本技術(shù)涉及電力電子，特別是涉及一種敏感設(shè)備故障概率評(píng)估方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著高新科學(xué)技術(shù)的發(fā)展，越來(lái)越多的電力電子敏感設(shè)備被應(yīng)用于各行業(yè)，然而，隨之而來(lái)的是電能質(zhì)量問(wèn)題的日益突出，其中電壓暫降作為最嚴(yán)重的電能質(zhì)量問(wèn)題之一，已引起電網(wǎng)及用戶的高度重視。電壓暫降的影響主要作用在用戶側(cè)，用戶設(shè)備在遭受電壓暫降時(shí)可能會(huì)導(dǎo)致設(shè)備停機(jī)、產(chǎn)品報(bào)廢和數(shù)據(jù)丟失等問(wèn)題，在生產(chǎn)作業(yè)中，單個(gè)元件故障可能引起整條生產(chǎn)線產(chǎn)品報(bào)廢，造成大量的經(jīng)濟(jì)財(cái)產(chǎn)損失。

2、設(shè)備經(jīng)受電壓暫降后是否停機(jī)，受設(shè)備運(yùn)行工況、電壓暫降類型和電壓暫降特征參數(shù)等多種不確定性因素影響，因此具有很強(qiáng)的不確定性。經(jīng)常出現(xiàn)同樣的電壓暫降有時(shí)造成設(shè)備停機(jī)，而有時(shí)卻不造成設(shè)備停機(jī)的現(xiàn)象，導(dǎo)致治理措施決策時(shí)無(wú)法應(yīng)對(duì)。

3、目前，常用的電壓暫降對(duì)敏感設(shè)備影響的評(píng)估技術(shù)主要有cbema曲線、itic曲線和負(fù)荷敏感度隨機(jī)估計(jì)法，cbema曲線和itic曲線被推薦為制造商建議性標(biāo)準(zhǔn)，但由于不同種類的設(shè)備，尤其是相同種類不同型號(hào)的設(shè)備對(duì)電壓暫降的敏感度本身就存在明顯的不確定性，且未充分考量敏感設(shè)備的動(dòng)態(tài)變化，所以簡(jiǎn)單使用固定的itic曲線或cbema曲線對(duì)負(fù)荷敏感度進(jìn)行評(píng)估計(jì)算誤差相對(duì)較大。負(fù)荷敏感度隨機(jī)估計(jì)法，以電壓暫降的物理特征為基礎(chǔ)，用主觀概率模型描述負(fù)荷電壓耐受曲線(vtc)的隨機(jī)分布規(guī)律，對(duì)樣本的依賴性強(qiáng)，在實(shí)際中難以實(shí)現(xiàn)且可能引入主觀誤差，評(píng)估結(jié)果準(zhǔn)確性差。

4、由此可見(jiàn)，如何提高因電壓暫降造成的敏感設(shè)備故障概率評(píng)估的準(zhǔn)確性已經(jīng)成為本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的是提供一種敏感設(shè)備故障概率評(píng)估方法、系統(tǒng)、設(shè)備及介質(zhì)，解決如何提高因電壓暫降造成的敏感設(shè)備故障概率評(píng)估的準(zhǔn)確性的技術(shù)問(wèn)題，實(shí)現(xiàn)提升因電壓暫降造成的敏感設(shè)備故障概率評(píng)估的準(zhǔn)確性，及時(shí)采取應(yīng)對(duì)措施，減少電壓暫降對(duì)敏感設(shè)備的影響的效果。

2、第一方面，本技術(shù)實(shí)施例提供了一種敏感設(shè)備故障概率評(píng)估方法，基于待評(píng)估敏感設(shè)備的受擾因素，采集電壓暫降特征數(shù)據(jù)集和與所述電壓暫降特征數(shù)據(jù)集對(duì)應(yīng)的故障概率數(shù)據(jù)集；

3、構(gòu)建目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型，所述目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)被設(shè)定為采用基于坐標(biāo)上升算法優(yōu)化變分參數(shù)選擇的變分推斷算法確定；

4、采用所述電壓暫降特征數(shù)據(jù)集和所述故障概率數(shù)據(jù)集對(duì)所述目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到敏感設(shè)備故障概率評(píng)估模型；

5、在實(shí)際評(píng)估過(guò)程中，將采集的所述待評(píng)估敏感設(shè)備的實(shí)時(shí)電壓暫降特征數(shù)據(jù)輸入所述敏感設(shè)備故障概率評(píng)估模型，得到所述待評(píng)估敏感設(shè)備的故障概率評(píng)估結(jié)果。

6、優(yōu)選的，所述基于待評(píng)估敏感設(shè)備的受擾因素，采集電壓暫降特征數(shù)據(jù)集和與所述電壓暫降特征數(shù)據(jù)集對(duì)應(yīng)的故障概率數(shù)據(jù)集，包括：

7、基于待評(píng)估敏感設(shè)備的受擾因素，確定電壓暫降特征；

8、根據(jù)典型不確定性電壓暫降敏感負(fù)荷vtc曲線的閾值點(diǎn)，將所述電壓暫降特征對(duì)應(yīng)的數(shù)據(jù)集劃分為確定區(qū)域和不確定區(qū)域；

9、基于所述電壓暫降特征對(duì)應(yīng)的數(shù)據(jù)與所述閾值點(diǎn)的關(guān)系，得到確定區(qū)域電壓暫降特征數(shù)據(jù)集和確定區(qū)域故障概率數(shù)據(jù)集；

10、基于歷史電壓暫降事件和設(shè)備故障事件監(jiān)測(cè)數(shù)據(jù)，得到不確定區(qū)域電壓暫降特征數(shù)據(jù)集和不確定區(qū)域故障概率數(shù)據(jù)集；

11、將所述確定區(qū)域電壓暫降特征數(shù)據(jù)集和所述不確定區(qū)域電壓暫降特征數(shù)據(jù)集組合為電壓暫降特征數(shù)據(jù)集；

12、將所述確定區(qū)域故障概率數(shù)據(jù)集和所述不確定區(qū)域故障概率數(shù)據(jù)集組合為故障概率數(shù)據(jù)集。

13、優(yōu)選的，所述構(gòu)建目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型，包括：

14、初始化貝葉斯神經(jīng)網(wǎng)絡(luò)模型，以變分參數(shù)的變分分布表示近似設(shè)備故障概率分布下的近似參數(shù)分布；

15、采用所述近似參數(shù)分布和真實(shí)設(shè)備故障概率分布下的后驗(yàn)分布之間的相對(duì)熵表示所述近似設(shè)備故障概率分布和所述真實(shí)設(shè)備故障概率分布之間的差異；

16、基于所述貝葉斯神經(jīng)網(wǎng)絡(luò)模型的權(quán)重參數(shù)與所述電壓暫降特征之間的獨(dú)立性，對(duì)所述差異進(jìn)行分解，得到所述變分參數(shù)的初始關(guān)系式；

17、通過(guò)最大化所述貝葉斯神經(jīng)網(wǎng)絡(luò)模型的證據(jù)下界，對(duì)所述初始關(guān)系式進(jìn)行估計(jì)，得到目標(biāo)函數(shù)；

18、基于平均場(chǎng)假設(shè)算法，得到所述近似設(shè)備故障概率分布的最優(yōu)變分因子；

19、基于所述最優(yōu)變分因子，對(duì)所述目標(biāo)函數(shù)進(jìn)行優(yōu)化；

20、基于優(yōu)化后的所述目標(biāo)函數(shù)，對(duì)所述貝葉斯神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，得到所述目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型。

21、優(yōu)選的，所述通過(guò)最大化所述貝葉斯神經(jīng)網(wǎng)絡(luò)模型的證據(jù)下界，對(duì)所述初始關(guān)系式進(jìn)行估計(jì)，得到目標(biāo)函數(shù)，包括：

22、基于所述貝葉斯神經(jīng)網(wǎng)絡(luò)模型的證據(jù)下界的定義，從所述初始關(guān)系式中獲取證據(jù)下界關(guān)系式；

23、采用蒙特卡洛算法，對(duì)所述證據(jù)下界關(guān)系式的積分變換結(jié)果進(jìn)行估計(jì)，并根據(jù)估計(jì)結(jié)果得到所述目標(biāo)函數(shù)；

24、所述目標(biāo)函數(shù)表示為：

25、

26、其中，表示電壓暫降特征，表示待評(píng)估敏感設(shè)備的故障概率，表示變分參數(shù)表示，表示貝葉斯神經(jīng)網(wǎng)絡(luò)模型的權(quán)重參數(shù)，表示的變分分布，表示后驗(yàn)分布，表示先驗(yàn)分布。

27、優(yōu)選的，所述基于平均場(chǎng)假設(shè)算法，得到所述近似設(shè)備故障概率分布的最優(yōu)變分因子，包括：

28、基于平均場(chǎng)假設(shè)算法，假設(shè)所述近似設(shè)備故障概率分布中的所述權(quán)重參數(shù)的各個(gè)變量相互獨(dú)立，得到所述近似設(shè)備故障概率分布的獨(dú)立分布關(guān)系式；

29、對(duì)所述獨(dú)立分布關(guān)系式進(jìn)行最優(yōu)估計(jì)，得到所述近似設(shè)備故障概率分布的最優(yōu)變分因子。

30、優(yōu)選的，所述構(gòu)建目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型，還包括：

31、基于注意力機(jī)制算法，在所述目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型的隱藏層之間添加注意力模塊，以對(duì)所述目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，得到優(yōu)化后的所述目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型。

32、優(yōu)選的，所述方法還包括：

33、根據(jù)所述故障概率評(píng)估結(jié)果對(duì)所述待評(píng)估敏感設(shè)備進(jìn)行電壓暫降耐受特性評(píng)估，得到所述待評(píng)估敏感設(shè)備的電壓暫降耐受特性結(jié)果。

34、第二方面，本技術(shù)實(shí)施例提供了一種敏感設(shè)備故障概率評(píng)估系統(tǒng)，所述系統(tǒng)包括：所述系統(tǒng)包括：數(shù)據(jù)集采集單元、模型構(gòu)建單元、模型訓(xùn)練單元和故障概率評(píng)估單元；

35、所述數(shù)據(jù)集采集單元，用于基于待評(píng)估敏感設(shè)備的受擾因素，采集電壓暫降特征數(shù)據(jù)集和與所述電壓暫降特征數(shù)據(jù)集對(duì)應(yīng)的故障概率數(shù)據(jù)集；

36、所述模型構(gòu)建單元，用于構(gòu)建目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型，所述目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)被設(shè)定為采用基于坐標(biāo)上升算法優(yōu)化變分參數(shù)選擇的變分推斷算法確定；

37、所述模型訓(xùn)練單元，用于采用所述電壓暫降特征數(shù)據(jù)集和所述故障概率數(shù)據(jù)集對(duì)所述目標(biāo)貝葉斯神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到敏感設(shè)備故障概率評(píng)估模型；

38、所述故障概率評(píng)估單元，用于在實(shí)際評(píng)估過(guò)程中，將采集的所述待評(píng)估敏感設(shè)備的實(shí)時(shí)電壓暫降特征數(shù)據(jù)輸入所述敏感設(shè)備故障概率評(píng)估模型，得到所述待評(píng)估敏感設(shè)備的故障概率評(píng)估結(jié)果。

39、第三方面，本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，所述計(jì)算機(jī)設(shè)備包括存儲(chǔ)器、處理器和收發(fā)器，它們之間通過(guò)總線連接；存儲(chǔ)器用于存儲(chǔ)一組計(jì)算機(jī)程序指令和數(shù)據(jù)，并將存儲(chǔ)的數(shù)據(jù)傳輸給處理器，處理器執(zhí)行存儲(chǔ)器存儲(chǔ)的程序指令，以執(zhí)行上述所述的敏感設(shè)備故障概率評(píng)估方法。

40、第四方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被運(yùn)行時(shí)，實(shí)現(xiàn)上述所述的敏感設(shè)備故障概率評(píng)估方法。

41、本技術(shù)提供了一種敏感設(shè)備故障概率評(píng)估方法、系統(tǒng)、設(shè)備及介質(zhì)，相比于現(xiàn)有技術(shù)，本技術(shù)實(shí)施例的有益效果如下：

42、本技術(shù)提供的敏感設(shè)備故障概率評(píng)估方法，采用貝葉斯神經(jīng)網(wǎng)絡(luò)模型，與敏感設(shè)備的電壓耐受曲線存在不確定區(qū)域的問(wèn)題相契合，能夠綜合考慮多種不確定性因素，提升評(píng)估的準(zhǔn)確性和魯棒性，通過(guò)合理地選擇和更新貝葉斯神經(jīng)網(wǎng)絡(luò)模型的變分參數(shù)，能夠在一定程度上加速收斂過(guò)程，在保證精度的前提下，盡可能減少計(jì)算時(shí)間和資源消耗。