基于贝叶斯分类的计量自动化终端故障诊断方法与流程

本发明属于计量装置故障诊断领域，具体来说是基于贝叶斯分类的计量自动化终端故障诊断方法。

背景技术：

随着计量自动化系统的建设，系统集成化、复杂化和自动化程度日益提高，计量自动化终端对电网电能计量稳定运行的影响也越来越重要，因此对计量自动化终端进行故障诊断分析评估的故障诊断方法也显得越来越重要，特别是在目前计量自动化终端数量越来越多、设备安装条件越来越复杂的情况下，计量自动化终端故障发生概率变高且判断困难，人力物力已难以维持所有终端的现场维护。因此实现快速有效的计量自动化终端的故障诊断，将有利于快速消除故障危害，节省运维成本，实现计量自动化终端的安全稳定运行。

计量自动化故障诊断的方法一般主要有三类：数值统计方法、专家经验库方法和数学模型算法。

数值统计方法主要是通过分析计量自动化终端采集得到的历史电能量数据，获取历史数据的规律特征，并选取具有代表意义的规律特征作为故障特征值进行诊断。该方法能够分析故障特征，通过特征比对便实现快速地诊断出是何种故障。但是特征选取规则难以覆盖所有故障。专家经验库方法是通过一定的规则进行自学习，抗干扰能力强，但输入与输出之间无确定的关系表达式，且每次诊断都需要足够的数据进行自适应地训练，若不收敛，则易陷入局部极值的困境。数学模型算法是通过建立多个输入输出与故障匹配的数学模型，并对新的输入值进行求解得到对应的故障输出。该方法在系统故障诊断中也已广泛得到应用，但由于电力系统运行的复杂性，通常只能得到近似的数学模型，误差较大。

按照上述两点所述，随着计量自动化终端安装数量的增加和安装环境越来越复杂，因此计量自动化终端的故障类别和特征也越发多样化，因此通过专家经验库和数据模型算法判别故障类型的难度较大，规则制定难以适应所有的计量自动化终端。

技术实现要素：

本发明公开了一种基于贝叶斯分类的计量自动化终端故障诊断方法，可以通过统计分析大量的计量自动化终端历史数据，以及已经经过现场验证得到的真实故障实例，来实现贝叶斯分类器的训练，进而可以快速有效地通过贝叶斯推断得到计量自动化终端故障发生的概率，实现故障的快速诊断。

为实现上述目的，本发明的技术方案为：

基于贝叶斯分类的计量自动化终端故障诊断方法，包括以下步骤：

s1.收集计量自动化终端的历史数据，并标记出经过现场验证之后的故障实例历史数据；

s2.针对标记出来的故障实例历史数据确定要诊断的故障分类范围；

s3.通过计量自动化终端历史数据和故障实例历史数据训练贝叶斯分类器；

s4.通过训练后得到的贝叶斯分类器对计量自动化终端实时数据进行故障诊断。

进一步的，还包括步骤s5：s5.运维人员现场查看计量自动化终端，若诊断所述计量自动化终端实时数据为真实的故障，则将所述计量自动化终端实时数据作相应的故障类型标记，并归入故障实例历史数据，然后根据更新后的故障实例历史数据训练贝叶斯分类器；

重复步骤s5和s4，实现基于贝叶斯分类的计量自动化终端故障的诊断。

进一步的，步骤s1中，所述计量自动化终端历史数据是由计量自动化终端采集回来的，并存储在计量自动化主站系统数据库中的历史采集数据；所述计量自动化终端包括厂站、配变、负控、集抄终端；

所述计量自动化历史数据包含多项不同的特征数据；所述故障实例历史数据是所述计量自动化终端历史数据的一部分，也包含多项特征数据；所述故障实例历史数据都包含有故障类型标记。

进一步的，所述步骤s3具体为：

s3-1.计算步骤s2中所述故障分类范围中的一种故障类型在整个计量自动化终端历史数据中出现的概率，即计算贝叶斯分类器的先验概率；

s3-2.计算步骤s3-1中所述故障类型包含的不同特征数据在该故障实例历史数据中出现的概率，即计算贝叶斯分类器的条件概率；

s3-3.重复步骤s3-1和步骤s3-2来计算步骤s2中所述故障分类范围中的所有故障类别的先验概率和条件概率。进一步的，所述步骤s4具体为：

s4-1.将计量自动化终端实时数据输入至训练后的贝叶斯分类器；

s4-2.通过计量自动化终端实时数据中的特征数据，以及步骤s3中计算得到的先验概率和条件概率，使用贝叶斯算法得到步骤s4-1所述计量自动化终端实时数据对应发生不同故障类别的概率；

s4-3将步骤s4-2计算得到的计量自动化终端实时数据对应出现不同故障类别的概率，从大到小排列，由现场运维人员在现场对有大概率出现故障的计量自动化终端进行实际判断，根据实际判断结果对计量自动化终端做出故障诊断。

进一步的，所述步骤s5具体为：

s5-1.运维人员现场查看计量自动化终端，若诊断所述计量自动化终端实时数据为真实的故障，计量自动化终端实时数据都将归入计量自动化终端历史数据中；

s5-2.根据现场实际判断得到的故障类型，对该发生故障时对应的计量自动化终端实时数据进行故障类型标记，并归入故障实例历史数据；

s5-3.根据更新后的故障实例历史数据训练贝叶斯分类器。

进一步的，所述计算贝叶斯分类器的先验概率具体计算过程为：

根据步骤s2中所述，将不同的计量自动化终端故障记为f＝{f1,f2,…,fk}，k为计量自动化终端故障种类数，同时记计量自动化终端正常状态为f0；

根据步骤s3中所述，计量自动化终端的历史数据和故障实例历史数据，作为训练样本数据来对贝叶斯分类器进行训练，设有数量为n的训练数据c＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中xi为训练数据中第i个样本数据，yi为样本数据xi对应的数据分类标记，即y∈{f0,f1,f2,…,fk}，是第i个样本的第j个特征，其中ajl是第j个特征的第l个值，sj为第j个特征的所有取值的数量，n为每个样本的总特征数；

对作归一化处理；

设每一类故障类别fk的先验概率为p(y＝fk),k＝1,2,3,…,k，先验概率为：

式中y为数据分类标记中的随机变量；i为指示函数，即yi＝fk时为1，否则为0。

更进一步的，所述计算贝叶斯分类器的条件概率具体计算过程为：

j＝1,2,…,n；l＝1,2,…,sj；k＝1,2,…,k

式中x为样本数据中的一个随机变量，x^(j)为该随机变量的第j个特征；

根据贝叶斯定理得到条件概率为：

更进一步的，使用贝叶斯算法计算实时数据出现不同故障的概率具体过程为：

假设计量自动化终端采集得到的实时数据为d，d＝(d⁽¹⁾,d⁽²⁾,…,d⁽ⁿ⁾)^t，按照下式：

得到实时数据d发生fk类故障的概率。

由贝叶斯分类器计算得到的计量自动化终端每个实时数据d出现某一类故障fk的概率p(y＝fk|x＝d)，将此概率按从大到小排列，由现场运维人员去往现场对大概率出现故障的计量自动化终端进行实际判断，根据实际判断结果对计量自动化终端做出故障诊断。

以上所述的基于贝叶斯分类的计量自动化终端故障诊断方法，通过在真实环境下得到的计量自动化终端历史数据，以及得到验证之后的计量自动化终端历史数据中的故障实例数据，来训练贝叶斯分类器，贝叶斯分类器使用贝叶斯推断原理，来判断实时数据是否包含故障特征数据以及发生不同故障的概率，从而帮助现场运维人员快速排查计量自动化终端的故障，实现故障的快速诊断。且贝叶斯分类器可以根据实时数据继续进行更新训练，更进一步提高了故障诊断的准确性，通过故障诊断的快速性和准确性的提高，能够快速准确地为计量自动化终端故障诊断提供支持，将有利于快速消除故障危害，节省电网运维成本，实现计量自动化终端的安全稳定运行。

附图说明

图1是本发明的方法流程图。

图2是使用贝叶斯算法计算实时数据出现不同故障的概率的详细流程图。

具体实施方式

以下将结合具体实施例对本发明作进一步说明，但本发明的保护范围不限于以下实施例。

基于贝叶斯分类的计量自动化终端故障诊断方法，如图1所示，包括以下步骤：

s1.收集计量自动化终端的历史数据，并标记出经过现场验证之后的故障实例历史数据；

所述计量自动化终端历史数据是由计量自动化终端采集回来的，并存储在计量自动化主站系统数据库中的历史采集数据；计量自动化终端包括厂站、配变、负控、集抄终端。计量自动化历史数据根据计量自动化终端种类的不同，包含多项不同的特征数据。

而故障实例历史数据是计量自动化终端历史数据的一部分，也包含多项特征数据。同时故障实例历史数据是经过现场验证的计量自动化终端故障对应的数据。

并且，所述计量自动化终端的历史数据都包含有故障类别标识。

s2.针对标记出来的故障实例历史数据确定要诊断的故障分类范围；

根据近三年计量自动化终端故障实例，故障可以分为以下几类：(1)电压失压；(2)电压不平衡；(3)终端时间超差错误；(4)电流不平衡；(5)终端下残疾想不完整且存在采集成功的数据项；(6)电表时间超差；(7)测量点数据项不完整且存在采集成功的数据项；(8)测量点数据项完成且数据点在时间上不连续；(9)测量点未采集；(10)谐波越限告警；(11)终端日运行时间异常；(12)电压过压；(13)电压错误；(14)电能量超差；(15)电流过流；(16)电流断相；(17)电流错误；(18)电压回路异常；(19)示度下降；(20)电能表飞走；(21)电能表停走；(22)功率数据错误；(23)电量示度错误；(24)电流回路异常；(25)功率因数错误；(26)直流模拟量越限记录；(27)有功总电能量差动越限；(28)视在功率越限记录；(29)电压、电流逆向序；(30)终端故障；(31)主站系统出错；(32)信道不通。

s3.结合图2所示，通过计量自动化终端的历史数据和故障实例历史数据训练贝叶斯分类器。

将以上32类计量自动化终端故障记为f＝{f1,f2,…,fk}，k＝32；此故障分类可根据故障实例历史数据中的故障实例分类进行个别增减，同时记计量自动化终端正常状态为f0。

对于计量自动化终端的历史数据和故障实例历史数据，将作为训练样本数据来对贝叶斯分类器进行训练，设有数量为n的训练数据c＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中xi为训练数据中第i个样本数据，yi为样本数据xi对应的数据分类标记，即y∈{f0,f1,f2,…,fk}。进一步有是第i个样本的第j个特征，其中ajl是第j个特征的第l个值，sj为第j个特征的所有取值的数量，n为每个样本的总特征数。

因为计量自动化终端对应不同的电能计量装置，所采集得到数据对应不同的额定值，例如电压数据额定值按照线路接法分为100v和57.7v，因此需要对计量自动化历史数据某些特征做归一化处理。以电压值为例做归一化处理，其步骤如下：

根据上述设定，设a相电压值为即a相电压是第i个样本的第1个特征取值，根据计量自动化终端档案，若额定电压为57.7v，则若额定电压为100v，则

归一化处理针对有多种额定值的数据特征，不单指电压数据。对计量自动化终端历史数据进行归一化处理后，开始计算先验概率及条件概率，即计算故障实例历史数据内不同故障类型，在整个计量自动化历史数据训练样本的概率。

设每一类故障类别fk的先验概率为p(y＝fk),k＝1,2,3,…,k，其值为fk类故障的样本数除以训练集即计量自动化终端历史数据的总样本数n。即

式中y为数据分类标记中的随机变量；i为指示函数，即yi＝fk时为1，否则为0；

对于一个给定的故障类别fk，计算其条件概率；即计算发生该类故障时所对应样本数据的特征取值，在所有发生该类故障的样本数据中的概率，计算如下：

j＝1,2,…,n；l＝1,2,…,sj；k＝1,2,…,k

式中x为样本数据中的一个随机变量，x^(j)为该随机变量的第j个特征。

根据贝叶斯定理可以得到：

p(y＝fk|x＝x)为后验概率，即对应某一样本数据x发生fk类故障的概率。通过上述步骤便可对任一计量自动化终端数据x进行计算，得到发生某类故障发生的概率p。若取概率最大的分类fk为该数据的故障类别标记，即完成对该数据x的贝叶斯分类。

s4.通过训练后得到的贝叶斯分类器对计量自动化终端实时数据进行故障诊断。

s4-1.将计量自动化终端实时数据输入至训练后的贝叶斯分类器；

s4-2.贝叶斯分类器使用贝叶斯算法计算实时数据出现不同故障的概率；

对于计量自动化采集得到的实时数据d＝(d⁽¹⁾,d⁽²⁾,…,d⁽ⁿ⁾)^t，则可以计算

得到实时数据d发生fk类故障的概率。

s4-3.根据计算得到了贝叶斯分类器判定得到的计量自动化终端每个实时数据d出现某一类故障fk的概率p(y＝fk|x＝d)，将此概率按从大到小排列，由现场运维人员去往现场对大概率出现故障的计量自动化终端进行实际判断，根据实际判断结果对计量自动化终端做出故障诊断。

进一步的，还包括步骤s5：s5.若运维人员现场查看计量自动化终端，若诊断所述计量自动化终端实时数据为真实的故障，则将所述计量自动化终端实时数据作相应的故障类型标记，并归入故障实例历史数据，然后根据更新后的故障实例历史数据训练贝叶斯分类器；

s5-1.若现场运维人员查看判断所述计量自动化终端实时数据为真实的故障，计量自动化终端实时数据都将归入计量自动化终端历史数据中；

s5-2.根据现场实际判断得到的故障类型，对该发生故障时对应的数据d进行fi类对应的数据分类标记，并归入fi类故障的故障实例历史数据样本集中；

s5-3.根据更新后的故障实例历史数据训练贝叶斯分类器。

重复步骤s5和s4，实现基于贝叶斯分类的计量自动化终端故障的诊断。

本实施例采用贝叶斯推断原理，根据计量自动化终端的各项历史数据，以及经过现场验证得到的真实故障实例，来实现贝叶斯分类器的训练，从而建立故障诊断模型来实现计量自动化终端实时运行状态的诊断，解决了在现场情况不确定和缺少已知信息情况下的计量自动化终端故障的诊断问题。

以下进一步以收集了96组数量计量自动化终端的历史数据、其中有30组是电压失压故障实例历史数据为例，进一步说本实施例的计算过程：

具体步骤s1中，收集计量自动化终端的历史数据包含三相电压ua、ub、uc，数据分类标记y。在实际应用中，计量自动化终端的历史数据并不特指三相电压，可按照实际数据情况增加数据特征。

同时收集有故障实例历史数据，故障实例历史数据是计量自动化终端历史数据的一部分，故障实例历史数据包含数据项同上，其数据分类标记为对应故障分类标识。

本实施例收集了96组数量计量自动化终端的历史数据、其中有30组是电压失压故障实例历史数据，计量自动化终端的历史数据见表1：

表1

具体在步骤s3中，通过表1计量自动化终端的历史数据和故障实例历史数据训练贝叶斯分类器。

将32类计量自动化终端故障记为f＝{f1,f2,…,fk}，k＝32；此故障分类可根据实际情况增减，同时记计量自动化终端正常状态为f0，电压失压即标记为f1。

对于上述96组计量自动化终端的历史数据，其中包含的30组故障实例历史数据，作为训练样本数据来对贝叶斯分类器进行训练，设xi为训练数据中第i个样本数据，yi为样本数据xi对应的数据分类标记，即y∈{f0,f1,f2,…,fk}。另外有是第i个样本的第j个特征，在本实施例中特征对应s2所述数据项，即n＝3，

其中其中ajl是第j个特征的第l个值，sj为第j个特征的所有取值的数量。

因为计量自动化终端对应不同的电能计量装置，所采集得到数据对应不同的额定值，例如电压数据额定值按照线路接法分为100v和57.7v，因此需要对计量自动化历史数据某些特征做归一化处理。以电压值为例做归一化处理，其步骤如下：

根据上述设定，a相电压值为即a相电压是第i个样本的第1个特征取值，将根据计量自动化终端档案，若额定电压为57.7v，则

本实施例按照线路接法均为57.7v，将上述96组计量自动化终端的历史数据均进行归一化处理，得到表2：

表2

对计量自动化终端历史数据进行归一化处理后，开始计算先验概率及条件概率，即计算故障实例历史数据内不同故障类型，在整个计量自动化历史数据训练样本的概率。

本实施例中，设故障类别f1的先验概率为p(y＝f1)，其值为f1类故障的样本数除以训练集即计量自动化终端历史数据的总样本数n。即

另外有数据分类标记为f0的先验概率为

式中y为数据分类标记中的随机变量；i为指示函数，即在本组计算中，yi＝f1时为1，否则为0；对于一个给定的故障类别f1，计算其条件概率；即计算发生该类故障时所对应样本数据的特征取值，在所有发生该类故障的样本数据中的概率，计算如下：

式中x为样本数据中的一个随机变量，x⁽¹⁾为该随机变量的第1个特征ua，x⁽²⁾为该随机变量的第2个特征ub，x⁽³⁾为该随机变量的第3个特征uc。

具体在步骤s4中，通过训练后得到的贝叶斯分类器对计量自动化终端实时数据进行故障诊断。

s4-1.将计量自动化终端实时数据d＝(0.1,1.0,1.0)^t输入至训练后的贝叶斯分类器；

s4-2.贝叶斯分类器使用贝叶斯算法计算实时数据出现不同故障的概率；

对于计量自动化采集得到的实时数据d＝(d⁽¹⁾,d⁽²⁾,…,d⁽ⁿ⁾)^t，则可以计算

由上式可知其分母对于所有故障分类都一样，则可只计算其分子，即

按照上式计算得到实时数据d发生f1类故障，即电压失压故障的概率。

同理可以分别计算得实时数据d发生f2–f32类故障的概率。

将获得的发生f1–f32概率按从大到小排列，若为电压失压故障的概率最大，则由现场运维人员去往现场先判断计量自动化终端是否确实发生电压失压故障，若是电压失压故障，则将数据d进行f1类故障类型标记，并归入f1类故障的样本集中的故障实例历史数据，若不是电压失压故障，则选择概率仅次于电压失压故障的故障种类进行排查，重复进行判断，直至排查出故障种类，根据实际判断结果对计量自动化终端做出故障诊断。

根据更新后的故障实例历史数据训练贝叶斯分类器。则可重复实现基于贝叶斯分类的计量自动化终端故障的诊断。