CN112327096A - 一种基于自适应策略的故障诊断信息融合方法及装置 - Google Patents

Abstract

本发明公开了一种基于自适应策略的故障诊断信息融合方法及装置，方法包括：利用预先训练的三种故障诊断子模型对历史案例进行诊断；所述三种故障诊断子模型为基于神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；依据预设的评价指标体系对三种故障诊断子模型的诊断情况进行评价，获得评价结果；选择评价结果最优的故障诊断子模型对待诊断案例进行诊断，得到诊断结果。本发明的电力系统故障诊断信息融合方法，可以结合现有模型的优势，实现诊断准确率和诊断精度的提高。

Description

一种基于自适应策略的故障诊断信息融合方法及装置

技术领域

本发明属于电力系统故障诊断技术领域，具体涉及一种基于自适应策略的 故障诊断信息融合方法，还涉及一种基于自适应策略的故障诊断信息融合装置。

背景技术

近年来，电力系统高速发展进入大电网时代，电网发生故障后，所有相关 的监控设备将会产生大量的警报信息传送至控制中心，若故障诊断方法不当， 可能导致调度员无法准确、高效地处理事故，甚至进一步造成事故处理不及时、 停电范围扩大、引起更大的经济损失等一系列问题。因此，如何建立快速准确 的故障诊断方法是一个亟待解决的关键问题。然而受系统规模、复杂程度、设 备配置、信号误差等不确定因素的影响，难以基于常规的数学模型进行电力系 统故障诊断。随着人工智能研究理论的发展，基于人工智能的电力系统故障诊 断方法逐渐引起了研究人员的注意，并由此展开了一系列基于人工智能的电力 系统故障诊断方法和模型的研究。

目前已实际应用或具有应用潜力的人工智能故障诊断方法主要有人工神经 网络、贝叶斯网络、专家系统。

人工神经网络方法具有极强的特征提取及数据拟合能力，模型建立与运行 简单快速、节省人力资源，但其诊断过程为黑箱模型，可解释性较差，且网络 的训练需要大量样本，而电力系统的高可靠性意味着实际故障案例极少，小样 本下的神经网络极易出现过拟合问题影响诊断准确性。

贝叶斯网络是一种概率图模型，从概率的角度分析数据，用条件概率贴切 直观地表达节点间的关系，但概率图的设计及具体概率的获取同样需要大量专 家知识及历史案例进行分析统计。

专家系统能够通过一个或多个专家提供的知识和经验进行推理和判断，模 拟人类专家的决策过程，但其对信号的完整性和正确性要求较高，当系统中存 在保护和断路器不正常动作时，专家系统可能会因缺乏识别错误信息的能力而 导致错误的诊断结论。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于自适应策略的 故障诊断信息融合方法，改善了现有技术故障诊断误报率过高的技术问题。

为解决上述技术问题，本发明提供了一种基于自适应策略的故障诊断信息 融合方法，包括：

利用预先训练的三种故障诊断子模型对历史案例进行诊断；所述三种故障 诊断子模型为基于神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型 和基于专家系统的故障诊断模型；

依据预设的评价指标体系对三种故障诊断子模型的诊断情况进行评价，获 得评价结果；

选择评价结果最优的故障诊断子模型对待诊断案例进行诊断，得到诊断结 果。

进一步的，还包括：将待诊断案例加入历史案例集。

进一步的，所述三种故障诊断子模型的输入为设备的特征信息，包括：设 备是否收到厂站、间隔事故总信号；设备保护是否动作；设备各开关是否有分 合闸信号；设备各开关首次动作是否为分闸、是否为合闸；设备各开关最后一 次动作是否为分闸、是否为合闸。

进一步的，所述三个故障诊断子模型的输出为故障诊断结果，包括：是否 故障、是否进行自动重合闸、自动重合闸是否成功；

对于基于人工神经网络和贝叶斯网络的故障诊断模型输出为三个结果的相 应概率、专家系统故障诊断模型输出为三个结果的0/1量。

进一步的，评价指标体系包括故障情况准确率和故障情况准确指数、重合 情况准确率和重合情况准确指数、漏报率和漏报指数、误报率和误报指数和偏 离程度评价指标。

进一步的，所述依据评价指标体系对三种故障诊断子模型的诊断情况进行 评价获得评价结果，包括：

计算三种故障诊断子模型对应的各个指标值；

采用拉开档次法得到三种故障诊断子模型归一化后的权重；

对三种故障诊断子模型对应的权重进行规整，将规整后的值作为评价结果。

进一步的，所述采用拉开档次法得到三种故障诊断子模型归一化后的权重， 包括：

根据三种故障诊断子模型对应的各个指标值，构建指标值矩阵；

将指标值矩阵进行规范化处理；

根据规划化处理后的指标值矩阵，计算得到实对称矩阵；

计算实对称矩阵的最大特征值与对应标准化特征向量；

基于标准化特征向量计算出各故障诊断子模型权重；

对各故障诊断子模型权重进行归一化，得到归一化后的权重。

相应的，本发明还提供了一种基于自适应策略的故障诊断信息融合装置， 包括：

历史案例故障诊断模块，用于利用预先训练的三种故障诊断子模型对历史 案例进行诊断；所述三种故障诊断子模型为基于神经网络的故障诊断模型、基 于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

故障诊断评价模块，用于依据预设的评价指标体系对三种故障诊断子模型 的诊断情况进行评价，获得评价结果；

待诊案例故障诊断模块，用于选择评价结果最优的故障诊断子模型对待诊 断案例进行诊断，得到诊断结果。

进一步的，还包括历史案例更新模块，用于将待诊断案例加入历史案例集。

与现有技术相比，本发明所达到的有益效果是：

1)抗干扰能力强：相较于现行故障诊断方法，融合后的方法能够根据历史 数据是否充足、信号质量是否可靠等情况自动选择该情形下的最佳模型，比之 单一模型能够始终维持较高的诊断准确率；

2)诊断精度高：本发明方法旨在在三子模型诊断结果间选择最接近实际情 况的作为融合结果，故而最终在多样本上的诊断精度将高于任一子模型；

3)应用前景广阔：通过本发明的电力系统故障诊断信息融合方法，可以结 合现有模型的优势，实现诊断准确率和诊断精度的提高；可根据线上诊断性能 自适应地改变各基本方法的权重，在确定权重后实际是需要采用基本方法的其 中一种进行诊断，使得线上诊断速度较快。因此本发明具有很好的应用前景。

附图说明

图1是本发明方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明 本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的发明构思是：(1)建立三种故障诊断子模型；(2)构建评价指 标体系，对子模型在训练集上的诊断性能进行评价；(3)利用拉开档次法进行 权重确定，进而实现电力系统故障诊断的信息融合；

实施例1

本发明的一种基于自适应策略的故障诊断信息融合方法，参见图1所示， 该方法包括以下步骤：

第一步，分别建立基于神经网络的故障诊断模型、基于贝叶斯网络的故障 诊断模型、基于专家系统的故障诊断模型，作为三种故障诊断子模型。用建立 好的三种故障诊断子模型对历史案例进行诊断。

三种故障诊断子模型的输入为设备的特征信息，包括：设备是否收到厂站、 间隔事故总信号；设备保护是否动作；设备各开关是否有分合闸信号；设备各 开关首次动作是否为分闸、是否为合闸；设备各开关最后一次动作是否为分闸、 是否为合闸。将上述各类信息用1/-1表示(1表示是、-1表示否)，拼接组成 长向量即为模型输入。

三种故障诊断子模型的输出为故障诊断结果，包含三个结果，分别表示是 否故障、是否进行自动重合闸、自动重合闸是否成功，其中基于人工神经网络 的故障诊断模型和基于贝叶斯网络的故障诊断模型为三个结果的相应概率、专 家系统模型为0/1量(0表示否定，1表示肯定)。

第二步，构建故障诊断模型性能的评价指标体系，各基本方法的评价值即 可作为拉开档次法确定权重的依据。

如表1所示，评价指标包括故障情况准确率和故障情况准确指数、重合情 况准确率和重合情况准确指数、漏报率和漏报指数、误报率和误报指数、偏离 程度，各指标的具体含义与计算方法如下：

表1人工智能诊断方法的评价指标

序号	评价指标
		1	故障情况准确率
2	故障情况准确指数
		3	重合情况准确率
4	重合情况准确指数
		5	漏报率
6	漏报指数
		7	误报率
8	误报指数
		9	偏离程度

1)故障情况准确率与故障情况准确指数

模型故障情况诊断准确率定义为对样本是否故障判断的正确样本数与总 样本数之比，对于输出结果为概率的诊断方法，以0.5为分界作为诊断结果。故 障情况准确指数为诊断正确的时模型输出与相反标签之间的平均差，表征模型 对该次诊断的确定程度。故障情况准确率A与故障情况准确指数Ab分别由式1、 2计算可得。

其中i＝1,2,3表示三种人工智能诊断方法；N、N_coi分别表示测试样本与第i种 方法正确诊断的样本数；D_coi为第i种方法正确诊断的样本序号集；c_1ki、y_1k分别 表示第i种方法在样本k上对设备是否故障的诊断输出结果以及样本k关于设备 故障情况的标签，对于专家系统，诊断结果为故障时c₁＝1，否则c₁＝0，专家系 统的准确指数为1。

2)漏报率与漏报指数

诊断模型的漏报率指设备真实发生故障情况下，诊断模型给出未故障结果 的概率。漏报指数定义为漏报时模型诊断结果与故障时的理想故障情况输出(即 样本标签第一位y₁＝1)之间的平均差值，该指数可以作为模型在漏报时的诊断 错误严重程度的衡量指标。漏报率M与漏报指数Mb的具体计算方法如式3、4 所示。

其中N₁、N_mi分别表示测试样本集中故障样本数目与第i种方法将故障样本 诊断为未故障的样本数；D_mi为第i种方法发生漏报的样本序号集。

3)误报率与误报指数

与漏报类似，诊断模型的误报率指设备真实未发生故障的情况下，诊断模 型将其错误诊断为故障情况的概率。误报指数定义为误报时模型诊断结果与未 故障时的理想故障情况输出(即样本标签第一位y₁＝0)之间的平均差值，该指 数可以作为模型在误报时的诊断错误严重程度的衡量指标。误报率F与误报指 数Fb的具体计算方法如式5、6所示。

其中N₀、N_fi分别表示测试样本集中未故障样本数目与第i种方法将未故障 样本错误诊断为故障的样本数；D_fi为第i种方法发生误报的样本序号集。

4)重合情况准确率与重合情况准确指数

诊断模型对重合情况的判断可用两位数字c₂、c₃表示，其中c₂表示模型对 是否进行了重合动作的判断；c₃表示对重合是否成功的判断。两位数字均判断正 确时认为模型对重合情况诊断正确。重合情况准确率定义为对重合情况的诊断 正确样本数与总样本数之比，对于输出结果为概率的诊断方法，以0.5为分界作 为诊断结果。重合情况准确指数为诊断正确时，模型的重合情况相关的两位输 出(第2、3位输出)与其相应标签相反数之间的差的平均值，表征模型对该次 诊断的确定程度。重合情况准确率A'与重合情况准确指数Ab'分别由式7、8计 算可得。

其中N'、N'_ai分别表示测试样本与第i种方法正确诊断的样本数；D'_ai为第i 种方法正确诊断的样本序号集；y_2k、y_3k分别表示样本k的实际是否发生重合以 及重合是否成功的标签，由于专家系统的诊断结果为0/1量，故其重合情况准确 指数为1。

5)偏离程度

本实施例定义故障情况诊断偏离程度为该诊断方法与其他几种诊断方法对 故障情况和重合闸情况诊断结果的平均值在每个输出位上的差异均值。通常情 况下，与大多数方法诊断结果相似时诊断结果正确的可能性更高，即偏离程度 低时模型性能倾向于更好。具体地，第i种诊断方法的故障情况诊断偏离程度E_i计算式为：

第三步，基于指标取值，采用拉开档次法得到各基本方法归一化后的权重

该权重反映了各方法在历史案例上诊断性能的好坏，性能越加则权重越高。

①根据表1对于训练集的计算，构建指标值矩阵X＝[x_ij]，其中 x_ij(1≤i≤3,1≤j≤7)表示第i个诊断方法的第j个指标取值；

②考虑到指标1,2为越大越好，其余指标为越小越好，利用式10将极小化 指标转化为极大化指标，为了确保不同评价指标间的可比性，将指标值矩阵X带 入式11进行规范化处理得到矩阵X^*；

③考虑本问题中各指标的重要性差异，如漏报率的重要性应高于误报率， 在此基础上将X^*带入式12，以增加对各指标加权处理步骤；

式中

表示矩阵X^*的第j列；a_j为指标权重向量a的第j个权重，即第j个 指标的权重值，表征该指标的重要程度，可根据实际需求进行设定。

④由式4计算得到实对称阵H；

H＝X^*TX^* (13)

⑤计算H的最大特征值λ_max与对应标准化特征向量Y＝{y₁,y₂,...,y₇}；

⑥将Y带入式14计算出各基本诊断模型权重w_i；

⑦将w_i带入式15，得到归一化后的权重

第四步，为避免性能不佳的模型对诊断精度的影响，对归一化后的权重进 行四舍五入规整得到0/1化的权重

作为评价结果，也是之后故障诊断子模 型的融合和选择依据；

第五步，采用评价结果最优(四舍五入后权重为1)的故障诊断子模型对待 诊断案例进行诊断，得到的诊断结果即为本融合方法融合后的诊断结果；

第六步，将新的诊断案例加入历史案例集，若当前历史案例集中案例数量 大于设定值时，则去除离当前时间最远的样本，重复第二步至第四步对权重进 行自适应更新。

本发明基于信息融合的思想，采用故障诊断评价指标体系及客观权重法中 的拉开档次法，自适应地确定三种人工智能故障诊断方法的权重，从而使得融 合之后的故障诊断具有更高的诊断精度。

实施例2

采用某地区110KV实际历史案例进行实施。共提取历史记录138条，模拟 实际情况中训练样本极少的情况，将其中10条作为训练，用其余128条作为测 试样本对本发明进行验证。三种诊断子模型和融合和诊断结果如表2所示。

根据经验和工程需求，如漏报比误报更为严重等情况，将第三步中各指标 的权重设置为：a＝[0.25,0.04,0.14,0.04,0.28,0.04,0.15,0.04,0.02]；历史案例集 中最大案例数设定为100；为了更直观地对各诊断模型的诊断结果进行综合性的 客观比较，在计算表1所述各指标的基础上，对其进行如下处理以得到综合评 分指标：

(1)求各指标加权和。权重选择为上述向量a，同时由于故障情况准确率、 故障情况准确指数、重合情况准确率、重合情况准确指数为越高越好，其余为 越低越好，故将其余五个指标取相反数后再乘以权重并求和；

(2)以此综合方法下可能的最高得分为参照，进行标准化处理。得分最高 情况为前四项指标值为1，其余均为0，此时得分为0.47。故将步骤(1)得到 的加权和除以0.47，得到最终综合评分。

表2各方法测试结果

综上，与电力系统故障诊断现有技术相比，本发明能够大幅度提高诊断准 确率和诊断精度，在实施例中获得了高于所有现有诊断技术的综合评分。

实施例3

相应的，本发明还提供了一种基于自适应策略的故障诊断信息融合装置， 包括：

历史案例故障诊断模块，用于利用预先训练的三种故障诊断子模型对历史 案例进行诊断；所述三种故障诊断子模型为基于神经网络的故障诊断模型、基 于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

故障诊断评价模块，用于依据预设的评价指标体系对三种故障诊断子模型 的诊断情况进行评价，获得评价结果；

待诊案例故障诊断模块，用于选择评价结果最优的故障诊断子模型对待诊 断案例进行诊断，得到诊断结果。

进一步的，还包括历史案例更新模块，用于将待诊断案例加入历史案例集。

本装置中各模块的具体技术方案，参见实施例1中具体实现过程。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计 算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产 品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入 式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算 机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的 指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理， 从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程 或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变 型，这些改进和变型也应视为本发明的保护范围。

Claims (9)

1.一种基于自适应策略的故障诊断信息融合方法，其特征是，包括：

利用预先训练的三种故障诊断子模型对历史案例进行诊断；所述三种故障诊断子模型为基于神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

依据预设的评价指标体系对三种故障诊断子模型的诊断情况进行评价，获得评价结果；

选择评价结果最优的故障诊断子模型对待诊断案例进行诊断，得到诊断结果。

2.根据权利要求1所述的一种基于自适应策略的故障诊断信息融合方法，其特征是，还包括：将待诊断案例加入历史案例集。

3.根据权利要求1所述的一种基于自适应策略的故障诊断信息融合方法，其特征是，所述三种故障诊断子模型的输入为设备的特征信息，包括：设备是否收到厂站、间隔事故总信号；设备保护是否动作；设备各开关是否有分合闸信号；设备各开关首次动作是否为分闸、是否为合闸；设备各开关最后一次动作是否为分闸、是否为合闸。

4.根据权利要求3所述的一种基于自适应策略的故障诊断信息融合方法，其特征是，所述三个故障诊断子模型的输出为故障诊断结果，包括：是否故障、是否进行自动重合闸、自动重合闸是否成功；

对于基于人工神经网络和贝叶斯网络的故障诊断模型输出为三个结果的相应概率、专家系统故障诊断模型输出为三个结果的0/1量。

5.根据权利要求1所述的一种基于自适应策略的故障诊断信息融合方法，其特征是，评价指标体系包括故障情况准确率和故障情况准确指数、重合情况准确率和重合情况准确指数、漏报率和漏报指数、误报率和误报指数和偏离程度评价指标。

6.根据权利要求5所述的一种基于自适应策略的故障诊断信息融合方法，其特征是，所述依据评价指标体系对三种故障诊断子模型的诊断情况进行评价获得评价结果，包括：

计算三种故障诊断子模型对应的各个指标值；

采用拉开档次法得到三种故障诊断子模型归一化后的权重；

对三种故障诊断子模型对应的权重进行规整，将规整后的值作为评价结果。

7.根据权利要求6所述的一种基于自适应策略的故障诊断信息融合方法，其特征是，所述采用拉开档次法得到三种故障诊断子模型归一化后的权重，包括：

根据三种故障诊断子模型对应的各个指标值，构建指标值矩阵；

将指标值矩阵进行规范化处理；

根据规划化处理后的指标值矩阵，计算得到实对称矩阵；

计算实对称矩阵的最大特征值与对应标准化特征向量；

基于标准化特征向量计算出各故障诊断子模型权重；

对各故障诊断子模型权重进行归一化，得到归一化后的权重。

8.一种基于自适应策略的故障诊断信息融合装置，其特征是，包括：

历史案例故障诊断模块，用于利用预先训练的三种故障诊断子模型对历史案例进行诊断；所述三种故障诊断子模型为基于神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

故障诊断评价模块，用于依据预设的评价指标体系对三种故障诊断子模型的诊断情况进行评价，获得评价结果；

待诊案例故障诊断模块，用于选择评价结果最优的故障诊断子模型对待诊断案例进行诊断，得到诊断结果。

9.根据权利要求8所述的一种基于自适应策略的故障诊断信息融合装置，其特征是，还包括历史案例更新模块，用于将待诊断案例加入历史案例集。

Images