CN113189447B - 一种基于贝叶斯网络的馈线故障检测方法、系统及设备 - Google Patents

Abstract

本发明涉及一种基于贝叶斯网络的馈线故障检测方法、系统及设备，包括采集配电网上馈线的电气量数据，并对电气量数据进行离散化处理，得到离散数据；基于贝叶斯网络对离散数据进行训练，建立故障检测模型；获取待检测馈线的待测数据，将待测数据输入故障检测模型中，故障检测模型输出待检测馈线的发生故障率。该基于贝叶斯网络的馈线故障检测方法综合考虑了馈线的电压、电流、有功功率、无功功率、功率因数、电能量等电气量数据，建立故障检测模型可实现馈线故障的精确检测，减少误报率和漏报率，该基于贝叶斯网络的馈线故障检测方法也能够在无人工干预的情况下，对馈线进行全天候、远程的精确检测和预警，最大限度的预防馈线故障的发生。

Description

一种基于贝叶斯网络的馈线故障检测方法、系统及设备

技术领域

本发明涉及配电网馈线技术领域，尤其涉及一种基于贝叶斯网络的馈线故障检测方法、系统及设备。

背景技术

馈线又称电缆线，在有线电视系统中起传输信号的作用，通过它将天线接收的信号传给前端系统，前端输出的信号也是由电缆线传输到各用户的电视机。

馈线是收发设备与天线连接的媒介。在配电网中的馈线长期暴露在外界环境中，易造成匹配不良或馈线故障。

目前对于配电网中的馈线故障防治的主要手段仍依赖人工检测。然而，人工检测存在费用高以及滞后性问题，无法做到实时监控和检测。

发明内容

本发明实施例提供了一种基于贝叶斯网络的馈线故障检测方法、系统及设备，用于解决目前对于配电网中的馈线故障防治的主要手段仍依赖人工检测、存在费用高和滞后性问题，无法做到实时监控和检测的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

一种基于贝叶斯网络的馈线故障检测方法，包括以下步骤：

采集配电网上馈线的电气量数据，并对所述电气量数据进行离散化处理，得到离散数据；

基于贝叶斯网络对所述离散数据进行训练，建立故障检测模型；

获取待检测馈线的待测数据，将所述待测数据输入所述故障检测模型中，所述故障检测模型输出待检测馈线的发生故障率。

优选地，在采集配电网上馈线的电气量数据，并对所述电气量数据进行离散化处理，得到离散数据之前，该馈线故障检测方法还包括：将所述电气量数据作为显状态、馈线的故障作为隐状态构建用于检测馈线故障的贝叶斯网络。

优选地，采集配电网上馈线的电气量数据，并对所述电气量数据进行离散化处理，得到离散数据包括：

采集配电网上馈线的电压、电流、有功功率、无功功率、功率因数、电能量作为电气量数据；

对所述电压、所述电流、所述功率因数和所述电能量的数值是否高于正常值均划分为正常区间和非正常区间；

对所述有功功率和所述无功功率均根据区间划分条件均划分为五个区间，分别记为第一区间、第二区间、第三区间、第四区间和第五区间；

位于所述正常区间、所述非正常区间、所述第一区间、所述第二区间、所述第三区间、所述第四区间和所述第五区间中数值的离散值构建成离散数据；

其中，位于所述正常区间的数值记为1的离散值，位于所述非正常区间的数值记为2的离散值，位于所述第一区间的数值记为1的离散值，位于所述第二区间的数值记为2的离散值，位于所述第三区间的数值记为3的离散值，位于所述第四区间的数值记为4的离散值，位于所述第五区间的数值记为5的离散值。

优选地，所述区间划分条件包括：划分为所述第一区间的条件是：r∈[0，0.25Pmax]；划分为所述第二区间的条件是：r∈(0.25Pmax，0.5Pmax]；划分为所述第三区间的条件是：r∈(0.5Pmax，0.75Pmax]；划分为所述第四区间的条件是：r∈(0.75Pmax，Pmax]；划分为所述第五区间的条件是：r>Pmax；r为有功功率或无功功率的数值，Pmax为馈线中最大的有功功率或无功功率。

优选地，基于贝叶斯网络对所述离散数据进行训练，建立故障检测模型的步骤包括：

获取基于贝叶斯网络对所述离散数据进行训练的先验概率；

基于所述离散数据的条件下，计算贝叶斯网络中各个电气量数据的条件概率，得到条件概率数集；

由所述先验概率和所述条件概率数集建立故障检测模型；

其中，从所述条件概率数集中选取条件概率最大值作为所述故障检测模块输出的发生故障率。

优选地，该基于贝叶斯网络的馈线故障检测方法还包括：根据所述发生故障率大于阈值，发生警报。

本发明还提供一种基于贝叶斯网络的馈线故障检测系统，包括采集模块和控制检测模块；

所述采集模块，用于采集配电网上馈线的电气量数据并将所述电气量数据传送至所述控制检测模块；

所述控制检测模块，用于对所述电气量数据进行处理分析，输出发生故障率；

其中，所述控制检测模块按照上述所述的基于贝叶斯网络的馈线故障检测方法对所述电气量数据进行处理分析。

优选地，该基于贝叶斯网络的馈线故障检测系统还包括用于传送电气量数据的通信模块。

优选地，该基于贝叶斯网络的馈线故障检测系统还包括用于显示所述控制检测模块输出结果的显示模块。

本发明还提供一种基于贝叶斯网络的馈线故障检测设备，包括处理器以及存储器；

所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器，用于根据所述程序代码中的指令执行上述所述的基于贝叶斯网络的馈线故障检测方法。

从以上技术方案可以看出，本发明实施例具有以下优点：该基于贝叶斯网络的馈线故障检测方法、系统及设备，包括采集配电网上馈线的电气量数据，并对电气量数据进行离散化处理，得到离散数据；基于贝叶斯网络对离散数据进行训练，建立故障检测模型；获取待检测馈线的待测数据，将待测数据输入故障检测模型中，故障检测模型输出待检测馈线的发生故障率。该基于贝叶斯网络的馈线故障检测方法综合考虑了馈线的电压、电流、有功功率、无功功率、功率因数、电能量等电气量数据，建立故障检测模型可实现馈线故障的精确检测，减少误报率和漏报率，该基于贝叶斯网络的馈线故障检测方法也能够在无人工干预的情况下，对馈线进行全天候、远程的精确检测和预警，最大限度的预防馈线故障的发生。解决了目前对于配电网中的馈线故障防治的主要手段仍依赖人工检测、存在费用高和滞后性问题，无法做到实时监控和检测的技术问题。

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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例所述的基于贝叶斯网络的馈线故障检测方法的步骤流程图。

图2为本发明实施例所述的基于贝叶斯网络的馈线故障检测方法的贝叶斯网络示意图。

图3为本发明实施例所述的基于贝叶斯网络的馈线故障检测系统的框架图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本申请实施例提供了一种基于贝叶斯网络的馈线故障检测方法、系统及设备，用于解决了目前对于配电网中的馈线故障防治的主要手段仍依赖人工检测、存在费用高和滞后性问题，无法做到实时监控和检测的技术问题。

实施例一：

图1为本发明实施例所述的基于贝叶斯网络的馈线故障检测方法的步骤流程图，图2为本发明实施例所述的基于贝叶斯网络的馈线故障检测方法的贝叶斯网络示意图。

如图1所示，本发明实施例提供了一种基于贝叶斯网络的馈线故障检测方法，包括以下步骤：

S10.采集配电网上馈线的电气量数据，并对电气量数据进行离散化处理，得到离散数据。

需要说明的是，主要是从配电网管理系统上获取馈线的电压Voltage、电流Current、有功功率AP、无功功率RP、功率因数COS、电能量EE等电气量以及人工检测馈线的故障结论Hitch等，构建电气量数据。之后对获取的电气量数据进行离散处理得到离散数据。在本实施例中，配电网管理系统是本领域比较成熟的系统，可以从该配电网管理系统直接获取配电网上所有所需的数据。

S20.基于贝叶斯网络对离散数据进行训练，建立故障检测模型。

需要说明的是，该贝叶斯网络是基于电气量数据作为显状态、馈线的故障作为隐状态构建用于检测馈线故障的贝叶斯网络，如图2所示。该贝叶斯网络对电气量数据进行训练得到能够输出馈线发生故障率的故障检测模型。在本实施例中，显状态包括电压Voltage、电流Current、有功功率AP、无功功率RP、功率因数COS、电能量EE，隐状态包括馈线的故障。其中，该贝叶斯网络中的显状态与隐状态之间存在依赖关系，如：功率因数COS依赖于无功功率RP、有功功率AP、馈线的故障；电能量EE依赖于有功功率AP、功率因数COS、馈线的故障Hitch；有功功率AP依赖于馈线的故障、电压Voltage、电流Current；无功功率RP依赖于馈线的故障、电压Voltage、电流Current。

S30.获取待检测馈线的待测数据，将待测数据输入故障检测模型中，故障检测模型输出待检测馈线的发生故障率。

需要说明的是，主要是获取需要检测馈线的待测数据，将待测数据输入故障检测模型中，得到检测馈线的发生故障率，实现馈线的故障检测。

本发明提供的一种基于贝叶斯网络的馈线故障检测方法，包括采集配电网上馈线的电气量数据，并对电气量数据进行离散化处理，得到离散数据；基于贝叶斯网络对离散数据进行训练，建立故障检测模型；获取待检测馈线的待测数据，将待测数据输入故障检测模型中，故障检测模型输出待检测馈线的发生故障率。该基于贝叶斯网络的馈线故障检测方法综合考虑了馈线的电压、电流、有功功率、无功功率、功率因数、电能量等电气量数据，建立故障检测模型可实现馈线故障的精确检测，减少误报率和漏报率，该基于贝叶斯网络的馈线故障检测方法也能够在无人工干预的情况下，对馈线进行全天候、远程的精确检测和预警，最大限度的预防馈线故障的发生。解决了目前对于配电网中的馈线故障防治的主要手段仍依赖人工检测、存在费用高和滞后性问题，无法做到实时监控和检测的技术问题。

在本发明的一个实施例中，采集配电网上馈线的电气量数据，并对电气量数据进行离散化处理，得到离散数据包括：

采集配电网上馈线的电压、电流、有功功率、无功功率、功率因数、电能量作为电气量数据；

对电压、电流、功率因数和电能量的数值是否高于正常值均划分为正常区间和非正常区间；

对有功功率和无功功率均根据区间划分条件均划分为五个区间，分别记为第一区间、第二区间、第三区间、第四区间和第五区间；

位于正常区间、非正常区间、第一区间、第二区间、第三区间、第四区间和第五区间中数值的离散值构建成离散数据；

其中，位于正常区间的数值记为1的离散值，位于非正常区间的数值记为2的离散值，位于第一区间的数值记为1的离散值，位于第二区间的数值记为2的离散值，位于第三区间的数值记为3的离散值，位于第四区间的数值记为4的离散值，位于第五区间的数值记为5的离散值。

在本发明实施例中，区间划分条件包括：划分为第一区间的条件是：r∈[0，0.25Pmax]；划分为第二区间的条件是：r∈(0.25Pmax，0.5Pmax]；划分为第三区间的条件是：r∈(0.5Pmax，0.75Pmax]；划分为第四区间的条件是：r∈(0.75Pmax，Pmax]；划分为第五区间的条件是：r>Pmax；r为有功功率或无功功率的数值，Pmax为馈线中最大的有功功率或无功功率。

需要说明的是，对于电压这个电气量，当电压高于正常值时为正常区间，且其离散值为1；当电压低于正常值时为非正常区间，且其离散值为2。对于电流这个电气量，当电流高于正常值时为正常区间，且其离散值为1；当电流低于正常值时为非正常区间，且其离散值为2。对于有功功率或无功功率这个电气量，按照等宽离散化方法划分为5个区间，其区间划分条件为r∈[0，0.25Pmax]时为第一区间，且其离散值为1；r∈(0.25Pmax，0.5Pmax]时为第二区间，且其离散值为2；r∈(0.5Pmax，0.75Pmax]时为第三区间，且其离散值为3；r∈(0.75Pmax，Pmax]时为第四区间，且其离散值为4；P>Pmax时为第五区间，且其离散值为5。对于功率因数这个电气量，当功率因数高于正常值时为正常区间，且其离散值为1；当功率因数低于正常值时为非正常区间，且其离散值为2。对于电能量这个电气量，当功率因数高于正常值时为正常区间，且其离散值为1；当功率因数低于正常值时为非正常区间，且其离散值为2。

在本发明的一个实施例中，在步骤S20中，基于贝叶斯网络对离散数据进行训练，建立故障检测模型的步骤包括：

获取基于贝叶斯网络对离散数据进行训练的先验概率；

基于离散数据的条件下，计算贝叶斯网络中各个电气量数据的条件概率，得到条件概率数集；

由先验概率和条件概率数集建立故障检测模型；

其中，从条件概率数集中选取条件概率最大值作为故障检测模块输出的发生故障率。

需要说明的是，在构建检测馈线的贝叶斯网络中馈线发生故障的先验概率是根据专家经验确定的，一般为0.05，即是P(Hitch＝1)＝0.05。对于贝叶斯网络中各个电气量数据的条件概率具体为：

P(EE＝b|Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝t)

＝(#D(EE＝b，Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝

t))/(#D(Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝t))

P(COS＝e|Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝t)

＝(#D(COS＝e，Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝

t))/(#D(Hitch＝d，AP＝g，RP＝a，,AH＝m，Current＝t))

其中，Voltage为电压、Current为电流、AP为有功功率、RP为无功功率，COS为功率因数、EE为电能量以及Hitch为是人工检测馈线的故障结论，

#D(Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝t)表示离散数据D中满足条件Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝t的数据记录的数量。字母b，d，g，a，m，t，e为对应电气量的离散值。

P(EE＝b|Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝t)为电能量EE当馈线故障的人工检测结论Hitch为d、有功功率AP为g、无功功率RP为a、电压Voltage为m、电流Current为t时的条件概率计算公式。

P(COS＝e|Hitch＝d，AP＝g，RP＝a，Voltage＝m，Current＝t)为功率因数COS当馈线故障的人工检测结论Hitch为d、有功功率AP为g、无功功率RP为a、电压Voltage为m、电流Current为t时的条件概率计算公式。

采集待检测馈线的待测数据，根据上述经过训练的馈线故障检测的贝叶斯网络计算馈线发生故障的发生故障率，即为：

其中，U为待测数据，待测数据包括电压Voltage、电流Current、有功功率AP、无功功率RP、功率因数COS、电能量EE，E为集合U中的一个电气量的离散值。

需要说明的是，E代表U中的一项数据，而Voltage，Current，AP，RP，COS，EE就代表具体的馈线数据，也就是说E代表了馈线的状态，Hitch＝1就是馈线发生了故障，P(Hitch＝1|E)表示馈线发生故障的发生故障率。

在本发明的一个实施例中，该基于贝叶斯网络的馈线故障检测方法还包括：根据发生故障率大于阈值，发生警报。

需要说明的是，阈值根据实际需求设定，在此不做限定，因为每种馈线或每个配电网的馈线要求限定的保护条件不同，那么阈值也是不同的。

实施例二：

图3为本发明实施例所述的基于贝叶斯网络的馈线故障检测系统的框架图。

如图3所示，本发明实施例还提供一种基于贝叶斯网络的馈线故障检测系统，包括控制检测模块20以及与控制检测模块20连接的采集模块10、通信模块30和显示模块40；

采集模块10，用于采集配电网上馈线的电气量数据并将电气量数据传送至所控制检测模块20；

控制检测模块20，用于对电气量数据进行处理分析，输出发生故障率；

其中，控制检测模块20按照上述的基于贝叶斯网络的馈线故障检测方法对电气量数据进行处理分析。

需要说明的是，实施例二系统中的基于贝叶斯网络的馈线故障检测方法的内容已在实施例一中详细阐述了，在此实施例二中不再对基于贝叶斯网络的馈线故障检测方法的内容进行详细阐述。

在本发明实施例中，采集模块10主要用于采集馈线上电压、电流、有功功率、无功功率、电能量等电气量，并将采集的电气量数据通过通信模块30传送至控制检测模块20中。

在本发明实施例中，控制检测模块20可以为馈线检测预警服务器，馈线检测预警服务器为Web服务器，其接收采集的电气量数据，结合馈线故障人工检测历史记录对上述馈线故障检测贝叶斯网络进行训练，训练好的故障检测模型存储在馈线故障检测预警服务器中。以采集需要检测馈线的待测数据作为输入，根据训练好的故障检测模型计算馈线发生故障的概率。当馈线发生故障的概率超过给定阈值时，控制检测模块20控制警报元件进行预警提醒。在本实施例中，警报元件可以是蜂鸣器、喇叭等。

在本发明实施例中，通信模块30主要用于实现数据传输。其中，通信模块30可以为NB-IoT网关，NB-IoT网关采用NB-IoT协议无线将采集模块10与控制检测模块20实现数据互通，构成无线通讯网络。

在本发明实施例中，显示模块40可以为具有显示功能终端，也可以提供提供数据录入、查询等功能。

实施例三：

本发明实施例提供了一种基于贝叶斯网络的馈线故障检测设备，包括处理器以及存储器；

存储器，用于存储程序代码，并将程序代码传输给处理器；

处理器，用于根据程序代码中的指令执行上述的基于贝叶斯网络的馈线故障检测方法。

需要说明的是，处理器用于根据所程序代码中的指令执行上述的一种基于贝叶斯网络的馈线故障检测方法实施例中的步骤。或者，处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。

终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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全部或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-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，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 (9)

1.一种基于贝叶斯网络的馈线故障检测方法，其特征在于，包括以下步骤：

采集配电网上馈线的电气量数据，并对所述电气量数据进行离散化处理，得到离散数据；

基于贝叶斯网络对所述离散数据进行训练，建立故障检测模型；

获取待检测馈线的待测数据，将所述待测数据输入所述故障检测模型中，所述故障检测模型输出待检测馈线的发生故障率；

采集配电网上馈线的电气量数据，并对所述电气量数据进行离散化处理，得到离散数据包括：

采集配电网上馈线的电压、电流、有功功率、无功功率、功率因数、电能量作为电气量数据；

对所述电压、所述电流、所述功率因数和所述电能量的数值是否高于正常值均划分为正常区间和非正常区间；

对所述有功功率和所述无功功率均根据区间划分条件均划分为五个区间，分别记为第一区间、第二区间、第三区间、第四区间和第五区间；

位于所述正常区间、所述非正常区间、所述第一区间、所述第二区间、所述第三区间、所述第四区间和所述第五区间中数值的离散值构建成离散数据；

其中，位于所述正常区间的数值记为1的离散值，位于所述非正常区间的数值记为2的离散值，位于所述第一区间的数值记为1的离散值，位于所述第二区间的数值记为2的离散值，位于所述第三区间的数值记为3的离散值，位于所述第四区间的数值记为4的离散值，位于所述第五区间的数值记为5的离散值。

2.根据权利要求1所述的基于贝叶斯网络的馈线故障检测方法，其特征在于，在采集配电网上馈线的电气量数据，并对所述电气量数据进行离散化处理，得到离散数据之前，该馈线故障检测方法还包括：将所述电气量数据作为显状态、馈线的故障作为隐状态构建用于检测馈线故障的贝叶斯网络。

3.根据权利要求1所述的基于贝叶斯网络的馈线故障检测方法，其特征在于，所述区间划分条件包括：划分为所述第一区间的条件是：r∈[0，0.25Pmax]；划分为所述第二区间的条件是：r∈(0.25Pmax，0.5Pmax]；划分为所述第三区间的条件是：r∈(0.5Pmax，0.75Pmax]；划分为所述第四区间的条件是：r∈(0.75Pmax，Pmax]；划分为所述第五区间的条件是：r>Pmax；r为有功功率或无功功率的数值，Pmax为馈线中最大的有功功率或无功功率。

4.根据权利要求1所述的基于贝叶斯网络的馈线故障检测方法，其特征在于，基于贝叶斯网络对所述离散数据进行训练，建立故障检测模型的步骤包括：

获取基于贝叶斯网络对所述离散数据进行训练的先验概率；

基于所述离散数据的条件下，计算贝叶斯网络中各个电气量数据的条件概率，得到条件概率数集；

由所述先验概率和所述条件概率数集建立故障检测模型；

其中，从所述条件概率数集中选取条件概率最大值作为所述故障检测模块输出的发生故障率。

5.根据权利要求1所述的基于贝叶斯网络的馈线故障检测方法，其特征在于，还包括：根据所述发生故障率大于阈值，发生警报。

6.一种基于贝叶斯网络的馈线故障检测系统，其特征在于，包括采集模块和控制检测模块；

所述采集模块，用于采集配电网上馈线的电气量数据并将所述电气量数据传送至所述控制检测模块；

所述控制检测模块，用于对所述电气量数据进行处理分析，输出发生故障率；

其中，所述控制检测模块按照如权利要求1-5任意一项所述的基于贝叶斯网络的馈线故障检测方法对所述电气量数据进行处理分析。

7.根据权利要求6所述的基于贝叶斯网络的馈线故障检测系统，其特征在于，还包括用于传送电气量数据的通信模块。

8.根据权利要求6所述的基于贝叶斯网络的馈线故障检测系统，其特征在于，还包括用于显示所述控制检测模块输出结果的显示模块。

9.一种基于贝叶斯网络的馈线故障检测设备，其特征在于，包括处理器以及存储器；

所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器，用于根据所述程序代码中的指令执行如权利要求1-5任意一项所述的基于贝叶斯网络的馈线故障检测方法。

Images