第一章绪论
1.1课题背景
目前我国故障诊断技术在化工、冶金等行业应用的较好。故障诊断技术经过了多年的研究与探索，已应用于飞机自动驾驶、人造卫星、核反应堆、汽轮发电机组、大型网络系统、石油化工过程和设备、飞机和船舶发动机、汽车、冶金设备和矿山设备和机床等领域。在传感器技术和测试、分析技术进步以后，逐渐形成了依靠传统的信号分析手段来完成故障诊断的发展阶段;之后由于故障诊断是一个相当复杂的过程，在多数情况下，仅依靠单一的方法往往无法解决此问题。20世纪90年代以来，电力系统的诊断技术得到较快的发展。因此电力系统故障诊断是一个相当复杂的过程。
在我国故障诊断技术的起步较晚，70年代才初步接触设备故障诊断技术。早期的故障诊断技术是依靠人的主观感觉来直接进行状态的分析，或者利用物理或化学的原理和手段等，通过伴随故障出现的各种物理或化学现象来直接进行检测故障。电力系统故障诊断技术是一项与现代化工业生产密切相关的技术，其主要是研究故障诊断及故障预报的理论、方法及实施技术。所以，必须从各种相关学科中广泛探求有利于故障诊断的原理、方法与手段，这样就使得故障诊断技术呈现多学科交叉融合这一鲜明的特点。
1.2课题的意义
电力系统故障诊断研究具有重要的现实意义:电力系统的不断扩大和结构日益的复杂，大量报警信息在短时间内涌入了调度中心，远远地超过运行人员所处理的能力，往往造成工作人员的误判与漏判，当在多重故障或扩大性故障发生时，由于操作或设置错误等因素存在，通常会导致不确定性信息的出现。电力系统故障诊断主要是对各级各类保护装置产生的报警信息、电路的状态变化信息以及电压电流等测量的信息进行相应的分析。依据保护动作的逻辑和运行人员的经验来推测可能的故障位置及故障类型。同时为了适应各种简单和复杂事故情况下故障的快速而准确地识别，所以需要电力系统故障诊断系统进行决策参考;由于电力系统调度自动化水平不断地提高，越来越丰富的报警信息通过各变电所的远方终端装置，传送到各级电力系统调度中心，使得利用采集的实时信息进行电力系统故障诊断成为可能;另外对于电力系统故障的仿真分析和模拟培训也可以通过电力系统故障诊断系统来提升工作人员的经验和水平。电力系统故障诊断是通过利用有关电力系统及其保护装置的广泛知识和继电保护信息来识别故障的元件位置(区域)、类型和误动作的装置，其中故障元件的识别是关键问题。在故障元件识别的基础上，通过继电保护动作原理和相关的电气量等信息进行推理分析，就可以识别出误动作的保护与断路器，从而获得较全面的故障诊断结果。
传统的继电保护和故障诊断方法自适应能力有限，不能适应各种运行方式和诊断复杂故障，将信息融合技术应用于输电线网故障诊断中能很好地解决这一问题。以下因素成为贝叶斯网络运用于电力系统故障诊断的主要原因:电力系统运行方式的不确定性，采集信息的多样性、随机性、复杂性和关联的层次性。例如在电气设备的故障检测中，需检测的量就近20种，并且很多特征量之间是有相关性的。系统越大，其不确定性就越大，加上各种因素的影响，造成的检测的随机性和不确定性等。而贝叶斯网络是由一个有向无环图和一个条件概率表组成的，它运用概率理论来处理在描述不同知识成分之间的条件相关而产生的不确定性，具有描述事件多态性和故障逻辑关系非确定性的优点。电力系统某些概念的模糊性。如电气设备的状态从概念上讲就有很大的模糊性，故障的发生分瞬变和缓变故障，在缓变故障中从设备正常到故障征兆再到故障灾害是一个缓慢的过程，这就表明了电气设备的好与不好有很大的模糊性，其间许多电气设备的状态量的变化是连续。
1.3贝叶斯网络的发展和研究现状
1.3.1贝叶斯网络发展概述
贝叶斯网络又称为信度网络，是目前不确定知识表达和推理领域最有效的理论模型之一。，贝叶斯理论是贝叶斯网络的重要理论基础之一。在国内，清华大学对贝叶斯网络学习、贝叶斯网络推理及其在数据挖掘等方面的应用进行了研究:重庆大学在贝叶斯网络学习与推理方法方面进行了研究。由于当时贝叶斯方法在理论和实际应用中还存在很多的不完善的地方，因而在19世纪并未被普遍接受。20世纪初，遗传学家Sewallwrigh提出了有向无环图，并且成为经济学与社会学等界广泛采用的因果表达模型。I.J.Good和AlanTuring合作发展了概率的表示方法以及贝叶斯推理的方法，可以被视为是现代贝叶斯网络的先驱。与有向无环图相结合来表示决策问题的影响图在20世纪70年代末被用于决策分析中，但是它在求值运算中只用到了枚举方法。1982年，Pearl和Kim发展了在具有树或者多树结构的网络上实现推理的消息传递的方法，并阐述了构造因果概率模型的重要性。1988年，Pearl在总结并发展前人工作的基础上，完整地提出了贝叶斯网络。20世纪%年代，有效的推理和学习算法的出现，推动了贝叶斯网络的发展和应用等。
第二章则十斯网络理论
2.1贝叶斯网络相关理论知识
贝叶斯网络是为了处理人工智能研究中的不确定性问题而发展起来的。人工智能兴起于20世纪50年代中期，它的目标是研究人类智能的机理，提供智能行为的计算模型，进而构造能具有智能行为的系统。专家系统是人工智能的一个子领域，它的目标是将某一复杂领域的专家知识和经验引入计算机系统，使得更多人能够借助计算机系统受惠于专家的经验。
2.1.1常用的概率论
知识针对贝叶斯网络的推理，对先验概率、后验概率、联合概率、条件概率、链规则、贝叶斯公式以及贝叶斯法则和概率推理做下简单介绍。
(1)先验概。先验概率是根据历史的资料或者人为判断所确定的各事件发生的概率。先验概率一般分为两类，一种为客观先验概率，指利用过去的历史资料计算得到的概率;另一种为主观先验概率，指在无历史资料或者历史资料不全时，只能凭主观经验来判断获取的概率。
(2)后验概率。后验概率通常是指通过调查和实验等方法获取到新信息后，利用贝叶斯的公式对先验概率进行修正，从而得到的更加符合实际的概率。
第三章 基于贝叶斯网络的电力系统故障诊断................... 30-49
3.1 引言 ...................30-31
3.2 基于贝叶斯网络的电力系统故障诊断...................31-32
3.3 电力系统继电保护的动作原................... 32-34
3.4 基于元件的电力系统故障诊断................... 34-42
3.5 基于缺失数据的贝叶斯网络................... 42-44
3.6 故障诊断贝叶斯网络的概率学习................... 44-46
3.7 算例分析................... 46-48
3.8 本章小结................... 48-49
第四章 贝叶斯网络故障诊断系统设计................... 49-54
4.1 系统总体设计................... 49-50
4.2 系统功能模块设计................... 50-53
4.2.1 贝叶斯网络的编辑功能模块设计................... 50-51
4.2.2 网络推理模功能模块................... 51-53
4.2.3 知识库管理模块设计................... 53
4.3 本章小结 ...................53-54
结论
随着科学技术的飞速发展，电力系统设备向着自动化、智能化以及复杂化的方向发展，越来越大型和复杂的系统在电力系统中的应用也更加广泛，故障诊断也就越来越复杂。因此，常规的电力系统故障诊断技术己经不能满足目前人们对复杂的电力系统设备提出的可靠性要求，这就需要寻找一种适合用于表达和分析不确定性事物的故障诊断的方法。
贝叶斯网络作为一种新兴的不确定性知识表达和处理的方法，它是有一个有向无环图和一个条件概率表组成的，在很多领域的应用中都取得了令人难以相信的结果。本文充分利用贝叶斯网络特有的特性与优点，对于电力系统元件故障的特征，完成了下面的工作:论述了贝叶斯网络的参数学习算法和结构学习算法;建立了基于贝叶斯网络的电力系统故障的诊断模型;研究了信息预处理问题，对故障的概率信息进行准确推理。
参考文献
1多传感器信息融合在电机绝缘故障诊断中的应用.机械工程与自动化，2007，2:106-11.
2杨世风，马跃进.设备故障诊断步骤优化的研究.农业工程学报，2005，13(l2):125-29.
3梁生，何正嘉.机械故障诊断学.上海:上海科学技术出版社，2002
4.S.Yang，T.Han，J.L.An.ARTKohonenneural etwork orf ultdiagnosis http://sblunwen.com/dlxtlw/ frotating aehine Mechanical ystems nd ignal roeessing，2004(18):645-57.
5俭川，胡笃庆，秦国军.贝叶斯网络理论及其在设备故障诊断中的应用.中国机械工程.2003，14:147-52.
6振宇，林士敏.贝叶斯网络中的贝叶斯学习.广西科学院学报.2000，l6(4):145-50.
7连文，郭海鹏.贝叶斯网引论.北京:科学出版社，2006.
8贺炜，阎建国.贝叶斯网络在柴油机动力装置故障诊断中的应用.上海海运学院学报，2001，22(3):68-2.
9宏辉，唐锡宽‘贝叶斯推理网络在大型旋转机械故障诊断中的应用.机械科学与技术，2002，25(2):43-6.
10屈梁生一种贝叶斯诊断网络的拓扑结构.西安交通大学学报.2003，33:11-18.