基于贝叶斯网络优化算法的采集终端故障预测方法及系统与流程

技术特征：

1.基于贝叶斯网络优化算法的采集终端故障预测方法，其特征是，包括如下步骤：

步骤(1)：针对电力现场采集终端的历史故障事件数据进行收集作为终端故障样本，并建立终端故障样本库；所述历史故障时间数据包括故障时间、故障地点和故障原因；

步骤(2)：对用电信息采集系统处于工作状态的终端设备的终端特征属性进行收集，同时获取终端故障样本发生前的历史数据，作为终端特征属性的变化信息；

步骤(3)：分析故障发生前，终端特征属性的变化信息对终端故障发生是否存在影响，若存在影响，则终端特征属性变化信息与终端故障二者关联度为1，若否，则二者关联度为0，从而初步确定终端故障与终端特征属性之间的关联度，并基于初步确定的关联度建立特征属性关联度有向图；

步骤(4)：首先采用最大主子图分解对特征属性关联度有向图进行降维处理，随后以条件独立测试和局部评分测试对潜在关联进行定向挖掘，得到马尔科夫等价类贝叶斯网络结构图，实现对贝叶斯网络算法的优化；

步骤(5)：利用优化后的贝叶斯网络算法，以终端故障影响因素对用电信息采集系统终端故障发生的影响度为先验概率，以用电信息采集系统终端故障发生为后验概率，建立故障预测模型；

步骤(6)：利用故障预测模型，实现对电力现场采集终端的故障预测。

2.如权利要求1所述的方法，其特征是，所述步骤(4)的步骤为：

步骤(4-1)：结合初步确定的特征属性关联度有向图，以终端故障影响因素为随机变量，通过Markov算法得到以每个变量Markov边界为节点集的无向子图，将所述无向子图合并后得到对应贝叶斯网络的无向独立图；

步骤(4-2)：由无向独立图得到相应联结树，考察任意两个簇节点之间的边，将不完全的边删除，从而得到合并簇节点，得到最大主子图分解联结树；

步骤(4-3)：对最大主子图分解联结树进行分解，检测分解后的每个子图是否包含3个变量彼此相连的最大无向完备图，若不包含，则直接以条件概率分布确定2个变量之间的依赖关系，并更新步骤(4-1)获取的无向独立图内的特征指向，若包含，则进入下一步；

步骤(4-4)：通过条件独立测试和局部评分搜索确定每个子图中的V结构，即通过条件独立测试用来确定贝叶斯网络中的V结构，对于经过条件独立测试后，仍存在的无向边的最大无向完备图，则以局部评分搜索确定其是否存在V结构，利用条件独立测试和局部评分搜索对步骤(4-1)获取的无向独立图不断进行特征指向更新，直到不存在包含3个变量彼此相连的最大无向完备图，即获得马尔科夫等价类贝叶斯网络结构图。

3.如权利要求2所述的方法，其特征是，步骤(4-4)的步骤为：

步骤(4-4-1)：首先以条件独立测试确定每个子图中的V结构，建立原假设H0和备择假设H1

H0：在给定变量xk的条件下，xi和xj独立；

H1：在给定变量xk的条件下，xi和xj不独立；

步骤(4-4-2)：计算自由度f＝(ri-1)(rj-1)rk，并给定显著性水平α，其中ri、rj、rk分别表示变量xi、xj、xk的取值个数，α的取值范围为[0.0001,0.05]，表示拒绝原假设H0的置信度为1-α，即给定xk的条件下，xi和xj相互依赖的概率为1-α；

步骤(4-4-3)：计算统计量G²

其中，a，b，c表示特征属性分类，表示给定训练样本数据集中xi＝a，xj＝b，xk＝c的样本数目，同理

步骤(4-4-4)：若G2＞f，则拒绝原假设H0，否则，接受H0，即确定V结构Vk→Vi←Vj；

步骤(4-4-5)：局部评分搜索用来进一步确定贝叶斯网络中的V结构，在局部搜索定向过程中，根据Bdeu(Bayesian Dirichlet with likelihood equivalence)评分函数的可分解性和评分等价性，对包含在T中的任意三元组Tr(Vi,Vj,Vk)的以下4种结构进行局部评分，即计算子结构Vi→Vj←Vk，Vj→Vk←Vi，Vk→Vi←Vj和Vi-Vj-Vk-Vi的评分增益，即

其中，Vi→Vj表示Vi是Vj的父节点，Vj为Vi的子节点，Vi-Vj表示二者可逆，即为无向边；

步骤(4-4-6)：结合步骤(4-3)对基于最大主子图分解的2个特征属性的无向边定向，对无向独立图更新得到马尔科夫等价类贝叶斯网络结构。

4.如权利要求1所述的方法，其特征是，所述步骤(2)的终端特征属性包括：终端属性、运行状态参数和外部环境参数，所述终端属性包括生产厂家和型号；运行状态参数包括在线率和成功率；外部环境参数包括温度和气候。

5.如权利要求1所述的方法，其特征是，所述步骤(5)的步骤为：

步骤(5-1)：设x＝{a1,a2,…,am}为一个待分类项，而每个a为故障样本x的一个特征属性，即终端故障影响因素变量节点；

步骤(5-2)：确定类别集合C＝{0,1}；设C＝0表示终端故障未发生，C＝1表示终端故障发生；

步骤(5-3)：使用用电信息采集系统数据库内终端故障数据作为训练样本集；

步骤(5-4)：统计得到在对应类别C及故障样本xi直接前驱节点的联合下各个特征属性的条件概率估计，即计算p(xi|Parents(xi))，其中Parents表示xi的直接前驱节点的联合，即其各级父节点的联合；

当特征属性为离散值时，通过统计训练样本中各个特征属性划分在其直接前驱节点的联合类别中出现的频率来估计p(xi|Parents(xi))；

当特征属性为连续值时，假定该特征属性值服从高斯分布即：

即

因此只要计算出训练样本集中连续特征属性在直接前驱节点的联合类别中划分的各均值和标准差，代入的高斯分布公式，即可得到连续特征属性的估计值；

步骤(5-5)：根据贝叶斯网络获取电信息采集系统终端故障预测模型推导公式：

将用电信息采集系统数据库内终端故障数据作为测试样本集，根据步骤(5-4)求得的各变量的先验概率求终端故障发生概率；

步骤(5-6)：设定β为根据终端故障预测准确度需求进行调整的比例阈值，当

时，判定终端故障发生，否则判定终端故障未发生；

步骤(5-7)：根据测试样本集的实际终端故障发生情况，计算终端故障预测准确率与召回率；

步骤(5-8)：根据测试正确率与召回率对特征属性的权重值以及比例阈值β进行调整，提高终端故障预测精确度。

6.如权利要求5所述的方法，其特征是，步骤(5-7)公式为：

7.如权利要求1所述的方法，其特征是，所述步骤(6)中，实现对电力现场采集终端进行故障预测，包括如下步骤：

步骤(6-1)：根据故障预测模型，对用电信息采集系统终端进行故障实际检查；

步骤(6-2)：基于步骤(6-2)实际检查结果，将新的故障影响因素更新到故障样本库中。

8.如权利要求1所述的方法，其特征是，所述特征属性关联度有向图是贝叶斯网络BN二元组中的特征属性关联组成部分，BN＝(G,P)，其中，G＝(V,E)为特征属性关联度有向图，V为特征属性节点集，E为有向边集，反映特征属性之间的依赖关系，以箭头从节点Vi指向节点Vj的有向边表示Vi对Vj有直接影响，P为特征属性节点概率分布，表示节点之间影响度。

9.如权利要求2所述的方法，其特征是，所述无向独立图是指特征属性关联度有向图G＝(V,E)基于Markov算法诱导的每一个条件独立性均是由d-分离所确定，去掉G＝(V,E)中所有边的方向并将具有共同子节点的父节点用一个无向边连接后得到的表示贝叶斯网络结构的无向图。

10.基于贝叶斯网络优化算法的采集终端故障预测系统，其特征是，包括：

故障样本建立单元：针对电力现场采集终端的历史故障事件数据进行收集作为终端故障样本，并建立终端故障样本库；所述历史故障时间数据包括故障时间、故障地点和故障原因；

特征属性收集单元：对用电信息采集系统处于工作状态的终端设备的终端特征属性进行收集，同时获取终端故障样本发生前的历史数据，作为终端特征属性的变化信息；

特征属性关联度有向图建立单元：分析故障发生前，终端特征属性的变化信息对终端故障发生是否存在影响，若存在影响，则终端特征属性变化信息与终端故障二者关联度为1，若否，则二者关联度为0，从而初步确定终端故障与终端特征属性之间的关联度，并基于初步确定的关联度建立特征属性关联度有向图；

贝叶斯网络算法优化单元：首先采用最大主子图分解对特征属性关联度有向图进行降维处理，随后以条件独立测试和局部评分测试对潜在关联进行定向挖掘，得到马尔科夫等价类贝叶斯网络结构图，实现对贝叶斯网络算法的优化；

故障预测模型建立单元：利用优化后的贝叶斯网络算法，以终端故障影响因素对用电信息采集系统终端故障发生的影响度为先验概率，以用电信息采集系统终端故障发生为后验概率，建立故障预测模型；

实际检测单元：利用故障预测模型，实现对电力现场采集终端的故障预测。