CN110826237A - 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 - Google Patents
基于贝叶斯信念网络的风电设备可靠性分析方法及装置 Download PDFInfo
- Publication number
- CN110826237A CN110826237A CN201911096262.1A CN201911096262A CN110826237A CN 110826237 A CN110826237 A CN 110826237A CN 201911096262 A CN201911096262 A CN 201911096262A CN 110826237 A CN110826237 A CN 110826237A
- Authority
- CN
- China
- Prior art keywords
- data
- reliability
- wind power
- belief network
- bayesian belief
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 25
- 238000010248 power generation Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000013501 data transformation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000013138 pruning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了基于贝叶斯信念网络的风电设备可靠性分析方法及系统，方法包括获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；筛选出关键指标，构建风电设备可靠性指标体系；对所述关键指标的基础数据进行处理；根据处理后的数据，建立并优化贝叶斯信念网络模型；根据所述贝叶斯信念网络模型分析风电设备的可靠性。本申请的贝叶斯信念网络模型对于风电可靠性分析的准确性高，还有具有一定的稳定性，对于不确定性问题具有强大的处理能力，并且能够有效地进行多元信息表达与融合，能有效地按信息的相关关系进行融合，从而实现风电设备可靠性控制的实时化、智能化、可预测化，为风电机组运维提供科学的参考依据。
Description
技术领域
本申请涉及风电设备可靠性分析技术领域，特别涉及一种基于贝叶斯信念网络的风电设备可靠性分析方法及装置。
背景技术
可靠性是指一个元件、设备或系统，在规定时间与规定条件下完成其规定功能的能力。所谓电力系统可靠性，是指电力系统按照一定的质量标准和所需数量连续不间断地向电力用户供应电能的量度，它可以用定量的可靠性指标来衡量。随着国民经济的飞速发展，工业生产和生活对电源的依赖性也越来越大，而停电造成的损失也日益增大，这就要求电力系统应有较高的可靠性。发电设备可靠性指标是对发电企业设备状况及运行维护管理水平等因素的综合反映，在新的电力市场竞争中，发电企业的经济效益与可靠性指标是紧密联系的，良好的设备状况、较高的可靠性指标、科学的管理方法及较低的发电成本是上网竞价的基础。因此，提高发电设备的可靠性，减少设备非计划停运和非计划降低出力次数，降低发电成本，提高竞争能力，是发电企业必须重视的问题。
对于可靠性的传统分析模型，其对发电设备的可靠性分析也存在着一些不足之处：(1)在传统的可靠性分析模型中，需要使用一些假设的成分，而这些假设成分有可能使分析过程与实际情况存在一定程度的不符。主要有假设某些故障同时出现两次或者多次的概率为零、故障的发生与其他事件无关、故障发生概率及设备修理概率为常数等。(2)传统的可靠性分析模型过程复杂并且模型的计算量也很大。在分析过程中需要从历史可靠性数据中计算设备的失效率、故障率及修复率等指标，另外，对故障的分布规律也需要分析。(3)传统的可靠性分析模型对于设备可靠性的评价是基于故障统计数据的，由此得到的评价结果在很大程序上会受设备历史运行状况的影响，没有涉及到设备实时状态参数对设备可靠性的重要影响。
为提高整个电力系统的可靠性与经济性，势必对发电机组可靠性进行分析，以超前指导生产。但目前缺乏准确性高和稳定性高的可靠性指标分析方法。
发明内容
本申请的目的在于提供一种基于贝叶斯信念网络的风电设备可靠性分析方法及装置，以解决目前缺乏准确性高和稳定性高的可靠性指标分析方法的问题。
一方面，根据本申请的实施例，提供了基于贝叶斯信念网络的风电设备可靠性分析方法，包括：
获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；
筛选出关键指标，构建风电设备可靠性指标体系；
对所述关键指标的基础数据进行处理；
根据处理后的数据，建立并优化贝叶斯信念网络模型；
根据所述贝叶斯信念网络模型分析风电设备的可靠性。
进一步地，所述电站运行数据包括风资源数据、发电数据、能耗数据和电站日常运行状态数据，所述设备检修数据包括设备的日常运维日志数据、检修类别数据和检修周期数据。
进一步地，所述关键指标包括：可用系数、等效可用系数、出力系数、强迫停运率、等效强迫停运率、暴露率、平均无故障可用小时、启动可靠度、平均启动间隔小时、检修费用和计划停运系数。
进一步地，所述对关键指标的基础数据进行处理的步骤包括数据清洗、数据归约和数据变换。
进一步地，所述数据清洗包括填补缺失值、光滑噪声数据和识别和删除离群点；
所述数据归约包括维规约、数量归约和数据压缩；
所述数据变换包括光滑、属性构造、聚集、规范化、离散化和由标称数据产生概念分层。
进一步地，贝叶斯信念网络模型建立的步骤包括：
根据专家系统确定所述处理后的数据中各特征与预测目标之间的拓扑关系，形成有向无环图；
初始化条件概率表的参数；
在初始化条件概率表的参数下计算条件概率表集合数据的梯度分布；
更新权重参数，进行迭代，直至梯度分布不再下降为止。
进一步地，贝叶斯信念网络模型的优化采用梯度下降算法。
进一步地，所述方法还包括：
对所述关键指标简化分类。
另一方面，根据本申请的实施例，提供了基于贝叶斯信念网络的风电设备可靠性分析装置，包括：
获取单元，用于获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；
筛选单元，用于筛选出关键指标，构建风电设备可靠性指标体系；
处理单元，用于对所述关键指标的基础数据进行处理；
模型建立单元，用于根据处理后的数据，建立并优化贝叶斯信念网络模型；
分析单元，用于根据所述贝叶斯信念网络模型分析风电设备的可靠性。
进一步地，所述模型建立单元包括：
有向无环图形成单元，用于根据专家系统确定所述处理后的数据中各特征与预测目标之间的拓扑关系，形成有向无环图；
初始化单元，用于初始化条件概率表的参数；
计算单元，用于在初始化条件概率表的参数下计算条件概率表集合数据的梯度分布；
迭代单元，用于更新权重参数，进行迭代，直至梯度分布不再下降为止。
由以上技术方案可知，本申请的实施例提供了基于贝叶斯信念网络的风电设备可靠性分析方法及系统，方法包括获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；筛选出关键指标，构建风电设备可靠性指标体系；对所述关键指标的基础数据进行处理；根据处理后的数据，建立并优化贝叶斯信念网络模型；根据所述贝叶斯信念网络模型分析风电设备的可靠性。本申请的贝叶斯信念网络模型对于风电可靠性分析的准确性高，还有具有一定的稳定性，对于不确定性问题具有强大的处理能力，并且能够有效地进行多元信息表达与融合，能有效地按信息的相关关系进行融合，从而实现风电设备可靠性控制的实时化、智能化、可预测化，为风电机组运维提供科学的参考依据。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为根据本申请实施例示出的基于贝叶斯信念网络的风电设备可靠性分析方法的流程图；
图2为贝叶斯信念网络模型和C5.0决策树模型评估流程图；
图3为C5.0决策树可靠性评估结果；
图4为贝叶斯信念网络可靠性评估结果；
图5为C5.0决策树的ROC曲线图；
图6为贝叶斯信念网络的ROC曲线图；
图7为根据本申请实施例示出的基于贝叶斯信念网络的风电设备可靠性分析装置的结构框图。
具体实施方式
参阅图1，为了提高风电机组的运维水平，发展易维护、高可靠性、高质量的机组，本申请的实施例提供了基于贝叶斯信念网络的风电设备可靠性分析方法，包括：
步骤S1、获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；
进一步地，所述电站运行数据包括风资源数据、发电数据、能耗数据和电站日常运行状态数据，所述设备检修数据包括设备的日常运维日志数据、检修类别数据和检修周期数据。
步骤S2、筛选出关键指标，构建风电设备可靠性指标体系；
确定影响发电设备可靠性的关键指标。要切实实现发电设备可靠实时控制，关键在于建立一套合理的指标体系。在《发电设备可靠性评价规程》中对计划停运系数、非计划停运系数、强迫停运系数、可用系数、暴露率、平均非计划停运间隔时间、辅助设备故障平均修复时间、检修费等27个指标及其统计评价范围给出了具体且详细的规定。这些指标包含主机、主要辅机和一般辅机等所有发电设备的指标情况。然后，在实际运行过程中，针对不同的发电设备我们所需要的指标也是不同的。如果我们对任意一种发电设备进行评估时均选取所有的指标，那么得到的结果就容易缺乏针对性和科学性，从而导致评价结果没有实用性。因此，在对发电设备进行可靠性评估前，应首先筛选影响该设备可靠性的关键指标，并构建该设备自身的指标体系，保证评估结果的准确性和科学性。
根据《风力发电设备可靠性评价规程》的相关标准，根据某集团公司新能源发电产业的实际情况，利用散点图观察、相关性分析和协方差分析等方法，从风力发电设备可靠性评价规程所给出的指标清单中筛选出10个关键指标。
具体地，所述关键指标包括：可用系数、等效可用系数、出力系数、强迫停运率、等效强迫停运率、暴露率、平均无故障可用小时、启动可靠度、平均启动间隔小时、检修费用和计划停运系数。
进一步地，所述方法还包括：对所述关键指标简化分类。
确定设备的关键指标后，应该对指标进行简化分类，而不是盲目开始进行评估。对指标的简化不仅可以大大降低评估过程的计算量，也为我们节省了大量时间，提高工作效率。简化分类的标准是根据分箱原理，对指标中的一些类别特征进行简化处理，便于计算。
步骤S3、对所述关键指标的基础数据进行处理；
进一步地，所述对关键指标的基础数据进行处理的步骤包括数据清洗、数据归约和数据变换。
进一步地，所述数据清洗包括填补缺失值、光滑噪声数据和识别和删除离群点；通过以上方法解决不一致性来“清理”数据。
其中，缺失值的填补实际上也是数据清理的一个重要方面。缺失值的填补方法有：(1)忽略元组；(2)人工填写缺失值；(3)使用一个全局常量填充缺失值；(4)使用属性的中心度量，如均值或中位数，填充缺失值；(5)使用与给定元组属同一类的所有样本的属性均值或中位数；(6)使用最可能的值填充缺失值。
所述数据归约包括维规约、数量归约和数据压缩；
具体地，维规约是减少所考虑随机变量或属性的个数，维规约的方法包括小波变换和主成分分析。
数量归约是用替代的、较小的数据表示形式替换原始数据，这些技巧包括参数的和非参数的。
数据压缩是使用变换，以便得到原数据的归约或“压缩”表示。
所述数据变换包括光滑、属性构造、聚集、规范化、离散化和由标称数据产生概念分层。
具体地，光滑是指去掉数据中的噪声。
属性构造是可以由给定的属性构造新的属性并添加到属性集中，以帮助挖掘的过程。
聚集是对数据进行汇总或聚集。
规范化是把属性数据按比例缩放，使之落入一个特定的小区间。
离散化是指数值属性的原始值用区间标签或概念标签替换。这些标签可以递归地组织成更高层概念，导致数值属性的概念分层。对于同一个属性可以定义多个概念分层，以适合不同用户的需要。
由标称数据产生概念分层是指属性可以泛化到较高的概念层。许多标称属性的概念分层都蕴含在数据库的模式中，可以在模式定义级自动定义。
所述对关键指标的基础数据进行处理的步骤还包括：找出各指标背后不易直接测量的潜在因子。
通常情况下，对发电设备进行可靠性评估时选取的指标应满足易于量化的要求。对于主机和主要辅机而言，这些指标的目标比较容易确定，一般年度目标为0，其他状态可根据设备的具体情况进行归一化，进而实现根据指标的实际情况实现指标量化。但是一般辅机却无法依此而行，其非计划停运次数等指标无法确定为0，从而造成我们无法以目标值为标准进行指标量化。另外，根据计划停运、非计划停运时间即可确定主机和主要辅机的等效可用系数，而无需考虑其他因素，但一般辅机却无法仅由计划停运、非计划停运时间得到，还要考虑其消缺、维护时间等多种难以接进行测量的潜在因素。找出各指标背后不易直接测量的潜在因子目的是为了构建衍生特征，从数据中发现与预测结果关联性更强、更重要的特征。
步骤S4、根据处理后的数据，建立并优化贝叶斯信念网络模型；
贝叶斯信念网络包括一个有向无环图(DAG)和一个条件概率表集合(CPT)。
进一步地，贝叶斯信念网络模型建立的步骤包括：
根据专家系统确定所述处理后的数据中各特征与预测目标之间的拓扑关系，形成有向无环图；
初始化条件概率表的参数；
在初始化条件概率表的参数下计算CPT数据的梯度分布；
更新权重参数，进行迭代，直至梯度分布不再下降为止。
贝叶斯信念网络是说明联合条件概率分布。它允许在变量的子集间定义类条件独立性。它提供一种因果关系的图形模型，可以在其上进行学习。训练后的贝叶斯信念网络可以用于分类。贝叶斯信念网络有两个成分定义——有向无环图和条件概率表。有向无环图每个节点代表一个随机变量，每条弧表示一个概率依赖。如果一条弧由节点Y到Z，则Y是Z的双亲或直接前驱，而Z是Y的后代，给定双亲后，每个变量条件独立于图中它的非后代。
对于贝叶斯信念网络当中的每一个变量都有一个条件概率表(CPT)。变量Y的CPT说明条件分布P(Y|Parents(Y))，其中Parents(Y)是Y(Y为最终的可靠性)的双亲。
设X＝(x1,…,xn)是被变量或属性Y1,…,Yn描述的数据元组。这时，信念网络用下式提供存在的联合概率分布的完全表示：
其中，P(x1,…,xn)是X(X为通过指标所选取的数据)的值的特定组合的概率，而P(xi|Parents(Yi))的值对应于Yi的CPT的表目。
网络内的节点可以选作“输出”节点，代表类标号属性。可以有多个输出节点。多种推断和学习算法都可以用于这种网络。分类过程不是返回单个类标号，而是可以返回概率分布，给出每个类的概率。选取每个设备分类中概率最大的一类作为该设备最终可靠性。
进一步地，贝叶斯信念网络模型的优化采用梯度下降算法。
在贝叶斯信念网络模型中计算的是数据的梯度分布情况，以CPT数据梯度分布情况构建梯度下降算法，使梯度分布沿着梯度下降的方向求解极小值；首先对CPT数据梯度分布计算公式求导得到A，而后使CPT梯度分布在梯度下降方向上前进一步，具体计算方法为：W＝W+(I)*A，其中，等号前W为更新后的CPT梯度分布，等号后W为更新前CPT梯度分布，I为步长的学习率，A为步长，即CPT数据梯度分布计算公式求导所得。重复上述步骤直至梯度不在变化为止，即可求得贝叶斯信念网络在梯度方向上的最优权重，从而得到最优化模型。
步骤S5、根据所述贝叶斯信念网络模型分析风电设备的可靠性。
模型最后计算得到的概率是可靠性评估结果接近某一类别的概率，那么该设备的可靠性就属于这一类别。对发电设备可靠性评估采用的是贝叶斯信念网络模型评估，通过数据与可靠性之间的相关关系，运用机器学习算法发现指标与可靠性之间的隐藏规律。
如果发现对发电设备可靠性有负面影响的指标，提出改进措施和初步解决方案。
本申请的贝叶斯信念网络模型对于风电可靠性分析的准确性高，还有具有一定的稳定性，对于不确定性问题具有强大的处理能力，并且能够有效地进行多元信息表达与融合，能有效地按信息的相关关系进行融合，从而实现风电设备可靠性控制的实时化、智能化、可预测化，为风电机组运维提供科学的参考依据。
为了证明本申请的贝叶斯信念网络模型对于风电可靠性分析的准确性高，还有具有一定的稳定性。本申请运用C5.0决策树建立风电设备可靠性分析模型，并利用混淆矩阵和ROC曲线对两个模型进行评估，以下是具体的方法和结果，评估流程如图2所示。
决策树是一种类似于流程图的树结构，其结构是一棵倒置的树，它主要围绕生长和剪枝两大核心问题展开。决策树获取的知识，用树的形式表示出来，其中包括分类树和回归树，分类或预测的结果均体现在决策树的叶节点上。分类树叶节点所含样本中，其输出变量的众数类别就是分类结果；回归树叶节点所含样本中，其输出变量的平均值就是预测结果。决策树直观易懂且其归纳学习和分类步骤简单快速，并且具有很好的准确率。
C5.0可用来处理数值型或分类型的资料，它的分类预测是基于逻辑的，即通过对输入变量取值的布尔比较实现对输出变量的分类预测，在众多的输出变量中选择一个当前最佳的分组变量，并从分组变量的众多取值中找到一个最佳的分割点。且为了清楚的表示分析结果，可用决策树(decision trees)或是if-then的关系显示。
一、研究方法
C5.0模型建立
C5.0算法是C4.5应用于大数据集上的分类算法，主要在执行效率和内存使用方面进行了改进。
通过计算处理后数据(由步骤S1-S3获得)每一个特征信息熵的下降速度来确定决策树算法的最佳分值变量和分割阈值。因为信息熵的下降意味着信息的不确定性的下降，在数据量较多的情况下可以极大地提高模型的准确率。采用交叉验证的方式对模型的参数进行选取，设置一些重要参数(期望噪声、剪枝纯度、模式选择等)；该模型采用的损失函数是错误归类损失函数，它允许指定不同类型预测错误之间的相对重要性。
C5.0决策树训练剪枝
决策树在训练过程中的一个主要问题是模型完全“适合”训练数据，但是在测试集或是线上验证却没有很好地效果，这个问题被称为过拟合问题。为了解决过拟合问题，在C5.0决策树的训练过程中加入了剪枝操作，主要步骤如下：
①首先根据训练集推断出决策树并将其训练
②通过为从根节点到叶节点每个路径创建一个规则，将学习到的树转换为一组等效规则
③删除所有导致提高其估计准确性的先决条件，以修建每条规则
④按估计的准确性对修剪后的规则进行排序，并在对后续实例进行分类时按此顺序进行分裂
使用剪枝方法后，该算法模型的准确性提高了10％-20％。
贝叶斯信念网络模型建立和优化
贝叶斯信念网络模型建立和优化如步骤S1-S4。
二、研究结果
根据图3可知：对于可用系数小于等于93.516的机组，平均启动间隔小时决定实际鉴定结果，对于可用系数大于93.516的机组，等效可用系数决定机组的实际鉴定结果。
表1是C5.0决策树模型实际鉴定结果的混淆矩阵。由表1可知，C5.0模型的分类准确率为87.88％，实际鉴定结果为一级被误判为二级结果的出现2次，被误判为四级结果的出现1次；实际鉴定结果为三级被误判为一级结果的出现2次，被误判为四级结果的出现2次；实际鉴定结果为二级被误判为一级结果的出现2次，被误判为三级结果的出现2次；实际鉴定结果为四级被误判为一级结果的出现1次。
表1
由图4可知，可用系数在所有指标中，对实际鉴定结果起着决定性的作用，是最重要的指标。
表2是贝叶斯信念网络模型实际鉴定结果的混淆矩阵。由表2可知，贝叶斯信念网络模型的分类准确率为98.99％，实际鉴定结果为四级被误判为二级结果的出现1次。
表2
对比C5.0决策树和贝叶斯信念网络的分类准确率，可以看出，贝叶斯信念网络的分类准确率较高。为进一步评估模型分类的性能，采用ROC曲线对两者进行评估，如图5和图6所示。
通过图5和图6可以看出，对于实际鉴定结果为一级，贝叶斯信念网络的ROC曲线较C5.0决策树的ROC曲线更加靠近单位方形的左上角，贝叶斯信念网络ROC曲线下的面积更大，说明贝叶斯信念网络的分类性能较好，能够用于风电设备可靠性评价。
研究结果
(1)借助大数据技术手段，研究利用C5.0决策树算法和贝叶斯信念网络，对风电设备的可靠性进行分析预测，从而更好的对风电设备的可靠性进行有针对性、有方向性的控制。
(2)利用C5.0决策树和贝叶斯信念网络进行对比分析，使得预测鉴定结果最大程度地与指标的实际鉴定结果相符，从而择优选用准确率更高的贝叶斯信念网络作为实践应用的分类器。
参阅图7，本申请实施例提供了基于贝叶斯信念网络的风电设备可靠性分析装置，包括：
获取单元1，用于获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；
筛选单元2，用于筛选出关键指标，构建风电设备可靠性指标体系；
处理单元3，用于对所述关键指标的基础数据进行处理；
模型建立单元4，用于根据处理后的数据，建立并优化贝叶斯信念网络模型；
分析单元5，用于根据所述贝叶斯信念网络模型分析风电设备的可靠性。
进一步地，所述模型建立单元4包括：
有向无环图形成单元，用于根据专家系统确定所述处理后的数据中各特征与预测目标之间的拓扑关系，形成有向无环图；
初始化单元，用于初始化条件概率表的参数；
计算单元，用于在初始化条件概率表的参数下计算CPT数据的梯度分布；
迭代单元，用于更新权重参数，进行迭代，直至梯度分布不再下降为止。
由以上技术方案可知，本申请的实施例提供了基于贝叶斯信念网络的风电设备可靠性分析方法及系统，方法包括获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；筛选出关键指标，构建风电设备可靠性指标体系；对所述关键指标的基础数据进行处理；根据处理后的数据，建立并优化贝叶斯信念网络模型；根据所述贝叶斯信念网络模型分析风电设备的可靠性。本申请的贝叶斯信念网络模型对于风电可靠性分析的准确性高，还有具有一定的稳定性，对于不确定性问题具有强大的处理能力，并且能够有效地进行多元信息表达与融合，能有效地按信息的相关关系进行融合，从而实现风电设备可靠性控制的实时化、智能化、可预测化，为风电机组运维提供科学的参考依据。
本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.基于贝叶斯信念网络的风电设备可靠性分析方法，其特征在于，包括：
获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；
筛选出关键指标，构建风电设备可靠性指标体系；
对所述关键指标的基础数据进行处理；
根据处理后的数据，建立并优化贝叶斯信念网络模型；
根据所述贝叶斯信念网络模型分析风电设备的可靠性。
2.根据权利要求1所述的方法，其特征在于，所述电站运行数据包括风资源数据、发电数据、能耗数据和电站日常运行状态数据，所述设备检修数据包括设备的日常运维日志数据、检修类别数据和检修周期数据。
3.根据权利要求1所述的方法，其特征在于，所述关键指标包括：可用系数、等效可用系数、出力系数、强迫停运率、等效强迫停运率、暴露率、平均无故障可用小时、启动可靠度、平均启动间隔小时、检修费用和计划停运系数。
4.根据权利要求1所述的方法，其特征在于，所述对关键指标的基础数据进行处理的步骤包括数据清洗、数据归约和数据变换。
5.根据权利要求4所述的方法，其特征在于，所述数据清洗包括填补缺失值、光滑噪声数据和识别和删除离群点；
所述数据归约包括维规约、数量归约和数据压缩；
所述数据变换包括光滑、属性构造、聚集、规范化、离散化和由标称数据产生概念分层。
6.根据权利要求1所述的方法，其特征在于，贝叶斯信念网络模型建立的步骤包括：
根据专家系统确定所述处理后的数据中各特征与预测目标之间的拓扑关系，形成有向无环图；
初始化条件概率表的参数；
在初始化条件概率表的参数下计算条件概率表集合数据的梯度分布；
更新权重参数，进行迭代，直至梯度分布不再下降为止。
7.根据权利要求1所述的方法，其特征在于，贝叶斯信念网络模型的优化采用梯度下降算法。
8.根据权利要求1所述的方法，其特征在于，还包括：
对所述关键指标简化分类。
9.基于贝叶斯信念网络的风电设备可靠性分析装置，其特征在于，包括：
获取单元，用于获取评价风电设备可靠性的基础数据，所述基础数据包括电站运行数据和设备检修数据；
筛选单元，用于筛选出关键指标，构建风电设备可靠性指标体系；
处理单元，用于对所述关键指标的基础数据进行处理；
模型建立单元，用于根据处理后的数据，建立并优化贝叶斯信念网络模型；
分析单元，用于根据所述贝叶斯信念网络模型分析风电设备的可靠性。
10.根据权利要求9所述的装置，其特征在于，所述模型建立单元包括：
有向无环图形成单元，用于根据专家系统确定所述处理后的数据中各特征与预测目标之间的拓扑关系，形成有向无环图；
初始化单元，用于初始化条件概率表的参数；
计算单元，用于在初始化条件概率表的参数下计算条件概率表集合数据的梯度分布；
迭代单元，用于更新权重参数，进行迭代，直至梯度分布不再下降为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911096262.1A CN110826237B (zh) | 2019-11-11 | 2019-11-11 | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911096262.1A CN110826237B (zh) | 2019-11-11 | 2019-11-11 | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110826237A true CN110826237A (zh) | 2020-02-21 |
| CN110826237B CN110826237B (zh) | 2024-01-23 |
Family
ID=69553979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911096262.1A Active CN110826237B (zh) | 2019-11-11 | 2019-11-11 | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826237B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112822004A (zh) * | 2021-01-14 | 2021-05-18 | 山西财经大学 | 一种基于信念网络的靶向型隐私保护数据发布方法 |
| CN113271225A (zh) * | 2021-05-18 | 2021-08-17 | 浙江大学 | 一种基于带内网络遥测技术的网络可靠性评估方法 |
| CN113569315A (zh) * | 2021-07-27 | 2021-10-29 | 中铁大桥局集团有限公司 | 桥梁集群动态评估方法、装置、设备和可读存储介质 |
| US11703846B2 (en) | 2019-05-30 | 2023-07-18 | Cameron International Corporation | Equipment failure diagnostics using Bayesian inference |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003005248A2 (en) * | 2001-07-05 | 2003-01-16 | Motorola Inc | Using a bayesian belief network |
| US20080010225A1 (en) * | 2006-05-23 | 2008-01-10 | Gonsalves Paul G | Security system for and method of detecting and responding to cyber attacks on large network systems |
| CN106709626A (zh) * | 2016-11-14 | 2017-05-24 | 国家电网公司 | 一种基于贝叶斯网络的电网发展动态综合评价方法 |
| JP2017102760A (ja) * | 2015-12-02 | 2017-06-08 | メトロウェザー株式会社 | 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法 |
| CN106875053A (zh) * | 2017-02-15 | 2017-06-20 | 济中节能技术（苏州）有限公司 | 基于bayes算法的风机故障诊断方法和诊断系统 |
| CN107220500A (zh) * | 2017-05-27 | 2017-09-29 | 上海无线电设备研究所 | 基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法 |
| CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
| CN109685371A (zh) * | 2018-12-25 | 2019-04-26 | 华能陕西定边电力有限公司 | 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 |
| 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 |
| CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
| CN110334208A (zh) * | 2019-05-09 | 2019-10-15 | 湖南中车时代通信信号有限公司 | 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 |
-
2019
- 2019-11-11 CN CN201911096262.1A patent/CN110826237B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003005248A2 (en) * | 2001-07-05 | 2003-01-16 | Motorola Inc | Using a bayesian belief network |
| US20080010225A1 (en) * | 2006-05-23 | 2008-01-10 | Gonsalves Paul G | Security system for and method of detecting and responding to cyber attacks on large network systems |
| JP2017102760A (ja) * | 2015-12-02 | 2017-06-08 | メトロウェザー株式会社 | 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法 |
| CN106709626A (zh) * | 2016-11-14 | 2017-05-24 | 国家电网公司 | 一种基于贝叶斯网络的电网发展动态综合评价方法 |
| CN106875053A (zh) * | 2017-02-15 | 2017-06-20 | 济中节能技术（苏州）有限公司 | 基于bayes算法的风机故障诊断方法和诊断系统 |
| CN107220500A (zh) * | 2017-05-27 | 2017-09-29 | 上海无线电设备研究所 | 基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法 |
| CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
| 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 |
| CN109685371A (zh) * | 2018-12-25 | 2019-04-26 | 华能陕西定边电力有限公司 | 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 |
| CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
| CN110334208A (zh) * | 2019-05-09 | 2019-10-15 | 湖南中车时代通信信号有限公司 | 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 |
Non-Patent Citations (4)
| Title |
|---|
| 刘泽坤等: "电网状态评估防范体系在输电线路中的应用", 云南电力技术, vol. 42, no. 4, pages 49 - 52 * |
| 杜冠洲;韦古强;凌俊斌;: "基于数据挖掘技术的风电设备可靠性分析", 中国设备工程, no. 12, pages 92 - 94 * |
| 杨政等: "贝叶斯方法在代码转换器可靠性验证试验中的应用", 系统工程与电子技术, vol. 29, no. 8, pages 1402 - 1404 * |
| 熊文军等: "面向Ｉｓｓｕｅ跟踪系统的变更请求报告关闭可能性预测", 计算机科学, vol. 44, no. 11, pages 146 - 155 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11703846B2 (en) | 2019-05-30 | 2023-07-18 | Cameron International Corporation | Equipment failure diagnostics using Bayesian inference |
| CN112822004A (zh) * | 2021-01-14 | 2021-05-18 | 山西财经大学 | 一种基于信念网络的靶向型隐私保护数据发布方法 |
| CN112822004B (zh) * | 2021-01-14 | 2022-12-06 | 山西财经大学 | 一种基于信念网络的靶向型隐私保护数据发布方法 |
| CN113271225A (zh) * | 2021-05-18 | 2021-08-17 | 浙江大学 | 一种基于带内网络遥测技术的网络可靠性评估方法 |
| CN113569315A (zh) * | 2021-07-27 | 2021-10-29 | 中铁大桥局集团有限公司 | 桥梁集群动态评估方法、装置、设备和可读存储介质 |
| CN113569315B (zh) * | 2021-07-27 | 2023-11-28 | 中铁大桥局集团有限公司 | 桥梁集群动态评估方法、装置、设备和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110826237B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826237B (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
| CN103324980B (zh) | 一种风电场风速预测方法 | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN101826090A (zh) | 基于最优模型的web舆情趋势预测方法 | |
| Liu et al. | An overview of decision tree applied to power systems | |
| CN108255854A (zh) | 基于粒子群优化的模糊神经网络数据挖掘方法 | |
| CN114065605A (zh) | 一种智能电能表运行状态检测评估系统和方法 | |
| Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
| CN108898259A (zh) | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 | |
| Kumar et al. | Software fault proneness prediction using genetic based machine learning techniques | |
| El Maghraoui et al. | Smart energy management system: A comparative study of energy consumption prediction algorithms for a hotel building | |
| CN112612819A (zh) | 一种抽水蓄能电站大数据分析挖掘方法及系统 | |
| CN117973947B (zh) | 一种配电网工程施工工艺标准化验收方法及系统 | |
| Guo et al. | Power demand forecasting and application based on SVR | |
| CN116128544A (zh) | 一种电力营销异常营业数据的主动稽核方法和系统 | |
| CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
| Meng et al. | Digital twin for intelligent probabilistic short term load forecasting in solar based smart grids using shark algorithm | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN113505818A (zh) | 改进决策树算法的熔铝炉能耗异常诊断方法和系统及设备 | |
| CN113159441A (zh) | 银行业务项目实施情况的预测方法及装置 | |
| Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
| CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
| CN111353523A (zh) | 一种对铁路客户进行分类的方法 | |
| CN114169763A (zh) | 一种计量器具需求预测方法、系统、计算装置及存储介质 |
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 |