[发明专利]一种基于专家知识约束的高压开关柜状态评估贝叶斯网络模型参数学习方法

权利要求书

1.一种基于专家知识约束的高压开关柜状态评估贝叶斯网络模型参数学习方法，其特征在于，所述方法包括如下步骤：

1)样本数据集的获取与处理，过程如下：

1.1)获取样本数据集：

根据高压开关柜系统的真实运行情况，确定贝叶斯网络中的各节点{θ₁,θ₂,…,θ_n}信息，并对各节点信息进行实时采样，获得一组样本数据集D＝{D_m,m＝1,2,…,N}，定义A＝{A_m,m＝1,2,…,N}，B＝{B_m,m＝1,2,…,N}分别为观测数据集和缺失数据集，且满足A∪B＝D；

1.2)数据离散化处理：

首先，通过查找样本数据集D＝{D_m,m＝1,2,…,N}中的最小值a与最大值b确定数据范围[a,b]；其次，对该范围进行M(M≥2且M为正整数)个合理等区间划分，区间长度为最后，将给每个子区间赋一个标签值0,1,2,…；

2)根据系统中各事件的实际情况，通过事件之间的因果关系构建系统的贝叶斯网络结构图G，基于条件独立，确定所有节点的联合概率为P{θ₁,θ₂,…,θ_n}；

3)确定基于专家知识的参数约束，过程如下：

定义其中，i∈{1,2,…n}为贝叶斯网络中节点变量下标，k∈{1,2,…,s_i}为节点θ_i的状态，j∈{1,2,…,g_i}表示父节点，考虑以下三种约束：

3.1)范围约束：

它定义了参数的上界β_ijk(β_ijk≤1)和下界α_ijk(α_ijk≥0)，表示为：

α_ijk≤δ_ijk≤β_ijk,δ_ijk∈C₁ (1)

其中，C₁为包含基于领域知识已知范围的参数集合；

3.2)不等式约束：

不等式约束定义了一对贝叶斯网络参数之间的相对关系，即：

δ_ijk≥δ_i'j'k'δ_ijk,δ_i'j'k'∈C₂ (2)

其中，i'∈{1,2,…,n},j'∈{1,2,…,g_i},k'∈{1,2,…,s_i}，i≠i',j≠j',k≠k'，C₂为包含基于领域知识已知其相对关系参数的集合；

3.3)加性不等式约束：

两个参数和之间的相对关系通过加性不等式约束表示，即：

其中，C₃为包含基于领域知识加性约束关系参数的集合；

引入置信水平ψ_ijk,分别对应三种约束的可信程度，ψ的取值在0到1之间；

4)贝叶斯网络参数学习，包括以下步骤：

4.1)为当前时刻t的贝叶斯网络参数δ^(t)赋0到1之间的初始值；

4.2)根据观测数据集A＝{A_m,m＝1,2,…,N}和当前参数估计值δ^(t)，使用期望最大化算法替代完整数据集，并计算其似然函数的期望值Q(δ|δ^(t))；

4.3)最大化当前的期望值Q(δ|δ^(t))，以确定新的参数δ'；

4.4)通过梯度下降法更新步骤4.3)中的δ'找到最佳参数

2.如权利要求1所述的一种基于专家知识约束的高压开关柜状态评估贝叶斯网络模型参数学习方法，其特征在于，所述1.1)中，建立高压开关柜状态评估的贝叶斯网络模型，模型的节点包括静触头温度、母线接头温度、母线室超声波频率、母线室暂态对地电压、运行时长、环境温度、电缆室弧光、电缆超声波频率、电缆温度、合闸时间、故障跳闸时间和操纵机构弧光。