一种基于贝叶斯网络的多应力智能电表可靠性预估方法技术

本发明专利技术公开了一种基于贝叶斯网络的多应力智能电表可靠性预估方法，用于智能电表运行状态的评估，包括对智能电表故障数据样本进行预处理和构建贝叶斯网络模型进行故障分类的步骤，关键是，所述的构建贝叶斯网络模型进行故障分类的步骤是，构建贝叶斯网络模型后先用数据特征进行先验分布，再借助注意力机制对数据特征进行权重学习后，得到优化后的贝叶斯网络模型，本发明专利技术在分析智能电表运行状态过程中，综合考虑温度、湿度等环境因素以及智能电表运行时间、生产厂家等，不仅可以得出环境因素对智能电表运行状态的影响，还可以结合智能电表不同的运行时长、不同的生产厂家等，更进一步进行智能电表运行状态评估。一步进行智能电表运行状态评估。一步进行智能电表运行状态评估。

【技术实现步骤摘要】
一种基于贝叶斯网络的多应力智能电表可靠性预估方法


[0001]本专利技术属于智能电表运行可靠性预估分析领域，涉及一种多应力智能电表可靠性的预估方法，特别是使用改进后的贝叶斯网络模型进行智能电表在温度、湿度等多应力环境下运行状态的分析。

技术介绍

[0002]智能电能表是高级量测体系建设中的重要组成部分，关系到用电采集系统的准确、安全以及稳定运行，也关系到用户供电的安全性和可靠性。随着科技的不断进步，智能电表结构也越来越复杂，其内部元器件要求的精细度也越来越高，智能电表的安全稳定运行直接影响到智能终端设备的运行。智能电表工作时间长，运行环境复杂多变，其在运行过程中不可避免的会受到温度、湿度等环境应力的影响，尤其是在高低温、高湿度、高压强、高盐雾等环境的影响下，智能电表内部元器件发生故障的概率也大大增加，从而影响到智能电表的稳定运行。
[0003]贝叶斯算法以贝叶斯原理为基础，将数据特征之间的因果关系用有向边表示，数据特征之间相关影响的强弱度用条件概率表示形成有向无环图。因使用概率推理计算方式，贝叶斯算法被广泛应用于故障诊断及系统可靠性分析领域。然而，在真实运行环境下，智能电表故障受众多运行环境因素影响，并且每个因素对智能电表运行的影响都不相同，传统的贝叶斯算法并不能很好地进行智能电表可靠性预估分析。
[0004]公开号为CN113484813A专利名称为多环境应力下的智能电表故障率预估方法及系统，它采用了加权欧式距离的方式对历史数据进行权重考量，进而删除了一些数据特征概率虽然小但很重要的数据样本，导致故障种类不够全面，在实际应用时虽然很少出现，但存在一旦出现就会发生重大事故的风险。

技术实现思路

[0005]本专利技术提出一种基于贝叶斯网络的多应力智能电表可靠性预估方法，解决智能电表在多应力环境下的运行状态预测问题。通过方法的设计，可以使智能电表在多应力环境下运行状态的分析数据更为准确。
[0006]本专利技术的技术方案是，一种基于贝叶斯网络的多应力智能电表可靠性预估方法，用于智能电表运行状态的评估，包括对智能电表故障数据样本进行预处理和构建贝叶斯网络模型进行故障分类的步骤，关键是，所述的构建贝叶斯网络模型进行故障分类的步骤是，构建贝叶斯网络模型后先用数据特征进行先验分布，再借助注意力机制对数据特征进行权重学习后，得到优化后的贝叶斯网络模型，具体步骤如下：
[0007]S1、对数据样本构建基于贝叶斯网络模型的数据特征和故障类别的训练集；
[0008]S2、根据以上训练集采用拉普拉斯平滑法计算得出每一个故障类别的先验概率，将先验概率为0的故障类别排除；
[0009]S3、计算每一个数据特征所出现故障的先验概率，将先验概率为0的数据特征去
掉；
[0010]S4、采用注意力机制对每一个数据特征进行权重计算；
[0011]S5、通过后验概率得出每一个数据样本所属于的最终故障种类，得到经过优化后的贝叶斯网络模型。
[0012]所述的数据特征包括最高温、最低温、平均温差、平均气温、平均气压、海拔高度、平均降水量、平均相对湿度、平均风速、智能电表生产厂家、运行时间。
[0013]在构建贝叶斯网络模型进行故障分类步骤前，还进行数据特征选择降维处理，排除个别数据特征。
[0014]所述的对智能电表故障数据样本进行预处理步骤包括：
[0015]a、对于异常值的处理，使用LOF异常检测算法检测异常数据，并通过插值法处理，对于空值数据，通过平均数填充方法进行处理，对于重复值，分析其重复原因并剔除重复数据；
[0016]b、提取智能电表所在的生产厂家以及运行时间数据，其中，运行时间的计算方式为智能电表失效时间与安装时间之差。
[0017]本专利技术针对智能电能表运行过程中的故障数据以及所在的运行环境，提出一种基于注意力机制的加权朴素贝叶斯模型，使用收集到的智能电表故障数据构造智能电表故障先验分布，并在参数估计的过程中引入注意力机制，得到不同数据特征对智能电表运行状态的影响权重。最后，基于AW
‑
BN模型进行智能电表运行状态进行可靠性评估，分析在不同的环境应力下智能电表的运行状态。
[0018]本专利技术的有益效果是，
[0019]1、本专利技术在分析智能电表运行状态过程中，综合考虑温度、湿度等环境因素以及智能电表运行时间、生产厂家等，不仅可以得出环境因素对智能电表运行状态的影响，还可以结合智能电表不同的运行时长、不同的生产厂家等，更进一步进行智能电表运行状态评估。
[0020]2、本专利技术对智能电表运行状态进行评估分析，不仅可以为电网公司的智能电表布局规划提供参考依据，避免由于智能电能表故障拆除导致的大量损失；还可以将模型评价结果反馈至其他部门，改善智能电表生产厂家的质量管理和生产水平，优化结果模式，提升智能电能表利用率。
[0021]3、对于不同类型的数据特征，分别采取不同的方式计算先验概率和权重，有效避免了因数据特征的不同给智能电表带来的不同影响，使得智能电表故障预测更佳精准。
附图说明
[0022]图1是本专利技术的方法流程示意图。
具体实施方式
[0023]相关英文或术语解释：
[0024]Soft
‑
Attention Weighted Naive Bayesian：SA
‑
WNB，基于注意力机制的加权朴素贝叶斯。
[0025]注意力机制：注意力机制是一种模拟人类大脑关注关键事物的机制，其核心思想
是模型将注意力集中在关键信息上而忽略其他非必要信息，其最早被运用在图像处理领域。注意力一般分为两种，一种是自上而下的有意识的注意力(Focus Attention)，另一种是自下而上的无意识的注意力(saliency
‑
based attention)。随着技术的发展以及相关任务越来越复杂，注意力机制也出现了很多变体，如多头注意力(Multi
‑
Head Attention)、自注意力(Self Attention)等。
[0026]先验概率、后验概率：先验概率是指根据以往经验和分析得到的概率，如全概率公式，往往作为“由因求果”中的“因”出现的概率。在本专利技术中先验概率指的是由已知样本得出的各种先验知识，如智能电表运行状态各个类别发生的概率，各个数据特征不同的取值下属于各个类别的概率等。后验概率是指在得到“结果”的信息后重新修正的概率，是“由因求果”中的“果”，其计算是以先验概率为基础。在本专利技术中后验概率指的是由基于权重的贝叶斯算法得出的新的未知样本的类别的概率。
[0027]参看图1，本专利技术主要包括数据预处理、特征选择、基于SA
‑
WNB模型的智能电表运行状态可靠性评估三个主要步骤，具体举出一个实施例，步骤如下：
[0028]1、数据预处理
[0029]为更好的分析环境因素对智能电表运行状态的影响，选取不同省份、不同地域以及2017
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯网络的多应力智能电表可靠性预估方法，用于智能电表运行状态的评估，包括对智能电表故障数据样本进行预处理和构建贝叶斯网络模型进行故障分类的步骤，其特征在于：所述的构建贝叶斯网络模型进行故障分类的步骤是，构建贝叶斯网络模型后先用数据特征进行先验分布，再借助注意力机制对数据特征进行权重学习后，得到优化后的贝叶斯网络模型，具体步骤如下：S1、对数据样本构建基于贝叶斯网络模型的数据特征和故障类别的训练集；S2、根据以上训练集采用拉普拉斯平滑法计算得出每一个故障类别的先验概率，将先验概率为0的故障类别排除；S3、计算每一个数据特征所出现故障的先验概率，将先验概率为0的数据特征去掉；S4、采用注意力机制对每一个数据特征进行权重计算；S5、通过后验概率得出每一个数据样本所属于的最终故障种类，得到经过优化后的贝叶斯网络模型。2.根据权利要求1所述的一种基于贝叶斯...

【专利技术属性】
技术研发人员：杨舟，陈珏羽，周政雷，江革力，李金瑾，蒋雯倩，李刚，潘俊涛，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：