障预测方法及系统。
背景技术
目前重庆市电力公司已建成市级集中和县级集中的用电信息采集系统，在运供电分公司用电信息采集系统实现接入终端115162台，在运县级供电公司用电信息采集系统实现接入终端114977台，终端的运行稳定与否直接影响采集质量的高低，并最终影响营销业务甚至公司多个专业对采集数据的应用，而终端在运行中必然存在由于自身故障、通信信道等原因导致无法正常采集的问题，从而影响采集成功率，对抄表结算等关键业务造成负面影响。
目前终端故障处理主要通过在线率、采集成功率等指标进行监测，基于故障的诊断算法也不断被提出来，用以处理不同的故障问题，如浙江大学的郭创新等人就电力系统故障诊断的各种研究方法(包括专家系统、人工神经网络、优化技术、Petri网络、粗糙集理论、模糊集理论和多代理技术等)进行分析，并指出了该领域所需解决的关键技术问题和主要发展趋势；中国矿业大学的张晓等人就通过分析APF交流侧输出电压的数学模型，建立APF各相交流侧输出电压与相应IGBT导通占空比间的对应关系，通过正常状态和故障状态下输出电压与对应IGBT导通占空比间对应关系的不同诊断出开路故障及定位故障位置；东北电力大学的李刚等人，利用小波分析的时-频特性,给出一种电力系统暂态信号的奇异性检测算法，获得故障点的定位信息，以上故障诊断系统均属于发现异常后派单处理，此时终端故障已发生，各类负面影响已经出现，同时，外勤人员必须快速奔波于各个故障终端所在地，耗费了大量的人力和物力。当前亟需利用大数据技术转变数据处理模式，对终端状态和故障可能性进行定量分析、预警，改变“事后处置”为“事前排除”的方式，指导安排巡检和轮换计划，及时排除现场故障。
发明内容
本发明的目的就是为了解决上述问题，提供基于贝叶斯网络优化算法的采集终端故障预测方法及系统，它具有在信息不完备的情况下，可对采集终端状态作出有效预估，且对超大规模数据处理时，仍具有高速处理的优势。
为了实现上述目的，本发明采用如下技术方案：
基于贝叶斯网络优化算法的采集终端故障预测方法，包括如下步骤：
步骤(1)：针对电力现场采集终端的历史故障事件数据进行收集作为终端故障样本，并建立终端故障样本库；所述历史故障时间数据包括故障时间、故障地点和故障原因；
步骤(2)：对用电信息采集系统处于工作状态的终端设备的终端特征属性进行收集，同时获取终端故障样本发生前的历史数据，作为终端特征属性的变化信息；
步骤(3)：分析故障发生前，终端特征属性的变化信息对终端故障发生是否存在影响，若存在影响，则终端特征属性变化信息与终端故障二者关联度为1，若否，则二者关联度为0，从而初步确定终端故障与终端特征属性之间的关联度，并基于初步确定的关联度建立特征属性关联度有向图；
步骤(4)：首先采用最大主子图分解对特征属性关联度有向图进行降维处理，随后以条件独立测试和局部评分测试对潜在关联进行定向挖掘，得到马尔科夫等价类贝叶斯网络结构图，实现对贝叶斯网络算法的优化；
步骤(5)：利用优化后的贝叶斯网络算法，以终端故障影响因素对用电信息采集系统终端故障发生的影响度为先验概率，以用电信息采集系统终端故障发生为后验概率，建立故障预测模型；
步骤(6)：利用故障预测模型，实现对电力现场采集终端的故障预测。
所述特征属性关联度有向图是贝叶斯网络BN二元组中的特征属性关联组成部分，BN＝(G，P)，其中，G＝(V,E)为特征属性关联度有向图，V为特征属性节点集，E为有向边集，反映特征属性之间的依赖关系，以箭头从节点Vi指向节点Vj的有向边表示Vi对Vj有直接影响，P为特征属性节点概率分布，表示节点之间影响度。
所述步骤(4)利用最大主子图分解、条件独立测试和局部评分搜索确定应用于贝叶斯网络的马尔科夫等价类贝叶斯网络结构图。
所述步骤(4)的步骤为：
步骤(4-1)：结合初步确定的特征属性关联度有向图，以终端故障影响因素为随机变量，通过Markov算法得到以每个变量Markov边界为节点集的无向子图，将所述无向子图合并后得到对应贝叶斯网络的无向独立图；
步骤(4-2)：由无向独立图得到相应联结树，考察任意两个簇节点之间的边，将不完全的边删除，从而得到合并簇节点，得到最大主子图分解联结树；
步骤(4-3)：对最大主子图分解联结树进行分解，检测分解后的每个子图是否包含3个变量彼此相连的最大无向完备图，若不包含，则直接以条件概率分布确定2个变量之间的依赖关系，并更新步骤(4-1)获取的无向独立图内的特征指向，若包含，则进入下一步；
步骤(4-4)：通过条件独立测试和局部评分搜索确定每个子图中的V结构，即通过条件独立测试用来确定贝叶斯网络中的V结构，对于经过条件独立测试后，仍存在的无向边的最大无向完备图，则以局部评分搜索确定其是否存在V结构，利用条件独立测试和局部评分搜索对步骤(4-1)获取的无向独立图不断进行特征指向更新，直到不存在包含3个变量彼此相连的最大无向完备图，即获得马尔科夫等价类贝叶斯网络结构图。
所述无向独立图是指特征属性关联度有向图G＝(V,E)基于Markov算法诱导的每一个条件独立性均是由d-分离所确定，去掉G＝(V,E)中所有边的方向并将具有共同子节点的父节点用一个无向边连接后得到的表示贝叶斯网络结构的无向图。
步骤(4-4)的步骤为：
步骤(4-4-1)：首先以条件独立测试确定每个子图中的V结构，建立原假设H0和备择假设H1
H0：在给定变量xk的条件下，xi和xj独立；
H1：在给定变量xk的条件下，xi和xj不独立；
步骤(4-4-2)：计算自由度f＝(ri-1)(rj-1)rk，并给定显著性水平α，其中ri、rj、rk分别表示变量xi、xj、xk的取值个数，α的取值范围为[0.0001,0.05]，表示拒绝原假设H0的置信度为1-α，即给定xk的条件下，xi和xj相互依赖的概率为1-α；
步骤(4-4-3)：计算统计量G2
Figure BDA0001211653270000031
其中，a，b，c表示特征属性分类，
Figure BDA0001211653270000032
表示给定训练样本数据集中xi＝a，xj＝b，xk＝c的样本数目，同理
Figure BDA0001211653270000033
步骤(4-4-4)：若G2＞f，则拒绝原假设H0，否则，接受H0，即确定V结构Vk→Vi←Vj；
步骤(4-4-5)：局部评分搜索用来进一步确定贝叶斯网络中的V结构，在局部搜索定向过程中，根据Bdeu(Bayesian Dirichlet with likelihood equivalence)评分函数的可分解性和评分等价性，对包含在T中的任意三元组Tr(Vi,Vj,Vk)的以下4种结构进行局部评分，即计算子结构Vi→Vj←Vk，Vj→Vk←Vi，Vk→Vi←Vj和Vi-Vj-Vk-Vi的评分增益，即
Figure BDA0001211653270000034
其中，Vi→Vj表示Vi是Vj的父节点，Vj为Vi的子节点，Vi-Vj表示二者可逆，即为无向边。
步骤(4-4-6)：结合步骤(4-3)对基于最大主子图分解的2个特征属性的无向边定向，对无向独立图更新得到马尔科夫等价类贝叶斯网络结构。
所述步骤(2)的终端特征属性包括：终端属性、运行状态参数和外部环境参数，所述终端属性包括生产厂家和型号；运行状态参数包括在线率和成功率；外部环境参数包括温度和气候。
所述步骤(5)的步骤为：
步骤(5-1)：设x＝{a1,a2,…,am}为一个待分类项，而每个a为故障样本x的一个特征属性，即终端故障影响因素变量节点；
步骤(5-2)：确定类别集合C＝{0,1}；设C＝0表示终端故障未发生，C＝1表示终端故障发生；
步骤(5-3)：使用用电信息采集系统数据库内终端故障数据作为训练样本集；
步骤(5-4)：统计得到在对应类别C及故障样本xi直接前驱节点的联合下各个特征属性的条件概率估计，即计算p(xi|Parents(xi))，其中Parents表示xi的直接前驱节点的联合，即其各级父节点的联合；
当特征属性为离散值时，通过统计训练样本中各个特征属性划分在其直接前驱节点的联合类别中出现的频率来估计p(xi|Parents(xi))；
当特征属性为连续值时，假定该特征属性值服从高斯分布即：
Figure BDA0001211653270000041
即
Figure BDA0001211653270000042
因此只要计算出训练样本集中连续特征属性在直接前驱节点的联合类别中划分的各均值和标准差，代入
Figure BDA0001211653270000043
的高斯分布公式，即可得到连续特征属性的估计值；
步骤(5-5)：根据贝叶斯网络获取电信息采集系统终端故障预测模型推导公式：
Figure BDA0001211653270000044
将用电信息采集系统数据库内终端故障数据作为测试样本集，根据步骤(5-4)求得的各变量的先验概率求终端故障发生概率；
步骤(5-6)：设定β为根据终端故障预测准确度需求进行调整的比例阈值，当
Figure BDA0001211653270000051
时，判定终端故障发生，否则判定终端故障未发生；
步骤(5-7)：根据测试样本集的实际终端故障发生情况，计算终端故障预测准确率与召回率；
步骤(5-8)：根据测试正确率与召回率对特征属性的权重值以及比例阈值β进行调整，提高终端故障预测精确度。
步骤(5-7)公式为：
Figure BDA0001211653270000052
Figure BDA0001211653270000053
所述步骤(6)中，实现对电力现场采集终端进行故障预测，包括如下步骤：
步骤(6-1)：根据故障预测模型，对用电信息采集系统终端进行故障实际检查；
步骤(6-2)：基于步骤(6-2)实际检查结果，将新的故障影响因素更新到故障样本库中。
基于贝叶斯网络优化算法的采集终端故障预测系统，包括：
故障样本建立单元：针对电力现场采集终端的历史故障事件数据进行收集作为终端故障样本，并建立终端故障样本库；所述历史故障时间数据包括故障时间、故障地点和故障原因；
特征属性收集单元：对用电信息采集系统处于工作状态的终端设备的终端特征属性进行收集，同时获取终端故障样本发生前的历史数据，作为终端特征属性的变化信息；
特征属性关联度有向图建立单元：分析故障发生前，终端特征属性的变化信息对终端故障发生是否存在影响，若存在影响，则终端特征属性变化信息与终端故障二者关联度为1，若否，则二者关联度为0，从而初步确定终端故障与终端特征属性之间的关联度，并基于初步确定的关联度建立特征属性关联度有向图；
贝叶斯网络算法优化单元：利用最大主子图分解、条件独立测试和局部评分搜索确定应用于贝叶斯网络的马尔科夫等价类贝叶斯网络结构图，首先采用最大主子图分解对特征属性关联度有向图进行降维处理，随后以条件独立测试和局部评分测试对潜在关联进行定向挖掘，得到马尔科夫等价类贝叶斯网络结构图，实现对贝叶斯网络算法的优化；
故障预测模型建立单元：利用优化后的贝叶斯网络算法，以终端故障影响因素对用电信息采集系统终端故障发生的影响度为先验概率，以用电信息采集系统终端故障发生为后验概率，建立故障预测模型；
实际检测单元：利用故障预测模型，实现对电力现场采集终端的故障预测。
本发明的有益效果：
本发明根据重庆市用电信息采集系统及其采集终端现状，结合其可提供的信息，采用基于贝叶斯网络优化算法建立故障预测模型，实现对采集终端故障的预测，本发明的创新之处是针对国网重庆市采集终端数量多、信息量大、属性间关系复杂的特点，首先采用最大主子图分解技术对关联特征图进行降维处理，随后以独立测试与局部评分测试对关联进行定向挖掘，从而在本质上改善了贝叶斯网络的预测效果，实现对采集终端的潜在故障预警，实验证明，本算法是高效可行的。
附图说明
图1采集终端故障预测系统运行原理图；
图2采集终端故障预测模型框架图；
图3贝叶斯网络的无向独立图；
图4最大主子图分解联结树；
图5(a)-图5(h)最大主子图；
图6马尔科夫等价类贝叶斯网络结构图；
图7用电信息采集系统终端故障预测模型算法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
1预测系统的相关研究与分析
根据采集终端故障预测系统的业务特点，依托于国网重庆市电力公司可提供的数据，并基于“事前排除”的要求，本发明需选用合适的人工智能技术对当前可获得的不确定、不完整数据进行因果推理关系建模，进而模拟人的认知思维推理模式，对事件做出合理预估。
在此类建模方法中，贝叶斯网络算法体现出更高的应用价值，如哈尔滨工程大学的张国印等人通过分析Android恶意行为的特点，采用基于贝叶斯网络的机器学习算法进行Android恶意行为的检测，并验证了Android恶意行为检测模型的有效性；空军工程大学的蒙小飞等人，建立了基于高斯云贝叶斯网络的空战态势评估模型，并以仿真结果给出敌机的态势评估值以及以概率的方式给出敌机对我机的态势等级；天津大学的金杉等人将三种常用火灾传感器探测信息融合，探测信息离散区间与发生率，再以Bayesia Lab计算输出节点的条件概率，作出正确、快速的报警反应。由此可以看出，贝叶斯网络在在信息不完备的情况下，可对不可知事件状态作出有效预测，且对超大规模数据处理时，仍具有高速度优势，本发明基于以上优势，采用贝叶斯网络算法对采集终端故障预测模型进行设计，并以最大主子图分解技术对提取的业务特征属性进行关联图分解简化，并以条件独立测试与局部评分测试对属性关联进行定向挖掘，最大化的保证特征属性关联图的精简性，从而在本质上实现对贝叶斯网络算法的优化，提升采集终端故障预测系统的精确性与及时性。
本发明以国网重庆市电力公司的用电信息采集系统为平台，对采集终端故障预测系统的有效性与实用性进行验证，实验数据显示本方法是高效可行的。本发明第2节给出采集终端故障预测系统设计；第3节给出采集终端故障预测模型；第4节给出系统的实现及实验；第5节给出结语，并对下一步工作进行展望。
2采集终端故障预测系统设计
本发明采集终端故障预测系统的建设目的是为解决终端电能表故障预测问题，采用基于贝叶斯网络优化算法，结合Hadoop大数据计算支撑体系，实现一种高效的大数据预测模型，满足及时排除用电信息采集系统终端故障的业务需求，系统设计如下所述。
2.1系统运行原理
在用电信息采集系统中引入了故障预测的概念，即在现有的系统软硬件平台的基础上，加入了终端电能表故障预测模型，建立了终端电能表故障预测系统。该系统以终端电能表可采集数据及历史数据为输入，基于贝叶斯网络优化算法对终端电能表的运行状态作出判别，将预测结果作为输出，以涉外检修人员的验证数据作为反馈信息，不断改进模型预测的精准度，系统运行原理如图1所示。
(1)在电力现场的采集终端收集终端故障的样本，并建立终端故障样本库；
(2)对用电信息采集系统在运终端的属性、运行状态和外部环境进行收集，通过对样本的学习，寻找终端故障与其相关因素的关系；
(3)根据终端故障与终端故障影响因素的关系，分析用电信息采集系统终端故障影响因素之间的关联度，并建立关联度有向图；
(4)借助于贝叶斯网络算法，以终端故障影响因素对用电信息采集系统终端故障发生的影响度为先验概率，以用电信息采集系统终端故障发生为后验概率，建立故障预测模型，除训练结果之外，模型还支持其他判定规则的引入；
(5)基于用电信息采集系统终端运行状态提供的终端故障影响因素参数，计算终端故障发生概率，当终端故障发生概率超出终端故障未发生概率的阈值时，实现终端故障的预警；
(6)根据终端故障预警，指导外勤人员安排巡检和轮换计划，对用电信息采集系统终端进行故障查实；
(7)基于查实的终端故障情况，丰富终端故障样本库，并对基于贝叶斯网络的故障因素进行影响权重训练，提高终端故障预警准确度。
2.2故障预测模型框架
采集终端故障预测模型的构建是系统可用性的关键，如图2所示，为采集终端故障预测模型框架。
本系统的预测模型以贝叶斯网络优化算法实现数据处理规则，通过优化特征属性关联图、先验概率获取、贝叶斯网络计算后验概率，获得故障预测诊断结果，由于重庆市采集终端数量多，数据处理计算量大，且本发明所选用的模型算法相对复杂，计算量呈指数上升，故系统以Hadoop大数据处理集群实现海量数据处理，提高采集终端故障预测的实时性。
3采集终端故障预测模型
本发明基于贝叶斯网络优化算法建立采集终端故障预测模型，主要包含以特征属性关联度有向图对贝叶斯网络算法进行优化和以贝叶斯网络算法对终端电能表进行故障预测两部分，解决预测问题中存在的不确定性、关联性问题，充分利用先验信息和样本信息，使推理结果更为准确可信，实现快速故障诊断预测，采用故障事前排除的方式，指导安排巡检和轮换计划，降低终端故障的影响，节省现场维护的成本。
3.1特征属性关联图的构建
终端电能表故障预测系统是基于用电信息采集系统可提供的数据作为特征属性，以贝叶斯网络算法实现对终端电能表的运行状况进行预测。由于用电信息采集系统提供的关联数据较多，如相对于电子式-智能远程控费电能表，其特征属性多达31类，且特征属性彼此间存在复杂的关联性，贝叶斯网络算法是基于特征属性建立的关联度有向图实现对终端故障的预测，若关联度有向图过于复杂，则最终会导致系统计算量的指数级上升，难以实现采集终端故障预测的实时性要求，导致响应时间过长。
为优化贝叶斯网络算法，提高系统预测性能，本发明针对处理复杂的大型拓扑网络结构需求，采用一种基于最大主子图分解、条件独立测试和局部评分搜索的混合贝叶斯网络等价类学习算法，最大主子图分解将复杂的大型拓扑网络结构分解为等价的子图结构，该算法有效地将高维贝叶斯网络关联图转化为低维简化等价图，有效解决了条件独立测试的高阶条件计算量大且不可靠的缺陷，避免了局部评分搜索陷入局部最优解，提高了关联度有向图的正确性和有效性。具体构建主要包括5个步骤，由于实际关联特征属性较多且复杂，为使最大主子图分解技术清晰可见，图示选取预测结果与部分数据的关联，以电子式-普通型电能表为例：
(1)结合领域专家经验以及条件独立测试，以终端故障影响因素为随机变量，通过Markov边界的算法子程序得到以每个变量Markov边界为节点集的无向子图，将这些无向子图合并后的图结构即为对应贝叶斯网络的无向独立图，如图3所示；
(2)由无向独立图得到相应联结树，考察任意两个簇节点之间的边，将不完全边进行删除，从而得到合并簇节点，得到如图4所示的最大主子图分解联结树；
(3)对最大主子图分解联结树进行分解，如图5(a)-图5(h)所示，得关联最大主子图，并检测分解后的每个子图是否包含3个变量彼此相连的最大无向完备图；
(4)通过条件独立测试和局部评分搜索确定每个子图中的V结构，其中条件独立测试用来确定贝叶斯网络中的V结构，具体实现步骤为：
①建立原假设H0和备择假设H1
H0：在给定变量xk的条件下，xi和xj独立；
H1：在给定变量xk的条件下，xi和xj不独立；
②计算自由度f＝(ri-1)(rj-1)rk，并给定显著性水平α，其中ri表示变量xi的取值个数，α的取值范围为[0.0001,0.05]，表示拒绝原假设H0的置信度为1-α，即给定xk的条件下，xi和xj相互依赖的概率为1-α；
③计算统计量G2，
Figure BDA0001211653270000091
④若G2＞f，则拒绝原假设H0，否则，接受H0。
局部评分搜索用来确定贝叶斯网络中的V结构在局部搜索定向过程中，根据BDeu函数的可分解性和评分等价性，对包含在T中的任意三元组Tr(Vi,Vj,Vk)的以下4种结构进行局部评分，即计算子结构Vi→Vj←Vk，Vj→Vk←Vi，Vk→Vi←Vj和Vi-Vj-Vk-Vi的评分增益，即
Figure BDA0001211653270000092
利用条件独立测试和局部评分搜索在无向独立图中不断进行更新，直到不存在满足条件的子图；
⑤对等价类中其余的无向边定向，如图6所示，得到用电信息采集系统终端故障影响因素的马尔科夫等价类贝叶斯网络结构图。
3.2贝叶斯网络优化算法
本发明采用的贝叶斯网络优化算法流程图如图7所示。
构建用电信息采集系统终端故障影响预测模型，包括8个步骤：
(1)设x＝{a1,a2,…,am}为一个待分类项，而每个a为x的一个特征属性，即终端故障影响因素变量节点；
(2)确定类别集合C＝{0,1}。设C＝0表示终端故障未发生，C＝1表示终端故障发生；
(3)使用用电信息采集系统数据库内终端故障发生情况已知的80％的数据作为训练样本集；
(4)统计得到在各类别及其直接前驱节点的联合下各个特征属性的条件概率估计，即计算p(xi|Parents(xi))，其中Parents表示xi的直接前驱节点的联合，当特征属性为离散值时，只要很方便的统计训练样本中各个特征属性划分在其直接前驱节点的联合类别中出现的频率即可用来估计p(xi|Parents(xi))，当特征属性为连续值时，通常假定其值服从高斯分布(也称正态分布)。即：
Figure BDA0001211653270000101
即
Figure BDA0001211653270000102
因此只要计算出训练样本中此特征项在其直接前驱节点的联合类别中划分的各均值和标准差，代入上述公式即可得到需要的估计值；
(5)根据贝叶斯网络获取电信息采集系统终端故障预测模型推导公式：
Figure BDA0001211653270000103
将用电信息采集系统数据库内终端故障发生情况已知的20％的数据作为测试样本集，根据(4)求得的各变量的先验概率求终端故障发生概率；
(6)设定β为根据终端故障预测准确度需求进行调整的比例阈值，当
Figure BDA0001211653270000104
时，判定终端故障发生，否则判定终端故障未发生；
(7)根据测试样本集的实际终端故障发生情况，计算终端故障预测准确率与召回率；
(8)根据测试正确率与召回率对特征属性的权重值以及比例阈值β进行调整，提高终端故障预测精确度。
4系统的实现及实验
本发明以国网重庆市电力信息采集系统为实施平台，采用贝叶斯网络优化算法实现对采集终端故障的预测。应用范围包含专变采集终端、集中抄表终端(主要包含集中器、采集器等)、分布式能源监控终端等。界面设计基于富客户端技术，采纳了系统的多维效果展示策略，实现了从多个维度、多种方式对系统的信息进行展示，为用户提供了直观且及时准确地采集终端故障预测通知。
4.1系统实现
本发明基于贝叶斯网络优化算法的采集终端故障预测系统，主要针对国网重庆市用电信息采集系统的智能采集终端设备，异常预测类型主要包含专变终端异常、配变终端异常、变电站终端异常、电厂终端异常、低压集中器和低压采集器，通过重庆市用电信息采集系统提供的采集终端相关数据，以贝叶斯网络优化算法进行异常预测，在计量在线监测模块的终端预警信息进行整体预测数据的展示。
当用户进行其他界面的操作时，系统基于Hadoop大数据计算支撑体系进行后台数据运算，当采集终端故障预测系统提供出异常预警信息时，系统用户操作界面进行实时异常预警窗口弹出。
国网重庆市电力公司的工作人员根据系统提供的采集终端异常预测信息对采集终端进行实际故障情况检验，将检验数据存入终端故障管理模块，进行故障数据分析，终端故障管理模块主要分为终端无通信分析、终端采集成功率分析、终端数据完整率分析、连续采集失败分析与其他故障分析，用以丰富采集终端故障预测数据库信息，且迭代改进贝叶斯网络优化算法预测精准度，防止随着时间的推移导致预测精准度下降等问题。
系统界面进行多维效果的展示，包含预测成功率监测、故障数据可用界面、失败终端单位统计及任务下发间隔监测等界面，可使用户更直观方便的了解采集终端故障预测及相关数据。
4.2实验结果
本发明将贝叶斯网络优化算法与通用贝叶斯网络算法的测试结果进行比较，通用贝叶斯网络算法以用电力领域3位专家分别构建的关联图实现贝叶斯网络算法，训练数据与测试数据与贝叶斯网络优化算法完全相同。采集终端故障预测系统的数据处理单元集群搭建在2×8核2.9GHz CPU、32GB内存、200GB硬盘的服务器集群上，数据计算服务集群基于CDH 4.2.0搭建，各节点配置均为2×4核1.8GHz CPU、8GB内存、1TB硬盘。
零点时，电力现场通过采集终端电能表对在运8524例电力用户的用电信息特征属性进行数据采集，并按照采集终端故障影响因素属性不同分为动态数据组、静态属性组以及外部因素组，并按其不同类别存入分析数据库，从分析数据库抽取该8524例电力用户的用电信息特征属性，按照终端故障样本库提供的4类关联图进行各变量的先验概率遍历。
将8524例电力用户的用电信息各变量的先验概率分别代入4类终端故障预测模型，根据故障样本库故障样本的不断积累以及终端故障预测模型提高终端预警的比例需求，设定比例阈值α＝0.812，满足在终端电能表故障发生之前派往人员进行终端故障排除，得实际终端故障数为14例，实际终端无故障数为8510例，4类采集终端故障预测模型分别对该8524例终端设备进行数据预测，实验结果如下表所示：
表1采集终端故障预测模型实验结果
Figure BDA0001211653270000121
Figure BDA0001211653270000131
根据实验结果得四类采集终端故障预测模型的正确率和召回率，如下所示：
模型1的正确率与召回率：
Figure BDA0001211653270000132
模型2的正确率与召回率：
Figure BDA0001211653270000133
模型3的正确率与召回率：
Figure BDA0001211653270000134
模型4的正确率与召回率：
Figure BDA0001211653270000135
用电信息采集系统将各模型的测试正确率、召回率，测试时间数据进行展示。
如表1所示，本发明基于贝叶斯网络优化算法构建的预测模型在预测正确率、召回率及运算时间较其他模型均具有明显优势，并且处理速度平缓上升，不会由于处理数据的增多而导致处理速度的延缓，在测试数据较多时，在时间性能方面，本发明算法优势更显著。究其原因，由于贝叶斯网络算法对采集终端故障作出异常判断时，其判断特征属性繁多，且彼此关联错综复杂，本发明算法通过最大主子图分解技术分解关联度有向图，极大地减少了特征属性间的冗余弧的存在，从而有效提高了系统的数据处理速度，此外，对分解后的最大主子图采用条件独立测试和局部评分搜索实现特征关联属性定向，可有效防止网络结构陷入局部最优，从而保证了各类属性之间的有效影响因素，通过以上测试数据显示，本发明算法对采集终端故障具有高效预测能力，可有效辅助国网重庆市电力公司相关工作人员展开采集终端潜在故障排除工作。
5结语
本发明以重庆市用电信息采集系统为背景平台，构建了一种基于贝叶斯网络优化算法的采集终端故障预测系统，首先采用最大主子图技术对电力领域专家构建的贝叶斯网络关联度有向图进行简化，随后以条件独立测试与局部评分测试对具有潜在价值的属性关联进行定向挖掘，在本质上提高了贝叶斯网络算法的正确率，并通过训练数据样本集建立基于贝叶斯网络优化算法的采集终端故障预测模型，以测试样本集进行算法验证，实验表明，该方法有效减少了冗余关联度的产生，降低了采集终端故障预测时间，并能够提高了采集终端故障预测准确率与召回率，同时，经过验证的存在故障采集终端，作为故障样本反馈信息回数据库，从而丰富样本特征属性，为后期采集终端故障预测系统改进提供数据支撑。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.基于贝叶斯网络优化算法的采集终端故障预测方法，其特征是，包括如下步骤：
步骤(1)：针对电力现场采集终端的历史故障事件数据进行收集作为终端故障样本，并建立终端故障样本库；所述历史故障事件数据包括故障时间、故障地点和故障原因；
步骤(2)：对用电信息采集系统处于工作状态的终端设备的终端特征属性进行收集，同时获取终端故障样本发生前的历史数据，作为终端特征属性的变化信息；
步骤(3)：分析故障发生前，终端特征属性的变化信息对终端故障发生是否存在影响，若存在影响，则终端特征属性变化信息与终端故障二者关联度为1，若否，则二者关联度为0，从而初步确定终端故障与终端特征属性之间的关联度，并基于初步确定的关联度建立特征属性关联度有向图；
步骤(4)：首先采用最大主子图分解对特征属性关联度有向图进行降维处理，随后以条件独立测试和局部评分测试对潜在关联进行定向挖掘，得到马尔科夫等价类贝叶斯网络结构图，实现对贝叶斯网络算法的优化；
步骤(5)：利用优化后的贝叶斯网络算法，以终端故障影响因素对用电信息采集系统终端故障发生的影响度为先验概率，以用电信息采集系统终端故障发生为后验概率，建立故障预测模型；
步骤(6)：利用故障预测模型，实现对电力现场采集终端的故障预测；
所述步骤(5)的步骤为：
步骤(5-1)：设x＝{a1,a2,…,am}为一个待分类项，而每个a为故障样本x的一个特征属性，即终端故障影响因素变量节点；
步骤(5-2)：确定类别集合C＝{0,1}；设C＝0表示终端故障未发生，C＝1表示终端故障发生；
步骤(5-3)：使用用电信息采集系统数据库内终端故障数据作为训练样本集；
步骤(5-4)：统计得到在对应类别C及故障样本xi直接前驱节点的联合下各个特征属性的条件概率估计，即计算p(xi|Parents(xi))，其中Parents表示xi的直接前驱节点的联合，即其各级父节点的联合；
当特征属性为离散值时，通过统计训练样本中各个特征属性划分在其直接前驱节点的联合类别中出现的频率来估计p(xi|Parents(xi))；
当特征属性为连续值时，假定该特征属性值服从高斯分布即：
Figure FDA0002694073850000011
即
Figure FDA0002694073850000021
因此只要计算出训练样本集中连续特征属性在直接前驱节点的联合类别中划分的各均值和标准差，代入
Figure FDA0002694073850000022
的高斯分布公式，即可得到连续特征属性的估计值；
步骤(5-5)：根据贝叶斯网络获取电信息采集系统终端故障预测模型推导公式：
Figure FDA0002694073850000023
将用电信息采集系统数据库内终端故障数据作为测试样本集，根据步骤(5-4)求得的各变量的先验概率求终端故障发生概率；
步骤(5-6)：设定β为根据终端故障预测准确度需求进行调整的比例阈值，当
Figure FDA0002694073850000024
时，判定终端故障发生，否则判定终端故障未发生；
步骤(5-7)：根据测试样本集的实际终端故障发生情况，计算终端故障预测准确率与召回率；
步骤(5-8)：根据测试正确率与召回率对特征属性的权重值以及比例阈值β进行调整，提高终端故障预测精确度。
2.如权利要求1所述的方法，其特征是，所述步骤(4)的步骤为：
步骤(4-1)：结合初步确定的特征属性关联度有向图，以终端故障影响因素为随机变量，通过Markov算法得到以每个变量Markov边界为节点集的无向子图，将所述无向子图合并后得到对应贝叶斯网络的无向独立图；
步骤(4-2)：由无向独立图得到相应联结树，考察任意两个簇节点之间的边，将不完全的边删除，从而得到合并簇节点，得到最大主子图分解联结树；
步骤(4-3)：对最大主子图分解联结树进行分解，检测分解后的每个子图是否包含3个变量彼此相连的最大无向完备图，若不包含，则直接以条件概率分布确定2个变量之间的依赖关系，并更新步骤(4-1)获取的无向独立图内的特征指向，若包含，则进入下一步；
步骤(4-4)：通过条件独立测试和局部评分搜索确定每个子图中的V结构，即通过条件独立测试用来确定贝叶斯网络中的V结构，对于经过条件独立测试后，仍存在的无向边的最大无向完备图，则以局部评分搜索确定其是否存在V结构，利用条件独立测试和局部评分搜索对步骤(4-1)获取的无向独立图不断进行特征指向更新，直到不存在包含3个变量彼此相连的最大无向完备图，即获得马尔科夫等价类贝叶斯网络结构图。
3.如权利要求2所述的方法，其特征是，步骤(4-4)的步骤为：
步骤(4-4-1)：首先以条件独立测试确定每个子图中的V结构，建立原假设H0和备择假设H1
H0：在给定变量xk的条件下，xi和xj独立；
H1：在给定变量xk的条件下，xi和xj不独立；
步骤(4-4-2)：计算自由度f＝(ri-1)(rj-1)rk，并给定显著性水平α，其中ri、rj、rk分别表示变量xi、xj、xk的取值个数，α的取值范围为[0.0001,0.05]，表示拒绝原假设H0的置信度为1-α，即给定xk的条件下，xi和xj相互依赖的概率为1-α；
步骤(4-4-3)：计算统计量G2
Figure FDA0002694073850000031
其中，a，b，c表示特征属性分类，
Figure FDA0002694073850000032
表示给定训练样本数据集中xi＝a，xj＝b，xk＝c的样本数目，同理
Figure FDA0002694073850000033
步骤(4-4-4)：若G2＞f，则拒绝原假设H0，否则，接受H0，即确定V结构Vk→Vi←Vj；
步骤(4-4-5)：局部评分搜索用来进一步确定贝叶斯网络中的V结构，在局部搜索定向过程中，根据Bdeu(Bayesian Dirichlet with likelihood equivalence)评分函数的可分解性和评分等价性，对包含在T中的任意三元组Tr(Vi,Vj,Vk)的以下4种结构进行局部评分，即计算子结构Vi→Vj←Vk，Vj→Vk←Vi，Vk→Vi←Vj和Vi-Vj-Vk-Vi的评分增益，即
Figure FDA0002694073850000034
其中，Vi→Vj表示Vi是Vj的父节点，Vj为Vi的子节点，Vi-Vj表示二者可逆，即为无向边；
步骤(4-4-6)：结合步骤(4-3)对基于最大主子图分解的2个特征属性的无向边定向，对无向独立图更新得到马尔科夫等价类贝叶斯网络结构。
4.如权利要求1所述的方法，其特征是，所述步骤(2)的终端特征属性包括：终端属性、运行状态参数和外部环境参数，所述终端属性包括生产厂家和型号；运行状态参数包括在线率和成功率；外部环境参数包括温度和气候。
5.如权利要求1所述的方法，其特征是，步骤(5-7)公式为：
Figure FDA0002694073850000035
Figure FDA0002694073850000041
6.如权利要求1所述的方法，其特征是，所述步骤(6)中，实现对电力现场采集终端进行故障预测，包括如下步骤：
步骤(6-1)：根据故障预测模型，对用电信息采集系统终端进行故障实际检查；
步骤(6-2)：基于步骤(6-2)实际检查结果，将新的故障影响因素更新到故障样本库中。
7.如权利要求1所述的方法，其特征是，所述特征属性关联度有向图是贝叶斯网络BN二元组中的特征属性关联组成部分，BN＝(G,P)，其中，G＝(V,E)为特征属性关联度有向图，V为特征属性节点集，E为有向边集，反映特征属性之间的依赖关系，以箭头从节点Vi指向节点Vj的有向边表示Vi对Vj有直接影响，P为特征属性节点概率分布，表示节点之间影响度。
8.如权利要求2所述的方法，其特征是，所述无向独立图是指特征属性关联度有向图G＝(V,E)基于Markov算法诱导的每一个条件独立性均是由d-分离所确定，去掉G＝(V,E)中所有边的方向并将具有共同子节点的父节点用一个无向边连接后得到的表示贝叶斯网络结构的无向图。
9.基于贝叶斯网络优化算法的采集终端故障预测系统，其特征是，包括：
故障样本建立单元：针对电力现场采集终端的历史故障事件数据进行收集作为终端故障样本，并建立终端故障样本库；所述历史故障事件 数据包括故障时间、故障地点和故障原因；
特征属性收集单元：对用电信息采集系统处于工作状态的终端设备的终端特征属性进行收集，同时获取终端故障样本发生前的历史数据，作为终端特征属性的变化信息；
特征属性关联度有向图建立单元：分析故障发生前，终端特征属性的变化信息对终端故障发生是否存在影响，若存在影响，则终端特征属性变化信息与终端故障二者关联度为1，若否，则二者关联度为0，从而初步确定终端故障与终端特征属性之间的关联度，并基于初步确定的关联度建立特征属性关联度有向图；
贝叶斯网络算法优化单元：首先采用最大主子图分解对特征属性关联度有向图进行降维处理，随后以条件独立测试和局部评分测试对潜在关联进行定向挖掘，得到马尔科夫等价类贝叶斯网络结构图，实现对贝叶斯网络算法的优化；
故障预测模型建立单元：利用优化后的贝叶斯网络算法，以终端故障影响因素对用电信息采集系统终端故障发生的影响度为先验概率，以用电信息采集系统终端故障发生为后验概率，建立故障预测模型；
实际检测单元：利用故障预测模型，实现对电力现场采集终端的故障预测；
所述故障预测模型建立单元的步骤为：
步骤(5-1)：设x＝{a1,a2,…,am}为一个待分类项，而每个a为故障样本x的一个特征属性，即终端故障影响因素变量节点；
步骤(5-2)：确定类别集合C＝{0,1}；设C＝0表示终端故障未发生，C＝1表示终端故障发生；
步骤(5-3)：使用用电信息采集系统数据库内终端故障数据作为训练样本集；
步骤(5-4)：统计得到在对应类别C及故障样本xi直接前驱节点的联合下各个特征属性的条件概率估计，即计算p(xi|Parents(xi))，其中Parents表示xi的直接前驱节点的联合，即其各级父节点的联合；
当特征属性为离散值时，通过统计训练样本中各个特征属性划分在其直接前驱节点的联合类别中出现的频率来估计p(xi|Parents(xi))；
当特征属性为连续值时，假定该特征属性值服从高斯分布即：
Figure FDA0002694073850000051
即
Figure FDA0002694073850000052
因此只要计算出训练样本集中连续特征属性在直接前驱节点的联合类别中划分的各均值和标准差，代入
Figure FDA0002694073850000053
的高斯分布公式，即可得到连续特征属性的估计值；
步骤(5-5)：根据贝叶斯网络获取电信息采集系统终端故障预测模型推导公式：
Figure FDA0002694073850000054
将用电信息采集系统数据库内终端故障数据作为测试样本集，根据步骤(5-4)求得的各变量的先验概率求终端故障发生概率；
步骤(5-6)：设定β为根据终端故障预测准确度需求进行调整的比例阈值，当
Figure FDA0002694073850000055
时，判定终端故障发生，否则判定终端故障未发生；
步骤(5-7)：根据测试样本集的实际终端故障发生情况，计算终端故障预测准确率与召回率；
步骤(5-8)：根据测试正确率与召回率对特征属性的权重值以及比例阈值β进行调整，提高终端故障预测精确度。
CN201710031382.8A 2017-01-17 2017-01-17 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 Expired - Fee Related CN108320040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710031382.8A CN108320040B (zh) 2017-01-17 2017-01-17 基于贝叶斯网络优化算法的采集终端故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710031382.8A CN108320040B (zh) 2017-01-17 2017-01-17 基于贝叶斯网络优化算法的采集终端故障预测方法及系统

Publications (2)

Publication Number Publication Date
CN108320040A CN108320040A (zh) 2018-07-24
CN108320040B true CN108320040B (zh) 2021-01-26

Family

ID=62892579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710031382.8A Expired - Fee Related CN108320040B (zh) 2017-01-17 2017-01-17 基于贝叶斯网络优化算法的采集终端故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN108320040B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109922124A (zh) * 2018-12-29 2019-06-21 淄博矿业集团有限责任公司 一种基于Hadoop的煤矿数据管理系统

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109596913B (zh) * 2018-11-26 2021-06-15 国网冀北电力有限公司 充电桩故障原因诊断方法及装置
CN109754158B (zh) * 2018-12-07 2022-08-23 国网江苏省电力有限公司南京供电分公司 一种生成对应电网运行环境下的大数据因果模型的方法
CN109767006A (zh) * 2018-12-13 2019-05-17 北京航空航天大学 一种基于贝叶斯置信网络的故障预测系统及方法
CN109447531A (zh) * 2018-12-25 2019-03-08 国网福建省电力有限公司 一种基于神经网络健康度评价的智能电表状态评价方法
CN109739210B (zh) * 2018-12-25 2021-02-19 中车工业研究院有限公司 设备部件健康状态的评估方法及装置
CN109815855B (zh) * 2019-01-07 2021-04-02 中国电子科技集团公司第四十一研究所 一种基于机器学习的电子设备自动测试方法及系统
CN109800881B (zh) * 2019-01-15 2021-11-23 合肥工业大学 一种基于贝叶斯网络的因果关系判定方法
CN109861859B (zh) * 2019-01-28 2021-08-27 中南大学 基于边检验综合判定的多Agent系统故障检测方法
CN109905278A (zh) * 2019-02-28 2019-06-18 深圳力维智联技术有限公司 基于大数据的基站故障检测方法、装置和存储介质
CN109656239B (zh) * 2019-03-07 2019-10-08 长沙瑞纬电气有限公司 一种轨道机车网络控制系统故障诊断方法及其诊断装置
CN110335168B (zh) * 2019-04-22 2020-06-05 山东大学 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN110147387B (zh) * 2019-05-08 2023-06-09 腾讯科技（上海）有限公司 一种根因分析方法、装置、设备及存储介质
CN110400231B (zh) * 2019-06-06 2023-01-31 湖南大学 一种加权非线性贝叶斯的电能计量设备失效率预估方法
CN110222914A (zh) * 2019-07-02 2019-09-10 国家电网有限公司 一种准确率高的集中器运行预测方法
CN110298513A (zh) * 2019-07-02 2019-10-01 国家电网有限公司 一种预测购电下发异常的方法
CN110503296B (zh) * 2019-07-08 2022-05-06 招联消费金融有限公司 测试方法、装置、计算机设备和存储介质
CN111695583A (zh) * 2019-07-18 2020-09-22 广东电网有限责任公司信息中心 一种基于因果网络的特征选择方法
CN110474799B (zh) * 2019-07-31 2022-03-25 中国联合网络通信集团有限公司 故障定位方法及装置
CN110795260B (zh) * 2019-09-10 2023-08-08 武汉攀升鼎承科技有限公司 一种智能客户关怀系统
CN112532408B (zh) * 2019-09-17 2022-05-24 华为技术有限公司 提取故障传播条件的方法、装置及存储介质
CN110794360A (zh) * 2019-10-22 2020-02-14 中国电力科学研究院有限公司 一种基于机器学习预测智能电能表故障的方法及系统
CN110861987B (zh) * 2019-10-23 2021-06-08 日立楼宇技术（广州）有限公司 一种电梯故障判断逻辑验证方法、系统及存储介质
CN111126759B (zh) * 2019-11-18 2023-01-10 国网浙江省电力有限公司 一种基于异常事件故障关联度的电能表状态评估方法
CN110929951B (zh) * 2019-12-02 2022-04-19 电子科技大学 一种用于电网告警信号的关联分析和预测方法
CN111340376A (zh) * 2020-02-28 2020-06-26 北京交通大学 一种地铁换乘感知服务质量评估方法
CN111552843B (zh) * 2020-04-23 2023-03-31 中国电子科技集团公司第五十四研究所 一种基于加权因果依赖图的故障预测方法
CN111639753B (zh) * 2020-05-29 2023-12-05 北京百度网讯科技有限公司 用于训练图像处理超网络的方法、装置、设备以及存储介质
CN112598150B (zh) * 2020-11-09 2024-03-08 西安君能清洁能源有限公司 一种在智能电厂中基于联邦学习提升火灾检测效果的方法
CN113065580B (zh) * 2021-03-17 2024-04-16 国能大渡河大数据服务有限公司 一种基于多信息融合的电厂设备管理方法及系统
CN113312851A (zh) * 2021-06-16 2021-08-27 华电山东新能源有限公司 一种风力发电机主轴承温度异常预警方法
CN113505935B (zh) * 2021-07-26 2022-06-28 上海东方低碳科技产业股份有限公司 基于集成算法的电力异常波动检测和预测计算方法
CN113610315B (zh) * 2021-08-16 2023-10-13 傲林科技有限公司 一种基于事件网的预测方法、装置及电子设备
CN113807433A (zh) * 2021-09-16 2021-12-17 青岛中科曙光科技服务有限公司 一种数据分类方法、装置、计算机设备及存储介质
CN114021632B (zh) * 2021-10-28 2023-09-12 国网安徽省电力有限公司营销服务中心 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质
CN114143167B (zh) * 2021-12-03 2023-06-20 中电信数智科技有限公司 基于贝叶斯网络的光衰监测网络安全的方法
CN115037634B (zh) * 2022-05-30 2024-04-16 中电信数智科技有限公司 一种基于马氏链和贝叶斯网络的k8s网络故障预测方法
CN115169252B (zh) * 2022-09-07 2022-12-13 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种结构化仿真数据生成系统及生成方法
CN115358278B (zh) * 2022-10-14 2023-04-25 浙江万胜智能科技股份有限公司 一种用电采集器的状态量分布式监测方法及系统
CN116400662B (zh) * 2023-01-18 2023-09-15 北京控制工程研究所 正向推理与逆向推理相结合的故障推演方法和装置
CN116684327B (zh) * 2023-08-03 2023-10-27 中维建技术有限公司 一种基于云计算的山林地区通信网络故障监测评估方法
CN116881675B (zh) * 2023-09-07 2023-12-08 南京中鑫智电科技有限公司 一种基于贝叶斯算法的电力设备状态监测方法
CN117789133A (zh) * 2024-02-28 2024-03-29 希格玛电气(珠海)有限公司 一种智能环网柜监控系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950327A (zh) * 2010-09-09 2011-01-19 西北工业大学 一种基于故障树信息的设备状态预测方法
WO2011014169A1 (en) * 2009-07-30 2011-02-03 Hewlett-Packard Development Company, L.P. Constructing a bayesian network based on received events associated with network entities
CN102255764A (zh) * 2011-09-02 2011-11-23 广东省电力调度中心 传输网故障诊断方法及装置
CN103871003A (zh) * 2014-03-31 2014-06-18 国家电网公司 一种应用历史故障数据的配电网故障诊断方法
CN106050580A (zh) * 2016-08-17 2016-10-26 国电联合动力技术有限公司 一种风力发电机组传动链故障诊断方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011014169A1 (en) * 2009-07-30 2011-02-03 Hewlett-Packard Development Company, L.P. Constructing a bayesian network based on received events associated with network entities
CN101950327A (zh) * 2010-09-09 2011-01-19 西北工业大学 一种基于故障树信息的设备状态预测方法
CN102255764A (zh) * 2011-09-02 2011-11-23 广东省电力调度中心 传输网故障诊断方法及装置
CN103871003A (zh) * 2014-03-31 2014-06-18 国家电网公司 一种应用历史故障数据的配电网故障诊断方法
CN106050580A (zh) * 2016-08-17 2016-10-26 国电联合动力技术有限公司 一种风力发电机组传动链故障诊断方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Improved reliability modeling using Bayesian networks and;David Marquez等;《Reliability Engineering and System Safety》;20100430;第95卷(第4期);第412-425页 *
基于最大主子图分解的贝叶斯网络等价类学习算法;朱明敏等，;《控制与决策》;20121031;第20卷(第10期);第1499-1504页 *
电费信息链管理平台研究;邹波等;《中国电力企业管理》;20160831(第8期);第55-58页 *
贝叶斯网络结构学习算法研究及应用;陈云;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151215(第12期);第I140-29页 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109922124A (zh) * 2018-12-29 2019-06-21 淄博矿业集团有限责任公司 一种基于Hadoop的煤矿数据管理系统

Also Published As

Publication number Publication date
CN108320040A (zh) 2018-07-24

Similar Documents

Publication Publication Date Title
CN108320040B (zh) 基于贝叶斯网络优化算法的采集终端故障预测方法及系统
Wu et al. Literature review and prospect of the development and application of FMEA in manufacturing industry
CN103245881B (zh) 一种基于潮流分布特征的配电网故障分析方法及装置
US8751421B2 (en) Machine learning for power grid
Xiao et al. Status quo and opportunities for building energy prediction in limited data Context—Overview from a competition
CN105406461B (zh) 一种配电网停电事件的负荷自适应动态监测方法
CN111581739A (zh) 基于故障树和案例推理的直升机智能故障诊断方法
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
CN113420162B (zh) 一种基于知识图谱的设备运行链状态监测方法
Jiang et al. Real-time intelligent elevator monitoring and diagnosis: Case studies and solutions with applications using artificial intelligence
Wang et al. Software defect fault intelligent location and identification method based on data mining
CN110245163A (zh) 一种电力系统运行隐患排查方法
Mbey et al. Fault detection and classification using deep learning method and neuro‐fuzzy algorithm in a smart distribution grid
Zhang et al. Analytic hierarchy process-based fuzzy post mining method for operation anomaly detection of building energy systems
CN116523493A (zh) 配电网运行维护辅助决策分析方法、系统及存储介质
Lin et al. Design and implementation of a CPS‐based predictive maintenance and automated management platform
Zhang et al. Identification of key factors and mining of association relations in complex product assembly process
Zhang et al. Distributed Architecture of Power Grid Asset Management and Future Research Directions
Khan et al. Outliers detection and repairing technique for measurement data in the distribution system
Ning Comparison of several common intelligent fault diagnosis knowledge-based method under nonlinear small sample conditions
Kang et al. Health analysis method of batch smart electricity meter based on K-nearest neighbor algorithm
Jihai et al. A dynamic portrait analysis of grid equipment
Wang et al. Technical Analysis of Probability Early Warning of User Stealing Electricity Based on Big Data
Zhao Fault Prediction Method and System of Acquisition Terminal Based on Bayesian Network Optimization Algorithm
Hongyu et al. Research on Auxiliary System of Big Data Abnormality in Station Area Line Loss under Smart Grid

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210126

Termination date: 20220117

CF01 Termination of patent right due to non-payment of annual fee