本發(fā)明涉及一種斷路器故障診斷方法，具體涉及一種基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法，屬于電力設(shè)備安全監(jiān)測領(lǐng)域。

背景技術(shù)：

近些年來，各種挖掘算法被廣泛的應(yīng)用于設(shè)備的故障診斷中，并取得了良好的成績。例如各種類型的專家診斷系統(tǒng)、神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)以及基于模糊理論的診斷系統(tǒng)?，F(xiàn)階段，基于神經(jīng)網(wǎng)絡(luò)算法的斷路器故障診斷方法是很普遍和有效的。然而它也存在許多缺陷：一是當(dāng)訓(xùn)練樣本數(shù)目較多且輸入輸出關(guān)系復(fù)雜的時候，其收斂速度就變的緩慢，甚至不收斂；二是隨著輸入特征向量維數(shù)較多時，其網(wǎng)絡(luò)性能表現(xiàn)較差。

貝葉斯網(wǎng)絡(luò)對于解決復(fù)雜系統(tǒng)不確定因素引起的故障具有很大的優(yōu)勢，表現(xiàn)為收斂速度快、分類能力強、準(zhǔn)確度高的特性；被認(rèn)為是目前不確定知識表達(dá)和推理領(lǐng)域最有效的理論模型；它以貝葉斯定理為理論基礎(chǔ)，將事件的先驗概率與后驗概率巧妙的結(jié)合起來，利用樣本數(shù)據(jù)和先驗概率確定事件的后驗概率；貝葉斯網(wǎng)絡(luò)利用概率測度的權(quán)重來描述數(shù)據(jù)之間的相關(guān)性，解決了數(shù)據(jù)之間的不一致性，可以很容易地處理信息不完備問題。

目前國內(nèi)外已經(jīng)有很多專家學(xué)者對斷路器故障診斷問題進(jìn)行了研究，主要分為神經(jīng)網(wǎng)絡(luò)、模糊推理、遺傳算法和專家系統(tǒng)等四種方法。這些診斷方法表現(xiàn)出良好的自適應(yīng)能力、自學(xué)習(xí)能力、容錯能力和診斷能力。然而當(dāng)訓(xùn)練樣本數(shù)目較多且輸入輸出關(guān)系很復(fù)雜的時候，其收斂速度很慢，甚至不收斂；并且其在進(jìn)行故障診斷時，要么診斷結(jié)果的準(zhǔn)確性較低，要么診斷時間較長。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)的缺點和難點，設(shè)計一種基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法，從而可以實現(xiàn)診斷結(jié)果的收斂性、高效性及準(zhǔn)確性。

本發(fā)明是整體思路這樣實現(xiàn)的：

基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法，是根據(jù)斷路器的結(jié)構(gòu)及故障特性，在開源數(shù)據(jù)挖掘knime平臺上構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型，用于對斷路器的故障診斷，并通過大量項目真實數(shù)據(jù)的仿真實驗，驗證該診斷模型方法的收斂性、高效性及準(zhǔn)確性。本方法中需要有斷路器故障的知識庫、貝葉斯網(wǎng)絡(luò)診斷模型、斷路器故障診斷，重點是對診斷模型的設(shè)計。其中，斷路器故障的知識庫組成包括樣本集和測試集，樣本集用于診斷模型訓(xùn)練，測試集用于驗證診斷模型的準(zhǔn)確性；貝葉斯網(wǎng)絡(luò)診斷模型的構(gòu)建分為三個環(huán)節(jié)，即數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和數(shù)據(jù)挖掘，首先該診斷模型從mysql數(shù)據(jù)庫中讀取數(shù)據(jù)，然后經(jīng)過列過濾、行變換、隨機分區(qū)等一系列數(shù)據(jù)預(yù)處理，最后診斷模型采用了weka外部擴展中的貝葉斯網(wǎng)絡(luò)節(jié)點進(jìn)行數(shù)據(jù)挖掘，通過對大量樣本數(shù)據(jù)的訓(xùn)練，形成了一種基于貝葉斯網(wǎng)絡(luò)條件概率分布的斷路器故障診斷模型；在實際應(yīng)用中，通過調(diào)用訓(xùn)練后的貝葉斯網(wǎng)絡(luò)故障診斷模型方法，實現(xiàn)對斷路器的故障診斷，并對診斷結(jié)果進(jìn)行展示。

綜上所述，我們可以得出基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法，包括如下步驟：

步驟一、斷路器故障的知識庫構(gòu)建

知識庫的構(gòu)建包括故障類型分析和數(shù)據(jù)庫設(shè)計兩個步驟：

1.1：斷路器的故障類型是多樣的，根據(jù)實際故障案例分析，將斷路器的常見故障分為三大類、八小類，具體故障類型如表1-1所示。

表1-1斷路器故障類型

1.2：數(shù)據(jù)庫設(shè)計主要包括斷路器故障診斷規(guī)則表的設(shè)計，斷路器故障診斷規(guī)則表的設(shè)計主要包括數(shù)據(jù)id、指標(biāo)判定項、故障類型和診斷時間等具體字段，其表字段詳細(xì)設(shè)計如表1-2所示。

表1-2斷路器故障診斷規(guī)則表字段

步驟二、貝葉斯網(wǎng)絡(luò)故障診斷模型設(shè)計

采用knime3.3.1數(shù)據(jù)挖掘平臺作為斷路器故障診斷的建模與仿真平臺，基于貝葉斯網(wǎng)絡(luò)的故障診斷模型設(shè)計如圖2所示。在實際的斷路器故障診斷中，通過調(diào)用此模型，實現(xiàn)對斷路器故障類型的診斷。

基于貝葉斯網(wǎng)絡(luò)的故障診斷模型包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和數(shù)據(jù)挖掘三個環(huán)節(jié)。

2.1：數(shù)據(jù)采集

該步驟通過數(shù)據(jù)庫連接節(jié)點訪問mysql數(shù)據(jù)庫，讀取樣本集數(shù)據(jù)，數(shù)據(jù)內(nèi)容包括8項判定指標(biāo)和1項故障判定結(jié)果。其中，隨機抽取的10組樣本元數(shù)據(jù)如表1-3所示。

表1-3樣本集元數(shù)據(jù)

2.2：數(shù)據(jù)預(yù)處理

對于從數(shù)據(jù)庫讀取的樣本元數(shù)據(jù)，將進(jìn)行的數(shù)據(jù)預(yù)處理包括列過濾、行交換和數(shù)據(jù)分區(qū)。

2.2.1：采用列過濾節(jié)點去除用于貝葉斯網(wǎng)絡(luò)訓(xùn)練的干擾項，如序號、故障時間等；

2.2.2：采用行交換節(jié)點打亂斷路器故障的案例順序，為樣本數(shù)據(jù)的隨機分區(qū)做準(zhǔn)備；

2.2.3：采用數(shù)據(jù)分區(qū)節(jié)點將樣本數(shù)據(jù)按一定比率(本模型設(shè)置的為70％)隨機分成兩份，一部分用于貝葉斯網(wǎng)絡(luò)樣本集訓(xùn)練，另一部分用于樣本集測試。通過測試結(jié)果與實際結(jié)果的比較，驗證貝葉斯網(wǎng)絡(luò)模型的準(zhǔn)確性。

經(jīng)過預(yù)處理后的元數(shù)據(jù)如表1-4和表1-5所示。不僅排列順序發(fā)生了變化，用于訓(xùn)練和測試的樣本數(shù)量也隨之發(fā)生變化。

表1-4預(yù)處理后的訓(xùn)練數(shù)據(jù)

表1-5預(yù)處理后的測試數(shù)據(jù)

2.3：數(shù)據(jù)挖掘

2.3.1：在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，診斷模型采用了weka外部擴展中的貝葉斯網(wǎng)絡(luò)節(jié)點進(jìn)行數(shù)據(jù)挖掘，通過對大量樣本數(shù)據(jù)的訓(xùn)練，形成了一個基于貝葉斯網(wǎng)絡(luò)條件概率分布的故障診斷模型。

2.3.2：采用knime平臺建模的優(yōu)勢在于用戶無需編寫程序，只需簡單的節(jié)點連接和參數(shù)設(shè)置，便可構(gòu)造復(fù)雜的系統(tǒng)模型。本診斷模型中貝葉斯網(wǎng)絡(luò)節(jié)點的輸入、輸出及參數(shù)設(shè)置如下：

a)貝葉斯網(wǎng)絡(luò)節(jié)點的輸入為8項判定指標(biāo)：合閘線圈絕緣電阻、失壓脫扣線圈狀態(tài)、合閘線圈電壓、開關(guān)狀態(tài)、過載保護(hù)、過流保護(hù)、欠壓保護(hù)、逆功保護(hù)；

b)貝葉斯網(wǎng)絡(luò)節(jié)點的目標(biāo)輸出為斷路器故障類型(fault_type)；

c)貝葉斯網(wǎng)絡(luò)節(jié)點的參數(shù)設(shè)置如下圖3所示。

步驟三、斷路器故障診斷

在實際的斷路器故障診斷應(yīng)用中，通過調(diào)用該貝葉斯網(wǎng)絡(luò)故障診斷模型，實現(xiàn)對斷路器故障類型的診斷

3.1：將斷路器故障測試結(jié)果與實際結(jié)果作比較(fault_type\prediction_fault_type)，對貝葉斯網(wǎng)絡(luò)故障診斷模型的收斂性、高效性和準(zhǔn)確性進(jìn)行驗證，其驗證結(jié)果如圖4所示。

在樣本集的259條測試數(shù)據(jù)中，預(yù)測結(jié)果與實際結(jié)果一致的有250組，只有9組數(shù)據(jù)的預(yù)測結(jié)果出現(xiàn)誤差，其故障診斷結(jié)果的正確率為96.525％，錯誤率為3.475％，一致性檢驗(kappa)結(jié)果為0.957，診斷時間為6.334s。由此可以證明，基于貝葉斯網(wǎng)絡(luò)的故障診斷模型是高效的、準(zhǔn)確的。

本發(fā)明的基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法相對于傳統(tǒng)的斷路器故障診斷方法，主要有三個創(chuàng)新點：①采用貝葉斯網(wǎng)絡(luò)算法，充分考慮了斷路器發(fā)生故障時，電壓、電流、絕緣電阻等變量數(shù)據(jù)的因果關(guān)系及不確定性，大大提高了故障診斷結(jié)果的收斂性和準(zhǔn)確性；②采用數(shù)據(jù)挖掘及分析技術(shù)代替?zhèn)鹘y(tǒng)的人工檢測，不僅節(jié)約了人力物力等成本，而且縮短了故障診斷時間；③通過遠(yuǎn)程調(diào)用故障診斷模型的方法對斷路器進(jìn)行故障診斷，可實現(xiàn)一臺服務(wù)器部署，多臺主機調(diào)用的功能，大大節(jié)約了系統(tǒng)內(nèi)存資源。

附圖說明

圖1為本發(fā)明基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法原理圖；

圖2基于貝葉斯網(wǎng)絡(luò)的故障診斷模型示意圖；

圖3為貝葉斯網(wǎng)絡(luò)節(jié)點的參數(shù)設(shè)置圖；

圖4貝葉斯網(wǎng)絡(luò)故障診斷模型仿真結(jié)果圖；

圖5為斷路器故障樹圖；

圖6為不同算法準(zhǔn)確性仿真結(jié)果比較圖。

圖7斷路器故障診斷流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步的說明。

如附圖1所示，一種基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法，是根據(jù)斷路器的結(jié)構(gòu)及故障特性，在開源數(shù)據(jù)挖掘knime平臺上構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型，用于對斷路器的故障診斷，并通過大量項目真實數(shù)據(jù)的仿真實驗，驗證該診斷模型方法的收斂性、高效性及準(zhǔn)確性。本方法中需要有斷路器故障的知識庫、貝葉斯網(wǎng)絡(luò)診斷模型、斷路器故障診斷，重點是對診斷模型的設(shè)計。其中，斷路器故障的知識庫組成包括樣本集和測試集，樣本集用于診斷模型訓(xùn)練，測試集用于驗證診斷模型的準(zhǔn)確性；貝葉斯網(wǎng)絡(luò)診斷模型的構(gòu)建分為三個環(huán)節(jié)，即數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和數(shù)據(jù)挖掘，首先該診斷模型從mysql數(shù)據(jù)庫中讀取數(shù)據(jù)，然后經(jīng)過列過濾、行變換、隨機分區(qū)等一系列數(shù)據(jù)預(yù)處理，最后診斷模型采用了weka外部擴展中的貝葉斯網(wǎng)絡(luò)節(jié)點進(jìn)行數(shù)據(jù)挖掘，通過對大量樣本數(shù)據(jù)的訓(xùn)練，形成了一種基于貝葉斯網(wǎng)絡(luò)條件概率分布的斷路器故障診斷模型；在實際應(yīng)用中，通過調(diào)用訓(xùn)練后的貝葉斯網(wǎng)絡(luò)故障診斷模型方法，實現(xiàn)對斷路器的故障診斷，并對診斷結(jié)果進(jìn)行展示。

綜上所述，我們可以得出基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法，如附圖7所示，包括如下步驟：

步驟一、斷路器故障的知識庫構(gòu)建

知識庫的構(gòu)建包括故障類型分析和數(shù)據(jù)庫設(shè)計兩個步驟：

1.1：斷路器的故障類型是多樣的，附圖5和附表幾乎列出了斷路器常見的所有故障。

附表故障樹事件說明表

根據(jù)實際故障案例分析，將斷路器的常見故障分為三大類、八小類，具體故障類型如表1-1所示。

表1-1斷路器故障類型

1.2：數(shù)據(jù)庫設(shè)計主要包括斷路器故障診斷規(guī)則表的設(shè)計，斷路器故障診斷規(guī)則表的設(shè)計主要包括數(shù)據(jù)id、指標(biāo)判定項、故障類型和診斷時間等具體字段，其表字段詳細(xì)設(shè)計如表1-2所示。

表1-2斷路器故障診斷規(guī)則表字段

步驟二、貝葉斯網(wǎng)絡(luò)故障診斷模型設(shè)計

采用knime3.3.1數(shù)據(jù)挖掘平臺作為斷路器故障診斷的建模與仿真平臺，基于貝葉斯網(wǎng)絡(luò)的故障診斷模型設(shè)計如附圖2所示。在實際的斷路器故障診斷中，通過調(diào)用此模型，實現(xiàn)對斷路器故障類型的診斷。

基于貝葉斯網(wǎng)絡(luò)的故障診斷模型包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和數(shù)據(jù)挖掘三個環(huán)節(jié)。

2.1：數(shù)據(jù)采集

該步驟通過數(shù)據(jù)庫連接節(jié)點訪問mysql數(shù)據(jù)庫，讀取樣本集數(shù)據(jù)，數(shù)據(jù)內(nèi)容包括8項判定指標(biāo)和1項故障判定結(jié)果。其中，隨機抽取的10組樣本元數(shù)據(jù)如表1-3所示。

表1-3樣本集元數(shù)據(jù)

2.2：數(shù)據(jù)預(yù)處理

對于從數(shù)據(jù)庫讀取的樣本元數(shù)據(jù)，將進(jìn)行的數(shù)據(jù)預(yù)處理包括列過濾、行交換和數(shù)據(jù)分區(qū)。

2.2.1：采用列過濾節(jié)點去除用于貝葉斯網(wǎng)絡(luò)訓(xùn)練的干擾項，如序號、故障時間等；

2.2.2：采用行交換節(jié)點打亂斷路器故障的案例順序，為樣本數(shù)據(jù)的隨機分區(qū)做準(zhǔn)備；

2.2.3：采用數(shù)據(jù)分區(qū)節(jié)點將樣本數(shù)據(jù)按一定比率(本模型設(shè)置的為70％)隨機分成兩份，一部分用于貝葉斯網(wǎng)絡(luò)樣本集訓(xùn)練，另一部分用于樣本集測試。通過測試結(jié)果與實際結(jié)果的比較，驗證貝葉斯網(wǎng)絡(luò)模型的準(zhǔn)確性。

經(jīng)過預(yù)處理后的元數(shù)據(jù)如表1-4和表1-5所示。不僅排列順序發(fā)生了變化，用于訓(xùn)練和測試的樣本數(shù)量也隨之發(fā)生變化。

表1-4預(yù)處理后的訓(xùn)練數(shù)據(jù)

表1-5預(yù)處理后的測試數(shù)據(jù)

2.3：數(shù)據(jù)挖掘

2.3.1：在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，診斷模型采用了weka外部擴展中的貝葉斯網(wǎng)絡(luò)節(jié)點進(jìn)行數(shù)據(jù)挖掘，通過對大量樣本數(shù)據(jù)的訓(xùn)練，形成了一個基于貝葉斯網(wǎng)絡(luò)條件概率分布的故障診斷模型。

2.3.2：采用knime平臺建模的優(yōu)勢在于用戶無需編寫程序，只需簡單的節(jié)點連接和參數(shù)設(shè)置，便可構(gòu)造復(fù)雜的系統(tǒng)模型。本診斷模型中貝葉斯網(wǎng)絡(luò)節(jié)點的輸入、輸出及參數(shù)設(shè)置如下：

a)貝葉斯網(wǎng)絡(luò)節(jié)點的輸入為8項判定指標(biāo)：合閘線圈絕緣電阻、失壓脫扣線圈狀態(tài)、合閘線圈電壓、開關(guān)狀態(tài)、過載保護(hù)、過流保護(hù)、欠壓保護(hù)、逆功保護(hù)；

b)貝葉斯網(wǎng)絡(luò)節(jié)點的目標(biāo)輸出為斷路器故障類型(fault_type)；

c)貝葉斯網(wǎng)絡(luò)節(jié)點的參數(shù)設(shè)置如附圖3所示。

步驟三、斷路器故障診斷

在實際的斷路器故障診斷應(yīng)用中，通過調(diào)用該貝葉斯網(wǎng)絡(luò)故障診斷模型，實現(xiàn)對斷路器故障類型的診斷

3.1：將斷路器故障測試結(jié)果與實際結(jié)果作比較(fault_type\prediction_fault_type)，對貝葉斯網(wǎng)絡(luò)故障診斷模型的收斂性、高效性和準(zhǔn)確性進(jìn)行驗證，其驗證結(jié)果如附圖4所示。

在樣本集的259條測試數(shù)據(jù)中，預(yù)測結(jié)果與實際結(jié)果一致的有250組，只有9組數(shù)據(jù)的預(yù)測結(jié)果出現(xiàn)誤差，其故障診斷結(jié)果的正確率為96.525％，錯誤率為3.475％，一致性檢驗(kappa)結(jié)果為0.957，診斷時間為6.334s。由此可以證明，基于貝葉斯網(wǎng)絡(luò)的故障診斷模型是高效的、準(zhǔn)確的。

附圖6為不同算法準(zhǔn)確性仿真結(jié)果比較圖，通過附圖6可以看出，本申請基于貝葉斯網(wǎng)絡(luò)的斷路器故障診斷方法，結(jié)果是準(zhǔn)確的，比bp神經(jīng)網(wǎng)絡(luò)和樸素貝葉斯方法，無論是從正確率還是一致性上，都有顯著提高。

附圖7示出了利用斷路器故障診斷系統(tǒng)進(jìn)行斷路器故障診斷的流程，表述如下：

1)啟動斷路器故障診斷系統(tǒng)，并初始化數(shù)據(jù)庫；

2)進(jìn)入故障檢測模塊，設(shè)置自動檢測時間，根據(jù)檢測規(guī)則，對各線路的電流數(shù)據(jù)進(jìn)行自動檢測，如果沒有出現(xiàn)故障則繼續(xù)檢測，如果出現(xiàn)故障，則生成檢測報告并通知維修人員進(jìn)行故障定位；

3)進(jìn)入定位故障源模塊，導(dǎo)入產(chǎn)生故障的斷路器電壓數(shù)據(jù)，系統(tǒng)通過匹配定位規(guī)則，判斷故障位置，找到故障源；

4)進(jìn)入故障診斷模塊，首先構(gòu)建基于貝葉斯網(wǎng)絡(luò)的診斷模型，然后對樣本集進(jìn)行訓(xùn)練，形成訓(xùn)練后的條件概率分布的網(wǎng)絡(luò)模型；然后系統(tǒng)通過調(diào)用故障診斷模型的方式，實現(xiàn)對斷路器的故障診斷。