CN112328961A - 基于故障树与贝叶斯网络的在线监测装置质量评估体系 - Google Patents

Abstract

本发明公开了基于故障树与贝叶斯网络的在线监测装置质量评估体系，该质量评估体系包括以下步骤：根据监测量采集频率与特性，选取滑动窗口，从在线监测数据流截取从当前时刻前推时间T的数据集；对数据进行重复、缺失、跳变等检测，若发现存在异常模式则进行下一步，否则返回上述步骤；本发明基于故障树与贝叶斯网络的在线监测装置质量评估体系，不需要对现场监测装置进行拆检，不影响电网的正常运行；构建在线监测装置状态评估体系，对装置状态进行自动评估，减少检测人员的投入，减轻一线工作人员的工作负担；对工作人员的经验水平要求不高；系统是通过监测装置采集的数据进行分析，数据需求来源单一，装置诊断方式简单、高效。

Description

基于故障树与贝叶斯网络的在线监测装置质量评估体系

技术领域

本发明属于在线监测装置质量评估监测领域，特别涉及基于故障树与贝叶斯网络的在线监测装置质量评估体系。

背景技术

经过近十年的发展，设备在线监测技术已被广泛应用在电网的电力设备监测中，在保障电网安全、稳定运行方面发挥了重要的作用。监测装置实现对全部220千伏及以上和部分重要110千伏变电站、架空输电线路覆盖，能够对输变电主设备本体关键参数和外部环境关键参数进行实时监测，支撑各级运检技术人员和管理人员实施掌握设备关键参数和状态；通过对异常缺陷设备实时监测，能够指导运检人员适时对设备进行检修，保障了电网设备安全稳定运行，降低了设备停电次数，提升了设备可靠性，有效减少了设备故障跳闸。

但是，在线监测装置在运行过程中长期受高压设备复杂强电磁环境、恶劣运行工况、雷电等外部因素的影响，容易出现传感器异常、通信中断、电源失效、软件缺陷等问题，导致频繁出现数据失真，高误报率，对于该捕捉的设备状态异常不能及时捕捉，装置本身异常却频繁报警。这种情况，轻者引起装置误报警、功能失效，增加现场运行维护难度；重者造成设备保护误动作，甚至引发安全生产事故。出现这些问题的主要原因有两方面，一方面由于部分厂家的产品质量先天不足，导致各种软件、硬件故障频发；另一方面是缺少必要的监测装置运维管理手段，检查和维护不到位而导致装置故障频发。

因此对监测装置的有效性、可靠性进行评估，提升在线监测数据的质量，一方面可以帮助运维人员有针对性的对在线监测装置进行维护检修；另一方面，可以有效避免延误电网本体的故障判断时机，提升电网设备运行的可靠性。

为此，我们提出基于故障树与贝叶斯网络的在线监测装置质量评估体系。

发明内容

本发明的主要目的在于提供基于故障树与贝叶斯网络的在线监测装置质量评估体系，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：基于故障树与贝叶斯网络的在线监测装置质量评估体系，该质量评估体系包括以下步骤：

步骤1：根据监测量采集频率与特性，选取滑动窗口，从在线监测数据流截取从当前时刻前推时间T的数据集；

步骤2：对数据进行重复、缺失、跳变等检测，若发现存在异常模式则进行下一步，否则返回步骤1；

步骤3：根据装置数据异常模型判断数据流异常模式，以及可能出现多种异常并存的情况；

步骤4：以装置故障统计数据作为先验概率，计算装置故障贝叶斯网络；

步骤5：将数据异常模式作为补充信息，修正贝叶斯网络计算结果；

步骤6：分别计算各类异常模式数据量占滑动窗口内正常数据量的比值，作为模糊指标得分；

步骤7：根据步骤6模糊指标得分与步骤5各类部件故障概率，建立模糊评价矩阵；

步骤8：对权重集与模糊评价矩阵做矩阵乘运算，计算在线监测装置运行可靠性评价结果。

优选的贝叶斯网络的构建包括以下步骤：

S1：建立装置运行可靠性评价指标体系，定义指标集S＝{S1，S2，S3，……，S17}和评语集V＝{V1，V2，V3}，其中V1～V3分别代表装置正常、异常和故障状态；

S2：计算指标权重，考虑到指标权重与各指标故障概率(P)及重要程度(I)相关，本项目以指标风险(R)作为权重计算依据，R＝P×I。根据上节计算方法可得各指标故障概率，各指标重要程度可利用层次分析法进行计算，对A1～A9指标两两对比构建指标对比矩阵A；其次，计算矩阵A的特征向量与相对权重；最后，对相对权重进行一致性检验，保证权重在两两比较时结果的一致性，将各指标权重计算结果与故障概率分别相乘，对该结果归一化后即为各指标风险权重集ω＝{ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11,ω12}；

S3：确定隶属度函数，本项目选取中间型梯形分布，表达式如下：

S4：建立模糊评价矩阵，将所有指标得分代入上式，求得模糊评价矩阵，即

式中：rij表示第i个指标对第j个评语的隶属度；n代表指标数量；m代表评语数量；

S5：计算装置运行质量评价结果，将权重集ω与模糊评价矩阵R做矩阵乘运算，即为模型评价结果，即

最后，根据按隶属度最大准则，评价结果B中最大值对应评语即为评价结果。

优选的贝叶斯网络，所述A1-A9指标两两对比构建指标对比矩阵A，其中A1：数据中断(瞬时)，该类异常表现为数据缺失，持续时间一般为分钟级，主要原因为软件缺陷、通信质量差；

A2：数据中断(长期)，与瞬时中断相比，该类异常持续时间一般为日级，主要为通信中断、电池电能耗尽、软件缺陷或参数错误等情况导致；

A3：数据重复，该类异常若由通讯中断引起，数据一般为负值或极限值；若由传感器完全失效导致，则为某一量程范围内随机值。此类异常通常不为零；

A4：数据固定偏移，即检测值与实测值存在固定偏差，由传感器固定偏移导致；

A5：数据为零，当传感器灵敏度降低时，微小的被监测量变化难以被捕捉，因此数据保持为零；

A6：数据连续增长/降低，数据随时间连续增降，若趋势长期保持同一方向，则是因为传感器漂移；反之，则是因为设备状态改变；

A7：数据跳变，设备状态发生阶跃性变化将导致监测数值突然增长或降低，且具有一定持续性；

A8：数据抖动，在开关开断、满负荷等恶劣运行工况下，剧烈变化的强电磁场将导致数据以均值为中心上下波动；

A9：离群点，又称离散值，是指数据远远偏离统计均值的数值，外部环境干扰是这类异常的主要来源。

优选的，该基于故障树的监测方法包括以下步骤：

步骤一、对于在线监测装置获取的实时数据，通过设置时间滑动窗口，将滑动窗口中的数据作为对监测装置进行评估的特征数据集；

步骤二、将特征数据集中异常值的分布情况、连续相同值的分布情况、空值情况、变异系数的变化情况作为判据，将这些判据应用于特征数据集；

步骤三、获取对应的判别值，根据对判据的侧重情况，赋予每个判别值相应的权重；

步骤四、将带有权值的判别值相加求和即可获得监测装置的状态值。

与现有技术相比，本发明具有如下有益效果：本发明基于故障树与贝叶斯网络的在线监测装置质量评估体系，不需要对现场监测装置进行拆检，不影响电网的正常运行；构建在线监测装置状态评估体系，对装置状态进行自动评估，减少检测人员的投入，减轻一线工作人员的工作负担；对工作人员的经验水平要求不高；系统是通过监测装置采集的数据进行分析，数据需求来源单一，装置诊断方式简单、高效。

附图说明

图1为本发明利用FTA构建在线监测装置评估指标体系模型图；

图2为本发明基于FTA构建的在线监测装置评估指标体系模型图。

图3为本发明构建的贝叶斯网络图。

图4为本发明输变电设备在线监测装置可靠性评估步骤图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1-4所示，本发明采取的技术方案为：基于故障树与贝叶斯网络的在线监测装置质量评估体系，基于故障树与贝叶斯网络的在线监测装置质量评估体系，该质量评估体系包括以下步骤：

步骤1：根据监测量采集频率与特性，选取滑动窗口，从在线监测数据流截取从当前时刻前推时间T的数据集；

步骤2：对数据进行重复、缺失、跳变等检测，若发现存在异常模式则进行下一步，否则返回步骤1；

步骤3：根据装置数据异常模型判断数据流异常模式，以及可能出现多种异常并存的情况；

步骤4：以装置故障统计数据作为先验概率，计算装置故障贝叶斯网络；

步骤5：将数据异常模式作为补充信息，修正贝叶斯网络计算结果；

步骤6：分别计算各类异常模式数据量占滑动窗口内正常数据量的比值，作为模糊指标得分；

步骤7：根据步骤6模糊指标得分与步骤5各类部件故障概率，建立模糊评价矩阵；

步骤8：对权重集与模糊评价矩阵做矩阵乘运算，计算在线监测装置运行可靠性评价结果。

优选的贝叶斯网络的构建包括以下步骤：

S1：建立装置运行可靠性评价指标体系，定义指标集S＝{S1，S2，S3，……，S17}和评语集V＝{V1，V2，V3}，其中V1～V3分别代表装置正常、异常和故障状态；

S2：计算指标权重，考虑到指标权重与各指标故障概率(P)及重要程度(I)相关，本项目以指标风险(R)作为权重计算依据，R＝P×I。根据上节计算方法可得各指标故障概率，各指标重要程度可利用层次分析法进行计算，对A1～A9指标两两对比构建指标对比矩阵A；其次，计算矩阵A的特征向量与相对权重；最后，对相对权重进行一致性检验，保证权重在两两比较时结果的一致性，将各指标权重计算结果与故障概率分别相乘，对该结果归一化后即为各指标风险权重集ω＝{ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11,ω12}；

S3：确定隶属度函数，本项目选取中间型梯形分布，表达式如下：

S4：建立模糊评价矩阵，将所有指标得分代入上式，求得模糊评价矩阵，即

式中：rij表示第i个指标对第j个评语的隶属度；n代表指标数量；m代表评语数量；

S5：计算装置运行质量评价结果，将权重集ω与模糊评价矩阵R做矩阵乘运算，即为模型评价结果，即

最后，根据按隶属度最大准则，评价结果B中最大值对应评语即为评价结果。

优选的贝叶斯网络，所述A1-A9指标两两对比构建指标对比矩阵A，其中A1：数据中断(瞬时)，该类异常表现为数据缺失，持续时间一般为分钟级，主要原因为软件缺陷、通信质量差；

A2：数据中断(长期)，与瞬时中断相比，该类异常持续时间一般为日级，主要为通信中断、电池电能耗尽、软件缺陷或参数错误等情况导致；

A3：数据重复，该类异常若由通讯中断引起，数据一般为负值或极限值；若由传感器完全失效导致，则为某一量程范围内随机值。此类异常通常不为零；

A4：数据固定偏移，即检测值与实测值存在固定偏差，由传感器固定偏移导致；

A5：数据为零，当传感器灵敏度降低时，微小的被监测量变化难以被捕捉，因此数据保持为零；

A6：数据连续增长/降低，数据随时间连续增降，若趋势长期保持同一方向，则是因为传感器漂移；反之，则是因为设备状态改变；

A7：数据跳变，设备状态发生阶跃性变化将导致监测数值突然增长或降低，且具有一定持续性；

A8：数据抖动，在开关开断、满负荷等恶劣运行工况下，剧烈变化的强电磁场将导致数据以均值为中心上下波动；

A9：离群点，又称离散值，是指数据远远偏离统计均值的数值，外部环境干扰是这类异常的主要来源。

优选的，该基于故障树的监测方法包括以下步骤：

步骤一、对于在线监测装置获取的实时数据，通过设置时间滑动窗口，将滑动窗口中的数据作为对监测装置进行评估的特征数据集；

步骤二、将特征数据集中异常值的分布情况、连续相同值的分布情况、空值情况、变异系数的变化情况作为判据，将这些判据应用于特征数据集；

步骤三、获取对应的判别值，根据对判据的侧重情况，赋予每个判别值相应的权重；

步骤四、将带有权值的判别值相加求和即可获得监测装置的状态值。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.基于故障树与贝叶斯网络的在线监测装置质量评估体系，其特征在于，该质量评估体系包括以下步骤：

步骤1：根据监测量采集频率与特性，选取滑动窗口，从在线监测数据流截取从当前时刻前推时间T的数据集；

步骤2：对数据进行重复、缺失、跳变等检测，若发现存在异常模式则进行下一步，否则返回步骤1；

步骤3：根据装置数据异常模型判断数据流异常模式，以及可能出现多种异常并存的情况；

步骤4：以装置故障统计数据作为先验概率，计算装置故障贝叶斯网络；

步骤5：将数据异常模式作为补充信息，修正贝叶斯网络计算结果；

步骤6：分别计算各类异常模式数据量占滑动窗口内正常数据量的比值，作为模糊指标得分；

步骤7：根据步骤6模糊指标得分与步骤5各类部件故障概率，建立模糊评价矩阵；

步骤8：对权重集与模糊评价矩阵做矩阵乘运算，计算在线监测装置运行可靠性评价结果。

2.根据权利要求1的基于故障树与贝叶斯网络的在线监测装置质量评估体系，其特征在于，贝叶斯网络的构建包括以下步骤：

S1：建立装置运行可靠性评价指标体系，定义指标集S＝{S1，S2，S3，……，S17}和评语集V＝{V1，V2，V3}，其中V1～V3分别代表装置正常、异常和故障状态；

S2：计算指标权重，考虑到指标权重与各指标故障概率(P)及重要程度(I)相关，本项目以指标风险(R)作为权重计算依据，R＝P×I。根据上节计算方法可得各指标故障概率，各指标重要程度可利用层次分析法进行计算，对A1～A9指标两两对比构建指标对比矩阵A；其次，计算矩阵A的特征向量与相对权重；最后，对相对权重进行一致性检验，保证权重在两两比较时结果的一致性，将各指标权重计算结果与故障概率分别相乘，对该结果归一化后即为各指标风险权重集ω＝{ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11,ω12}；

S3：确定隶属度函数，本项目选取中间型梯形分布，表达式如下：

S4：建立模糊评价矩阵，将所有指标得分代入上式，求得模糊评价矩阵，即

式中：rij表示第i个指标对第j个评语的隶属度；n代表指标数量；m代表评语数量；

S5：计算装置运行质量评价结果，将权重集ω与模糊评价矩阵R做矩阵乘运算，即为模型评价结果，即

最后，根据按隶属度最大准则，评价结果B中最大值对应评语即为评价结果。

3.根据权利要求2的贝叶斯网络，其特征在于：所述A1-A9指标两两对比构建指标对比矩阵A，其中A1：数据中断(瞬时)，该类异常表现为数据缺失，持续时间一般为分钟级，主要原因为软件缺陷、通信质量差；

A2：数据中断(长期)，与瞬时中断相比，该类异常持续时间一般为日级，主要为通信中断、电池电能耗尽、软件缺陷或参数错误等情况导致；

A3：数据重复，该类异常若由通讯中断引起，数据一般为负值或极限值；若由传感器完全失效导致，则为某一量程范围内随机值。此类异常通常不为零；

A4：数据固定偏移，即检测值与实测值存在固定偏差，由传感器固定偏移导致；

A5：数据为零，当传感器灵敏度降低时，微小的被监测量变化难以被捕捉，因此数据保持为零；

A6：数据连续增长/降低，数据随时间连续增降，若趋势长期保持同一方向，则是因为传感器漂移；反之，则是因为设备状态改变；

A7：数据跳变，设备状态发生阶跃性变化将导致监测数值突然增长或降低，且具有一定持续性；

A8：数据抖动，在开关开断、满负荷等恶劣运行工况下，剧烈变化的强电磁场将导致数据以均值为中心上下波动；

A9：离群点，又称离散值，是指数据远远偏离统计均值的数值，外部环境干扰是这类异常的主要来源。

4.根据权利要求1的故障树，其特征在于：该基于故障树的监测方法包括以下步骤：

步骤一、对于在线监测装置获取的实时数据，通过设置时间滑动窗口，将滑动窗口中的数据作为对监测装置进行评估的特征数据集；

步骤二、将特征数据集中异常值的分布情况、连续相同值的分布情况、空值情况、变异系数的变化情况作为判据，将这些判据应用于特征数据集；

步骤三、获取对应的判别值，根据对判据的侧重情况，赋予每个判别值相应的权重；

步骤四、将带有权值的判别值相加求和即可获得监测装置的状态值。

Images