[发明专利]一种逆变器智能故障推理的方法

说明书

本发明公开了一种逆变器智能故障推理的方法，由逆变器运行状况层、逆变器故障层和故障症状层组成的三层贝叶斯网络的逆变器智能故障推理系统。本发明的优点在于：将逆变器运行状况作为推理网络的第一层，对比一般的二层和变量独立的朴素贝叶斯网络，可以推断多种复合故障，更加符合专家的推理思路和推理策略，体现了更强的智能性，能够应对多种复杂因果关系和随时出现的不确定性。通过多种证据的实例分析，本发明不仅可以准确推理出完备证据下的单一故障，不完备信息下的单一故障，不完备信息下的复合故障，而且可以结合设备运行层信息和不完备故障症状信息来综合判断故障及其原因，表现出了不完备信息下较强的推理能力，具有较强的现实指导意义。

技术领域

本发明涉及电力领域故障诊断技术领域，尤其涉及一种逆变器智能故障推理的方法。

背景技术

现有的逆变器故障推理诊断方法主要分为四类，一是基于神经网络的方法，二是专家系统方法，三是故障树模式诊断方法，四是基于对比检测量的方法。基于神经网络的方法通过传感器获取故障数据，通过神经网络来解释传感器的编码数据。专家系统法是建立知识库，通过观察故障的现象查询知识库来判断故障类型。故障树模式诊断方法是建立故障树，通过算法进行故障诊断。基于对比检测量的方法是通过对比逆变器正常和故障状态下的电流或电压的差值进行故障诊断。上述几种方法都能够对逆变器进行故障推理和诊断，但它们大多需要完整和完备的故障特征信息以及故障数据。但是实际中收集到准确和完整的故障症状信息非常困难，使得诊断方法存在适用性差、诊断结果不够准确等问题。

发明内容

本发明的目的是要提供一种不完备信息情况下逆变器故障的推理和诊断方法。

为达到上述目的，本发明是按照以下技术方案实施：一种逆变器智能故障推理的方法，包括以下步骤：

步骤一：建立三层贝叶斯网络结构

第一层为逆变器的运行状况层，由多个逆变器运行状态变量节点组成；

第二层为逆变器故障层，由多种逆变器故障节点组成；

第三层为逆变器故障症状层，由多种逆变器故障症状节点组成；

由领域专家和现场技术人员确定第一层、第二层、第三层各节点之间的因果关系，构造三层贝叶斯网络结构；

在贝叶斯网络结构中，每个节点表示一个变量；边代表变量之间的联系，从父节点指向叶节点，其联系强度可用条件概率分布表示；没有父节点的节点定义为根节点，其余节点定义为叶节点；

步骤二、确定各节点的先验概率和条件概率

根节点的先验概率采用历史运行数据矫正基础概率法获取；非根节点的条件概率采用先验Beta分布法获取；

①根节点的先验概率

根据逆变器的脉冲缺失概率、IGBT开路概率和电容老化的历史运行数据，设定根节点状态发生的基础概率为P₀；

在逆变器某部件的定期检修方面，若没有定期检修，则增加对应节点修正值，定期检修则不增加；在逆变器某部件运行年限方面，增加对应节点相应年限的修正值；在逆变器某部件的历史运行状况方面，每发生一次故障则增加相应次数的修正值；

根节点的先验概率的历史运行数据矫正基础概率法的公式如式(1)；

其中c为对根节点概率有影响的因素的个数，P_i为各影响因素的基础概率，a_i为各影响因素的系数，i∈[1,c]；各数据设定见表1；

表1：根节点的先验概率设定表

对逆变器所有的根节点通过以上方法和式(1)进行赋值，确定根节点的先验概率表；