CN109740905A - 一种基于贝叶斯模型的多元电网次生故障概率估计方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯模型的多元电网次生故障概率估计方法，包括：建立多元电网故障集合，将故障分为次生故障集合、条件故障集合和故障样本集合；对故障样本集合中故障样本进行分类统计，计算故障发生的先验概率；根据贝叶斯模型，计算在条件故障发生下次生故障发生的概率；分别计算每一个条件故障引起的所有次生故障的概率；估计多元电网中次生故障发生的概率。本发明可对由故障引起次生故障的概率进行估计，便于电网工作人员对次生故障进行提前预警，可较大程度保证电网运行安全。

Description

一种基于贝叶斯模型的多元电网次生故障概率估计方法

技术领域

本发明属于电网故障诊断技术领域，特别涉及一种基于贝叶斯模型的多元电网次生故障概率估计方法。

背景技术

随着国家经济的不断发展，对电力需求的越来越旺盛，各种新能源的出现，在很大程度上对电力资源的短缺提供了补充。但是，多元电源的并网，对多元电网产生了很大的影响，导致故障发生概率增加。

在整个多元电网运行过程中，故障发生不可避免，但是很多故障的发生是由其他故障引起的。目前，大多数电网科研工作中主要研究的方向集中在电网故障诊断中，所用到的方法也很多，电网的故障诊断越来越智能化高效化，但存在以下问题：虽然电网故障诊断技术发展较快，但是还没有一种有效的方法能够对电网故障进行提前预警；二是对于发生的故障，只是建立历史故障库，简单统计故障类型和故障的原因，并没有进行深入的研究，对于发生的故障所引起的次生故障重视程度与研究力度不够。综上，亟需一种新型的多元电网次生故障概率估计方法。

发明内容

本发明的目的在于提供一种基于贝叶斯模型的多元电网次生故障概率估计方法，以解决上述存在的技术问题。本发明通过对历史故障统计研究，能够对故障引起次生故障的概率进行估计，使得电网工作人员能够进行预警，可较大程度上保证电网运行安全。

为达到上述目的，本发明采用以下技术方案：

一种基于贝叶斯模型的多元电网次生故障概率估计方法，包括以下步骤：

步骤1，根据历史数据建立多元电网故障样本集合G；

步骤2，对步骤1中的故障样本集合G中的故障样本进行分类统计，获得故障分类集合F；故障分类集合F包括：次生故障集合A和条件故障集合C；计算次生故障和条件故障发生的先验概率；

步骤3，根据贝叶斯模型，计算在条件故障发生时次生故障发生的概率；

步骤4，分别计算每一个条件故障引起的次生故障集合A中所有次生故障的概率；

步骤5、估计获得多元电网中次生故障发生的概率。

进一步的，步骤1中，采集获取多元电网的历史故障信息，建立故障样本集合G，故障样本集合G用于记录多元电网中发生的所有故障样本，总样本数量为N。

进一步的，步骤2中，次生故障集合A和条件故障集合C中的故障均为多元电网中历史上已经发生的故障，且A∈F，C∈F。

进一步的，次生故障发生的先验概率为P(a_i)，计算公式为：式中，a_i为次生故障集合A中的一个次生故障，为次生故障a_i发生的次数，N为故障样本集合G的总样本数；条件故障发生的先验概率为P(c_j)，计算公式为：式中，c_j为条件故障集合C中的一个条件故障，为条件故障c_j发生的次数，N为故障样本集合G的总样本数。

进一步的，步骤3具体包括：

次生故障集合A中的一个次生故障a_i在条件故障发生时发生的概率的计算公式为：

式(1)中，α为常数，P(a_i|c₁,c₂,…,c_n)表示在条件故障集合中c_j发生下次生故障a_i发生的概率；条件故障集合C＝{c₁，c₂，...c_n}，c_j∈{c₁,c₂,…c_n}(1≤j≤n)；p(c_j|a_i)表示由条件故障c_j引起的次生故障a_i发生的概率；

式(1)中，P(a_i|c₁,c₂,…,c_n)表示为：

式(2)中，P(a_i|c₁,c₂,…,c_n)表示在条件故障{c₁,c₂,…c_n}下次生故障a_i发生的概率。

进一步的，步骤3具体包括：故障分类集合F＝{A,C}＝{a₁,a₂,…,a_m,c₁,c₂,…,c_n}，次生故障集合A＝{a₁,a₂,…,a_m}；

通过故障概率统计训练获得p(c₁|a_i)、p(c₂|a_i)、…、p(c_n|a_i)的值；

p(c₁|a_i)表示由条件故障c1引起的所有次生故障a_i∈{a₁,a₂,…a_m}(1≤i≤m)的概率；

次生故障a_i的发生是由条件故障c_j引起的概率其中表示条件故障c_j引起的次生故障a_i的发生数量；为条件故障c_j发生的次数。

进一步的，步骤5具体包括：通过式由最大取值来估计条件故障c_j引起的次生故障a_i发生的概率。

进一步的，步骤2的故障分类中标记有次生故障与条件故障的对应关系。

与现有技术相比，本发明具有以下有益效果：

本发明的方法建立多元电网故障集合，通过大量历史故障数据建立故障样本集合，从概率统计的角度出发，进行故障发生概率估计，样本越多越精确；通过贝叶斯网络模型来计算后验概率，故障概率估计更加准确，给多元电网工作人员提供更加精确的故障估计；本发明的方法通过条件故障概率来计算次生故障发生的概率，便于得到故障发生过程，减少故障诊断的盲目性；本发明从统计方面对历史故障数据进行研究分析，可对一种故障引起的次生故障进行概率估计，便于电网工作人员能够对故障进行提前预警，能够较大程度上保证电网运行安全。

附图说明

图1为本发明的一种基于贝叶斯模型的多元电网次生故障概率估计方法的流程示意框图；

图2为本发明的一种基于贝叶斯模型的多元电网次生故障概率估计方法中故障分类集合的示意框图；

图3为本发明的一种基于贝叶斯模型的多元电网次生故障概率估计方法中贝叶斯模型示意框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明，以使本领域技术人员能够更加清楚地理解本发明的方案，但并不因此限制本发明的保护范围。

请参阅图1，本发明的一种基于贝叶斯模型的多元电网次生故障概率估计方法，按如下步骤进行：

步骤1、建立多元电网故障集合，将故障分为次生故障集合、条件故障集合和故障样本集合；

步骤2、对故障样本集合中故障样本进行分类统计，计算故障发生的先验概率；

步骤3、根据贝叶斯模型，计算在条件故障发生下，次生故障发生的概率；

步骤4、分别计算每一个条件故障引起的所有次生故障的概率；

步骤5、估计获得多元电网中次生故障发生的概率。

请参阅图2，优选方式为：

多元电网中存在一个历史故障样本集合G，记录多元电网中发生的所有故障样本，总样本数量为N。历史故障样本集合G中，故障分类中标记任意一个次生故障是由某一条件故障而引起的，确定次生故障与条件故障的对应关系。

多元电网中存在一个故障分类集合F＝{A,C}＝{a₁,a₂,…,a_m,c₁,c₂,…,c_n}，其中A＝{a₁,a₂,…,a_m}为次生故障集合，C＝{c₁,c₂,…,c_n}为条件故障集合。次生故障集合和条件故障集合中的元素均指多元电网中历史上发生的故障，属于故障分类集合F，即A∈F，C∈F。次生故障集合指在条件故障集合中某一种或者多种故障的发生所引起的次生故障的故障集合。对于故障分类集合F和历史故障样本集合G，有F∈G。对于故障分类集合中的所有故障附有故障标签，所述故障标签标记故障类型，故障标签标记任一个或者多个条件故障引起的一个或多个次生故障。

对故障样本集合中故障样本进行分类统计，计算故障发生的先验概率的具体步骤为：

任意一个次生故障a_i，a_i∈{a₁,a₂,…a_m}(1≤i≤m)，任意一个条件故障c_j，c_j∈{c₁,c₂,…c_n}(1≤j≤n)。

对于任意一个次生故障a_i，其发生的概率为先验概率，用P(a_i)来表示。对于任意一个条件故障c_j，其发生的概率为先验概率，用P(c_j)来表示。

故障分类集合F＝{A,C}＝{a₁,a₂,…,a_m,c₁,c₂,…,c_n}中任一类故障，对于次生故障a_i，故障发生次数记为故障发生的先验概率

同类，对于条件故障c_j，故障发生次数记为故障发生的先验概率

请参阅图3，步骤3具体为，根据贝叶斯模型，对于任意一个次生故障ai在条件故障c_j发生时发生的概率，如下式(1)表示：

式(1)中，α是一个常数，P(a_i|c₁,c₂,…,c_n)表示在条件故障c_j发生下次生故障a_i发生的概率，是一种后验概率。

P(a_i|c₁,c₂,…,c_n)可表示为：

则式(2)说明，最大后验概率P(a_i|c₁,c₂,…,c_n)表示在条件故障{c₁,c₂,…c_n}下次生故障a_i发生的概率。

步骤4中分别计算每一个条件故障引起的所有次生故障的概率具体包括：

对于故障分类集合F＝{a₁,a₂,…,a_m,c₁,c₂,…,c_n}，根据所有故障的故障标签，通过概率统计训练的方法，统计任一个条件故障引起的次生故障的数量，即可获得p(c₁|a_i)、p(c₂|a_i)、…、p(c_n|a_i)的值。

p(c₁|a_i)表示由条件故障c₁引起的所有次生故障a_i∈{a₁,a₂,…a_m}(1≤i≤m)的概率。

对于次生故障a_i的发生，是由某一条件故障c_j引起的概率，有后验概率，其中某一条件故障c_j引起的次生故障ai的发生数量。

通过式由最大取值来估计条件故障cj引起的次生故障ai发生的概率。说明条件故障c_j引起次生故障a_i发生的概率最大，完成多元电网中次生故障发生的概率估计。

综上，基于目前还没有一种有效的方法能够对电网故障进行提前预警；二是对于发生的故障，只是建立历史故障库，简单统计故障类型和故障的原因，并没有进行深入的研究；三是对于一种故障所引起的次生故障重视程度与研究力度不够。针对上述三个方面的问题，本发明旨在通过对历史故障从统计方面进行研究，重点在于由一种故障引起次生故障进行概率估计，便于电网工作人员能够对故障进行提前预警，最大程度上保证电网运行安全

以上仅是对本发明的实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明的主要技术构思的基础上所作的任何公知变形都属于本发明所要保护的技术范畴，本发明具体的保护范围以权利要求书的记载为准。

Claims (8)

1.一种基于贝叶斯模型的多元电网次生故障概率估计方法，其特征在于，包括以下步骤：

步骤1，根据历史数据建立多元电网故障样本集合G；

步骤2，对步骤1中的故障样本集合G中的故障样本进行分类统计，获得故障分类集合F；故障分类集合F包括：次生故障集合A和条件故障集合C；计算次生故障和条件故障发生的先验概率；

步骤3，根据贝叶斯模型，计算在条件故障发生时次生故障发生的概率；

步骤4，分别计算每一个条件故障引起的次生故障集合A中所有次生故障的概率；

步骤5、估计获得多元电网中次生故障发生的概率。

2.根据权利要求1所述的一种基于贝叶斯模型的多元电网次生故障概率估计方法，其特征在于，步骤1中，采集获取多元电网的历史故障信息，建立故障样本集合G，故障样本集合G用于记录多元电网中发生的所有故障样本，总样本数量为N。

3.根据权利要求1所述的一种基于贝叶斯模型的多元电网次生故障概率估计方法，其特征在于，步骤2中，次生故障集合A和条件故障集合C中的故障均为多元电网中历史上已经发生的故障，且A∈F，C∈F。

4.根据权利要求1所述的一种基于贝叶斯模型的多元电网次生故障概率估计方法，其特征在于，

次生故障发生的先验概率为P(a_i)，计算公式为：式中，a_i为次生故障集合A中的一个次生故障，为次生故障a_i发生的次数，N为故障样本集合G的总样本数；

条件故障发生的先验概率为P(c_j)，计算公式为：式中，c_j为条件故障集合C中的一个条件故障，为条件故障c_j发生的次数，N为故障样本集合G的总样本数。

5.根据权利要求1所述的一种基于贝叶斯模型的多元电网次生故障概率估计方法，其特征在于，步骤3具体包括：

次生故障集合A中的一个次生故障a_i在条件故障c_j发生时发生的概率的计算公式为：

式(1)中，α为常数，P(a_i|c₁,c₂,…,c_n)表示在条件故障集合中c_j发生下次生故障a_i发生的概率；条件故障集合C＝{c₁，c₂，...c_n}，c_j∈{c₁,c2,…c_n}(1≤j≤n)；p(c_j|a_i)表示由条件故障c_j引起的次生故障a_i发生的概率；

式(1)中，P(a_i|c₁,c₂,…,c_n)表示为：

式(2)中，P(a_i|c₁,c₂,…,c_n)表示在条件故障{c₁,c₂,…c_n}下次生故障ai发生的概率。

6.根据权利要求5所述的一种基于贝叶斯模型的多元电网次生故障概率估计方法，其特征在于，步骤3具体包括：故障分类集合F＝{A,C}＝{a₁,a₂,…,a_m,c₁,c₂,…,c_n}，次生故障集合A＝{a₁,a₂,…,a_m}；

通过故障概率统计训练获得p(c₁|a_i)、p(c₂|a_i)、…、p(c_n|a_i)的值；

p(c₁|a_i)表示由条件故障c₁引起的所有次生故障a_i∈{a₁，a₂，…a_m}1≤i≤m的概率；

次生故障a_i的发生是由条件故障c_j引起的概率其中表示条件故障c_j引起的次生故障a_i的发生数量；为条件故障cj发生的次数。

7.根据权利要求6所述的一种基于贝叶斯模型的多元电网次生故障概率估计方法，其特征在于，步骤5具体包括：通过式由最大取值来估计条件故障c_j引起的次生故障a_i发生的概率。

8.根据权利要求1至7中任一项所述的一种基于贝叶斯模型的多元电网次生故障概率估计方法，其特征在于，步骤2的故障分类中标记有次生故障与条件故障的对应关系。