一种基于贝斯网络和专家系统的电网故障分析方法.docVIP

一种基于贝叶斯网络和专家系统的电网故障分析方法 ΧΧΧ1，ΧΧΧ1，ΧΧΧ1，ΧΧΧ2 安徽省电力公司，安徽省合肥市 000000；2.武汉中元华电科技股份有限公司，湖北省武汉市 000000） 摘要:针对传统故障分析在信息不完备等不确定情况下无法正确诊断故障的情况，提出基于贝叶斯网络的故障诊断方法，可以在不完备信息下诊断出故障元件，并准确判别出拒动和误动的保护和断路器，同时推理出缺失信息节点的状态。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库，形成完备的专家系统，发生故障时，结合专家系统、贝叶斯网络、定量分析可以快速并准确地找到故障元件，为调度人员提供依据。 关键字：故障分析；贝叶斯网络；专家系统；知识库 0 引言 故障诊断分析技术包括定量分析和定性分析。定量分析就是利用传统的数字信号处理技术（如傅里叶变换、小波分析），对故障录波数据进行相量和暂态信息的分析。对于事故处理中包含的大量难以用传统的数学方法描述的内容，用人工智能技术可以进行定性的分析，目前如专家系统、人工神经网络、遗传算法及Petri网络等技术在故障定位检测领域得到了应用。但是，电网故障时保护或断路器误动、拒动及信道传输干扰等因素会给故障诊断带来不确定性，对于要求严格匹配有哪些信誉好的足球投注网站的专家系统来说，很容易导致错误的结果，或者产生不了推理结果。 贝叶斯网络是一种基于网络结构的对概率关系的有向图解描述，用图形化的方法描述数据间的相互关系，具有良好的可理解性和逻辑性，对已有的信息要求低，可以进行信息不完全、不确定情况下的推理。贝叶斯网络克服了基于规则的系统所具有的许多概念上和计算上的困难，把专家知识和试验数据有效结合，相辅相成，忽略次要联系而突出主要矛盾，可以有效避免过学习。将贝叶斯网络应用在故障诊断系统中，能有效地解决故障信息不确定性给故障诊断带来的困难。 为了增强专家系统的容错性，实现对全系统复杂多重故障的精确诊断，本文介绍了将贝叶斯网络的故障诊断方法融入专家系统的方法，将精确推理变为概率推理，在原有知识的基础上进行辅助预测、决策以及分析，建立完备的专家系统知识库。在故障诊断过程中，对于每种故障假设，综合完善的专家系统、贝叶斯网络诊断和精确的定量分析，准确地进行故障定位，故障类型的判断以及不确定性原因的准确识别。 1 贝叶斯网络概述 1.1 贝叶斯网络结构 贝叶斯方法描述的内容是利用不同变量集合情况下的联合概率密度，可以分析变量之间的相互关系，完成预测、决策、推理功能。对于一组变量，对每个变量赋予一个特定值，用表示xi的父节点集合，则其联合概率密度为： （1） 由于全联合概率公式假设所有变量之间都具有条件依赖性，其计算复杂性十分巨大，而且为每个原子事件指定概率既不自然也相当困难。为了减少先验概率的数目，简化计算和推理过程，构建一种紧凑的贝叶斯网络，由网络结构和条件概率表两部分组成。贝叶斯网络的网络结构是一个具有n个节点的有向无环图，精简变量之间的条件依赖，提出条件独立性假设，假设判据为： （1）给定父节点，一个节点与它的非后代节点是条件独立的； （2）马尔可夫覆盖(Markov blanket)。给定一个节点的父节点、子节点以及子节点的父节点，这个节点和网络中的所有其它节点是条件独立的。 典型的贝叶斯网络图如图1所示，图中的每个节点代表相应的变量，两个条件独立的节点之间无有向连接，两个有依赖关系的节点之间用有向连接弧连接。每个节点Xi都有一个条件概率分布表(CPT)：P(Xi|Parents(Xi))，CPT中的每一行包含了每个节点对于一个条件事件（Conditioning case，即所有父节点的取值的一个可能组合）的条件概率，对于没有父节点的节点而言，其概率分布表只有一行，表示该变量可能取值的先验概率。 图1 典型的贝叶斯网络 Fig.1 1.2 贝叶斯诊断推理 在贝叶斯网中，从一个父节点计算子节点的条件概率，叫做因果推理。从一个子结点计算父结点的条件概率，也即从结果推测一个起因，这类推理叫做诊断推理。在实际应用中，一般使用诊断推理来完成决策。由于“因果模型”比“诊断模型”需要更少的数据，且这些数据也更容易得到，可以使用Bayes公式就可以把诊断推理转换成因果推理。 已知假设h的先验概率P(h)、训练数据D的先验概率P(D)以及假设h成立时D的条件概率P(D|h)，可以计算出给定D时假设h的后验概率： （2） 由上式可知，贝叶斯网络推理需要给出许多先验概率，它们是根节点的概率值和所有子节点在其母节点给定下的条件概率值。这些先验概率，可以是由大量历史的样本数据统计分析得到的，也可由领域专家长期的知识或经验总结主观给出的，或者根据具体情况事先假设给定。 当训练数据不完备时，通过改变贝叶斯网络，重新计算与缺失信