基于多传感器融合与贝叶斯网络在电力系统故障诊断方法研究.docVIP

基于多传感器融合与贝叶斯网络在电力系统故障诊断方法研究 　　摘要:在电力系统中，故障的发生采用自动化的警报处理电力系统，并据此对电力系统进行事故后的快速恢复，采用多层传感器数据信息融合与贝叶斯网在电力系统故障诊断方法中的预测处理。 　　Abstract: In the power system, if failure appeared, automatic warning system was adopted to treat power system, and quickly recover it after the accident, by using multi-level sensor information fusion and Bayesian network in power system fault diagnosis method of forecasting processing. 　　关键词:电力系统；故障诊断；贝叶斯网 　　Key words: electric power system；fault diagnosis；Bayesian Network 　　中图分类号：TM711 文献标识码：A 文章编号：1006-4311（2011）23-0149-01 　　0引言 　　随着电力系统向高速度、高功率、高可靠性和大型化智能的方向发展，在构件之间及构件内部存在错综复杂、关联耦合相互关系，不确定因素和不确定数据信息充斥其间。当电力系统发生故障诊断而可能会有多种表现，而一种征兆表现又常由多种故障诊断引起。由于电力系统的复杂性和故障诊断原因的多样性，贝叶斯网作为一种不确定性推理方法，具有严格的概率理论基础。 　　1多层传感器数据融合体系模型 　　1.1 多层传感器数据融合基本原理多层传感器数据融合的基本原理就像人脑综合处理数据信息一样，它充分利用多个多层传感器资源[1]，对各种多层传感器及其观测数据信息的合理支配与使用，将多层传感器在空间和时间上的互补与冗余数据信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。多层传感器数据融合与信号处理方法之间有本质的差别，其关键在于数据信息融合所处理的多层传感器数据信息具有更复杂的形式在不同的数据信息层次上出现。 　　1.2 数据信息融合的方法 　　①随机类方法贝叶斯网推理方法解决了传统推理方法的某些缺点，它把每个多层传感器看做是一个贝叶斯估计控制器，用于每一个目标各自的关联概率分布综合成一个联合后验分布函数，然后随观测值的到来，不断更新假设该联合分布的似然函数，并通过该似然函数的极大或极小值进行数据信息的最后融合。模糊神经推理方法是应用模糊推理理论建立的模糊数据关联算法，尤其是在决策级数据信息融合中起到重要的作用。采用聚类电力系统分析是一种分类算法，它根据事先给定的相似标准，把观测值分为类，也可以分为等级。这对真假目标分类、航迹起始、目标属性判别是十分必要的。熵法用熵概念计算与假设有关的数据信息内容度量值，在对采用经验或主观概率进行备选假设估计的电力系统中有广泛的应用。 　　②人工智能方法专家电力系统作为人工智能的一个应用分支，在数据信息融合电力系统中广泛的应用。最近几年来人工神经网络技术在多多层传感器数据信息融合研究中得到高度重视。随着人工智能的进步，新多层数据信息融合方法将不断推动数据信息融合技术的发展。 　　1.3 贝叶斯网参数估计算法模型贝叶斯网参数估计的数据信息融合方法在贝叶斯公式的基础上，由N个多层传感器得到的测量值x1，x2，…，xN，按照算法估计准则函数，从x1，x2，…，xN中估计出状态Y的真实值，从而得到数据信息融合的预测。 　　设某一时刻被网络训练样本的状态为Y=｛Y1，Y2，…，Ym｝，多层传感器的n个特征数据信息的特征值为X=｛X1，X2，…，Xn｝，则此特征数据信息的预测模型是X=f（Y）+v（1） 　　其中，f（Y）为X与Y的函数关系；v为随机噪声。该数据信息融合算法是由n个多层传感器得到的测量值X1，X2，…，Xn按照某种估计的准则函数Z （X），从X1，X2，…，Xn中估计出状态Y的真实值。以下为故障诊断电力系统数据信息融合算法中单个多层传感器特征数据信息的估计值计算过程。 　　 　　至此，多层传感器数据信息融合问题就转化为如何得到状态Y 的后验概率P（Y??ZX）的问题，并找到相应的最大后验估计值。 　　1.4 多特征数据信息融合贝叶斯网络的故障诊断方法针对电力系统故障诊断特征数据信息不完备性和模糊性的特点，以及故障诊断方法在实际工程应用必须准确性和快速性的条件。提出了多特征数据信息融合和贝叶斯网络相结合的故障诊断方法。该方法利用单振动多层传感器采集的电力系统振动信号提取幅值域和时频域的