一种基于贝叶斯分类器的隔离开关缺陷分析方法

1.本发明涉及到隔离开关缺陷检测技术领域，具体涉及到一种基于贝叶斯分类器的隔离开关缺陷分析方法。


背景技术：

2.gis隔离开关合闸状态下的动静触头接触状态是电力系统关注的重要状态，其接触状态不良将导致触头发热致使设备熔毁，对于gis隔离开关触头的接触状态的监测是电网重点关注的内容。
3.对于gis隔离开关触头状态的监测主要分为两类：
4.第一类是状态直接检测，主要包括：(1)采用压力传感器检测，压力传感器检测法是在隔离开关触指弹簧等位置安装压力传感器，通过测量触头触指间压力大小，判断隔离开关的分合状态。该方法主要应用于敞开式隔离开关，尚无gis的应用案例或相关专利；(2)姿态传感器，姿态传感器检测法是在隔离开关每相相同位置安装姿态传感器，通过测量地电位传动部件的转动角度来判断隔离开关的分合闸状态；(3)微动行程开关在线监测系统是一种将微动行程开关安装在机构上，通过机构的动作位置来判断隔离开关动触头位置的一种监测隔离开关分合位置的方法。
5.直接检测方法缺陷在于，直接检测的方式因gis隔离开关结构封闭、内部空间狭小、传动机构紧凑、且处在高压大电流环境运行。在高电位引入传感器，信号线难以引出，信号受强电磁环境干扰，破坏原有结构的密封性，且易带来绝缘隐患等原因，不适用于这一对象的检测。
6.第二类是状态感知方法，主要包括：(1)电机电流检测，通过测量gis隔离开关驱动电机电流的方式对隔离开关状态进行监测，具体到gis隔离开关触头状态，是通过以下原理进行测算：运动过程中动静触头碰触后，电流将发生改变，将此点作为时间起点，将电流切断点作为时间终点，衡量动静触头接触后的动触头运行时间，假设电机转速不变的情况下，通过时间衡量动触头距离，通过电流的幅值变化趋势反应弹簧弹力；(2)振动信号检测通过振动检测诊断gis故障的方法，主要是通过在实验室中使用实际应用中的gis设备来模拟各种机械缺陷的运行状态，使用适当的传感器来检测gis设备外壳的振动信号。
7.对于电机电流检测，现有的检测方法无法反映电压与电流的相位变化关系，且不同电机型号的电机电流具有一定程度的分散性，导致电流特征表现不明显。即使在电流特征比较明显的前提下，现有诊断算法也属于物理分析方法，通过对电流包络线的分析进行缺陷分析，属于阈值判断，这种判断会造成两个问题，第一，对于不同的隔离开关该阈值设置难以直接量化，都需要专家介入，对隔离开关的运动过程完成物理分析，然后再进行阈值对应，成本较高，第二，也难以适应工业现场的因开关机械状态离散性造成的阈值因开关差异而产生的差异。


技术实现要素：

8.本发明的目的是针对现有技术存在的问题，提供一种基于贝叶斯分类器的隔离开关缺陷分析方法。采用贝叶斯分类器，智能识别隔离开关的缺陷类型，并实现隔离开关缺陷状态的量化诊断。
9.为实现上述目的，本发明采用的技术方案是：
10.一种基于贝叶斯分类器的隔离开关缺陷分析方法，包括以下步骤：
11.s1、模拟设置隔离开关的若干组缺陷类别以及缺陷程度，获得各组缺陷类别和缺陷程度状态下对应的电机电流；
12.s2、将电机电流数据按照时间间隔进行取样，构成离散时间序列，并进行归一化处理，计算对应的电流特征量；
13.s3、将各组缺陷类别、缺陷程度和电流特征量输入贝叶斯网络进行训练，获得贝叶斯分类模型；
14.s4、测量隔离开关实际工作中的电机电流，计算对应的电流特征量，输入所述贝叶斯分类模型，获得对应的缺陷类型和缺陷程度。
15.步骤s2具体包括，设所述离散时间序列为
16.i[pn]＝{[p1]，[p2]，[p3]...[pn]}
[0017]
计算i[pn]的平均值p
mean
，然后让i[pn]中的每一个元素减去p
mean
，获得归一化的矩阵i[p]
[0018]
i[p]＝{[p
1-p
mean
]，[p
2-p
mean
]，[p
3-p
mean
]...[p
n-p
mean
]}
[0019]
所述电流特征量包括均值均方值方根幅值标准差方差转动角度θr＝max(θ(n))-min(θ(n))；峰值c
p
＝max(|p(n)|)；峰谷值c
p
＝max(|p(n)|)；峰值因子c
pi
＝c
p
/c
rms
；波形因子偏度峰度
[0020]
步骤s3具体包括，收集数据，设立样本集，每个样本包括缺陷类别、缺陷程度和对应的电流特征量的值。
[0021]
将缺陷类别与缺陷程度设为贝叶斯网络的根节点，将电流特征量设为贝叶斯网络的叶节点，将样本集输入贝叶斯网络，使用多项式分布来建模根节点的条件概率，使用高斯分布来建模叶节点的条件概率。
[0022]
所述缺陷类别包括卡涩、三相不同期、分合闸不到位和弹簧疲劳；所述缺陷程度包括10％、20％、
…
、100％。
[0023]
与现有技术相比，本发明的有益效果是：
[0024]
1、采用贝叶斯分类器，通过寻找贝叶斯网络最小评价函数的方式，进行模式识别，实现隔离开关机械状态的智能诊断；
[0025]
2、在进行贝叶斯模式识别模型训练的时候进行量化输入，其模型训练结果可以实现隔离开关状态的量化诊断。
附图说明
[0026]
图1为本发明的整体流程图；
[0027]
图2为本发明电流特征量和定义的对应关系图；
[0028]
图3为本发明缺陷类别、缺陷程度和电流特征量的三维矩阵示意图。
具体实施方式
[0029]
下面将结合本发明中的附图，对本发明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条件下所获得的所有其它实施例，都属于本发明保护的范围。
[0030]
在本发明的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“顶部”、“底部”、“内”、“外”、“水平”、“垂直”等指示的方位或位置关系为均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。
[0031]
如图1所示，一种基于贝叶斯分类器的隔离开关缺陷分析方法，包括以下步骤：
[0032]
s1、在隔离开关试验平台对隔离开关进行缺陷模拟，模拟设置隔离开关的若干组缺陷类别以及缺陷程度，在缺陷状态下对隔离开关进行分合闸操作，获得各组缺陷类别和缺陷程度状态下对应的电机电流，形成如表1所示表格：
[0033][0034]
表1
[0035]
s2、将电机电流数据按照时间间隔进行取样，构成离散时间序列，并进行归一化处理，计算对应的电流特征量；
[0036]
s3、将各组缺陷类别、缺陷程度和电流特征量输入贝叶斯网络进行训练，获得贝叶斯分类模型；
[0037]
s4、测量隔离开关实际工作中的电机电流，计算对应的电流特征量，输入所述贝叶斯分类模型，获得对应的缺陷类型和缺陷程度。
[0038]
具体的，缺陷类别包括卡涩、三相不同期、分合闸不到位和弹簧疲劳；所述缺陷程度包括10％、20％、
…
、100％。
[0039]
步骤s2具体包括，设所述离散时间序列为
[0040]
i[pn]＝{[p1]，[p2]，[p3]...[pn]}
[0041]
计算i[pn]的平均值p
mean
，然后让i[pn]中的每一个元素减去p
mean
，获得归一化的矩阵i[p]
[0042]
i[p]＝{[p
1-p
mean
]，[p
2-p
mean
]，[p
3-p
mean
]...[p
n-p
mean
]}
[0043]
采用电流数据归一化的方式避免了工业实际中因开关机械初始状态离散性问题造成的阈值无法统一评价的问题。
[0044]
计算i[p]的特征量数据的如图2所示，电流特征量包括均值均方值方根幅值标准差方差转动角度θr＝max(θ(n))-min(θ(n))；峰值c
p
＝max(|p(n)|)；峰谷值c
p
＝max(|p(n)|)；峰值因子c
pi
＝c
p
/c
rms
；波形因子偏度峰度
[0045]
步骤s3具体包括，将图2中的各个电流特征量与表1数据结合，形成如图3所示的三维矩阵，设立样本集，每个样本包括缺陷类别、缺陷程度和对应的电流特征量的值；
[0046]
将缺陷类别与缺陷程度设为贝叶斯网络的根节点，将电流特征量设为贝叶斯网络的叶节点，将样本集输入贝叶斯网络，使用多项式分布来建模根节点的条件概率，使用高斯分布来建模叶节点的条件概率。
[0047]
贝叶斯分类器的原理为：
[0048][0049]
p(c|x)是样本x对于分类标记c的类条件概率。p(x)是归一化因子，p(c)是类的先验概率。
[0050]
基本形式是
[0051]
对于上式，依照文献采用属性条件独立假设，重写为：
[0052][0053]
上式就是朴素贝叶斯分类器：
[0054]
上式可以认为是如下训练过程：采用样本集d来估计类先验概率p(c)，并为每个属性估计条件概率p(xi|c)。
[0055]
贝叶斯网络是一个依赖关系，其中节点代表分子或基因等实体。交互的节点由影响方向的边连接。一般来说，贝叶斯网络是一个有向无环图，不允许有循环。重要的是，每个节点都附加了概率，这些概率定义了在给定状态下找到节点的机会。如果一个节点的状态取决于另一个节点的状态，则使用条件概率。这些依赖关系通过网络传播并影响其他节点的概率，这些概率随着有关节点的新信息可用而更新。因此，贝叶斯网络也称为概率因果模
型。
[0056]
与其他建模方法相比，贝叶斯网络作为决策建模工具成功采用的一个关键特征是它们相对简单。使用概率的强度表征变量之间联系的强度意味着可以使用定量和定性信息，以便在新知识或数据可用时更新模型。贝叶斯网络可以很容易地包含不确定信息，这些不确定性反映在模型输出中。灵敏度分析工具允许表征不确定性以便确定关键的因果因素和知识差距。模型结果是可测试的。
[0057]
然而，当数据来源较为有限时，其结论可能存在一定的数据“偏见性”，但是对于隔离开关故障诊断，我们更需要关注的是故障种类而非故障量化，因此所以贝叶斯网络的优势在本技术应用中具有良好的适用性。
[0058]
具体对应到本技术，假设可以测量两个电流特征量x1和x2(在本发明中，不只有x1和x2两个特征量，而是有如图1所示的12个特征量，为了举例方便，此处仅以两个状态量进行举例)，这两个特征量对系统的运行状态有影响。同时，记录系统的缺陷类型f和缺陷程度g，缺陷类型f包括两种缺陷类型a和b，每种缺陷类型又分为两种不同的缺陷程度g1和g2。建立一个贝叶斯网络来预测系统的故障类型和程度，具体步骤如下：
[0059]
(1)变量定义：
[0060]
定义要建模的变量，包括观测变量和隐变量。在这个例子中，观测变量为x1、x2、f和g，隐变量为节点之间的关系。我们使用以下符号来表示变量：
[0061]
x1:状态量1
[0062]
x2:状态量2
[0063]
f:故障类型
[0064]
g:故障程度
[0065]
(2)构建模型：
[0066]
使用贝叶斯网络来表示这个模型。贝叶斯网络是一个有向无环图，其中节点表示变量，边表示变量之间的依赖关系。在这个例子中，我们可以构建以下贝叶斯网络：
[0067]
两个随机变量：f表示故障类型，g表示故障程度。还有两个状态量：x1和x2，可以反映机械系统的状态。贝叶斯网络模型如下：
[0068]
f和g互相独立，它们是模型的根节点；
[0069]
x1和x2是模型的叶节点，它们直接依赖于f和g节点；
[0070]
有如表2的条件概率表格，反映x1和x2如何依赖于f和g。
[0071][0072][0073]
表2
[0074]
在这个贝叶斯网络中，f和g的父节点是隐变量，它们之间没有直接边。x1和x2的父节点是f和g，它们之间有直接边。这个结构表示x1和x2的值受到故障类型和程度的影响，而故障类型和程度之间是相互独立的。
[0075]
(3)收集数据：
[0076]
为了训练这个贝叶斯网络，需要收集一些数据。在这个例子中，随机生成一些数据来表示机械系统的运行状态和故障情况。例如，可以生成1000个样本，每个样本包括x1、x2、f和g的值。可以使用python或其他编程语言来生成数据。
[0077]
(4)学习模型参数：
[0078]
有了数据，可以使用最大似然估计或最大后验概率估计来学习模型参数。在这个例子中，使用最大似然估计来学习条件概率表。具体来说，对于每个节点，我们需要计算它的条件概率表，例如：
[0079]
p(f)：表示f的先验概率
[0080]
p(g)：表示g的先验概率
[0081]
p(x1|f,g)：表示在给定f和g的条件下，x1的条件概率
[0082]
p(x2|f,g)：表示在给定f和g的条件下，x2的条件概率
[0083]
在这个例子中，需要计算每个节点的条件概率表。对于x1和x2，可以使用高斯分布来建模它们的条件概率。对于f和g，可以使用多项式分布来建模它们的条件概率。
[0084]
假设我们的数据集中有如表3所示的数据：
[0085][0086][0087]
表3
[0088]
根据这些数据，可以计算条件概率表：
[0089]
p(f＝a)＝0.5，p(f＝b)＝0.5
[0090]
p(g＝g1)＝0.5，p(g＝g2)＝0.5
[0091]
对于x1和x2，可以使用高斯分布来建模它们的条件概率。例如，p(x1|f＝a,g＝g1)
可以通过计算给定f＝a和g＝g1条件下x1的平均值和方差来得到。假设计算出来的结果是：
[0092]
p(x1|f＝a,g＝g1)＝n(1.5,0.5^2)
[0093]
这表示在给定f＝a和g＝g1的条件下，x1的条件概率符合均值为1.5，方差为0.5的高斯分布。
[0094]
(5)推断：
[0095]
有了模型和参数，可以使用贝叶斯推断来预测未知变量的值。假设已经测量了x1＝2和x2＝3，想预测系统的故障类型和程度。可以使用贝叶斯定理来计算后验概率：
[0096]
p(f,g|x1＝2,x2＝3)正比于p(f)p(g)p(x1＝2|f,g)p(x2＝3|f,g)
[0097]
其中，p(x1＝2|f,g)和p(x2＝3|f,g)可以通过条件概率表计算得到。假设计算出来的结果是：
[0098]
p(x1＝2|f＝a,g＝g1)＝0.6，p(x2＝3|f＝a,g＝g1)＝0.7
[0099]
p(x1＝2|f＝a,g＝g2)＝0.4，p(x2＝3|f＝a,g＝g2)＝0.5
[0100]
p(x1＝2|f＝b,g＝g1)＝0.8，p(x2＝3|f＝b,g＝g1)＝0.9
[0101]
p(x1＝2|f＝b,g＝g2)＝0.6，p(x2＝3|f＝b,g＝g2)＝0.8
[0102]
假设对p(f)和p(g)没有先验知识，可以假设它们服从均匀分布。那么可以得到：
[0103]
p(f＝a)＝p(f＝b)＝0.5
[0104]
p(g＝g1)＝p(g＝g2)＝0.5
[0105]
将上述参数代入贝叶斯定理，可以得到：
[0106]
p(f＝a，g＝g1|x1＝2，x2＝3)
∝
0.5
·
0.5
·
0.6
·
0.7＝0.105
[0107]
p(f＝a，g＝g2|x1＝2，x2＝3)
∝
0.5
·
0.5
·
0.4
·
0.5＝0.05
[0108]
p(f＝b，g＝g1|x1＝2，x2＝3)
∝
0.5
·
0.5
·
0.8
·
0.9＝0.18
[0109]
p(f＝b，g＝g2|x1＝2，x2＝3)
∝
0.5
·
0.5
·
0.6
·
0.8＝0.12
[0110]
然后可以将这些概率归一化，得到后验概率分布：
[0111]
p(f＝a，g＝g1|x1＝2，x2＝3)＝0.244
[0112]
p(f＝a，g＝g2|x1＝2，x2＝3)＝0.117
[0113]
p(f＝b，g＝g1|x1＝2，x2＝3)＝0.421
[0114]
p(f＝b，g＝g2|x1＝2，x2＝3)＝0.218
[0115]
这意味着在给定x1＝2和x2＝3的条件下，系统可能存在的故障类型和程度分别是b/g1和a/g2。可以使用这些结果来预测系统未来可能出现的故障类型和程度。
[0116]
综上，本发明采用贝叶斯分类器，通过寻找贝叶斯网络最小评价函数的方式，进行模式识别，实现隔离开关机械状态的智能诊断；在进行贝叶斯分类模型训练的时候进行量化输入，其模型训练结果可以实现隔离开关状态的量化诊断。
[0117]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种基于贝叶斯分类器的隔离开关缺陷分析方法，其特征在于，包括以下步骤：s1、模拟设置隔离开关的若干组缺陷类别以及缺陷程度，获得各组缺陷类别和缺陷程度状态下对应的电机电流；s2、将电机电流数据按照时间间隔进行取样，构成离散时间序列，并进行归一化处理，计算对应的电流特征量；s3、将各组缺陷类别、缺陷程度和电流特征量输入贝叶斯网络进行训练，获得贝叶斯分类模型；s4、测量隔离开关实际工作中的电机电流，计算对应的电流特征量，输入所述贝叶斯分类模型，获得对应的缺陷类型和缺陷程度。2.根据权利要求1所述的一种基于贝叶斯分类器的隔离开关缺陷分析方法，其特征在于，步骤s2具体包括，设所述离散时间序列为i[p
n
]＝{[p1]，[p2]，[p3]...[p
n
]}计算i[p
n
]的平均值p
mean
，然后让i[p
n
]中的每一个元素减去p
mean
，获得归一化的矩阵i[p]i[p]＝{[p
1-p
mean
]，[p
2-p
mean
]，[p
3-p
mean
]...[p
n-p
mean
]}。3.根据权利要求1所述的一种基于贝叶斯分类器的隔离开关缺陷分析方法，其特征在于，所述电流特征量包括均值均方值方根幅值标准差方差转动角度θ
r
＝max(θ(n))-min(θ(n))；峰值c
p
＝max(|p(n)|)；峰谷值c
p
＝max(|p(n)|)；峰值因子c
pi
＝c
p
/c
rms
；波形因子偏度峰度4.根据权利要求1所述的一种基于贝叶斯分类器的隔离开关缺陷分析方法，其特征在于，步骤s3具体包括，收集数据，设立样本集，每个样本包括缺陷类别、缺陷程度和对应的电流特征量的值。5.根据权利要求1所述的一种基于贝叶斯分类器的隔离开关缺陷分析方法，其特征在于，将缺陷类别与缺陷程度设为贝叶斯网络的根节点，将电流特征量设为贝叶斯网络的叶节点，将样本集输入贝叶斯网络，使用多项式分布来建模根节点的条件概率，使用高斯分布来建模叶节点的条件概率。6.根据权利要求1所述的一种基于贝叶斯分类器的隔离开关缺陷分析方法，其特征在于，所述缺陷类别包括卡涩、三相不同期、分合闸不到位和弹簧疲劳；所述缺陷程度包括10％、20％、
…
、100％。

技术总结
本发明公开一种基于贝叶斯分类器的隔离开关缺陷分析方法，包括以下步骤：S1、模拟设置隔离开关的若干组缺陷类别以及缺陷程度，获得各组缺陷类别和缺陷程度状态下对应的电机电流；S2、将电机电流数据按照时间间隔进行取样，构成离散时间序列，并进行归一化处理，计算对应的电流特征量；S3、将各组缺陷类别、缺陷程度和电流特征量输入贝叶斯网络进行训练，获得贝叶斯分类模型；S4、测量隔离开关实际工作中的电机电流，计算对应的电流特征量，输入所述贝叶斯分类模型，获得对应的缺陷类型和缺陷程度；本发明采用贝叶斯分类器，智能识别隔离开关的缺陷类型，并实现隔离开关缺陷状态的量化诊断。诊断。诊断。


技术研发人员：阮江军 何松
受保护的技术使用者：武汉大学
技术研发日：2023.04.26
技术公布日：2023/8/9