CN115508672B - 电网主设备故障溯源推理方法、系统、设备及介质 - Google Patents

Abstract

本发明涉及电力系统领域，公开了一种电网主设备故障溯源推理方法、系统、设备及介质，获取设备现象集合；将设备现象集合输入预构建的电网主设备故障溯源推理模型中，获得故障类型及故障原因。本发明的电网主设备故障溯源推理模型能够总结设备故障溯源过程，通过给定的设备现象，推理得出最能解释设备现象的故障原因，实现电力设备知识的积累、固化与传承，本发明方法能够解决电网主设备故障推理决策模型可靠性与可解释性低的问题，辅助业务人员开展运维检修工作，提升工作质量和效率。

Description

电网主设备故障溯源推理方法、系统、设备及介质

技术领域

本发明涉及电力系统领域，具体涉及一种电网主设备故障溯源推理方法、系统、设备及介质。

背景技术

电力设备是电网的关键组成部分，且设备种类多、数量庞大。目前电网朝向智能化、自动化发展的趋势不断增强，使用大量的传感器设备进行设备状态监测，因此，采集的数据包含大量非结构化数据，如大量设备状态、电网运行和环境气象等电力设备状态相关数据。从积累的大量数据中挖掘与设备状态相关的信息，判断是否有故障存在、追溯故障原因、进行故障预测并对辅助决策得出故障解决方案，对于保障电网安全稳定运行有重要意义。

近年来，电网规模迅速增长，安全可靠供电的要求也越来越高，设备状态准确评估和状态检修面临更大的挑战。传统的设备故障溯源主要采用基于数据分析的方法，即从全量数据中提取客观规律，从数据内在规律分析的角度发掘出对电力设备诊断和预测有价值的知识，但此方法在数据质量和数据处理方面存在一定的难度，且得到的溯源结果可解释性低。

现有技术：浙江大学廖伟涵的硕士论文——基于机器学习与自然语言处理的变压器故障诊断与状态评价研究，该现有技术提出一种基于数据预处理和梯度提升树的变压器故障诊断方法，主要包括数据预处理、模型构建与训练、超参数优化等步骤。

1）数据预处理

在故障诊断流程中，由传感器采集的设备状态数据可能产生噪声，与实际设备状态存在偏差。采用基于统计分布分析的异常点判别方法可对噪声数据进行合理筛选。

假设正常数据在特征维度上满足正态分布，当正态分布的平均值为、方差为时，特征值为的数据出现概率为：

通过正态分布的假设，可确定99.7%的正常数据都应集中于区间中，因此，可将区间外的数据作为异常噪声数据进行处理。

2）模型构建与训练

多分类梯度提升树模型由多个二分类梯度提升树模型构成，以决策树为基分类器，并通过梯度提升方式进行集成。

二分类梯度提升树模型需对分类器进行初始化，通过计算损失函数并拟合数据，根据叶子节点参数与学习率不断对分类器进行迭代更新，在最终迭代时即可生成最终的模型。

3）超参数优化

在超参数优化步骤中，采用网格搜索算法对模型超参数进行穷举搜索，为需要调优的所有参数设定其上下限和搜索步长，在参数搜索的区间内逐步长地变化各参数，遍历所有的参数组合，保留最优目标结果所对应的参数，以实现基于超参数选择的整体效果优化。

以上现有技术存在以下两个缺点：

1）缺少设备故障机理研究：现有技术侧重于总结数据规律，对如何凝练设备故障知识和故障溯源过程的研究仍不成熟；

2）故障溯源结果可解释性低：现有技术使用的模型在得出故障诊断结果的同时不揭示其系统的内部运行机制，缺少符合客观实际的解释。

发明内容

本发明的目的在于提供一种电网主设备故障溯源推理方法、系统、设备及介质，以解决现有技术存在的缺陷，本发明能够实现可解释推理决策过程，模仿业务人员逻辑思维，实现高效率、可解释的电网主设备故障溯源、预测、分析。

为达到上述目的，本发明采用如下技术方案：

电网主设备故障溯源推理方法，包括：

获取设备现象集合；

将设备现象集合输入预构建的电网主设备故障溯源推理模型中，获得故障类型及故障原因；

所述电网主设备故障溯源推理模型的构建过程如下：

获取电力业务数据；

基于电力业务数据分析电网主设备故障事件知识体系，挖掘电网主设备事件知识单元；

基于电网主设备事件知识单元，并结合电力业务数据，获取电网主设备故障事件关系；

基于电网主设备事件知识单元及电网主设备故障事件关系，形成设备故障事件链路；

基于设备故障事件链路构建电网主设备故障事件图谱；

对电网主设备故障事件图谱中的节点进行分析，判断节点的类别，所述节点为电网主设备事件知识单元，所述类别包括故障原因、故障类型和设备现象，基于所述类别对电网主设备故障事件图谱的拓扑结构进行调整，形成电网主设备故障溯源推理模型。

进一步地，所述电力业务数据包括运检业务数据、知识和专家经验。

进一步地，所述电网主设备事件知识单元包括事件触发词所属类别、事件发生的时间、事件发生的地点、事件的参与对象、事件的触发词和事件提及句；

或者，所述电网主设备事件知识单元包括事件触发词所属类别、事件的参与对象和事件提及句。

进一步地，所述获取电网主设备故障事件关系，具体为：采用显式关系抽取和隐式关系抽取两类方式，判断电网主设备事件知识单元之间的逻辑关系；

所述显式关系抽取针对电网主设备事件知识单元中存在表示逻辑关系词语的情况，通过人工设定逻辑模式获取事件对；

所述隐式关系抽取针对电网主设备事件知识单元中不存在表示逻辑关系词语的情况，通过嵌入式表示表达电网主设备事件知识单元的语义信息，并利用机器学习算法获取事件对。

进一步地，所述电网主设备故障溯源推理模型用于描述电网主设备的故障类型、设备现象以及故障原因之间的关系；

其中，一种故障原因能够导致多种故障类型，一种故障类型能够由多种故障原因导致，一种故障类型能够产生多种设备现象，一种设备现象能够由多种设备故障产生。

进一步地，所述将设备现象集合输入预构建的电网主设备故障溯源推理模型中，获得故障类型及故障原因，具体为：

当输入设备现象集合时，使用条件概率与贝叶斯法则计算某种故障类型的后验概率：

其中，为电网主设备故障溯源推理模型的相关参数，包括节点的先验概率与节点间关系的权重；为故障类型出现的条件下，设备现象集合出现的概率；为故障类型出现的概率；为设备现象集合出现的概率；

使用条件概率与递归贝叶斯法则计算对应设备现象集合的某种故障原因的后验概率：

其中，为设备现象集合与故障原因出现的条件下，故障类型出现的概率；为设备现象集合出现的前提下，故障原因出现的概率；为设备现象集合出现的前提下，故障类型出现的概率。

进一步地，获得故障类型及故障原因以后，还包括：

利用设备现象集合与实际发生的故障类型，对获得的故障类型进行预期稳定性分析，具体方法如下：

定义表示对变量 X施加干预使其值为 x的行为，并将 x称为干预项，则预期稳定性计算公式为：

其中，变量 Type为故障类型，表示对变量 Type施加干预使其值为，并将称为干预项；为与实际发生的故障类型相关的证据，包括设备现象与故障原因；为所有与干预项相关的设备现象集合，为所有对实际发生的故障类型产生正向作用的设备现象集合，为所有对干预项产生正向作用的设备现象集合；为对变量 Type施加干预使其值为且出现的条件下，设备现象集合出现的概率；为包含在设备现象集合中但不包含在设备现象集合中的元素数量；

当预期稳定性小于设定阈值时，对电网主设备故障溯源推理模型进行优化调整。

进一步地，所述对电网主设备故障溯源推理模型进行优化调整，具体为：

将实际发生的故障类型节点的先验概率、实际发生的故障类型与对其产生正向作用的设备现象之间关系的权重增加，同时将干预项与对其产生正向作用的设备现象之间关系的权重减少，得到优化调整后的电网主设备故障溯源推理模型。

电网主设备故障溯源推理系统，包括：

设备现象集合获取模块：用于获取设备现象集合；

故障溯源推理模块：用于将设备现象集合输入预构建的电网主设备故障溯源推理模型中，获得故障类型及故障原因；

所述电网主设备故障溯源推理模型通过模型构建模块获得，所述模型构建模块包括：

电力业务数据获取模块：用于获取电力业务数据；

知识单元挖掘模块：用于基于电力业务数据分析电网主设备故障事件知识体系，挖掘电网主设备事件知识单元；

事件关系获取模块：用于基于电网主设备事件知识单元，并结合电力业务数据，获取电网主设备故障事件关系；

事件链路形成模块：用于基于电网主设备事件知识单元及电网主设备故障事件关系，形成设备故障事件链路；

事件图谱构建模块：用于基于设备故障事件链路构建电网主设备故障事件图谱；

模型形成模块：用于对电网主设备故障事件图谱中的节点进行分析，判断节点的类别，所述节点为电网主设备事件知识单元，所述类别包括故障原因、故障类型和设备现象，基于所述类别对电网主设备故障事件图谱的拓扑结构进行调整，形成电网主设备故障溯源推理模型。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电网主设备故障溯源推理方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电网主设备故障溯源推理方法的步骤。

与现有技术相比，本发明具有以下有益的技术效果：

本发明基于现有电力业务数据，结合电网实际运行状况，形成基于数据与知识融合的电网主设备故障溯源推理模型，电网主设备故障溯源推理模型能够总结设备故障溯源过程，通过给定的设备现象，推理得出最能解释设备现象的故障原因，实现电力设备知识的积累、固化与传承。

进一步地，本发明基于电网主设备故障溯源推理模型，形成故障推理方法，开展故障类型可解释推理计算、故障类型判断筛选、故障类型预期稳定性分析，解决电网主设备故障推理决策模型可靠性与可解释性低的问题，辅助业务人员开展运维检修工作，提升工作质量和效率。

附图说明

说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明电网主设备故障溯源推理方法流程示意图；

图2为本发明电网主设备故障溯源推理模型构建流程示意图；

图3为本发明电网主设备故障溯源推理模型结构示意图；

图4为本发明电网主设备故障溯源推理系统结构示意图；

图5为本发明电网主设备故障溯源推理模型的模型构建模块结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

本发明提供一种电网主设备故障溯源推理方法，参见图1和图2，基于电力业务数据（包括运检业务数据、知识和专家经验），分析电网主设备故障事件知识体系，挖掘电网主设备事件知识单元；基于电网主设备事件知识单元，并结合电力业务数据，获取电网主设备故障事件关系；基于电网主设备事件知识单元及电网主设备故障事件关系，形成设备故障事件链路；基于设备故障事件链路构建电网主设备故障事件图谱；对电网主设备故障事件图谱中的节点进行分析，判断节点的类别，所述节点为电网主设备事件知识单元，所述类别包括故障原因、故障类型和设备现象，基于所述类别对电网主设备故障事件图谱的拓扑结构进行调整，形成电网主设备故障溯源推理模型；将设备现象集合输入电网主设备故障溯源推理模型中，获得故障类型及故障原因；利用设备现象集合与实际发生的故障类型，对获得的故障类型进行预期稳定性分析，利用预期稳定性对电网主设备故障溯源推理模型进行优化调整。

具体地：

步骤1：获取电力业务数据。

电力业务数据包括运检业务数据、知识和专家经验；

步骤2：电网主设备事件知识单元挖掘。

针对电力业务数据中具有明确组成要素的事件，如故障发生类事件等，采用事件组成要素表示法对其进行规范描述。该方法可将事件表示为由事件触发词所属类型、事件发生的时间、事件发生的地点、事件的参与对象、事件的触发词和事件提及句共同组成的电网主设备事件知识单元，符号化表示成六元组< Class, Time, Place, Object, Trigger,  Mention>形式，其中 Class表示事件触发词所属类别； Time表示事件发生的时间； Place表示事件发生的地点； Object表示事件的参与对象； Trigger为事件的触发词，通常为谓词； Mention为事件提及句，通常为包含事件触发词和元素的句子。

对事件进行规范描述的方法可替代为三元组< Class, Object, Mention>，其中， Class表示事件触发词所属类别； Object表示事件的参与对象； Mention为事件提及句，通常为包含事件触发词和元素的句子。但在步骤3进行电网主设备故障事件关系抽取前，需进一步对事件提及句 Mention进行自然语言处理，从而得到包含触发词以及相关语义信息的内容。

步骤3：电网主设备故障事件关系抽取。

针对电网主设备事件知识单元，结合电力业务数据，采用显式关系抽取和隐式关系抽取两类方式，判断电网主设备事件知识单元之间的逻辑关系。显式关系抽取针对电网主设备事件知识单元中存在明显表示逻辑关系词语的情况，可通过人工设定逻辑模式获取事件对；而隐式关系抽取针对电网主设备事件知识单元中不存在明显表示逻辑关系词语的情况，可通过嵌入式表示表达电网主设备事件知识单元的语义信息，并利用机器学习算法获取事件对。

对于存在明显表示逻辑关系词语的电网主设备知识单元中的事件提及句 Mention，可采用模式匹配的方法进行事件的显式关系抽取，根据逻辑关系标识词设计匹配模式，提取事件对。以因果关系为例，可根据“因为、由于、引发、导致”等因果关系标识词，设计匹配模式。对于不存在明显表示关系词语的电网主设备知识单元中的事件提及句 Mention，采用机器学习算法（卷积神经网络、循环神经网络或自注意力机制）进行事件的隐式关系抽取。通过机器学习算法提取电网主设备知识单元中的事件提及句 Mention的句级特征，并融合事件触发词特征，将事件关系抽取转化为关系分类任务。

步骤4：设备故障事件链路形成。

基于电网主设备事件知识单元及电网主设备故障事件关系，形成设备故障事件链路。

步骤5：电网主设备故障事件图谱构建。

基于多个设备故障事件链路可形成电网主设备故障事件图谱。

步骤6：电网主设备故障溯源推理模型构建。

基于电网主设备故障事件图谱，对其中的电网主设备事件知识单元（节点）进行分析，判断电网主设备事件知识单元类别。其中，电网主设备事件知识单元类别包含故障原因 Cause、故障类型 Type、设备现象 Pheno三类。经过对电网主设备故障事件图谱的拓扑结构进行调整，形成如图3的电网主设备故障溯源推理模型。电网主设备故障溯源推理模型模拟了电网主设备故障类型、设备现象、故障原因之间的关系，其中，一种故障原因可以导致多种故障类型，一种故障类型可由多种故障原因导致，一种故障类型会产生多种设备现象，一种设备现象也可由多种设备故障产生。

电网主设备故障溯源推理模型基于通用的贝叶斯网络模型，其构建参考了从工单、工作票等数据中抽取的电力业务知识和从标准、手册、导则等文件中抽取的专家经验，对多种故障原因、故障类型、设备现象进行总结。电网主设备故障溯源推理模型中节点的先验概率与节点间关系的权重则由专家经验和电网主设备故障事件图谱中的数据训练得到，先验概率和权重的初始值由专家经验赋值。

此处，电网主设备故障溯源推理模型的“故障溯源过程”可定义为“对条件/问题/场景的原因/性质进行观察/分析”，即给定设备现象，推理得出最能解释设备现象的故障原因。

步骤7：故障类型可解释推理计算。

电网主设备故障溯源推理模型可实现故障推理决策流程，通过已知的设备现象推理得出故障类型及产生故障的故障原因，实现智能决策和可解释性推理。

基于电网主设备故障溯源推理模型，当输入设备现象集合时，可使用条件概率与贝叶斯法则计算某种故障类型的后验概率：

其中，为电网主设备故障溯源推理模型的相关参数，包括节点的先验概率与节点间关系的权重；为故障类型出现的条件下，设备现象集合出现的概率；为故障类型出现的概率；为设备现象集合出现的概率。

同理，可使用条件概率与递归贝叶斯法则计算对应设备现象集合的某种故障原因的后验概率：

其中，为设备现象集合与故障原因出现的条件下，故障类型出现的概率；为设备现象集合出现的前提下，故障原因出现的概率；为设备现象集合出现的前提下，故障类型出现的概率。

推理得出的结果为多种可能出现的故障原因与其对应的概率集合，概率越高，对应故障原因出现的可能性越大。

步骤8：预期稳定性分析。

预期稳定性分析步骤中，若已获取设备现象集合与实际发生的故障类型，则可对电网主设备故障溯源推理模型得出的故障类型进行预期稳定性分析。具体方法如下：

预期稳定性描述了如果故障类型并未出现时，不再出现的设备现象期望值，主要反映电网主设备故障溯源推理模型中设备现象与故障类型之间的逻辑关系，期望值越低，表示计算的设备现象与故障类型之间的关系权重相对现实误差越大，电网主设备故障溯源推理模型就越不稳定。定义表示对变量 X施加干预使其值为 x的行为，并将 x称为干预项。预期稳定性计算公式为：

其中，变量 Type为故障类型，表示对变量 Type施加干预使其值为，并将称为干预项；为与实际发生的故障类型相关的证据，包括设备现象与故障原因；为所有与干预项相关的设备现象集合，为所有对实际发生的故障类型产生正向作用的设备现象集合，为所有对干预项产生正向作用的设备现象集合；为对变量 Type施加干预使其值为且出现的条件下，设备现象集合出现的概率；为包含在设备现象集合中但不包含在设备现象集合中的元素数量。

当计算后的预期稳定性小于设定阈值时，表示模型模拟的情况与现实情况误差较大，需要对模型进行优化调整。此时，将实际发生的故障类型节点先验概率、实际发生的故障类型与对其产生正向作用的设备现象之间关系的权重增加，同时将干预项与对其产生正向作用的设备现象之间关系的权重减少，从而得到优化后的基于数据与知识融合的电网主设备故障溯源推理模型，用以更加精准地进行电网主设备故障溯源推理。

实施例二

参见图4和图5，本发明提供一种电网主设备故障溯源推理系统，包括：

设备现象集合获取模块：用于获取设备现象集合；

故障溯源推理模块：用于将设备现象集合输入预构建的电网主设备故障溯源推理模型中，获得故障类型及故障原因；

所述电网主设备故障溯源推理模型通过模型构建模块获得，所述模型构建模块包括：

电力业务数据获取模块：用于获取电力业务数据；

知识单元挖掘模块：用于基于电力业务数据分析电网主设备故障事件知识体系，挖掘电网主设备事件知识单元；

事件关系获取模块：用于基于电网主设备事件知识单元，并结合电力业务数据，获取电网主设备故障事件关系；

事件链路形成模块：用于基于电网主设备事件知识单元及电网主设备故障事件关系，形成设备故障事件链路；

事件图谱构建模块：用于基于设备故障事件链路构建电网主设备故障事件图谱；

模型形成模块：用于对电网主设备故障事件图谱中的节点进行分析，判断节点的类别，所述节点为电网主设备事件知识单元，所述类别包括故障原因、故障类型和设备现象，基于所述类别对电网主设备故障事件图谱的拓扑结构进行调整，形成电网主设备故障溯源推理模型。

实施例三

本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电网主设备故障溯源推理方法的步骤。

实施例四

本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电网主设备故障溯源推理方法的步骤。

最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。

Claims (7)

1.电网主设备故障溯源推理方法，其特征在于，包括：

获取设备现象集合；

将设备现象集合输入预构建的电网主设备故障溯源推理模型中，获得故障类型及故障原因；

所述将设备现象集合输入预构建的电网主设备故障溯源推理模型中，获得故障类型及故障原因，具体为：

当输入设备现象集合时，使用条件概率与贝叶斯法则计算某种故障类型的后验概率：

其中，为电网主设备故障溯源推理模型的相关参数，包括节点的先验概率与节点间关系的权重；为故障类型出现的条件下，设备现象集合出现的概率；为故障类型出现的概率；为设备现象集合出现的概率；

使用条件概率与递归贝叶斯法则计算对应设备现象集合的某种故障原因的后验概率：

其中，为设备现象集合与故障原因出现的条件下，故障类型出现的概率；为设备现象集合出现的前提下，故障原因出现的概率；为设备现象集合出现的前提下，故障类型出现的概率；

所述电网主设备故障溯源推理模型的构建过程如下：

获取电力业务数据；

基于电力业务数据分析电网主设备故障事件知识体系，挖掘电网主设备事件知识单元；

基于电网主设备事件知识单元，并结合电力业务数据，获取电网主设备故障事件关系；

基于电网主设备事件知识单元及电网主设备故障事件关系，形成设备故障事件链路；

基于设备故障事件链路构建电网主设备故障事件图谱；

对电网主设备故障事件图谱中的节点进行分析，判断节点的类别，所述节点为电网主设备事件知识单元，所述类别包括故障原因、故障类型和设备现象，基于所述类别对电网主设备故障事件图谱的拓扑结构进行调整，形成电网主设备故障溯源推理模型。

2.根据权利要求1所述的电网主设备故障溯源推理方法，其特征在于，所述电力业务数据包括运检业务数据、知识和专家经验。

3.根据权利要求1所述的电网主设备故障溯源推理方法，其特征在于，所述电网主设备事件知识单元包括事件触发词所属类别、事件发生的时间、事件发生的地点、事件的参与对象、事件的触发词和事件提及句；

或者，所述电网主设备事件知识单元包括事件触发词所属类别、事件的参与对象和事件提及句。

4.根据权利要求1所述的电网主设备故障溯源推理方法，其特征在于，所述获取电网主设备故障事件关系，具体为：采用显式关系抽取和隐式关系抽取两类方式，判断电网主设备事件知识单元之间的逻辑关系；

所述显式关系抽取针对电网主设备事件知识单元中存在表示逻辑关系词语的情况，通过人工设定逻辑模式获取事件对；

所述隐式关系抽取针对电网主设备事件知识单元中不存在表示逻辑关系词语的情况，通过嵌入式表示表达电网主设备事件知识单元的语义信息，并利用机器学习算法获取事件对。

5.根据权利要求1所述的电网主设备故障溯源推理方法，其特征在于，所述电网主设备故障溯源推理模型用于描述电网主设备的故障类型、设备现象以及故障原因之间的关系；

其中，一种故障原因能够导致多种故障类型，一种故障类型能够由多种故障原因导致，一种故障类型能够产生多种设备现象，一种设备现象能够由多种设备故障产生。

6.根据权利要求1所述的电网主设备故障溯源推理方法，其特征在于，获得故障类型及故障原因以后，还包括：

利用设备现象集合与实际发生的故障类型，对获得的故障类型进行预期稳定性分析，具体方法如下：

定义表示对变量X施加干预使其值为x的行为，并将x称为干预项，则预期稳定性计算公式为：

其中，变量Type为故障类型，表示对变量Type施加干预使其值为，并将称为干预项；为与实际发生的故障类型相关的证据，包括设备现象与故障原因；为所有与干预项相关的设备现象集合，为所有对实际发生的故障类型产生正向作用的设备现象集合，为所有对干预项产生正向作用的设备现象集合；为对变量Type施加干预使其值为且出现的条件下，设备现象集合出现的概率；为包含在设备现象集合中但不包含在设备现象集合中的元素数量；

当预期稳定性小于设定阈值时，对电网主设备故障溯源推理模型进行优化调整。

7.根据权利要求6所述的电网主设备故障溯源推理方法，其特征在于，所述对电网主设备故障溯源推理模型进行优化调整，具体为：

将实际发生的故障类型节点的先验概率、实际发生的故障类型与对其产生正向作用的设备现象之间关系的权重增加，同时将干预项与对其产生正向作用的设备现象之间关系的权重减少，得到优化调整后的电网主设备故障溯源推理模型。

Images