CN109697455A - 配网开关设备的故障诊断方法及装置 - Google Patents
配网开关设备的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN109697455A CN109697455A CN201811355458.3A CN201811355458A CN109697455A CN 109697455 A CN109697455 A CN 109697455A CN 201811355458 A CN201811355458 A CN 201811355458A CN 109697455 A CN109697455 A CN 109697455A
- Authority
- CN
- China
- Prior art keywords
- topology
- bayesian network
- historical diagnostic
- distribution switchgear
- fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007547 defect Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 230000007812 deficiency Effects 0.000 claims abstract description 15
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 13
- 238000009412 basement excavation Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 229910018503 SF6 Inorganic materials 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供一种配网开关设备的故障诊断方法及装置，其中方法包括：根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型；对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成；根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果。本发明实施例克服专家主管经验的不确定性，将诊断结果精确到设备零件，同时可最大程度地降低人工经验的依赖性。
Description
技术领域
本发明实施例涉及配网设备智能运维技术领域，更具体地，涉及配网开关设备的故障诊断方法及装置。
背景技术
传统的利用贝叶斯网络进行故障的诊断方法中，贝叶斯网络拓扑的建立都基于故障事件，而忽略了设备本身的物理结构对于故障诊断的影响。针对这个不足，目前已有一些文献对基于设备物理结构的故障树—贝叶斯网络的转化进行了研究。但在故障树未能考虑到的一些侧向联系上，更多依靠工程人员的经验，看法过于主观，不够全面。
在需要对配网开关设备进行到货抽检时，原有的监测方法十分依靠人工经验，在得知设备某项功能无法实现的情况下，依据检测指导书对设备进行逐项人工检测，往往需要很长的工作时间积累的经验，才能较好地应对设备复杂条件下的各类故障。此检测方法主要的弊端还体现在，诊断效率低，诊断结果常为经验项，难以有揭露深层次故障缺陷成因等知识的启发。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的配网开关设备的故障诊断方法及装置。
第一个方面，本发明实施例提供一种配网开关设备的故障诊断方法，包括：
根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型；
对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成；
根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果。
第二个方面，本发明实施例提供一种配网开关设备的故障诊断装置，包括：
故障树模型构建模块，用于根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型；
拓扑构建模块，用于对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成；
诊断模块，用于根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的配网开关设备的故障诊断方法及装置，考虑配网开关设备对故障诊断的影响，构建故障树，将故障树与关联规则挖掘相结合，克服专家主管经验的不确定性，将诊断结果精确到设备零件，同时可最大程度地降低人工经验的依赖性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的配网开关设备的故障诊断方法的流程示意图；
图2为本发明实施例提供的故障树的示意图；
图3为本发明实施例的贝叶斯网络的拓扑示意图；
图4为本发明实施例提供的配网开关设备的故障诊断装置的结构示意图；
图5为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了克服现有技术的上述问题，本发明实施例提供了一种配网开关设备的故障诊断方法，其发明构思为：考虑配网开关设备对故障诊断的影响，构建故障树，将故障树与关联规则挖掘相结合，克服专家主管经验的不确定性，将诊断结果精确到设备零件，同时可最大程度地降低人工经验的依赖性。
图1为本发明实施例提供的配网开关设备的故障诊断方法的流程示意图，如图1所示，包括：
S100、根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型。
基于贝叶斯网络的开关柜故障诊断方法，关键在于如何确定网络的拓扑。本发明实施例根据配网开关设备的物理结构以及工程经验下常见故障的发生位置，建立故障树模型。故障树模型是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系。逻辑门的输入事件是输出事件的"因"，逻辑门的输出事件是输入事件的"果"。图2为本发明实施例提供的故障树的示意图。如图2所示，故障树的根节点为环网柜，环网柜的下一级节点包括母线室、负荷开关室以及电缆室，以母线室为例，下一级节点由包括静触头和母线，静触头的下一级为故障树的事件，对应的为过热。在故障树中，每一条分支底层的节点表示缺陷，除底层之外的节点表示从配网开关设备物理结构不同层级的设备元件。
S101、对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成。
在机器学习领域，规则意味着具有明确语义、能够描述数据分布所隐含的客观规律和概念，可以写成“若A成立，则B成立”的形式的逻辑规则。在本发明实施例中，关联规则挖掘就是要从输入的历史诊断数据中，寻找满足最小支持度与置信度的规则集合。
对于含有n个变量的贝叶斯网络，其可能的拓扑有种，因此通过枚举的办法找到最优的网络拓扑是NP hard问题，应该引入一些如下两个先验假设以便缩小搜索范围。
假设一：空间上有直接连接关系的两个设备部件，其缺陷也将存在相关关系；
假设二：在历史故障数据中频繁同时出现的设备缺陷，在概率分布上也存在相关关系.
下面分析以上两个假设的合理性。对于假设一，以图2所示实施例为例，母排和静触头是母线室中相连的两个部件，当静触头由于锈蚀等原因产生接触电阻时，通过电流时将发热引起母线室温度升高，从而诱发母排绝缘老化。对于假设二，发明人通过统计发现，环网柜的辅助开关卡涩往往伴随着箱体螺栓松动，实际上螺栓松动意味着箱体密闭不良，雨雪天气下积水容易渗入开关室内部，诱发辅助开关锈蚀从而导致开关卡涩。虽然辅助开关与箱体并不直接相连，但显然螺栓松动是引发开关卡涩的主导缺陷。
在本发明实施例中，关联规则为表达为如下形式的语句：
f1∧f2∧…∧fk→Θ
式中f1,f2,…,fk为规则体，通常为[属性A＝值a]或[属性A>值a]的形式，将属性空间划分为有限个子区间；Θ为规则头，表现了在上述规则体的前提下，目标属性的取值，例如在规则“箱体内湿度>额定值∧箱体密封不严→箱体内SF6泄漏”中，“箱体内湿度>额定值∧母排插口对箱体放电闪络”为规则体，“箱体内SF6泄漏”为规则头。其中，湿度超标和箱体密封不严是缺陷，六氟化硫泄漏是故障；这里结构和位置的信息是用来构造这个贝叶斯网络的拓扑，指定了网络拓扑中有哪些节点，以及哪些节点之间会连起来(即，故障树指定了网络中有哪些节点，节点之间的连接线也指定了贝叶斯网络中的一部分边；而关联规则的作用，是每一条关联规则都作为一条新的边添加进这个树状的结构中，从而形成一张网的形状，这张网就是贝叶斯网络的拓扑结构)。
图3为本发明实施例的贝叶斯网络的拓扑示意图。如图3所示，静触头的缺陷：过热与母线的缺陷：局部放电构成一个关联规则添加在了故障树中，同理，接头的连续异常与辅助开关闪络构成一个关联规则。
S102、根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果
贝叶斯网络的拓扑包含三种要素：节点、边以及条件概率表，下面通过三个步骤分别决定：
1、贝叶斯网络节点集合的决定：
以设备的故障树中的节点作为网络的节点，如图2所示。相应的，网络中就有两类节点，分别为代表故障发生位置的节点(如“接头”、“储能机构”等)以及代表缺陷类型的节点(如“局部放电”、“过热”等)。
2、贝叶斯网络边的决定
贝叶斯网络的边有两种来源：一种来源于故障树的连边，表示部件的连接关系(如负荷开关室--接头)或者部件与缺陷的从属关系(如储能机构—老化，代表发生在储能机构中的老化缺陷)；另一种来源于关联规则挖掘，如图3所示，图3中所加上的代表关联规则的边，不一定具有可解释的物理意义，只是代表一种统计的规律——如果缺陷A与缺陷B在统计中频繁同时出现，而且满足一定的支持度与置信度阈值，那么本发明实施例就认为它们在统计上相关，因而可以作为新的连接边添加到网络的边集合中。
3、贝叶斯网络参数的确定
贝叶斯网络是一种典型的概率图模型，因此在确定了网络的节点集合和边集合之后，还要确定各条边所代表的条件概率表(我们称之为网络的参数)。如图3中所示，边：储能机构—老化，代表的条件概率表为P(缺陷类型为老化|故障部位为储能机构)，网络参数的确定方法已经有现成的通用做法，在本发明实施例中不再赘述。对于本发明实施例所面对的设备缺陷诊断问题，通常采用人工经验+数理统计两者结合的方式确定网络参数。人工经验适用于数据不足的情况，例如，在节点边：保护机构—老化与保护机构—电源损坏中，既可以通过人工经验给出条件于保护机构发生故障(误动、拒动)，有多大概率是因为机构老化引发的，多大概率是电源损坏引发的。如果历史数据充足，则可以直接通过历史数据计算上述的条件概率。
在贝叶斯网络的拓扑和参数确定以后，设备故障诊断是一种典型的贝叶斯分类问题：给定诊断证据E＝{e1,e2,…,eh}，贝叶斯网络拓扑GB以及贝叶斯网络的参数ΘB，求解最大似然的设备缺陷yd。显然，一种可行的求解方法是枚举该设备的每种潜在缺陷yi∈Ndefect，选择条件概率最大的缺作为诊断结果，设备故障诊断是一种典型的贝叶斯推断问题。在介绍具体的诊断算法之前，不妨将贝叶斯网络中的节点分为三类：N＝{Nfault,Ndefect,Nlink}，其中Nfault为可观测的故障表征集合，可以用来作为缺陷诊断的证据；Ndefect为设备缺陷，也即缺陷诊断的候选结果集；Nlink为网络中表征空间连接关系的节点，对应着具体的设备部件如保护机构、电缆室等。因此，设备故障诊断可以建模为给定贝叶斯网络拓扑G、参数θ的条件下，根据观测的故障表征求出最大似然的设备缺陷yd。
在上述各实施例的基础上，根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型，具体为：
建立以树的形式反应所述配网开关设备的各元件间的空间连接关系的设备物理模型，记物理模型的节点和边分别为Nphysic和Lphysic；
记所述历史诊断记录中的所有故障的集合为Nfault＝{f1,f2,…,fk}，发生故障的部件的集合为Ncomponent＝{c1,c2,…,ck}，建立设备故障与故障部件的连接边集合创建故障树模型为G0(N,L0)，其中，N＝Nphysic∪Nfault，L0＝Lphysic∪Llink。
经典的关联规则挖掘算法包括基于频繁集发现的Apriori算法、基于Hash技术的DHP算法、基于随机抽样的Sampling算法等，但这些算法均包含着多趟搜索的过程，产生了大量的候选频繁集项，计算量较大。本发明实施例根据FP-growth算法对所述历史诊断记录进行关联规则的挖掘。该算法采用频繁模式增长的方式，无需遍历大量候选项，大幅提升了计算效率。本文将采用该算法进行关联规则的挖掘。
本发明实施例的FP-growth算法包括以下步骤：
遍历训练数据集，计算各个元素(元素可以是缺陷，也可以是可观测故障表征，只要是能够用来构成规则的都可以称为规则的元素)出现次数，筛选出符合最小支持度的1-频繁集，过滤掉非频繁元素，以支持度降序重排数据集，并依次构建FP树，for each元素项集I in FP树，在FP树中查找以I结尾的路径P，for each元素组合M in路径P，若元素组合M的支持度大于最小支持度且元素组合M的置信度大于最小置信度，则输出规则M，以M为根节点构建FP树，递归查找关联规则。
在上述各实施例的基础上，作为一种可选实施例，将FP-growth算法输出的所有二元频繁项集合记为L1＝{(N'from,N′to)|N'from,N′to∈N}，令L＝L0∪L1，则贝叶斯网络的拓扑为GB＝(N,L)。
在所建贝叶斯网络中，如果添加边使其成为一个全连接网络，则理论上可以学习任何一种概率依赖关系，但实际训练会因为参数过多而导致训练效率低下，并陷入严重的过拟合中。因此，设计合理的剪枝策略，将模型复杂度保持在合理范围内，对提升分类模型的泛化能力与稳定性有着关键意义。因此，根据所述历史诊断记录训练所述拓扑的步骤，之前还包括对所述贝叶斯网络的拓扑进行剪枝，具体为：
使用所述历史诊断记录训练所述拓扑，计算训练后的拓扑的交叉熵与模型正则项的评分指标，作为初始分值，将所述拓扑的所有边标记为未访问；
随机从所述拓扑中移除一条未访问边，获得新的拓扑，以所述历史诊断记录训练所述新的拓扑，计算所述新的拓扑的交叉熵与模型正则项的评分指标，作为参考分值；
若所述参考分值大于所述初始分值，则将所述参考分值作为新的初始分值，并继续从所述拓扑中移除一条未访问边，直至新的拓扑的交叉熵与模型正则项的评分指标不大于初始分值时结束剪枝。若参考分值小于初始分值，则将移除的未访问边加回拓扑，并标记为已访问。
在上述各实施例的基础上，作为一种可选实施例，基于经典的K2算法，提出一种基于交叉熵与模型正则项的网络评分指标：
其中，N为数据样本数量，GB为贝叶斯网络的拓扑，|GB|为贝叶斯网络参数个数，DT为从历史诊断记录D中选择的训练集，用于表征贝叶斯网络的结构复杂性，LL(GB|D)为交叉熵。
为便于验证贝叶斯网络的泛化能力，将设备的历史诊断数据D先随机抽取两万条记录作为测试集DV，再在余下的数据中随机抽取两万条记录作为网络的训练集DT的计算交叉熵，衡量模型分类效果与训练数据的贴合程度：
因此，在该评分指标下，最优的模型应该是在最少的参数个数下实现最高的分类精度。
根据所述历史诊断记录训练所述拓扑，具体为：
通过以下公式将贝叶斯网络的参数估计问题规范为优化问题：
设置学习率η以及初始参数通过梯度下降法求解以下关于参数的公式：
其中，ΘB为贝叶斯网络的条件概率，P为概率，为第k次迭代时，条件和节点j的值给定的情况下节点i对应的条件概率表，ni为条件概率ΘB关联的节点，πi为节点ni的父节点集，d为训练集中的样本。学习率η通常设为(0,1)之间的一个小常数，经过数次迭代，网络参数将会收敛到关于训练数据的后验最大似然(MLE)。
图4为本发明实施例提供的配网开关设备的故障诊断装置的结构示意图，如图4所示，该故障诊断装置包括：故障树模型构建模块401、拓扑构建模块402和诊断模块403，其中：
故障树模型构建模块401用于根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型。
具体地，本发明实施例的故障树模型构建模块根据配网开关设备的物理结构以及工程经验下常见故障的发生位置，建立故障树模型。故障树模型是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系。逻辑门的输入事件是输出事件的"因"，逻辑门的输出事件是输入事件的"果"。图2为本发明实施例提供的故障树的示意图。如图2所示，故障树的根节点为环网柜，环网柜的下一级节点包括母线室、负荷开关室以及电缆室，以母线室为例，下一级节点由包括静触头和母线，静触头的下一级为故障树的事件，对应的为过热。在故障树中，每一条分支底层的节点表示缺陷，除底层之外的节点表示从配网开关设备物理结构不同层级的设备元件。
拓扑构建模块402用于对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成。
具体地，故障树指定了网络中有哪些节点，节点之间的连接线也指定了贝叶斯网络中的一部分边；而关联规则的作用，是每一条关联规则都作为一条新的边添加进这个树状的结构中，从而形成一张网的形状，这张网就是贝叶斯网络的拓扑结构。
诊断模块403用于根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果。
本发明实施例提供的故障诊断装置，具体执行上述各故障诊断方法实施例流程，具体请详见上述各故障诊断方法实施例的内容，在此不再赘述。本发明实施例提供的故障诊断装置考虑配网开关设备对故障诊断的影响，构建故障树，将故障树与关联规则挖掘相结合，克服专家主管经验的不确定性，将诊断结果精确到设备零件，同时可最大程度地降低人工经验的依赖性。
图5为本发明实施例提供的电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储在存储器530上并可在处理器510上运行的计算机程序，以执行上述各实施例提供的故障诊断方法，例如包括：根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型；对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成；根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的故障诊断方法，例如包括：根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型；对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成；根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配网开关设备的故障诊断方法，其特征在于，包括：
根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型；
对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成；
根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果。
2.根据权利要求1所述的故障诊断方法，其特征在于，根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型，具体为：
建立以树的形式反应所述配网开关设备的各元件间的空间连接关系的设备物理模型，记物理模型的节点和边分别为Nphysic和Lphysic；
记所述历史诊断记录中的所有故障的集合为Nfault＝{f1,f2,…,fk}，发生故障的部件的集合为Ncomponent＝{c1,c2,…,ck}，建立设备故障与故障部件的连接边集合创建故障树模型为G0(N,L0)，其中，N＝Nphysic∪Nfault，L0＝Lphysic∪Llink。
3.根据权利要求2所述的故障诊断方法，其特征在于，所述对配网开关设备的历史诊断记录进行关联规则挖掘，具体为根据FP-growth算法对所述历史诊断记录进行关联规则的挖掘。
4.根据权利要求3所述的故障诊断方法，其特征在于，将FP-growth算法输出的所有二元频繁项集合记为L1＝{(N'from,N′to)|N'from,N′to∈N}，令L＝L0∪L1，则贝叶斯网络的拓扑为GB＝(N,L)。
5.根据权利要求1所述的故障诊断方法，其特征在于，所述根据所述历史诊断记录训练所述拓扑的步骤，之前还包括对所述贝叶斯网络的拓扑进行剪枝，具体为：
使用所述历史诊断记录训练所述拓扑，计算训练后的拓扑的交叉熵与模型正则项的评分指标，作为初始分值，将所述拓扑的所有边标记为未访问；
随机从所述拓扑中移除一条未访问边，获得新的拓扑，以所述历史诊断记录训练所述新的拓扑，计算所述新的拓扑的交叉熵与模型正则项的评分指标，作为参考分值；
若所述参考分值大于所述初始分值，则将所述参考分值作为新的初始分值，并继续从所述拓扑中移除一条未访问边，直至新的拓扑的交叉熵与模型正则项的评分指标不大于初始分值时结束剪枝。
6.根据权利要求5所述的故障诊断方法，其特征在于，具体通过以下公式计算训练后的拓扑的交叉熵与模型正则项的评分指标：
其中，N为数据样本数量，GB为贝叶斯网络的拓扑，|GB|为贝叶斯网络参数个数，DT为从历史诊断记录D中选择的训练集，用于表征贝叶斯网络的结构复杂性，LL(GB|D)为交叉熵。
7.根据权利要求1所述的故障诊断方法，其特征在于，所述根据所述历史诊断记录训练所述拓扑，具体为：
通过以下公式将贝叶斯网络的参数估计问题规范为优化问题：
设置学习率η以及初始参数通过梯度下降法求解以下关于参数的公式：
其中，ΘB为贝叶斯网络的条件概率，P为概率，为第k次迭代时，条件和节点j的值给定的情况下节点i对应的条件概率表，ni为条件概率ΘB关联的节点，πi为节点ni的父节点集，d为训练集中的样本。
8.一种配网开关设备的故障诊断装置，其特征在于，包括：
故障树模型构建模块，用于根据配网开关设备的物理结构以及历史诊断记录，建立故障树模型；
拓扑构建模块，用于对配网开关设备的历史诊断记录进行关联规则的挖掘，将挖掘出的关联规则作为侧向联系添加至所述故障树中，获得贝叶斯网络的拓扑；其中，所述关联规则由若干个满足最小支持度与置信度的缺陷组成；
诊断模块，用于根据所述历史诊断记录训练所述拓扑，获得确定参数的贝叶斯网络，根据所述贝叶斯网络求解最大似然的设备缺陷，将条件概率最大的缺陷作为故障诊断结果。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7中任意一项所述的故障诊断方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7中任意一项所述的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811355458.3A CN109697455B (zh) | 2018-11-14 | 2018-11-14 | 配网开关设备的故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811355458.3A CN109697455B (zh) | 2018-11-14 | 2018-11-14 | 配网开关设备的故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109697455A true CN109697455A (zh) | 2019-04-30 |
| CN109697455B CN109697455B (zh) | 2020-08-04 |
Family
ID=66229853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811355458.3A Active CN109697455B (zh) | 2018-11-14 | 2018-11-14 | 配网开关设备的故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109697455B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110968061A (zh) * | 2019-12-06 | 2020-04-07 | 珠海格力电器股份有限公司 | 设备故障的预警方法、装置、存储介质和计算机设备 |
| CN111027116A (zh) * | 2019-10-31 | 2020-04-17 | 万翼科技有限公司 | 建筑物运维管理方法、装置、计算机设备和存储介质 |
| CN111626792A (zh) * | 2020-06-01 | 2020-09-04 | 长沙理工大学 | 一种对配网内综合能源源荷储精准画像技术 |
| CN111932394A (zh) * | 2020-08-10 | 2020-11-13 | 成都数之联科技有限公司 | 一种基于关联规则挖掘的不良根因路径分析方法及系统 |
| CN112463853A (zh) * | 2020-11-27 | 2021-03-09 | 重庆医药高等专科学校 | 通过云平台进行财务数据行为筛选工作方法 |
| CN112906729A (zh) * | 2019-12-04 | 2021-06-04 | 西安西电高压开关有限责任公司 | 一种开关设备的故障分布确定方法、装置及系统 |
| CN116055240A (zh) * | 2023-01-12 | 2023-05-02 | 广州控立得智能科技有限公司 | 一种基于蓝牙广播的家居设备的智能管理方法及系统 |
| CN118569507A (zh) * | 2024-07-31 | 2024-08-30 | 国网信通亿力科技有限责任公司 | 一种基于量测数据的配网设备诊断分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020436A (zh) * | 2012-11-30 | 2013-04-03 | 工业和信息化部电子第五研究所 | 元器件失效归零分析方法与系统 |
| CN104376365A (zh) * | 2014-11-28 | 2015-02-25 | 国家电网公司 | 一种基于关联规则挖掘的信息系统运行规则库的构造方法 |
| CN105069317A (zh) * | 2015-09-04 | 2015-11-18 | 辽宁工程技术大学 | 一种两态故障树的结构化表示方法 |
| CN106200615A (zh) * | 2016-07-15 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种基于关联关系的轨道交通智能预警系统及实现方法 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
-
2018
- 2018-11-14 CN CN201811355458.3A patent/CN109697455B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020436A (zh) * | 2012-11-30 | 2013-04-03 | 工业和信息化部电子第五研究所 | 元器件失效归零分析方法与系统 |
| CN104376365A (zh) * | 2014-11-28 | 2015-02-25 | 国家电网公司 | 一种基于关联规则挖掘的信息系统运行规则库的构造方法 |
| CN105069317A (zh) * | 2015-09-04 | 2015-11-18 | 辽宁工程技术大学 | 一种两态故障树的结构化表示方法 |
| CN106200615A (zh) * | 2016-07-15 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种基于关联关系的轨道交通智能预警系统及实现方法 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027116A (zh) * | 2019-10-31 | 2020-04-17 | 万翼科技有限公司 | 建筑物运维管理方法、装置、计算机设备和存储介质 |
| CN112906729A (zh) * | 2019-12-04 | 2021-06-04 | 西安西电高压开关有限责任公司 | 一种开关设备的故障分布确定方法、装置及系统 |
| CN112906729B (zh) * | 2019-12-04 | 2024-01-26 | 西安西电高压开关有限责任公司 | 一种开关设备的故障分布确定方法、装置及系统 |
| CN110968061A (zh) * | 2019-12-06 | 2020-04-07 | 珠海格力电器股份有限公司 | 设备故障的预警方法、装置、存储介质和计算机设备 |
| CN110968061B (zh) * | 2019-12-06 | 2021-02-26 | 珠海格力电器股份有限公司 | 设备故障的预警方法、装置、存储介质和计算机设备 |
| CN111626792A (zh) * | 2020-06-01 | 2020-09-04 | 长沙理工大学 | 一种对配网内综合能源源荷储精准画像技术 |
| CN111932394A (zh) * | 2020-08-10 | 2020-11-13 | 成都数之联科技有限公司 | 一种基于关联规则挖掘的不良根因路径分析方法及系统 |
| CN111932394B (zh) * | 2020-08-10 | 2023-10-31 | 成都数之联科技股份有限公司 | 一种基于关联规则挖掘的不良根因路径分析方法及系统 |
| CN112463853A (zh) * | 2020-11-27 | 2021-03-09 | 重庆医药高等专科学校 | 通过云平台进行财务数据行为筛选工作方法 |
| CN112463853B (zh) * | 2020-11-27 | 2022-06-17 | 重庆医药高等专科学校 | 通过云平台进行财务数据行为筛选工作方法 |
| CN116055240A (zh) * | 2023-01-12 | 2023-05-02 | 广州控立得智能科技有限公司 | 一种基于蓝牙广播的家居设备的智能管理方法及系统 |
| CN118569507A (zh) * | 2024-07-31 | 2024-08-30 | 国网信通亿力科技有限责任公司 | 一种基于量测数据的配网设备诊断分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109697455B (zh) | 2020-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697455A (zh) | 配网开关设备的故障诊断方法及装置 | |
| Zhang et al. | Time series anomaly detection for smart grids: A survey | |
| Di Giorgio et al. | A Bayesian network-based approach to the critical infrastructure interdependencies analysis | |
| CN106603293A (zh) | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 | |
| US8918345B2 (en) | Network analysis system | |
| CN109388678B (zh) | 使用异构源进行电梯状况监测 | |
| US11656589B2 (en) | Systems and methods for automatic power topology discovery | |
| CN112217674A (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
| Zahraoui et al. | Self‐healing strategy to enhance microgrid resilience during faults occurrence | |
| CN114138982A (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
| Khatavkar et al. | Optimization-simulation model for real-time pump and valve operation of water distribution systems under critical conditions | |
| CN110334208A (zh) | 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 | |
| CN117974166B (zh) | 一种用电信息采集全链路异常监测及因果溯源方法及系统 | |
| WO2023240280A1 (en) | Systems and methods for anomaly detection | |
| CN117611135A (zh) | 一种可视化设备运维管控方法及系统 | |
| CN117078123A (zh) | 一种电-气综合能源系统可用输电能力计算方法及系统 | |
| CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
| CN111144572B (zh) | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 | |
| Grebenyuk et al. | Technological infrastructure management models and methods based on digital twins | |
| Zahraoui et al. | AI Applications to Enhance Resilience in Power Systems and Microgrids—A Review | |
| Leite et al. | Failure probability metric by machine learning for online risk assessment in distribution networks | |
| WO2023155967A1 (en) | Thermal anomaly management | |
| CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
| CN114254470A (zh) | 一种配电网可靠性提升方法、装置及存储介质 | |
| CN112884015A (zh) | 一种面向供水管网分区计量系统日志信息的故障预测方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing Patentee after: TSINGHUA University Country or region after: China Patentee after: Guangdong Power Grid Co., Ltd. Guangzhou Power Supply Bureau Electric Power Test Research Institute Address before: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing Patentee before: TSINGHUA University Country or region before: China Patentee before: ELECTRIC POWER TEST RESEARCH INSTITUTE OF GUANGZHOU POWER SUPPLY CO.,LTD. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240126 Address after: No.38 Huangshi East Road, Baiyun District, Guangzhou, Guangdong 510000 Patentee after: Guangdong Power Grid Co., Ltd. Guangzhou Power Supply Bureau Electric Power Test Research Institute Country or region after: China Address before: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing Patentee before: TSINGHUA University Country or region before: China Patentee before: Guangdong Power Grid Co., Ltd. Guangzhou Power Supply Bureau Electric Power Test Research Institute Effective date of registration: 20240126 Address after: 510620, No. two, No. 2, Tianhe South Road, Guangzhou, Guangdong, Tianhe District Patentee after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Country or region after: China Address before: No.38 Huangshi East Road, Baiyun District, Guangzhou, Guangdong 510000 Patentee before: Guangdong Power Grid Co., Ltd. Guangzhou Power Supply Bureau Electric Power Test Research Institute Country or region before: China |
|
| TR01 | Transfer of patent right |