基于主观贝叶斯方法的电力系统故障诊断

提出将主观贝叶斯方法应用到电力系统故障诊断中,并与贝叶斯网络方法相结合,既克服了贝叶斯网络方法参数难以获得的问题,又发挥了贝叶斯网络在推理方面的优势.在用主观贝叶斯方法进行推理计算时,对贝叶斯网络进行了2步合理的简化,使得算法更为简单高效.针对故障诊断中的不完备信息情况,应用了证据的不确定性推理和比较异常事件数2种方法.在应用比较异常事件数的方法时,为解决大量信息缺失时出现的组合爆炸问题,对贝叶斯网络进行了分层,提出利用已有的继电保护信息推断缺失信息状态、删除不重要的缺失信息等规则,明显减少了计算量.大量算例表明了该方法的合理性和实用性.     

基于贝叶斯网络的牵引变电所主接线可靠性评估

贝叶斯网络是研究不确定性问题的重要方法之一,把贝叶斯网络法用到牵引变电所的可靠性评估中,结合牵引变电所电气主接线的故障树和最小路来建立贝叶斯网络。通过故障树的贝叶斯网络计算了其可靠性指标,能够有效地识别系统的薄弱环节,实现了牵引变电所可靠性的定性和定量评估。用基于最小路的贝叶斯网络对上面的可靠性指标进行了验证,为牵引变电所可靠性评估提供了新的方法。     

贝叶斯法在继电器可靠性评估中的应用

简要介绍了贝叶斯方法的基本原理,较系统地论述了贝叶斯方法评估继电器的失效率、平均无故障工作时间和可靠度,并提供了先验分布参数的确定方法,最后用实例作了说明.     

基于Netica的自学习贝叶斯网络的构建

针对贝叶斯网络构建时参数与结构难以自适应调整,提出基于Netica的自学习贝叶斯网络的构建方法。首先根据Netica要求处理样本数据集,然后运用Netica基础函数开发结构学习模块和参数学习模块,进而能够构建出自动学习样本数据集的贝叶斯网络。同时,开发了概率推理模块和证据敏感性分析模块以评估所建网络的有效性。以国家电网的短路故障样本数据为例建立其自学习贝叶斯网络,实验构建的自学习贝叶斯网络能够实现不确定性推理,表明所提方法是贝叶斯网络功能实现的一个新途径。     

基于贝叶斯优化随机森林的变压器故障诊断

针对集成学习参数众多,缺乏高效准确的参数寻优方法的问题,文章提出了基于贝叶斯优化随机森林(RF)的变压器故障诊断方法.该方法采用了多个决策树构成RF故障诊断模型,然后将高斯过程(GP)作为概率代理模型、提升策略(PI)作为采集函数,构建贝叶斯优化(B0)算法,进行RF模型参数寻优.此外,还对支持向量机(SVM)和K最近邻(KNN)两种模型进行贝叶斯优化并对比.在RF模型上,将贝叶斯优化与随机搜索优化进行性能对比.实验结果表明:RF模型经贝叶斯参数寻优后,诊断准确率有明显提高;与随机搜索优化方法相比,贝叶斯优化搜索的模型参数更优,寻优效率更高.     

基于贝叶斯网络的电容型设备故障诊断

电容型设备的绝缘故障不仅影响整个变电站的安全运行,还危及其它设备及人身安全,因此对电容型设备进行准确的故障诊断具有重要意义。基于贝叶斯网络理论,综合电容型设备的各种检测数据,提出了电容型设备故障诊断的贝叶斯网络模型,将贝叶斯网络方法引入电容型设备的故障诊断中,根据电容型设备故障诊断及维修的特点改进了贝叶斯网络的推断过程。故障实例的诊断结果验证了文中方法的正确性和有效性。     

基于Dirichlet分布的贝叶斯分类算法的手写数字字符识别

贝叶斯分类器是一种基于概率统计的常用分类器.本文在原有的贝叶斯分类的基础上进行了改进,提出了一种基于Dirichlet分布的贝叶斯分类模型,对手写数字字符进行识别的算法.该算法用模板法进行提取特征,这种方法更易操作,提取特征的效果也好.实验表明,用贝叶斯分类方法比传统的Fisher分类算法能更好地对手写数字字符进行分类识别,且在众多领域中有较大的应用价值.     

改进贝叶斯网络GO法在高压直流输电系统的可靠性分析

文中针对贝叶斯网络GO法仅适用于简单不可修系统可靠性分析的不足,提出了改进贝叶斯网络GO法。改进算法依据元件之间的相关性和系统运行工况,在贝叶斯网络中构建了串、并联相关性结构等效算法,改进了模型映射流程,使之适应复杂可修高压直流输电系统可靠性分析。在建立的高压直流输电系统可靠性模型上应用该方法进行定量计算验证,结果表明:改进贝叶斯网络GO算法是可行的,它仅需多次贝叶斯网络推理就可直接计算等效单元可靠性特征量,无需考虑共有信号问题,省去了复杂的GO运算,还可利用贝叶斯网络寻找系统中可靠性薄弱环节。该方法相比传统GO法具有明显优势。     

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强.提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法,并建立了变压器选择性贝叶斯故障诊断模型.详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构...     

基于贝叶斯网络时序模拟的气电耦合系统可靠性评估

采用贝叶斯网络时序模拟的算法对气电耦合系统的可靠性进行分析与研究.首先根据贝叶斯网络的逻辑关系,针对11节点的天然气系统,建立天然气系统贝叶斯网络,计算天然气系统的可靠性指标,验证了贝叶斯网络及算法的可行性,同时根据贝叶斯网络的诊断推理性质,对比各个元件对天然气系统故障影响程度.然后,以IEEE-RBTS Bus6系统主馈线F4配电网和比利时11节点天然气网络搭建气电耦合系统,建立对应的贝叶斯网络,采用时序模拟的方法分析气电耦合系统的可靠性指标,并通过不同模式下其可靠性数据的对比,验证了气电耦合系统对可靠性指标的提升程度,并依据贝叶斯网络诊断推理识别系统可靠性的薄弱环节,为系统建设及系统检修时提供有效的参考信息.     

接受-拒绝算法的贝叶斯不确定度评定

针对贝叶斯不确定度评定中获取测量模型后验分布困难的问题,给出一种基于接受-拒绝采样思想实现贝叶斯测量不确定度评定的方法。面向线性/非线性测量模型,先利用贝叶斯假设或蒙特卡洛法获得被测量的先验信息,再基于接受-拒绝采样获得被测量的接受采样点形成后验分布,对被测量进行统计推断得到测量不确定度评定结果。通过规范示例和实际测量评定实例,验证了采用接受-拒绝算法的贝叶斯不确定度评定方法相较于传统GUM和MCM评定方法,能够得到可靠评定结果,且获取贝叶斯后验分布过程简便,在无/有历史信息条件下测量不确定度评定应用中具有可行性和实用性。     

基于贝叶斯网络的复杂装备测试性评估

针对关联模型在复杂装备测试性评估中对不确定问题描述与分析的缺陷,提出了基于贝叶斯网络的测试性评估方法。首先建立贝叶斯网络测试性评估模型,以有向边表述故障模式与测试信号之间的因果关系,利用条件概率描述系统的不确定信息。然后,将测试准备和执行时间引入贝叶斯网络,使基于贝叶斯网络的测试性评估与故障检测隔离时间相关,使测试性评估结果更加全面、客观。最后通过实例分析验证了方法的有效性。     

基于贝叶斯网络的智能电能表可靠性预计的研究

可靠性作为智能电能表正常工作的重要指标,是现阶段电能质量研究的重点问题,本文针对智能电能表可靠性预计的重要性为切入点,讨论电能表可靠性的研究过程,以贝叶斯网络为依据,分析了传统的贝叶斯网络的可靠性预计双向推理的方法,并且同时结合故障树的模型理论,在可靠性研究的求解过程中引入了新的桶消元法对贝叶斯网络进行计算简化,从而快速得到可靠性预计结果。最后通过本文提出的方法,应用于电能表可靠性预计实例当中,计算的结果满足GJB/Z299C-2006标准在误差范围内的要求,从而证明,该方法简化预计过程的同时准确的预计出可靠性结果。     

基于超椭球贝叶斯网络的配电系统可靠性评估

针对配电系统实际运行中元件故障概率无法以精确值描述的问题,提出了一种将超椭球模型约束的元件故障区间概率与贝叶斯网络相结合的配电系统可靠性评估方法。该方法应用证据理论获取元件的信度函数和似真函数以得到初始故障区间概率;应用超椭球模型约束元件初始故障区间概率以得到贝叶斯网络分析中根节点区间概率;应用贝叶斯网络正向推理叶节点区间概率以得到配电系统的可靠性评估指标;应用贝叶斯网络反向推理负荷点故障条件下的根节点后验区间概率以得到系统薄弱环节。通过对IEEE-RBTS Bus 6母线系统进行算例分析,证明了该方法适用于实际配电系统的可靠性评估。     

基于贝叶斯网络的广域后备保护故障诊断检测

提出一种针对广域后备保护特征要求的贝叶斯网络线路故障诊断方法,根据保护动作和断路器跳闸信号,建立了面向元件的电网线路故障诊断模型。该模型是由Noisy-Or,Noisy-And节点组成的贝叶斯网络。该故障诊断方法具有实时性和准确性和较强的容错能力等特点,满足广域后备保护特征对故障诊断实时性、准确性的要求。     

基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法

传统的深度信念网络规模大、难度大、训练时间长,导致其故障诊断的时间较长。针对该问题,提出了一种基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法。采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数,在保证网络精度的同时快速提高计算速度,从而提高网络的收敛速度。实验结果表明,经过贝叶斯正则化改进后,深度信念网络训练的泛化能力得到了提高,同时故障诊断的准确率也得到了保证。     

基于贝叶斯网络的智能电能表可靠性预计研究

可靠性作为智能电能表正常工作的重要指标,是现阶段电能质量研究的重点问题,针对智能电能表可靠性预计的重要性为切入点,讨论电能表可靠性的研究过程,以贝叶斯网络为依据,分析了传统的贝叶斯网络的可靠性预计双向推理的方法,并且同时结合故障树的模型理论,在可靠性研究的求解过程中引入了新的桶消元法对贝叶斯网络进行计算简化,从而快速得到可靠性预计结果。最后通过提出的方法,应用于电能表可靠性预计实例当中,计算的结果满足GJB/Z299C-2006标准在误差范围内的要求,从而证明,该方法简化预计过程的同时准确的预计出可靠性结果。     

基于故障树与键合图的贝叶斯网络故障诊断

基于模型的故障诊断往往采用人工智能技术来处理不确定的知识和不完整的信息。概率推理法是一种处理不确定或不完整信息的方法,而贝叶斯网络是一种能够将它应用于实际的工具。提出了一种基于故障树和键合图理论来构建贝叶斯网络模型的新方法,并对系统进行故障诊断。实现了对引起系统或过程的异常行为的元件进行准确定位,并获得同时出现故障的元件对系统影响程度的大小,即为系统操作员提供了一个关于系统组件的优先级检查和维护计划。最后,对此方法的性能进行了仿真验证。     

海上平台电气温度监控系统及预测模型研究

针对海上平台电气设备温度监控的现实需求,以无线红外温度传感器及数据采集终端为基础,构建了海上平台电气设备温度分布式监控系统,配套开发了系统应用软件,实现了平台电气设备温度的持续监控。针对传统温度预测难以应对大量波动性数据且对时间序列处理能力有限的问题,提出贝叶斯优化与长短时记忆网络（LSTM）组合预测方法。以所监测的海上平台变压器为研究对象,分析变压器运行过程中的温度特征,采用时序性较强的LSTM网络预测模型,引入贝叶斯优化算法,用于训练和更新LSTM参数。实践表明,基于贝叶斯优化的LSTM模型对海上平台变压器温度具有良好的预测效果,其均方根误差为0.139、预测准确率为98.56%。通过对支持向量机、BP神经网络、LSTM、Bayesian-LSTM四种预测模型的比较分析,证实了贝叶斯优化的LSTM模型对海上平台变压器温度预测的优势。     

电网运维大数据背景下的继电保护通信系统故障定位方法

针对承载继电保护业务的光纤通信系统频发多通道同时告警事件导致故障定位困难的问题,基于电网运维大数据和贝叶斯网络模型处理方法,提出了一种继电保护通信系统故障定位方法。结合继电保护故障信息管理系统(RPMS)、通信网管系统告警信息和调度运行管理系统(OMS)信息缩小故障定位范围,然后基于由历史运维数据计算得到的先验概率,通过改进的贝叶斯算法进行故障概率计算,推断出故障原因,借助通信资源管控系统信息进行故障定位。算例的计算结果证明了该方法的有效性和准确性。该方法对于多区域并发性故障定位同样适用。