CN116881675A - 一种基于贝叶斯算法的电力设备状态监测方法 - Google Patents
一种基于贝叶斯算法的电力设备状态监测方法 Download PDFInfo
- Publication number
- CN116881675A CN116881675A CN202311151093.3A CN202311151093A CN116881675A CN 116881675 A CN116881675 A CN 116881675A CN 202311151093 A CN202311151093 A CN 202311151093A CN 116881675 A CN116881675 A CN 116881675A
- Authority
- CN
- China
- Prior art keywords
- probability
- equipment
- parameter
- state
- directed acyclic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000012098 association analyses Methods 0.000 claims abstract description 12
- 239000002131 composite material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 125000002015 acyclic group Chemical group 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于贝叶斯算法的电力设备状态监测方法,涉及电力设备状态监测技术领域,包括:采集电力设备的参数信息和状态信息;对参数信息、状态信息和故障节点进行关联分析,并通过后验概率更新这些关联;根据关联构建一级有向无环图和二级有向无环图,建立贝叶斯网络并根据依赖关系合并和分裂有向无环图中的节点,在参数信息发生变化时,输出预测的电力设备状态和预测的异常节点;在状态信息发生变化时,输出预测的异常节点和预测的异常参数。可以更准确地预测电力设备的状态和可能出现的异常节点,从而提高预测的准确性。全面地监测电力设备的各种状态信息和参数信息,从而发现电力设备中可能存在的各种问题。
Description
技术领域
本发明涉及电力设备状态监测技术领域,具体为一种基于贝叶斯算法的电力设备状态监测方法。
背景技术
电力设备状态监测的需求源于电力设备的关键性和其运行状态对整个电力系统稳定性的影响。电力设备如变压器、电力电缆、断路器等是电力系统的关键组成部分,它们的状态直接影响电力系统的稳定运行。如果电力设备发生故障或运行状态异常,可能会导致电力供应中断,甚至引发大规模的电力系统故障。
为了防止这种情况发生,电力系统操作员需要持续监控电力设备的状态,并在发现可能的问题时及时进行处理。这就需要采用有效的电力设备状态监测方法,通过对电力设备的运行参数进行实时或定期监测,对电力设备的状态进行评估。
然而,由于电力设备的运行环境复杂,运行参数多样,电力设备状态的判断与评估往往涉及到大量的数据处理与分析。因此,需要采用一种有效的数据处理方法,如基于贝叶斯算法的方法,来处理这些数据,帮助操作员对电力设备的状态做出准确判断,以实现对电力系统的有效管理和控制。
总的来说,电力设备状态监测方法的主要目的是通过对电力设备的运行参数进行持续监控,确保电力系统的稳定运行,防止因设备故障导致的电力供应中断,从而确保电力供应的稳定和可靠。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的电力设备状态监测方法存在监控不及时,不能在发现故障时及时预测状态,也无法子状态变化时预测设备故障。
为解决上述技术问题,本发明提供如下技术方案:一种基于贝叶斯算法的电力设备状态监测方法,包括:
采集电力设备的参数信息和状态信息;
对所述参数信息、状态信息和故障节点进行关联分析,并通过后验概率更新电力设备的参数信息、状态信息和故障节点的关联;
根据所述关联构建一级有向无环图和二级有向无环图,建立贝叶斯网络并根据依赖关系合并和分裂有向无环图中的节点,在参数信息发生变化时,输出预测的电力设备状态和预测的异常节点;在所述状态信息发生变化时,输出预测的异常节点和预测的异常参数。
作为本发明所述的基于贝叶斯算法的电力设备状态监测方法的一种优选方案,其中:所述关联分析包括对历史记录中采集到的参数信息和状态信息进行关联评估,确定状态信息与对应的参数变化之间的关联性,对在设备状态变化H的情况下,设备参数的改变量D的概率P(D|H)进行统计。
作为本发明所述的基于贝叶斯算法的电力设备状态监测方法的一种优选方案,其中:所述关联分析还包括,分析设备参数的变化与设备状态之间的关联,确定在设备发生每种状态变化时,设备的各个参数将发生每一种改变量的概率;确定设备的各个参数发生每一种改变量时,设备每种状态变化的概率;
分析设备参数的变化与故障节点之间的关联,在设备发生每种状态变化时对应的设备各个参数将发生的每一种改变量的概率;节点发生每种故障时,能够导致设备的各个参数将发生每一种改变量的概率以及导致设备每种状态变化的概率。
作为本发明所述的基于贝叶斯算法的电力设备状态监测方法的一种优选方案,其中:将设备状态与设备参数改变量建立有向无环图和条件概率表;
所述有向无环图包括:构建节点作为参数改变量和状态变化的一级有向无环图;构建二级有向无环网,以故障节点和参数改变量作为节点,构建边代表这些变量之间的关联和概率依赖关系;
所述条件概率表包括:对构建的边进行编号,根据编号匹配到表中的概率波动范围,在有向无环图中的边对应的概率发生变化时,对所述编号进行更新;
若在设备状态发生变化时,设备参数的改变量a与另外一个设备参数的改变量b的出现完全依赖,则在有向无环图将a和b作为一个复合节点表示;当a和b构成的复合节点不满足完全依赖关系时,将复合节点分裂作为两个独立的节点。
作为本发明所述的基于贝叶斯算法的电力设备状态监测方法的一种优选方案,其中:所述后验概率包括,通过采集当前时刻的设备参数改变量和设备状态信息对一级有向无环图进行概率的更新;
观测到设备参数改变量为D,则对后验概率进行更新:
P(H|D) = P(D|H) * P(H) / P(D);
其中,P(H|D)是后验概率,表示在给定设备参数改变量D的情况下,设备状态变化H的概率;P(D|H)表示在设备状态变化H的情况下,观察到设备参数改变量D 的概率; P(H)表示在观测到数据之前,设备状态变化 H 出现的概率,P(D) 表示设备参数改变量为 D 的概率;
通过采集当前时刻的设备参数改变量和故障节点信息对二级有向无环图进行概率的更新。
作为本发明所述的基于贝叶斯算法的电力设备状态监测方法的一种优选方案,其中:在发生电力设备一种状态变化时,通过一级有向无环图找到概率最高的设备参数改变量,根据所述概率最高的设备参数改变量在二级有向无环图找到概率最高的故障节点,将具有最高后验概率的设备参数改变量和故障节点作为预测结果;若排查后否定预测结果则向下搜索,搜索二级有向无环图中条件概率表概率第二的故障节点,不断向下搜索直到确认故障节点为止;若搜索完毕所有的二级有向无环图中的节点仍未确认预测结果,则向下搜索一级有向无环图中概率第二的设备参数改变量后重新执行二级有向无环图的搜索过程,不断向下搜索直到确认故障节点为止;
若在有向无环图的边匹配到条件概率表中相同编号的概率范围中存在设备参数改变量与故障节点有百分百关联概率时,则优先输出存在百分百关联概率的设备参数改变量与故障节点作为预测结果,当预测结果否定时,重新执行正常的从大到小的预测结果;
在发现设备的节点发生一种故障时,通过二级有向无环图找到能够诱发的设备参数改变量及其概率,通过一级有向无环图找到所述能够诱发的设备参数改变量的节点对应的状态变化及其概率,通过对能够诱发的设备参数改变量的概率与对应的状态变化的概率相乘作为电力设备状态的预测概率,并将预测概率从大到小输出预测的电力设备状态及预测概率;
在电力设备的设备参数发生改变时,根据改变量匹配一级有向无环图和二级有向无环图对应的节点,根据向无环图中边对应的概率,从大到小的输出电力设备状态变化和故障节点的预测结果。
作为本发明所述的基于贝叶斯算法的电力设备状态监测方法的一种优选方案,其中:所述预测还包括,在发生电力设备多种状态变化时,则优先匹配通过二级有向无环图搜索故障节点最少的情况作为故障节点的预测结果,若预测结果被否定,则对每一种设备状态变化独立地进行预测,将每一种预测结果的概率相加,按概率和从大到小输出预测结果;
在发现设备的节点发生多种故障时,则优先匹配二级有向无环图中节点故障能够诱发对应的设备参数改变量的概率和最大的设备参数改变量作为设备参数改变量的预测结果,若预测结果被否定,则对每一种节点故障独立预测,将每一种预测结果的概率相加,按概率和从大到小输出预测结果。
一种采用如本发明所述方法的基于贝叶斯算法的电力设备状态监测系统,其特征在于:数据采集模块,采集电力设备的参数信息和状态信息;更新模块,对所述参数信息、状态信息和故障节点进行关联分析,并通过后验概率更新电力设备的参数信息、状态信息和故障节点的关联;关联构建模块,根据所述关联构建一级有向无环图和二级有向无环图,建立贝叶斯网络并根据依赖关系合并和分裂有向无环图中的节点;状态监测输出模块,根据关联构建模块的贝叶斯网络,在参数信息发生变化时,输出预测的电力设备状态和预测的异常节点;在所述状态信息发生变化时,输出预测的异常节点和预测的异常参数。
一种计算机设备,包括:存储器和处理器;所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。
本发明的有益效果:本发明提供的基于贝叶斯算法的电力设备状态监测方法通过对电力设备的参数信息、状态信息和故障节点进行关联分析,并使用贝叶斯算法更新这些信息的关联,可以更准确地预测电力设备的状态和可能出现的异常节点,从而提高预测的准确性。全面地监测电力设备的各种状态信息和参数信息,从而发现电力设备中可能存在的各种问题。可以提供高效的状态监测解决方案。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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。其中:
图1为本发明第一个实施例提供的一种基于贝叶斯算法的电力设备状态监测方法的整体流程图;
图2为本发明第二个实施例提供的一种基于贝叶斯算法的电力设备状态监测方法的监测效果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于贝叶斯算法的电力设备状态监测方法,包括:
S1:采集电力设备的参数信息和状态信息。
进一步的,确定需要监测的电力设备,如变压器、发电机、断路器等,根据设备的特性,选择关键的运行参数,如温度、电压、电流、频率、振动等,对于容性设备还需要采集容性设备的DC偏压特性、电容频率特性等参数信息。这些参数通常能反映出设备的运行状态。在电力设备上安装必要的传感器和数据采集设备,如温度传感器、电压和电流传感器、振动传感器等。启动数据采集设备,实时监测并记录设备的运行参数。
S2:对所述参数信息、状态信息和故障节点进行关联分析,并通过后验概率更新电力设备的参数信息、状态信息和故障节点的关联。
进一步的,关联分析包括对历史记录中采集到的参数信息和状态信息进行关联评估,确定状态信息与对应的参数变化之间的关联性,对在设备状态变化H的情况下,设备参数的改变量D的概率P(D|H)进行统计。
要说的是,分析设备参数的变化与设备状态之间的关联,确定在设备发生每种状态变化时,设备的各个参数将发生每一种改变量的概率;确定设备的各个参数发生每一种改变量时,设备每种状态变化的概率;分析设备参数的变化与故障节点之间的关联,在设备发生每种状态变化时对应的设备各个参数将发生的每一种改变量的概率;节点发生每种故障时,能够导致设备的各个参数将发生每一种改变量的概率以及导致设备每种状态变化的概率。
再进一步的,通过采集当前时刻的设备参数改变量和设备状态信息对一级有向无环图进行概率的更新;观测到设备参数改变量为D,则对后验概率进行更新:
P(H|D) = P(D|H) * P(H) / P(D);
其中,P(H|D)是后验概率,表示在给定设备参数改变量D的情况下,设备状态变化H的概率;P(D|H)表示在设备状态变化H的情况下,观察到设备参数改变量D 的概率; P(H)表示在观测到数据之前,设备状态变化 H 出现的概率,P(D) 表示设备参数改变量为 D 的概率。
要知道的是,设备某一元件发生故障时,对设备参数的影响是恒定的,所以对应的参数改变量也是恒定的。那么这样,设备内多个元件发生故障时,对设备参数的影响相当于,多个不同的改变量进行复核,那么这个改变量也是特殊且恒定的,所以可以通过对设备参数改变量的预测来实现对设备状态的监测。也就是说,对于一个设备元件发生故障,可能引发多个特殊且恒定的参数变化,而这些特殊且恒定的参数变化又能匹配到对应的设备状态变化。根据他们的关联关系,能够实现精确的预测。
S3:根据关联构建一级有向无环图和二级有向无环图,建立贝叶斯网络并根据依赖关系合并和分裂有向无环图中的节点,在参数信息发生变化时,输出预测的电力设备状态和预测的异常节点;在所述状态信息发生变化时,输出预测的异常节点和预测的异常参数。
将设备状态与设备参数改变量建立有向无环图和条件概率表;有向无环图包括:构建节点作为参数改变量和状态变化的一级有向无环图;构建二级有向无环网,以故障节点和参数改变量作为节点,构建边代表这些变量之间的关联和概率依赖关系;条件概率表包括:对构建的边进行编号,根据编号匹配到表中的概率波动范围,在有向无环图中的边对应的概率发生变化时,对所述编号进行更新;若在设备状态发生变化时,设备参数的改变量a与另外一个设备参数的改变量b的出现完全依赖,则在有向无环图将a和b作为一个复合节点表示;当a和b构成的复合节点不满足完全依赖关系时,将复合节点分裂作为两个独立的节点。因为若两个节点存在完全依赖关系,就是说这两个节点的出现和消失,必然是相伴相随的,那么将这两个节点作为一个节点,能够节省空间的同时提高运算的速度。而且能够避免有向无环图过于复杂导致的输出错乱的可能。
要知道的是,通过采集当前时刻的信息,能够实现对有向无环图中“边”代表概率的更新。
在发生电力设备一种状态变化时,通过一级有向无环图找到概率最高的设备参数改变量,根据所述概率最高的设备参数改变量在二级有向无环图找到概率最高的故障节点,将具有最高后验概率的设备参数改变量和故障节点作为预测结果;若排查后否定预测结果则向下搜索,搜索二级有向无环图中条件概率表概率第二的故障节点,不断向下搜索直到确认故障节点为止;若搜索完毕所有的二级有向无环图中的节点仍未确认预测结果,则向下搜索一级有向无环图中概率第二的设备参数改变量后重新执行二级有向无环图的搜索过程,不断向下搜索直到确认故障节点为止;若在有向无环图的边匹配到条件概率表中相同编号的概率范围中存在设备参数改变量与故障节点有百分百关联概率时,则优先输出存在百分百关联概率的设备参数改变量与故障节点作为预测结果,当预测结果否定时,重新执行正常的从大到小的预测结果;在发现设备的节点发生一种故障时,通过二级有向无环图找到能够诱发的设备参数改变量及其概率,通过一级有向无环图找到所述能够诱发的设备参数改变量的节点对应的状态变化及其概率,通过对能够诱发的设备参数改变量的概率与对应的状态变化的概率相乘作为电力设备状态的预测概率,并将预测概率从大到小输出预测的电力设备状态及预测概率;在电力设备的设备参数发生改变时,根据改变量匹配一级有向无环图和二级有向无环图对应的节点,根据向无环图中边对应的概率,从大到小的输出电力设备状态变化和故障节点的预测结果。再进一步的,通过对能够诱发的设备参数改变量的概率与对应的状态变化的概率相乘作为电力设备状态的预测概率,是因为由于从二级有向图到一级有向图,他们的概率是在满足二级有向图时执行的一级有向图的预测,所以是以相乘的方式满足的条件存在关系。
要知道的是,设备发生一种状态变化,那么有可能是因为多种故障节点发生故障,通过一级和二级有向无环图搜索故障点,并对故障点进行排查,能够有效的找到故障位置。先通过一级有效无环图找到概率最高的参数改变量的节点,是因为这个参数改变量更容易导致设备发生这种状态变化,通过分析这个参数改变量的二级有向无环图,能够很容易的定位到故障点。通过不断的向下搜索,从出现概率较高的情况搜索到出现概率较低的情况,是基于故障出现可能性的搜索考虑。另外,在条件概率表中,相同编号的概率范围,说明这几种设备参数改变量的出现概率都是相差不大的,那么,有设备参数改变量与故障节点存在100%关联概率,说明这个故障是最容易排查的,且出现的几率较大,同时,由于这种情况出现的可能性并不大,那么首先排查这样的故障能够大大节省故障排查的时间。
再进一步的,在发生电力设备多种状态变化时,则优先匹配通过二级有向无环图搜索故障节点最少的情况作为故障节点的预测结果,若预测结果被否定,则对每一种设备状态变化独立地进行预测,将每一种预测结果的概率相加,按概率和从大到小输出预测结果;在发现设备的节点发生多种故障时,则优先匹配二级有向无环图中节点故障能够诱发对应的设备参数改变量的概率和最大的设备参数改变量作为设备参数改变量的预测结果,若预测结果被否定,则对每一种节点故障独立预测,将每一种预测结果的概率相加,按概率和从大到小输出预测结果。
要知道的是,电力设备发生多种状态变化,有可能会出现一个参数的改变,也有可能出现多个参数的改变。而故障节点全部出现故障,的概率不是特别大的,所以我们优先选择故障节点少的情况作为预测结果,更符合实际,如果这种预测结果经排查后被否定,那么就需要对每一种状态变化进行独立的预测,以保证预测结果的准确性。通过将预测结果的概率相加来找到最有可能发生故障的节点,也就是说,每一个情况都可能是由于这个故障节点导致的,那么这个故障节点它发生故障的概率就会高,通过这样的形式能够较为准确的预测故障。同理在故障节点发生故障为多个时每一个故障都有可能引发设备状态发生改变,那么通过概率相加的方式找到最容易发生状态改变作为预测结果是合理的。
要说的是,通过对预测结果的排查确认或否定这一预测结果能够,实现快速的排查,从最容易出现故障的情况排查到最不容易出现故障的情况,能够有效的提高电力设备的维护效率。通过对设备参数的改变和故障节点的故障,合理预测设备状态,从而能够实现对设备状态的监测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器、磁变存储器、铁电存储器、相变存储器、石墨烯存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器或动态随机存取存储器等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。
本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
实施例2
参照图2,为本发明的一个实施例,提供了一种基于贝叶斯算法的电力设备状态监测方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
表1为本发明与传统方案相比的指标及测试结果
表1测试结果表
能够看出,本发明预测的准确率明显高于传统方法,通过预测能够实现对设备状态的及时监测,本发明的误报率,也能明显低于传统方案;同时系统可以自适应的提升,而传统方法不能实现这种提升。
图2展示了本发明在对电力设备监测时,预测的准确率和监测及时性的表现,预测的准确率较高且稳定;由于本发明能够在设备状态发生变化前预测,所以能够在设备状态变化发生前或设备状态刚刚发生变化时(在状态变化前后1S内做出预测),立即做出应对。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于贝叶斯算法的电力设备状态监测方法,其特征在于,包括:
采集电力设备的参数信息和状态信息;
对所述参数信息、状态信息和故障节点进行关联分析,并通过后验概率更新电力设备的参数信息、状态信息和故障节点的关联;
根据所述关联构建一级有向无环图和二级有向无环图,建立贝叶斯网络并根据依赖关系合并和分裂有向无环图中的节点,在参数信息发生变化时,输出预测的电力设备状态和预测的异常节点;在所述状态信息发生变化时,输出预测的异常节点和预测的异常参数。
2.如权利要求1所述的基于贝叶斯算法的电力设备状态监测方法,其特征在于:所述关联分析包括对历史记录中采集到的参数信息和状态信息进行关联评估,确定状态信息与对应的参数变化之间的关联性,对在设备状态变化H的情况下,设备参数的改变量D的概率P(D|H)进行统计。
3.如权利要求2所述的基于贝叶斯算法的电力设备状态监测方法,其特征在于:所述关联分析还包括,分析设备参数的变化与设备状态之间的关联,确定在设备发生每种状态变化时,设备的各个参数将发生每一种改变量的概率;确定设备的各个参数发生每一种改变量时,设备每种状态变化的概率;
分析设备参数的变化与故障节点之间的关联,在设备发生每种状态变化时对应的设备各个参数将发生的每一种改变量的概率;节点发生每种故障时,能够导致设备的各个参数将发生每一种改变量的概率以及导致设备每种状态变化的概率。
4.如权利要求3所述的基于贝叶斯算法的电力设备状态监测方法,其特征在于:将设备状态与设备参数改变量建立有向无环图和条件概率表;
所述有向无环图包括:构建节点作为参数改变量和状态变化的一级有向无环图;构建二级有向无环网,以故障节点和参数改变量作为节点,构建边代表这些变量之间的关联和概率依赖关系;
所述条件概率表包括:对构建的边进行编号,根据编号匹配到表中的概率波动范围,在有向无环图中的边对应的概率发生变化时,对所述编号进行更新;
若在设备状态发生变化时,设备参数的改变量a与另外一个设备参数的改变量b的出现完全依赖,则在有向无环图将a和b作为一个复合节点表示;当a和b构成的复合节点不满足完全依赖关系时,将复合节点分裂作为两个独立的节点。
5.如权利要求4所述的基于贝叶斯算法的电力设备状态监测方法,其特征在于:所述后验概率包括,通过采集当前时刻的设备参数改变量和设备状态信息对一级有向无环图进行概率的更新;
观测到设备参数改变量为D,则对后验概率进行更新:
P(H|D) = P(D|H) * P(H) / P(D);
其中,P(H|D)是后验概率,表示在给定设备参数改变量D的情况下,设备状态变化H的概率;P(D|H)表示在设备状态变化H的情况下,观察到设备参数改变量D 的概率; P(H)表示在观测到数据之前,设备状态变化 H 出现的概率,P(D) 表示设备参数改变量为 D 的概率;
通过采集当前时刻的设备参数改变量和故障节点信息对二级有向无环图进行概率的更新。
6.如权利要求5所述的基于贝叶斯算法的电力设备状态监测方法,其特征在于:在发生电力设备一种状态变化时,通过一级有向无环图找到概率最高的设备参数改变量,根据所述概率最高的设备参数改变量在二级有向无环图找到概率最高的故障节点,将具有最高后验概率的设备参数改变量和故障节点作为预测结果;若排查后否定预测结果则向下搜索,搜索二级有向无环图中条件概率表概率第二的故障节点,不断向下搜索直到确认故障节点为止;若搜索完毕所有的二级有向无环图中的节点仍未确认预测结果,则向下搜索一级有向无环图中概率第二的设备参数改变量后重新执行二级有向无环图的搜索过程,不断向下搜索直到确认故障节点为止;
若在有向无环图的边匹配到条件概率表中相同编号的概率范围中存在设备参数改变量与故障节点有百分百关联概率时,则优先输出存在百分百关联概率的设备参数改变量与故障节点作为预测结果,当预测结果否定时,重新执行正常的从大到小的预测结果;
在发现设备的节点发生一种故障时,通过二级有向无环图找到能够诱发的设备参数改变量及其概率,通过一级有向无环图找到所述能够诱发的设备参数改变量的节点对应的状态变化及其概率,通过对能够诱发的设备参数改变量的概率与对应的状态变化的概率相乘作为电力设备状态的预测概率,并将预测概率从大到小输出预测的电力设备状态及预测概率;
在电力设备的设备参数发生改变时,根据改变量匹配一级有向无环图和二级有向无环图对应的节点,根据向无环图中边对应的概率,从大到小的输出电力设备状态变化和故障节点的预测结果。
7.如权利要求6所述的基于贝叶斯算法的电力设备状态监测方法,其特征在于:所述预测还包括,在发生电力设备多种状态变化时,则优先匹配通过二级有向无环图搜索故障节点最少的情况作为故障节点的预测结果,若预测结果被否定,则对每一种设备状态变化独立地进行预测,将每一种预测结果的概率相加,按概率和从大到小输出预测结果;
在发现设备的节点发生多种故障时,则优先匹配二级有向无环图中节点故障能够诱发对应的设备参数改变量的概率和最大的设备参数改变量作为设备参数改变量的预测结果,若预测结果被否定,则对每一种节点故障独立预测,将每一种预测结果的概率相加,按概率和从大到小输出预测结果。
8.一种采用如权利要求1-7任一所述方法的基于贝叶斯算法的电力设备状态监测系统,其特征在于:
数据采集模块,采集电力设备的参数信息和状态信息;
更新模块,对所述参数信息、状态信息和故障节点进行关联分析,并通过后验概率更新电力设备的参数信息、状态信息和故障节点的关联;
关联构建模块,根据所述关联构建一级有向无环图和二级有向无环图,建立贝叶斯网络并根据依赖关系合并和分裂有向无环图中的节点;
状态监测输出模块,根据关联构建模块的贝叶斯网络,在参数信息发生变化时,输出预测的电力设备状态和预测的异常节点;在所述状态信息发生变化时,输出预测的异常节点和预测的异常参数。
9.一种计算机设备,包括:存储器和处理器;所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311151093.3A CN116881675B (zh) | 2023-09-07 | 2023-09-07 | 一种基于贝叶斯算法的电力设备状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311151093.3A CN116881675B (zh) | 2023-09-07 | 2023-09-07 | 一种基于贝叶斯算法的电力设备状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881675A true CN116881675A (zh) | 2023-10-13 |
CN116881675B CN116881675B (zh) | 2023-12-08 |
Family
ID=88272190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311151093.3A Active CN116881675B (zh) | 2023-09-07 | 2023-09-07 | 一种基于贝叶斯算法的电力设备状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881675B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093952A (zh) * | 2023-10-19 | 2023-11-21 | 北京松岛菱电电力工程有限公司 | 基于电力设备运行状态的智能控制方法及系统 |
CN117148017A (zh) * | 2023-10-27 | 2023-12-01 | 南京中鑫智电科技有限公司 | 一种高压套管油气远程监测方法及系统 |
CN117273286A (zh) * | 2023-11-21 | 2023-12-22 | 南京中鑫智电科技有限公司 | 一种容性设备绝缘状态感知优化调节方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0116314D0 (en) * | 2001-07-05 | 2001-08-29 | Motorola Inc | Using a bayesian belief network |
CN104348652A (zh) * | 2013-08-06 | 2015-02-11 | 南京理工大学常熟研究院有限公司 | 基于关联分析的系统安全评估方法和装置 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN109657797A (zh) * | 2018-12-24 | 2019-04-19 | 中国人民解放军32181部队 | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 |
CN110738027A (zh) * | 2019-10-15 | 2020-01-31 | 深圳逻辑汇科技有限公司 | 生成电子表格公式的计算机实现的方法、设备和存储介质 |
US20220006706A1 (en) * | 2020-07-01 | 2022-01-06 | Paypal, Inc. | On-the-fly reorganization of directed acyclic graph nodes of a computing service for high integration flexibility |
CN114676324A (zh) * | 2022-03-28 | 2022-06-28 | 网易(杭州)网络有限公司 | 一种数据处理方法、装置及设备 |
CN115794393A (zh) * | 2022-11-28 | 2023-03-14 | 北京锐安科技有限公司 | 业务模型的执行方法、装置、服务器及存储介质 |
-
2023
- 2023-09-07 CN CN202311151093.3A patent/CN116881675B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0116314D0 (en) * | 2001-07-05 | 2001-08-29 | Motorola Inc | Using a bayesian belief network |
CN104348652A (zh) * | 2013-08-06 | 2015-02-11 | 南京理工大学常熟研究院有限公司 | 基于关联分析的系统安全评估方法和装置 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN109657797A (zh) * | 2018-12-24 | 2019-04-19 | 中国人民解放军32181部队 | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 |
CN110738027A (zh) * | 2019-10-15 | 2020-01-31 | 深圳逻辑汇科技有限公司 | 生成电子表格公式的计算机实现的方法、设备和存储介质 |
US20220006706A1 (en) * | 2020-07-01 | 2022-01-06 | Paypal, Inc. | On-the-fly reorganization of directed acyclic graph nodes of a computing service for high integration flexibility |
CN114676324A (zh) * | 2022-03-28 | 2022-06-28 | 网易(杭州)网络有限公司 | 一种数据处理方法、装置及设备 |
CN115794393A (zh) * | 2022-11-28 | 2023-03-14 | 北京锐安科技有限公司 | 业务模型的执行方法、装置、服务器及存储介质 |
Non-Patent Citations (4)
Title |
---|
FEDERICO CASTELLETTI: "Bayesian Model Selection of Gaussian Directed Acyclic Graph Structures", 《INTERNATIONAL STATISTICAL REVIEW》, vol. 88, no. 3, pages 752 - 775 * |
HUI YI等: "Fault location based on relevance vector machine and decision directed acyclic graph", 《2013 25TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》, pages 4679 - 4684 * |
李星: "基于故障树与贝叶斯网络的汽车故障诊断方法", 《现代计算机》, vol. 29, no. 10, pages 9 - 14 * |
毕胜: "基于贝叶斯网络的牵引变压器故障诊断与预测方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 06, pages 033 - 87 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093952A (zh) * | 2023-10-19 | 2023-11-21 | 北京松岛菱电电力工程有限公司 | 基于电力设备运行状态的智能控制方法及系统 |
CN117093952B (zh) * | 2023-10-19 | 2024-01-02 | 北京松岛菱电电力工程有限公司 | 基于电力设备运行状态的智能控制方法及系统 |
CN117148017A (zh) * | 2023-10-27 | 2023-12-01 | 南京中鑫智电科技有限公司 | 一种高压套管油气远程监测方法及系统 |
CN117148017B (zh) * | 2023-10-27 | 2023-12-26 | 南京中鑫智电科技有限公司 | 一种高压套管油气远程监测方法及系统 |
CN117273286A (zh) * | 2023-11-21 | 2023-12-22 | 南京中鑫智电科技有限公司 | 一种容性设备绝缘状态感知优化调节方法及系统 |
CN117273286B (zh) * | 2023-11-21 | 2024-02-09 | 南京中鑫智电科技有限公司 | 一种容性设备绝缘状态感知优化调节方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116881675B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116881675B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
Chien et al. | Analysing semiconductor manufacturing big data for root cause detection of excursion for yield enhancement | |
Rudin et al. | Machine learning for the New York City power grid | |
US8751421B2 (en) | Machine learning for power grid | |
CN112528519A (zh) | 发动机质量预警服务的方法、系统、可读介质和电子设备 | |
CN112308126A (zh) | 故障识别模型训练方法、故障识别方法、装置及电子设备 | |
US20210165476A1 (en) | Systems and methods for intelligent alarm grouping | |
US9489379B1 (en) | Predicting data unavailability and data loss events in large database systems | |
JP6280862B2 (ja) | イベント分析システムおよび方法 | |
CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
CN117273133A (zh) | 配电网多源异构数据知识图谱的构建方法 | |
WO2024087404A1 (zh) | 核反应堆故障判定方法、装置、设备、存储介质和产品 | |
CN117955245B (zh) | 电网的运行状态的确定方法、装置、存储介质和电子设备 | |
Guo et al. | Big data processing and analysis platform for condition monitoring of electric power system | |
Chen et al. | Unsupervised Anomaly Detection Based on System Logs. | |
Feijoo-Martinez et al. | Event analysis on power communication networks with big data for maintenance forms | |
CN115577108A (zh) | 一种变压器故障图谱构建方法及相关设备 | |
Chakraborty et al. | ESRO: Experience Assisted Service Reliability against Outages | |
Olaru et al. | Data mining tools and application in power system engineering | |
CN115660507A (zh) | 一种地区电力的负荷智能检测方法及系统 | |
CN114298188A (zh) | 一种电力设备故障智能分析方法及系统 | |
CN115829543B (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 | |
Wang et al. | Power Transformer Fault Prediction Based on Knowledge Graphs | |
Zhu et al. | A transformer condition assessment framework based on data mining | |
Mu et al. | Knowledge Graph Construction for Secondary Equipment Fault Diagnosis Based on Graph Attention |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Bayesian based method for monitoring the status of power equipment Granted publication date: 20231208 Pledgee: Bank of Nanjing Co.,Ltd. Nanjing Chengnan sub branch Pledgor: Nanjing Zhongxin Zhidian Technology Co.,Ltd. Registration number: Y2024980033150 |