CN107478988A - 基于非精确贝叶斯模型的断路器异常判别方法和*** - Google Patents
基于非精确贝叶斯模型的断路器异常判别方法和*** Download PDFInfo
- Publication number
- CN107478988A CN107478988A CN201710860622.5A CN201710860622A CN107478988A CN 107478988 A CN107478988 A CN 107478988A CN 201710860622 A CN201710860622 A CN 201710860622A CN 107478988 A CN107478988 A CN 107478988A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- breaker
- precision
- munder
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3272—Apparatus, systems or circuits therefor
- G01R31/3274—Details related to measuring, e.g. sensing, displaying or computing; Measuring of variables related to the contact pieces, e.g. wear, position or resistance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于非精确贝叶斯模型的断路器异常判别方法和***,所述方法包括以下步骤:步骤一:根据故障录波器所获得的故障录波数据,统计同一类型断路器的时间参量;步骤二:根据置信水平对断路器的时间参量进行异常评估;步骤三:通过历史数据,建立断路器异常概率估计的非精确贝叶斯模型,并且构建贝叶斯网络;步骤四:根据所述非精确贝叶斯模型,对给定时间参量下断路器是否异常进行概率推理。本发明仅根据电气量测信息即可进行状态异常判断,较现有技术操作简单,并且成本低。
Description
技术领域
本发明涉及电力自动化技术领域,尤其涉及一种基于置信水平与非精确贝叶斯模型的断路器异常判别方法。
背景技术
高压断路器是电力***中重要的开关设备,承担着电网保护和控制的任务,其发生误动和拒动往往会引起事故或扩大事故,造成巨大的经济损失和社会影响。为实现安全稳定的供电,电网对高压断路器的可靠性提出了更高的要求。
高压断路器的运行可靠性依赖于有效的状态监测和故障诊断(异常判别),其准确性和实用性直接影响对于断路器性能状态的判断,为后续的状态检修策略打下基础,从而科学地制定检修计划,提高设备利用率,减少维修费用,在保证可靠性的前提下实现经济运行。目前,对于高压断路器的状态监测主要依赖增加外部传感器,采用外部传感技术了解断路器内部触头、机构、绝缘等情况,这类方法需要附加测量装置,成本高,操作复杂,而且测量过程易受电磁干扰,因此在实际应用中实际推广价值并不高。
因此,如何降低成本,降低操作复杂度,实现高压断路器状态简单有效的监测,是目前本领域技术人员迫切解决的技术问题。
发明内容
本发明为了解决上述问题,提出了一种基于置信水平与非精确贝叶斯模型的断路器异常判别方法,通过获取录波数据中断路器的各时间参量信息,通过置信水平来判断这些时间信息是否存在异常现象,并建立断路器异常概率估计的非精确贝叶斯模型,最后依据新的故障录波数据进行断路器的异常判别,本发明仅依赖电气量测信息就实现了高压断路器的性能判别,较现有技术,成本和操作复杂度都大大降低。
为了实现上述目的,本发明采用如下技术方案:
一种基于非精确贝叶斯模型的断路器异常判别方法,包括以下步骤:
步骤一:根据故障录波器所获得的故障录波数据,统计同一类型断路器的时间参量;
步骤二:根据置信水平对断路器的时间参量进行异常评估,对其状态进行划分;
步骤三:通过历史数据,建立断路器异常概率估计的非精确贝叶斯模型,并且构建贝叶斯网络;
步骤四:根据所述非精确贝叶斯模型,对给定时间参量下断路器是否异常进行概率推理。
所述时间参量包括分闸时间、合闸时间、合闸时间与分闸时间的不同期时间以及燃弧时间。
所述步骤二中,根据置信水平对断路器的时间参量进行异常评估的具体方法为:对获取的时间参量数据中的某个时间参量采用Z统计量进行总体的区间估计,算出其样本均值和样本标准差S,取显著水平α=1%,将落在置信度为1-α=99%的置信区间的时间参量评为正常,落在区间之外的时间参量评为异常。
所述非精确贝叶斯模型为:
其中,Pim表示非精确概率,P0为精确概率,参数k表示非精确化的大小,其值越大表示对于精确概率的非精确化越小;λ∈[0,1]。
精确概率p0的公式为:
mi表示随机变量状态i出现的次数;M为样本总数即M=m1+m2+...+mn。
计算设备运行状态变量S出现概率的最大最小边界值的公式如下:
所得概率区间即为断路器异常的概率;式中,P(Sk)为设备运行在不同运行状态下的先验概率;其余为先验概率。
根据本发明的另一方面,本发明还提供了一种基于非精确贝叶斯模型的断路器异常判别***,包括故障录波器和计算装置,
所述故障录波器采集故障录波数据并传输至计算装置;
所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
接收所述故障录波数据,统计同一类型断路器的时间参量;
根据置信水平对断路器的时间参量进行异常评估;
通过历史数据,建立断路器异常概率估计的非精确贝叶斯模型,并且构建贝叶斯网络;
根据所述非精确贝叶斯模型,对给定时间参量下断路器是否异常进行概率推理。
与现有技术相比,本发明的有益效果为:
1、本发明使用了一种用于断路器异常判别的新方法,该方法通过对录波数据进行处理,得到进行断路器异常判别的各时间参量,实时性好,并且不需要配置其他装置。
2、本发明通过将历史数据进行置信度处理,确定出时间参量异常的范围,清晰直观,简单明了。
3、本发明通过历史数据建立断路器异常判别的非精确贝叶斯模型,后对给定运行参数下断路器异常概率得出一个非精确的估计结果,为断路器的异常判别提供了一种新的方法与思路。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明断路器异常判别流程图;
图2是本发明的断路器异常概率估计的非精确贝叶斯模型图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
现有技术中存在高压断路器的异常判别以在线的状态监测为主,这种方法可以减少计划性检修带来的众多弊端,减少断路器维修的盲目性,但需要配备众多的测量装置的不足。实际上,电网中设备功能的实现都是以电能传输为目的的,反映设备性能的本质是电气信号的传输性能,其任何设备性能的异常均可以由电气信号的变化得到反映。由此,提出一种只依赖于电气量测信息的高压断路器的性能异常判别方法,由于断路器正常情况下并不动作,只在线路或主要设备受到扰动或故障的情况下动作,所以用其对应的录波数据分析断路器性能是合适的。基于此,本发明提出一种只依赖于电气量测信息的高压断路器的性能异常的判别方法,由于断路器正常情况下并不动作,只在线路或主要设备受到扰动或故障的情况下动作,所以用其对应的录波数据分析断路器性能是合适的。
实施例一
本申请的一种典型的实施方式中,如图1所示,本实施例提供了一种基于置信水平与非精确贝叶斯模型的断路器异常判别方法。
步骤一:根据故障录波器获得故障录波数据,统计同一类型断路器的时间参量。
所述时间参量包括分闸时间、合闸时间、合闸时间与分闸时间的不同期时间以及燃弧时间。
在录波数据中,包含了动作断路器的动作信息,以及二次保护装置的发信信息。通过这些信息可以获得断路器在某次动作过程中的分闸时间、合闸时间、燃弧时间和合、分闸不同期性等数据。而这些信息都与断路器的状态息息相关。
合闸时间与分闸时间主要透露出高压断路器与其所配的操动机构的机械特性的性能。三相分合不同期性,该参数出现异常,也表明了断路器存在着暗藏其中的机械性缺陷,因为断路器的结构设计是能够保证这些参量处在预定范围内的,异常情况的出现,表明在那个环节上出现缺陷或者潜在故障因素,例如:结构松脱,元件卡涩、损坏等。燃弧时间的长短与众多因素有关,一般来说,它会在一个合理的范围之内,若其出现明显异常表明断路器的燃弧特性出现了异常。
步骤二:根据置信水平对断路器的时间参量进行异常评估,对其状态进行划分,以构成非精确贝叶斯网络节点。
置信水平是指特定个体对待特定命题真实性相信的程度。置信水平是总体参数值落在样本统计值某一区内的概率;而置信区间是指在某一下,样本统计值与总体参数值间误差范围。
用历史数据对某个时间参量进行总体的区间估计,算出其样本均值和样本标准差S。由于该样本属于大样本,所以可用Z统计量进行区间估计。取显著水平α=1%,便可得各时间参量置信度为1-α=99%的置信区间。我们将落在置信度为1-α=99%的置信区间的时间参量评为正常,用下标为0来表示;反之,评为异常,用下标为1来表示。例如:正常分闸时间状态可表示为E10,异常分闸时间状态可表示为E11。这样每个节点便存在两种状态,分别为正常状态与异常状态,如下表所示:
正常 | 异常 | |
设备运行状态 | S0 | S1 |
机械状态 | H10 | H11 |
燃弧介质状态 | H20 | H21 |
分闸时间 | E10 | E11 |
合闸时间 | E20 | E21 |
分闸不同期性 | E30 | E31 |
合闸不同期性 | E40 | E41 |
燃弧时间 | E50 | E51 |
步骤三:通过历史的断路器异常数据,计算非精确先验概率K(模型中的连线参数),建立断路器异常概率估计的非精确贝叶斯模型,如图2所示。
非精确贝叶斯模型基于经典贝叶斯模型,它与经典贝叶斯模型的不同之处是,非精确贝叶斯模型的先验概率是区间概率,它将传统的精确单值概率以一个概率区间来代替。其表达形式为
式中,Pim表示事件发生的非精确概率;与P分别为非精确概率的上下界,与P满足约束
下文给出非精确贝叶斯模型中先验概率K用此表达式表示的推理过程及结果。
在确定先验概率时,由于可能出现样本量过少的情况而使结果不准确,借此引入隶属度的概念,来确定满足某个隶属度情况下先验概率的取值,用非精确概率Pim表示。
设U是由概率组成论域,在概率论域U上决策人的主观先验概率为一个集合B,其隶属函数定义为:
式中,表示概率论域中元素p对B(p)的隶属度,p0为精确概率,参数k表示非精确化的大小,其值越大表示对于精确概率的非精确化越小。通常取k∈[50,100]。
节点精确先验概率p0的公式为:
mi表示节点状态i出现的次数,i为0时表示正常状态,i为1时表示异常状态;M为节点状态总数即M=m1+m2。
连线精确先验概率p0的公式为:
ni表示下层节点状态i出现的次数,i为0时表示正常状态,i为1时表示异常状态;Ni为上层节点状态i出现的次数,i为0时表示正常状态,i为1时表示异常状态。即当n为节点E的状态时,N为节点H的状态;当n为节点H的状态时,N为节点S的状态。
含λ先验概率P的判据公式为:
式中,λ∈[0,1],当λ的值越大,表明此决策人越保守,易见当λ=1时,非精确概率的取值为精确概率值。因为隶属度λ的确定会掺杂人为因素在里面,所以决策人的冒险与保守就会对隶属函数的确定产生影响,为保证判断准确性,一般我们采取相对保守的方式来确定。通常取λ∈[0.5,0.8]。
用以上公式便可得出对先验概率非精确化后的概率表达式,如下:
式中参数意义均已在上文中给出。所求得的P即断路器异常概率估计的非精确贝叶斯模型中先验概率K(模型中的连线参数)。
步骤四:用步骤三建立的断路器异常概率估计的非精确贝叶斯模型,对给定时间参量下断路器是否异常进行概率推理。
根据常规贝叶斯网络的求解方法,在知道先验概率K的情况下,计算设备运行状态变量S出现概率的最大最小边界值的公式如下:
所得概率区间即为断路器异常的概率。
式中,P(Sk)为设备运行在不同运行状态下的先验概率。其余为条件概率,如P(H1j|Sk),均可由求解先验概率K的公式得出。例如:P(H10|S0)所表达的意思为在设备状态正常的状况下,机械状态也为正常的概率。
实施例二
本实施例提供了一种基于非精确贝叶斯模型的断路器异常判别***,包括故障录波器和计算装置,
所述故障录波器采集故障录波数据并传输至计算装置;
所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
接收所述故障录波数据,统计同一类型断路器的时间参量;
根据置信水平对断路器的时间参量进行异常评估,对其状态进行划分,构建非精确贝叶斯网络;
通过历史的断路器异常数据,计算非精确先验概率,建立断路器异常概率估计的非精确贝叶斯模型;
根据所述非精确贝叶斯模型,对给定时间参量下断路器是否异常进行概率推理。
本领域技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于非精确贝叶斯模型的断路器异常判别方法,其特征是,包括以下步骤:
步骤一:根据故障录波器所获得的故障录波数据,统计同一类型断路器的时间参量;
步骤二:根据置信水平对断路器的时间参量进行异常评估,对其状态进行划分,构建非精确贝叶斯网络;
步骤三:通过历史的断路器异常数据,计算非精确先验概率,建立断路器异常概率估计的非精确贝叶斯模型;
步骤四:根据所述非精确贝叶斯模型,对给定时间参量下断路器是否异常进行概率推理。
2.根据权利要求1所述的一种基于非精确贝叶斯模型的断路器异常判别方法,其特征是,所述时间参量包括分闸时间、合闸时间、合闸时间与分闸时间的不同期时间以及燃弧时间。
3.根据权利要求1所述的一种基于非精确贝叶斯模型的断路器异常判别方法,其特征是,所述步骤二中,根据置信水平对断路器的时间参量进行异常评估的具体方法为:对获取的时间参量数据中的某个时间参量采用Z统计量进行总体的区间估计,算出其样本均值和样本标准差S,取显著水平α=1%,将落在置信度为1-α=99%的置信区间的时间参量评为正常,落在区间之外的时间参量评为异常。
4.根据权利要求1所述的一种基于非精确贝叶斯模型的断路器异常判别方法,其特征是,根据所述步骤二划分的状态包括:设备运行状态、机械状态、燃弧介质状态、分闸时间、合闸时间、分闸不同期性、合闸不同期性和燃弧时间的正常和异常。
5.根据权利要求1所述的一种基于非精确贝叶斯模型的断路器异常判别方法,其特征是,所述非精确贝叶斯模型为:
<mrow>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<munder>
<mi>P</mi>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msqrt>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mi>&lambda;</mi>
</mrow>
<mi>k</mi>
</mfrac>
<mo>,</mo>
</mrow>
</msqrt>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msqrt>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mi>&lambda;</mi>
</mrow>
<mi>k</mi>
</mfrac>
<mo>,</mo>
</mrow>
</msqrt>
<mo>&rsqb;</mo>
<mo>&SubsetEqual;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
其中,Pim表示非精确概率,P0为精确概率,参数k表示非精确化的大小,其值越大表示对于精确概率的非精确化越小;λ∈[0,1]。
6.根据权利要求4所述的一种基于非精确贝叶斯模型的断路器异常判别方法,其特征是,精确概率p0的公式为:
<mrow>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mi>M</mi>
</mfrac>
</mrow>
mi表示随机变量状态i出现的次数;M为样本总数即M=m1+m2+...+mn。
7.根据权利要求1所述的一种基于非精确贝叶斯模型的断路器异常判别方法,其特征是,计算设备运行状态变量S出现概率的最大最小边界值的公式如下:
<mrow>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mn>0</mn>
</msub>
<mo>|</mo>
<mi>E</mi>
<mo>,</mo>
<mi>H</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mfrac>
<mrow>
<munder>
<munder>
<mo>&Pi;</mo>
<mrow>
<mi>z</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>l</mi>
<mi>z</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mn>5</mn>
<mi>z</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>1</mn>
</munderover>
<munder>
<munder>
<mo>&Pi;</mo>
<mrow>
<mi>z</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>l</mi>
<mi>z</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mn>5</mn>
<mi>z</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
1
<mrow>
<munder>
<mi>P</mi>
<mo>&OverBar;</mo>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mn>0</mn>
</msub>
<mo>|</mo>
<mi>E</mi>
<mo>,</mo>
<mi>H</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>min</mi>
<mo>{</mo>
<mfrac>
<mrow>
<munder>
<munder>
<mo>&Pi;</mo>
<mrow>
<mi>z</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>l</mi>
<mi>z</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mn>5</mn>
<mi>z</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>1</mn>
</munderover>
<munder>
<munder>
<mo>&Pi;</mo>
<mrow>
<mi>z</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>l</mi>
<mi>z</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mn>5</mn>
<mi>z</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
所得概率区间即为断路器异常的概率;式中,P(Sk)为设备运行在不同运行状态下的先验概率;其余为先验概率。
8.一种基于非精确贝叶斯模型的断路器异常判别***,其特征在于,包括故障录波器和计算装置,
所述故障录波器采集故障录波数据并传输至计算装置;
所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
接收所述故障录波数据,统计同一类型断路器的时间参量;
根据置信水平对断路器的时间参量进行异常评估,对其状态进行划分,构建非精确贝叶斯网络;
通过历史的断路器异常数据,计算非精确先验概率,建立断路器异常概率估计的非精确贝叶斯模型;
根据所述非精确贝叶斯模型,对给定时间参量下断路器是否异常进行概率推理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710860622.5A CN107478988B (zh) | 2017-09-21 | 2017-09-21 | 基于非精确贝叶斯模型的断路器异常判别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710860622.5A CN107478988B (zh) | 2017-09-21 | 2017-09-21 | 基于非精确贝叶斯模型的断路器异常判别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107478988A true CN107478988A (zh) | 2017-12-15 |
CN107478988B CN107478988B (zh) | 2019-11-05 |
Family
ID=60587212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710860622.5A Expired - Fee Related CN107478988B (zh) | 2017-09-21 | 2017-09-21 | 基于非精确贝叶斯模型的断路器异常判别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107478988B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108020781A (zh) * | 2017-12-19 | 2018-05-11 | 上海电机学院 | 一种断路器故障诊断方法 |
CN110108806A (zh) * | 2019-04-04 | 2019-08-09 | 广州供电局有限公司 | 基于概率信息压缩的变压器油色谱数据表示方法 |
CN110286333A (zh) * | 2019-06-18 | 2019-09-27 | 哈尔滨理工大学 | 一种锂动力电池***故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854461A (zh) * | 2012-08-24 | 2013-01-02 | 中国电力科学研究院 | 一种开关设备发生故障的概率预测方法及其*** |
CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
CN104036362A (zh) * | 2014-06-23 | 2014-09-10 | 国家电网公司 | 一种台变用电负荷异常数据的快速检测方法 |
CN104181460A (zh) * | 2014-07-07 | 2014-12-03 | 沈阳工业大学 | 一种基于多信息融合的永磁机构真空断路器故障诊断方法 |
CN106447530A (zh) * | 2016-09-07 | 2017-02-22 | 山东大学 | 一种电力设备停运概率的非精确条件估计方法 |
-
2017
- 2017-09-21 CN CN201710860622.5A patent/CN107478988B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854461A (zh) * | 2012-08-24 | 2013-01-02 | 中国电力科学研究院 | 一种开关设备发生故障的概率预测方法及其*** |
CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
CN104036362A (zh) * | 2014-06-23 | 2014-09-10 | 国家电网公司 | 一种台变用电负荷异常数据的快速检测方法 |
CN104181460A (zh) * | 2014-07-07 | 2014-12-03 | 沈阳工业大学 | 一种基于多信息融合的永磁机构真空断路器故障诊断方法 |
CN106447530A (zh) * | 2016-09-07 | 2017-02-22 | 山东大学 | 一种电力设备停运概率的非精确条件估计方法 |
Non-Patent Citations (4)
Title |
---|
刁浩然 等: ""电力设备停运概率的非精确条件估计"", 《中国电机工程学报》 * |
刁浩然: ""基于非精确概率的电力设备运行可靠性评估方法研究"", 《CNKI中国硕士学位论文数据库》 * |
王海港 等: ""基于贝叶斯网络和故障录波数据的电网故障综合诊断方法"", 《电气自动化》 * |
罗孝辉 等: ""计及可信度的变结构贝叶斯网络电网故障诊断"", 《电网技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108020781A (zh) * | 2017-12-19 | 2018-05-11 | 上海电机学院 | 一种断路器故障诊断方法 |
CN110108806A (zh) * | 2019-04-04 | 2019-08-09 | 广州供电局有限公司 | 基于概率信息压缩的变压器油色谱数据表示方法 |
CN110286333A (zh) * | 2019-06-18 | 2019-09-27 | 哈尔滨理工大学 | 一种锂动力电池***故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107478988B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103426056B (zh) | 基于风险评估的电力***薄弱环节辨识方法 | |
CN112713649B (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
CN104103019B (zh) | 含分布式电源的配电网运行风险评估方法及评估*** | |
CN108847660A (zh) | 基于安控***离线策略在线校核的预防控制优化决策方法 | |
CN105158647B (zh) | 基于电网监控***的单站端电网故障诊断和辅助决策方法 | |
CN102214920A (zh) | 基于线路集群的电网连锁故障分析方法 | |
CN104966147A (zh) | 一种考虑基态和事故态的电网运行风险分析方法 | |
Yang et al. | FARIMA model‐based communication traffic anomaly detection in intelligent electric power substations | |
CN108206747A (zh) | 告警生成方法和*** | |
CN107478988A (zh) | 基于非精确贝叶斯模型的断路器异常判别方法和*** | |
CN102930344A (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
CN103337831A (zh) | 一种具有自适应功能的失步解列方法 | |
CN105244865A (zh) | 一种电力***安全稳定运行控制方法 | |
CN113762604B (zh) | 一种工业互联网大数据服务*** | |
CN107947367A (zh) | 一种保护设备在线监测与智能诊断*** | |
CN105703258A (zh) | Gis开关设备动作状态监测***及其使用方法 | |
CN103048573A (zh) | 一种用于电力***运行风险评估的方法及装置 | |
CN104166940A (zh) | 配电网运行风险评估方法及评估*** | |
CN104112076A (zh) | 基于模糊数学的运行风险评估方法及评估*** | |
CN103310296A (zh) | 一种基于扰动评估和趋势分析的操作票安全校核方法 | |
CN107491876A (zh) | 一种智能变电站保护***的风险评估方法 | |
CN104050377A (zh) | 一种时变设备故障概率确定方法 | |
CN106199251B (zh) | 一种基于自适应建模分析的配电网故障预警***及方法 | |
CN107067126A (zh) | 一种基于潮流转移比的热稳定关键输电通道识别方法 | |
CN113746073A (zh) | 一种主站与终端协同自适应的配电网故障处理方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191105 Termination date: 20210921 |