[发明专利]基于贝叶斯分类的计量自动化终端故障诊断方法

说明书

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，包括以下步骤：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；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；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；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。本发明通过以大量计量自动化终端历史数据和故障实例历史数据作为样本集来训练贝叶斯分类器，并使用贝叶斯分类器对计量自动化终端采集得到的实时数据进行贝叶斯推断，快速有效地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。

技术领域

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。

发明内容

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。