[发明专利]基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法

说明书

一种基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法，首先，分析并融合高压开关柜的多个物理传感器信息；其次，通过引入粗粒化操作和排列熵方法实现了特征信息的有效提取；最后，构建并训练基于专家领域知识的贝叶斯网络模型，实现对高压开关柜系统的健康状态评估。本发明能够将不同检测手段采样得到的数据进行融合，从而实现对高压开关柜安全状态的精准评估，保障电力高压开关柜的安全稳定运行。

技术领域

本发明属于高压开关柜状态评估领域，具体涉及一种适用于电力高压开关柜健康系统评估方法，保障电力高压开关柜系统正常运行。

背景技术

电力高压开关柜作为电力系统的主要设备之一，其运行状态关系着整个电力系统的安全性。状态检修是保证电力高压开关柜安全可靠运行的必要手段，而状态检修的核心和基础是状态评估。通过对电力高压开关柜进行综合评估，进而根据评估结果制定检修策略，不仅可以提高电力高压开关柜的运行可靠性，也可以产生巨大的经济效益。

在电力高压开关柜运行中，由于受潮、绝缘距离不够和绝缘材料劣化等原因会造成电力高压开关柜局部放电甚至燃烧爆炸。目前，针对电力高压开关柜带电检测的手段主要有红外诊断法、暂态地电压法、超声波法和特高频法等。这些方法一般通过检测电力高压开关柜发生故障时产生的声、光和电信号来判断高压开关柜的安全状态等级。上述方法在工业现场中应用比较广泛，但是极易受到现场电磁和机械干扰。此外，上述方法过于依赖主观判断且存在局限性，如果仅仅依靠其中的某一种方法往往会导致误判。

贝叶斯网络给电力高压开关柜健康系统评估提供了新的途径，贝叶斯方法在系统故障诊断及评估方面已被广泛应用。因此，本发明融合电力高压开关柜相关的带电检测数据、环境因素和设备自身因素，提出一种基于多尺度排列熵的贝叶斯网络模型应用于电力高压开关柜的健康系统评估。通过嵌入专家知识以及分析电力高压开关柜检测得到的历史数据，从数据中学习构建并确立贝叶斯网络模型，利用确立的贝叶斯网络模型实现对电力高压开关柜的安全状态评估以指导检修。

发明内容

针对现有电力高压开关柜系统健康状态评估方法的技术缺陷，提供了一种基于多尺度排列熵值的贝叶斯网络电力高压开关柜健康系统评估方法。本发明能够将不同检测手段采样得到的数据进行融合，从而实现对高压开关柜安全状态的精准评估，保障电力高压开关柜的安全稳定运行。

本发明采用的技术方案如下：

一种基于多尺度排列熵值的贝叶斯网络电力高压开关柜健康系统评估方法，所述方法包括如下步骤：

1)模型训练阶段，分为以下步骤：

1.1)分别获取h个传感器下历史正常电力高压开关柜工作时间序列数据，单个传感器在离线情况下采集的正常工况时间序列数据为{x_h(i),i＝1,2,…,n；h∈N⁺}，对该时间序列数据进行粗粒化处理，即：

其中，为粗粒化处理后得到时刻为w的多尺度时间序列，n为时间序列长度，s为尺度因子，且s∈N⁺，N⁺为正整数，经过粗粒化处理获得不同尺度因子s下的特征信息，以提升模型的评估性能；

1.2)计算单个传感器下的多尺度时间序列排列熵值；

1.3)同理，根据步骤1.2)分别计算h个传感器下的多尺度时间序列的排列熵值，并对所得到的多尺度排列熵值数据进行等区间离散化处理，即通过查找其中的最小值a与最大值b，首先，确定多尺度时间序列排列熵值的范围[a,b]，其次，对该范围进行M(M≥2且M∈N⁺)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,…，定义得到的多尺度排列熵值集合为{e_h,s，h,s＝1,2,3,…}；