一种基于贝叶斯网络的变压器故障诊断分析方法

摘要

本发明公开了一种基于贝叶斯网络的变压器故障诊断分析方法，具体步骤为：步骤一：确定变压器油色谱的属性变量Y＝{Y₁,.Y₂,Y₃…Y_n}y_i是Y_i的取值和故障类型变量D＝{D₁,D₂,D₃…D_m}d_m为D_m的取值：以变压器油色谱的特征气体作为变压器油色谱的属性变量，以变压器出现的故障类型作为故障类型变量；步骤二：根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数；步骤三：利用连接树算法确定变压器的故障类型。

主权项

一种基于贝叶斯网络的变压器故障诊断分析方法，其特征是，具体步骤为：步骤一：确定变压器油色谱的属性变量Y＝{Y₁,Y₂,Y₃,…,Y_n}y_i是Y_i的取值和故障类型变量D＝{D₁,D₂,D₃,…,D_m}d_m为D_m的取值：以变压器油色谱的特征气体作为变压器油色谱的属性变量，以变压器出现的故障类型作为故障类型变量；步骤二：根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数；步骤三：利用连接树算法确定变压器的故障类型；所述步骤二的具体步骤为：(2‑1)确定为建立网络模型有关的变量及其解释；(2‑2)建立一个表示条件独立断言的有向无环图，根据概率乘法公式有$P\left(Y\right)=\underset{i=1}{\overset{n}{\Pi }}P(Y_i/y_1,y_2,···,y_{i-1})---\left(1\right)$用P_bm表示Y_i的父节点集，则$P(Y_1,Y_2,···,Y_{n-1},Y_n)=\underset{i}{\Pi }P(Y_i/P_{\mathrm{bm}})---\left(2\right)$其中，n表示变压器油色谱属性变量的个数，i＝1,2,…,n；(2‑3)为每一个属性变量Y_i的父节点集的各个状态指派局部概率分布P(Y_i/P_bm)；所述步骤三的具体步骤为：(3‑1)收集变压器属性变量的发生情况，根据贝叶斯定理，I_i＝(y₁,y₂,…,y_n)属于故障类别变量D_m的概率为$P(D_j/y_1,y_2,···,y_n)=\frac{P(y_1,y_2,···,y_n/D_j)P\left(D_j\right)}{P(y_1,y_2,···,y_n)}=\mathrm{\beta P}\left(D_j\right)P(y_1,y_2,···,y_n/D_j)---\left(3\right)$式中：β是正则化因子，一般取1；P(D_j)是D_j的先验概率；P(D_j/y₁,y₂,…y_n)是D_j的后验概率；后验概率反映了样本数据对D_j的影响，将公式(3)表示为：$P(D_j/y_1,y_2,···,y_n)=\mathrm{\beta P}\left(D_j\right)\underset{i=1}{\overset{n}{\Pi }}P(y_i/y_1,y_2,···,y_{i-1},D_j)---\left(4\right);$(3‑2)选择没有进行的但已经发生的具有最高概率的属性变量，并分析其父节点的状态；(3‑3)选择没有进行的且具有最高概率的父节点，根据其概率信息计算其对于故障的绝对概率信息，若该节点还有父节点，则按照步骤(3‑2)的方法执行直到无父节点为止；(3‑4)根据贝叶斯最大后验准则，公式(4)表示为：$P(D_j/y_1,y_2,···,y_n)=\mathrm{\beta P}\left(D_j\right)\underset{i=1}{\overset{n}{\Pi }}P(y_i/D_j)---\left(5\right)$根据公式(5)，确定I_i＝(y₁,y₂,…,y_n)属于故障类别变量D_m的概率；(3‑5)根据概率信息确定故障原因，按故障原因概率大小输出结果，由最大概率解对变压器进行检修，排除故障。