无监督设备运行轨迹模型建立方法

摘要

本发明提供一种无监督设备运行轨迹模型建立方法，包括下述步骤：步骤S1，建立模型第一层：马尔可夫跳跃过程，描述设备状况的转变，需计算出设备初始所处阶段的概率，及设备在某个时间跨度由一个阶段转换到另一个阶段的可能性；步骤S2，建立模型第二层：建立一组马尔可夫链，用来捕获设备状态阶段转换和出现异常现象之间的联系；步骤S3，建立模型第三层：建立双向的noisy-or贝叶斯网络，捕获设备异常现象与监测的指标数据之间的联系。本发明可用于根据各类指标的变化判断设备是否已产生某些异常现象且进入下一个状况更加严重的阶段，可以为避免设备进一步恶化而进行事前控制。

说明书

技术领域

本发明涉及电网故障研究领域，尤其是一种无监督设备运行轨迹模型建立 方法。

背景技术

电力系统的安全稳固运行对于我国经济的持续发展以及社会民生的安定具 有十分重要的意义。在实际的电网运行中，由于环境气候等客观因素以及电气 设备发生故障或老化、运行人员疏忽等主管因素的存在，电网故障时有发生， 如何尽快实现故障预测、故障诊断将直接关系到电网的稳定运行以及经济损失 的挽回，在此背景下，电网故障预测诊断成为当前电力领域的研究热点之一。 目前，电网虽已应用了电气设备在线监测系统，但设备运行的好坏情况的掌握 主要还是靠人员定期到变电所现场进行检查、检测，花费了大量的人力物力。

发明内容

本发明的目的在于克服现有技术中存在的不足，提供一种无监督设备运行 轨迹模型建立方法，实现对设备的运行轨迹进行建模，通过间断的监测获得的 指标数据进行分析处理获取每个设备完整的运行轨迹，根据各类指标的变化判 断设备是否已产生某些异常现象且进入下一个状况更加严重的阶段，可以为避 免设备进一步恶化而进行事前控制，若设备已经产生了故障，则可定位到具体 的组件部位。本发明采用的技术方案是：

无监督设备运行轨迹模型包括三层，建立方法具体包括：

建立模型第一层：马尔可夫跳跃过程，描述设备状况的转变，需计算出设 备初始所处阶段的概率，及设备在某个时间跨度由一个阶段转换到另一个阶段 的可能性，设备所处阶段转换的可能性依赖于当前设备所处的阶段和时间跨度

建立模型第二层：建立一组马尔可夫链，用来捕获设备状态阶段转换和出 现异常现象之间的联系；当一组新的异常现象的出现则表示设备的运行状况变 得更差，甚至设备所处的阶段已经发生了变化，进入了下一个更差的阶段；

建立模型第三层：建立双向的noisy-or贝叶斯网络，捕获设备异常现象(如 具体的异常组件和故障部位)与监测的指标数据之间的联系；当某种指标数据 发生变化时则可以判断设备的某个具体的组件和部位发生了故障；

本发明的优点在于：对设备运行轨迹的建模主要是在设备间断的监测指标 数据、异常现象的基础上实现的，将设备运行过程中指标数据或现象的异常与 设备的组件对应起来，只要设备运行轨迹中指标发生偏差，就可预测设备的哪 个组件即将出现某种问题，通过该预测即可实施事前控制防范，避免故障的发 生，减少损失。同时，若设备已出现故障，相关人员也可从故障发生前后设备 的运行轨迹中定位到具体的组件或部分出现问题。通过该模型大大降低了工作 人员的工作量，提高了工作效率。

附图说明

图1为本发明的无监督设备运行轨迹模型示意图。

图2为本发明的模型第三层noisy-or贝叶斯网络示意图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

电网设备在由好变坏的转变过程中可以分为几个阶段，每个阶段都会存在 相对应的异常现象，而异常现象分为显性和隐性两种，隐性异常现象需通过相 关的指标数据进行判别。本发明提出了一个无监督的设备运行轨迹模型，对设 备运行轨迹进行建模，根据监测到的有限的指标数据判断设备出现哪些异常现 象，现处于哪个阶段，为防止设备的进一步损坏老化进入下一个更差的阶段而 采取有效的维护措施，如进行零件的修理或更换。同时，对已经发生故障的设 备的异常部位组件进行定位，帮助工作人员制定出修理方案。

以下对无监督设备运行轨迹模型的建立具体说明。

(一)前提假设；

假设变电站中有N个设备，设备n在时间段τ₁,τ₂,…τ_t共观察了t次，设备 由好转坏的过程中存在M个阶段，K种异常现象，d个指标；

(二)相关公式设计；

1、计算设备初始所处阶段的概率分布π_i，在时间跨度Δ内设备所处阶段由 阶段i转变为阶段j的可能性A_ij(Δ)；计算方法分别由公式(1)和公式(2)所 示；

${\pi }_i\stackrel{\Delta }{=}p(S_0=i),i=1,...,M.$公式(1)

公式(2)

其中：S表示设备所处的状态，Q表示设备阶段转换的M*M的转换矩阵，A_ij(Δ) 表示时间跨度Δ内设备所处阶段转换的概率矩阵；

2、计算异常现象发生的概率B_k,m,a，计算方法如公式(3)所示；异常现象 X_k,n,t∈{0,1}是二元随机变量，表示在第n个设备在第t次观察中异常现象k是否 出现；进一步限制异常现象k只有在设备的状态由S_n,t-1转换到S_n,t时才会出现； X_k,n,t的值取决于当前设备所处的阶段S_n,t，且必须满足在第t-1次观察时异常现 象k未出现，即X_k,n,t-1＝0；

$B_{k,m,a}\stackrel{\Delta }{=}p(X_{k,n,t}=1|S_{n,t}=m,S_{n,t-1}\ne m,X_{k,n,t-1}=a)$公式(3)

其中：a∈{0,1}，当t＝0时，$B_{k,m}^0\stackrel{\Delta }{=}p\left(X_{k,n,0=1}|S_{n,0}=m\right);$

3、计算异常现象激发指标数值发生改变的可能性Φ(O_d,n,t|X)，计算方法如 公式(4)所示；

$\Phi \left(O_{d,n,t}\right|X)\stackrel{\Delta }{=}{(1-(1-L_d)\underset{k=1}{\overset{K}{\Pi }}(1-X_{k,n,t}{Z}_{k,d}))}^{O_{d,n,t}}{\left((1-L_d)\underset{k=1}{\overset{K}{\Pi }}(1-X_{k,n,t}{Z}_{k,d})\right)}^{1-O_{d,n,t}}$公式(4)

其中，O_d,n,t表示观察得到的指标数据，Z_k,d表示异常现象k的发生必定会造成指 标数据d的出现，表示异常现象遗漏概率，即是指标数据 发生异常不是由该现象引起的，而是由其他隐藏因素导致。

(三)应用上述模型

首先为模型设置B_k,m,a，L_d和Z_k,d参数，采用吉布斯抽样并计算潜在参数和模 型参数的边际值，接着计算参数的最大似然估计值，通过最大期望值找到局部 最优解。首先输入指标数值集，初始化参数S，X，Q，π，B，Z，L，接着重复 进行以下操作直至收敛。从P(S,X,B,L,Z|O；π,Q)进行吉布斯采样直至收敛，使用 抽样得到的样本估计设备初始状态分布的可能性值p(S_n,0＝i|O；π,Q)和设备所在 阶段转换的可能性值p(S_n,t-1＝i,S_n,t＝j|O；π,Q)，将时间跨度Δ设为任意值，为计算 $C_{ij}\left(\Delta \right)\stackrel{\Delta }{=}\underset{n=1}{\overset{N}{\Sigma }}\underset{t=1}{\overset{T_n}{\Sigma }}p(O,S_{n,t-1}=i,S_{n,t}=j;{\pi }^{\prime },Q^{\prime })1_{{\tau }_t-{\tau }_{t-1}=\Delta }$的值,其中π',Q'为当前π,Q所取的值， 更新的值，最后重复计算以下操作，直至Q值收敛， 计算期望值表示在时间跨度Δ从设备状态 i到状态j中间经历的转变的次数，表示在时间跨度Δ内设备处于状态i 的时间，更新Q的值，通过以上的算法设计， 即可得到完整的设备运行轨迹，可以明确设备所处阶段与异常现象出现之间的 关系，异常现象与指标数据之间的关系。根据监测获得的异常指标数据即可追 朔到设备已发生哪些异常现象，从而定位到设备具体的部位和组件。同时根据 设备运行的轨迹，监测的指标数据的发展趋势可以判断设备在未来事件内可能 会出现的异常现象或故障，从而可以进行早期预防，制定保护措施。