一种基于贝叶斯分类的变电设备发热缺陷原因判别方法技术

本发明专利技术提供一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，获取变电设备历史发生的发热缺陷原因类别以及发生该发热缺陷原因类别时所对应的特征因素，基于发热缺陷原因类别和特征因素来构建贝叶斯网络，贝叶斯网络并以此获得条件概率表，当向贝叶斯网络输入当前设备信息后，贝叶斯网络可以在先验概率的基础上，根据条件概率表获得发生缺陷的概率，然后对所有的概率值进行排序，并输出最大概率值所对应的发热缺陷原因类别，由于贝叶斯网络是基于发热缺陷原因类别以及特征因素构建而成，因此对于缺陷的判别较为准确，工作人员可以根据获取的发热缺陷原因类别及时快速的进行处理，保证变电设备的稳定运行。

A method based on Bayesian classification to identify the causes of heating defects in substation equipment

【技术实现步骤摘要】
一种基于贝叶斯分类的变电设备发热缺陷原因判别方法
本专利技术涉及电力系统故障判定
，特别涉及一种基于贝叶斯分类的变电设备发热缺陷原因判别方法。
技术介绍
电网结构特点具有设备数量多、分散、发热缺陷原因类别和影响原因复杂的特点，发热缺陷是配电设备主要的发热缺陷原因类别，红外测温是识别发热缺陷的有效技术手段，随着带电检测的推广应用，现场积累了大量检测数据，如何有效分析和应用这些数据，进一步提高设备发热风险判别的准确性和检修策略制订的科学性，对提升配网设备可靠性，缩短停电时间具有重要意义。红外测温的绝对和相对温差，是关于配电一次设备发热缺陷的直接观测指标，基于人工智能的红外图像识别技术，能够识别红外测温图像中的发热点并计算温差指标，在机器人巡检中能够代替人工发现缺陷，但是设备状态并不能单纯依据红外测温指标来评判，还要结合设备的电压等级、厂家型号、运行年限、环境天气等运行因素做出综合评价和判断，这种分析需要依赖运维检修人员的经验和专业水平，这些需要长期积累，并且因人而异，难以实现标准化，难以保证延续性，而且在运维实际中，这些多维度、多来源的数据往往不完整，存在大量错误信息，给缺陷的综合评判带来困难。
技术实现思路
鉴以此，本专利技术提出一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，在先验概率基础上，依据检测获取的新数据，采用贝叶斯网络对变电设备的发热缺陷原因进行诊断，从而对发热缺陷原因类别的判断较为准确。本专利技术的技术方案是这样实现的：一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，包括以下步骤：步骤S1、获取设备运行和发热缺陷历史信息，将设备发热缺陷时刻相关的运行信息、环境信息，存入数据表，构成设备发热缺陷数据集；采集正常运行设备历史信息构成设备正常运行数据集；步骤S2、基于步骤1中的设备发热缺陷数据集以及设备正常运行数据集，在线对设备运行因素指标值进行区间划分，对最大指标值与最小指标值之间的距离等间距划分为n份，在指标值对应的每个区间段内，统计缺陷设备台数以及正常运行设备台数，通过(缺陷设备台数/(缺陷设备台数+正常设备台数))进而得到当前区间段内的缺陷率，利用距离相关性算法计算因素指标值与故障率之间的相关系数，采用相关关系排序算法对多个因素与缺陷间相关系数进行排序，最终确定设备缺陷特征因素，然后根据发热缺陷数据集，建立设备发热缺陷原因类别与特征因素之间的信息模型；步骤S3、基于搜索算法构造发热缺陷原因类别以及特征因素的贝叶斯网络；步骤S4、根据设备发热缺陷数据集以及正常运行数据集中的数据，计算得到特征因素的条件概率表；步骤S5、将带电检测获取的特征因素样本数据，输入当前设备信息到贝叶斯网络中，由贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果。优选的，所述步骤S2中的发热缺陷原因类别包括绝缘异常、老化、接触不良过热、损坏以及污秽。优选的，所述步骤S2中的特征因素包括设备型号以及检测热点温度。优选的，所述步骤S3的具体步骤为：步骤S31、将发热缺陷原因类别以及特征因素作为一个数据集(X1,...,XN，Y)，其中X1,...,XN表示特征因素，Y表示发热缺陷原因类别，数据集作为节点构成一组无边图，发热缺陷原因类别作为子节点，将特征因素作为最大父节点，将历史信息中除去特征因素的部分作为其余父节点；步骤S32、确定最大父节点的数目以及所有父节点到子节点的顺序；步骤S33、利用贪婪搜索处理模型根据最大父节点的数目以及顺序构建贝叶斯网络。优选的，所述步骤S33的具体步骤为，利用贪婪搜索处理模型定义CH评分函数，用于评价贝叶斯网络的结构优劣，CH评分函数最大值对应的节点集合最终构成最优的贝叶斯网络。优选的，所述步骤S4的具体步骤包括：步骤S41、贝叶斯网络选取其中一个发热缺陷原因类别作为子节点，获取与该子节点有关的父节点；步骤S42、计算任意至少两个以上的父节点组合时子节点对应的概率并获得该发热缺陷原因类别所对应的条件概率表；步骤S43、贝叶斯网络对所有的发热缺陷原因类别执行步骤S41、步骤S42之后获得所有的发热缺陷原因类别所对应的条件概率表。优选的，所述步骤S5中的当前设备信息包括设备型号、检测热点温度、所属设备类型、设备电压等级、环境温度、正常相温度。优选的，所述步骤S5中贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果的具体步骤为：贝叶斯网络对设备型号以及检测热点温度进行处理，根据条件概率表得到不同概率值后进行排序，输出最大概率值所对应的发热缺陷原因判别。优选的，所述步骤S1获取发热缺陷数据集后，对发热缺陷数据集中的发热缺陷原因类别进行量化编号，所述步骤S5中，贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果所对应的编号。与现有技术相比，本专利技术的有益效果是：本专利技术提供了一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，采用贝叶斯网络来进行发热缺陷原因类别的判别，其中贝叶斯网络根据以往的发热缺陷原因类别以及发热缺陷原因类别所对应的特征因素构建而成，每个发热缺陷原因类别会和多个特征因素存在关联性，贝叶斯网络根据发热缺陷原因类别和特征因素进行计算得到条件概率表，每一个发热缺陷原因类别对应不同特征因素的组合均存在一个概率，当向贝叶斯网络输入当前的设备信息后，贝叶斯网络可以进行处理，并根据条件概率表来筛选得出最终的发热缺陷原因类别判别结果，贝叶斯网络是基于历史的真实数据构建而成，因此对于发热缺陷原因类别的判别较为准确，可以为工作人员提供准确的指导，并且对缺失数据不太敏感，算法简单，识别准确率高。附图说明为了更清楚地说明本专利技术实施例中的技术方案，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专利技术的优选实施例，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他的附图。图1为本专利技术的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法的一个实施例的流程图；具体实施方式为了更好理解本专利技术
技术实现思路
，下面提供一具体实施例，并结合附图对本专利技术做进一步的说明。参见图1，本专利技术提供的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，包括以下步骤：步骤S1、获取设备运行和发热缺陷历史信息，将设备发热缺陷时刻相关的运行信息、环境信息，存入数据表，构成设备发热缺陷数据集；采集正常运行设备历史信息构成设备正常运行数据集；步骤S2、基于步骤1中的设备发热缺陷数据集以及设备正常运行数据集，在线对设备运行因素指标值进行区间划分，对最大指标值与最小指标值之间的距离等间距划分为n份，在指标值对应的每个区间段内，统计缺陷设备台数以及正常运行设备台数，通过(缺陷设备台数/(缺陷设备台数+正常设备台数))进而得到当前区间段内的缺陷率，利用距离相关性算法计算因素指标值与故障率之间的相关系数，采用相关关系排序算法对多个因素与缺陷间相关系数进行排序本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，其特征在于，包括以下步骤：/n步骤S1、获取设备运行和发热缺陷历史信息，将设备发热缺陷时刻相关的运行信息、环境信息，存入数据表，构成设备发热缺陷数据集；采集正常运行设备历史信息构成设备正常运行数据集；/n步骤S2、基于步骤1中的设备发热缺陷数据集以及设备正常运行数据集，在线对设备运行因素指标值进行区间划分，对最大指标值与最小指标值之间的距离等间距划分为n份，在指标值对应的每个区间段内，统计缺陷设备台数以及正常运行设备台数，通过(缺陷设备台数/(缺陷设备台数+正常设备台数))进而得到当前区间段内的缺陷率，利用距离相关性算法计算因素指标值与故障率之间的相关系数，采用相关关系排序算法对多个因素与缺陷间相关系数进行排序，最终确定设备缺陷特征因素，然后根据发热缺陷数据集，建立设备发热缺陷原因类别与特征因素之间的信息模型；/n步骤S3、基于搜索算法构造发热缺陷原因类别以及特征因素的贝叶斯网络；/n步骤S4、根据设备发热缺陷数据集以及正常运行数据集中的数据，计算得到特征因素的条件概率表；/n步骤S5、将带电检测获取的特征因素样本数据，输入当前设备信息到贝叶斯网络中，由贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果。/n...

【技术特征摘要】
1.一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，其特征在于，包括以下步骤：
步骤S1、获取设备运行和发热缺陷历史信息，将设备发热缺陷时刻相关的运行信息、环境信息，存入数据表，构成设备发热缺陷数据集；采集正常运行设备历史信息构成设备正常运行数据集；
步骤S2、基于步骤1中的设备发热缺陷数据集以及设备正常运行数据集，在线对设备运行因素指标值进行区间划分，对最大指标值与最小指标值之间的距离等间距划分为n份，在指标值对应的每个区间段内，统计缺陷设备台数以及正常运行设备台数，通过(缺陷设备台数/(缺陷设备台数+正常设备台数))进而得到当前区间段内的缺陷率，利用距离相关性算法计算因素指标值与故障率之间的相关系数，采用相关关系排序算法对多个因素与缺陷间相关系数进行排序，最终确定设备缺陷特征因素，然后根据发热缺陷数据集，建立设备发热缺陷原因类别与特征因素之间的信息模型；
步骤S3、基于搜索算法构造发热缺陷原因类别以及特征因素的贝叶斯网络；
步骤S4、根据设备发热缺陷数据集以及正常运行数据集中的数据，计算得到特征因素的条件概率表；
步骤S5、将带电检测获取的特征因素样本数据，输入当前设备信息到贝叶斯网络中，由贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果。


2.根据权利要求1所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，其特征在于，所述步骤S2中的发热缺陷原因类别包括绝缘异常、老化、接触不良过热、损坏以及污秽。


3.根据权利要求1所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，其特征在于，所述步骤S2中的特征因素包括设备型号以及检测热点温度。


4.根据权利要求3所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法，其特征在于，所述步骤S3的具体步骤为：
步骤S31、将发热缺陷原因类别以及特征因素作为一个数据集(X1,...,XN，Y)，其中X1,...,XN表示特征因素，Y表示发热缺陷原因类别，数据集作为节点构成一组无边图，发热缺陷原因类别作...

【专利技术属性】
技术研发人员：李伟，
申请(专利权)人：海南电网有限责任公司海南输变电检修分公司，
类型：发明
国别省市：海南;46