CN113591396B - 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于朴素贝叶斯网络的电网元器件故障诊断方法，包含以下步骤：将电网元器件的所有数据标签进行收集，并将其分隔为若干字数据集；将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，计算运行状态为“故障”与“正常”的先验概率P(c)：对各标签采用向量平滑；针对数据标签分别计算离散属性标签与连续属性标签的条件概率P(x_i|c)；根据上述的条件概率计算状态为“故障”和“正常”的后验概率P(c|x)：比较c＝1和c＝‑1时后验概率的大小。本发明在运维人员进行现场诊断、维修之前便对各元器件是否故障进行判断，从而有针对性的携带元件前往更换，为电网运维人员提供便利，提高了电网工作人员定位故障的速度和工作效率。

Description

一种基于朴素贝叶斯网络的电网元器件故障诊断方法

技术领域

本发明涉及一种电网元器件的故障诊断方法，具体的说，是一种利用朴素贝叶斯网络对电网元器件的运行状态进行故障预判断的方法。

背景技术

在变电站的日常运维中，对变电站设备元器件的更换也是其中重要一环。在所有元器件中，CPU板、220V电源、显示屏是容易损耗的，很容易在运行中发生故障，且每个地区变电站所用的上述元器件的供应商并不完全相同。因此电力公司运维人员检修变电站元器件故障时，大多需要携带所有类型的备件，逐一检查是否损坏。这样的检查方法效率低下，耗时较多，且携带大量元器件增加了运维人员的负担。

发明内容

本发明涉及一种故障诊断方法，其通过朴素贝叶斯网络计算元件损坏概率，从而对元器件是否故障作出快速预判。

本发明采用如下技术手段实现：一种基于朴素贝叶斯网络的电网元器件故障诊断方法，包含以下步骤：

1)将电网元器件的所有数据标签进行收集，并将其分隔为若干字数据集；

2)将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，所述运行状态故障的元件定义其生命历程为1，运行状态正常的元件，将损坏日期与安装日期的差值与元件设计寿命相除得到其生命历程；

3)对运行状态标签采用拉普拉斯平滑，提高算法准确率，其公式为

c的取值为-1和1，分别代表运行状态为“故障”和“正常”。D_c表示类别为c的样本集合，D表示所有样本的集合；N表示训练集D中可能的类别数，N_i表示第i个属性可能的取值数。

4)计算运行状态为“故障”与“正常”的先验概率P(c)：

c的取值为-1和1，分别代表运行状态为“故障”和“正常”。在公式中，D_c表示类别为c的样本集合，D表示所有样本的集合；

5)对其余各标签采用向量平滑，防止没出现的标签对测试和预测的影响；

6)针对数据标签分别计算离散属性标签与连续属性标签的条件概率P(x_i|c)；

7)根据上述的条件概率计算状态为“故障”和“正常”的后验概率P(c|x)：

为对c的极大似然估计；

8)比较c＝1和c＝-1时后验概率的大小，若c＝-1的后验概率大，则认为元器件故障，否则认为元器件运行正常。

进一步的，所述步骤2中若元件运行状态正常，则损坏日期默认为当天日期。

进一步的，所述步骤4中的向量平滑通过下列公式计算：

α_k为/>中第k个元素，k∈[1，n]，α_k∈{1，2，3}，不同的k对应不同的α_k。

步骤5中离散属性的条件概率P(x_i|c)通过下列公式计算：

所述的离散属性包括生产厂家、设计寿命、元件设置间隔、运维单位、安装地点。

所述步骤5中连续属性的条件概率P(x_i|c)通过下列公式计算：

μ_c，i为连续属性D_c上的子集取值的均值，σ_c，i为连续属性D_c上的子集取值的均方差，且上述连续属性服从均值为μ_c，i，均方差为σ_c，i的正态分布，所述的连续属性包括温度、生命历程、湿度。

本发明中所述的数据集设置3个，为“CPU”“DC220V电源板”“显示屏”，每个子数据集均包括一份其余所有的数据标签。

本发明利用朴素贝叶斯网络建立故障预判断的故障诊断模型，在运维人员进行现场诊断、维修之前便对各元器件是否故障进行判断，从而有针对性的携带元件前往更换，为电网运维人员提供便利，提高了电网工作人员定位故障的速度和工作效率。

附图说明

图1为本发明流程示意图。

具体实施方式

下面通过具体的例子来说明本发明：

本发明涉及一种电网元器件的故障诊断方法，具体的说，是一种利用朴素贝叶斯网络对电网元器件的运行状态进行故障预判断的方法。其通过如下步骤来实现：

步骤一：数据预处理

本发明所用到的数据集共有十一个字段，对应参数值如下表：

元器件的类型决定了元器件的寿命、特性以及对环境的敏感程度。因此，读入原始数据之后，按照元器件类型“CPU”“DC220V电源板”“显示屏”三类，将原始数据集拆分为三个子数据集，分别对其进行切分、训练和测试，将大大提高模型的针对性和准确度。由于对每个子数据集的操作相同，以下步骤仅以一个子数据集为例，阐述本发明的技术方案。

首先，将“设计寿命”“安装日期”“损坏日期”“温度”“湿度”六个连续型属性的参数值依次标签化，即把连续的数字转化为文字段。

对于“设计寿命”“安装日期”“损坏日期”三个标签，融合成一个文字标签“生命历程”。对于运行状态故障的元件，定义其生命历程为1，对于运行状态正常的元件，计算当前日期与安装日期的差值，再除以该元件的设计寿命，定义为正常元件的生命历程。生命历程仍然为一个连续值。

为了防止没出现的标签对测试和预测的影响，因此我们需要对数据进行平滑处理，

首先，若样本运行状态缺失，运行状态没有“正常”或没有“故障”，需要对运行状态标签采用拉普拉斯平滑，提高算法准确率，其公式为

c的取值为-1和1，分别代表运行状态为“故障”和“正常”。D_c表示类别为c的样本集合，D表示所有样本的集合；N表示训练集D中可能的类别数，N_i表示第i个属性可能的取值数。

然而，拉普拉斯平滑实质上假设了标签与类别均匀分布，这是在朴素贝叶斯过程中额外引入的关于数据的先验。在故障诊断过程中，显然各个标签与类别的关联性大小不一。为了改进这一缺点，本专利采用了向量平滑，即

其中，α_k为/>中第k个元素，k∈[1，n]，α_k∈{1，2，3}，不同的k对应不同的α_k，并在模型测试时优化α向量。

c的取值为-1和1，分别代表运行状态为“故障”和“正常”。D_c表示类别为c的样本集合，D表示所有样本的集合；N表示训练集D中可能的类别数，N_i表示第i个属性可能的取值数。

步骤二：模型训练

首先，计算运行状态为“故障”和“正常”的先验概率P(c)

在本专利中，c的取值为-1和1，分别代表运行状态为“故障”和“正常”。在公式中，D_c表示类别为c的样本集合，D表示所有样本的集合。根据式(5)统计每个分类的出现的次数，除以样本总量，作为分类的先验概率的估计值。

接着，针对所有特征属性，建立类条件概率模型。由于特征属性可以分为离散属性和连续属性，其条件概率的计算存在一定差异，下面我们分类进行详细说明。

针对“生产厂家”“设计寿命”“间隔”等离散属性，其条件概率P(x_i|c)可以通过下列公式计算：

其中表示D_c集合中第i个属性取值为x_i的样本组成的集合。对每个分类下，每种标签的汇总，获得特定分类下，特定标签出现的次数，除以这个分类的样本总量，作为类条件概率的估计值

针对“温度”“生命历程”等连续属性，我们首先需要分别计算这些属性在集合D_c上的子集取值的均值μ_c，i和均方差σ_c，i。我们假定这些，则其条件概率可以表示为：

然后，分别计算每个属性的类条件概率P(x_i|c)。

按以下公式计算状态为“故障”和“正常”的后验概率P(c|x)。

考虑到对于每个后验概率，都含有因子因此，只需要分别计算

其中被称为对c的极大似然估计，在实际训练和测试中，可能会出现多个条件概率接近于0，这样连乘之后变量越界，乘积被认作是0的情况，即“下溢”。所以，需要对上式取对数，构造如式(10)所示的对数似然来避免这种情况的发生。

最后，需要比较P′(c＝1|x)和P′(c＝-1|x)的大小，又由于

因此，后验概率的比较就可以用式(10)来比较，若LL(c＝1)≥LL(c＝-1)，则认为该元器件运行正常，反之则认为该元器件发生故障。

步骤三：模型评估

根据电力公司运维的特点与实际需要，本专利提出下列方法用于模型评估。

首先根据测试过程中的测试结果，得出该次训练的混淆矩阵

其中查准率P与查全率R分别定义为

由于故障的器件被误认为正常对于电力公司的损失远大于正常的器件错误认为故障对于电力公司造成的损失，所以我们在对查准率和查全率的综合考量时，对二者必须要加权，即

化简可得

其中β表示查全率对于查准率的相对重要性。

通过计算F_β的值来评估模型的好坏。F_β越高，代表模型越能满足电力公司的实际需要。

Claims (5)

1.一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于，包含以下步骤：

1)将电网元器件的所有数据标签进行收集，并将其分隔为若干字数据集；

2)将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，运行状态故障的元件定义其生命历程为1，运行状态正常的元件，将损坏日期与安装日期的差值与元件设计寿命相除得到其生命历程；

3)若样本运行状态缺失，运行状态没有“正常”或没有“故障”，对运行状态标签采用拉普拉斯平滑，提高算法准确率，其公式为

c的取值为-1和1，分别代表运行状态为“故障”和“正常”，D_c表示类别为c的样本集合，D表示所有样本的集合；N表示训练集D中类别数，N_i表示第i个属性取值数；

4)计算运行状态为“故障”与“正常”的先验概率P(c)：

c的取值为-1和1，分别代表运行状态为“故障”和“正常”，在公式中，D_c表示类别为c的样本集合，D表示所有样本的集合；

5)对各标签采用向量平滑，防止没出现的标签对测试和预测的影响；

6)针对数据标签分别计算离散属性标签与连续属性标签的条件概率P(x_i|c)；

步骤6中离散属性的条件概率P(x_i|c)通过下列公式计算：

所述的离散属性包括生产厂家、设计寿命、元件设置间隔、运维单位、安装地点；

步骤6中连续属性的条件概率P(x_i|c)通过下列公式计算：

μ_c,i为连续属性D_c上的子集取值的均值，σ_c,i为连续属性D_c上的子集取值的均方差，且上述连续属性服从均值为μ_c,i，均方差为σ_c,i的正态分布；

7)根据上述的条件概率计算状态为“故障”和“正常”的后验概率P(c|x)：

为对c的极大似然估计；

8)比较c＝1和c＝-1时后验概率的大小，若c＝-1的后验概率大，则认为元器件故障，否则认为元器件运行正常。

2.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：步骤2中若元件运行状态正常，则损坏日期默认为当天日期。

3.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：步骤5中的向量平滑通过下列公式计算：

α_k为/>中第k个元素，k∈[1,n],α_k∈{1,2,3},不同的k对应不同的α_k值。

4.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：所述的连续属性包括温度、生命历程、湿度。

5.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：所述的数据集设置3个，为“CPU”“DC220V电源板”“显示屏”，每个子数据集均包括一份其余所有的数据标签。