CN113379252A - 基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法 - Google Patents

Abstract

一种基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法，首先，分析并融合高压开关柜的多个物理传感器信息；其次，通过引入粗粒化操作和排列熵方法实现了特征信息的有效提取；最后，构建并训练基于专家领域知识的贝叶斯网络模型，实现对高压开关柜***的健康状态评估。本发明能够将不同检测手段采样得到的数据进行融合，从而实现对高压开关柜安全状态的精准评估，保障电力高压开关柜的安全稳定运行。

Description

基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估 方法

技术领域

本发明属于高压开关柜状态评估领域，具体涉及一种适用于电力高压开关柜健康***评估方法，保障电力高压开关柜***正常运行。

背景技术

电力高压开关柜作为电力***的主要设备之一，其运行状态关系着整个电力***的安全性。状态检修是保证电力高压开关柜安全可靠运行的必要手段，而状态检修的核心和基础是状态评估。通过对电力高压开关柜进行综合评估，进而根据评估结果制定检修策略，不仅可以提高电力高压开关柜的运行可靠性，也可以产生巨大的经济效益。

在电力高压开关柜运行中，由于受潮、绝缘距离不够和绝缘材料劣化等原因会造成电力高压开关柜局部放电甚至燃烧***。目前，针对电力高压开关柜带电检测的手段主要有红外诊断法、暂态地电压法、超声波法和特高频法等。这些方法一般通过检测电力高压开关柜发生故障时产生的声、光和电信号来判断高压开关柜的安全状态等级。上述方法在工业现场中应用比较广泛，但是极易受到现场电磁和机械干扰。此外，上述方法过于依赖主观判断且存在局限性，如果仅仅依靠其中的某一种方法往往会导致误判。

贝叶斯网络给电力高压开关柜健康***评估提供了新的途径，贝叶斯方法在***故障诊断及评估方面已被广泛应用。因此，本发明融合电力高压开关柜相关的带电检测数据、环境因素和设备自身因素，提出一种基于多尺度排列熵的贝叶斯网络模型应用于电力高压开关柜的健康***评估。通过嵌入专家知识以及分析电力高压开关柜检测得到的历史数据，从数据中学习构建并确立贝叶斯网络模型，利用确立的贝叶斯网络模型实现对电力高压开关柜的安全状态评估以指导检修。

发明内容

针对现有电力高压开关柜***健康状态评估方法的技术缺陷，提供了一种基于多尺度排列熵值的贝叶斯网络电力高压开关柜健康***评估方法。本发明能够将不同检测手段采样得到的数据进行融合，从而实现对高压开关柜安全状态的精准评估，保障电力高压开关柜的安全稳定运行。

本发明采用的技术方案如下：

一种基于多尺度排列熵值的贝叶斯网络电力高压开关柜健康***评估方法，所述方法包括如下步骤：

1)模型训练阶段，分为以下步骤：

1.1)分别获取h个传感器下历史正常电力高压开关柜工作时间序列数据，单个传感器在离线情况下采集的正常工况时间序列数据为{x_h(i),i＝1,2,…,n；h∈N⁺}，对该时间序列数据进行粗粒化处理，即：

其中，

为粗粒化处理后得到时刻为w的多尺度时间序列，n为时间序列长度，s为尺度因子，且s∈N⁺，N⁺为正整数，经过粗粒化处理获得不同尺度因子s下的特征信息，以提升模型的评估性能；

1.2)计算单个传感器下的多尺度时间序列排列熵值；

1.3)同理，根据步骤1.2)分别计算h个传感器下的多尺度时间序列的排列熵值，并对所得到的多尺度排列熵值数据进行等区间离散化处理，即通过查找其中的最小值a与最大值b，首先，确定多尺度时间序列排列熵值的范围[a,b]，其次，对该范围进行M(M≥2且M∈N⁺)个合理等区间划分，区间长度为

最后，将给每个子区间赋一个标签值0,1,2,…，定义得到的多尺度排列熵值集合为{e_h,s，h,s＝1,2,3,…}；

1.4)根据电力高压开关柜中母线室状态信息、电缆室状态信息和真空负荷开关状态信息以及融合专家先验知识，构建电力高压开关柜健康***评估模型结构，即确定电力高压开关柜健康***评估模型中各节点变量之间的拓扑关系，形成一个有向无环图；

1.5)基于步骤1.4)构建的电力高压开关柜健康***评估模型的结构，利用贝叶斯估计确定评估模型结构中相关节点变量间的参数，即节点变量间的条件概率表，首先，将要估计的参数作为一个随机变量，允许参数服从迪利克雷概率分布，然后，根据参数的先验分布以及对电力高压开关柜中不同传感器采集得到的时间序列的多尺度排列熵数据集学习，求出参数的后验分布，最后，求出参数的期望值作为其最终值。假设获取了Q个序列的样本集D，定义观测值为U＝(U₁,U₂,U₃,…,U_Q)；

2)阈值确定阶段分为三个步骤：

2.1)分别计算电力高压开关柜中h个传感器下正常工况时间序列的多尺度排列熵值，根据步骤1.3)对多尺度排列熵值进行等区间离散化操作，获得多尺度排列熵集合{e_h,s，h,s＝1,2,3,…}；

2.2)将步骤2.1)处理得到的多尺度排列熵值数据集合{e_h,s，h,s＝1,2,3,…}输入至步骤1)所构建的电力高压开关柜健康***评估模型；

2.3)确定阈值，通过马尔可夫网的变量消除推理引擎推理得出每个时刻对应的后验概率值P(T_q|E＝{e_h,s})，即：

式(2)表示在输入特征信息集{e_h,s,h,s＝1,2,3,…}后目标为T_q(q＝1或-1)的后验概率，其中P(E＝{e_h,s})为先验概率，T_q(q＝1或-1)对应电力高压开关柜***的状态(q＝1代表健康，q＝-1代表异常)。通过对式(2)取对数值，然后选择其最小值作为阈值R：

R＝min(-ln(P(T_q|E＝{e_h,s}))) (3)

3)健康评估阶段，分为以下步骤：

3.1)实时计算电力高压开关柜中h个传感器下采集得到时间序列的多尺度排列熵值，同理，根据步骤1.3)对多尺度排列熵值进行等区间离散化操作获得多尺度排列熵数据集合{e_h,s，h,s＝1,2,3,…}；

3.2)实时将3.1)处理所得的多尺度排列熵值数据集合{e_h,s，h,s＝1,2,3,…}输入至步骤1)所构建的电力高压开关柜健康***评估模型，选择马尔可夫网变量消除推理引擎计算得出每个时刻对应的概率值P(T_q|E＝{e_h,s})，即：

3.3)实时健康评估。

进一步，所述3.3)中，据上一步得到的P(T_q|E＝{e_h,s})，对其取对数值后与阈值进行对比，如果超过阈值R，则认为该电力高压开关柜的健康状态存在问题，需要及时检修；如果未超过阈值R，则认为该电力高压开关柜运转正常。

再进一步，所述1.2)的过程如下：

1.2.1)将多尺度时间序列

进行相空间重构，即：

式中，

是对原多尺度时间序列进行相空间重构后时刻为j的时间序列，其中，μ为嵌入维度，λ为延迟时间。

1.2.2)当嵌入维度μ为实数时，步骤1.2.1)中所有重构分量元素均根据数值大小重新升序排列如下：

1.2.3)统计K种符号序列S(g)出现的概率，并逐一标记为{P_g,g＝1,2,3,…,K}，计算其香农熵并进行归一化处理，定义高压开关柜中不同传感器下粗粒化时间序列的排列熵e为，

在多尺度排列熵值的计算过程中，尺度因子s根据所需的特征维度进行灵活选择，在进行排列熵计算之前需要确定嵌入维度μ以及延迟时间λ。

更进一步，所述1.5)的过程如下：

1.5.1)首先确定网络参数θ的先验分布P(θ)，这里P(θ)服从m维狄利克雷概率分布，即：

其中，Dir是狄利克雷分布，m是狄利克雷分布的维数，m∈[1,r]，α是超参，τ(α)是Gama函数；

1.5.2)样本发生的概率为：

1.5.3)利用贝叶斯公式，求θ的后验分布：

其中，Q_m为m维狄利克雷分布样本集中包含的Q个序列，此时确定的网络参数θ即为后验概率最大时的高压开关柜健康***评估模型参数，计算参数的期望值作为最终值。

本发明方法具有以下优点：1、分析电力高压开关柜***中多个物理传感器信息，使得所提方法比基于单传感器的方法效果更佳。2、通过粗粒化操作，仅用很少的计算代价就获得了更多的特征信息，在满足电力高压开关柜***实时性的同时提升了一定的检测性能。3、本发明结合了专家领域的先验知识，使得该模型具有更好的泛化能力。

附图说明

图1是计算电力高压开关柜采集得到时间序列的多尺度排列熵值流程图；

图2是电力高压开关柜健康评估***的贝叶斯网络结构图；

图3是电力高压开关柜健康评估***的贝叶斯网络精确推理流程图；

图4是电力高压开关柜状态评估方法流程图；

图5是电力高压开关柜健康状态评估方法框架示意图。

具体实施方式

为了使本发明的技术方案、设计思路能更加清晰，我们结合附图进行详尽的描述。

研究对象是电力高压开关柜，采样数据是电力高压开关柜中传感器采集得到的参数信息。

参照图1，电力高压开关柜工况时间序列的多尺度排列熵计算流程一般是将电力高压开关柜中每个传感器采集得到的时间序列进行粗粒化处理，接着对处理好的粗粒化序列进行序列重构，最后根据排列熵的计算方法计算该序列的排列熵值即为多尺度排列熵值。

参照图4，一种基于多尺度排列熵值和贝叶斯网络的电力高压开关柜健康***评估方法，包括以下步骤：

1)模型训练阶段，分为以下步骤：

1.1)分别获取h个传感器下历史正常电力高压开关柜工作时间序列数据，单个传感器在离线情况下采集的正常工况时间序列数据为{x_h(i),i＝1,2,…,n；h∈N⁺}，对该时间序列数据进行粗粒化处理，即：

其中，

为粗粒化处理后得到时刻为w的多尺度时间序列，n为时间序列长度，s为尺度因子，且s∈N⁺，N⁺为正整数，经过粗粒化处理获得不同尺度因子s下的特征信息，以提升模型的评估性能；

1.2)计算单个传感器下的多尺度时间序列排列熵值，过程如下：

1.2.1)将多尺度时间序列

进行相空间重构，即：

式中，

是对原多尺度时间序列进行相空间重构后时刻为j的时间序列，其中，μ为嵌入维度，λ为延迟时间；

1.2.2)当嵌入维度μ为实数时，步骤1.2.1)中所有重构分量元素均根据数值大小重新升序排列如下：

1.2.3)统计K种符号序列S(g)出现的概率，并逐一标记为{P_g,g＝1,2,3,…,K}，计算其香农熵并进行归一化处理，定义电力高压开关柜中不同传感器下粗粒化时间序列的排列熵e为，

在多尺度排列熵值的计算过程中，尺度因子s根据所需的特征维度进行灵活选择，在进行排列熵计算之前需要确定嵌入维度μ以及延迟时间λ，在本发明中，μ∈[3,7]，λ＝1；

1.3)同理，根据步骤1.2)分别计算h个传感器下的多尺度时间序列的排列熵值，并对所得到的多尺度排列熵值数据进行等区间离散化处理，即通过查找其中的最小值a与最大值b，首先确定多尺度时间序列排列熵值的范围[a,b]，其次，对该范围进行M(M≥2且M∈N⁺)个合理等区间划分，区间长度为

最后，将给每个子区间赋一个标签值0,1,2,…，定义得到的多尺度排列熵值集合为{e_h,s，h,s＝1,2,3,…}；

1.4)参照图2，根据电力高压开关柜中母线室状态信息、电缆室状态信息和真空负荷开关状态信息以及融合专家先验知识，构建电力高压开关柜健康***评估模型结构，即确定电力高压开关柜健康***评估模型中各节点变量之间的拓扑关系，形成一个有向无环图；

1.5)参照图5，基于步骤1.4)构建的电力高压开关柜健康***评估模型的结构，利用贝叶斯估计确定评估模型结构中相关节点变量间的参数，即节点变量间的条件概率表，首先，将要估计的参数作为一个随机变量，允许参数服从迪利克雷概率分布，然后，根据参数的先验分布以及对电力高压开关柜中不同传感器采集得到的时间序列的多尺度排列熵数据集学习，求出参数的后验分布，最后，求出参数的期望值作为其最终值，假设获取了Q个序列的样本集D，定义观测值为U＝(U₁,U₂,U₃,…,U_Q)；过程如下：

1.5.1)首先确定网络参数θ的先验分布P(θ)，这里P(θ)服从m维狄利克雷概率分布，即：

其中，Dir是狄利克雷分布，m是狄利克雷分布的维数，m∈[1,r]，α是超参，τ(α)是Gama函数；

1.5.2)样本发生的概率为：

1.5.3)利用贝叶斯公式，求θ的后验分布：

其中，Q_m为m维狄利克雷分布样本集中包含的Q个序列，此时确定的网络参数θ即为后验概率最大时的电力高压开关柜健康***评估模型参数，计算参数的期望值作为最终值；

2)参照图4和图5，阈值确定阶段分为以下步骤：

2.1)分别计算电力高压开关柜中h个传感器下正常工况时间序列的多尺度排列熵值，根据步骤1.3)对多尺度排列熵值进行等区间离散化操作，获得多尺度排列熵集合{e_h,s，h,s＝1,2,3,…}；

2.2)将步骤2.1)处理得到的多尺度排列熵值数据集合{e_h,s，h,s＝1,2,3,…}输入至步骤1)所构建的电力高压开关柜健康***评估模型；

2.3)确定阈值，参照图3，通过马尔可夫网的变量消除推理引擎推理得出每个时刻对应的后验概率值P(T_q|E＝{e_h,s})，即：

式(2)表示在输入特征信息集{e_h,s,h,s＝1,2,3,…}后目标为T_q(q＝1或-1)的后验概率，其中P(E＝{e_h,s})为先验概率，T_q(q＝1或-1)对应电力高压开关柜***的状态(q＝1代表健康，q＝-1代表异常)。通过对式(2)取对数值，然后选择其最小值作为阈值R：

R＝min(-ln(P(T_q|E＝{e_h,s}))) (9)

3)健康评估阶段，分为以下步骤：

3.1)参照图1和图4，实时计算电力高压开关柜中h个传感器下采集得到时间序列的多尺度排列熵值，同理，根据步骤1.3)对多尺度排列熵值进行等区间离散化操作获得多尺度排列熵数据集合{e_h,s，h,s＝1,2,3,…}；

3.2)参照图5，实时将3.1)处理所得的多尺度排列熵值数据集合{e_h,s，h,s＝1,2,3,…}输入至步骤1)所构建的电力高压开关柜健康***评估模型，选择马尔可夫网变量消除推理引擎计算得出每个时刻对应的概率值P(T_q|E＝{e_h,s})，即：

3.3)实时健康评估。

进一步，所述3.3)中，据上一步得到的P(T_q|E＝{e_h,s})，对其取对数值后与阈值进行对比，如果超过阈值R，则认为该电力高压开关柜的健康状态存在问题，需要及时检修；如果未超过阈值R，则认为该电力高压开关柜运转正常。

本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (4)

1.一种基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法，其特征在于，所述方法包括如下步骤：

1)模型训练阶段，分为以下步骤：

1.1)分别获取h个传感器下历史正常高压开关柜工作时间序列数据，单个传感器在离线情况下采集的正常工况时间序列数据为{x_h(i),i＝1,2,…,n；h∈N⁺}，对该时间序列数据进行粗粒化处理，即：

其中，

为粗粒化处理后得到时刻为w的多尺度时间序列，n为时间序列长度，s为尺度因子，且s∈N⁺，N⁺为正整数，经过粗粒化处理获得不同尺度因子s下的特征信息，以提升模型的评估性能；

1.2)计算单个传感器下的多尺度时间序列排列熵值；

1.3)同理，根据步骤1.2)分别计算h个传感器下的多尺度时间序列的排列熵值，并对所得到的多尺度排列熵值数据进行等区间离散化处理，即通过查找其中的最小值a与最大值b，首先确定多尺度时间序列排列熵值的范围[a,b]，其次，对该范围进行M(M≥2且M∈N⁺)个合理等区间划分，区间长度为

最后，将给每个子区间赋一个标签值0,1,2,…，定义得到的多尺度排列熵值集合为{e_h,s，h,s＝1,2,3,…}；

1.4)根据高压开关柜中母线室状态信息、电缆室状态信息和真空负荷开关状态信息以及融合专家先验知识，构建高压开关柜健康***评估模型结构，即确定高压开关柜健康***评估模型中各节点变量之间的拓扑关系，形成一个有向无环图；

1.5)基于步骤1.4)构建的高压开关柜健康***评估模型的结构，利用贝叶斯估计确定评估模型结构中相关节点变量间的参数，即节点变量间的条件概率表，首先，将要估计的参数作为一个随机变量，允许参数服从迪利克雷概率分布，然后，根据参数的先验分布以及对高压开关柜中不同传感器采集得到的时间序列的多尺度排列熵数据集学习，求出参数的后验分布，最后，求出参数的期望值作为其最终值，假设获取了Q个序列的样本集D，定义观测值为U＝(U₁,U₂,U₃,…,U_Q)；

2)阈值确定阶段，包括以下步骤：

2.1)分别计算高压开关柜中h个传感器下正常工况时间序列的多尺度排列熵值，根据步骤1.3)对多尺度排列熵值进行等区间离散化操作，获得多尺度排列熵集合{e_h,s，h,s＝1,2,3,…}；

2.2)将步骤2.1)处理得到的多尺度排列熵值数据集合{e_h,s，h,s＝1,2,3,…}输入至步骤1)所构建的高压开关柜健康***评估模型；

2.3)确定阈值，通过马尔可夫网的变量消除推理引擎推理得出每个时刻对应的后验概率值P(T_q|E＝{e_h,s})，即：

式(2)表示在输入特征信息集{e_h,s,h,s＝1,2,3,…}后目标为T_q的后验概率，其中P(E＝{e_h,s})为先验概率，T_q对应高压开关柜***的状态，q＝1代表健康，q＝-1代表异常，通过对式(2)取对数值，然后选择其最小值作为阈值R：

R＝min(-ln(P(T_q|E＝{e_h,s}))) (9)

3)健康评估阶段，分为以下步骤：

3.1)实时计算高压开关柜中h个传感器下采集得到时间序列的多尺度排列熵值，同理，根据步骤1.3)对多尺度排列熵值进行等区间离散化操作获得多尺度排列熵数据集合{e_h,s，h,s＝1,2,3,…}；

3.2)实时将3.1)处理所得的多尺度排列熵值数据集合{e_h,s，h,s＝1,2,3,…}输入至步骤1)所构建的高压开关柜健康***评估模型，选择马尔可夫网变量消除推理引擎计算得出每个时刻对应的概率值P(T_q|E＝{e_h,s})，即：

3.3)实时健康评估。

2.如权利要求1所述的基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法，其特征在于，所述3.3)中，据上一步得到的P(T_q|E＝{e_h,s})，对其取对数值，然后与阈值进行对比，如果超过阈值，则认为高压开关柜运转存在异常。

3.如权利要求1或2所述的基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法，其特征在于，所述1.2)的过程如下：

1.2.1)将多尺度时间序列

进行相空间重构，即：

式中，

是对原多尺度时间序列进行相空间重构后时刻为j的时间序列，其中，μ为嵌入维度，λ为延迟时间。

1.2.2)当嵌入维度μ为实数时，步骤1.2.1)中所有重构分量元素均根据数值大小重新升序排列如下：

1.2.3)统计K种符号序列S(g)出现的概率，并逐一标记为{P_g,g＝1,2,3,…,K}，计算其香农熵并进行归一化处理，定义高压开关柜中不同传感器下粗粒化时间序列的排列熵e为，

在多尺度排列熵值的计算过程中，尺度因子s根据所需的特征维度进行灵活选择，在进行排列熵计算之前需要确定嵌入维度μ以及延迟时间λ。

4.如权利要求1或2所述的基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法，其特征在于，所述1.5)的过程如下：

1.5.1)首先确定网络参数θ的先验分布P(θ)，这里P(θ)服从m维狄利克雷概率分布，即：

其中，Dir是狄利克雷分布，m是狄利克雷分布的维数，m∈[1,r]，α是超参，τ(α)是Gama函数；

1.5.2)样本发生的概率为：

1.5.3)利用贝叶斯公式，求θ的后验分布：

其中，Q_m为m维狄利克雷分布样本集中包含的Q个序列，此时确定的网络参数θ即为后验概率最大时的高压开关柜健康***评估模型参数，计算参数的期望值作为最终值。

Images