[发明专利]一种基于自适应策略的故障诊断信息融合方法及装置

说明书

本发明公开了一种基于自适应策略的故障诊断信息融合方法及装置，方法包括：利用预先训练的三种故障诊断子模型对历史案例进行诊断；所述三种故障诊断子模型为基于神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；依据预设的评价指标体系对三种故障诊断子模型的诊断情况进行评价，获得评价结果；选择评价结果最优的故障诊断子模型对待诊断案例进行诊断，得到诊断结果。本发明的电力系统故障诊断信息融合方法，可以结合现有模型的优势，实现诊断准确率和诊断精度的提高。

技术领域

本发明属于电力系统故障诊断技术领域，具体涉及一种基于自适应策略的故障诊断信息融合方法，还涉及一种基于自适应策略的故障诊断信息融合装置。

背景技术

近年来，电力系统高速发展进入大电网时代，电网发生故障后，所有相关的监控设备将会产生大量的警报信息传送至控制中心，若故障诊断方法不当，可能导致调度员无法准确、高效地处理事故，甚至进一步造成事故处理不及时、停电范围扩大、引起更大的经济损失等一系列问题。因此，如何建立快速准确的故障诊断方法是一个亟待解决的关键问题。然而受系统规模、复杂程度、设备配置、信号误差等不确定因素的影响，难以基于常规的数学模型进行电力系统故障诊断。随着人工智能研究理论的发展，基于人工智能的电力系统故障诊断方法逐渐引起了研究人员的注意，并由此展开了一系列基于人工智能的电力系统故障诊断方法和模型的研究。

目前已实际应用或具有应用潜力的人工智能故障诊断方法主要有人工神经网络、贝叶斯网络、专家系统。

人工神经网络方法具有极强的特征提取及数据拟合能力，模型建立与运行简单快速、节省人力资源，但其诊断过程为黑箱模型，可解释性较差，且网络的训练需要大量样本，而电力系统的高可靠性意味着实际故障案例极少，小样本下的神经网络极易出现过拟合问题影响诊断准确性。

贝叶斯网络是一种概率图模型，从概率的角度分析数据，用条件概率贴切直观地表达节点间的关系，但概率图的设计及具体概率的获取同样需要大量专家知识及历史案例进行分析统计。

专家系统能够通过一个或多个专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，但其对信号的完整性和正确性要求较高，当系统中存在保护和断路器不正常动作时，专家系统可能会因缺乏识别错误信息的能力而导致错误的诊断结论。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于自适应策略的故障诊断信息融合方法，改善了现有技术故障诊断误报率过高的技术问题。

为解决上述技术问题，本发明提供了一种基于自适应策略的故障诊断信息融合方法，包括：

利用预先训练的三种故障诊断子模型对历史案例进行诊断；所述三种故障诊断子模型为基于神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

依据预设的评价指标体系对三种故障诊断子模型的诊断情况进行评价，获得评价结果；

选择评价结果最优的故障诊断子模型对待诊断案例进行诊断，得到诊断结果。

进一步的，还包括：将待诊断案例加入历史案例集。

进一步的，所述三种故障诊断子模型的输入为设备的特征信息，包括：设备是否收到厂站、间隔事故总信号；设备保护是否动作；设备各开关是否有分合闸信号；设备各开关首次动作是否为分闸、是否为合闸；设备各开关最后一次动作是否为分闸、是否为合闸。

进一步的，所述三个故障诊断子模型的输出为故障诊断结果，包括：是否故障、是否进行自动重合闸、自动重合闸是否成功；

对于基于人工神经网络和贝叶斯网络的故障诊断模型输出为三个结果的相应概率、专家系统故障诊断模型输出为三个结果的0/1量。