CN109032107B - 基于贝叶斯分类的设备故障信号频发预测方法 - Google Patents

基于贝叶斯分类的设备故障信号频发预测方法 Download PDF

Info

Publication number
CN109032107B
CN109032107B CN201810567469.1A CN201810567469A CN109032107B CN 109032107 B CN109032107 B CN 109032107B CN 201810567469 A CN201810567469 A CN 201810567469A CN 109032107 B CN109032107 B CN 109032107B
Authority
CN
China
Prior art keywords
signal
typical
year
days
signals
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
Application number
CN201810567469.1A
Other languages
English (en)
Other versions
CN109032107A (zh
Inventor
吴奕
冷喜武
肖艳炜
何锐
尹小波
赵扬
武毅
曹宇
杨笑宇
谭琛
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 Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
State Grid Jiangsu Electric Power Co Ltd
Beijing Kedong Electric Power Control System Co Ltd
State Grid Sichuan Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
State Grid Jiangsu Electric Power Co Ltd
Beijing Kedong Electric Power Control System Co Ltd
State Grid Sichuan Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu 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 Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, State Grid Jiangsu Electric Power Co Ltd, Beijing Kedong Electric Power Control System Co Ltd, State Grid Sichuan Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810567469.1A priority Critical patent/CN109032107B/zh
Publication of CN109032107A publication Critical patent/CN109032107A/zh
Application granted granted Critical
Publication of CN109032107B publication Critical patent/CN109032107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Alarm Systems (AREA)

Abstract

本发明属于电力系统设备故障预测领域，尤其涉及基于贝叶斯分类的设备故障信号频发预测方法。所述方法基于电网运行大数据，根据数据量等级分为次优设备故障预测方法和最优故障预测方法；当数据量不足N年，其中N<4时，使用次优设备故障预测方法；当数据量N较大，其中N≥4时，使用最有故障预测方法。次优设备故障预测方法解决了数据量不足带来的预测困难的难题。最优故障预测方法综合多项电网运行因素，以较高的精确度预测电网设备故障信号发生情况。

Description

基于贝叶斯分类的设备故障信号频发预测方法
技术领域
本发明属于电力系统设备故障预测领域，尤其涉及基于贝叶斯分类的设备故障信号频发预测方法。
背景技术
大型电力设备结构复杂且工作环境恶劣，属于多发性故障的高技术系统工程。目前的预测方法无法保证大型电力设备绝对在无故障状态下运行。随着现代电力系统和自动化技术的不断发展，保障电力设备的无故障运行成为工业与信息化技术发展的必然需求。电力设备系统处于复杂的工作环境中，控制参数复杂且不确定，导致电力设备系统中故障频发，需要进行更有效的电力设备系统的故障预测，保障电力设备网络的安全稳定运行。
大数据时代下，电网设备运行产生海量数据，其中设备典型缺陷信号、故障信号是电网运行的重要指标。电网现有设备监控业务只能实现被动监控，缺乏对设备缺陷、故障的预测手段。本发明基于电力大数据，使用训练神经网络实现设备运行趋势主动监视和预警，实现从粗数据的被动监视向运行趋势的主动发现转变，建立以监控信息风险预警发布为指引的“监视-预控”、“监视-检修”的业务链路。
贝叶斯分类算法是统计学分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Na&iuml；ve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，且方法简单、分类准确率高、速度快。
发明内容
针对背景技术中的问题，本发明的目的在于提出基于贝叶斯分类的设备故障信号频发预测方法。本发明基于电网运行大数据，根据数据量等级，分为次优设备故障预测方法和最优故障预测方法。次优设备故障预测方法解决了数据量不足带来的预测困难的难题。最优故障预测方法综合多项电网运行因素，以较高的精确度预测电网设备故障信号发生情况。
为实现上述目的，本发明提出如下技术方案：
基于贝叶斯分类的设备故障信号频发预测方法，所述方法基于电网运行大数据，根据数据量等级分为次优设备故障预测方法和最优故障预测方法；
当数据量不足N年，其中N<4时，使用次优设备故障预测方法；
当数据量N较大，其中N≥4时，使用最优故障预测方法；
所述次优设备故障预测方法包括以下步骤：
(1-1)选择电网运行设备典型信号，并综合N年信号，其中N<4，根据N年信号预测N+1年的信号发生情况；
(1-2)计算某典型信号日告警数量占N年信号的置信度ρ；
(1-3)取置信度ρ＞ε的日期为典型信号
Figure BDA0001684905540000021
的高频发日期，其中ε＞9％，视N+1年的m月d天的前后n天为典型信号
Figure BDA0001684905540000022
的高频发日期，n越大典型信号
Figure BDA0001684905540000032
发生的概率越小，由此预测N+1年典型信号
Figure BDA0001684905540000033
的频发情况；
所述最优设备故障预测方法包括以下步骤：
(2-1)选择电网运行设备典型信号，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ；
(2-2)处理线性数据，获取气象系统的线性数据，对线性数据进行分类；
(2-3)处理非线性数据，非线性数据用X1、X2、X3…表示；
(2-4)目前有N年的数据，其中N≥4，计算N年中各年a月b日信号
Figure BDA0001684905540000034
频发的概率及信号
Figure BDA0001684905540000035
不频发的概率；
(2-5)预测第N+1年a月b日典型告警信号
Figure BDA0001684905540000036
频发情况。
进一步地，在所述步骤(1-1)中，所述综合N年信号方法如下：
将N年某月某日的某典型信号日告警数量累加，具体为：
Figure BDA0001684905540000031
其中，
Figure BDA0001684905540000037
表示N年内典型告警信号
Figure BDA0001684905540000038
在m月d天的日告警数的总和，
Figure BDA0001684905540000039
表示yp年m月d日信号
Figure BDA00016849055400000310
的日告警数量。
进一步地，在所述步骤(1-2)中，计算某典型信号日告警数量占N年信号的置信度ρ的公式为：
Figure BDA0001684905540000041
其中，
Figure BDA0001684905540000043
表示
Figure BDA0001684905540000044
最大值。
进一步地，在所述步骤(2-1)中，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ的公式为：
Figure BDA0001684905540000042
其中，
Figure BDA0001684905540000045
表示a月b日信号
Figure BDA0001684905540000049
的日告警数量，
Figure BDA0001684905540000047
表示当年日告警数量的最大值。
进一步地，在所述步骤(2-2)中，对线性数据进行分类的具体方法如下：
信号y类别1：y＜v1；
信号y类别2：v1≤y＜v2；
Figure BDA0001684905540000048
信号y类别n：vn-1≤y≤vn
对不同的线性数值取不同的n值及分类区间。
进一步地，在所述步骤(2-4)中，计算N年中各年a月b日信号
Figure BDA00016849055400000410
频发的概率及信号
Figure BDA00016849055400000411
不频发的概率的公式具体如下：
Figure BDA0001684905540000051
Figure BDA0001684905540000052
计算N年中各年a月b日信号
Figure BDA00016849055400000511
频发时各线性数据出现的概率为：
Figure BDA0001684905540000053
Figure BDA0001684905540000054
Figure BDA0001684905540000055
计算N年中各年a月b日信号
Figure BDA00016849055400000512
不频发时各线性数据出现的概率为：
Figure BDA0001684905540000056
Figure BDA0001684905540000057
Figure BDA0001684905540000058
Figure BDA0001684905540000059
计算N年中各年a月b日信号
Figure BDA00016849055400000513
频发时各非线性数据出现的概率为：
Figure BDA00016849055400000510
计算N年中各年a月b日信号
Figure BDA00016849055400000514
不频发时各非线性数据出现的概率为：
Figure BDA0001684905540000061
进一步地，在所述步骤(2-5)中，计算线性信号在N年的均值，作为N+1年a月b日的估计值，从而得到线性信号的分类区间；
非线性信号值可根据N+1年的具体情况得到；
计算N+1年a月b日典型告警信号
Figure BDA0001684905540000064
是频发信号的概率的公式如下：
Figure BDA0001684905540000062
其中，
Figure BDA0001684905540000065
表示信号
Figure BDA0001684905540000066
频发的条件下，信号y1为类别i的条件概率，
Figure BDA0001684905540000067
表示信号
Figure BDA0001684905540000068
频发的条件下，X1是线性数据的条件概率；
计算出N+1年a月b日典型告警信号
Figure BDA0001684905540000069
不是频发信号的概率：
Figure BDA0001684905540000063
Figure BDA0001684905540000071
其中，
Figure BDA0001684905540000072
表示信号
Figure BDA0001684905540000073
不频发的条件下，信号y1为类别i的条件概率，
Figure BDA0001684905540000074
表示信号不频发的条件下，X1是线性数据的条件概率；
若
Figure BDA0001684905540000075
则预测N+1年a月b日典型告警信号
Figure BDA0001684905540000076
频发；
否则预测N+1年a月b日典型告警信号
Figure BDA0001684905540000077
不频发。
本发明的有益效果在于：
本发明基于电网运行大数据，根据数据量等级，分为次优设备故障预测方法和最优故障预测方法。本发明的有益效果在于：(1)当数据量不足时，即数据量不足N年(N<4)，使用次优设备故障预测方法。此方法解决了数据量不足带来的预测困难的难题，以较低的复杂度实现设备故障的粗预测，对电网运行有现实意义。(2)当数据量N较大，即N≥4时，使用最优故障预测方法，使用贝叶斯分类算法，实现对电网设备告警的预测。此方法综合多项电网运行因素，以较高的精确度预测电网设备故障信号发生情况，同时此方法采用改造的神经网络算法，以较低的复杂度实现对电网设备故障的预测，从而转变目前对设备的被动监控局面。
具体实施方式
下面结合具体实施例进一步阐明本发明，而这些实施例仅用于解释说明本发明，而不用于限制本发明的保护范围，本发明的保护范围仍以权利要求为准，本领域技术人员对本发明的各种等同形式的修改均属于本发明的保护范围。
基于贝叶斯分类的设备故障预测方法，所述方法包括次优设备故障预测方法和最有故障预测方法。所述次优设备故障预测方法包括以下步骤：
(1-1)选择电网运行设备典型信号，并综合N年(N<4)信号，根据N年信号预测N+1年的信号发生情况。综合信号方法如下，将N年某月某日的某典型信号日告警数量累加，具体如下：
Figure BDA0001684905540000081
其中，
Figure BDA0001684905540000083
表示N年内典型告警信号
Figure BDA0001684905540000084
在m月d天的日告警数的总和，
Figure BDA0001684905540000085
表示
Figure BDA0001684905540000086
年m月d日信号
Figure BDA0001684905540000087
的日告警数量。
(1-2)计算某典型信号日告警数量占N年信号的置信度ρ：
Figure BDA0001684905540000082
其中，
Figure BDA0001684905540000093
表示
Figure BDA0001684905540000094
最大值。
(1-3)取置信度ρ＞ε(其中ε＞9％)的日期为典型信号
Figure BDA0001684905540000095
的高频发日期，可视N+1年的m月d天的前后n天为典型信号
Figure BDA0001684905540000096
的高频发日期，n越大典型信号
Figure BDA0001684905540000097
发生的概率越小。由此可预测N+1年典型信号
Figure BDA0001684905540000098
的频发情况。
所述最优设备故障预测方法包括以下步骤：
(2-1)选择电网运行设备典型信号，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ：
Figure BDA0001684905540000091
其中，
Figure BDA0001684905540000099
表示a月b日信号
Figure BDA00016849055400000910
的日告警数量，
Figure BDA00016849055400000911
表示当年日告警数量的最大值。
(2-2)处理线性数据，获取气象系统等系统的线性数据，如设备所在地的温度、湿度以等数据，对线性数据进行分类，方法如下：
信号y类别1：y＜v1；
信号y类别2：v1≤y＜v2；
Figure BDA0001684905540000092
信号y类别n：vn-1≤y＜vn
对不同的线性数值去取不同的n值及分类区间。
(2-3)处理非线性数据，如是否为周末，是否为迎峰度夏/冬期，是否为法定节假日等。非线性数据用X1、X2、X3…表示。
(2-4)目前有N年(N≥4)的数据，计算N年中各年a月b日信号
Figure BDA0001684905540000107
频发的概率及信号
Figure BDA0001684905540000108
不频发的概率：
Figure BDA0001684905540000101
Figure BDA0001684905540000102
计算N年中各年a月b日信号
Figure BDA0001684905540000109
频发时各线性数据出现的概率即：
Figure BDA0001684905540000103
Figure BDA00016849055400001010
Figure BDA0001684905540000104
计算N年中各年a月b日信号
Figure BDA00016849055400001011
不频发时各线性数据出现的概率为：
Figure BDA0001684905540000105
Figure BDA0001684905540000106
Figure BDA0001684905540000111
Figure BDA0001684905540000112
Figure BDA0001684905540000113
计算N年中各年a月b日信号
Figure BDA0001684905540000117
频发时各非线性数据出现的概率即：
Figure BDA0001684905540000114
计算N年中各年a月b日信号
Figure BDA0001684905540000118
不频发时各非线性数据出现的概率即：
Figure BDA0001684905540000115
(2-5)的预测第N+1年a月b日典型告警信号
Figure BDA0001684905540000119
频发情况，N越大预测准确性越高。计算线性信号在N年的均值，作为N+1年a月b日的估计值，从而得到线性信号的分类区间。非线性信号值可根据N+1年的具体情况得到。根据步骤(2-4)的计算，计算出N+1年a月b日典型告警信号
Figure BDA00016849055400001110
是频发信号的概率：
Figure BDA0001684905540000116
其中，
Figure BDA0001684905540000122
表示信号
Figure BDA0001684905540000123
频发的条件下，信号y1为类别i的条件概率，
Figure BDA0001684905540000124
表示信号
Figure BDA0001684905540000125
频发的条件下，X1是线性数据的条件概率。
计算出N+1年a月b日典型告警信号
Figure BDA0001684905540000126
不是频发信号的概率：
Figure BDA0001684905540000121
其中，
Figure BDA0001684905540000127
表示信号
Figure BDA0001684905540000128
不频发的条件下，信号y1为类别i的条件概率，
Figure BDA0001684905540000129
表示信号不频发的条件下，X1是线性数据的条件概率；
若
Figure BDA00016849055400001210
则预测N+1年a月b日典型告警信号
Figure BDA00016849055400001212
频发；否则预测N+1年a月b日典型告警信号
Figure BDA00016849055400001211
不频发。
实施例1：
现以2015年6月1日及2016年6月1日SF6气压低告警信号为例，使用次优设备故障预测方法，来预测2017年6月1日SF6气压低告警信号频发情况。
2015年6月1日及2016年6月1日SF6气压低告警信号全网日告警数量为21次，2016年6月1日及2016年6月1日SF6气压低告警信号全网日告警数量为42次，则
Figure BDA0001684905540000131
经统计，
Figure BDA0001684905540000132
计算置信度
Figure BDA0001684905540000133
取n＝3，则预测2017年5月29-2017年6月4日为SF6气压低告警频发日期。
实施例2：
现以2012年、2013年、2014年、2015年、2016年6月1日SF6气压低告警信号为例，使用最优预测方法，预测2017年6月1日SF6气压低告警信号频发情况。线性信号为温度、湿度，非线性信号为是否为周末、是否为迎风度夏/冬期。
温度信号类别1：[-20℃,0℃)；
温度信号类别2：[0℃,30℃)；
温度信号类别3：[30℃,45℃]。
湿度信号类别1：[0％RH,30％RH)；
湿度信号类别2：[30％RH,80％RH)；
湿度信号类别3：[80％RH,100％RH]。
2012年6月1日SF6气压低告警信号日告警信号量为
Figure BDA0001684905540000134
2012年日告警信号量最大值为
Figure BDA0001684905540000135
置信度为ρ＝20/356＝5.6％，为不频发信号。温度＝25℃，温度信号类别2。湿度＝33％RH，湿度信号类别2。不为周末。为迎风度夏期。
2013年6月1日SF6气压低告警信号日告警信号量为
Figure BDA0001684905540000145
2013年日告警信号量最大值为
Figure BDA0001684905540000146
置信度为ρ＝76/278＝27.3％，为频发信号。温度＝28℃，温度信号类别2。湿度＝52％RH，湿度信号类别2。为周末。为迎风度夏期。
2014年6月1日SF6气压低告警信号日告警信号量为
Figure BDA0001684905540000147
2014年日告警信号量最大值为
Figure BDA0001684905540000148
置信度为ρ＝36/218＝16.5％，为频发信号。温度＝31℃，温度信号类别3。湿度＝57％RH，湿度信号类别2。为周末。不为迎风度夏期。
2015年6月1日SF6气压低告警信号日告警信号量为
Figure BDA0001684905540000141
2015年日告警信号量最大值为
Figure BDA0001684905540000142
置信度为ρ＝123/218＝56.9％，为频发信号。温度＝19℃，温度信号类别2。湿度＝57％RH，湿度信号类别2。不为周末。不为迎风度夏期。
2016年6月1日SF6气压低告警信号日告警信号量为
Figure BDA0001684905540000143
2016年日告警信号量最大值为
Figure BDA0001684905540000144
置信度为ρ＝79/298＝26.5％，为频发信号。温度＝23℃，温度信号类别2。湿度＝89％RH，湿度信号类别3。不为周末。为迎风度夏期。
综上，计算5年内SF6气压低告警信号为频发的概率：
P(SF6气压低告警频发)＝80％
5年内SF6气压低告警信号为不频发的概率：
P(SF6气压低告警频发)＝20％
计算信号频发且温度信号类别1的概率：
P(温度信号类别1/SF6气压低告警频发)＝0％
计算信号频发且温度信号类别2的概率：
P(温度信号类别2/SF6气压低告警频发)＝3/4＝75％
计算信号频发且温度信号类别3的概率：
P(温度信号类别3/SF6气压低告警频发)＝1/4＝25％
计算信号频发且湿度信号类别1的概率：
P(湿度信号类别1/SF6气压低告警频发)＝0％
计算信号频发且湿度信号类别2的概率：
P(湿度信号类别2/SF6气压低告警频发)＝3/4＝75％
计算信号频发且湿度信号类别3的概率：
P(湿度信号类别3/SF6气压低告警频发)＝1/4＝25％
计算信号频发且为周末的概率：
P(为周末/SF6气压低告警频发)＝2/4＝50％
计算信号频发且不为周末的概率：
P(不为周末/SF6气压低告警频发)＝2/4＝50％
计算信号频发且为迎风度夏期的概率：
P(为度夏期/SF6气压低告警频发)＝2/4＝50％
计算信号频发且不为迎风度夏期的概率：
P(不为度夏期/SF6气压低告警频发)＝2/4＝50％
计算信号不频发且温度信号类别1的概率：
P(温度信号类别1/SF6气压低告警频发)＝0％
计算信号不频发且温度信号类别2的概率：
P(温度信号类别2/SF6气压低告警频发)＝100％
计算信号不频发且温度信号类别3的概率：
P(温度信号类别3/SF6气压低告警频发)＝0％
计算信号不频发且湿度信号类别1的概率：
P(湿度信号类别1/SF6气压低告警频发)＝0％
计算信号不频发且湿度信号类别2的概率：
P(湿度信号类别2/SF6气压低告警频发)＝100％
计算信号不频发且湿度信号类别3的概率：
P(湿度信号类别3/SF6气压低告警频发)＝0％
计算信号不频发且为周末的概率：
P(为周末/SF6气压低告警频发)＝0％
计算信号不频发且不为周末的概率：
P(为周末/SF6气压低告警频发)＝100％
计算信号不频发且为迎风度夏期的概率：
P(为度夏期/SF6气压低告警频发)＝100％
计算信号不频发且不为迎风度夏期的概率：
P(为度夏期/SF6气压低告警频发)＝0％
计算5年的6月1日的平均温度和湿度，平均温度＝25.2，温度信号类别2，平均湿度＝57.6％RH，湿度信号类别2，不为周末，为迎风度夏期。
计算2017年6月1日SF6气压低告警频发的概率：
P(2017年6月1日SF6气压低告警为频发日期)＝80％*75％*75％*50％*50％＝0.1125
P(2017年6月1日SF6气压低告警不为频发日期)＝20％*0＝0
则
P(2017年6月1日SF6气压低告警为频发日期)＞
P(2017年6月1日SF6气压低告警不为频发日期)
即可预测2017年6月1日为SF6气压低告警频发日。

Claims (7)

1.基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：所述方法基于电网运行大数据，根据数据量等级分为次优设备故障预测方法和最优故障预测方法；
当数据量不足N年，其中N<4时，使用次优设备故障预测方法；
当数据量N较大，其中N≥4时，使用最优故障预测方法；
所述次优设备故障预测方法包括以下步骤：
(1-1)选择电网运行设备典型信号，并综合N年信号，其中N<4，根据N年信号预测N+1年的信号发生情况；
(1-2)计算某典型信号日告警数量占N年信号的置信度ρ；
(1-3)取置信度ρ＞ε的日期为典型信号
Figure FDA0003007245120000011
的高频发日期，其中ε＞9％，视N+1年的m月d天的前后n天为典型信号
Figure FDA0003007245120000012
的高频发日期，n越大典型信号
Figure FDA0003007245120000013
发生的概率越小，由此预测N+1年典型信号
Figure FDA0003007245120000014
的频发情况；
所述最优设备故障预测方法包括以下步骤：
(2-1)选择电网运行设备典型信号，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ；
(2-2)处理线性数据，获取气象系统的线性数据，对线性数据进行分类；
(2-3)处理非线性数据，非线性数据用P1、P2、P3…表示；
(2-4)目前有N年的数据，其中N≥4，计算N年中各年a月b日信号
Figure FDA0003007245120000021
频发的概率及典型告警信号
Figure FDA0003007245120000022
不频发的概率；
(2-5)预测第N+1年a月b日典型告警信号
Figure FDA0003007245120000023
频发情况。
2.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(1-1)中，所述综合N年信号方法如下：
将N年某月某日的某典型信号日告警数量累加，具体为：
Figure FDA0003007245120000024
其中，
Figure FDA0003007245120000025
表示N年内典型告警信号
Figure FDA0003007245120000026
在m月d天的日告警数的总和，
Figure FDA0003007245120000027
表示yp年m月d日典型告警信号
Figure FDA0003007245120000028
的日告警数量。
3.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(1-2)中，计算某典型信号日告警数量占N年信号的置信度ρ的公式为：
Figure FDA0003007245120000029
其中，
Figure FDA00030072451200000210
表示
Figure FDA00030072451200000211
最大值。
4.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(2-1)中，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ的公式为：
Figure FDA0003007245120000031
其中，
Figure FDA0003007245120000032
表示a月b日典型告警信号
Figure FDA0003007245120000033
的日告警数量，
Figure FDA0003007245120000034
表示当年日告警数量的最大值。
5.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(2-2)中，对线性数据进行分类的具体方法如下：
信号y类别1：y＜v1；
信号y类别2：v1≤y＜v2；
Figure FDA0003007245120000035
信号y类别n：vn-1≤y＜vn
对不同的线性数值取不同的n值及分类区间。
6.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(2-4)中，计算N年中各年a月b日典型告警信号
Figure FDA0003007245120000036
频发的概率及典型告警信号
Figure FDA0003007245120000037
不频发的概率的公式具体如下：
Figure FDA0003007245120000038
Figure FDA0003007245120000041
计算N年中各年a月b日典型告警信号
Figure FDA0003007245120000042
频发时各线性数据出现的概率为：
Figure FDA0003007245120000043
Figure FDA0003007245120000044
Figure FDA0003007245120000045
Figure FDA0003007245120000046
计算N年中各年a月b日典型告警信号
Figure FDA0003007245120000047
不频发时各线性数据出现的概率为：
Figure FDA0003007245120000048
Figure FDA0003007245120000049
Figure FDA00030072451200000410
Figure FDA00030072451200000411
计算N年中各年a月b日典型告警信号
Figure FDA00030072451200000412
频发时各非线性数据出现的概率为：
Figure FDA00030072451200000413
计算N年中各年a月b日典型告警信号
Figure FDA00030072451200000414
不频发时各非线性数据出现的概率为：
Figure FDA0003007245120000051
7.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(2-5)中，计算线性信号在N年的均值，作为N+1年a月b日的估计值，从而得到线性信号的分类区间；
非线性信号值可根据N+1年的具体情况得到；
计算N+1年a月b日典型告警信号
Figure FDA0003007245120000052
是频发信号的概率的公式如下：
Figure FDA0003007245120000053
其中，
Figure FDA0003007245120000054
表示信号
Figure FDA0003007245120000055
频发的条件下，信号y1为类别i的条件概率，
Figure FDA0003007245120000056
表示信号
Figure FDA0003007245120000057
频发的条件下，X1是线性数据的条件概率；
计算出N+1年a月b日典型告警信号
Figure FDA0003007245120000058
不是频发信号的概率：
Figure FDA0003007245120000059
Figure FDA0003007245120000061
其中，
Figure FDA0003007245120000062
表示信号
Figure FDA0003007245120000063
不频发的条件下，信号y1为类别i的条件概率，
Figure FDA0003007245120000064
表示信号不频发的条件下，X1是线性数据的条件概率；
若
Figure FDA0003007245120000065
则预测N+1年a月b日典型告警信号
Figure FDA0003007245120000066
频发；
否则预测N+1年a月b日典型告警信号
Figure FDA0003007245120000067
不频发。
CN201810567469.1A 2018-06-05 2018-06-05 基于贝叶斯分类的设备故障信号频发预测方法 Active CN109032107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810567469.1A CN109032107B (zh) 2018-06-05 2018-06-05 基于贝叶斯分类的设备故障信号频发预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810567469.1A CN109032107B (zh) 2018-06-05 2018-06-05 基于贝叶斯分类的设备故障信号频发预测方法

Publications (2)

Publication Number Publication Date
CN109032107A CN109032107A (zh) 2018-12-18
CN109032107B true CN109032107B (zh) 2021-07-20

Family

ID=64612174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810567469.1A Active CN109032107B (zh) 2018-06-05 2018-06-05 基于贝叶斯分类的设备故障信号频发预测方法

Country Status (1)

Country Link
CN (1) CN109032107B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751182A (zh) * 2015-04-02 2015-07-01 中国人民解放军空军工程大学 基于ddag的svm多类分类主动学习算法
CN105700518A (zh) * 2016-03-10 2016-06-22 华中科技大学 一种工业过程故障诊断方法
CN106054858A (zh) * 2016-05-27 2016-10-26 大连楼兰科技股份有限公司 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法
CN106843195A (zh) * 2017-01-25 2017-06-13 浙江大学 基于自适应集成半监督费舍尔判别的故障分类方法
CN107884663A (zh) * 2017-10-27 2018-04-06 国网天津市电力公司电力科学研究院 一种基于组合核相关向量机的变压器故障诊断方法
CN108051660A (zh) * 2017-10-31 2018-05-18 华北电力大学（保定） 一种变压器故障组合诊断模型建立方法及诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7433432B2 (en) * 2004-12-31 2008-10-07 Broadcom Corporation Adaptive detector for multiple-data-path systems
US8024610B2 (en) * 2007-05-24 2011-09-20 Palo Alto Research Center Incorporated Diagnosing intermittent faults
WO2009103156A1 (en) * 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response
US9002729B2 (en) * 2008-10-21 2015-04-07 Accenture Global Services Limited System and method for determining sets of online advertisement treatments using confidences
US20180149014A1 (en) * 2016-11-30 2018-05-31 Francis Chad Hanak Process to analyze mwd surveys from different bha runs in the same wellbore

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751182A (zh) * 2015-04-02 2015-07-01 中国人民解放军空军工程大学 基于ddag的svm多类分类主动学习算法
CN105700518A (zh) * 2016-03-10 2016-06-22 华中科技大学 一种工业过程故障诊断方法
CN106054858A (zh) * 2016-05-27 2016-10-26 大连楼兰科技股份有限公司 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法
CN106843195A (zh) * 2017-01-25 2017-06-13 浙江大学 基于自适应集成半监督费舍尔判别的故障分类方法
CN107884663A (zh) * 2017-10-27 2018-04-06 国网天津市电力公司电力科学研究院 一种基于组合核相关向量机的变压器故障诊断方法
CN108051660A (zh) * 2017-10-31 2018-05-18 华北电力大学（保定） 一种变压器故障组合诊断模型建立方法及诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯和层次模型的传感器网络节点 故障预测研究;何永强等;《河南工程学院学报(自然科学版)》;20151231;全文 *
基于贝叶斯网络的过程报警事件预测方法;杨程;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150831;全文 *

Also Published As

Publication number Publication date
CN109032107A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN110763929A (zh) 一种换流站设备智能监测预警系统及方法
CN107453485B (zh) 一种调度运行信息巡检方法及系统
CN111488896B (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN103856339A (zh) 一种对告警信息进行压缩的方法和设备
CN108680798B (zh) 雷电监测预警方法及系统
CN112611936A (zh) 一种基于边缘计算的配网变压器故障动态检测与分类系统
CN111259334A (zh) 一种工业企业大用户用水异常监测预警方法
CN110954782B (zh) 基于密度峰值聚类的配网瞬时性故障识别方法及系统
CN105279612A (zh) 一种基于泊松分布的输电线路跳闸风险评估方法
CN115314406A (zh) 一种基于图像分析的输电线路的智能缺陷检测方法
CN114442198A (zh) 一种基于加权算法的森林火险气象等级预报方法
CN111983939B (zh) 一种基于云平台的监测数据通用采集存储系统及方法
CN117014646A (zh) 一种基于人工智能的车载视频传输监管系统
CN116846085A (zh) 一种自感知监测智能化配电箱控制系统
CN116839656A (zh) 一种用于工业互联网的工业现场监测系统及检测方法
CN109032107B (zh) 基于贝叶斯分类的设备故障信号频发预测方法
CN113037721B (zh) 基于大数据的电力监控系统的网络安全态势感知预警系统
CN111063173A (zh) 面向水电行业的分布式光字报警系统及方法
CN110348517B (zh) 一种基于大数据的清洁能源供暖系统报警分类预测方法
CN106296453A (zh) 一种电力跳闸统计方法
CN103268353B (zh) 电网报警自动响应系统及电网报警自动响应方法
CN112949515B (zh) 一种基于监控信息的线路山火预警方法及系统
CN115619098A (zh) 一种基于分级监控预警的智能电力物资数据处理方法
CN115375185A (zh) 一种基于大数据的玻璃生成加工环境监管系统
CN111313355B (zh) 一种人工监督下的监控信号事件规则更新的方法

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